A Multi-step Dynamics Modeling Framework For Autonomous Driving In Multiple Environments

Autoren: Jason Gibson, Bogdan Vlahov, David Fan, Patrick Spieler, Daniel Pastor, Ali-akbar Agha-mohammadi, Evangelos A. Theodorou · ICRA 2023

Lizenzen

Open Access
Paper: CC BY 4.0

Alles Folgende stützt sich auf das vollständige Paper unter seiner Lizenz CC BY 4.0; die Abbildung wird mit Nennung der Autoren gezeigt.

Kurz gesagt

Initialisierte LSTMs in einem physikbasierten Hybridmodell, trainiert mit einem integrierten Positionsverlust, sagen 5-s-Trajektorien eines Geländefahrzeugs in Echtzeit für GPU-MPPI-Regelung vorher.

Warum es wichtig ist

Das Modell läuft innerhalb von MPPI mit 18.432 Samples auf einer einzigen RTX 3080 und bleibt beim doppelten Trainingshorizont brauchbar, was ein Planer für schnelles Fahren im Gelände benötigt. Da die Labels nur aus der Odometrie stammen, lassen sich günstigere Aufzeichnungen menschlichen Fahrens neben autonomen Daten nutzen. Der Vergleich zeigt außerdem, dass einfache parametrische Aktuatormodelle im gelernten Modell große Fehler verhindern, sobald das Netz Eingaben sieht, auf die es nicht trainiert wurde.

Problem

Samplingbasierte modellprädiktive Regler wie MPPI benötigen Dynamikmodelle, die sowohl genau als auch günstig sind, da sie Millionen von Vorwärtsvorhersagen pro Sekunde ausführen. Auf Einschrittvorhersage trainierte Modelle werden rekursiv ausgerollt, sodass sich kleine Fehler über den Horizont aufsummieren und langsame Effekte als Rauschen behandelt werden. Fahren im Gelände bringt schwer modellierbare Geländewechselwirkungen und große Aktuatorverzögerungen bei Lenkung und Bremse hinzu.

Lösungsansatz

Das Fahrzeugmodell wird in gelernte Aktuatorverzögerungsmodelle für Bremse und Lenkung (ein ratenbegrenztes Verzögerungsglied erster Ordnung plus ein kleines Netz) sowie Motor- und Geländewiderstandsnetze innerhalb kinematischer Gleichungen aufgeteilt. Jeder gelernte Teil ist ein LSTM, dessen verborgener Zustand und Zellzustand von einem separaten Initialisierungsnetz gesetzt werden, das einmal auf vergangenen Daten läuft, sodass alle MPPI-Samples es wiederverwenden. Das Training verwendet einen integrierten Verlust auf vorhergesagten Positionen über einen festen Horizont von 5 s, der nur glatte Odometrie als Labels benötigt und das Mischen von menschlichen und autonomen Fahrdaten erlaubt.

Wichtigste Erkenntnisse

Das Training über einen festen Horizont macht langfristige LSTM-Stabilität überflüssig, dennoch blieben die Modelle bei 10 s stabil, dem Doppelten des Trainingshorizonts von 5 s
Das Initialisierungsnetz sieht nur vergangene Daten, daher läuft es einmal auf der CPU, und sein verborgener Zustand wird von jeder gesampelten Trajektorie auf der GPU geteilt
Ein integrierter Positionsverlust lässt die Netze Größen ohne direkte Labels ausgeben, etwa Widerstandskräfte im Radkoordinatensystem, und vermeidet das Differenzieren verrauschter Odometrie
Parametrische Modelle für Brems- und Lenkverzögerung mit gelernter Korrektur schlugen reine Blackbox-Verzögerungsnetze, deren Fehler die Dynamiknetze in ungesehene Eingaben trieben
Ein gemeinsames Motor-, Lenk- und Bremsmodell mit einem je Umgebung umgeschalteten Netz für den Geländewiderstand deckte sowohl Wüsten- als auch Chaparral-Daten ab

