[論文レビュー] Adaptive MPC for Autonomous Lane Keeping

Monimoy Bujarbaruah, Xiaojing Zhang+2 more|arXiv (Cornell University)|Jun 12, 2018

Advanced Control Systems Optimization参考文献 22被引用数 21

ひとこと要約

本稿では、自律走行の車両側進制御に向け、未知の定常ステアリング角オフセットをリアルタイムで継続的に学習する、適応的ロバストモデル予測制御（MPC）フレームワークを提案する。ロバスト集合メンバーシップ法を用いて、反復的に妥当パrameter集合（Feasible Parameter Set）を精緻化し、すべての可能なオフセットに対してロバストな制約満足を保証することで、モデル不一致や状況変化が生じても再チューニングなしに安全性と性能を維持する。

ABSTRACT

This paper proposes an Adaptive Robust Model Predictive Control strategy for lateral control in lane keeping problems, where we continuously learn an unknown, but constant steering angle offset present in the steering system. Longitudinal velocity is assumed constant. The goal is to minimize the outputs, which are distance from lane center line and the steady state heading angle error, while satisfying respective safety constraints. We do not assume perfect knowledge of the vehicle lateral dynamics model and estimate and adapt in real-time the maximum possible bound of the steering angle offset from data using a robust Set Membership Method based approach. Our approach is even well-suited for scenarios with sharp curvatures on high speed, where obtaining a precise model bias for constrained control is difficult, but learning from data can be helpful. We ensure persistent feasibility using a switching strategy during change of lane curvature. The proposed methodology is general and can be applied to more complex vehicle dynamics problems.

研究の動機と目的

• 未知だが定常的なステアリング角オフセットが車両側進制御の性能と安全性を低下させるという課題に対処すること。
• 特に高速走行や急カーブ走行のような状況下で、モデル不確実性が存在する中でも再帰的実行可能性とロバストな制約満足を保証すること。
• 再チューニングを必要とせず、リアルタイムでの車両モデルの適応を可能にし、長期的な制御性能とロバスト性を向上させること。
• オンライン学習とロバストMPCを統合し、安全性を維持しながら時間経過に伴いモデル精度を向上させること。
• 基本的なレーンキーピングをはるかに超える、より複雑な車両動的問題へも適用可能な汎用的フレームワークの開発

提案手法

• 各時刻において真のステアリング角オフセットを含む妥当パrameter集合（FPS）を、再帰的な集合メンバーシップ法により推定・精緻化する。
• FPS内に存在するすべての可能なオフセットに対して制約を強制するロバストMPC最適化問題を定式化し、モデル不確実性に対するロバスト性を確保する。
• カーブ半径が変化する道路においても再帰的実行可能性を維持するために、可変カーブ半径用のスイッチング戦略を適用する。
• LQR設計から導出されたフィードバックゲインを用いてシステムを安定化させ、過渡応答を改善する。
• GUROBIを用いてリアルタイムで解ける凸最適化問題を採用し、計算の実行可能性を保証する。
• 測定されたステアリングシステムデータを活用してFPSを反復的に更新し、オンラインでのモデル適応を可能にする。

実験結果

リサーチクエスチョン

• RQ1 未知の定常ステアリング角オフセットを、ロバストMPCフレームワーク内でリアルタイムで推定・適応可能か。
• RQ2 時間変動する道路カーブ半径が存在する中でも、再帰的実行可能性を保証できるか。ただし制約満足を維持するものとする。
• RQ3 提案手法の適応的MPCは、名目モデルを用いた標準的ロバストMPCと比較して、制約違反や性能面でどのように異なるか。
• RQ4 ステアリングオフセットが変更された後でも、再チューニングなしにコントローラーをどれほど再利用可能か。
• RQ5 高速走行や急カーブ走行のような状況下で、モデル不確実性が側進制御性能に及ぼす影響は何か。

主な発見

• シミュレーションによる検証により、提案された適応的ロバストMPCは、未知のステアリング角オフセットのすべての可能な値に対して再帰的実行可能性とロバストな制約満足を確保している。
• 妥当パrameter集合（FPS）は、真のオフセットの周囲にきわめて狭い範囲に収束することが確認され、モデル不確実性の有効なオンライン学習が実現している。
• 名目モデルを用いた標準的ロバストMPCと比較して、モデル不一致下でも顕著な制約違反を回避している。
• ステアリングオフセットがわずかに変更されても、再チューニングなしに性能と安全性を維持している。これに対して、標準的LQRコントローラーは再チューニングを要する。
• 数値シミュレーションの結果、適応的MPCは側進偏差（±4 m以内）とヨー角誤差（±0.7 rad以内）が有界に保たれ、すべての課せられた制約を満たしている。
• 凸最適化ソルバ（GUROBI）を用いることで、リアルタイム性能が達成されており、組み込み実装への実用的妥当性が確認された。