Fuzzy controller, designed by reinforcement learning, for vehicle traction system application
Date
2021-03-01
Journal Title
Journal ISSN
Volume Title
Publisher
Видавництво Львівської політехніки
Lviv Politechnic Publishing House
Lviv Politechnic Publishing House
Abstract
У цій статті представлено нечіткий регулятор, що налаштовується методом навчання
з підкріпленням. Розроблений алгоритм використовує теорію нечіткої логіки та методи навчання з підкріпленням для підбору параметрів функцій належності нечіткого
регулятора. Крім цього, імплементовано нечіткий задавач інтенсивності вхідного сигналу (сигналу завдання) нечіткого регулятора. Нечіткий задавач інтенсивності змінює вхідний сигнал регулятора враховуючи оригінальне значення вхідного сигналу
та тип зовнішніх збурень у системі. Таким чином, розроблена система керування з
нечітким регулятором налаштованим за допомогою методу навчання з підкріпленням
забезпечує стабільну, оптимальну та безпечну роботу системи, та враховує зовнішні
збурення в системі. Для перевірки роботи запропонованого методу керування, його було синтезовано до математичної моделі колісного модуля електроавтомобіля,
щоб покращити антибуксувальну систему транспортного засобу. Ефективність розробленої системи керування на базі нечіткого регулятора підтверджено результатами
імітаційного моделювання.
In this article, a fuzzy controller tuned by reinforcement learning is proposed. The developed algorithm utilizes a fuzzy logic theory and a reinforcement learning for fine-tuning parameters of the membership function for the fuzzy controller. Apart from the fuzzy controller developed, a fuzzy corrector of reference input (set-point) signal to the controller is applied. The fuzzy corrector changes the input (reference) signal of the system and takes into account an original reference input and type of external disturbances. Thus, the designed fuzzy control that is tuned by reinforcement learning is capable to ensure the stable, optimal, and safe performance of the system and takes into account external disturbances. To verify the performance of the proposed controller, the adaptive fuzzy controller tuned by reinforcement learning is applied to the mathematical model of a wheel locomotion module of an electric vehicle to advance a traction control system. Therefore, the effectiveness of the proposed adaptive fuzzy controller is proven through the simulation results.
In this article, a fuzzy controller tuned by reinforcement learning is proposed. The developed algorithm utilizes a fuzzy logic theory and a reinforcement learning for fine-tuning parameters of the membership function for the fuzzy controller. Apart from the fuzzy controller developed, a fuzzy corrector of reference input (set-point) signal to the controller is applied. The fuzzy corrector changes the input (reference) signal of the system and takes into account an original reference input and type of external disturbances. Thus, the designed fuzzy control that is tuned by reinforcement learning is capable to ensure the stable, optimal, and safe performance of the system and takes into account external disturbances. To verify the performance of the proposed controller, the adaptive fuzzy controller tuned by reinforcement learning is applied to the mathematical model of a wheel locomotion module of an electric vehicle to advance a traction control system. Therefore, the effectiveness of the proposed adaptive fuzzy controller is proven through the simulation results.
Description
Keywords
навчання з підкріпленням, нечіткий регулятор, антибуксувальна система, мобільність транспортного засобу, reinforcement learning, fuzzy logic controller, traction control, vehicle mobility
Citation
Fuzzy controller, designed by reinforcement learning, for vehicle traction system application / L. I. Demkiv, A. O. Lozynskyy, V. V. Vantsevich, D. J. Gorsich, V. V. Lytvyn, S. R. Klos, M. D. Letherwood // Mathematical Modeling and Computing. — Lviv : Lviv Politechnic Publishing House, 2021. — Vol 8. — No 2. — P. 168–183.