Identifikacija modela vozila temeljenog na Koopmanovom operatoru korištenjem dubokih neuronskih mreža

diplomski rad

• Naslov (engleski): Identification of the vehicle model based on Koopman operator using deep neural networks
• Autor: Nikolina Jarak
• Mentor: Jadranko Matuško (mentor)
• Član povjerenstva: Jadranko Matuško (predsjednik povjerenstva)
• Član povjerenstva: Šandor Ileš (član povjerenstva)
• Član povjerenstva: Željko Jakopović (član povjerenstva)
• Ustanova koja je dodijelila akademski / stručni stupanj: Sveučilište u Zagrebu; Fakultet elektrotehnike i računarstva; Zagreb
• Datum i država obrane: 2021-07-15, Hrvatska
• Znanstveno / umjetničko područje, polje i grana: TEHNIČKE ZNANOSTI; Elektrotehnika

Sažetak

Model vozila predstavlja primjer dinamički nelinearmog sustava. U ovom radu opisane su duboke neuronske mreže te Koopmanov operator koji je zasnovan na algoritmu dinamičke modalne dekompozicije s ciljem identifikacije modela vozila te u
konacnosti razvijanja modela upravljanja. Prema tome, opisana je i metoda upravljanja
LQR regulatorom. Zbog složene nelinearne dinamike modela vozila, neuronska mreža
je kreirana u tri dijela: enkoder, latentni dio mreže koji sadržava Koopmanov operator te dekoder. Koopmanov operator je naucen koristeći algoritam dinamičke modalne
dekompozicije zasnovan na dubokoj neuronskoj mreži. Duboka neuronska mreža je
implementirana tako što je prvo podignuta dimenzija prostora stanja, naucen je Ko-
opmanov operator zajedno s neuronskom mrežom te su na kraju opet rekonstruirane
varijable stanja u sljedecem koraku. Podaci za učenje duboke neuronske mreže su iz-
vuceni iz CarMaker-a te je složeno sučelje unutar simulacijskog okruženja kako bi se
mogao istestirati LQR regulator. Usporedeni su dobiveni podaci iz neuronske mreže
sa stvarnim podacima te analizirani rezultati testiranja LQR regulatora.

Sažetak (engleski)

The vehicle model is an example of a dynamically nonlinear system. In this paper deep neural networks and the Koopman operator based on the dynamical modal
decomposition algorithm with the aim of identifying vehicle model and developing
controller. Therefore, the control method with LQR regulator is also described. Due
to the comples nonlinear dynamics of the vehicle model, the neural network is created in three parts: the encoder, the latent part of the network containing the Koopman
operator and the decoder. The Koopman operator was learned using the dynamic modal decomposition algorithm based on a deep neural network. Deep neural network is
implemented by first augmenting the dimension of the state space, Koopman operator
was learned parallel with the neural network and were reconstructed again state variables in next step. Deep neural network learning data was extracted from CarMaker
and the interface was set up within the simulation environment to could test the LQR
regulator. The obtained data from the neural network were compared with actual data
and analyzed test results of LQR regulator.

• Ključne riječi: Koopmanov operator; model vozila; duboka neuronska mreža; Deep-DMD
• Ključne riječi (engleski): Koopman operator; vehicle model; deep neutral network; Deep-DMD
• Jezik: hrvatski
• URN:NBN: urn:nbn:hr:168:465583
• Studijski program: Naziv: Elektrotehnika i informacijska tehnologija; Vrsta studija: sveučilišni; Stupanj studija: diplomski; Akademski / stručni naziv: magistar/magistra inženjer/inženjerka elektrotehnike i informacijske tehnologije (mag. ing. el. techn. inf.)
• Vrsta resursa: Tekst
• Način izrade datoteke: Izvorno digitalna
• Prava pristupa: Zatvoreni pristup
• Datum i vrijeme pohrane: 2023-01-13 15:08:47