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

许可协议

• 开放获取
• 论文: CC BY 4.0

以下内容均依据论文全文，按其 CC BY 4.0 许可协议使用；其中的图已注明作者。

一句话总结

强制满足 S 形力曲线和摩擦极限的 Neural ODE 和 ExpTanh 轮胎模型，在漂移 NMPC 中取代 Fiala 刷子模型，在真实汽车上将横向跟踪误差降低超过 4×。

为何重要

一个只需几分钟驾驶数据即可拟合的轮胎模型，意味着车辆在更换轮胎后无需专门的轮胎测试设施即可重新辨识。学习模型捕捉到了单轴刷子模型所忽略的与车辆状态的耦合，使用这些模型时控制器在更少的梯度迭代内即可收敛。这对任何在摩擦极限下工作的控制器都很重要，从漂移到紧急避障皆是如此。

问题

附着极限附近的轮胎力是非线性的，并与悬架、载荷转移及其他底盘效应耦合。用于漂移和紧急操纵的控制器通常把每个车轴合并为单一的解析轮胎模型，例如 Fiala 刷子模型，而这会遗漏这些高阶效应。黑箱神经轮胎模型失去了物理上的保证，且尚未在操控极限下的全尺寸汽车上测试过。

提出的方法

作者利用神经 ODE 从车辆状态测量中学习车轴轮胎力，其学到的二阶导数和拐点强制满足 S 形力曲线，并对超过估计摩擦极限施加软惩罚。ExpTanh 是这些解的一个闭式子集，计算和求导都很廉价，适合实时控制。两种模型都以选定的车辆状态（横摆角速度、速度、侧偏角）为特征，并在一个现有的漂移 NMPC 中直接替代 Fiala 模型。

关键见解

• 在学到的拐点之间约束学到的二阶导数的符号，可以保证 S 形轮胎曲线，同时把其确切形状交给数据决定
• ExpTanh 只需两次 exp 运算，而 Magic Formula 需要三次 arctan 运算，并且其最大值可以解析求得
• 加入横摆角速度、速度和侧偏角作为特征，使车轴模型能够吸收载荷转移和外倾角等底盘效应，这些效应使学到的曲线发生偏移并变得平缓
• 更平滑、更准确的轮胎模型减少了 NMPC 的梯度迭代次数；使用 Fiala 模型时，从漂移过渡到抓地行驶期间迭代次数增至三倍
• 更换轮胎后，在笔记本 GPU 上重新训练 ExpTanh 用时不到 15 s，而未更改的 Fiala 模型在新轮胎上性能下降

主要结果

• 离线情况下，NODE 和 ExpTanh 的预测误差在零均值误差附近的密集程度至少是 Fiala 和 Magic Formula 的 1.5×（Fig. 4 图注）；引言称密集程度最高达 2×
• 在笔记本 GeForce RTX 2060 上，用包含 306,887 条状态测量（~1 小时）的数据集训练，NODE 用时 ~27 分钟，ExpTanh 用时 ~4 分钟
• 在 31–45 mph 下、侧偏角参考值最高 43° 的绕桩漂移中：按 RMS 误差计，ExpTanh 的路径跟踪（e 和 ∆ϕ）比 Fiala 好最多 3.5×，侧偏角跟踪好最多 1.5×，且转向振荡更少
• 更换后轮胎后的 8 字漂移，ExpTanh 用 ~3 分钟的人工驾驶数据重新训练：在两套轮胎上，RMS 横向误差均比 Fiala 低 4× 以上，侧偏角跟踪好 2× 以上
• Bridgestone 轮胎 + Fiala 的那次运行被提前终止，因为安全驾驶员对跟踪误差感到不安

局限

• 仅在可假定前轮纵向力为零的情况下（后轮驱动、前轮无扭矩）估计力，这是为了简化而选择的
• NODE 模型训练和计算都很慢，因此在控制中被替换为一个经训练模仿其解的网络，这损失了一部分跟踪精度
• 特征集只是一种选择；作者指出，其他选择可能更适合其他车辆
• 参考轨迹仍是用 Fiala 模型计算的，且对比数据集是在相同路面、相似的夏季天气下采集的
• 驾驶过程中对轮胎曲线的在线更新留待未来工作

对领域的影响

入围 ICRA 2023 杰出动力学与控制论文奖决赛，被引用 47 次。作者发布了实验视频；论文未说明是否发布代码或数据。

摘要

在附着极限附近，轮胎产生的力是非线性的，并且复杂地相互耦合。在这一区域进行高效而准确的建模可以提升安全性，尤其是在需要大作用力的紧急情况下。为此，我们提出一类基于神经常微分方程和 neural-ExpTanh 参数化的新型轮胎力模型。这些模型的设计既满足具有物理意义的假设，又具有足够的保真度，可以直接从车辆状态测量中捕捉高阶效应。在一个现有的非线性模型预测控制框架中，它们被用作解析刷子轮胎模型的直接替代。在一辆定制 Toyota Supra 上的实验表明，少量的驾驶数据（不到三分钟）就足以在多种轨迹上以最高 45mph 的速度实现高性能自主漂移。与基准模型相比，跟踪性能提高了 4×，控制输入更平滑，计算时间更短且更稳定。

链接

• 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