FenixEdu™

Dissertação

Learning to Drive Autonomously a Race Car EVALUATED

Detalhes: Nesta tese, apresentamos a adaptação de uma arquitetura de Controlo por Modelo Preditivo (MPC) baseada em Aprendizagem para corridas autónomas à competição Formula Student Driverless (FSD). Este controlador aprende sobre iterações passadas através da construção de determinados conjunto e funcional de custo terminal por base em trajetórias e sequências de ação de controlo recolhidas. Melhoramos a capacidade de atuação em tempo-real para que satisfaça os requisitos de FSD ao implementar o controlador em C++ e resolver a optimização num programa comercial desenhado para a solução embebida de MPCs. Uma das principais dificuldades na corrida autónoma é que os modelos que cobrem toda a janela dinâmica são não-lineares e difíceis de identificar. Para atenuar este problem, usamos medidas passadas e atuais e técnicas de aprendizagem automática para prever o error do modelo nominal. Em particular, usamos duas aproximações esparsas de Gaussian Process Regression (GPR) para aprendizagem do erro do modelo. Em seguida, testamos este controlador num simulador de veículo dedicado à competição FSD. Mostramos que a arquitectura original é capaz de melhorar a sua performance, medida em tempos de volta, em cerca de 10%. No entanto, a disparidade entre o modelo nominal e as medidas torna-se bastante acentuada à medida que o controlador se torna incrementalmente mais agressivo o que resulta no não cumprimento do constrangimento da largura da pista. Seguidamente, demonstramos que GPR consegue reduzir o erro do modelo nominal até 75% e reduzir o tempo de volta até 12%.
Keywords: Controlo por Modelo Preditivo, Aprendizagem de Modelo para Controlo, Aprendizagem e Sistemas Adaptativos, Trajetória e Seguimento de Caminho, Corrida Autónoma.

Discussão: setembro 23, 2021, 15:0