[논문 리뷰] Synthesis of safe controller via supervised learning for truck lateral control.

Yuxiao Chen, Ayonga Hereid외 2명|arXiv (Cornell University)|2017. 12. 15.

Vehicle Dynamics and Control Systems참고 문헌 24인용 수 4

한 줄 요약

이 논문은 제어 장벽 함수(CBF)를 결합한 지도 학습을 통해 고성능을 확보하면서도 안전성을 보장하는 구동식 트럭 횡방향 제어를 위한 하이브리드 제어기를 제안한다. CBF 제약 조건 하에 최적화된 트랙토리에서 지도 학습을 통해 정책을 훈련한 후, CBF 기반 감시자 제어기를 사용하여 안전성을 보장하며, 주행선 유지 사례 연구에서 감시자의 간섭을 최소화한다.

ABSTRACT

Correct-by-construction techniques such as control barrier function (CBF) have been developed to guarantee safety for control systems as supervisory controller. However, when the supervisor intervenes, the performance is typically compromised. On the other hand, machine learning is used to synthesize controllers that inherit good properties from the training data, but safety is typically not guaranteed due to the difficulty of analysis. In this paper, supervised learning is combined with CBF to synthesize controllers that enjoy good performance with safety guarantee. First, a training set is generated by trajectory optimization that incorporates the CBF constraint for multiple initial conditions. Then a policy is trained via supervised learning that maps the feature representing the initial condition to a parameterized desired trajectory. Finally, the learning based controller is used as the student controller, and a CBF based supervisory controller on top of that guarantees safety. A case study of lane keeping for articulated trucks shows that the student controller trained by the supervised learning inherits the good performance of the training set and the CBF supervisor never or rarely intervenes.

연구 동기 및 목표

• 자율 주행 차량 제어에서 성능과 안전성 간의 상충 관계를 해결하며, 특히 복잡한 시스템인 구동식 트럭에 초점을 맞춘다.
• 순수 학습 기반 제어기의 경우 안전성 보장을 보장하지 못하고, 순수 CBF 기반 감시자 제어기의 경우 간섭 시 성능이 저하되는 한계를 극복한다.
• 학습된 제어기의 성능을 활용하면서도 CBF 기반 감시 레이어를 통해 안전성을 보장하는 프레임워크를 개발한다.
• 실세계 제어 시나리오인 구동식 트럭의 주행선 유지에 대해 제안된 방법의 효과성을 입증한다.

제안 방법

• 제어 장벽 함수(CBF) 제약 조건을 포함한 트랙토리 최적화 문제를 풀어 다수의 초기 조건에 대해 훈련 데이터셋을 생성한다.
• 초기 상태 특징에서 파arameterized 목표 트랙토리로 매핑하는 지도 학습 정책을 훈련시켜 최적화된 트랙토리에서 학습한다.
• 훈련된 정책을 학생 제어기로 구현하여 학습된 목표 트랙토리에 따라 움직이도록 한다.
• 학생 제어기 위에 실시간으로 안전 제약 조건을 강제하는 CBF 기반 감시 제어기를 구현한다.
• 학생 제어기의 트랙토리가 안전 조건을 위반할 경우에만 감시자가 간섭하도록 보장한다.
• CBF 프레임워크를 사용하여 수학적으로 안전성을 보장하면서도, 안전할 경우 학생 제어기가 자유롭게 작동하도록 한다.

실험 결과

연구 질문

• RQ1 지도 학습 기반 제어기가 CBF 제약 조건이 적용된 최적 트랙토리 데이터셋에서 고성능 특성을 유전할 수 있는가?
• RQ2 학생 제어기를 닫힌 루프 운영에서 사용할 경우, CBF 기반 감시자가 간섭 빈도를 어느 정도 줄일 수 있는가?
• RQ3 지도 학습과 CBF의 통합이 기존 CBF 전용 접근 방식에 비해 안전 보장을 유지하면서 성능 향상을 이룰 수 있는가?
• RQ4 제안된 방법은 구동식 트럭의 실세계 횡방향 제어 과제인 주행선 유지에서 어떻게 성능을 발휘하는가?

주요 결과

• 지도 학습을 통해 훈련된 학생 제어기는 훈련에 사용된 최적 트랙토리의 성능 특성을 성공적으로 재현한다.
• CBF 기반 감시 제어기는 주행선 유지 운영 중에 거의 또는 전혀 간섭하지 않으며, 이는 높은 신뢰성과 성능 저하 최소화를 시사한다.
• 학습과 CBF의 통합은 학습된 트랙토리의 가능 영역 경계 근처에서 작동할 경우에도 안전성을 유지함을 보여준다.
• 학습 기반 제어기가 CBF 감시자와 결합될 경우, 안전성을 훼손하지 않으면서도 고성능을 달성할 수 있음을 입증한다.