Autonomous Drifting with 3 Minutes of Data via Learned Tire Models

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

Licenze

• Open access
• Articolo: CC BY 4.0

Tutto ciò che segue si basa sull'articolo completo secondo la sua licenza CC BY 4.0; la figura è riportata citando gli autori.

In breve

Modelli di pneumatico Neural ODE ed ExpTanh che impongono la curva di forza a forma di S e il limite di attrito sostituiscono un modello a spazzola di Fiala in un NMPC per il drift, riducendo di oltre 4× l'errore di inseguimento laterale su un'auto reale.

Perché è importante

Un modello di pneumatico che si adatta con pochi minuti di dati di guida significa che un veicolo può essere reidentificato dopo un cambio di pneumatici senza strutture specializzate per le prove degli pneumatici. I modelli appresi hanno catturato un accoppiamento con lo stato del veicolo che il modello a spazzola a singolo asse non coglie, e con essi il controllore è converso in meno iterazioni del gradiente. Questo conta per qualsiasi controllore che operi al limite di attrito, dal drift all'evitamento degli ostacoli in emergenza.

Problema

Le forze dello pneumatico vicino ai limiti di aderenza sono non lineari e accoppiate con le sospensioni, il trasferimento di carico e altri effetti del telaio. I controllori per il drift e per le manovre di emergenza di solito raggruppano ciascun asse in un unico modello analitico di pneumatico, come il modello a spazzola di Fiala, che non coglie questi effetti di ordine superiore. I modelli neurali di pneumatico a scatola nera perdono le garanzie fisiche e non erano stati testati su un'auto di dimensioni reali ai limiti di tenuta.

Soluzione proposta

Gli autori apprendono le forze degli pneumatici per asse dalle misure dello stato del veicolo con una ODE neurale la cui derivata seconda e i cui punti di flesso appresi impongono la curva di forza a forma di S, con una penalità morbida per il superamento del limite di attrito stimato. ExpTanh, un sottoinsieme in forma chiusa di queste soluzioni, è poco costoso da valutare e differenziare per il controllo in tempo reale. Entrambi i modelli ricevono come feature stati selezionati del veicolo (velocità di imbardata, velocità, angolo di deriva) e sono usati come sostituti diretti del modello di Fiala in un NMPC per il drift esistente.

Idee chiave

• Vincolare il segno della derivata seconda appresa tra punti di flesso appresi garantisce la curva dello pneumatico a forma di S lasciandone ai dati la forma esatta
• ExpTanh richiede solo due valutazioni di exp, contro tre valutazioni di arctan per la Magic Formula, e il suo massimo si può trovare analiticamente
• Aggiungere velocità di imbardata, velocità e angolo di deriva come feature consente al modello dell'asse di assorbire effetti del telaio come il trasferimento di carico e la campanatura, che hanno spostato e appiattito le curve apprese
• Un modello di pneumatico più regolare e accurato ha ridotto le iterazioni del gradiente dell'NMPC; con il modello di Fiala le iterazioni si sono triplicate nella transizione dal drift alla guida in aderenza
• Riaddestrare ExpTanh dopo un cambio di pneumatici ha richiesto meno di 15 s sulla GPU di un portatile, mentre il modello di Fiala invariato è peggiorato con i nuovi pneumatici

Risultati principali

• Offline, gli errori di predizione di NODE ed ExpTanh erano almeno 1,5× più densi attorno all'errore medio nullo rispetto a Fiala e alla Magic Formula (didascalia della Fig. 4); l'introduzione indica fino a 2× più densi
• L'addestramento su un dataset di 306.887 misure di stato (~1 ora) ha richiesto ~27 minuti per NODE e ~4 minuti per ExpTanh su una GeForce RTX 2060 per portatili
• Drift in slalom con riferimenti di angolo di deriva fino a 43° a 31–45 mph: ExpTanh ha inseguito il percorso (e e ∆ϕ) fino a 3,5× meglio e l'angolo di deriva fino a 1,5× meglio di Fiala in termini di errore RMS, con meno oscillazioni dello sterzo
• Drift a forma di 8 dopo un cambio degli pneumatici posteriori, con ExpTanh riaddestrato su ~3 minuti di guida manuale: errore laterale RMS oltre 4× inferiore e inseguimento dell'angolo di deriva oltre 2× migliore rispetto a Fiala con entrambi i treni di pneumatici
• La prova con pneumatici Bridgestone + Fiala è stata interrotta in anticipo perché il pilota di sicurezza non era a suo agio con l'errore di inseguimento

Limiti

• Le forze sono stimate solo nei casi in cui la forza longitudinale anteriore può essere supposta nulla (trazione posteriore, nessuna coppia anteriore), scelti per semplicità
• Il modello NODE è lento da addestrare e valutare, quindi per il controllo è stato sostituito da una rete addestrata a imitarne le soluzioni, il che è costato un po' di accuratezza di inseguimento
• L'insieme di feature è una scelta possibile; gli autori osservano che altre selezioni potrebbero adattarsi ad altri veicoli
• Le traiettorie di riferimento sono state comunque calcolate con il modello di Fiala, e il dataset di confronto è stato raccolto sulle stesse superfici con un clima estivo simile
• L'aggiornamento online delle curve degli pneumatici durante la guida è lasciato a lavori futuri

Impatto sul settore

Finalista dell'ICRA 2023 Outstanding Dynamics and Control Paper award, con 47 citazioni. Gli autori pubblicano video degli esperimenti; l'articolo non indica il rilascio di codice o dati.

Abstract

Vicino ai limiti di aderenza, le forze generate da uno pneumatico sono non lineari e accoppiate in modo intricato. Una modellazione efficiente e accurata in questa regione potrebbe migliorare la sicurezza, soprattutto in situazioni di emergenza in cui sono necessarie forze elevate. A tal fine, proponiamo una nuova famiglia di modelli delle forze dello pneumatico basati su equazioni differenziali ordinarie neurali e su una parametrizzazione neural-ExpTanh. Questi modelli sono progettati per soddisfare ipotesi fisicamente significative pur avendo una fedeltà sufficiente a catturare effetti di ordine superiore direttamente dalle misure dello stato del veicolo. Sono usati come sostituti diretti di un modello analitico di pneumatico a spazzola in un framework esistente di controllo predittivo basato su modello non lineare. Gli esperimenti con una Toyota Supra modificata mostrano che una quantità scarsa di dati di guida – meno di tre minuti – è sufficiente per ottenere un drift autonomo ad alte prestazioni su varie traiettorie con velocità fino a 45mph. I confronti con il modello di riferimento mostrano un miglioramento di 4× nelle prestazioni di inseguimento, ingressi di controllo più regolari e tempi di calcolo più rapidi e più costanti.

Link

• 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