Deep Koopman risk-preview supervised LTV-MPC for direct yaw moment control of distributed drive electric vehicles

📄 arXiv: 2608.09413v1 📥 PDF

作者: Wenjie Wang, Hao Chen, Ran Shu, Kyoungseok Han, Hongyu Shu

分类: eess.SY

发布日期: 2026-08-10

💡 一句话要点

提出KRG-LTV-MPC框架以优化电动车的偏航稳定性控制

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 偏航控制 电动车 模型预测控制 Koopman模型 动态稳定性 低干预控制 智能驾驶 自动驾驶

📋 核心要点

  1. 现有的直接偏航力矩控制方法在低风险条件下可能导致不必要的干预，影响驾驶体验。
  2. 本文提出的KRG-LTV-MPC框架通过引入Koopman模型进行风险预览，优化了控制决策过程。
  3. 实验结果显示，KRG-LTV-MPC在低摩擦条件下减少了偏航干预，并提高了控制效率和车辆稳定性。

📝 摘要（中文）

本文提出了一种基于Koopman风险预览的线性时变模型预测控制（KRG-LTV-MPC）框架，用于低干预的偏航稳定性辅助。该框架通过分离Koopman模型的相位风险预览与安全执行，避免在低风险条件下的过度干预。实验结果表明，在低摩擦和摩擦过渡条件下，KRG-LTV-MPC显著减少了43.9%的偏航干预，并在保持车辆稳定的同时，仅在41.0%的样本中解决了约束二次规划（QP）问题。

🔬 方法详解

问题定义：本文旨在解决现有直接偏航力矩控制（DYC）在低风险条件下的过度干预问题。现有方法往往依赖于完全数据驱动的控制预测，导致在安全性和驾驶体验之间的矛盾。

核心思路：论文提出的KRG-LTV-MPC框架通过将Koopman模型的相位风险预览与安全执行分离，优化了控制决策。该方法在低风险情况下可以跳过不必要的控制计算，从而减少干预。

技术框架：该框架主要包括两个模块：Koopman风险预览模块和线性时变模型预测控制（LTV-MPC）模块。Koopman模块预测侧滑-偏航率相位风险，决定是否执行QP问题，而LTV-MPC模块在必要时计算额外的偏航力矩。

关键创新：最重要的创新在于引入了Koopman模型作为智能监督层，提供了相位风险信息，从而在低干预情况下优化DYC的执行。这一设计与传统的完全数据驱动方法有本质区别。

关键设计：在设计中，Koopman模型的参数设置和网络结构经过精心调整，以确保其在低摩擦和摩擦过渡条件下的有效性。损失函数的选择也考虑了控制精度与干预频率之间的平衡。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，KRG-LTV-MPC在闭环低摩擦条件下，相较于传统的LTV-MPC，累计偏航力矩干预减少了43.9%。此外，该方法仅在41.0%的样本中解决了QP问题，同时保持了车辆在相位平面内的稳定性，展现了显著的性能提升。

🎯 应用场景

该研究的潜在应用领域包括电动车的智能驾驶系统、自动驾驶技术以及车辆动态控制。通过优化偏航稳定性控制，能够提升驾驶安全性和舒适性，具有重要的实际价值和广泛的市场前景。

📄 摘要（原文）

Always-on direct yaw moment control (DYC) improves vehicle stability during critical maneuvers but can introduce unnecessary interventions under low-risk conditions. This paper proposes a Koopman risk-gated linear time-varying model predictive control (KRG-LTV-MPC) framework for low-intervention yaw stability assistance. Instead of replacing the physics-based execution model with a fully data-driven control predictor, this framework separates Koopman-based phase-risk preview from safety-critical execution. A Deep Koopman model predicts the nominal evolution of the sideslip-yaw rate phase risk to determine whether the constrained quadratic programming (QP) problem should be solved or skipped at each sampling time. When the gate is active, the LTV-MPC layer calculates the additional yaw moment; otherwise, the QP is skipped and the previously commanded moment is tapered to zero under a bounded-rate rule. Event-level shadow-mode evaluation shows that the Koopman predictor provides positive warning lead times of 0.19-0.28 s under low-friction and friction-transition conditions, whereas the LTV predictor gives delayed warnings. Under closed-loop low-friction conditions, KRG-LTV-MPC reduces the cumulative yaw-moment intervention by 43.9% relative to LTV-MPC and solves the QP for only 41.0% of the samples while maintaining vehicle stability within the phase plane. These results support the use of Koopman phase-risk information as an intelligent supervisory layer for low-intervention DYC.