Autonomous Drifting with 3 Minutes of Data via Learned Tire Models

Autoren: Franck Djeumou, Jonathan Y.M. Goh, Ufuk Topcu, Avinash Balachandran · 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

Reifenmodelle auf Basis von Neural ODE und ExpTanh, die die S-förmige Kraftkurve und die Reibungsgrenze erzwingen, ersetzen ein Fiala-Bürstenmodell in einer Drift-NMPC und senken den lateralen Folgefehler an einem realen Auto um mehr als 4×.

Warum es wichtig ist

Ein Reifenmodell, das sich aus wenigen Minuten Fahrdaten anpassen lässt, bedeutet, dass ein Fahrzeug nach einem Reifenwechsel ohne spezielle Reifenprüfeinrichtungen neu identifiziert werden kann. Die gelernten Modelle erfassten Kopplungen mit dem Fahrzeugzustand, die das Einachs-Bürstenmodell verfehlt, und der Regler konvergierte mit ihnen in weniger Gradienteniterationen. Das ist für jeden Regler wichtig, der an der Reibungsgrenze arbeitet, vom Driften bis zur Hindernisvermeidung im Notfall.

Problem

Reifenkräfte nahe der Haftgrenze sind nichtlinear und mit Federung, Lastverlagerung und anderen Fahrwerkseffekten gekoppelt. Regler für Driften und Notmanöver fassen jede Achse meist in einem einzigen analytischen Reifenmodell wie dem Fiala-Bürstenmodell zusammen, das diese Effekte höherer Ordnung verfehlt. Neuronale Blackbox-Reifenmodelle verlieren physikalische Garantien und waren an einem Auto in voller Größe im Grenzbereich noch nicht getestet worden.

Lösungsansatz

Die Autoren lernen Achsreifenkräfte aus Messungen des Fahrzeugzustands mit einer neural ODE, deren gelernte zweite Ableitung und Wendepunkte die S-förmige Kraftkurve erzwingen, mit einer weichen Strafe für das Überschreiten der geschätzten Reibungsgrenze. ExpTanh, eine geschlossene Teilmenge dieser Lösungen, ist für die Echtzeitregelung günstig auszuwerten und abzuleiten. Beide Modelle erhalten ausgewählte Fahrzeugzustände (Gierrate, Geschwindigkeit, Schwimmwinkel) als Merkmale und werden in einer bestehenden Drift-NMPC als direkter Ersatz für das Fiala-Modell verwendet.

Wichtigste Erkenntnisse

Das Vorzeichen der gelernten zweiten Ableitung zwischen gelernten Wendepunkten zu beschränken, garantiert die S-förmige Reifenkurve, während ihre genaue Form den Daten überlassen bleibt
ExpTanh benötigt nur zwei exp-Auswertungen gegenüber drei arctan-Auswertungen für die Magic Formula, und sein Maximum lässt sich analytisch bestimmen
Gierrate, Geschwindigkeit und Schwimmwinkel als Merkmale hinzuzufügen, lässt das Achsmodell Fahrwerkseffekte wie Lastverlagerung und Sturz aufnehmen, was die gelernten Kurven verschob und abflachte
Ein glatteres, genaueres Reifenmodell verringerte die Gradienteniterationen der NMPC; mit dem Fiala-Modell verdreifachten sich die Iterationen beim Übergang vom Driften zum Fahren mit Haftung
Das Nachtrainieren von ExpTanh nach einem Reifenwechsel dauerte auf einer Laptop-GPU unter 15 s, während sich das unveränderte Fiala-Modell auf den neuen Reifen verschlechterte

Hauptergebnisse

Offline waren die Vorhersagefehler von NODE und ExpTanh um einen mittleren Fehler von null mindestens 1,5× dichter verteilt als bei Fiala und Magic Formula (Bildunterschrift von Fig. 4); die Einleitung nennt bis zu 2× dichter
Das Training auf einem Datensatz von 306.887 Zustandsmessungen (~1 Stunde) dauerte auf einer Laptop-GeForce RTX 2060 ~27 Minuten für NODE und ~4 Minuten für ExpTanh
Slalom-Driften mit Schwimmwinkel-Sollwerten bis 43° bei 31–45 mph: ExpTanh folgte dem Pfad (e und ∆ϕ) bis zu 3,5× besser und dem Schwimmwinkel bis zu 1,5× besser als Fiala im RMS-Fehler, mit weniger Lenkschwingungen
Driften in einer Figure-8 nach einem Wechsel der Hinterreifen, mit auf ~3 Minuten manueller Fahrt nachtrainiertem ExpTanh: mehr als 4× geringerer lateraler RMS-Fehler und mehr als 2× bessere Schwimmwinkelfolge als Fiala auf beiden Reifensätzen
Die Fahrt mit Bridgestone-Reifen + Fiala wurde vorzeitig beendet, weil sich der Sicherheitsfahrer mit dem Folgefehler unwohl fühlte

Einschränkungen

Kräfte werden nur für Fälle geschätzt, in denen die Längskraft vorn als null angenommen werden kann (Hinterradantrieb, kein Drehmoment vorn), was der Einfachheit halber gewählt wurde
Das NODE-Modell ist langsam zu trainieren und auszuwerten, daher wurde es für die Regelung durch ein Netz ersetzt, das trainiert wurde, seine Lösungen nachzuahmen, was etwas Folgegenauigkeit kostete
Der Merkmalssatz ist eine mögliche Wahl; die Autoren merken an, dass für andere Fahrzeuge andere Auswahlen passen können
Referenztrajektorien wurden weiterhin mit dem Fiala-Modell berechnet, und der Vergleichsdatensatz wurde auf denselben Oberflächen bei ähnlichem Sommerwetter erhoben
Die Online-Aktualisierung der Reifenkurven während der Fahrt bleibt künftiger Arbeit überlassen

Wirkung auf das Fachgebiet

Finalist für den ICRA 2023 Outstanding Dynamics and Control Paper Award, mit 47 Zitierungen. Die Autoren veröffentlichen Videos der Experimente; das Paper nennt keine Veröffentlichung von Code oder Daten.

Zusammenfassung

Nahe der Haftgrenze sind die von einem Reifen erzeugten Kräfte nichtlinear und komplex gekoppelt. Eine effiziente und genaue Modellierung in diesem Bereich könnte die Sicherheit verbessern, besonders in Notsituationen, in denen hohe Kräfte erforderlich sind. Zu diesem Zweck schlagen wir eine neuartige Familie von Reifenkraftmodellen auf Basis neuronaler gewöhnlicher Differentialgleichungen und einer neural-ExpTanh-Parametrisierung vor. Diese Modelle sind so entworfen, dass sie physikalisch aufschlussreiche Annahmen erfüllen und zugleich genügend Genauigkeit besitzen, um Effekte höherer Ordnung direkt aus Messungen des Fahrzeugzustands zu erfassen. Sie werden als direkter Ersatz für ein analytisches Bürstenreifenmodell in einem bestehenden Framework für nichtlineare modellprädiktive Regelung verwendet. Experimente mit einem angepassten Toyota Supra zeigen, dass geringe Mengen an Fahrdaten – weniger als drei Minuten – ausreichen, um leistungsfähiges autonomes Driften auf verschiedenen Trajektorien mit Geschwindigkeiten bis zu 45mph zu erreichen. Vergleiche mit dem Benchmark-Modell zeigen eine 4× bessere Folgeleistung, glattere Stellgrößen sowie schnellere und gleichmäßigere Rechenzeiten.

Open Source Robotics