[论文解读] BayesRace: Learning to race autonomously using prior experience

Achin Jain, Matthew O’Kelly+2 more|arXiv (Cornell University)|May 10, 2020

Real-time simulation and control systems参考文献 30被引用 9

一句话总结

BayesRace 提出了一种基于学习的模型预测控制框架，通过使用高斯过程校正扩展运动学车辆模型中的误差，显著减少了在高速自主竞速中系统辨识的工作量。该方法利用来自简单控制器的先验传感器数据，并通过 MPC 生成的数据对模型进行优化，仅需极少调参即可实现接近最优的性能，显著缩小了高速自主竞速中的仿真到现实的差距。

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.

研究动机与目标

• 解决在车辆操控极限状态下高保真车辆动力学建模的挑战，特别是在高速竞速场景中。
• 减少校准车辆模型参数（尤其是侧向轮胎力）所耗费的大量时间的系统辨识过程。
• 通过从车载传感器数据中学习，而非依赖完美仿真模型，来弥合仿真到现实的差距。
• 实现在无需手动调校复杂动态模型参数的前提下，设计激进且安全的控制器。
• 证明通过真实世界数据迭代优化模型可提升控制器性能，并增强在不同赛道和条件下的泛化能力。

提出的方法

• 从仅包含三个物理可测参数（质量，质心到前后轴的距离）的扩展运动学模型出发。
• 使用高斯过程（GPs）对运动学模型与真实车辆行为之间的残差动力学误差进行建模。
• 利用在任意赛道上使用无模型控制器（如纯 Pursuit）采集的传感器数据训练 GP 模型。
• 将校正后的模型集成到模型预测控制（MPC）框架中，用于轨迹跟踪和激进操控。
• 通过运行 MPC 控制器自身收集的数据更新 GP 模型，从而随时间逐步提高模型精度。
• 将初始的纯 Pursuit 数据与新的 MPC 生成数据结合，重新训练 GP 模型，逐步使名义模型与真实动力学对齐。

实验结果

研究问题

• RQ1 能否通过数据驱动的高斯过程有效校正一个简单的运动学模型，实现在自主竞速中高保真车辆动力学建模？
• RQ2 先前使用非优化控制器的经验在多大程度上可减少自主竞速中耗时的系统辨识需求？
• RQ3 使用 MPC 生成的数据进行迭代模型优化在多大程度上能提升控制器性能并减少模型失配？
• RQ4 所提出的方案是否能在无需事先掌握精确车辆动力学知识的前提下，弥合自主竞速中的仿真到现实差距？
• RQ5 模型不确定性对 MPC 性能有何影响？如何通过主动数据采集与基于 GP 的校正来降低该影响？

主要发现

• 使用高斯过程校正扩展运动学模型可显著降低车辆状态估计（位置、速度、偏航率）的预测误差。
• 在 MPC 驱动的数据收集完成一圈后，更新后的 GP 模型抑制了初始模型中观察到的大部分不确定性，尤其是在高曲率区域。
• 最终校正后的模型 $ f_{\text{corr}}^{\text{1}} $ 与真实车辆动力学高度接近，表现为与已知真实动力学的最优 MPC 解性能几乎完全一致。
• 采用更新后 GP 模型的 BayesRace 控制器实现了与使用完整动力学知识的最优 MPC 解几乎无法区分的轨迹跟踪和输入轨迹。
• 该方法显著减少了对手动系统辨识的需求，实现了在无需调校复杂动态参数的前提下快速部署激进控制器。
• 该方法在不同赛道和条件下具有良好的泛化能力，已在 1:43 和 1:10 比例的自主竞速平台中得到验证。