Learning to Drift in Extreme Turning with Active Exploration and Gaussian Process Based MPC

要約

レースの極端なコーナリングは、多くの場合、大きなサイドスリップ角度につながり、車両制御に大きな課題を提示します。
従来の車両コントローラーは、このシナリオを管理するのに苦労しており、ドリフトコントローラーの使用を必要とします。
ただし、ドリフト条件の大きな横滑り角度は、モデルの不一致をもたらし、コントロールの精度に影響します。
この問題に対処するために、モデル予測制御（MPC）とガウスプロセス回帰（GPR）を統合するモデル補正ドリフトコントローラーを提案します。
GPRは、ドリフト平衡解決とMPC最適化プロセスの両方で、車両モデルの不一致を修正するために採用されています。
さらに、GPRからの分散を利用して、軌跡追跡エラーを最小限に抑えることを目指して、さまざまなコーナリングの漂流速度を積極的に調査します。
提案されたアルゴリズムは、Simulink-Carsimプラットフォーム上のシミュレーションと1:10スケールRC車両の実験を通じて検証されます。
シミュレーションでは、GPRの平均横方向誤差は、非GPRの場合と比較して52.8％減少します。
探査を組み込むと、このエラーがさらに27.1％減少します。
速度追跡ルート平均平方根誤差（RMSE）も、探索により10.6％減少します。
RC CAR実験では、GPRの平均横方向誤差は36.7％低く、探索により29.0％の削減がさらにつながります。
さらに、探索を含めると、速度追跡RMSE RMSEは7.2％減少します。

要約(オリジナル)

Extreme cornering in racing often leads to large sideslip angles, presenting a significant challenge for vehicle control. Conventional vehicle controllers struggle to manage this scenario, necessitating the use of a drifting controller. However, the large sideslip angle in drift conditions introduces model mismatch, which in turn affects control precision. To address this issue, we propose a model correction drift controller that integrates Model Predictive Control (MPC) with Gaussian Process Regression (GPR). GPR is employed to correct vehicle model mismatches during both drift equilibrium solving and the MPC optimization process. Additionally, the variance from GPR is utilized to actively explore different cornering drifting velocities, aiming to minimize trajectory tracking errors. The proposed algorithm is validated through simulations on the Simulink-Carsim platform and experiments with a 1:10 scale RC vehicle. In the simulation, the average lateral error with GPR is reduced by 52.8% compared to the non-GPR case. Incorporating exploration further decreases this error by 27.1%. The velocity tracking Root Mean Square Error (RMSE) also decreases by 10.6% with exploration. In the RC car experiment, the average lateral error with GPR is 36.7% lower, and exploration further leads to a 29.0% reduction. Moreover, the velocity tracking RMSE decreases by 7.2% with the inclusion of exploration.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google