Data-driven identification of vehicle dynamics using Koopman operator
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F19%3A00332651" target="_blank" >RIV/68407700:21230/19:00332651 - isvavai.cz</a>
Výsledek na webu
<a href="http://dx.doi.org/10.1109/PC.2019.8815104" target="_blank" >http://dx.doi.org/10.1109/PC.2019.8815104</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1109/PC.2019.8815104" target="_blank" >10.1109/PC.2019.8815104</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Data-driven identification of vehicle dynamics using Koopman operator
Popis výsledku v původním jazyce
This paper presents the results of identification of vehicle dynamics using the Koopman operator. The basic idea is to transform the state space of a nonlinear system (a car in our case) to a higher-dimensional space, using so-called basis functions, where the system dynamics is linear. The selection of basis functions is crucial and there is no general approach on how to select them, this paper gives some discussion on this topic. Two distinct approaches for selecting the basis functions are presented. The first approach, based on Extended Dynamic Mode Decomposition, relies heavily on expert basis selection and is completely data-driven. The second approach utilizes the knowledge of the nonlinear dynamics, which is used to construct eigenfunctions of the Koopman operator which are known by definition to evolve linearly along the nonlinear system trajectory. The eigenfunctions are then used as basis functions for prediction. Each approach is presented with a numerical example and discussion on the feasibility of the approach for a nonlinear vehicle system.
Název v anglickém jazyce
Data-driven identification of vehicle dynamics using Koopman operator
Popis výsledku anglicky
This paper presents the results of identification of vehicle dynamics using the Koopman operator. The basic idea is to transform the state space of a nonlinear system (a car in our case) to a higher-dimensional space, using so-called basis functions, where the system dynamics is linear. The selection of basis functions is crucial and there is no general approach on how to select them, this paper gives some discussion on this topic. Two distinct approaches for selecting the basis functions are presented. The first approach, based on Extended Dynamic Mode Decomposition, relies heavily on expert basis selection and is completely data-driven. The second approach utilizes the knowledge of the nonlinear dynamics, which is used to construct eigenfunctions of the Koopman operator which are known by definition to evolve linearly along the nonlinear system trajectory. The eigenfunctions are then used as basis functions for prediction. Each approach is presented with a numerical example and discussion on the feasibility of the approach for a nonlinear vehicle system.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
—
OECD FORD obor
20205 - Automation and control systems
Návaznosti výsledku
Projekt
<a href="/cs/project/GA19-16772S" target="_blank" >GA19-16772S: Aerodynamická tělesa s aktivně řízeným tvarováním</a><br>
Návaznosti
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)
Ostatní
Rok uplatnění
2019
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
Proceedings of the 22nd International Conference on Process Control
ISBN
978-1-7281-3758-2
ISSN
—
e-ISSN
—
Počet stran výsledku
6
Strana od-do
167-172
Název nakladatele
IEEE
Místo vydání
Piscataway, NJ
Místo konání akce
Štrbské Pleso
Datum konání akce
11. 6. 2019
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
000539039300030