Ensemble Gaussian Processes for Adaptive Autonomous Driving on Multi-friction Surfaces

要約

さまざまな道路状況での運転は、特に雨や雪などの環境の変化にリアルタイムで適応する必要がある自動運転車の場合は困難です。これらの時間変化する設定でオフライン学習ベースの方法を適用することは困難です。
コントローラーは、将来遭遇する可能性のあるすべての条件を表すデータセットでトレーニングする必要があるためです。
オンライン学習では、リアルタイム データからモデルを適応させることができますが、その収束は、急速に変化する道路状況には遅すぎることがよくあります。
レースに勝つためには、さまざまな道路状況下でハンドリングの限界で運転することが必要とされる自律型レースで、この問題を研究しています。
ガウス過程 (GP) のアンサンブルを活用して、事前に訓練された GP を一般化し、目に見えない条件に適応させる、計算効率の高いアプローチを提案します。
各 GP は、異なる路面摩擦での走行データでトレーニングされます。
これらの GP の時変凸結合は、モデル予測制御 (MPC) フレームワーク内で使用され、リアルタイム データに基づいてモデルの重みが現在の道路状況にオンラインで適合されます。
アンサンブル ガウス過程 (EGP) モデルの予測分散により、コントローラーは予測の不確実性を考慮し、安全な自動運転を可能にします。
フルスケールの自動運転車の広範なシミュレーションにより、さまざまな道路状況で優れた追跡性能を提供し、未知のマップに一般化する機能について、提案された EGP-MPC 方法の有効性が実証されました。

要約(オリジナル)

Driving under varying road conditions is challenging, especially for autonomous vehicles that must adapt in real-time to changes in the environment, e.g., rain, snow, etc. It is difficult to apply offline learning-based methods in these time-varying settings, as the controller should be trained on datasets representing all conditions it might encounter in the future. While online learning may adapt a model from real-time data, its convergence is often too slow for fast varying road conditions. We study this problem in autonomous racing, where driving at the limits of handling under varying road conditions is required for winning races. We propose a computationally-efficient approach that leverages an ensemble of Gaussian processes (GPs) to generalize and adapt pre-trained GPs to unseen conditions. Each GP is trained on driving data with a different road surface friction. A time-varying convex combination of these GPs is used within a model predictive control (MPC) framework, where the model weights are adapted online to the current road condition based on real-time data. The predictive variance of the ensemble Gaussian process (EGP) model allows the controller to account for prediction uncertainty and enables safe autonomous driving. Extensive simulations of a full scale autonomous car demonstrated the effectiveness of our proposed EGP-MPC method for providing good tracking performance in varying road conditions and the ability to generalize to unknown maps.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google