利用并行化数字孪生进行基于学习的自动驾驶 NMPC 自适应
机器人学
2024-07-25 v2 系统与控制
系统与控制
摘要
在本工作中，我们专注于将自动驾驶控制器从仿真转移到现实世界（即 Sim2Real）的挑战。我们提出了一种数据高效的方法，用于参数化控制架构的在线和即时自适应，以便在考虑模型不匹配、环境变化和任务变化等不确定性的同时优化目标闭环性能。该方法的新颖性在于利用可执行数字孪生（xDTs）启用的黑盒优化，通过无导数方法进行数据驱动的参数校准，从而直接在实时中自适应控制器。xDTs 增强了域随机化以提高鲁棒性，并允许安全的参数探索。所提出的方法需要极少量的与现实世界的交互，因为它将探索推向 xDTs。我们通过现实世界实验验证了我们的方法，证明了其在不到 10 分钟内转移和微调具有 9 个参数的非线性模型预测控制（NMPC）的有效性。这消除了长达数小时的手动调整以及漫长的机器学习训练和数据收集阶段的需要。我们的结果表明，在线自适应的 NMPC 直接补偿了 Sim2Real 差距，并避免了在仿真中的过度调整。重要的是，跟踪性能提高了 75%，且相对于目标性能的 Sim2Real 差距从 876 倍减少到了 1.033。
引用
@article{arxiv.2402.16645,
title = {Learning Based NMPC Adaptation for Autonomous Driving using Parallelized Digital Twin},
author = {Jean Pierre Allamaa and Panagiotis Patrinos and Herman Van der Auweraer and Tong Duy Son},
journal= {arXiv preprint arXiv:2402.16645},
year = {2024}
}
备注
This work has been accepted by IEEE for possible publication