GP-enhanced Autonomous Drifting Framework using ADMM-based iLQR

要約

自律的なドリフトは、特に不確実な環境では、非常に非線形のダイナミクスと正確なリアルタイム制御の必要性のために複雑な課題です。
これらの制限に対処するために、このペーパーでは、一般的な経路に沿って漂う自律車両の階層制御フレームワークを提示し、主にモデルの不正確さに対処し、リアルタイム制御における計算上の課題を軽減することに焦点を当てています。
このフレームワークは、ガウスプロセス（GP）回帰を、乗数（ADMM）ベースの反復線形二次レギュレーター（ILQR）の交互方向方法と統合します。
GP回帰は、モデルの残差を効果的に補正し、動的条件の精度を向上させます。
ADMMベースのILQRは、ILQRの迅速な軌道最適化を組み合わせただけでなく、問題をより単純なサブ問題に分解する際のADMMの強さも利用します。
シミュレーション結果は、提案されたフレームワークの有効性を示しており、ドリフト軌道追跡と計算効率の両方が大幅に改善されています。
私たちのアプローチにより、RMSE横方向の誤差が38ドル$ \％$削減され、インテリアポイントオプティマイザー（IPOPT）よりも75 $ \％$が低い平均計算時間が達成されました。

要約(オリジナル)

Autonomous drifting is a complex challenge due to the highly nonlinear dynamics and the need for precise real-time control, especially in uncertain environments. To address these limitations, this paper presents a hierarchical control framework for autonomous vehicles drifting along general paths, primarily focusing on addressing model inaccuracies and mitigating computational challenges in real-time control. The framework integrates Gaussian Process (GP) regression with an Alternating Direction Method of Multipliers (ADMM)-based iterative Linear Quadratic Regulator (iLQR). GP regression effectively compensates for model residuals, improving accuracy in dynamic conditions. ADMM-based iLQR not only combines the rapid trajectory optimization of iLQR but also utilizes ADMM’s strength in decomposing the problem into simpler sub-problems. Simulation results demonstrate the effectiveness of the proposed framework, with significant improvements in both drift trajectory tracking and computational efficiency. Our approach resulted in a 38$\%$ reduction in RMSE lateral error and achieved an average computation time that is 75$\%$ lower than that of the Interior Point OPTimizer (IPOPT).

arxiv情報

提供元, 利用サービス

arxiv.jp, Google