[논문 리뷰] Contextual Tuning of Model Predictive Control for Autonomous Racing

Lukas P. Fröhlich, Christian Küttel외 4명|arXiv (Cornell University)|2021. 10. 06.

Gaussian Processes and Bayesian Inference참고 문헌 32인용 수 9

한 줄 요약

이 논문은 환경 조건을 맥락 변수로 코딩하는 학습된 동역학 모델을 활용하여 자율 레이싱을 위한 더 빠르고 효율적인 컨트롤러 튜닝을 가능하게 하는 맥락 기반 베이지안 최적화 프레임워크를 제안한다. 다양한 주행 조건과 차량 간 지식 전이를 통해 새로운 맥락에서 수렴 속도를 가속화함으로써 랩 타임 최적화 시간을 단축시키며, 1:28 스케일 RC 차량을 대상으로 2,000랩 이상의 검증을 통해 성능을 입증하였다.

ABSTRACT

Learning-based model predictive control has been widely applied in autonomous racing to improve the closed-loop behaviour of vehicles in a data-driven manner. When environmental conditions change, e.g., due to rain, often only the predictive model is adapted, but the controller parameters are kept constant. However, this can lead to suboptimal behaviour. In this paper, we address the problem of data-efficient controller tuning, adapting both the model and objective simultaneously. The key novelty of the proposed approach is that we leverage a learned dynamics model to encode the environmental condition as a so-called context. This insight allows us to employ contextual Bayesian optimization to efficiently transfer knowledge across different environmental conditions. Consequently, we require fewer data to find the optimal controller configuration for each context. The proposed framework is extensively evaluated with more than 3'000 laps driven on an experimental platform with 1:28 scale RC race cars. The results show that our approach successfully optimizes the lap time across different contexts requiring fewer data compared to other approaches based on standard Bayesian optimization.

연구 동기 및 목표

• precipitation 또는 강우로 인한 타이어 접지력 감소와 같은 환경 조건 변화로 인한 컨트롤러 성능 저하 문제를 해결하기 위해.
• 이전 실험에서 확보한 맥락 정보를 활용하여 컨트롤러 튜닝의 샘플 효율성을 향상시키기 위해.
• 다른 차량과 주행 조건 간 지식 전이 기능을 통해 새로운 맥락에서 최적 튜닝을 위한 랩 수를 줄이기 위해.
• 로봇 분야에서 맥락 기반 베이지안 최적화의 첫 하드웨어 구현을 보여주기 위해, 1:28 스케일 RC 레이싱 플랫폼을 활용하였다.

제안 방법

• 이전 랩의 텔레메트리 데이터를 기반으로 훈련된 파라미터화된 잔차 동역학 모델을 사용하여 환경 조건을 맥락 변수로 표현한다.
• 목적 함수(정규화된 랩 타임)를 표현하기 위해 가우시안 프로세스 대체 모델을 사용하며, 맥락에 따라 달라지는 초모수를 가진다.
• 이전 맥락에서 확보한 데이터를 활용하여 대체 모델을 초기화함으로써 맥락 기반 베이지안 최적화를 적용하여 MPC 컨트롤러 가중치(Q_adv 및 Q_cont)를 튜닝한다.
• 매 랩마다 새로운 텔레메트리 데이터를 사용하여 동역학 모델을 재추정함으로써 맥락 변수(회귀 계수)가 변화하는 조건에 적응하도록 한다.
• 다양한 맥락에서의 데이터를 기반으로 가우시안 프로세스 대체 모델을 사전 훈련함으로써 새로운 맥락에서의 수렴 속도를 가속화함으로써 지식 전이를 달성한다.
• 프레임워크는 ROS에 구현되어 오픈소스로 제공되며, 로봇 제어 파이프라인에의 통합을 가능하게 한다.

실험 결과

연구 질문

• RQ1 precipitation 또는 트랙의 접지력 변화와 같은 환경 조건이 컨트롤러 튜닝을 위한 동역학 모델의 맥락 변수로 효과적으로 표현될 수 있는가?
• RQ2 기본 베이지안 최적화 대비 맥락 기반 베이지안 최적화가 MPC 컨트롤러 튜닝에서 샘플 효율성을 얼마나 향상시키는가?
• RQ3 다른 차량과 조건에서 확보한 이전 실험의 지식이 새로운 맥락에서 튜닝 속도를 얼마나 빠르게 만들 수 있는가?
• RQ4 저차원의 파라미터화된 동역학 모델이 강우로 인한 접지력 감소와 같은 맥락 변화를 신뢰성 있게 포괄할 수 있는가?
• RQ5 맥락 기반 튜닝을 사용할 경우 표준 튜닝 대비 랩 타임 최적화 속도에서 어떤 성능 향상이 이루어지는가?

주요 결과

• 맥락 기반 베이지안 최적화가 초기 튜닝 단계에서 수렴 속도를 가속화함으로써 최적 컨트롤러 파라미터를 찾기 위한 랩 수를 감소시켰다.
• 이전 실험에서 확보한 사전 훈련된 대체 모델을 활용하여 새로운 맥락에서 더 빠른 최적화를 달성했으며, 첫 번째 반복에서도 양호한 성능을 기록했다.
• 잔차 동역학 모델의 회귀 계수는 다양한 맥락(예: 드라이 vs. 웨트) 간에 명확하게 구분되었으며, 이는 맥락 기술자로서의 적합성을 확인했다.
• 프레임워크는 1:28 스케일 RC 레이싱 차량에서 성공적으로 하드웨어 구현되었으며, 총 2,000랩 이상 주행 테스트를 수행하였다.
• 맥락 기반 베이지안 최적화의 오픈소스 ROS 구현은 더 넓은 보급과 로봇 제어 시스템에의 통합을 가능하게 하였다.