Predictive Longitudinal Vehicle Motion Tracking Using Offset-Free Receding Horizon Control and Deep Reinforcement Learning

Büchel, Martin

Martin Büchel

If you experience problems opening the document, please try this link.

Original title:: Predictive Longitudinal Vehicle Motion Tracking Using Offset-Free Receding Horizon Control and Deep Reinforcement Learning
Translated title:: Prädiktive Fahrzeuglängsbewegungsverfolgung mit offset-freier modellprädiktiver Regelung und tiefem Verstärkungslernen
Author:: Büchel, Martin
Year:: 2023
Document type:: Dissertation
Faculty/School:: TUM School of Computation, Information and Technology
Advisor:: Knoll, Alois Christian (Prof. Dr.)
Referee:: Knoll, Alois Christian (Prof. Dr.); Gilitschenski, Igor (Prof. Dr.)
Language:: en
Subject group:: DAT Datenverarbeitung, Informatik
Keywords:: Predictive longitudinal vehicle motion tracking, receding horizon control, offset-free model predictive control, deep reinforcement learning, signal smoothing, polynomial smoothing, vehicle traction parameter estimation, vehicle parameter estimation, Kalman filtering, DeePLS, derivative-exploiting polynomial least squares
Translated keywords:: Fahrzeugbewegungsverfolgung, modellprädiktive Regelung, Reinforcement Learning, Zustands- und Parameterschätzung, Signalglättung, DeePLS Methode
TUM classification:: DAT 260; DAT 815
Abstract:: We investigate predictive longitudinal trajectory tracking for automated vehicles. A model predictive control formulation is developed and compared to model-free reinforcement learning, which does not typically leverage predictive information. Combining these methods with state and parameter observers for estimating time-variant vehicle parameters is considered. We develop a novel algorithm for smoothing multi-channel data capable of leveraging information about signal inter-dependencies.
Translated abstract:: Es werden Verfahren zur prädiktiven Längsfolgeregelung autonomer Fahrzeuge untersucht. Eine Methode der modellprädiktiven Regelung wird dem modellfreien Verstärkungslernen gegenübergestellt, wobei hier die Verarbeitung von prädiktivem Wissen bislang unüblich ist. Als weiterer Schwerpunkt ergibt sich die Entwicklung von Zustands- und Parameterschätzverfahren zur Ermittlung zeitvarianter Fahrzeugparameter. Ein neuartiges Verfahren zur Glättung mehrerer zueinander abhängigen Größen wird entwickelt.
WWW:: https://mediatum.ub.tum.de/?id=1694396
Date of submission:: 04.01.2023
Oral examination:: 07.12.2023
File size:: 94638271 bytes
Pages:: 349
Urn (citeable URL):: https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20231207-1694396-1-1
Last change:: 16.04.2024
BibTeX