Learning to Drift in Extreme Turning with Active Exploration and Gaussian Process Based MPC
Created by
Haebom
저자
Guoqiang Wu, Cheng Hu, Wangjia Weng, Zhouheng Li, Yonghao Fu, Lei Xie, Hongye Su
개요
본 논문은 레이싱에서 극단적인 코너링으로 인한 큰 사이드 슬립 각을 효과적으로 제어하기 위한 모델 보정 드리프트 컨트롤러를 제안합니다. 모델 예측 제어(MPC)와 가우시안 프로세스 회귀(GPR)를 통합하여 드리프트 평형 해석 및 MPC 최적화 과정에서 차량 모델 불일치를 보정합니다. GPR의 분산을 활용하여 다양한 코너링 드리프트 속도를 탐색하고, 궤적 추적 오차를 최소화합니다. Simulink-Carsim 시뮬레이션 및 1:10 스케일 RC 차량 실험을 통해 알고리즘의 유효성을 검증하였으며, 시뮬레이션과 실험 모두에서 GPR을 사용하여 평균 측면 오차와 속도 추적 RMSE를 상당히 감소시키는 결과를 얻었습니다.
시사점, 한계점
•
시사점:
◦
GPR을 이용한 모델 보정을 통해 드리프트 상황에서의 차량 제어 정확도를 향상시킬 수 있음을 보여줌.
◦
GPR의 분산을 활용한 탐색 전략으로 궤적 추적 오차를 추가적으로 감소시킬 수 있음을 확인.
◦
Simulink-Carsim 시뮬레이션과 RC카 실험을 통해 제안된 알고리즘의 실효성을 검증.
◦
극단적인 코너링 상황에서의 차량 제어 기술 발전에 기여.
•
한계점:
◦
제안된 알고리즘의 성능은 Simulink-Carsim 시뮬레이션과 1:10 스케일 RC 차량 실험에 국한됨. 실제 크기의 차량에 적용했을 때의 성능은 추가적인 연구가 필요.
◦
GPR 모델의 정확도는 학습 데이터에 의존적이며, 다양한 주행 조건에 대한 일반화 성능을 향상시키기 위한 추가적인 연구가 필요.
