ترجمه فارسی مقاله سیستم یادگیری تقویت کننده فیزیک هدایت شده برای کنترل تعلیق فعال خودرو واقع بینانه

چکیده

The suspension system is a crucial part of the automotive chassis, improving vehicle ride comfort and isolating passengers from rough road excitation. Unlike passive suspension, which has constant spring and damping coefficients, active suspension incorporates electronic actuators into the system to dynamically control stiffness and damping variables. However, effectively controlling the suspension system poses a challenging task that necessitates real-time adaptability to various road conditions. This paper presents the Physics-Guided Deep Reinforcement Learning (DRL) for adjusting an active suspension system’s variable kinematics and compliance properties for a quarter-car model in real time. Specifically, the outputs of the model are defined as actuator stiffness and damping control, which are bound within physically realistic ranges to maintain the system’s physical compliance. The proposed model was trained on stochastic road profiles according to ISO 8608 standards to optimize the actuator’s control policy. According to qualitative results on simulations, the vehicle body reacts smoothly to various novel real-world road conditions, having a much lower degree of oscillation. These observations mean a higher level of passenger comfort and better vehicle stability. Quantitatively, DRL outperforms passive systems in reducing the average vehicle body velocity and acceleration by 43.58% and 17.22%, respectively, minimizing the vertical movement impacts on the passengers. The code is publicly available at github.com/anh-nn01/RL4Suspension-ICMLA23.

چکیده به فارسی (ترجمه ماشینی)

سیستم تعلیق بخش مهمی از شاسی خودرو ، بهبود راحتی سوار شدن به وسیله نقلیه و جداسازی مسافران از تحریک جاده خشن است.بر خلاف تعلیق منفعل ، که دارای ضرایب بهار و میرایی ثابت است ، تعلیق فعال شامل محرک های الکترونیکی در سیستم است تا به صورت پویا سفتی و متغیرهای میرایی را کنترل کند.با این حال ، کنترل موثر سیستم تعلیق یک کار چالش برانگیز است که نیاز به سازگاری در زمان واقعی با شرایط مختلف جاده ای دارد.در این مقاله ، یادگیری تقویت عمیق با هدایت فیزیک (DRL) برای تنظیم سینماتیک متغیر سیستم تعلیق فعال و خصوصیات انطباق برای یک مدل چهارم اتومبیل در زمان واقعی ارائه شده است.به طور خاص ، خروجی های مدل به عنوان سفتی محرک و کنترل میرایی تعریف می شوند ، که برای حفظ انطباق جسمی سیستم در محدوده های واقعی جسمی محدود می شوند.مدل پیشنهادی مطابق با استانداردهای ISO 8608 برای بهینه سازی سیاست کنترل محرک ، در پروفایل های جاده ای تصادفی آموزش داده شد.با توجه به نتایج کیفی در مورد شبیه سازی ها ، بدن وسیله نقلیه به آرامی نسبت به شرایط مختلف جاده ای در دنیای واقعی واکنش نشان می دهد ، و درجه ای از نوسان بسیار پایین تر دارد.این مشاهدات به معنای سطح بالاتری از راحتی مسافر و ثبات بهتر وسیله نقلیه است.از نظر کمی ، DRL از سیستم های منفعل در کاهش میانگین سرعت و شتاب بدن وسیله نقلیه 43.58 ٪ و 17.22 ٪ به ترتیب ، به حداقل می رساند و اثرات حرکتی عمودی را بر روی مسافران به حداقل می رساند.این کد به صورت عمومی در github.com/anh-nn01/rl4suspension-icmla23 در دسترس است.