[논문 리뷰] A Data Driven Method of Optimizing Feedforward Compensator for Autonomous Vehicle

Tianyu Shi, Pin Wang외 2명|arXiv (Cornell University)|2019. 01. 31.

Vehicle Dynamics and Control Systems참고 문헌 11인용 수 4

한 줄 요약

이 논문은 시스템 지연, 매개변수 변화 및 외부 교란을 모델링하고 보상함으로써 자율주행차 제어의 강인성을 향상시키기 위해 데이터 기반 피드포워드 보상기법을 제안한다. 주성분 분석과 시간지연 신경망을 사용하여 향후 오차를 예측함으로써, 시뮬레이션에서 제어 정확도와 안정성을 향상시키며, 정밀한 시스템 모델에 의존하지 않고도 실제 세계의 불확실성을 효과적으로 다룰 수 있음을 입증한다.

ABSTRACT

A reliable controller is critical and essential for the execution of safe and smooth maneuvers of an autonomous vehicle.The controller must be robust to external disturbances, such as road surface, weather, and wind conditions, and so on.It also needs to deal with the internal parametric variations of vehicle sub-systems, including power-train efficiency, measurement errors, time delay,so on.Moreover, as in most production vehicles, the low-control commands for the engine, brake, and steering systems are delivered through separate electronic control units.These aforementioned factors introduce opaque and ineffectiveness issues in controller performance.In this paper, we design a feed-forward compensate process via a data-driven method to model and further optimize the controller performance.We apply the principal component analysis to the extraction of most influential features.Subsequently,we adopt a time delay neural network and include the accuracy of the predicted error in a future time horizon.Utilizing the predicted error,we then design a feed-forward compensate process to improve the control performance.Finally,we demonstrate the effectiveness of the proposed feed-forward compensate process in simulation scenarios.

연구 동기 및 목표

• 시간 지연, 매개변수 변화 및 도로 조건과 기상 변화와 같은 외부 교란으로 인한 자율주행차 제어 부정확성을 해결하기 위해.
• 정밀한 시스템 동역학 또는 교란 모델이 필요 없는 모델 기반 접근법을 개발하기 위해.
• 미래의 제어 오차를 예측하고 실시간으로 피드포워드 보상을 적용하여 제어기 성능을 향상시키기 위해.
• 다양한 동적 및 환경 조건 하에서 시뮬레이션을 통해 방법의 타당성을 검증하기 위해.

제안 방법

• 이력 제어 데이터에서 주요 패턴을 추출하기 위해 주성분 분석(PCA)이 적용되어 영향력 있는 오차 원인을 식별한다.
• 과거 입력 및 상태 시퀀스를 기반으로 미래의 제어 오차를 예측하기 위해 시간지연 신경망(TDNN)이 훈련된다.
• 예측된 오차가 오차가 축적되기 전에 제어 명령을 조정하기 위한 피드포워드 보상 신호로 사용된다.
• 보상 과정이 기존 차량 제어 아키텍처에 통합되어 추적 성능을 향상시킨다.
• 실제 주행 조건과 시스템 변동을 반영한 시뮬레이션 데이터를 사용하여 방법을 훈련하고 검증한다.

실험 결과

연구 질문

• RQ1 데이터 기반 접근법이 자율주행차 제어에서 시간 지연과 매개변수 변화를 효과적으로 모델링하고 보상할 수 있는가?
• RQ2 시간지연 신경망이 이력 데이터로부터 미래의 제어 오차를 얼마나 정확하게 예측할 수 있는가?
• RQ3 예측된 오차를 기반으로 한 피드포워드 보상이 시뮬레이션에서 제어 정확도와 안정성을 향상시키는가?
• RQ4 PCA가 비중 있는 동역학을 유지하면서 제어 오차 데이터의 차원을 효과적으로 감소시킬 수 있는가?

주요 결과

• 제안된 데이터 기반 피드포워드 보상기는 시뮬레이션에서 제어 오차를 크게 감소시켜 다양한 교란 조건 하에서도 추적 성능을 향상시켰다.
• 시간지연 신경망은 향후 제어 오차를 높은 정확도로 예측하여 사전 보상이 효과적으로 가능함을 입증했다.
• PCA는 예측 능력을 훼손하지 않으면서도 데이터 복잡성을 감소시키는 데 성공했으며, 영향력 있는 오차 성분을 효과적으로 식별했다.
• 이 방법은 도로 표면 변화와 바람과 같은 외부 교란에 대해 강인성을 보이며 안정적인 제어를 유지했다.