Open Source Robotics

高品質なオープンソースロボティクスプロジェクト、ツール、ソフトウェアの厳選コレクション。

Autonomous Drifting with 3 Minutes of Data via Learned Tire Models

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

ライセンス

  • オープンアクセス
  • 論文: CC BY 4.0

以下の内容はすべて、論文のライセンス（CC BY 4.0）に従い論文全文に基づいています。図は著者のクレジットを付けて掲載しています。

要約

S 字型の力曲線と摩擦限界を満たすよう強制する Neural ODE と ExpTanh のタイヤモデルが、ドリフト用 NMPC の Fiala ブラシモデルを置き換え、実車で横方向の追従誤差を 4× 以上削減した。

重要な理由

数分の走行データからフィットできるタイヤモデルがあれば、タイヤ交換後に専用のタイヤ試験設備なしで車両を再同定できる。学習モデルは、単一車軸のブラシモデルが見落とす車両状態との連成を捉え、これらを用いると制御器はより少ない勾配反復で収束した。これは、ドリフトから緊急時の障害物回避まで、摩擦限界で動作するあらゆる制御器にとって重要である。

課題

粘着限界付近のタイヤ力は非線形で、サスペンション、荷重移動、その他のシャシーの効果と連成している。ドリフトや緊急回避のための制御器は通常、各車軸を Fiala ブラシモデルのような単一の解析的タイヤモデルにまとめるため、こうした高次の効果を見落とす。ブラックボックスのニューラルタイヤモデルは物理的な保証を失い、また操縦限界における実車サイズの車でのテストも行われていなかった。

提案手法

著者らは、車両状態の計測から車軸のタイヤ力をニューラル ODE で学習する。学習した 2 階導関数と変曲点によって S 字型の力曲線を強制し、推定した摩擦限界を超えることにはソフトなペナルティを課す。これらの解の閉形式の部分集合である ExpTanh は、評価と微分のコストが低く、リアルタイム制御に適している。どちらのモデルも、選んだ車両状態（ヨーレート、速度、横滑り角）を特徴量とし、既存のドリフト用 NMPC において Fiala モデルの差し替えとして使われる。

主な知見

  • 学習した変曲点の間で、学習した 2 階導関数の符号を制約することで、正確な形はデータに委ねつつ S 字型のタイヤ曲線を保証する
  • ExpTanh は exp の評価を 2 回しか必要とせず、Magic Formula の arctan 3 回に比べて少なく、さらにその最大値を解析的に求められる
  • ヨーレート、速度、横滑り角を特徴量として加えることで、車軸モデルが荷重移動やキャンバーといったシャシーの効果を吸収でき、これらの効果は学習した曲線をずらし、平坦にした
  • より滑らかで正確なタイヤモデルは NMPC の勾配反復を減らした。Fiala モデルでは、ドリフトからグリップ走行への移行時に反復回数が 3 倍になった
  • タイヤ交換後、ノート PC の GPU で ExpTanh を再学習するのに 15 s 未満しかかからなかった一方、変更しなかった Fiala モデルは新しいタイヤで性能が低下した

主な結果

  • オフラインでは、NODE と ExpTanh の予測誤差は平均誤差ゼロ付近への集中度が Fiala と Magic Formula の少なくとも 1.5× だった（Fig. 4 のキャプション）。序論では最大 2× としている
  • 306,887 件の状態計測（~1 時間）からなるデータセットでの学習に、ノート PC の GeForce RTX 2060 で NODE は ~27 分、ExpTanh は ~4 分を要した
  • 31–45 mph で横滑り角の参照値が最大 43° のスラロームドリフト：RMS 誤差で、ExpTanh は経路追従（e と ∆ϕ）が Fiala より最大 3.5×、横滑り角の追従が最大 1.5× 良く、操舵の振動も少なかった
  • 後輪タイヤ交換後の 8 の字ドリフト、ExpTanh は ~3 分の手動走行で再学習：両方のタイヤセットで、Fiala より RMS 横方向誤差が 4× 以上低く、横滑り角の追従が 2× 以上良かった
  • Bridgestone タイヤ + Fiala の走行は、セーフティドライバーが追従誤差に不安を感じたため早期に終了された

制限事項

  • 力は、前輪の前後方向の力をゼロと仮定できる場合（後輪駆動、前輪トルクなし）についてのみ推定しており、これは簡単のために選ばれた
  • NODE モデルは学習と評価が遅いため、制御ではその解を模倣するよう学習したネットワークに置き換えられ、追従精度がいくらか犠牲になった
  • 特徴量の集合は一つの選択にすぎず、著者は他の車両には別の選択が合う可能性があると述べている
  • 参照軌道は依然として Fiala モデルで計算されており、比較用データセットは同じ路面で、似た夏の天候のもとで収集された
  • 走行中のタイヤ曲線のオンライン更新は今後の課題とされている

分野への影響

ICRA 2023 Outstanding Dynamics and Control Paper 賞のファイナリストで、被引用数は 47。著者は実験の動画を公開しているが、論文にはコードやデータの公開についての記載はない。

概要

粘着限界付近では、タイヤが生み出す力は非線形で、複雑に連成している。この領域を効率的かつ正確にモデル化できれば、特に大きな力が必要となる緊急時の安全性を高められる。そこで我々は、ニューラル常微分方程式と neural-ExpTanh パラメータ化に基づく新しいタイヤ力モデルのファミリーを提案する。これらのモデルは、物理的な洞察に基づく仮定を満たしつつ、車両状態の計測から高次の効果を直接捉えられるだけの忠実度を持つよう設計されている。これらは、既存の非線形モデル予測制御フレームワークにおいて、解析的なブラシタイヤモデルの差し替えとして用いられる。カスタマイズした Toyota Supra を用いた実験では、わずかな走行データ（3 分未満）で、さまざまな軌道において最高 45mph で高性能な自律ドリフトを実現するのに十分であることが示された。ベンチマークモデルとの比較では、追従性能が 4× 向上し、制御入力がより滑らかになり、計算時間がより短く安定した。

リンク

  • 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

このウェブサイトにはJavaScriptが必要です。オープンソースロボティクスプロジェクトを閲覧するにはJavaScriptを有効にしてください。