핵심 개념
자율 주행을 위한 새로운 LMPC 전략은 고속 운전 영역에서 알려지지 않은 동역학을 반복적으로 탐색하고 학습할 수 있습니다.
초록
이 연구는 자율 주행을 위한 새로운 LMPC 전략을 제시합니다.
기존 LMPC 공식에서 시스템 동역학 학습 방법을 수정하여 오차 동역학의 지역적 선형 데이터 기반 학습을 사용합니다.
시뮬레이션 및 1/10 스케일 하드웨어에서 실험을 실시하고, Indy Autonomous Challenge (IAC)에서 사용된 완전 규모의 자율 주행 레이스카에 제안된 LMPC를 적용했습니다.
제안된 제어 정책은 매개 변수 조정 및 데이터 부족에 대한 강건성을 나타냅니다.
고속 영역에서 차량 동역학의 반복적 및 안전한 탐색 및 학습이 관찰되었습니다.
통계
우리의 방법은 고속 영역에서 차량 동역학 데이터의 부족에 대해 더 큰 강건성을 나타냅니다.
LMPC는 20회 반복 후 평균 주행 시간(ILT-20)을 개선합니다.
LMPC는 다양한 제어율 비용(CRC)에 대한 강건성을 보입니다.
인용구
"우리의 방법은 고속 영역에서 차량 동역학 데이터의 부족에 대해 더 큰 강건성을 나타냅니다."
"LMPC는 20회 반복 후 평균 주행 시간(ILT-20)을 개선합니다."