[en] HYBRID MODEL IDENTIFICATION BASED ON ARTIFICIAL NEURAL NETWORKS FOR LATERAL DYNAMICS OF MILITARY VEHICLE

• Ano de defesa: 2023
• Autor(a) principal: CAMILA LEAO PEREIRA
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: MAXWELL
• Palavras-chave em Português: [pt] IDENTIFICACAO DE SISTEMA; [pt] CONTSID; [pt] REDES NEURAIS; [pt] VEICULO MILITAR; [pt] DINAMICA VEICULAR; [en] SYSTEM IDENTIFICATION; [en] CONTSID; [en] NEURAL NETWORKS; [en] MILITARY VEHICLE; [en] VEHICULAR DYNAMICS
• Link de acesso: https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=62898&idi=1; https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=62898&idi=2; http://doi.org/10.17771/PUCRio.acad.62898

[pt] O estudo da dinâmica lateral é de grande importância para análise do comportamento de um veículo durante manobras e fundamental para a implementação de sistemas de controle de estabilidade e de trajetória em veículos autônomos. Nesse contexto, baseado em medições experimentais de um veículo militar de três eixos durante manobras de mudança dupla de faixa a diferentes velocidades, o presente trabalho apresenta métodos de identificação de sistemas para obtenção de modelos lineares por meio da ferramenta CONTSID (CONTinuous-Time System IDentification), disponível no MATLAB; de modelos não lineares baseados em Redes Neurais; e, por fim, a proposta de emprego de modelos híbridos com o intuito de minimizar o erro associado à primeira abordagem, somando-se ao modelo linear, o valor estimado do resíduo com a aplicação de redes neurais. Por se tratarem de modelos obtidos a partir de dados observados, como parâmetros de entrada e de saída do sistema, foram selecionados o ângulo do volante e a taxa de guinada do veículo, respectivamente. Com a utilização do dados observados, foi realizada a identificação das funções de transferência para cada velocidade, o que possibilitou a análise da influência dessa variável no comportamento dinâmico do sistema. Em seguida, empregou-se uma abordagem via redes neurais ao mesmo conjunto de dados, com a construção de arquiteturas distintas por meio da modificação do número de neurônios, número de camadas e função de ativação. Por fim, um modelo híbrido foi combinado utilizando-se a modelagem linear e não linear para obtenção de melhorias na resposta do modelo final estimado. De acordo com os resultados, as técnicas empregadas apresentaram viabilidade de aplicação e resultados satisfatórios, destacando-se o aprimoramento do modelo linear por meio de sua substituição pelo modelo híbrido baseado em redes neurais. Do exposto, objetiva-se destacar o potencial dos métodos apresentados de forma que, posteriormente, esses estudos possam ser aprofundados para implementação de malhas de controle veicular, com o intuito de contribuir com o aumento da segurança, melhoria do conforto e no desenvolvimento de veículos autônomos.