[논문 리뷰] A Learning-Based Tune-Free Control Framework for Large Scale Autonomous Driving System Deployment

Yu Wang, Shu Jiang외 6명|arXiv (Cornell University)|2020. 11. 09.

Real-time simulation and control systems참고 문헌 23인용 수 4

한 줄 요약

이 논문은 다양한 차량 및 환경에서 자율주행 시스템의 파라미터 튜닝을 자동화하는 학습 기반, 튜닝이 필요 없는 제어 프레임워크를 제안한다. 동적 모델링, 오픈 루프 매핑, 그리고 백트리안 최적화를 활용한 폐루프 제어(예: PID, LQR)를 통합함으로써, 시뮬레이션 및 실제 테스트를 통해 제어 성능 향상과 튜닝 효율성 향상을 크게 달성하였다. 이는 미국과 중국에서의 실제 테스트를 포함하여 검증되었다.

ABSTRACT

This paper presents the design of a tune-free (human-out-of-the-loop parameter tuning) control framework, aiming at accelerating large scale autonomous driving system deployed on various vehicles and driving environments. The framework consists of three machine-learning-based procedures, which jointly automate the control parameter tuning for autonomous driving, including: a learning-based dynamic modeling procedure, to enable the control-in-the-loop simulation with highly accurate vehicle dynamics for parameter tuning; a learning-based open-loop mapping procedure, to solve the feedforward control parameters tuning; and more significantly, a Bayesian-optimization-based closed-loop parameter tuning procedure, to automatically tune feedback control (PID, LQR, MRAC, MPC, etc.) parameters in simulation environment. The paper shows an improvement in control performance with a significant increase in parameter tuning efficiency, in both simulation and road tests. This framework has been validated on different vehicles in US and China.

연구 동기 및 목표

• 자율주행 제어 시스템의 수동적이고 인간이 개입하는 파라미터 튜닝을 제거하기 위해.
• 다양한 차량 및 주행 환경에서 자율주행 시스템을 신속하고 일관되게 배포할 수 있도록 하기 위해.
• 자동화된 데이터 기반 파라미터 최적화를 통해 제어 성능 향상과 튜닝 효율성 향상을 위해.
• 미국과 중국에서 실제 차량을 대상으로 프레임워크를 검증하기 위해.

제안 방법

• 학습 기반의 동적 모델링 절차는 제어-인-더-루프 시뮬레이션을 위한 정확한 차량 동적 특성을 생성한다.
• 학습 기반의 오픈 루프 매핑 절차는 피드포워드 제어 파라미터 튜닝을 자동화한다.
• 베이지안 최적화 기반의 폐루프 절차는 시뮬레이션에서 피드백 컨트롤러(예: PID, LQR, MPC)의 자동 튜닝을 수행한다.
• 이 프레임워크는 세 가지 절차를 통합하여 통합적이고 종단 간 튜닝이 필요 없는 튜닝 파이프라인을 구성한다.
• 전체 튜닝 과정은 실제 배포 이전에 시뮬레이션에서 수행되어 물리적 테스트에 대한 의존도를 감소시킨다.
• 이 방법은 머신 러닝을 활용해 다양한 차량 플랫폼과 환경 조건 간 일반화 능력을 향상시킨다.

실험 결과

연구 질문

• RQ1 완전히 자동화된 인간 탈퇴 기반 프레임워크가 자율주행 시스템의 제어 파라미터 튜닝에 효과적으로 작용할 수 있는가?
• RQ2 학습 기반의 동적 모델링과 베이지안 최적화의 통합이 튜닝 효율성과 제어 성능에 어떤 영향을 미치는가?
• RQ3 이 프레임워크가 다양한 차량 및 주행 환경 간 얼마나 일반화될 수 있는가?
• RQ4 伝통적 튜닝 방법 대비 시뮬레이션 및 실제 테스트에서의 성능 향상은 어느 정도인가?

주요 결과

• 이 프레임워크는 시뮬레이션 및 실제 도로 테스트에서 제어 성능을 크게 향상시켰다.
• 파라미터 튜닝 효율성이 크게 향상되어 수동 튜닝 반복의 필요성이 감소했다.
• 이 프레임워크는 미국과 중국에서 다수의 차량 플랫폼에서 성공적으로 검증되었다.
• 베이지안 최적화의 사용으로 인간 간섭 없이 효과적이고 효율적인 폐루프 파라미터 튜닝이 가능했다.
• 학습 기반의 동적 모델링 절차는 정확한 제어 튜닝을 위한 고정밀 시뮬레이션을 가능하게 했다.
• 오픈 루프 및 폐루프 파라미터에 대한 종단 간 자동 튜닝은 확장 가능한 배포를 가능하게 했다.