Autonomous Drifting with 3 Minutes of Data via Learned Tire Models

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

Licences

• Accès libre
• Article: CC BY 4.0

Tout ce qui suit s'appuie sur l'article complet sous sa licence CC BY 4.0 ; sa figure est montrée en citant les auteurs.

En bref

Des modèles de pneus Neural ODE et ExpTanh qui imposent la courbe d'effort en S et la limite de frottement remplacent un modèle à brosse de Fiala dans une NMPC de drift, réduisant de plus de 4× l'erreur de suivi latérale sur une voiture réelle.

Pourquoi c'est important

Un modèle de pneu qui s'ajuste à partir de quelques minutes de données de conduite signifie qu'un véhicule peut être ré-identifié après un changement de pneus sans installations spécialisées d'essai de pneus. Les modèles appris ont capturé un couplage avec l'état du véhicule que le modèle à brosse à essieu unique ne voit pas, et le contrôleur a convergé en moins d'itérations de gradient avec eux. Cela compte pour tout contrôleur travaillant à la limite de frottement, du drift à l'évitement d'obstacles en urgence.

Problème

Les forces de pneu près des limites d'adhérence sont non linéaires et couplées à la suspension, au transfert de charge et à d'autres effets de châssis. Les contrôleurs pour le drift et les manœuvres d'urgence regroupent généralement chaque essieu dans un seul modèle de pneu analytique, comme le modèle à brosse de Fiala, qui ne capte pas ces effets d'ordre supérieur. Les modèles neuronaux de pneus de type boîte noire perdent les garanties physiques et n'avaient pas été testés sur une voiture grandeur nature aux limites de tenue de route.

Solution proposée

Les auteurs apprennent les forces de pneu par essieu à partir de mesures de l'état du véhicule avec une neural ODE dont la dérivée seconde et les points d'inflexion appris imposent la courbe d'effort en S, avec une pénalité douce en cas de dépassement de la limite de frottement estimée. ExpTanh, un sous-ensemble de ces solutions sous forme close, est peu coûteux à évaluer et à dériver pour une commande en temps réel. Les deux modèles prennent en entrée des états choisis du véhicule (vitesse de lacet, vitesse, angle de dérive) et sont utilisés comme remplacements directs du modèle de Fiala dans une NMPC de drift existante.

Idées clés

• Contraindre le signe de la dérivée seconde apprise entre des points d'inflexion appris garantit la courbe de pneu en S tout en laissant sa forme exacte aux données
• ExpTanh ne nécessite que deux évaluations d'exp, contre trois évaluations d'arctan pour la Magic Formula, et son maximum peut être trouvé analytiquement
• Ajouter la vitesse de lacet, la vitesse et l'angle de dérive comme caractéristiques permet au modèle d'essieu d'absorber des effets de châssis comme le transfert de charge et le carrossage, ce qui a décalé et aplati les courbes apprises
• Un modèle de pneu plus lisse et plus précis a réduit les itérations de gradient de la NMPC ; avec le modèle de Fiala, les itérations ont triplé lors de la transition du drift à la conduite en adhérence
• Le réentraînement d'ExpTanh après un changement de pneus a pris moins de 15 s sur un GPU de portable, tandis que le modèle de Fiala inchangé se dégradait sur les nouveaux pneus

Principaux résultats

• Hors ligne, les erreurs de prédiction de NODE et d'ExpTanh étaient au moins 1,5× plus concentrées autour d'une erreur moyenne nulle que celles de Fiala et de la Magic Formula (légende de la Fig. 4) ; l'introduction indique jusqu'à 2× plus concentrées
• L'entraînement sur un jeu de données de 306 887 mesures d'état (~1 heure) a pris ~27 minutes pour NODE et ~4 minutes pour ExpTanh sur une GeForce RTX 2060 de portable
• Drift en slalom avec des consignes d'angle de dérive jusqu'à 43° à 31–45 mph : ExpTanh a suivi le chemin (e et ∆ϕ) jusqu'à 3,5× mieux et l'angle de dérive jusqu'à 1,5× mieux que Fiala en erreur RMS, avec moins d'oscillations de direction
• Drift en Figure-8 après un changement des pneus arrière, avec ExpTanh réentraîné sur ~3 minutes de conduite manuelle : erreur latérale RMS plus de 4× plus faible et suivi de l'angle de dérive plus de 2× meilleur que Fiala sur les deux jeux de pneus
• L'essai pneus Bridgestone + Fiala a été arrêté prématurément, car le conducteur de sécurité était mal à l'aise face à l'erreur de suivi

Limites

• Les forces ne sont estimées que dans les cas où la force longitudinale avant peut être supposée nulle (propulsion arrière, pas de couple à l'avant), choix fait par simplicité
• Le modèle NODE est lent à entraîner et à évaluer ; pour la commande, il a donc été remplacé par un réseau entraîné à imiter ses solutions, ce qui a coûté un peu de précision de suivi
• L'ensemble de caractéristiques est un choix parmi d'autres ; les auteurs notent que d'autres sélections peuvent convenir à d'autres véhicules
• Les trajectoires de référence ont toujours été calculées avec le modèle de Fiala, et le jeu de données de comparaison a été collecté sur les mêmes surfaces par un temps estival similaire
• La mise à jour en ligne des courbes de pneu pendant la conduite est laissée à des travaux futurs

Impact sur le domaine

Finaliste du prix ICRA 2023 Outstanding Dynamics and Control Paper, avec 47 citations. Les auteurs publient des vidéos des expériences ; l'article n'indique aucune publication de code ni de données.

Résumé

Près des limites d'adhérence, les forces générées par un pneu sont non linéaires et intimement couplées. Une modélisation efficace et précise dans ce régime pourrait améliorer la sécurité, en particulier dans les situations d'urgence où de fortes forces sont nécessaires. À cette fin, nous proposons une nouvelle famille de modèles de force de pneu fondés sur des équations différentielles ordinaires neuronales et une paramétrisation neural-ExpTanh. Ces modèles sont conçus pour satisfaire des hypothèses physiquement éclairantes tout en ayant une fidélité suffisante pour capturer des effets d'ordre supérieur directement à partir de mesures de l'état du véhicule. Ils sont utilisés comme remplacements directs d'un modèle de pneu analytique à brosse dans un cadre existant de commande prédictive non linéaire. Des expériences avec une Toyota Supra modifiée montrent que de faibles quantités de données de conduite – moins de trois minutes – suffisent pour obtenir un drift autonome performant sur diverses trajectoires à des vitesses allant jusqu'à 45mph. Les comparaisons avec le modèle de référence montrent une amélioration de 4× des performances de suivi, des commandes plus lisses et un temps de calcul plus rapide et plus régulier.

Liens

• 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