迭代高斯过程回归中的主动探索用于自动驾驶赛车的不确定性建模
系统与控制
2023-11-06 v1 系统与控制
摘要
自动驾驶赛车带来了具有挑战性的控制问题，但模型预测控制(MPC)已在求解最小圈速问题与头对头竞速方面取得可喜进展。然而，基于模型的控制需要系统的精确模型，包括车辆动力学与对手行为的模型。动力学模型误差与对手行为均可由高斯过程(GP)回归建模。GP 模型可利用控制器采集的数据迭代更新，但 GP 模型的强度取决于训练数据的多样性。我们提出一种用于迭代 GP 回归的新型主动探索机制，该机制有目的地在 GP 模型中不确定性较高的区域采集额外数据。在探索中，MPC 通过平衡竞速目标与探索准则来采集多样化数据；随后重新训练 GP。该过程迭代重复；在后续迭代中，探索被停用，仅优化竞速目标。因此，MPC 可借助改进的 GP 模型取得更优性能。我们在索尼互动娱乐公司的高度逼真竞速仿真平台 Gran Turismo Sport 中针对最小圈速挑战，以及在头对头的数值仿真中验证了我们的方法。与先前方法相比，我们的主动探索机制显著提升了 GP 预测精度，从而改善了竞速表现。
引用
@article{arxiv.2311.01993,
title = {Active Exploration in Iterative Gaussian Process Regression for Uncertainty Modeling in Autonomous Racing},
author = {Tommaso Benciolini and Chen Tang and Marion Leibold and Catherine Weaver and Masayoshi Tomizuka and Wei Zhan},
journal= {arXiv preprint arXiv:2311.01993},
year = {2023}
}