要約
自動ドリフトは車両制御に困難な問題をもたらし、摩擦限界で非線形結合タイヤ力を正確に処理できるモデルと制御アルゴリズムが必要です。
物理ベースのアプローチのドロップイン代替品として、フロントタイヤの横力を予測するためのニューラル ネットワーク アーキテクチャを紹介します。
ドリフト アプリケーション専用に構築された本格的な自動車両を使用して、モデルのパフォーマンスを直接比較するために、基準ドリフト軌道を追跡するように調整された非線形モデル予測コントローラーにこれらのモデルを展開します。
ニューラル ネットワーク タイヤ モデルは、前車軸の制動力が適用された場合にブラシ タイヤ モデルに比べて大幅に向上した経路追跡パフォーマンスを示し、これはニューラル ネットワークがドリフト状態でこれまでモデル化されていなかった潜在的なダイナミクスを表現できることを示唆しています。
要約(オリジナル)
Automated drifting presents a challenge problem for vehicle control, requiring models and control algorithms that can precisely handle nonlinear, coupled tire forces at the friction limits. We present a neural network architecture for predicting front tire lateral force as a drop-in replacement for physics-based approaches. With a full-scale automated vehicle purpose-built for the drifting application, we deploy these models in a nonlinear model predictive controller tuned for tracking a reference drifting trajectory, for direct comparisons of model performance. The neural network tire model exhibits significantly improved path tracking performance over the brush tire model in cases where front-axle braking force is applied, suggesting the neural network’s ability to express previously unmodeled, latent dynamics in the drifting condition.
arxiv情報
著者 | Nicholas Drake Broadbent,Trey Weber,Daiki Mori,J. Christian Gerdes |
発行日 | 2024-07-18 17:58:01+00:00 |
arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google