Autonomous Drifting with 3 Minutes of Data via Learned Tire Models

Autores: Franck Djeumou, Jonathan Y.M. Goh, Ufuk Topcu, Avinash Balachandran · ICRA 2023

Licencias

• Acceso abierto
• Artículo: CC BY 4.0

Todo lo que sigue se basa en el artículo completo bajo su licencia CC BY 4.0; su figura se muestra con crédito a los autores.

En resumen

Modelos de neumático Neural ODE y ExpTanh que imponen la curva de fuerza en forma de S y el límite de fricción sustituyen a un modelo de cepillo de Fiala en un NMPC de derrape, y reducen más de 4× el error de seguimiento lateral en un coche real.

Por qué importa

Un modelo de neumático que se ajusta con unos pocos minutos de datos de conducción permite volver a identificar un vehículo tras un cambio de neumáticos sin instalaciones especializadas de ensayo de neumáticos. Los modelos aprendidos capturaron un acoplamiento con el estado del vehículo que el modelo de cepillo de un solo eje no recoge, y con ellos el controlador convergió en menos iteraciones de gradiente. Esto importa para cualquier controlador que trabaje en el límite de fricción, desde el derrape hasta la evitación de obstáculos de emergencia.

Problema

Las fuerzas del neumático cerca de los límites de adherencia son no lineales y están acopladas con la suspensión, la transferencia de peso y otros efectos del chasis. Los controladores para derrapes y maniobras de emergencia suelen agrupar cada eje en un único modelo analítico de neumático, como el modelo de cepillo de Fiala, que no recoge estos efectos de orden superior. Los modelos neuronales de neumático de caja negra pierden las garantías físicas y no se habían probado en un coche de tamaño real en los límites de manejo.

Solución propuesta

Los autores aprenden las fuerzas del neumático por eje a partir de mediciones del estado del vehículo con una ODE neuronal cuya segunda derivada y puntos de inflexión aprendidos imponen la curva de fuerza en forma de S, con una penalización suave por superar el límite de fricción estimado. ExpTanh, un subconjunto de estas soluciones en forma cerrada, es barato de evaluar y derivar para el control en tiempo real. Ambos modelos toman como características estados seleccionados del vehículo (velocidad de guiñada, velocidad, ángulo de deriva) y se usan como sustitutos directos del modelo de Fiala en un NMPC de derrape existente.

Ideas clave

• Restringir el signo de la segunda derivada aprendida entre puntos de inflexión aprendidos garantiza la curva del neumático en forma de S y deja su forma exacta a los datos
• ExpTanh solo necesita dos evaluaciones de exp, frente a tres evaluaciones de arctan en la Magic Formula, y su máximo puede hallarse analíticamente
• Añadir la velocidad de guiñada, la velocidad y el ángulo de deriva como características permite que el modelo de eje absorba efectos del chasis como la transferencia de peso y la caída, que desplazaron y aplanaron las curvas aprendidas
• Un modelo de neumático más suave y preciso redujo las iteraciones de gradiente del NMPC; con el modelo de Fiala las iteraciones se triplicaron en la transición del derrape a la conducción con adherencia
• Reentrenar ExpTanh tras un cambio de neumáticos llevó menos de 15 s en la GPU de un portátil, mientras que el modelo de Fiala sin cambios empeoró con los neumáticos nuevos

Resultados principales

• Fuera de línea, los errores de predicción de NODE y ExpTanh eran al menos 1,5× más densos en torno al error medio cero que los de Fiala y la Magic Formula (pie de la Fig. 4); la introducción indica hasta 2× más densos
• El entrenamiento con un conjunto de datos de 306 887 mediciones de estado (~1 hora) llevó ~27 minutos para NODE y ~4 minutos para ExpTanh en una GeForce RTX 2060 de portátil
• Derrape en eslalon con referencias de ángulo de deriva de hasta 43° a 31–45 mph: ExpTanh siguió la trayectoria (e y ∆ϕ) hasta 3,5× mejor y el ángulo de deriva hasta 1,5× mejor que Fiala en error RMS, con menos oscilaciones de la dirección
• Derrape en figura de 8 tras un cambio de los neumáticos traseros, con ExpTanh reentrenado con ~3 minutos de conducción manual: error lateral RMS más de 4× menor y seguimiento del ángulo de deriva más de 2× mejor que Fiala con ambos juegos de neumáticos
• La prueba con neumáticos Bridgestone + Fiala se terminó antes de tiempo porque el conductor de seguridad no se sentía cómodo con el error de seguimiento

Limitaciones

• Las fuerzas solo se estiman en casos en los que puede suponerse nula la fuerza longitudinal delantera (tracción trasera, sin par delantero), elegidos por simplicidad
• El modelo NODE es lento de entrenar y evaluar, por lo que para el control se sustituyó por una red entrenada para imitar sus soluciones, lo que costó algo de precisión de seguimiento
• El conjunto de características es una opción entre otras; los autores señalan que otras selecciones pueden convenir a otros vehículos
• Las trayectorias de referencia se siguieron calculando con el modelo de Fiala, y el conjunto de datos de comparación se recogió en las mismas superficies con un tiempo veraniego similar
• La actualización en línea de las curvas del neumático durante la conducción queda para trabajo futuro

Impacto en el campo

Finalista del premio ICRA 2023 Outstanding Dynamics and Control Paper, con 47 citas. Los autores publican vídeos de los experimentos; el artículo no indica la publicación de código ni de datos.

Resumen

Cerca de los límites de adherencia, las fuerzas generadas por un neumático son no lineales y están intrincadamente acopladas. Un modelado eficiente y preciso en esta región podría mejorar la seguridad, especialmente en situaciones de emergencia en las que se requieren fuerzas elevadas. Con este fin, proponemos una nueva familia de modelos de fuerzas del neumático basados en ecuaciones diferenciales ordinarias neuronales y en una parametrización neural-ExpTanh. Estos modelos están diseñados para cumplir supuestos con sentido físico y, al mismo tiempo, tener la fidelidad suficiente para capturar efectos de orden superior directamente a partir de las mediciones del estado del vehículo. Se usan como sustitutos directos de un modelo analítico de neumático de cepillo en un marco existente de control predictivo basado en modelo no lineal. Los experimentos con un Toyota Supra modificado muestran que una cantidad escasa de datos de conducción –menos de tres minutos– basta para lograr un derrape autónomo de alto rendimiento en varias trayectorias con velocidades de hasta 45mph. Las comparaciones con el modelo de referencia muestran una mejora de 4× en el rendimiento de seguimiento, entradas de control más suaves y un tiempo de cómputo más rápido y más constante.

Enlaces

• arXiv 2306.06330: https://arxiv.org/abs/2306.06330
• DOI 10.1109/ICRA48891.2023.10161370: https://doi.org/10.1109/ICRA48891.2023.10161370
• PDF: https://arxiv.org/pdf/2306.06330v1