Risk-Averse Model Predictive Control for Racing in Adverse Conditions

要約

モデル予測制御 (MPC) アルゴリズムは、困難な非線形制御タスクで使用される場合、モデルの不一致に敏感になる可能性があります。
特に、基礎となるモデルが車両の能力を過大評価すると、ハンドリングの限界における車両制御のための MPC のパフォーマンスが低下します。
この研究では、摩擦限界とタイヤパラメータの不確実性を明確に考慮したリスク回避型 MPC フレームワークを提案します。
私たちのアプローチは、条件付きバリューアットリスク (CVaR) 制約を使用した最適制御問題のサンプルベースの近似を活用します。
このサンプルベースの定式化により、さまざまなタイヤ パラメーターを使用した一連の表現力豊かな車両ダイナミクス モデルを使用した計画が可能になります。
さらに、この定式化により、逐次二次計画法と GPU 並列化による効率的な数値解決が可能になります。
レクサス LC 500 での実験では、リスク回避型 MPC が信頼性の高いパフォーマンスを引き出す一方で、単一のダイナミクス モデルを使用して計画する決定論的なベースラインでは、悪路条件下では車両のコントロールが失われる可能性があることが示されています。

要約(オリジナル)

Model predictive control (MPC) algorithms can be sensitive to model mismatch when used in challenging nonlinear control tasks. In particular, the performance of MPC for vehicle control at the limits of handling suffers when the underlying model overestimates the vehicle’s capabilities. In this work, we propose a risk-averse MPC framework that explicitly accounts for uncertainty over friction limits and tire parameters. Our approach leverages a sample-based approximation of an optimal control problem with a conditional value at risk (CVaR) constraint. This sample-based formulation enables planning with a set of expressive vehicle dynamics models using different tire parameters. Moreover, this formulation enables efficient numerical resolution via sequential quadratic programming and GPU parallelization. Experiments on a Lexus LC 500 show that risk-averse MPC unlocks reliable performance, while a deterministic baseline that plans using a single dynamics model may lose control of the vehicle in adverse road conditions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google