[論文レビュー] Game-Theoretic Model Predictive Control with Data-Driven Identification of Vehicle Model for Head-to-Head Autonomous Racing

Chanyoung Jung, Seung-Wook Lee+3 more|arXiv (Cornell University)|Jun 8, 2021

Autonomous Vehicle Technology and Safety参考文献 10被引用数 16

ひとこと要約

本稿は、データ駆動型の車両ダイナミクス同定を用いたゲーム理論的モデル予測制御（MPC）フレームワークを、頭文字対抗の自動走行レースに提案する。スタックルベルクゲームに基づく軌道予測器、ハイレベルなレース戦略プランナ、MPCに基づくローレベル制御器を統合し、非線形タイヤモデルのパラメータを最適化するためにハイパーバンドアルゴリズムを用いる。この手法は、シミュレーションで1.1秒のラップタイム改善を達成し、衝突を伴わずに安全なスリップストリーム走行を可能にする。

ABSTRACT

Resolving edge-cases in autonomous driving, head-to-head autonomous racing is getting a lot of attention from the industry and academia. In this study, we propose a game-theoretic model predictive control (MPC) approach for head-to-head autonomous racing and data-driven model identification method. For the practical estimation of nonlinear model parameters, we adopted the hyperband algorithm, which is used for neural model training in machine learning. The proposed controller comprises three modules: 1) game-based opponents' trajectory predictor, 2) high-level race strategy planner, and 3) MPC-based low-level controller. The game-based predictor was designed to predict the future trajectories of competitors. Based on the prediction results, the high-level race strategy planner plans several behaviors to respond to various race circumstances. Finally, the MPC-based controller computes the optimal control commands to follow the trajectories. The proposed approach was validated under various racing circumstances in an official simulator of the Indy Autonomous Challenge. The experimental results show that the proposed method can effectively overtake competitors, while driving through the track as quickly as possible without collisions.

研究の動機と目的

• 複数の相手がいる状況下での安全で高速な頭文字対抗の自動走行レースの課題に対処すること。
• 相手の行動を非協力的ゲームとしてモデル化することで、競合車両の軌道予測を改善すること。
• データ駆動型の非線形車両モデルパラメータ同定を用いてMPCの性能を向上させること。
• ハイレベルなレース戦略プランニングとローレベル制御を統合し、動的レースシナリオに対応すること。
• 多様なレース条件下で、実際のシミュレータを用いて制御器を検証すること。

提案手法

• 戦略的相互作用に基づき、相手の将来の軌道を予測するためにスタックルベルクゲーム理論フレームワークを用いる。
• 非線形ペースカ・タイヤモデルのパラメータをデータ駆動型最適化するためにハイパーバンドアルゴリズムを採用する。
• ゲームベースの予測器、ハイレベルなレース戦略プランナ、MPCに基づくローレベル制御器の3モジュールからなる制御器を導入する。
• パラメータ探索における局所最適解の脱出を図るため、ハイパーバンド最適化中にガウスノイズを導入する。
• 多様なレースシナリオ下での性能評価のために、実際のインディ自律チャレンジシミュレータを用いる。
• 軌道予測のベースラインとして拡張カルマンフィルタ（EKF）を用い、提案手法のゲームベース予測器と比較する。

実験結果

リサーチクエスチョン

• RQ1 ゲーム理論的MPCフレームワークは、頭文字対抗の自動走行レースにおいて、相手の戦略を効果的に予測・対応できるか？
• RQ2 データ駆動型のハイパーバンド最適化による車両モデルパラメータの最適化は、MPCの精度と制御性能をどのように向上させるか？
• RQ3 ハイレベルなレース戦略プランナの導入が、スリップストリーム走行の効率とラップタイムに与える影響は何か？
• RQ4 ゲームベース予測器は、従来のEKFベースの予測と比較して、衝突回避性能にどのように差をつけるか？
• RQ5 統合型制御器は、衝突を伴わず、安全で高速な走行をどの程度実現できるか？

主な発見

• 提案されたゲームベースの軌道予測器は、EKFベースの手法が失敗した状況でも衝突を回避した。その結果、DNF（走りきれない）という結果を回避した。
• ゲームベースの予測器とハイレベル戦略プランナを組み合わせた場合、プランナなしの53.135秒と比較して、ラップタイムが1.1秒短縮され、52.051秒に改善された。
• ハイレベルなレース戦略プランナにより、エゴ車両はスリップストリーム走行を活用し、相手のすぐ後方で高速で走行を維持でき、全体の進行を向上させた。
• 特にレース開始時の高相互作用状況下でも、衝突を伴わずスリップストリーム走行やスリップストリーム走行後のスリップストリーム走行を成功裏に実行した。
• ハイパーバンド最適化された車両モデルは、MPCの予測精度を顕著に向上させ、制御予測期間にわたるモデル誤差の累積を低減した。
• 本手法は、多様なレース条件下で、非常にリアルなレーシングシミュレータ上でリアルタイム性と頑健性を示した。