Vehicle Dynamics Modeling for Autonomous Racing Using Gaussian Processes

要約

自動運転レースは、現在の能力の限界における自動運転車両技術の実験場となりつつあります。
最も顕著な例には、F1Tenth レーシング シリーズ、フォーミュラ スチューデント ドライバーレス (FSD)、ロボレース、インディ オートノマス チャレンジ (IAC) などがあります。
高速自動レースでは、正確なレースカーの車両ダイナミクスの知識が特に必要です。
車両ダイナミクス モデルの選択は、より複雑なモデルの精度の向上とは対照的に、増加する計算需要のバランスを考慮して行う必要があります。
最近の研究では、車両ダイナミクス モデルを近似するためのガウス過程 (GP) 回帰などの学習ベースの方法が検討されています。
ただし、これらの取り組みは、動作計画や予測制御などのより高いレベルの構成に焦点を当てており、過度に単純化されることが多い GP モデリング プロセスの現実性と厳密さの両方が欠けています。
この論文では、自律走行レースの車両ダイナミクスを近似するための GP モデルの適用性について、最も詳細な分析を示します。
特に、人気のある F1TENTH レーシング プラットフォーム用に動的で拡張された運動学モデルを構築します。
私たちは、カーネルの選択、サンプルサイズ、競馬場のレイアウト、レーシングライン、速度プロファイルが学習されたダイナミクスの有効性と一般化可能性に及ぼす影響を調査します。
私たちは実際の F1 トラック レイアウトで 400 以上のシミュレーションを実施し、レースカーのシングル トラック ビークル ダイナミクスの正確な GP 回帰をトレーニングするための包括的な推奨事項を研究コミュニティに提供します。

要約(オリジナル)

Autonomous racing is increasingly becoming a proving ground for autonomous vehicle technology at the limits of its current capabilities. The most prominent examples include the F1Tenth racing series, Formula Student Driverless (FSD), Roborace, and the Indy Autonomous Challenge (IAC). Especially necessary, in high speed autonomous racing, is the knowledge of accurate racecar vehicle dynamics. The choice of the vehicle dynamics model has to be made by balancing the increasing computational demands in contrast to improved accuracy of more complex models. Recent studies have explored learning-based methods, such as Gaussian Process (GP) regression for approximating the vehicle dynamics model. However, these efforts focus on higher level constructs such as motion planning, or predictive control and lack both in realism and rigor of the GP modeling process, which is often over-simplified. This paper presents the most detailed analysis of the applicability of GP models for approximating vehicle dynamics for autonomous racing. In particular we construct dynamic, and extended kinematic models for the popular F1TENTH racing platform. We investigate the effect of kernel choices, sample sizes, racetrack layout, racing lines, and velocity profiles on the efficacy and generalizability of the learned dynamics. We conduct 400+ simulations on real F1 track layouts to provide comprehensive recommendations to the research community for training accurate GP regression for single-track vehicle dynamics of a racecar.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google