Learning-Based Approximate Nonlinear Model Predictive Control Motion Cueing

要約

モーションキューイングアルゴリズム（MCAS）は、シミュレートされた車両の動きを動きにエンコードし、モーションシミュレーターで再現できるようにして、マシンの機能内で現実的な運転体験を提供します。
このペーパーでは、シリアルロボットベースのモーションシミュレーター向けの新しい学習ベースのMCAを紹介します。
微分可能な予測制御フレームワークに基づいて、提案された方法は、機械学習の計算効率と、非線形モデル予測制御（NMPC）（特に非線形制約処理と正確な運動モデリング）の利点をマージします。
計算負担をオフライントレーニングにシフトすることにより、新しいアルゴリズムにより、高い制御レートでリアルタイム操作が可能になり、NMPCベースのモーションキューイングに関連する重要な課題を克服できます。
提案されたMCAには、非線形の関節空間植物モデルと、NMPCの動作を模倣するように訓練されたポリシーネットワークが組み込まれています。
複数のモーションキューイングシナリオにわたるシミュレーション実験により、提案されたアルゴリズムは、参照信号に関してRMSEおよび相関係数によって定量化されたモーションキューニング品質の観点から、最先端のNMPCベースの代替品と同等に実行されたことが示されました。
ただし、提案されたアルゴリズムは、NMPCベースラインの平均400倍高速でした。
さらに、アルゴリズムは、異なる車両やリアルタイムの物理ベースのシミュレーションでのモーションキューイングシナリオなど、目に見えない動作条件に成功しました。

要約(オリジナル)

Motion Cueing Algorithms (MCAs) encode the movement of simulated vehicles into movement that can be reproduced with a motion simulator to provide a realistic driving experience within the capabilities of the machine. This paper introduces a novel learning-based MCA for serial robot-based motion simulators. Building on the differentiable predictive control framework, the proposed method merges the advantages of Nonlinear Model Predictive Control (NMPC) – notably nonlinear constraint handling and accurate kinematic modeling – with the computational efficiency of machine learning. By shifting the computational burden to offline training, the new algorithm enables real-time operation at high control rates, thus overcoming the key challenge associated with NMPC-based motion cueing. The proposed MCA incorporates a nonlinear joint-space plant model and a policy network trained to mimic NMPC behavior while accounting for joint acceleration, velocity, and position limits. Simulation experiments across multiple motion cueing scenarios showed that the proposed algorithm performed on par with a state-of-the-art NMPC-based alternative in terms of motion cueing quality as quantified by the RMSE and correlation coefficient with respect to reference signals. However, the proposed algorithm was on average 400 times faster than the NMPC baseline. In addition, the algorithm successfully generalized to unseen operating conditions, including motion cueing scenarios on a different vehicle and real-time physics-based simulations.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google