Gaussian-Process-based Adaptive Tracking Control with Dynamic Active Learning for Autonomous Ground Vehicles

要約

この記事では、モデリングエラーとモデルのダイナミクスを補うために、自律的な地上車両のアクティブラーニングベースの適応軌跡追跡制御方法を提案します。
公称車両モデルは、測定データを使用して、オンラインガウスプロセス（GPS）で増強されている横方向および縦方向のサブシステムに分離されます。
GPSの推定平均関数は、名目システム向けに設計されたLPV状態フィードバックコントローラーとともに、フィードバック補償器を構築するために使用され、適応制御構造を提供します。
ダイナミクスの調査を支援するために、このペーパーでは、トレーニングプロセスを加速するために最も有益なサンプルを収集するための新しい動的なアクティブ学習方法を提案します。
全体的な学習ツールチェーン提供されたコントローラーのパフォーマンスを分析するために、基準軌道と追跡誤差の間の誘導L2ゲインを計算するために、新しい反復的な反例ベースのアルゴリズムが提案されています。
分析は、制御されているシステムの一連の可能な実現のために実行でき、車両のダイナミクスのバリエーションの下で学習方法の堅牢なパフォーマンス証明書を提供できます。
提案された制御アプローチの効率は、高忠実度の物理シミュレーターと、1/10スケールF1tenth電気自動車を使用した実際の実験で示されています。

要約(オリジナル)

This article proposes an active-learning-based adaptive trajectory tracking control method for autonomous ground vehicles to compensate for modeling errors and unmodeled dynamics. The nominal vehicle model is decoupled into lateral and longitudinal subsystems, which are augmented with online Gaussian Processes (GPs), using measurement data. The estimated mean functions of the GPs are used to construct a feedback compensator, which, together with an LPV state feedback controller designed for the nominal system, gives the adaptive control structure. To assist exploration of the dynamics, the paper proposes a new, dynamic active learning method to collect the most informative samples to accelerate the training process. To analyze the performance of the overall learning tool-chain provided controller, a novel iterative, counterexample-based algorithm is proposed for calculating the induced L2 gain between the reference trajectory and the tracking error. The analysis can be executed for a set of possible realizations of the to-be-controlled system, giving robust performance certificate of the learning method under variation of the vehicle dynamics. The efficiency of the proposed control approach is shown on a high-fidelity physics simulator and in real experiments using a 1/10 scale F1TENTH electric car.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google