Learning-Based On-Track System Identification for Scaled Autonomous Racing in Under a Minute

要約

最先端 (SotA) モデルベースの技術は車両パラメータの正確な知識に依存しているため、正確なタイヤ モデリングは自動運転レーシング車両の最適化に不可欠です。
しかし、トラックやタイヤの状態が変化するため、ダイナミックなレース状況でのシステムの識別は困難です。
従来の方法では広範囲の動作範囲が必要であり、レースのシナリオでは非現実的なことがよくあります。
機械学習 (ML) ベースの手法は、パフォーマンスを向上させる一方で、一般化に苦労し、正確な初期化に依存します。
この論文では、エラー訂正用のニューラル ネットワーク (NN) を組み込んだ新しいオントラック システム識別アルゴリズムを紹介します。このアルゴリズムは、仮想的に生成されたデータを使用した従来のシステム識別に使用されます。
重要なのは、このプロセスが繰り返し再適用され、サイクルごとにタイヤパラメータが更新されるため、スケールアップした車両でのテストの精度が顕著に向上します。
実験の結果、事前知識がなくても、わずか 30 秒の走行データと 3 秒のトレーニング時間でタイヤ モデルを学習できることがわかりました。
この方法は、ノイズの多い条件下でベースラインの非線形最小二乗法 (NLS) 法よりも高いワンステップ予測精度を示し、二乗平均平方根誤差 (RMSE) が 3.3 倍低くなり、従来の定常状態システムの同定に匹敵する精度のタイヤ モデルが得られます。
。
さらに、広いスペースと特定の実験セットアップを必要とする定常状態の方法とは異なり、提案されたアプローチは、ダイナミックなレース環境のレーストラック上でタイヤパラメータを直接特定します。

要約(オリジナル)

Accurate tire modeling is crucial for optimizing autonomous racing vehicles, as state-of-the-art (SotA) model-based techniques rely on precise knowledge of the vehicle’s parameters. Yet, system identification in dynamic racing conditions is challenging due to varying track and tire conditions. Traditional methods require extensive operational ranges, often impractical in racing scenarios. Machine learning (ML)-based methods, while improving performance, struggle with generalization and depend on accurate initialization. This paper introduces a novel on-track system identification algorithm, incorporating a neural network (NN) for error correction, which is then employed for traditional system identification with virtually generated data. Crucially, the process is iteratively reapplied, with tire parameters updated at each cycle, leading to notable improvements in accuracy in tests on a scaled vehicle. Experiments show that it is possible to learn a tire model without prior knowledge with only 30 seconds of driving data and 3 seconds of training time. This method demonstrates greater one-step prediction accuracy than the baseline nonlinear least squares (NLS) method under noisy conditions, achieving a 3.3x lower root mean square error (RMSE), and yields tire models with comparable accuracy to traditional steady-state system identification. Furthermore, unlike steady-state methods requiring large spaces and specific experimental setups, the proposed approach identifies tire parameters directly on a race track in dynamic racing environments.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google