[論文レビュー] Robust Modeling and Controls for Racing on the Edge

Joshua Spisak, Andrew Saba+6 more|arXiv (Cornell University)|May 22, 2022

Modeling and Simulation Systems被引用数 8

ひとこと要約

本論文では、最大時速140mphまで安定した高速走行を可能にする、耐障害性がありリアルタイム対応の自律走行車両用制御スタックを提示する。純粋追従制御とLQRに基づく横方向制御を組み合わせ、タイヤの摩擦力と空力的力のオンライン推定を実施することで、車両および環境条件の変化に応じて動的に適応する。これにより、ハンドリング限界の縁で安全に走行することが可能となる。

ABSTRACT

Race cars are routinely driven to the edge of their handling limits in dynamic scenarios well above 200mph. Similar challenges are posed in autonomous racing, where a software stack, instead of a human driver, interacts within a multi-agent environment. For an Autonomous Racing Vehicle (ARV), operating at the edge of handling limits and acting safely in these dynamic environments is still an unsolved problem. In this paper, we present a baseline controls stack for an ARV capable of operating safely up to 140mph. Additionally, limitations in the current approach are discussed to highlight the need for improved dynamics modeling and learning.

研究の動機と目的

• 極度の速度域、特にレーシングのような高動的負荷環境における自律走行車両制御の課題に取り組む。
• 急速に変化する条件（タイヤの摩耗、温度、風速など）下でも安定性と性能を維持できるリアルタイムで適応可能な制御フレームワークを開発する。
• 特にタイヤ摩擦と空力的力の主要な車両動的パラメータをオンラインで推定することで、制御の正確性と安全性を向上させる。
• 安全で高速な自律走行レースを実現する基盤となる、最小限のシステムを示す。今後の自律走行車両制御分野の進展の基盤を提供する。

提案手法

• 純粋追従制御による経路追従と最適フィードバック制御のLQRを組み合わせたハイブリッドトラッキング制御器を採用し、安定性と応答性を確保する。
• 時間変動するコーナリングスタイフネスパラメータ（$C_f$, $C_r$）を、車両状態とセンサデータからオンラインで推定する線形化されたペースジャックタイヤモデルを採用する。
• RTK-GNSS、IMU、および車両状態データから自己教師あり学習を用いて、タイヤ摩擦係数と空力的力（抗力とダウンフォース）をオンラインで推定するパイプラインを導入する。
• トラックのバンク角、エンジン出力トルク、周囲のエージェントの位置を入力として用い、リアルタイムで空力的効果とモデル誤差を予測する。
• 未モデル化された動的特性を捉えるためにガウス過程回帰（GPR）ベースの誤差モデルを導入し、摂動やモデル不確実性に対する耐性を向上させる。
• 学習された動的モデルをリアルタイムで適用し、候補となる経路の最適化と、コントローラー内での将来の状態予測の精度向上を実現する。

実験結果

リサーチクエスチョン

• RQ1 140mphを超える速度域において、リアルタイム制御スタックはどのようにして自律走行レースの安定性と性能を維持できるか？
• RQ2 タイヤ摩擦力と空力的力のオンライン推定は、動的かつ不確実な条件下での制御の耐障害性をどのように向上させるか？
• RQ3 車両センサと状態データからの自己教師あり学習は、タイヤ劣化や風の影響といった複雑で時間変動する動的特性を効果的にモデル化できるか？
• RQ4 純粋追従制御とLQRを組み合わせることで、高精度な経路追従性能が、単独で使用する従来手法に比べてどのように向上するか？
• RQ5 自律走行レースにおいて、車両動的モデルのオンライン適応は、静的または事前キャリブレーション済みモデルへの依存をどの程度低減できるか？

主な発見

• 提案された制御スタックにより、最大時速140mphまで安定的かつ安全に自律走行レースが可能となり、ハンドリング限界の縁での走行可能性が実証された。
• タイヤコーナリングスタイフネス（$C_f$, $C_r$）のオンライン推定により、タイヤ温度、圧力、摩耗状態の変化に応じたリアルタイムな適応が可能となり、制御の正確性が顕著に向上した。
• センサデータと車両状態から得た抗力とダウンフォースの自己教師あり学習により、風やレーストラック状態の変化といった環境的摂動に対してもリアルタイムで適応可能となった。
• GPRベースの誤差モデルの統合により、周囲の車両からの空力的影響やトラックのバンク角といった未モデル化された動的特性を捉えることができ、耐障害性が向上した。
• 純粋追従制御とLQRを統合したハイブリッド制御器は、高精度な経路追従性と高動的負荷下での安定性において、従来手法を上回る性能を示した。
• シンプルな制御アーキテクチャでも、オンラインでの動的モデル化が高性能な自律走行レースを実現するために不可欠であることが実証された。