MATLAB/Simulink کنترل پیش‌بین مدل (MPC) دو‌لایه ۸ درجه آزادی

) خلاصهٔ پروژه هدف، توسعهٔ یک بستهٔ شبیه‌سازی کامل در MATLAB/Simulink است که ترکیب کنترل پیش‌بین مدل (MPC) و هوش مصنوعی (ANN) را برای کنترل و تصمیم‌گیری خودروی خودران در زمین ناهموار (rough / harsh terrain) و در مرز ظرفیت پایداری خودرو (handling limits) نشان دهد. ساختار کنترلی مورد نظر دو‌لایه است: لایهٔ بالا (High-level): برنامه‌ریزی و بهینه‌سازی مسیر (path planning / trajectory optimization) با MPC با مدل ساده‌شده و افق زمانی بلند. لایهٔ پایین (Low-level): ردیابی مسیر و تضمین پایداری با MPC بر پایهٔ مدل غیرخطی ۸ درجه آزادی خودرو (طول، عرض، yaw، roll، pitch، bounce و دینامیک چرخ‌ها) و با توزیع گشتاور/ترمزگیری بین چرخ‌ها. لایهٔ هوش مصنوعی: شبکه‌های عصبی برای (الف) تخمین/انطباق برخط پارامترهای متغیر (جرم، مرکز جرم، سختی جانبی تایر، ضریب اصطکاک جاده)، (ب) تصمیم‌گیری سطح بالا (انتخاب مانور/ نقاط هدف)، (ج) جانشین سریع بخش‌های پرهزینهٔ محاسباتی. نکتهٔ مهم: تمام نتایج باید فقط در محیط شبیه‌سازی و با دادهٔ مصنوعی/تصادفی تولید شود؛ هیچ دادهٔ آزمایشگاهی یا تست جادهٔ واقعی در دسترس نیست. اعتبارسنجی باید بر پایهٔ (۱) مقایسه با روابط تحلیلی مرجع و (۲) تطابق کیفی با نتایج منتشرشدهٔ پیشین انجام شود. ۲) خواسته‌هایی که پروژه باید صریحاً به آن‌ها پاسخ دهد پیمانکار باید بداند این کار در پاسخ به نکات دو داور تخصصی انجام می‌شود؛ بنابراین هر بخش خروجی باید مستقیماً به یکی از موارد زیر گره خورده باشد: الف) درخواست‌های داور اول استفادهٔ حداکثری از Toolbox‌ها و Simulink به‌جای کدنویسی دستی همه‌چیز از صفر: Model Predictive Control Toolbox، Deep Learning Toolbox، Optimization Toolbox، Vehicle Dynamics Blockset. ساخت مدل خودرو خودش «پژوهش» محسوب نمی‌شود و باید از بلوک‌ها/مدل‌های موجود استفاده شود. اثبات مزیت مدل پیچیده‌تر: باید به‌صورت عددی نشان داده شود که مدل ۸ درجه آزادی در حلقهٔ MPC نسبت به مدل‌های ساده‌تر (سینماتیکی، دوچرخهٔ خطی ۳ درجه آزادی) مزیت واقعی دارد — و این مزیت فقط در سناریوهای زمین ناهموار سه‌بعدی و/یا مرز پایداری قابل نمایش است، نه در ردیابی مسیر روی سطح صاف. بررسی امکان پیاده‌سازی زمان‌واقعی (real-time viability): اندازه‌گیری زمان حل مسئلهٔ بهینه‌سازی در هر گام، تعداد تکرارها، و مقایسه با گام زمانی کنترل. انطباق‌پذیری (Adaptivity): انطباق برخط مدل‌های هر دو لایه با استفاده از تکنیک‌های AI — به‌عنوان یکی از محورهای اصلی نوآوری. عدم اکتفا به حالت قطعی و مدل سینماتیکی، که رویکردی استاندارد و بدون نوآوری تلقی می‌شود؛ باید بحث عدم‌قطعیت/مقاوم‌بودن (robustness) در برابر عدم تطابق مدل و واقعیت نیز پوشش داده شود. ب) درخواست‌های داور دوم مطالعه و درگیر شدن صریح با مقالهٔ مروری Norouzi و همکاران (۲۰۲۳)، «Integrating Machine Learning and Model Predictive Control for automotive applications: A review and future directions», Engineering Applications of AI, Vol. 120, 105878 — و موضع‌گیری نسبت به دسته‌بندی‌های آن. تعریف رسمی و ریاضی «زمین ناهموار/محیط خشن»: پارامترسازی پروفایل زمین (چگالی طیفی توان زبری بر پایهٔ ISO 8608، شیب طولی/عرضی، ضریب اصطکاک تکه‌تکه، موانع تصادفی)، همراه با تولیدکنندهٔ تصادفی سناریو با seed مشخص و قابل تکرار. تحلیل کفایت درجات آزادی: آیا ۸ درجه آزادی برای تضمین کنترل و پایداری در زمین ناهموار کافی است؟ این تحلیل باید در مقایسه با مدل‌های مرجع کتاب Rajesh Rajamani, Vehicle Dynamics and Control (2nd ed., Springer) انجام شود، و محدودیت‌های اعتبار بر حسب سرعت، شتاب و شدت ناهمواری صریحاً بیان شود. رسمی‌سازی نحوهٔ اتصال MPC و ANN: جایگزینی بلوک‌دیاگرام مقدماتی با معماری کامل و رسمی — ورودی/خروجی هر بلوک، نرخ نمونه‌برداری، جریان سیگنال‌ها، و رابط بین لایه‌ها. تعیین دقیق نوع تصمیم‌های AI: مشخص شود هر شبکهٔ عصبی مسئلهٔ دسته‌بندی، تقریب تابع، یا پیش‌بینی را حل می‌کند، ورودی‌ها و برچسب‌ها چیستند، دادهٔ آموزش چگونه تولید می‌شود، و معیار ارزیابی چیست. برنامه‌ریزی مسیر در لایهٔ دوم: روشن شود که مسئله یک بهینه‌سازی سه‌بعدی میان موانع در زمین متغیر است یا تصمیم‌گیری گام‌به‌گام — و انتخاب باید توجیه شود. بیان صریح نوآوری‌ها در مقایسه با روش‌های رقیب روز دنیا. ۳) خروجی‌های قابل تحویل (Deliverables) الف) کد و مدل مدل غیرخطی ۸ درجه آزادی خودرو در Simulink (ترجیحاً با استفاده از Vehicle Dynamics Blockset یا مدل معادل مستند‌شده)، با مدل تایر غیرخطی (Pacejka یا Dugoff)، انتقال بار، و ورودی پروفایل زمین. مدل‌های مرجع مقایسه‌ای: مدل سینماتیکی دوچرخه، مدل دینامیکی خطی ۳ درجه آزادی — برای مقایسهٔ منصفانه. تولیدکنندهٔ زمین: تابع پارامتری تولید زمین سه‌بعدی تصادفی (زبری، شیب، اصطکاک تکه‌ای، موانع) با seed قابل تکرار. کنترل‌کنندهٔ MPC لایهٔ پایین: پیاده‌سازی LTV-MPC با خطی‌سازی متوالی روی مدل ۸ درجه آزادی (حل با quadprog / MPC Toolbox) به‌عنوان مسیر اصلی، به همراه یک نسخهٔ NMPC (fmincon یا Nonlinear MPC object) به‌عنوان مرجع دقت و مقایسهٔ بار محاسباتی. قیدهای نرم (soft constraints): پیاده‌سازی و تحلیل حساسیت وزن‌های نرم‌سازی روی قیدهای پایداری (لغزش جانبی، نسبت انتقال بار/آستانهٔ واژگونی، اشباع تایر). کنترل‌کنندهٔ MPC لایهٔ بالا: برنامه‌ریزی/بهینه‌سازی مسیر با در نظر گرفتن نقشهٔ زبری و اصطکاک و موانع. بخش هوش مصنوعی (Deep Learning Toolbox): شبکهٔ تخمین‌گر پارامتر برای انطباق برخط (رگرسیون/تقریب تابع) شبکهٔ تصمیم‌گیر سطح بالا (دسته‌بندی مانور یا انتخاب نقطهٔ هدف) اسکریپت کامل تولید دادهٔ آموزش از شبیه‌سازی، آموزش، و ارزیابی (با تقسیم train/validation/test)