[论文解读] Game-Theoretic Model Predictive Control with Data-Driven Identification of Vehicle Model for Head-to-Head Autonomous Racing

Chanyoung Jung, Seung-Wook Lee+3 more|arXiv (Cornell University)|Jun 8, 2021

Autonomous Vehicle Technology and Safety参考文献 10被引用 16

一句话总结

本文提出了一种基于数据驱动的车辆动力学识别的游戏理论模型预测控制（MPC）框架，用于一对一的自动驾驶竞速。该框架集成了基于斯塔克尔伯格博弈的轨迹预测器、高层赛事策略规划器以及基于MPC的底层控制器，并采用超次带算法优化非线性轮胎模型参数。该方法在仿真中实现了1.1秒的单圈时间提升，并实现了安全超车而无碰撞。

ABSTRACT

Resolving edge-cases in autonomous driving, head-to-head autonomous racing is getting a lot of attention from the industry and academia. In this study, we propose a game-theoretic model predictive control (MPC) approach for head-to-head autonomous racing and data-driven model identification method. For the practical estimation of nonlinear model parameters, we adopted the hyperband algorithm, which is used for neural model training in machine learning. The proposed controller comprises three modules: 1) game-based opponents' trajectory predictor, 2) high-level race strategy planner, and 3) MPC-based low-level controller. The game-based predictor was designed to predict the future trajectories of competitors. Based on the prediction results, the high-level race strategy planner plans several behaviors to respond to various race circumstances. Finally, the MPC-based controller computes the optimal control commands to follow the trajectories. The proposed approach was validated under various racing circumstances in an official simulator of the Indy Autonomous Challenge. The experimental results show that the proposed method can effectively overtake competitors, while driving through the track as quickly as possible without collisions.

研究动机与目标

• 为应对与多名对手进行安全、高速一对一自动驾驶竞速的挑战。
• 通过将对手行为建模为非合作博弈，提升其轨迹预测的准确性。
• 通过数据驱动识别非线性车辆模型参数，提升MPC性能。
• 将高层赛事策略规划与底层控制集成，以应对动态竞速场景。
• 在多样化竞速条件下，于真实模拟器中验证控制器性能。

提出的方法

• 采用斯塔克尔伯格博弈理论框架，基于战略互动预测对手的未来轨迹。
• 利用超次带算法对非线性 Pacejka 轮胎模型参数进行数据驱动优化。
• 提出三模块控制器：基于博弈的预测器、高层赛事策略规划器以及基于MPC的底层控制器。
• 在超次带优化过程中引入高斯变异，以逃离参数搜索中的局部极小值。
• 使用真实的印第安纳自主挑战模拟器，在多种竞速场景下评估性能。
• 将所提出的基于博弈的预测器与扩展卡尔曼滤波（EKF）基线方法在轨迹预测方面进行对比。

实验结果

研究问题

• RQ1 基于博弈理论的MPC框架能否有效预测并响应一对一自动驾驶竞速中对手的策略？
• RQ2 通过数据驱动的超次带优化车辆模型参数，如何提升MPC的精度与控制性能？
• RQ3 高层赛事策略规划器对超车效率与单圈时间有何影响？
• RQ4 基于博弈的预测器与传统的EKF预测方法在碰撞规避方面表现如何？
• RQ5 该集成控制器在多大程度上实现了无碰撞的安全高速竞速？

主要发现

• 所提出的基于博弈的轨迹预测器在EKF方法失败导致DNF（未完成）的情况下成功避免了碰撞。
• 采用基于博弈的预测器与高层策略规划器后，单圈时间相比未使用规划器的53.135秒，缩短至52.051秒，减少了1.1秒。
• 高层赛事策略规划器使本车能够通过气动尾流效应，保持在对手后方的紧密、高速位置，从而提升整体推进效率。
• 控制器在比赛初期高互动场景下成功执行了无碰撞的超车操作。
• 经超次带优化的车辆模型显著提升了MPC的预测精度，减少了控制时域内模型误差的传播。
• 该方法在高度真实的赛车模拟器中，于多样化竞速条件下表现出实时可行性与鲁棒性。