Hauptergebnisse

Datensatz von etwa 650.000 Trajektorien aus zwei Umgebungen: Helendale (≈300.000 menschlich, ≈100.000 autonom) und Paso Robles (≈100.000 menschlich, ≈150.000 autonom); Trainingsdatensatz ≈500.000 und Testdatensatz ≈150.000
Mit tatsächlichen Aktuatorzuständen (kombinierte Daten) erreichten gelernte Modelle bei t = 10 s etwa 5 m Distanzfehler (z. B. HI-LSTM 4,981 ± 17,143 m) gegenüber 11,153 ± 77,551 m für die parametrische Baseline
Gesamtsystem auf autonomen Daten bei t = 5 s: HI-LSTM 2,089 ± 3,463 m und 0,145 rad Gierfehler, gegenüber 7,259 ± 28,837 m und 0,775 rad für das kinematische K-LSTM
Gesamtsystem bei t = 10 s: HI-LSTM 5,722 ± 22,936 m gegenüber 21,015 ± 155,293 m für KI-LSTM
Eine MPPI-Iteration mit 18.432 Samples auf einer RTX 3080 benötigte 59,346 ms und 38,08 kB CUDA-Speicher für die Hybridmodelle, gegenüber 83,708 ms und 62,468 kB für die kinematischen Netze und 23,327 ms für das parametrische Modell
Blackbox-Lenknetze hatten etwa 2× den mittleren Lenkfehler ihrer parametrischen Gegenstücke

Einschränkungen

Vorhersagen können in den ersten paar Schritten unstetig sein und trotzdem einen geringen Verlust ergeben; die Autoren nennen dies ein offenes Problem
Allein für die Motor- und Geländemodellierung verbesserte die hybride Architektur die Genauigkeit gegenüber rein gelernten Netzen nicht signifikant, und das Initialisierungsnetz hatte nur begrenzte Wirkung
Die Umgebungsklasse (Wüste, Waldgebiet) wird als im Voraus bekannt angenommen, und das passende Geländenetz wird zur Laufzeit geladen
Die Methode reagiert empfindlich auf Odometriedrift und kleine Sprünge, die nahe Geschwindigkeit null kurze dynamisch nicht realisierbare Trajektorien und übermäßig geglättete Ausgaben erzeugten
Validiert an einem Fahrzeug in zwei Umgebungen; Validierungs- und Testdatensatz stammen vom selben Testtag

Wirkung auf das Fachgebiet

Finalist für den ICRA 2023 Outstanding Planning Paper Award, mit 26 Zitierungen. Das Paper stellt ein ergänzendes Video bereit; eine Veröffentlichung von Code oder Datensatz wird nicht angegeben.

Zusammenfassung

Die Modellierung der Dynamik ist oft der erste Schritt, um ein Fahrzeug autonom zu machen. Während autonome Straßenfahrzeuge umfassend untersucht wurden, werfen Geländefahrzeuge viele schwierige Modellierungsprobleme auf. Ein Geländefahrzeug ist hochkomplexen und schwer zu modellierenden Gelände/Fahrzeug-Wechselwirkungen ausgesetzt und hat zudem selbst eine komplexe Fahrzeugdynamik. Diese Komplexität kann eine wirksame Regelung und Planung bei hoher Geschwindigkeit erschweren. In diesem Paper stellen wir ein Framework für die mehrstufige Dynamikvorhersage vor, das die Akkumulation von Modellierungsfehlern explizit behandelt und für samplingbasierte Regler skalierbar bleibt. Unsere Methode verwendet ein speziell initialisiertes Long Short-Term Memory (LSTM) über einen begrenzten Zeithorizont als gelernte Komponente in einem hybriden Modell, um die Dynamik eines Geländefahrzeugs mit 4 Sitzplätzen (Polaris S4 1000 RZR) in zwei unterschiedlichen Umgebungen vorherzusagen. Indem das LSTM nur über einen festen Zeithorizont vorhersagt, entfällt die Notwendigkeit langfristiger Stabilität, die beim Training rekurrenter neuronaler Netze oft eine Herausforderung ist. Unser Framework ist flexibel, da es als Labels nur Odometrieinformationen benötigt. Durch umfangreiche Experimente zeigen wir, dass unsere Methode Millionen möglicher Trajektorien in Echtzeit vorhersagen kann, mit einem Zeithorizont von fünf Sekunden in anspruchsvollen Offroad-Fahrszenarien.

Open Source Robotics