Model Parameter Identification via a Hyperparameter Optimization Scheme for Autonomous Racing Systems

要約

このレターでは、ハイパーパラメーター最適化スキーム (MIHO) によるモデル パラメーターの識別方法を提案します。
私たちの方法は、データ駆動型の最適化方法で動的モデルのパラメーターを識別するために、効率的な探索と活用戦略を採用しています。
本格的な自動運転レース車両である AV-21 のモデル パラメータの同定に MIHO を使用します。
次に、プラットフォームのモデルベースの計画および制御システムの設計に最適化されたパラメーターを組み込みます。
実験では、MIHO は従来のパラメーター同定方法よりも 13 倍以上速い収束を示します。
さらに、MIHO を介して学習したパラメトリック モデルは、特定のデータセットへの優れた適合性を示し、目に見えない動的シナリオでの一般化能力を示します。
さらに、インディアナポリス モーター スピードウェイとラスベガス モーター スピードウェイで、安定した障害物回避と時速 217 km までの高速走行を実証するために、モデルベースのシステムを検証する広範なフィールド テストを実施します。
MIHO のソース コードとテストのビデオは、https://github.com/hynkis/MIHO で入手できます。

要約(オリジナル)

In this letter, we propose a model parameter identification method via a hyperparameter optimization scheme (MIHO). Our method adopts an efficient explore-exploit strategy to identify the parameters of dynamic models in a data-driven optimization manner. We utilize MIHO for model parameter identification of the AV-21, a full-scaled autonomous race vehicle. We then incorporate the optimized parameters for the design of model-based planning and control systems of our platform. In experiments, MIHO exhibits more than 13 times faster convergence than traditional parameter identification methods. Furthermore, the parametric models learned via MIHO demonstrate good fitness to the given datasets and show generalization ability in unseen dynamic scenarios. We further conduct extensive field tests to validate our model-based system, demonstrating stable obstacle avoidance and high-speed driving up to 217 km/h at the Indianapolis Motor Speedway and Las Vegas Motor Speedway. The source code for MIHO and videos of the tests are available at https://github.com/hynkis/MIHO.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google