A kutatás célja autonóm járművek egyes funkcióihoz kapcsolódó irányítások tervezése és kisméretű, illetve valós tesztjárművön történő demonstrációinak előkészítése.
A kutatás elméleti hátterét a robusztus és nemlineáris irányításelméleti módszerek adják, amelynek segítségével garantált minőségű irányítási struktúrák kerülnek megtervezésre, gépi tanulási algoritmusok bevonásával. Ennélfogva elemzésre kerülnek a gépi tanulási algoritmusok az irányított rendszer stabilitási és a minőségi jellemzőinek szempontjából, különös figyelemmel a biztonságkritikus járműalkalmazásokra. Az elméleti eredmények autonóm manőverezési funkciók tervezésében kerülnek elemzésre esettanulmányokon keresztül.
Az autonóm járműirányítás tervezésében új irányt jelent a gépi tanulási algoritmusok, optimalizációs módszerek kidolgozása és elemzése. Emellett jelentős kihívást jelentenek a stabilitási és performancia garanciák biztosítása komplex irányítási architektúrákra. A validáció és a biztonság garantálásának kutatása az autonóm járművek kapcsán az egyik legnagyobb kihívást jelentő kutatási terület. Ide tartozik a szituációk automatizált módon való generálása, hiszen a kritikus szituációk és veszélyhelyzetek megoldása jelenti a biztonságos közlekedés alapját. További kutatásokat végzünk az alkalmas, robusztussági követelményeknek megfelelő formális performancia specifikációk megválasztása, elemzése terén.
Autonóm járművek egyes funkcióihoz kapcsolódó irányítások tervezése és demonstrációinak előkészítése:
Járműirányítási feladatokra alkalmas gépi tanulási algoritmusok elemzése a stabilitás és a minőségi jellemzők szempontjából. Tanulásra épülő irányítások linearizált, valamint változó paraméterű reprezentációinak kutatása.
Autonóm járművek alrendszereinek robusztus, Lineáris Változó Paraméterű (LPV) és prediktív optimális módszereken alapuló irányítástervezése a gépi tanulási algoritmusok elemzési eredményeinek figyelembe vételével.
Autonóm járművek manőverezéhez kapcsolódó modellezési és irányítástervezési feladatokkal kapcsolatos kutatások: adat alapú modellezés, kerékodometriára épülő manőverezés, ember vezette járművek mozgásbecslésére építő manőverek tervezése.
Az eredmények egy része (változtatható geometriájú futómű próbapadhoz, robotjárműves demonstrációkhoz kapcsolódva) a Beltéri demonstrációs plaftorm blokkban kerül demonstrálásra. Az eredmények egy másik része a Kísérleti járműplatform alprojektben kerülnek kivitelezésre (odometriához kapcsolódó kísérletek).
_____
Publikációk:
Németh B.: Coordination of Lateral Vehicle Control Systems using Learning-based Strategies. Energies. 2021. 14(5), 1291. (Q2, IF: 2,702)
Fényes D., Fazekas M., Németh B., Gáspár P.: Implementation of a variable-geometry suspension-based steering control system. Vehicle System Dynamics. 2021. (D1, IF: 2,581)
Fényes D., Németh B., Gáspár P.: A novel data-driven modeling and control design method for autonomous vehicles. Energies. 14(2). 517. 2021. (Q2, IF: 2,702)
Fényes D., Németh B., Gáspár P.: Design of LPV control for autonomous vehicles using the contributions of big data analysis. International Journal of Control. 2021. (D1, IF 2,78)
Fazekas M., Gáspár P., Németh B.: Calibration and Improvement of an Odometry Model with Dynamic Wheel and Lateral Dynamics Integration. Sensors. 21(2), 337. 2021. (Q1, IF 3,275)
Hegedűs T., Németh B., Gáspár P.: Design of low-complexity graph-based motion planning algorithm for autonomous vehicles. Applied Sciences. Vol 10., No. 21. 2020. (Q1, IF 2,474)