[논문 리뷰] Gaussian Process-based Stochastic Model Predictive Control for Overtaking in Autonomous Racing

Tim Brüdigam, Alexandre Capone외 3명|arXiv (Cornell University)|2021. 05. 25.

Advanced Control Systems OptimizationEngineering인용 수 21

한 줄 요약

이 논문은 레이싱 환경에서 자율 주행 차량이 후행 차량이 선도 차량의 행동을 가우시안 프로세스 회귀를 통해 학습하고 불확실성 하에서 안전하고 낙관적인 추월 경로를 계획하기 위해 가우시안 프로세스 기반의 스토하스틱 모델 예측 제어(GP-SMPC) 프레임워크를 제안한다. 이 방법은 선도 차량의 운동을 예측적으로 모델링하고 확률적 제약 조건을 처리함으로써 능동적인 추월을 가능하게 하며, 직선 주행 코스에서의 시뮬레이션 시나리오에서 성공적인 경로 계획을 통해 검증되었다.

ABSTRACT

A fundamental aspect of racing is overtaking other race cars. Whereas previous research on autonomous racing has majorly focused on lap-time optimization, here, we propose a method to plan overtaking maneuvers in autonomous racing. A Gaussian process is used to learn the behavior of the leading vehicle. Based on the outputs of the Gaussian process, a stochastic Model Predictive Control algorithm plans optimistic trajectories, such that the controlled autonomous race car is able to overtake the leading vehicle. The proposed method is tested in a simple simulation scenario.

연구 동기 및 목표

• 자율 레이싱에서 주로 랩 타임 최적화에 집중되어 온 능동적 추월 전략의 부족을 해결하기 위해.
• 선도 차량의 행동을 예측하고 안전하고 낙관적인 조작을 계획함으로써 후행 자율 차량이 선도 차량을 능동적으로 추월할 수 있도록 하기 위해.
• 선도 차량의 운동에 대한 불확실성을 모델링하기 위해 가우시안 프로세스 회귀를 통합하고, 강건한 경로 계획을 위해 스토하스틱 모델 예측 제어를 활용하기 위해.
• 자율 차량이 추월 시 선도 차량의 주행 패턴에서 약점을 식별하고 이용할 수 있도록 하는 프레임워크를 개발하기 위해.

제안 방법

• 선도 차량의 운동 역사 데이터를 기반으로 가우시안 프로세스(GP)를 훈련시어 향후 경로를 예측하고 모델 불확실성을 정량화한다.
• GP 예측 결과를 사용하여 스토하스틱 모델 예측 제어(SMPC) 프레임워크의 확률적 제약 조건을 생성함으로써 불확실성 하에서도 안전성을 확보한다.
• 카이제곱 분포를 가진 랜덤 변수를 사용하여 제약 조건을 강화함으로써 확률적 제약 조건을 결정론적 등가로 변환한다.
• 상태 및 제어 입력 제약 조건이 있는 2차 프로그래밍 문제로 SMPC 문제를 공식화하며, 기준 경로에서의 편차를 최소화하면서 안전 마진을 준수한다.
• 예측을 위해 자동차의 선형화 및 이산화된 모델을 사용하고, 시뮬레이션에서 비선형 연속 시간 모델에 최적화된 제어 입력을 적용한다.
• SMPC 문제의 비가능성이 발생할 경우 이전의 해를 유지함으로써 실시간 실행 중 강건성을 확보한다.

실험 결과

연구 질문

• RQ1 선도 차량이 추월을 수동적으로 허용하지 않는 상황에서 자율 레이싱 차량은 어떻게 능동적으로 추월할 수 있는가?
• RQ2 가우시안 프로세스 회귀가 선도 레이싱 차량의 행동을 효과적으로 모델링하여 추월 결정을 지원할 수 있는가?
• RQ3 스토하스틱 모델 예측 제어는 선도 차량의 운동 불확실성 하에서 낙관적이면서도 안전한 추월 경로를 어떻게 계획할 수 있는가?
• RQ4 확률적 제약 조건 처리 방식은 자율 레이싱에서 추월 조작의 가능성과 안전성에 어떤 영향을 미치는가?
• RQ5 GP 기반 예측과 SMPC의 통합은 자동차가 유리한 추월 기회를 식별하고 이용할 수 있도록 하는가?

주요 결과

• GP-SMPC 프레임워크는 시뮬레이션된 직선 주행 코스에서 타당한 추월 경로를 성공적으로 생성하여 낙관적이면서도 안전한 조작 계획 능력을 입증했다.
• 이 방법은 GP가 예측한 선도 차량 운동의 일시적 간격을 식별하고 이용함으로써 자동차가 선도 차량을 추월할 수 있도록 했다.
• 카이제곱 분포를 가진 변수를 통한 확률적 제약 조건 적용으로 충돌 확률이 사전 정의된 기준 이하로 유지되어 안전성이 향상되었다.
• 제약 조건 강화를 통한 SMPC 공식화로 모델 불확실성 하에서도 가용성이 유지되었으며, 비가용성 사례는 이전 제어 입력을 유지함으로써 처리되었다.
• 시뮬레이션 결과는 GP 기반 행동 모델링과 SMPC의 통합이 랩 타임 최적화에 집중된 이전 자율 레이싱 연구에서 거의 부재했던 능동적 추월 기능을 가능하게 한다는 것을 확인했다.