Core Concepts
高速領域で未知のダイナミクスを学習する新しいLMPC戦略が提案されました。
Abstract
この研究では、高速運転領域で未知のダイナミクスを探索し学習するための新しいLearning Model Predictive Control(LMPC)戦略が紹介されています。物理ベースのグローバルな非線形モデルとローカルな線形データ駆動型エラーダイナミクス学習を組み合わせています。シミュレーションと1/10スケールの実機実験を通じて、提案されたLMPCはパラメータ調整やデータ不足に対して改善された堅牢性を示すことが確認されました。また、高速自動車競技における車両ダイナミクスデータ取得の課題に対処する新しい可能性が提示されています。
Stats
LMPC戦略は20周後に平均ラップタイム(ILT-20)を6.5秒まで削減します。
ハードウェア実験では、低いバンド幅設定(h=3)で[8]は10.5回で失敗し、提案手法は19.1回で失敗します。
完全な回帰([8], h=10.0)とエラー回帰(私たち, h=10.0)では、平均ILT-20がほぼ同等です(6.82 vs 6.69)。
Quotes
"この作業では、高速自動車競技における車両操作限界まで安全かつ反復的に探索する新しいエラーダイナミクス学習アプローチが提案されました。"
"シミュレーションと実機実験を通じて、我々の手法は以前のLMPC作品と比較してパラメータチューニングやデータ不足に対してより堅牢性を示すことが示唆されます。"