Learning dynamics models for velocity estimation in autonomous racing

要約

速度推定は自律走行レースにおいて非常に重要です。
それでも、既存のソリューションは、特に攻撃的な運転や目に見えない道路状況への一般化が不十分な場合に、精度が限られているという特徴があります。
これらの問題に対処するために、状態推定タスク用に直接最適化された学習済みダイナミクス モデルを備えた無香料カルマン フィルター (UKF) を利用することを提案します。
さらに、オンライン推定摩擦係数を使用してこのモデルを支援することを提案します。これにより、推定精度が向上し、新しい道路状況へのゼロショット適応が可能になります。
提案された力学モデルを使用して UKF ベースの速度推定器を評価するために、横滑り角が 40{\deg} に達する F1TENTH 車によって実行された積極的な操作の公開されているデータセットを導入しました。
このデータセットを使用して、UKF によるダイナミクス モデルの学習が推定パフォーマンスの向上につながり、提案されたソリューションが公称シナリオで最先端の学習ベースの状態推定器を 17% 上回るパフォーマンスを示すことを示します。
さらに、オンライン摩擦推定を備えた提案された学習ベースのタイヤダイナミクスモデルの使用により、提案された方法の新しい路面に対するこれまでにないゼロショット適応能力を示します。

要約(オリジナル)

Velocity estimation is of great importance in autonomous racing. Still, existing solutions are characterized by limited accuracy, especially in the case of aggressive driving or poor generalization to unseen road conditions. To address these issues, we propose to utilize Unscented Kalman Filter (UKF) with a learned dynamics model that is optimized directly for the state estimation task. Moreover, we propose to aid this model with the online-estimated friction coefficient, which increases the estimation accuracy and enables zero-shot adaptation to the new road conditions. To evaluate the UKF-based velocity estimator with the proposed dynamics model, we introduced a publicly available dataset of aggressive manoeuvres performed by an F1TENTH car, with sideslip angles reaching 40{\deg}. Using this dataset, we show that learning the dynamics model through UKF leads to improved estimation performance and that the proposed solution outperforms state-of-the-art learning-based state estimators by 17% in the nominal scenario. Moreover, we present unseen zero-shot adaptation abilities of the proposed method to the new road surface thanks to the use of the proposed learning-based tire dynamics model with online friction estimation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google