Model Parameter Identification via a Hyperparameter Optimization Scheme for Autonomous Racing Systems

要約

このレターでは、ハイパーパラメータ最適化スキーム (MI-HPO) によるモデル パラメータ同定方法を提案します。
私たちの方法は、データ駆動型の最適化方法で動的モデルのパラメーターを特定するために効率的な探索と活用戦略を採用しています。
我々の手法は、本格的な自動運転レース車両である AV-21 のモデルパラメータ同定に活用されています。
次に、プラットフォームのモデルベースの計画および制御システムの設計に最適化されたパラメーターを組み込みます。
実験では、MI-HPO は従来のパラメータ同定方法よりも 13 倍以上速い収束を示しました。
さらに、MI-HPO 経由で学習されたパラメトリック モデルは、指定されたデータセットへの良好な適合性を実証し、目に見えない動的シナリオで一般化能力を示します。
さらにモデルベースのシステムを検証するために広範なフィールドテストを実施し、インディアナポリス・モーター・スピードウェイとラスベガス・モーター・スピードウェイで安定した障害物回避と最大217km/hの高速走行を実証しました。
私たちの作業のソース コードとテストのビデオは、https://github.com/hynkis/MI-HPO で入手できます。

要約(オリジナル)

In this letter, we propose a model parameter identification method via a hyperparameter optimization scheme (MI-HPO). Our method adopts an efficient explore-exploit strategy to identify the parameters of dynamic models in a data-driven optimization manner. We utilize our method for model parameter identification of the AV-21, a full-scaled autonomous race vehicle. We then incorporate the optimized parameters for the design of model-based planning and control systems of our platform. In experiments, MI-HPO exhibits more than 13 times faster convergence than traditional parameter identification methods. Furthermore, the parametric models learned via MI-HPO demonstrate good fitness to the given datasets and show generalization ability in unseen dynamic scenarios. We further conduct extensive field tests to validate our model-based system, demonstrating stable obstacle avoidance and high-speed driving up to 217 km/h at the Indianapolis Motor Speedway and Las Vegas Motor Speedway. The source code for our work and videos of the tests are available at https://github.com/hynkis/MI-HPO.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google