Ensemble Gaussian Processes for Adaptive Autonomous Driving on Multi-friction Surfaces

要約

さまざまな道路状況下での運転は、特に雨や雪などの環境の変化にリアルタイムで適応する必要がある自動運転車にとっては困難です。このような時間とともに変化する設定にオフライン学習ベースの手法を適用するのは困難です。
コントローラーは、将来遭遇する可能性のあるすべての状況を表すデータセットでトレーニングする必要があるためです。
オンライン学習ではリアルタイム データからモデルを適応させることはできますが、その収束は急速に変化する道路状況に対して遅すぎることがよくあります。
私たちは、レースに勝つためには、さまざまな道路状況下でハンドリングの限界で運転することが求められる自動レースにおいて、この問題を研究しています。
我々は、ガウス過程 (GP) のアンサンブルを利用して、事前に訓練された GP を一般化し、目に見えない条件に適応させる、計算効率の高いアプローチを提案します。
各 GP は、異なる路面摩擦による走行データに基づいてトレーニングされます。
これらの GP の時間変化する凸の組み合わせは、モデル予測制御 (MPC) フレームワーク内で使用され、モデルの重みがリアルタイム データに基づいて現在の道路状況にオンラインで適応されます。
アンサンブル ガウス プロセス (EGP) モデルの予測分散により、コントローラーは予測の不確実性を考慮できるようになり、安全な自動運転が可能になります。
実物大の自動運転車の広範なシミュレーションにより、さまざまな道路状況で優れた追跡パフォーマンスを提供し、未知の地図に一般化できる機能について、提案した EGP-MPC 手法の有効性が実証されました。

要約(オリジナル)

Driving under varying road conditions is challenging, especially for autonomous vehicles that must adapt in real-time to changes in the environment, e.g., rain, snow, etc. It is difficult to apply offline learning-based methods in these time-varying settings, as the controller should be trained on datasets representing all conditions it might encounter in the future. While online learning may adapt a model from real-time data, its convergence is often too slow for fast varying road conditions. We study this problem in autonomous racing, where driving at the limits of handling under varying road conditions is required for winning races. We propose a computationally-efficient approach that leverages an ensemble of Gaussian processes (GPs) to generalize and adapt pre-trained GPs to unseen conditions. Each GP is trained on driving data with a different road surface friction. A time-varying convex combination of these GPs is used within a model predictive control (MPC) framework, where the model weights are adapted online to the current road condition based on real-time data. The predictive variance of the ensemble Gaussian process (EGP) model allows the controller to account for prediction uncertainty and enables safe autonomous driving. Extensive simulations of a full scale autonomous car demonstrated the effectiveness of our proposed EGP-MPC method for providing good tracking performance in varying road conditions and the ability to generalize to unknown maps.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google