DNN Koopman-Based Deviation Compensation for UGV Path Tracking Control on Coupled Slope and Potholed Road

📄 arXiv: 2606.18630v1 📥 PDF

作者: Jian Zhao, Wenbo Zhou, Zhicheng Chen, Bing Zhu, Jiayi Han, Dongjian Song, Yinju Lin, Peixing Zhang

分类: cs.RO

发布日期: 2026-06-17

备注: 22 pages, 13 figures

💡 一句话要点

提出DNN Koopman补偿策略以解决UGV路径跟踪控制问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 无人驾驶 路径跟踪 深度神经网络 Koopman算子 模型预测控制 补偿机制 耦合坡度 坑洼道路

📋 核心要点

  1. UGV在复杂地形下的路径跟踪性能受到显著干扰，现有方法难以有效应对这些挑战。
  2. 提出了一种基于DNN和Koopman算子的偏差补偿策略，结合LMPC和EPC机制，提升UGV的路径跟踪精度。
  3. 实验结果显示，所提策略在多种条件下的路径跟踪性能提升超过11.5%，验证了其有效性。

📝 摘要（中文）

无人地面车辆（UGV）在越野场景中面临复杂地形干扰，这可能显著降低路径跟踪性能。为解决这一挑战，本文提出了一种基于深度神经网络（DNN）Koopman的偏差补偿策略。首先，基于耦合坡度的车辆动态函数，设计了一种具有解耦误差项的自适应遗忘递归最小二乘法来估计轮胎侧向刚度。在此基础上，结合Laguerre函数设计了一种Laguerre模型预测控制（LMPC）路径跟踪控制策略，能够在不同耦合坡度场景下减少计算资源使用，同时保持可靠的跟踪性能。然后，结合Koopman算子理论与DNN，提出了一种DNN Koopman（DK）路径偏差补偿方法，显著提高了UGV在坑洼道路干扰下的路径跟踪精度。此外，基于补偿激活标准和可信度验证，建立了一种事件触发的并行协作（EPC）补偿机制，将LMPC与DK相结合，改善了坑洼道路上的路径跟踪精度，同时确保了整体转向指令的可行性和车辆在DK补偿后的稳定性。最后，构建了硬件在环（HiL）实验平台进行验证。实验结果表明，所提出的UGV路径跟踪策略在多种操作条件下提高了跟踪性能超过11.5%。

🔬 方法详解

问题定义：本文旨在解决UGV在复杂地形（如耦合坡度和坑洼道路）下的路径跟踪控制问题。现有方法在应对地形干扰时，往往无法保持良好的跟踪性能，导致车辆行驶不稳定。

核心思路：提出了一种结合DNN和Koopman算子的偏差补偿策略，通过自适应估计轮胎刚度和引入Laguerre模型，优化路径跟踪控制。此设计旨在提高UGV在复杂地形下的跟踪精度和稳定性。

技术框架：整体架构包括三个主要模块：首先，使用自适应遗忘递归最小二乘法估计轮胎侧向刚度；其次，设计Laguerre模型预测控制（LMPC）策略以优化路径跟踪；最后，结合DNN与Koopman算子实现路径偏差补偿。

关键创新：最重要的创新点在于将DNN与Koopman算子结合，提出DNN Koopman路径偏差补偿方法，显著提升了UGV在坑洼道路下的跟踪精度。这一方法与传统控制方法相比，具有更好的适应性和精确性。

关键设计：在关键设计方面，采用了自适应遗忘递归最小二乘法来动态估计轮胎刚度，LMPC策略中引入Laguerre函数以减少计算复杂度，同时确保控制性能。DNN结构的设计则侧重于提高对路径偏差的学习能力。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，所提出的UGV路径跟踪策略在多种操作条件下的跟踪性能提升超过11.5%。与基线方法相比，新的补偿机制显著改善了UGV在坑洼道路上的路径跟踪精度，验证了其有效性和实用性。

🎯 应用场景

该研究的潜在应用领域包括无人驾驶汽车、农业机器人和军事侦察等场景，能够有效提升UGV在复杂地形下的自主导航能力。未来，该技术有望在更广泛的自动化和智能交通系统中发挥重要作用，推动无人驾驶技术的发展。

📄 摘要（原文）

Unmanned ground vehicles (UGVs) operating in off-road scenarios are confronted with complex terrain disturbances that can substantially degrade path tracking performance. To address this challenge, this paper proposes a deep neural network (DNN) Koopman-based deviation compensation strategy for UGV path tracking control. Firstly, based on the vehicle dynamic function on coupled slope, an adaptive forgetting recursive least squares method with decoupled error terms is designed to estimate tire cornering stiffness. On this basis, a Laguerre model predictive control (LMPC) path tracking control strategy is designed by incorporating Laguerre functions, which can reduce computational resource usage while maintaining reliable tracking performance across different coupled slope scenarios. Then, by integrating Koopman operator theory with DNN, a DNN Koopman (DK) path deviation compensation method is proposed, which significantly improves the path tracking accuracy of UGV under potholed road disturbances. Furthermore, an event-triggered parallel cooperative (EPC) compensation mechanism that couples LMPC with DK is established based on compensation activation criteria and credibility verification. This mechanism improves path tracking accuracy on potholed road while ensuring the feasibility of overall steering command and stability of vehicle after DK compensation. Finally, a hardware-in-the-loop (HiL) experimental platform is constructed for validation. Experimental results demonstrate that the proposed UGV path tracking strategy improves tracking performance by more than 11.5% across multiple operating conditions.