[논문 리뷰] Adaptive MPC for Autonomous Lane Keeping

Monimoy Bujarbaruah, Xiaojing Zhang외 2명|arXiv (Cornell University)|2018. 06. 12.

Advanced Control Systems Optimization참고 문헌 22인용 수 21

한 줄 요약

이 논문은 자율 주행 차량의 차선 유지 제어를 위한 적응형 강건 모델 예측 제어(MPC) 프레임워크를 제안한다. 이 방법은 강건한 집합 멤버십 방법을 사용하여 실시간으로 알려지지 않은 일정한 조향각 오프셋을 지속적으로 학습한다. 반복적으로 수정되는 실현 가능한 매개변수 집합(Feasible Parameter Set)과 모든 가능한 오프셋에 대해 강건한 제약 조건 만족 보장을 통해, 모델 불일치나 조건 변화가 발생하더라도 재조정 없이 안전성과 성능을 유지한다.

ABSTRACT

This paper proposes an Adaptive Robust Model Predictive Control strategy for lateral control in lane keeping problems, where we continuously learn an unknown, but constant steering angle offset present in the steering system. Longitudinal velocity is assumed constant. The goal is to minimize the outputs, which are distance from lane center line and the steady state heading angle error, while satisfying respective safety constraints. We do not assume perfect knowledge of the vehicle lateral dynamics model and estimate and adapt in real-time the maximum possible bound of the steering angle offset from data using a robust Set Membership Method based approach. Our approach is even well-suited for scenarios with sharp curvatures on high speed, where obtaining a precise model bias for constrained control is difficult, but learning from data can be helpful. We ensure persistent feasibility using a switching strategy during change of lane curvature. The proposed methodology is general and can be applied to more complex vehicle dynamics problems.

연구 동기 및 목표

• 모델 불확실성으로 인해 성능과 안전성이 저하될 수 있는 알려지지 않은 일정한 조향각 오프셋 문제를 해결한다.
• 특히 고속 주행 또는 급커브 구간에서 모델 불확실성이 존재하는 상황에서도 재귀적 실현 가능성과 강건한 제약 조건 만족을 보장한다.
• 재조정이 필요 없이 실시간으로 차량 모델을 적응시켜 장기적인 제어 성능과 강건성을 향상시킨다.
• 강건 MPC와 온라인 학습을 통합하여 안전성을 유지하면서도 시간이 지남에 따라 모델 정확도를 향상시킨다.
• 기본적인 차선 유지 문제를 넘어 더 복잡한 차량 동역학 문제에 적용 가능한 일반화 가능한 프레임워크를 개발한다.

제안 방법

• 각 시간 단계에서 참조 조향각 오프셋을 포함하는 실현 가능한 매개변수 집합(FPS)을 추정하고 반복적으로 개선하기 위해 재귀적 집합 멤버십 방법을 사용한다.
• FPS 내 모든 가능한 오프셋에 대해 제약 조건을 강제로 만족시키는 강건한 MPC 최적화 문제를 수립하여 모델 불확실성에 대한 강건성을 확보한다.
• 곡률이 변화하는 다이내믹한 도로 조건에서 재귀적 실현 가능성을 유지하기 위해 가변 곡률 도로에 대한 스위칭 전략을 적용한다.
• 시스템 안정성 향상과 일시적 응답 개선을 위해 LQR 설계에서 유도된 피드백 이득을 활용한다.
• GUROBI를 통해 실시간으로 해결 가능한 볼록 최적화 문제를 사용하여 계산의 타당성을 확보한다.
• 측정된 조향 시스템 데이터를 활용해 FPS를 반복적으로 갱신하여 온라인 모델 적응을 가능하게 한다.

실험 결과

연구 질문

• RQ1 강건한 MPC 프레임워크 내에서 알려지지 않은 일정한 조향각 오프셋을 실시간으로 추정하고 적응시킬 수 있는가?
• RQ2 시간에 따라 변화하는 도로 곡률 조건에서도 제약 조건 만족을 유지하면서 재귀적 실현 가능성이 보장될 수 있는가?
• RQ3 제안된 적응형 MPC는 노미널 모델을 사용하는 표준 강건 MPC와 비교해 제약 위반과 성능 측면에서 어떻게 다를까?
• RQ4 조향각 오프셋이 변경된 후에도 컨트롤러를 재조정 없이 얼마나 오랫동안 재사용할 수 있는가?
• RQ5 고속 주행 또는 급커브 주행 조건에서 모델 불확실성은 횡방향 제어 성능에 어떤 영향을 미치는가?

주요 결과

• 제안된 적응형 강건 MPC는 시뮬레이션을 통해 알려지지 않은 조향각 오프셋의 모든 가능한 값에 대해 재귀적 실현 가능성과 강건한 제약 조건 만족을 보장함을 입증했다.
• 실현 가능한 매개변수 집합(FPS)이 참값 주변으로 좁은 범위로 수렴함을 통해 모델 불확실성에 대한 효과적인 온라인 학습이 이루어졌음을 입증했다.
• 노미널 모델을 사용하는 표준 강건 MPC와 비교해 모델 불일치 상황에서도 심각한 제약 위반을 피하는 것으로 나타났다.
• 조향각 오프셋이 약간 변경된 경우에도 재조정 없이 성능과 안전성을 유지함을 확인했으며, 이는 표준 LQR 컨트롤러가 재조정이 필요로 하는 것과 대비된다.
• 수치 시뮬레이션 결과, 적응형 MPC는 횡방향 이탈(±4 m 이내)과 헤딩 오차(±0.7 rad 이내)가 모두 제약 조건을 충족함을 보였다.
• GUROBI를 사용한 볼록 최적화 솔버를 통해 실시간 성능를 확보하여 임베디드 구현 가능성도 확인했다.