[論文レビュー] Robust Model Predictive Control for Autonomous Vehicles/Self Driving Cars

Che Kun Law, Darshit Dalal+1 more|arXiv (Cornell University)|May 22, 2018

Advanced Control Systems Optimization参考文献 3被引用数 6

ひとこと要約

本論文は、非線形車両動態のオンライン逐次線形化を用いて、追従精度とロバスト性を向上させる、自律走行車両のステアリング制御のためのロバストなモデル予測制御（MPC）フレームワークを提案する。位置および速度の誤差に対して重みを調整し、線形化を行うことで、計算負荷を抑えつつも高い追従性能を達成した。非線形車両モデルを用いたシミュレーションにより、有効性が検証された。

ABSTRACT

A robust Model Predictive Control (MPC) approach for controlling front steering of an autonomous vehicle is presented in this paper. We present various approaches to increase the robustness of model predictive control by using weight tuning, a successive on-line linearization of a nonlinear vehicle model to track position error and successive on-line linearization to track velocity error. Results of the effectiveness of each method in terms of accuracy and computational load are discussed.

研究の動機と目的

• モデル不確実性および非線形動態の下でも、自律走行車両における正確な軌道追従を維持する課題に対処すること。
• 自動運転車両の前輪ステアリングシステムにおけるモデル予測制御（MPC）のロバスト性を向上させること。
• 適応的線形化と重み調整を通じて、計算負荷を抑えつつも高い追従性能を維持すること。
• リアルタイムMPC応用における制御精度と計算負荷のトレードオフを評価すること。
• 逐次的オンライン線形化が、位置および速度誤差動態の両方において有効であることを示すこと。

提案手法

• 非線形車両運動モデルに対して逐次的オンライン線形化を適用し、リアルタイムでのMPC計算を可能にする。
• 追従性能の向上を図るため、位置誤差および速度誤差動態の別々の線形化モデルを用いる。
• 追従精度と制御努力のバランスを取るために、MPCのコスト関数における重み調整を実装する。
• ステアリング角およびその変化率に制約を設けることで、物理的妥当性を確保するMPC最適化問題を定式化する。
• 各制御サイクルにおいて、現在の車両状態推定値を用いて線形化モデルを更新し、ロバスト性を向上させる。
• 車両動態の標準的な自転車モデルを用いて、シミュレーションフレームワークにMPCコントローラーを統合する。

実験結果

リサーチクエスチョン

• RQ1 位置および速度誤差の逐次的オンライン線形化は、非線形車両システムにおけるMPCの追従性能をどのように向上させるか？
• RQ2 MPCコスト関数における重み調整は、制御精度と計算負荷にどのような影響を与えるか？
• RQ3 モデル不確実性下での軌道追従性能において、提案手法のロバストMPCは標準MPCと比べてどのように異なるか？
• RQ4 オンライン線形化によって生じる計算負荷は何か。また、リアルタイム実装にどのような影響を与えるか？
• RQ5 線形化と重み調整の組み合わせにより、追従精度を損なわずにロバスト性を達成できるか？

主な発見

• 位置および速度誤差の逐次的オンライン線形化は、標準MPCと比較して、顕著に高い軌道追従精度を実現した。
• MPCコスト関数における重み調整は、制御努力を効果的に低減しつつも、高い追従性能を維持できた。
• 計算負荷は管理可能であり、標準的な自転車モデルを用いたシミュレーションでリアルタイム実行が確認された。
• 各制御サイクルでの適応的線形化のおかげで、モデル不確実性および外部乱れに対してもロバスト性を示した。
• シミュレーション結果から、曲線パスを含む多様な参照軌道において、位置および速度の追従誤差が低減された。
• ベースラインMPCと比較して、性能と計算コストのバランスが優れており、自律走行車両におけるリアルタイム実装に適していることが示された。