[論文レビュー] Gaussian Process-based Stochastic Model Predictive Control for Overtaking in Autonomous Racing

Tim Brüdigam, Alexandre Capone+3 more|arXiv (Cornell University)|May 25, 2021

Advanced Control Systems OptimizationEngineering被引用数 21

ひとこと要約

本論文は、レーシングにおける自律的オーバtakeのためのガウス過程に基づく確率的予測制御（GP-SMPC）フレームワークを提案する。後続の車両はガウス過程回帰を用いて先行車両の行動を学習し、不確実性下でも安全で楽観的なオーバtake軌道を予測制御で計画する。本手法は、先行車両の運動を予測的にモデル化し、確率的制約処理を組み合わせることで能動的なオーバtakeを可能にし、直線レーストラックでのシミュレーションで成功した軌道計画が確認された。

ABSTRACT

A fundamental aspect of racing is overtaking other race cars. Whereas previous research on autonomous racing has majorly focused on lap-time optimization, here, we propose a method to plan overtaking maneuvers in autonomous racing. A Gaussian process is used to learn the behavior of the leading vehicle. Based on the outputs of the Gaussian process, a stochastic Model Predictive Control algorithm plans optimistic trajectories, such that the controlled autonomous race car is able to overtake the leading vehicle. The proposed method is tested in a simple simulation scenario.

研究の動機と目的

• 自律レーシングにおける能動的オーバtake戦略の不足に取り組むこと。これまでの研究は主にラップタイム最適化に注力していた。
• 後続の自律走行車両が、リーダーの行動を予測し、安全で楽観的な動きを計画することで、能動的に先行車両を追い抜ける仕組みを実現すること。
• ガウス過程回帰を用いて先行車両の運動における不確実性をモデル化し、不確実性下でも頑健な軌道計画を実現するための確率的モデル予測制御（SMPC）と統合すること。
• 自律走行車両が先行車両の走行パターンにおける弱みを特定・活用できるフレームワークを構築すること。

提案手法

• 歴史的な先行車両の運動データを用いてガウス過程（GP）を訓練し、将来的な軌道とモデルの不確実性を予測する。
• GPの予測結果を用いて、不確実性下での安全性を確保するための確率的制約を確率的モデル予測制御（SMPC）フレームワークに組み込む。
• カイ二乗分布に従う確率的変数を用いて制約の厳密化を実施し、確率的制約を決定的同等に変換する。
• 状態および制御入力の制約を満たしつつ、参照軌道からの偏差を最小化する二次計画問題としてSMPC問題を定式化する。安全マージンを確保しながら実行する。
• 予測にはエゴ車両の線形化・離散化モデルを用い、最適化された制御入力をシミュレーションで非線形連続時間モデルに適用する。
• SMPC問題に実行不能が生じた場合、直前の解を保持することで、リアルタイム実行におけるロバスト性を確保する。

実験結果

リサーチクエスチョン

• RQ1 リーダーがオートマチックにオーバtakeを許可しない状況下で、自律走行レーシング車両がどのように能動的に先行車両を追い抜くことができるか。
• RQ2 ガウス過程回帰が、先行レーシングカーの行動を効果的にモデル化できるか。
• RQ3 リーダーの運動における不確実性を考慮した場合、確率的モデル予測制御（SMPC）をどのように用いて楽観的でありながらも安全なオーバtake軌道を計画できるか。
• RQ4 確率的制約処理が、自律レーシングにおけるオーバtake行動の実行可能性と安全性に与える影響は何か。
• RQ5 GPベースの予測とSMPCの統合により、エゴ車両が有利なオーバtake機会を特定・活用できるか。

主な発見

• GP-SMPCフレームワークは、シミュレーテッド直線レーストラック環境で実行可能かつ安全なオーバtake軌道を成功裏に生成し、楽観的だが安全な動きを計画できる能力を示した。
• GPが予測したリーダーの運動における一時的なギャップを特定し活用することで、エゴ車両がリーダーを追い抜くことができた。
• カイ二乗分布に従う確率的変数を用いた確率的制約処理により、衝突確率が事前に定めたしきい値以下に保たれ、安全性が向上した。
• 制約の厳密化を施したSMPC定式化により、モデルの不確実性下でも実行可能性が維持され、実行不能なケースでは直前の制御入力を保持することでロバスト性が確保された。
• シミュレーション結果から、GPベースの行動モデルとSMPCの統合が、ラップタイム最適化に注力してきた従来の自律レーシング研究ではほとんど見られなかった能動的オーバtakeを実現可能であることが確認された。