[논문 리뷰] Game-Theoretic Model Predictive Control with Data-Driven Identification of Vehicle Model for Head-to-Head Autonomous Racing

Chanyoung Jung, Seung-Wook Lee외 3명|arXiv (Cornell University)|2021. 06. 08.

Autonomous Vehicle Technology and Safety참고 문헌 10인용 수 16

한 줄 요약

이 논문은 헤드-투-헤드 자율 레이싱을 위한 데이터 기반 차량 동역학 식별을 통합한 게임 이론적 모델 예측 제어(MPC) 프레임워크를 제안한다. 스택엘베르크 게임 기반의 궤적 예측기, 고수준 레이스 전략 기획기, MPC 기반 저수준 제어기를 통합하며, 비선형 타이어 모델 파라미터 최적화를 위해 하이퍼밴드 알고리즘을 사용한다. 시뮬레이션에서 1.1초의 랩 타임 향상과 충돌 없이 안전한 추월을 가능하게 한다.

ABSTRACT

Resolving edge-cases in autonomous driving, head-to-head autonomous racing is getting a lot of attention from the industry and academia. In this study, we propose a game-theoretic model predictive control (MPC) approach for head-to-head autonomous racing and data-driven model identification method. For the practical estimation of nonlinear model parameters, we adopted the hyperband algorithm, which is used for neural model training in machine learning. The proposed controller comprises three modules: 1) game-based opponents' trajectory predictor, 2) high-level race strategy planner, and 3) MPC-based low-level controller. The game-based predictor was designed to predict the future trajectories of competitors. Based on the prediction results, the high-level race strategy planner plans several behaviors to respond to various race circumstances. Finally, the MPC-based controller computes the optimal control commands to follow the trajectories. The proposed approach was validated under various racing circumstances in an official simulator of the Indy Autonomous Challenge. The experimental results show that the proposed method can effectively overtake competitors, while driving through the track as quickly as possible without collisions.

연구 동기 및 목표

• 다수의 상대방이 있는 안전하고 고속의 헤드-투-헤드 자율 레이싱 문제를 해결하기 위해.
• 비협력 게임으로 모델링한 상대의 행동을 통해 경쟁자 궤적 예측을 향상시키기 위해.
• 비선형 차량 모델 파라미터의 데이터 기반 식별을 통해 MPC 성능을 향상시키기 위해.
• 다이나믹 레이싱 시나리오에서 고수준 레이스 전략 기획과 저수준 제어를 통합하기 위해.
• 다양한 레이싱 조건 하에서 현실적인 시뮬레이터에서 제어기 성능을 검증하기 위해.

제안 방법

• 전략적 상호작용을 기반으로 상대의 향후 궤적을 예측하기 위해 스택엘베르크 게임 이론 프레임워크를 사용한다.
• 비선형 페이스지카 타이어 모델 파라미터의 데이터 기반 최적화를 위해 하이퍼밴드 알고리즘을 활용한다.
• 게임 기반 예측기, 고수준 레이스 전략 기획기, MPC 기반 저수준 제어기를 포함한 3모듈 제어기 구조를 도입한다.
• 파rameter 검색 중 局부 최소값에 갇히는 것을 방지하기 위해 하이퍼밴드 최적화 과정에서 가우시안 변형을 적용한다.
• 다양한 레이싱 시나리오에서 성능을 평가하기 위해 현실적인 인디 애슬로노미크 챌린지 시뮬레이터를 사용한다.
• 궤적 예측 성능을 비교하기 위해 제안된 게임 기반 예측기와 확장된 칼만 필터(EKF) 기반 기준 모델을 비교한다.

실험 결과

연구 질문

• RQ1 게임 이론적 MPC 프레임워크는 헤드-투-헤드 자율 레이싱에서 상대의 전략을 효과적으로 예측하고 대응할 수 있는가?
• RQ2 차량 모델 파라미터의 데이터 기반 하이퍼밴드 최적화는 MPC 정확도와 제어 성능을 어떻게 향상시키는가?
• RQ3 고수준 레이스 전략 기획기가 추월 효율성과 랩 타임에 어떤 영향을 미치는가?
• RQ4 게임 기반 예측기는 전통적인 EKF 기반 예측과 비교해 충돌 회피에 어떤 영향을 미치는가?
• RQ5 통합된 제어기는 충돌 없이 안전하고 고속의 레이싱을 얼마나 잘 수행할 수 있는가?

주요 결과

• 제안된 게임 기반 궤적 예측기는 EKF 기반 방법이 실패한 상황에서 충돌을 방지했으며, 이로 인해 DNF(Did Not Finish) 결과를 피할 수 있었다.
• 게임 기반 예측기와 고수준 전략 기획기를 통합한 결과, 기획기가 없는 경우 53.135초 대비 1.1초 향상된 52.051초의 랩 타임을 기록했다.
• 고수준 레이스 전략 기획기는 공기역학적 뒷따름(aero-drafting)을 활용해 상대 차량 뒤에 가까운 거리에서 고속 주행을 유지함으로써 전반적인 진전을 향상시켰다.
• 특히 레이스 초반의 고상호작용 상황에서도 충돌 없이 추월 조작을 성공적으로 수행했다.
• 하이퍼밴드 최적화를 통해 도출된 차량 모델은 MPC의 예측 정확도를 크게 향상시켜 제어 수평 동안 모델 오차 전파를 줄였다.
• 다양한 레이싱 조건 하에서 매우 현실적인 레이싱 시뮬레이터에서 실시간 구현 가능성과 강건성을 입증했다.