[논문 리뷰] BayesRace: Learning to race autonomously using prior experience

Achin Jain, Matthew O’Kelly외 2명|arXiv (Cornell University)|2020. 05. 10.

Real-time simulation and control systems참고 문헌 30인용 수 9

한 줄 요약

BayesRace는 자율 레이싱에서 시스템 식별 노력을 줄이기 위해 확장된 운동학 차량 모델의 오차를 보정하기 위해 가우시안 프로세스를 사용하는 학습 기반 모델 예측 제어 프레임워크를 제안한다. 간단한 컨트롤러에서 수집한 이전 센서 데이터를 활용하고 MPC가 생성한 데이터로 모델을 정밀화함으로써, 최소한의 튜닝으로 최적에 가까운 성능을 달성하며, 고속 자율 레이싱에서 시뮬레이션과 실제 환경 간 격차를 크게 줄인다.

ABSTRACT

Autonomous race cars require perception, estimation, planning, and control modules which work together asynchronously while driving at the limit of a vehicle's handling capability. A fundamental challenge encountered in designing these software components lies in predicting the vehicle's future state (e.g. position, orientation, and speed) with high accuracy. The root cause is the difficulty in identifying vehicle model parameters that capture the effects of lateral tire slip. We present a model-based planning and control framework for autonomous racing that significantly reduces the effort required in system identification and control design. Our approach alleviates the gap induced by simulation-based controller design by learning from on-board sensor measurements. A major focus of this work is empirical, thus, we demonstrate our contributions by experiments on validated 1:43 and 1:10 scale autonomous racing simulations.

연구 동기 및 목표

• 자율 레이싱을 위한 고정밀 차량 동역학 모델링에 도전하며, 특히 주행 능력의 한계에서의 성능을 다루는 것.
• 차량 모델 파라미터를 校정하기 위해 요구되는 시간이 오래 걸리는 시스템 식별 과정을 줄이는 것, 특히 횡방향 타이어 힘을 중심으로 한다.
• 완벽한 시뮬레이션 모델에 의존하지 않고 차량 내 센서 데이터를 학습하여 시뮬레이션-현실 격차를 해소하는 것.
• 복잡한 동역학 모델 파라미터의 수동 튜닝 없이도 공격적인 안전한 제어기 설계를 가능하게 하는 것.
• 실세계 데이터를 사용한 반복적 모델 정밀화가 제어기 성능 향상과 다양한 트랙 및 조건에서의 일반화 능력을 향상시킨다는 것을 입증하는 것.

제안 방법

• 질량과 전축 및 후축으로부터의 중력 중심의 거리를 포함한 세 가지 물리적으로 측정 가능한 파라미터만을 사용하는 확장된 운동학 모델로 시작한다.
• 가우시안 프로세스(GPs)를 사용하여 운동학 모델과 실제 차량 행동 간 잔차 동역학 오차를 모델링한다.
• 임의의 트랙에서 모델 없는 컨트롤러(예: 순수 추적)를 사용하여 수집한 센서 데이터를 기반으로 GP 모델을 훈련한다.
• 경로 추적 및 공격적인 주행을 위한 모델 예측 제어(MPC) 프레임워크에 보정된 모델을 통합한다.
• MPC 컨트롤러 자체에서 수집한 데이터를 사용하여 GP 모델을 업데이트함으로써 시간이 지남에 따라 모델 정확도를 향상시킨다.
• 순수 추적에서 확보한 초기 데이터와 새로운 MPC 생성 데이터를 조합하여 GP 모델을 재학습함으로써, 명목 모델을 실제 동역학과 점차로 일치시킨다.

실험 결과

연구 질문

• RQ1 데이터 기반 가우시안 프로세스를 사용하여 단순한 운동학 모델을 효과적으로 보정할 수 있는가? 자율 레이싱에서 고정밀 차량 동역학 모델링을 달성할 수 있는가?
• RQ2 최적화되지 않은 컨트롤러에서의 사전 경험은 자율 레이싱에서 시간이 오래 걸리는 시스템 식별의 필요성을 얼마나 줄일 수 있는가?
• RQ3 MPC가 생성한 데이터를 사용한 반복적 모델 정밀화가 제어기 성능 향상과 모델 불일치 감소에 얼마나 기여하는가?
• RQ4 완벽한 차량 동역학 지식이 없이도 제안된 방법이 자율 레이싱에서 시뮬레이션-현실 격차를 메울 수 있는가?
• RQ5 모델 불확실성이 MPC 성능에 미치는 영향은 무엇이며, 활성 데이터 수집과 GP 기반 보정을 통해 이를 어떻게 줄일 수 있는가?

주요 결과

• 확장된 운동학 모델을 보정하기 위해 가우시안 프로세스를 사용함으로써 차량 상태 추정(위치, 속도, 야우 레이트)의 예측 오차가 크게 감소한다.
• MPC 기반 데이터 수집 후 한 바퀴 주행 후, 업데이트된 GP 모델은 초기 모델에서 관찰된 불확실성의 대부분을 억제하며, 특히 고곡률 영역에서 두드러진다.
• 최종 보정된 모델, $ f_{\text{corr}}^{\text{1}} $는 실제 차량 동역학과 거의 동일한 성능을 보이며, 진정한 동역학 지식을 모두 알고 있는 최적의 MPC 솔루션과 거의 동일한 성능을 달성한다.
• 업데이트된 GP 모델을 사용한 BayesRace 컨트롤러는 궤적 추적 및 입력 프로파일에서 진정한 동역학 지식을 모두 알고 있는 최적의 MPC 솔루션과 거의 구분되지 않는다.
• 수동 시스템 식별의 필요성이 감소하여, 복잡한 동역학 파라미터 튜닝 없이도 공격적인 컨트롤러를 신속하게 구현할 수 있다.
• 다양한 트랙과 조건에서도 일반화가 가능하며, 1:43 및 1:10 스케일 자율 레이싱 플랫폼 모두에서 이를 입증하였다.