Autonomous Drifting with 3 Minutes of Data via Learned Tire Models

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

授權條款

• 開放取用
• 論文: CC BY 4.0

以下內容皆依據論文全文，依其 CC BY 4.0 授權條款使用；圖表已標示作者。

一句話摘要

強制滿足 S 形力曲線與摩擦極限的 Neural ODE 與 ExpTanh 輪胎模型，在甩尾 NMPC 中取代 Fiala 刷子模型，在實車上將橫向追蹤誤差降低超過 4×。

為何重要

只需幾分鐘駕駛資料就能擬合的輪胎模型，意味著車輛換胎後不需專門的輪胎測試設施就能重新識別。學習模型捕捉到單軸刷子模型所遺漏、與車輛狀態的耦合，使用這些模型時控制器以更少的梯度迭代就能收斂。這對任何在摩擦極限下運作的控制器都很重要，從甩尾到緊急避障皆然。

問題

抓地極限附近的輪胎力是非線性的，且與懸吊、重量轉移及其他底盤效應耦合。用於甩尾與緊急操控的控制器，通常把每個車軸合併成單一的解析輪胎模型，例如 Fiala 刷子模型，因而遺漏這些高階效應。黑箱神經輪胎模型失去了物理上的保證，也尚未在操控極限下的全尺寸車輛上測試過。

提出的方法

作者以神經 ODE 從車輛狀態量測學習車軸輪胎力，其學到的二階導數與反曲點強制滿足 S 形力曲線，並對超過估計摩擦極限施加軟性懲罰。ExpTanh 是這些解的一個封閉形式子集，計算與微分的成本都很低，適合即時控制。兩種模型都以選定的車輛狀態（偏航角速度、速度、側滑角）作為特徵，並在既有的甩尾 NMPC 中直接取代 Fiala 模型。

關鍵見解

• 在學到的反曲點之間約束學到的二階導數符號，可保證 S 形輪胎曲線，同時把確切形狀交由資料決定
• ExpTanh 只需兩次 exp 運算，Magic Formula 則需三次 arctan 運算，而且其最大值可以解析求得
• 加入偏航角速度、速度與側滑角作為特徵，讓車軸模型能吸收重量轉移與外傾角等底盤效應，這些效應使學到的曲線位移並變得平緩
• 更平順、更準確的輪胎模型減少了 NMPC 的梯度迭代次數；使用 Fiala 模型時，從甩尾轉為抓地行駛的過程中迭代次數增為三倍
• 換胎後在筆電 GPU 上重新訓練 ExpTanh 不到 15 s，而未更動的 Fiala 模型在新輪胎上表現變差

主要結果

• 離線時，NODE 與 ExpTanh 的預測誤差在零平均誤差附近的密集程度至少是 Fiala 與 Magic Formula 的 1.5×（Fig. 4 圖說）；引言則稱最高達 2×
• 在筆電 GeForce RTX 2060 上，以含 306,887 筆狀態量測（~1 小時）的資料集訓練，NODE 耗時 ~27 分鐘，ExpTanh 耗時 ~4 分鐘
• 在 31–45 mph、側滑角參考值最高 43° 的繞樁甩尾中：以 RMS 誤差計，ExpTanh 的路徑追蹤（e 與 ∆ϕ）比 Fiala 好最多 3.5×，側滑角追蹤好最多 1.5×，且轉向振盪較少
• 更換後輪胎後的 8 字甩尾，ExpTanh 以 ~3 分鐘手動駕駛資料重新訓練：在兩組輪胎上，RMS 橫向誤差都比 Fiala 低 4× 以上，側滑角追蹤好 2× 以上
• Bridgestone 輪胎 + Fiala 的那次執行被提前結束，因為安全駕駛對追蹤誤差感到不安

限制

• 只在可假設前輪縱向力為零的情況下（後輪驅動、前輪無扭矩）估計力，這是為了簡化而做的選擇
• NODE 模型的訓練與計算都很慢，因此在控制中改用一個經訓練模仿其解的網路，因而損失了一些追蹤準確度
• 特徵集只是一種選擇；作者指出其他選擇可能更適合其他車輛
• 參考軌跡仍以 Fiala 模型計算，且比較用的資料集是在相同路面、相似的夏季天候下收集的
• 行駛中對輪胎曲線的線上更新留待未來研究

對領域的影響

入圍 ICRA 2023 傑出動力學與控制論文獎決選，被引用 47 次。作者公開了實驗影片；論文未說明是否釋出程式碼或資料。

摘要

在抓地極限附近，輪胎產生的力是非線性的，且彼此錯綜耦合。在這個區域進行有效率且準確的建模可以提升安全性，特別是在需要大作用力的緊急情況下。為此，我們提出一類以神經常微分方程與 neural-ExpTanh 參數化為基礎的新型輪胎力模型。這些模型的設計既滿足具物理洞見的假設，又有足夠的擬真度，能直接從車輛狀態量測中捕捉高階效應。在一個既有的非線性模型預測控制框架中，它們被用來直接取代解析的刷子輪胎模型。以一輛客製化 Toyota Supra 進行的實驗顯示，少量的駕駛資料（不到三分鐘）就足以在多種軌跡上以最高 45mph 的速度達成高效能的自主甩尾。與基準模型相比，追蹤效能提升 4×，控制輸入更平順，計算時間更短也更穩定。

連結

• 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