[論文レビュー] A Learning-Based Tune-Free Control Framework for Large Scale Autonomous Driving System Deployment

Yu Wang, Shu Jiang+6 more|arXiv (Cornell University)|Nov 9, 2020

Real-time simulation and control systems参考文献 23被引用数 4

ひとこと要約

本論文は、多様な車両および環境において自律走行システムのパラメータチューニングを自動化する、学習ベースでチューニング不要の制御フレームワークを提案する。動的モデル化、オープンループマッピング、ベイズ最適化を用いたクローズドループ制御（例：PID、LQR）の統合により、シミュレーションおよび米国・中国における実車両テストの両方で、制御性能とチューニング効率の顕著な向上が達成された。

ABSTRACT

This paper presents the design of a tune-free (human-out-of-the-loop parameter tuning) control framework, aiming at accelerating large scale autonomous driving system deployed on various vehicles and driving environments. The framework consists of three machine-learning-based procedures, which jointly automate the control parameter tuning for autonomous driving, including: a learning-based dynamic modeling procedure, to enable the control-in-the-loop simulation with highly accurate vehicle dynamics for parameter tuning; a learning-based open-loop mapping procedure, to solve the feedforward control parameters tuning; and more significantly, a Bayesian-optimization-based closed-loop parameter tuning procedure, to automatically tune feedback control (PID, LQR, MRAC, MPC, etc.) parameters in simulation environment. The paper shows an improvement in control performance with a significant increase in parameter tuning efficiency, in both simulation and road tests. This framework has been validated on different vehicles in US and China.

研究の動機と目的

• 自律走行制御システムにおける手動による人間によるチューニングを排除すること。
• 多様な車両および走行環境に迅速かつ一貫性を持って自律走行システムをデプロイ可能にする。
• 自動化されたデータ駆動型パラメータ最適化により、制御性能とチューニング効率を向上させること。
• 米国および中国の実車両において、フレームワークの妥当性を検証すること。

提案手法

• 学習ベースの動的モデル化手順により、制御インザループシミュレーション用の高精度な車両動的モデルが生成される。
• 学習ベースのオープンループマッピング手順により、フィードフォワード制御パラメータのチューニングが自動化される。
• ベイズ最適化に基づくクローズドループ手順により、シミュレーション内でのフィードバック制御（例：PID、LQR、MPC）の自動チューニングが実現される。
• 3つの手順を統合した包括的でエンドツーエンドのチューニング不要なチューニングパイプラインが構築される。
• すべてのチューニングプロセスは実車両デプロイメント前にシミュレーション内で実行され、物理的テストへの依存が低減される。
• 機械学習を活用することで、異なる車両プラットフォームおよび環境条件に一般化可能となる。

実験結果

リサーチクエスチョン

• RQ1 完全に自動化され、人間が関与しないフレームワークは、自律走行制御システムのパラメータチューニングを効果的に実行できるか？
• RQ2 学習ベースの動的モデル化とベイズ最適化の統合は、チューニング効率と制御性能をどのように向上させるか？
• RQ3 このフレームワークは、異なる車両および走行環境にどの程度一般化可能か？
• RQ4 従来のチューニング手法と比較して、シミュレーションおよび実車両テストにおけるパフォーマンス向上はどの程度か？

主な発見

• フレームワークは、シミュレーションおよび実道路テストの両方で制御性能を顕著に向上させた。
• パラメータチューニングの効率が著しく向上し、手動によるチューニングイタレーションの必要性が大幅に削減された。
• フレームワークは、米国および中国の複数の車両プラットフォームで正常に検証された。
• ベイズ最適化の活用により、人間の介入なしに効果的かつ効率的なクローズドループパラメータチューニングが可能となった。
• 学習ベースの動的モデル化手順により、高精度な制御チューニングに適した高精細シミュレーションが実現された。
• オープンループおよびクローズドループパラメータのエンドツーエンド自動チューニングにより、スケーラブルなデプロイメントが可能となった。