Learning Based MPC for Autonomous Driving Using a Low Dimensional Residual Model

要約

本論文では、自動運転のための低次元残差モデルを用いた学習ベースのモデル予測制御(MPC)を提案する。
自動運転における重大な課題の 1 つは、正確な車両モデルの定式化を妨げる車両ダイナミクスの複雑さです。
不正確な車両モデルは、MPC コントローラーのパフォーマンスに大きな影響を与える可能性があります。
この問題に対処するために、この論文では公称車両モデルを不変要素と可変要素に分解します。
不変成分の精度はキャリブレーションによって保証され、変動要素の偏差は低次元残差モデルによって学習されます。
残差モデルの特徴は、公称モデル誤差と最も相関する物理変数として選択されます。
これらの特徴間の物理的制約は、特徴空間内の有効な領域を明示的に定義するために定式化されます。
定式化されたモデルと制約は MPC フレームワークに組み込まれ、シミュレーションと実車実験の両方を通じて検証されます。
結果は、提案された方法がモデルの精度とコントローラーのパフォーマンスを大幅に向上させることを示しています。

要約(オリジナル)

In this paper, a learning based Model Predictive Control (MPC) using a low dimensional residual model is proposed for autonomous driving. One of the critical challenge in autonomous driving is the complexity of vehicle dynamics, which impedes the formulation of accurate vehicle model. Inaccurate vehicle model can significantly impact the performance of MPC controller. To address this issue, this paper decomposes the nominal vehicle model into invariable and variable elements. The accuracy of invariable component is ensured by calibration, while the deviations in the variable elements are learned by a low-dimensional residual model. The features of residual model are selected as the physical variables most correlated with nominal model errors. Physical constraints among these features are formulated to explicitly define the valid region within the feature space. The formulated model and constraints are incorporated into the MPC framework and validated through both simulation and real vehicle experiments. The results indicate that the proposed method significantly enhances the model accuracy and controller performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google