GP-enhanced Autonomous Drifting Framework using ADMM-based iLQR

📄 arXiv: 2503.11083v1 📥 PDF

作者: Yangyang Xie, Cheng Hu, Nicolas Baumann, Edoardo Ghignone, Michele Magno, Lei Xie

分类: cs.RO, eess.SY

发布日期: 2025-03-14

💡 一句话要点

提出基于GP增强和ADMM-iLQR的自动漂移控制框架，提升复杂环境下的控制精度与效率。

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 自动驾驶 漂移控制 高斯过程回归 ADMM iLQR 非线性控制 轨迹优化

📋 核心要点

  1. 自动漂移控制面临非线性动力学和实时控制的挑战，尤其是在不确定环境中，模型误差会显著影响控制性能。
  2. 该框架结合高斯过程回归补偿模型误差，并利用ADMM分解iLQR优化问题，从而提高控制精度和计算效率。
  3. 仿真结果表明，该方法在漂移轨迹跟踪方面显著优于传统方法，且计算速度更快，更适合实时控制。

📝 摘要（中文）

本文提出了一种用于自动驾驶车辆在复杂环境下沿任意路径漂移的分层控制框架。该框架集成了高斯过程(GP)回归和基于交替方向乘子法(ADMM)的迭代线性二次调节器(iLQR)，旨在解决模型不准确和实时控制中的计算挑战。GP回归有效地补偿了模型残差，提高了动态条件下的精度。ADMM-iLQR不仅结合了iLQR的快速轨迹优化能力，还利用ADMM将问题分解为更简单的子问题。仿真结果表明，该框架在漂移轨迹跟踪和计算效率方面均有显著提升。与内点优化器(IPOPT)相比，本文方法使均方根误差(RMSE)横向误差降低了38%，平均计算时间降低了75%。

🔬 方法详解

问题定义：自动漂移控制是一个复杂的问题，其难点在于车辆的高度非线性动力学特性以及对精确实时控制的需求。现有的方法往往难以兼顾模型精度和计算效率，尤其是在模型存在不确定性的情况下，控制性能会显著下降。传统的优化方法，如IPOPT，计算复杂度高，难以满足实时性要求。

核心思路：本文的核心思路是利用高斯过程(GP)回归来学习和补偿模型误差，从而提高模型精度。同时，采用基于交替方向乘子法(ADMM)的迭代线性二次调节器(iLQR)进行轨迹优化，利用ADMM将复杂的优化问题分解为多个子问题，从而降低计算复杂度，提高计算效率。这种混合方法旨在结合GP的建模能力和ADMM-iLQR的优化效率，实现更精确、更快速的自动漂移控制。

技术框架：该框架采用分层控制结构。首先，利用GP回归对车辆动力学模型进行修正，学习模型残差。然后，使用ADMM-iLQR算法进行轨迹优化，生成控制指令。ADMM-iLQR将原始优化问题分解为多个子问题，每个子问题可以并行求解，从而加速优化过程。最后，将控制指令发送给车辆执行器，实现自动漂移控制。

关键创新：该论文的关键创新在于将GP回归和ADMM-iLQR算法相结合，用于自动漂移控制。GP回归能够有效地补偿模型误差，提高模型精度，而ADMM-iLQR能够降低计算复杂度，提高计算效率。与传统的基于模型预测控制(MPC)的方法相比，该方法在模型精度和计算效率方面均有优势。

关键设计：GP回归使用径向基函数(RBF)核函数，通过最大化边际似然估计来学习超参数。ADMM-iLQR算法将原始优化问题分解为状态更新、控制更新和对偶变量更新三个子问题。状态更新和控制更新使用iLQR算法求解，对偶变量更新使用ADMM算法求解。算法的关键参数包括ADMM的惩罚参数和iLQR的正则化参数，这些参数需要根据具体问题进行调整。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，该方法在漂移轨迹跟踪方面取得了显著的性能提升。与传统的内点优化器(IPOPT)相比，该方法使均方根误差(RMSE)横向误差降低了38%，平均计算时间降低了75%。这表明该方法在保证控制精度的同时，显著提高了计算效率，更适合实时控制应用。

🎯 应用场景

该研究成果可应用于自动驾驶车辆的运动规划与控制，尤其是在需要车辆具备高机动性的场景，如赛车、紧急避险等。此外，该方法也可推广到其他非线性系统的控制问题，具有广泛的应用前景。未来，该研究可进一步扩展到考虑环境感知和决策的完整自动驾驶系统。

📄 摘要（原文）

Autonomous drifting is a complex challenge due to the highly nonlinear dynamics and the need for precise real-time control, especially in uncertain environments. To address these limitations, this paper presents a hierarchical control framework for autonomous vehicles drifting along general paths, primarily focusing on addressing model inaccuracies and mitigating computational challenges in real-time control. The framework integrates Gaussian Process (GP) regression with an Alternating Direction Method of Multipliers (ADMM)-based iterative Linear Quadratic Regulator (iLQR). GP regression effectively compensates for model residuals, improving accuracy in dynamic conditions. ADMM-based iLQR not only combines the rapid trajectory optimization of iLQR but also utilizes ADMM's strength in decomposing the problem into simpler sub-problems. Simulation results demonstrate the effectiveness of the proposed framework, with significant improvements in both drift trajectory tracking and computational efficiency. Our approach resulted in a 38$\%$ reduction in RMSE lateral error and achieved an average computation time that is 75$\%$ lower than that of the Interior Point OPTimizer (IPOPT).