[논문 리뷰] Robust Modeling and Controls for Racing on the Edge

Joshua Spisak, Andrew Saba외 6명|arXiv (Cornell University)|2022. 05. 22.

Modeling and Simulation Systems인용 수 8

한 줄 요약

이 논문은 순수 추적(pure-pursuit)과 LQR 기반 횡방향 제어를 조합하고, 타이어 마찰력과 항공력의 온라인 추정을 통해 변화하는 차량 및 환경 조건에 동적으로 적응할 수 있는 안정적인 고속 주행이 가능한 실시간 제어 스택을 제시한다. 이는 주행 한계에 가까운 안전한 주행을 가능하게 한다.

ABSTRACT

Race cars are routinely driven to the edge of their handling limits in dynamic scenarios well above 200mph. Similar challenges are posed in autonomous racing, where a software stack, instead of a human driver, interacts within a multi-agent environment. For an Autonomous Racing Vehicle (ARV), operating at the edge of handling limits and acting safely in these dynamic environments is still an unsolved problem. In this paper, we present a baseline controls stack for an ARV capable of operating safely up to 140mph. Additionally, limitations in the current approach are discussed to highlight the need for improved dynamics modeling and learning.

연구 동기 및 목표

• 레이싱과 같은 동적이고 고동적 하중 환경에서 극한 속도에서 자율 주행 차량 제어의 과제를 해결한다.
• 빠르게 변화하는 조건(타이어 마모, 온도, 바람 등)에서도 안정성과 성능을 유지하는 실시간 적응형 제어 프레임워크를 개발한다.
• 특히 타이어 마찰력과 항공력과 같은 핵심 차량 동역학 파라미터의 온라인 추정을 통해 제어 정확도와 안전성을 향상시킨다.
• 기본 시스템을 구현하여 안전하고 고속의 자율 주행 레이싱을 가능하게 하며, 향후 자율 주행 차량 제어 분야의 발전을 위한 기반을 마련한다.

제안 방법

• 경로 추종을 위한 순수 추적과 최적 피드백 제어를 위한 LQR를 조합한 하이브리드 추적 제어기를 사용하여 안정성과 반응성을 확보한다.
• 차량 상태 및 센서 데이터로부터 실시간으로 추정하는 시간에 따라 변화하는 코너링 스타일 계수 파rameters ($C_f$, $C_r$)를 갖는 선형화된 Pacejka 타이어 모델을 적용한다.
• RTK-GNSS, 자이로스코프, 차량 상태 데이터로부터 자기지도 학습(self-supervised learning)을 사용해 타이어 마찰 계수와 항공력(항력 및 다운포스)을 온라인 추정하는 모델링 파이프라인을 도입한다.
• 트랙 경사, 엔진 토크, 근처의 다른 차량 위치를 입력으로 사용하여 실시간으로 항공력 영향과 모델 오차를 예측한다.
• 모델링되지 않은 동역학을 포괄하기 위해 가우시안 프로세스 회귀(Gaussian Process Regression, GPR) 기반 오차 모델을 적용하여 갑작스러운 외란과 모델 불확실성에 대한 강건성을 향상시킨다.
• 학습된 동역학 모델을 실시간으로 적용하여 후보 경로를 최적화하고 제어기 내 향후 상태 예측을 향상시킨다.

실험 결과

연구 질문

• RQ1 140mph 이상의 속도에서 자율 레이싱 차량의 실시간 제어 스택이 어떻게 안정성과 성능을 유지할 수 있는가?
• RQ2 변동하는 환경 조건에서 제어 강건성을 향상시키기 위해 타이어 마찰력과 항공력의 온라인 추정이 어떤 역할을 하는가?
• RQ3 차량 센서와 차량 상태 데이터로부터의 자기지도 학습이 타이어 노후화 및 바람 영향과 같은 복잡하고 시간에 따라 변화하는 동역학을 효과적으로 모델링할 수 있는가?
• RQ4 순수 추적과 LQR를 조합한 제어 방식이 고속 주행 상황에서 단독으로 사용되는 기존 방법에 비해 경로 추적 성능을 얼마나 향상시키는가?
• RQ5 자율 레이싱에서 차량 동역학 모델의 온라인 적응이 정적 또는 사전 校정된 모델에 대한 의존도를 얼마나 줄일 수 있는가?

주요 결과

• 제안된 제어 스택는 주행 한계에 가까운 조건에서 안정적이고 안전한 자율 주행을 140mph 속도까지 가능하게 하여 실현 가능성을 입증한다.
• 타이어 코너링 스타일 계수($C_f$, $C_r$)의 온라인 추정은 타이어 온도, 압력, 마모의 실시간 변화에 적응함으로써 제어 정확도를 크게 향상시킨다.
• 센서 데이터와 차량 상태로부터 항력과 다운포스를 자기지도 학습으로 추정함으로써 바람과 트랙 상태 변화와 같은 환경 외란에 실시간으로 적응할 수 있다.
• GPR 기반 오차 모델의 통합은 주행 중 근처 차량의 항공력 영향과 트랙 경사 등 모델링되지 않은 동역학을 포괄함으로써 강건성을 향상시킨다.
• 하이브리드 순수 추적 및 LQR 제어기는 고속, 고동적 하중 조건에서 경로 추적 정확도와 안정성 측면에서 기존 방법보다 뛰어난 성능을 보였다.
• 간단한 제어 아키텍처에서도 온라인 동역학 모델링이 고성능 자율 주행을 달성하기 위해 필수적임을 시스템이 입증했다.