Learning Model Predictive Control with Error Dynamics Regression for Autonomous Racing

要約

この研究では、高速操作領域における未知のダイナミクスを反復的に調査および学習できる、ハンドリング限界での自律走行レースのための新しい学習モデル予測制御 (LMPC) 戦略を提示します。
既存の LMPC 定式化から始めて、システム ダイナミクスの学習方法を修正します。
特に、私たちのアプローチでは、誤差ダイナミクスの局所的、線形、データ駆動型学習を備えた名目上のグローバルな非線形の物理ベースのモデルを使用します。
私たちは、シミュレーション、1/10 スケールのハードウェアで実験を行い、米国インディアナ州のパットナム パーク ロード コースでの閉ループ実験により、インディ自律チャレンジ (IAC) で使用される実物大の自動レース カーに提案した LMPC を導入しました。
結果は、提案された制御ポリシーがパラメーター調整とデータ不足に対する堅牢性の向上を示していることを示しています。
ハンドリングの限界に向けた増分的で安全性を意識した探索と、高速領域での車両ダイナミクスの反復学習が、シミュレーションと実験の両方で観察されます。

要約(オリジナル)

This work presents a novel Learning Model Predictive Control (LMPC) strategy for autonomous racing at the handling limit that can iteratively explore and learn unknown dynamics in high-speed operational domains. We start from existing LMPC formulations and modify the system dynamics learning method. In particular, our approach uses a nominal, global, nonlinear, physics-based model with a local, linear, data-driven learning of the error dynamics. We conduct experiments in simulation, 1/10th scale hardware, and deployed the proposed LMPC on a full-scale autonomous race car used in the Indy Autonomous Challenge (IAC) with closed loop experiments at the Putnam Park Road Course in Indiana, USA. The results show that the proposed control policy exhibits improved robustness to parameter tuning and data scarcity. Incremental and safety-aware exploration toward the limit of handling and iterative learning of the vehicle dynamics in high-speed domains is observed both in simulations and experiments.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google