Deep Dynamics: Vehicle Dynamics Modeling with a Physics-Constrained Neural Network for Autonomous Racing

要約

自動運転レースは自動運転にとって重要な研究分野であり、高速 (時速 280 km 以上) でのモデルの精度と計算効率のバランスなど、車両ダイナミクス モデリングに重大な課題があり、モデリングにおける小さなエラーが深刻な結果をもたらします。
車両ダイナミクス用の既存の物理ベースのモデルには、複雑なテスト設定と調整が必要ですが、実装が難しく、時間がかかり、コストが法外にかかります。
逆に、純粋にデータ駆動型のアプローチは一般化が不十分で、予測に対する物理的制約を適切に確保できません。
この論文では、自律型レースカーの車両ダイナミクス モデリングのための物理制約ニューラル ネットワーク (PCNN) である Deep Dynamics について紹介します。
物理係数推定と動的方程式を組み合わせて高速時の車両状態を正確に予測し、内部係数推定が公称物理範囲内に確実に収まるように独自の Physics Guard レイヤーを備えています。
物理ベースのシミュレーターとフルスケールの自律型インディ レースカー データを使用した開ループおよび閉ループのパフォーマンス評価では、ディープ ダイナミクスがレースカーの車両ダイナミクスをモデル化するための有望なアプローチとして強調されています。

要約(オリジナル)

Autonomous racing is a critical research area for autonomous driving, presenting significant challenges in vehicle dynamics modeling, such as balancing model precision and computational efficiency at high speeds (>280km/h), where minor errors in modeling have severe consequences. Existing physics-based models for vehicle dynamics require elaborate testing setups and tuning, which are hard to implement, time-intensive, and cost-prohibitive. Conversely, purely data-driven approaches do not generalize well and cannot adequately ensure physical constraints on predictions. This paper introduces Deep Dynamics, a physics-constrained neural network (PCNN) for vehicle dynamics modeling of an autonomous racecar. It combines physics coefficient estimation and dynamical equations to accurately predict vehicle states at high speeds and includes a unique Physics Guard layer to ensure internal coefficient estimates remain within their nominal physical ranges. Open-loop and closed-loop performance assessments, using a physics-based simulator and full-scale autonomous Indy racecar data, highlight Deep Dynamics as a promising approach for modeling racecar vehicle dynamics.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google