[論文レビュー] A Data Driven Method of Optimizing Feedforward Compensator for Autonomous Vehicle

Tianyu Shi, Pin Wang+2 more|arXiv (Cornell University)|Jan 31, 2019

Vehicle Dynamics and Control Systems参考文献 11被引用数 4

ひとこと要約

本稿では、システム遅延、パrametric変動、外部の摂動をモデル化・補正することで、自律走行車両の制御のロバスト性を向上させるデータ駆動型フィードフォワード補償器を提案する。主成分分析と時系列遅延ニューラルネットワークを用いて将来の誤差を予測する手法により、シミュレーション上での制御精度と安定性が向上し、正確なシステムモデルに依存せずに現実世界の不確実性に対処できることを示している。

ABSTRACT

A reliable controller is critical and essential for the execution of safe and smooth maneuvers of an autonomous vehicle.The controller must be robust to external disturbances, such as road surface, weather, and wind conditions, and so on.It also needs to deal with the internal parametric variations of vehicle sub-systems, including power-train efficiency, measurement errors, time delay,so on.Moreover, as in most production vehicles, the low-control commands for the engine, brake, and steering systems are delivered through separate electronic control units.These aforementioned factors introduce opaque and ineffectiveness issues in controller performance.In this paper, we design a feed-forward compensate process via a data-driven method to model and further optimize the controller performance.We apply the principal component analysis to the extraction of most influential features.Subsequently,we adopt a time delay neural network and include the accuracy of the predicted error in a future time horizon.Utilizing the predicted error,we then design a feed-forward compensate process to improve the control performance.Finally,we demonstrate the effectiveness of the proposed feed-forward compensate process in simulation scenarios.

研究の動機と目的

• 時間遅延、パrametric変動、および道路状況や天候などの外部摂動によって引き起こされる自律走行車両の制御誤差を是正すること。
• 正確なシステムダイナミクスや摂動モデルが不要な、モデルフリーでデータ駆動型のアプローチを開発すること。
• 将来の制御誤差を予測し、リアルタイムでフィードフォワード補償を適用することで、コントローラの性能を向上させること。
• 多様な動的および環境的条件下で、シミュレーションを用いて手法の有効性を検証すること。

提案手法

• 歴史的制御データから主要なパターンを抽出するために主成分分析（PCA）が適用され、最も影響力のある誤差要因が同定される。
• 過去の入力および状態シーケンスに基づいて、将来の制御誤差を予測するため、時系列遅延ニューラルネットワーク（TDNN）が訓練される。
• 予測された誤差が、誤差が蓄積する前に制御指令を調整するためのフィードフォワード補償信号として使用される。
• 補償プロセスが既存の車両制御アーキテクチャに統合され、追従性能が向上する。
• 実際の走行状況とシステム変動を反映したシミュレーションデータを用いて、手法の訓練および検証が行われる。

実験結果

リサーチクエスチョン

• RQ1 データ駆動型アプローチは、自律走行車両制御における時間遅延およびパrametric変動を効果的にモデル化・補正できるか？
• RQ2 時系列遅延ニューラルネットワークは、歴史的データから将来の制御誤差をどれほど正確に予測できるか？
• RQ3 予測誤差に基づくフィードフォワード補償は、シミュレーション上での制御精度と安定性を向上させるか？
• RQ4 PCAは、重要なダイナミクスを保持したまま、制御誤差データの次元を効果的に低減できるか？

主な発見

• 提案されたデータ駆動型フィードフォワード補償器は、シミュレーション上において制御誤差を顕著に低減し、さまざまな摂動下での追従性能を向上させた。
• 時系列遅延ニューラルネットワークは、将来の制御誤差を高い精度で予測し、前もって補償を効果的に行えることを示した。
• PCAは、予測性能を損なわせることなく、誤差成分の主要な部分を特定し、データの複雑さを低減できた。
• 路面状態の変化や風などの外部摂動に対しても、手法はロバストであり、安定した制御を維持した。