ĐIỀU KHIỂN DỰ BÁO MÔ HÌNH THÍCH NGHI KẾT HỢP HỌC TĂNG CƯỜNG SÂU CHO HỆ THỐNG TREO CHỦ ĐỘNG: XỬ LÝ ĐỘ TRỄ VÀ BÙ NHIỄU DỰ BÁO

Abstract

Hệ thống treo chủ động được xem là một nền tảng quy chiếu quán tính thiết yếu, đảm bảo sự ổn định cho các cảm biến nhận thức trên xe tự hành. Các thuật toán điều khiển phản hồi mô hình truyền thống thường vận hành với bộ trọng số phạt tĩnh, dẫn đến sự thiếu linh hoạt trước các biến động của điều kiện mặt đường và thường bỏ qua tác động tiêu cực của động học trễ từ cơ cấu chấp hành. Nghiên cứu này đề xuất một giải pháp điều khiển phân tầng mới, tích hợp giữa Model Predictive Control (MPC) và tác tử học sâu tăng cường thông qua thuật toán Soft Actor-Critic (SAC). Trong cấu trúc này, ma trận trọng số của MPC được điều chỉnh liên tục theo thời gian thực dựa vào dữ liệu dự báo mặt đường. Cốt lõi khoa học của bài báo là việc áp đặt một ràng buộc Lyapunov cứng lên quá trình cập nhật chính sách của Deep Reinforcement Learning (DRL), qua đó đảm bảo tuyệt đối tính ổn định từ ngõ vào đến trạng thái (Input-to-State Stability - ISS) cho toàn hệ thống, kết hợp với kỹ thuật mở rộng vector trạng thái nhằm bù đắp trễ pha. Các thử nghiệm mô phỏng có phần cứng trong vòng lặp trên hệ thống dSPACE MicroLabBox đã minh chứng rõ rệt tính khả thi và ưu việt của phương pháp. Số liệu cho thấy hệ thống đề xuất giảm thiểu tới 53,0% chỉ số RMS gia tốc thân xe so với hệ thống thụ động, và cải thiện 23,9% so với MPC tiêu chuẩn, đồng thời bảo đảm tuân thủ nghiêm ngặt mọi giới hạn vật lý của hệ thống.