[論文レビュー] Cautious NMPC with Gaussian Process Dynamics for Miniature Race Cars.

Lukas Hewing, Alexander Liniger+1 more|arXiv (Cornell University)|Nov 17, 2017

Advanced Control Systems Optimization被引用数 6

ひとこと要約

本論文は、ミニチュアレーシングカー向けに、ガウス過程（GP）ダイナミクスを用いてリアルタイムで不確実なレーシングモデルを学習・精緻化する慎重な非線形モデル予測制御（NMPC）フレームワークを提案する。残差不確実性を確率制約を用いて取り入れ、動的に調整されたインダーセティング入力を備えたスパースGPを採用することで、学習なしのNMPCに比べてより速いラップタイムとより良好な制約満足度を達成し、安全で高パフォーマンスな自律レーシングを実現する。

ABSTRACT

This paper presents an adaptive high performance control method for autonomous miniature race cars. Racing dynamics are notoriously hard to model from first principles, which is addressed by means of a cautious nonlinear model predictive control (NMPC) approach that learns to improve its dynamics model from data and safely increases racing performance. The approach makes use of a Gaussian Process (GP) and takes residual model uncertainty into account through a chance constrained formulation. We present a sparse GP approximation with dynamically adjusting inducing inputs, enabling a real-time implementable controller. The formulation is demonstrated in simulations, which show significant improvement with respect to both lap time and constraint satisfaction compared to an NMPC without model learning.

研究の動機と目的

• ミニチュア自律走行車両における複雑で高速なレーシングダイナミクスを正確にモデル化する課題に取り組む。
• モデル不確実性下でも安全を確保しつつ、レーシングパフォーマンスを向上させる。
• データから学習し、ダイナミクスモデルを適応させるリアルタイム実装可能な制御フレームワークを開発する。
• 制約満足度を維持するために、制御定式化に不確実性の定量化を統合する。
• 固定モデルNMPCと比較して、データ駆動型モデル学習の優位性を自律レーシングシナリオで実証する。

提案手法

• ミニチュアレーシングカーの未知または不確実なダイナミクスをモデル化するため、ガウス過程（GP）を組み込んだ慎重なNMPCコントローラーを定式化する。
• 残差モデル不確実性を制御制約に明示的に組み込むために、確率制約を用いた定式化を採用する。
• 計算コストを低減し、リアルタイム実装を可能にするために、動的に調整されるインダーセティング入力を備えたスパースGP近似を適用する。
• 収集したレーシングデータを用いて、オンラインでGPモデルを適応させ、予測精度と制御パフォーマンスを向上させる。
• 学習済みのGPダイナミクスをNMPC最適化問題に統合し、不確実性を考慮した制約を通じて、パフォーマンスと安全性のバランスを図る。
• 各タイムステップで現在のGPベースのモデルと不確実性の範囲を用いて制御入力を再計算するリアルタイム最適化方式を採用する。

実験結果

リサーチクエスチョン

• RQ1 データ駆動型GPベースのダイナミクスモデルは、高速なミニチュアレーシングカー走行における制御パフォーマンスを向上させることができるか？
• RQ2 確率制約を用いて残差モデル不確実性を組み込むことで、攻撃的レーシングにおける制約満足度と安全性にどのような影響を与えるか？
• RQ3 適応的インダーセティング入力を備えたスパースGPは、どの程度NMPCコントローラーのリアルタイム実装を可能にするか？
• RQ4 データからの学習は、固定モデルNMPCと比較して、より速いラップタイムを達成するとともに、制約遵守を維持または向上させるか？
• RQ5 モデル不確実性下でのロバストネスとパフォーマンスの観点から、GPダイナミクスを用いた慎重なNMPCは、標準的なNMPCと比べてどのように異なるか？

主な発見

• 提案されたGPダイナミクスを用いた慎重なNMPCは、モデル学習を行わない標準NMPCと比較して、顕著に速いラップタイムを達成した。
• 確率制約によるモデル不確実性の明示的取り扱いのおかげで、制約満足度が優れた性能を示した。
• 動的に調整されたインダーセティング入力を備えたスパースGPにより、リアルタイム計算が可能となり、オンライン展開が現実可能になった。
• GPモデルが収集したレーシングデータから学習を継続することで、パフォーマンスが時間経過とともに向上し、ダイナミクス表現が精緻化された。
• モデル誤差の影響を制限することで、高速走行時の安全マージンを維持した。
• シミュレーションにより、不確実性を考慮した制御の統合が、よりロバストで信頼性の高いレーシングパフォーマンスをもたらすことが確認された。