[논문 리뷰] Cautious NMPC with Gaussian Process Dynamics for Miniature Race Cars.

Lukas Hewing, Alexander Liniger외 1명|arXiv (Cornell University)|2017. 11. 17.

Advanced Control Systems Optimization인용 수 6

한 줄 요약

이 논문은 실시간으로 불확실한 레이싱 모델을 학습하고 개선하는 가우시안 프로세스(GP) 역학을 사용하는 경계가 있는 비선형 모델 예측 제어(NMPC) 프레임워크를 제안한다. 잔여 불확실성을 확률적 제약 조건과 동적으로 조정되는 유도 입력을 갖는 희소 GP를 통해 통합함으로써, 비학습 기반 NMPC에 비해 더 빠른 랩 타임과 향상된 제약 조건 이행을 달성하며, 더 안전하고 고성능의 자율 레이싱을 가능하게 한다.

ABSTRACT

This paper presents an adaptive high performance control method for autonomous miniature race cars. Racing dynamics are notoriously hard to model from first principles, which is addressed by means of a cautious nonlinear model predictive control (NMPC) approach that learns to improve its dynamics model from data and safely increases racing performance. The approach makes use of a Gaussian Process (GP) and takes residual model uncertainty into account through a chance constrained formulation. We present a sparse GP approximation with dynamically adjusting inducing inputs, enabling a real-time implementable controller. The formulation is demonstrated in simulations, which show significant improvement with respect to both lap time and constraint satisfaction compared to an NMPC without model learning.

연구 동기 및 목표

• 미니어처 자율 주행 차량에서 복잡하고 고속의 레이싱 역학을 정확하게 모델링하는 도전 과제를 해결한다.
• 모델 불확실성 하에서 안전성을 확보하면서도 레이싱 성능을 향상시킨다.
• 데이터에서 학습하고 역학 모델을 적응시키는 실시간 구현 가능한 제어 프레임워크를 개발한다.
• 제약 조건 이행을 유지하기 위해 제어 공식에 불확실성 정량화를 통합한다.
• 고정 모델 기반 NMPC에 비해 데이터 기반 모델 학습이 자율 레이싱 시나리오에서 어떤 이점을 제공하는지 입증한다.

제안 방법

• 미니어처 레이스카의 알 수 없는 또는 불확실한 역학을 모델링하기 위해 가우시안 프로세스(GP)를 통합한 경계가 있는 NMPC 컨트롤러를 수립한다.
• 잔여 모델 불확실성을 제어 제약 조건에 명시적으로 반영하기 위해 확률적 제약 조건 설정을 사용한다.
• 계산 비용을 줄이고 실시간 실행을 가능하게 하기 위해 동적으로 조정되는 유도 입력을 갖는 희소 GP 근사를 적용한다.
• 수집된 레이싱 데이터를 기반으로 온라인에서 GP 모델을 적응시켜 예측 정확도와 제어 성능을 향상시킨다.
• 학습된 GP 역학을 NMPC 최적화 문제에 통합하여, 불확실성 인식 제약 조건을 통해 성능과 안전성을 균형 잡는다.
• 현재 GP 기반 모델과 불확실성 범위를 사용하여 매 시간 단위마다 제어 동작을 재계산하는 실시간 최적화 기법을 활용한다.

실험 결과

연구 질문

• RQ1 데이터 기반 GP 기반 역학 모델이 고속의 미니어처 레이스카 레이싱에서 제어 성능을 향상시킬 수 있는가?
• RQ2 확률적 제약 조건을 통해 잔여 모델 불확실성을 통합할 경우, 공격적인 레이싱에서 제약 조건 이행과 안전성에 어떤 영향을 미치는가?
• RQ3 적응형 유도 입력을 갖는 희소 GP는 NMPC 컨트롤러의 실시간 실행 가능성을 어느 정도 향상시킬 수 있는가?
• RQ4 데이터에서 학습함으로써 고정 모델 기반 NMPC에 비해 더 빠른 랩 타임을 달성하면서도 제약 조건 이행을 유지하거나 향상시킬 수 있는가?
• RQ5 모델 불확실성 하에서 경계가 있는 NMPC가 GP 역학을 갖는 표준 NMPC에 비해 안정성과 성능 면에서 어떻게 비교되는가?

주요 결과

• 제안된 경계가 있는 NMPC와 GP 역학은 모델 학습이 없는 표준 NMPC에 비해 뚜렷이 빠른 랩 타임을 달성한다.
• 확률적 제약 조건을 통해 모델 불확실성을 명시적으로 다룸으로써 컨트롤러는 더 뛰어난 제약 조건 이행 성능을 보인다.
• 동적으로 조정되는 유도 입력을 갖는 희소 GP는 실시간 계산을 가능하게 하여 컨트롤러의 온라인 배포 가능성을 확보한다.
• GP 모델이 수집된 레이싱 데이터를 기반으로 학습함에 따라 성능이 시간이 지남에 따라 향상되며, 역학 표현이 정교해진다.
• 모델 정확도 부족의 영향을 제한함으로써 고속 주행 동안 안전 마진을 유지한다.
• 시뮬레이션 결과는 불확실성 인식 제어 통합이 더 견고하고 신뢰할 수 있는 레이싱 성능을 이끌어낸다는 것을 확인한다.