FenixEdu™

Dissertação

Online learning of MPC for autonomous racing EVALUATED

Detalhes: Nesta dissertação, é projetada uma arquitetura de Controlo por Modelo Preditivo (MPC) baseada em técnicas de aprendizagem automática com o propósito de controlar um veículo autónomo de Formula Student (FS). Para a implementação em tempo real deste controlador e também para satisfazer os requisitos das competições de FS, este é implementado em C++ e o problema de otimização do MPC é resolvido utilizando um software comercial. Resumidamente, o controlador é capaz de aprender iterativamente à medida que o veículo se auto conduz. Esta aprendizagem é realizada para dois propósitos distintos: melhoria da precisão do modelo do veículo utilizado pelo controlador e encontrar automaticamente os parâmetros do controlador que resultam em tempos de volta mais rápidos. Encontrar as equações matemáticas que descrevam na totalidade a dinâmica de um veículo FS requer o uso de modelos de veículo cuja obtenção é não trivial. Para este propósito, um modelo de Rede Neuronal Artificial (ANN) é adicionado ao modelo nominal com o intuito de modelar dinâmicas não consideradas no modelo original. A AAN é treinada com recurso a Aprendizagem Supervisionada (SL) de modo online, cuja aprendizagem se baseia em erros de previsão anteriores. Posteriormente, os parâmetros do controlador são afinados com recurso a métodos de Aprendizagem por Reforço (RL) com o objetivo de determinar os parâmetros que permitem melhores tempos de volta. Em simulação, serão realizados vários testes em três pistas diferentes. Nomeadamente, é demonstrado que, aplicando as duas técnicas mencionadas, o algoritmo permite uma redução até 16.5% dos tempos de volta.
Keywords: Controlo por Modelo Preditivo, Aprendizagem de Modelo, Trajetória e Seguimento de Caminho, Corridas Autónomas.

Discussão: dezembro 13, 2021, 10:0