Learning Residual Model of Model Predictive Control via Random Forests for Autonomous Driving

要約

タイトル：自動運転のモデル予測制御の残留モデルの学習：ランダムフォレストを用いたアプローチ

要約：
– 自動運転の学習ベースのモデル予測制御 (MPC) において、システムモデルの予測精度と計算効率の間に矛盾が生じることが大きな問題となっている。
– システムモデルがカバーする状況が多ければ多いほど、非常に非線形な特性を持ち、最適化が複雑になり、リアルタイム制御が不可能になる。
– これらの問題に対処するために、ランダムフォレストと線形回帰を活用した階層的な学習残留モデルを提案している。
– 学習されたモデルには2つのレベルがあり、低レベルでは線形回帰を使用して残差をフィットし、高レベルではランダムフォレストを使用して異なる線形モデルを切り替える。
– 同時に、エラー状態を持つ線形動的自転車モデルをノミナルモデルとして採用している。
– 切り替えられた線形回帰モデルはノミナルモデルに追加され、システムモデルを形成する。
– これにより、学習ベースのMPCを二次計画問題 (QP) の問題に再定式化し、最適化ソルバーが効果的に解決できるようにしている。
– 実験的な経路追跡結果から、提案手法はノミナルMPCに比べて運転車両の予測精度と追跡精度が大幅に改善され、Gaussianプロセスベースの非線形モデル予測制御 (GP-NMPC) に比べて追跡精度が向上している一方、より低い計算負荷を維持している。

要約(オリジナル)

One major issue in learning-based model predictive control (MPC) for autonomous driving is the contradiction between the system model’s prediction accuracy and computation efficiency. The more situations a system model covers, the more complex it is, along with highly nonlinear and nonconvex properties. These issues make the optimization too complicated to solve and render real-time control impractical.To address these issues, we propose a hierarchical learning residual model which leverages random forests and linear regression.The learned model consists of two levels. The low level uses linear regression to fit the residues, and the high level uses random forests to switch different linear models. Meanwhile, we adopt the linear dynamic bicycle model with error states as the nominal model.The switched linear regression model is added to the nominal model to form the system model. It reformulates the learning-based MPC as a quadratic program (QP) problem and optimization solvers can effectively solve it. Experimental path tracking results show that the driving vehicle’s prediction accuracy and tracking accuracy are significantly improved compared with the nominal MPC.Compared with the state-of-the-art Gaussian process-based nonlinear model predictive control (GP-NMPC), our method gets better performance on tracking accuracy while maintaining a lower computation consumption.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI