Autonomous Drifting with 3 Minutes of Data via Learned Tire Models

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

라이선스

오픈 액세스
논문: CC BY 4.0

아래 내용은 모두 논문의 라이선스(CC BY 4.0)에 따라 논문 전문을 바탕으로 하며, 그림에는 저자를 표기했습니다.

요약

S자형 힘 곡선과 마찰 한계를 강제하는 Neural ODE 및 ExpTanh 타이어 모델이 드리프트 NMPC에서 Fiala 브러시 모델을 대체하여, 실제 차량에서 횡방향 추종 오차를 4× 넘게 줄인다.

중요한 이유

몇 분의 주행 데이터로 맞출 수 있는 타이어 모델이 있으면, 전문 타이어 시험 설비 없이도 타이어 교체 후 차량을 다시 식별할 수 있다. 학습된 모델은 단일 차축 브러시 모델이 놓치는 차량 상태와의 결합을 포착했으며, 이를 사용한 제어기는 더 적은 경사 반복으로 수렴했다. 이는 드리프트부터 비상 장애물 회피까지 마찰 한계에서 작동하는 모든 제어기에 중요하다.

문제

접지 한계 근처의 타이어 힘은 비선형이며 서스펜션, 하중 이동 및 기타 섀시 효과와 결합되어 있다. 드리프트와 비상 기동을 위한 제어기는 보통 각 차축을 Fiala 브러시 모델 같은 단일 해석적 타이어 모델로 묶는데, 이는 이러한 고차 효과를 놓친다. 블랙박스 신경망 타이어 모델은 물리적 보장을 잃으며, 조종 한계에서 실물 크기 차량으로 시험된 적이 없었다.

제안 방법

저자들은 학습된 2차 도함수와 변곡점이 S자형 힘 곡선을 강제하는 neural ODE로 차량 상태 측정으로부터 차축 타이어 힘을 학습하며, 추정된 마찰 한계를 넘는 것에는 소프트 페널티를 준다. 이러한 해의 닫힌 형식 부분집합인 ExpTanh는 실시간 제어를 위해 계산과 미분 비용이 낮다. 두 모델 모두 선택된 차량 상태(요 레이트, 속도, 횡미끄럼각)를 특징으로 받으며, 기존 드리프트 NMPC에서 Fiala 모델을 그대로 대체하여 사용된다.

핵심 통찰

학습된 변곡점 사이에서 학습된 2차 도함수의 부호를 제약하면, 정확한 형태는 데이터에 맡기면서도 S자형 타이어 곡선을 보장한다
ExpTanh는 exp 계산 두 번만 필요하며, Magic Formula의 arctan 계산 세 번보다 적고, 그 최대값을 해석적으로 구할 수 있다
요 레이트, 속도, 횡미끄럼각을 특징으로 추가하면 차축 모델이 하중 이동과 캠버 같은 섀시 효과를 흡수하며, 이로 인해 학습된 곡선이 이동하고 평평해졌다
더 매끄럽고 정확한 타이어 모델은 NMPC의 경사 반복 횟수를 줄였다. Fiala 모델을 쓰면 드리프트에서 그립 주행으로 전환할 때 반복 횟수가 세 배로 늘었다
타이어 교체 후 ExpTanh 재학습은 노트북 GPU에서 15 s 미만이 걸린 반면, 변경하지 않은 Fiala 모델은 새 타이어에서 성능이 떨어졌다

주요 결과

오프라인에서 NODE와 ExpTanh의 예측 오차는 Fiala 및 Magic Formula보다 평균 오차 0 주변에 최소 1.5× 더 조밀했다(Fig. 4 캡션). 서론은 최대 2× 더 조밀하다고 기술한다
306,887개의 상태 측정(~1시간) 데이터셋으로 학습하는 데 노트북 GeForce RTX 2060에서 NODE는 ~27분, ExpTanh는 ~4분이 걸렸다
31–45 mph에서 최대 43°의 횡미끄럼각 기준을 갖는 슬라럼 드리프트: ExpTanh는 RMS 오차 기준으로 Fiala보다 경로(e와 ∆ϕ)를 최대 3.5×, 횡미끄럼각을 최대 1.5× 더 잘 추종했으며, 조향 진동이 더 적었다
뒷타이어 교체 후 ~3분의 수동 주행으로 ExpTanh를 재학습한 Figure-8 드리프트: 두 타이어 세트 모두에서 Fiala보다 RMS 횡방향 오차가 4× 넘게 낮았고 횡미끄럼각 추종이 2× 넘게 좋았다
Bridgestone 타이어 + Fiala 주행은 안전 운전자가 추종 오차에 불안을 느껴 조기에 종료되었다

한계

힘은 앞바퀴 종방향 힘을 0으로 가정할 수 있는 경우(후륜 구동, 앞바퀴 토크 없음)에만 추정되며, 이는 단순성을 위해 선택되었다
NODE 모델은 학습과 평가가 느리므로, 제어에는 그 해를 모방하도록 학습한 네트워크로 대체했으며, 이로 인해 추종 정확도가 일부 떨어졌다
특징 집합은 하나의 선택일 뿐이다. 저자들은 다른 차량에는 다른 선택이 맞을 수 있다고 언급한다
기준 궤적은 여전히 Fiala 모델로 계산되었고, 비교 데이터셋은 같은 노면에서 비슷한 여름 날씨에 수집되었다
주행 중 타이어 곡선의 온라인 업데이트는 향후 연구로 남겨 두었다

분야에 미친 영향

ICRA 2023 Outstanding Dynamics and Control Paper 상 최종 후보에 올랐으며, 인용 수는 47회다. 저자들은 실험 동영상을 공개했으며, 논문은 코드나 데이터 공개를 명시하지 않는다.

초록

접지 한계 근처에서 타이어가 생성하는 힘은 비선형이며 복잡하게 결합되어 있다. 이 영역에서 효율적이고 정확한 모델링은 안전성을 높일 수 있으며, 특히 큰 힘이 필요한 비상 상황에서 그렇다. 이를 위해 우리는 신경 상미분방정식과 neural-ExpTanh 매개변수화에 기반한 새로운 타이어 힘 모델 계열을 제안한다. 이 모델들은 물리적 통찰에 기반한 가정을 만족하도록 설계되면서도, 차량 상태 측정으로부터 고차 효과를 직접 포착할 만큼 충분한 충실도를 가진다. 이 모델들은 기존 비선형 모델 예측 제어 프레임워크에서 해석적 브러시 타이어 모델을 그대로 대체하여 사용된다. 개조된 Toyota Supra로 수행한 실험은 3분 미만의 적은 주행 데이터만으로도 최대 45mph의 속도로 다양한 궤적에서 고성능 자율 드리프트를 달성하기에 충분함을 보여 준다. 벤치마크 모델과의 비교는 추종 성능의 4× 향상, 더 매끄러운 제어 입력, 그리고 더 빠르고 일관된 계산 시간을 보여 준다.

링크

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