Learning-based Observer Evaluated on the Kinematic Bicycle Model

要約

タイトル：キネマティックバイシクルモデルにおける学習ベースのオブザーバーの評価

要約：
– 車両の状態を知ることは、正しい計画と制御を行うための必要条件である。
– これらの量は通常、計測によって得られる。
– 制御理論は、直接計測できない量やノイズの多い計測の取り扱いに極めて役立つ方法である「オブザーバー」を提供する。
– 古典的なオブザーバーはモデルから数学的に導き出されるものである。カルマンフィルターなどに代表される。しかし、システムが高度な非線形性、モデルの誤り、高度な不確実性、または環境との複雑な相互作用（例えば、道路接触など）を示す場合には限界を示す。
– この論文では、学習ベースのオブザーバーを構築する方法を提案する。
– 複数のニューラルネットワークアーキテクチャを比較し、トレーニングに使用されるデータ生成手順を定義する。
– この方法は、容易にデータを生成できるキネマティックバイシクルモデルで評価される。
– このモデルは、学習ベースのオブザーバーを状態最新モデルベースのオブザーバーと比較するためにも使用されるEKFにも適用される。
– 結果は、学習ベースのアプローチの有用性を証明し、今後の改善に道を開くものである。

要約(オリジナル)

The knowledge of the states of a vehicle is a necessity to perform proper planning and control. These quantities are usually accessible through measurements. Control theory brings extremely useful methods — observers — to deal with quantities that cannot be directly measured or with noisy measurements. Classical observers are mathematically derived from models. In spite of their success, such as the Kalman filter, they show their limits when systems display high non-linearities, modeling errors, high uncertainties or difficult interactions with the environment (e.g. road contact). In this work, we present a method to build a learning-based observer able to outperform classical observing methods. We compare several neural network architectures and define the data generation procedure used to train them. The method is evaluated on a kinematic bicycle model which allows to easily generate data for training and testing. This model is also used in an Extended Kalman Filter (EKF) for comparison of the learning-based observer with a state of the art model-based observer. The results prove the interest of our approach and pave the way for future improvements of the technique.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI