Learning to Drift in Extreme Turning with Active Exploration and Gaussian Process Based MPC

📄 arXiv: 2410.05740v3 📥 PDF

作者: Guoqiang Wu, Cheng Hu, Wangjia Weng, Zhouheng Li, Yonghao Fu, Lei Xie, Hongye Su

分类: cs.RO, cs.AI, eess.SY

发布日期: 2024-10-08 (更新: 2025-06-01)

💡 一句话要点

提出基于高斯过程回归MPC漂移控制器，通过主动探索提升极限转弯控制精度。

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 漂移控制 模型预测控制 高斯过程回归 主动探索 车辆动力学

📋 核心要点

  1. 传统车辆控制器在车辆大侧滑角漂移场景下控制效果不佳，主要原因是模型失配导致控制精度下降。
  2. 提出一种基于高斯过程回归（GPR）的模型预测控制（MPC）漂移控制器，利用GPR校正模型误差，并主动探索优化控制。
  3. 仿真和RC车辆实验表明，该方法能有效降低横向误差和速度跟踪误差，验证了GPR模型校正和主动探索的有效性。

📝 摘要（中文）

赛车中的极限转弯常导致车辆产生较大的侧滑角，对车辆控制构成重大挑战。传统的车辆控制器难以应对这种情况，因此需要使用漂移控制器。然而，漂移状态下的大侧滑角会导致模型失配，进而影响控制精度。为了解决这个问题，我们提出了一种模型校正漂移控制器，该控制器集成了模型预测控制（MPC）与高斯过程回归（GPR）。GPR用于校正漂移平衡求解和MPC优化过程中的车辆模型失配。此外，GPR的方差被用于主动探索不同的转弯漂移速度，旨在最小化轨迹跟踪误差。该算法通过Simulink-Carsim平台上的仿真和1:10比例RC车辆的实验进行了验证。在仿真中，使用GPR时的平均横向误差比不使用GPR时降低了52.8%。结合主动探索后，该误差进一步降低了27.1%。速度跟踪均方根误差（RMSE）也因主动探索而降低了10.6%。在RC车辆实验中，使用GPR时的平均横向误差降低了36.7%，主动探索进一步降低了29.0%。此外，包含主动探索后，速度跟踪RMSE降低了7.2%。

🔬 方法详解

问题定义：论文旨在解决赛车运动中极限转弯时，由于车辆产生较大侧滑角而导致的传统车辆控制方法失效的问题。现有方法在漂移状态下，车辆模型与实际情况存在较大偏差（模型失配），导致控制精度显著下降，难以实现精确的轨迹跟踪和速度控制。

核心思路：论文的核心思路是利用高斯过程回归（GPR）在线学习并校正车辆模型中的不确定性，从而提高模型预测控制（MPC）在漂移状态下的控制精度。此外，利用GPR提供的方差信息，主动探索不同的控制策略，进一步优化轨迹跟踪性能。

技术框架：整体框架包含以下几个主要模块：1) 漂移平衡求解器：用于确定车辆在特定侧滑角下的平衡状态。2) 基于GPR的模型校正：利用GPR学习车辆模型误差，并将其融入到MPC的预测模型中。3) 模型预测控制器（MPC）：基于校正后的模型，优化控制输入，实现轨迹跟踪和速度控制。4) 主动探索模块：利用GPR的方差信息，选择具有较高不确定性的控制输入进行探索，以进一步降低模型误差。

关键创新：论文的关键创新在于：1) 将GPR引入到漂移控制中，用于在线校正车辆模型误差，提高了MPC在漂移状态下的控制精度。2) 利用GPR的方差信息进行主动探索，进一步优化控制策略，降低轨迹跟踪误差。3) 将模型校正和主动探索集成到一个统一的控制框架中，实现了更鲁棒和高效的漂移控制。与现有方法相比，该方法能够更好地适应漂移状态下的模型不确定性，并实现更精确的轨迹跟踪。

关键设计：GPR模型的输入是车辆的状态（例如，速度、侧滑角）和控制输入（例如，转向角、油门），输出是车辆状态的预测误差。GPR使用高斯核函数，其超参数通过最大化边际似然估计进行优化。MPC的目标函数包括轨迹跟踪误差和控制输入的惩罚项。主动探索策略基于GPR的方差，选择方差较大的控制输入进行探索，并使用KL散度来约束探索的范围。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

仿真结果表明，使用GPR进行模型校正后，平均横向误差降低了52.8%，结合主动探索后，横向误差进一步降低了27.1%，速度跟踪RMSE降低了10.6%。在1:10比例RC车辆实验中，使用GPR后平均横向误差降低了36.7%，主动探索进一步降低了29.0%，速度跟踪RMSE降低了7.2%。实验结果验证了所提出算法的有效性。

🎯 应用场景

该研究成果可应用于自动驾驶赛车、高级驾驶辅助系统（ADAS）以及极限运动车辆控制等领域。通过提高车辆在极限工况下的控制精度和稳定性，可以提升驾驶安全性、改善驾驶体验，并为自动驾驶车辆在复杂环境下的运动规划提供更可靠的基础。

📄 摘要（原文）

Extreme cornering in racing often leads to large sideslip angles, presenting a significant challenge for vehicle control. Conventional vehicle controllers struggle to manage this scenario, necessitating the use of a drifting controller. However, the large sideslip angle in drift conditions introduces model mismatch, which in turn affects control precision. To address this issue, we propose a model correction drift controller that integrates Model Predictive Control (MPC) with Gaussian Process Regression (GPR). GPR is employed to correct vehicle model mismatches during both drift equilibrium solving and the MPC optimization process. Additionally, the variance from GPR is utilized to actively explore different cornering drifting velocities, aiming to minimize trajectory tracking errors. The proposed algorithm is validated through simulations on the Simulink-Carsim platform and experiments with a 1:10 scale RC vehicle. In the simulation, the average lateral error with GPR is reduced by 52.8% compared to the non-GPR case. Incorporating exploration further decreases this error by 27.1%. The velocity tracking Root Mean Square Error (RMSE) also decreases by 10.6% with exploration. In the RC car experiment, the average lateral error with GPR is 36.7% lower, and exploration further leads to a 29.0% reduction. Moreover, the velocity tracking RMSE decreases by 7.2% with the inclusion of exploration.