Autonomous Drifting with 3 Minutes of Data via Learned Tire Models

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

Licenças

Acesso aberto
Artigo: CC BY 4.0

Tudo o que segue se baseia no artigo completo sob a licença CC BY 4.0; sua figura é mostrada com crédito aos autores.

Em resumo

Modelos de pneu Neural ODE e ExpTanh que impõem a curva de força em forma de S e o limite de atrito substituem um modelo de escova de Fiala em um NMPC de drift, reduzindo em mais de 4× o erro de rastreamento lateral em um carro real.

Por que importa

Um modelo de pneu ajustado com poucos minutos de dados de direção significa que um veículo pode ser reidentificado após uma troca de pneus sem instalações especializadas de teste de pneus. Os modelos aprendidos capturaram um acoplamento com o estado do veículo que o modelo de escova de eixo único não captura, e com eles o controlador convergiu em menos iterações de gradiente. Isso importa para qualquer controlador que opere no limite de atrito, do drift ao desvio de obstáculos em emergências.

Problema

As forças do pneu perto dos limites de aderência são não lineares e acopladas à suspensão, à transferência de peso e a outros efeitos do chassi. Controladores para drift e manobras de emergência geralmente agrupam cada eixo em um único modelo analítico de pneu, como o modelo de escova de Fiala, que não captura esses efeitos de ordem superior. Modelos neurais de pneu caixa-preta perdem as garantias físicas e não haviam sido testados em um carro de tamanho real nos limites de dirigibilidade.

Solução proposta

Os autores aprendem as forças do pneu por eixo a partir de medições do estado do veículo com uma ODE neural cuja segunda derivada e pontos de inflexão aprendidos impõem a curva de força em forma de S, com uma penalidade suave por exceder o limite de atrito estimado. O ExpTanh, um subconjunto dessas soluções em forma fechada, é barato de avaliar e de diferenciar para controle em tempo real. Ambos os modelos recebem estados selecionados do veículo (taxa de guinada, velocidade, ângulo de deriva) como características e são usados como substitutos diretos do modelo de Fiala em um NMPC de drift existente.

Principais ideias

Restringir o sinal da segunda derivada aprendida entre pontos de inflexão aprendidos garante a curva do pneu em forma de S, deixando sua forma exata para os dados
O ExpTanh precisa de apenas duas avaliações de exp, contra três avaliações de arctan na Magic Formula, e seu máximo pode ser encontrado analiticamente
Adicionar a taxa de guinada, a velocidade e o ângulo de deriva como características permite que o modelo do eixo absorva efeitos do chassi, como transferência de peso e cambagem, que deslocaram e achataram as curvas aprendidas
Um modelo de pneu mais suave e preciso reduziu as iterações de gradiente do NMPC; com o modelo de Fiala, as iterações triplicaram na transição do drift para a direção com aderência
Retreinar o ExpTanh após uma troca de pneus levou menos de 15 s na GPU de um notebook, enquanto o modelo de Fiala inalterado piorou com os pneus novos

Principais resultados

Offline, os erros de predição do NODE e do ExpTanh foram pelo menos 1,5× mais densos em torno do erro médio zero do que os do Fiala e da Magic Formula (legenda da Fig. 4); a introdução afirma até 2× mais densos
O treinamento em um conjunto de dados de 306.887 medições de estado (~1 hora) levou ~27 minutos para o NODE e ~4 minutos para o ExpTanh em uma GeForce RTX 2060 de notebook
Drift em slalom com referências de ângulo de deriva de até 43° a 31–45 mph: o ExpTanh rastreou o caminho (e e ∆ϕ) até 3,5× melhor e o ângulo de deriva até 1,5× melhor que o Fiala em erro RMS, com menos oscilações de direção
Drift em figura de 8 após troca dos pneus traseiros, com o ExpTanh retreinado com ~3 minutos de direção manual: erro lateral RMS mais de 4× menor e rastreamento do ângulo de deriva mais de 2× melhor que o Fiala nos dois conjuntos de pneus
A execução com pneus Bridgestone + Fiala foi encerrada mais cedo porque o motorista de segurança não estava confortável com o erro de rastreamento

Limitações

As forças são estimadas apenas para casos em que a força longitudinal dianteira pode ser assumida nula (tração traseira, sem torque dianteiro), escolhidos por simplicidade
O modelo NODE é lento para treinar e avaliar, então, para o controle, foi substituído por uma rede treinada para imitar suas soluções, o que custou alguma precisão de rastreamento
O conjunto de características é uma escolha possível; os autores observam que outras seleções podem servir melhor a outros veículos
As trajetórias de referência ainda foram calculadas com o modelo de Fiala, e o conjunto de dados de comparação foi coletado nas mesmas superfícies, com clima de verão semelhante
A atualização online das curvas do pneu durante a direção fica para trabalhos futuros

Impacto na área

Finalista do prêmio ICRA 2023 Outstanding Dynamics and Control Paper, com 47 citações. Os autores publicam vídeos dos experimentos; o artigo não menciona a liberação de código ou de dados.

Resumo

Perto dos limites de aderência, as forças geradas por um pneu são não lineares e intrincadamente acopladas. Uma modelagem eficiente e precisa nessa região poderia melhorar a segurança, especialmente em situações de emergência em que forças elevadas são necessárias. Para isso, propomos uma nova família de modelos de força do pneu baseados em equações diferenciais ordinárias neurais e em uma parametrização neural-ExpTanh. Esses modelos são projetados para satisfazer pressupostos fisicamente fundamentados e, ao mesmo tempo, ter fidelidade suficiente para capturar efeitos de ordem superior diretamente a partir de medições do estado do veículo. Eles são usados como substitutos diretos de um modelo analítico de pneu de escova em um framework existente de controle preditivo por modelo não linear. Experimentos com um Toyota Supra modificado mostram que uma quantidade escassa de dados de direção – menos de três minutos – é suficiente para alcançar drift autônomo de alto desempenho em várias trajetórias, com velocidades de até 45mph. Comparações com o modelo de referência mostram uma melhoria de 4× no desempenho de rastreamento, entradas de controle mais suaves e tempo de computação mais rápido e mais consistente.

Open Source Robotics