基于随机森林学习模型预测控制残差模型用于自动驾驶
机器人学
2023-04-11 v1 机器学习
系统与控制
系统与控制
摘要
基于学习的模型预测控制（MPC）用于自动驾驶的一个主要问题是系统模型的预测精度与计算效率之间的矛盾。系统模型覆盖的情况越多，就越复杂，并伴随高度非线性和非凸特性。这些问题使优化过于复杂而难以求解，并使实时控制不切实际。为解决这些问题，我们提出一种利用随机森林和线性回归的分层学习残差模型。所学习的模型包含两层。低层使用线性回归拟合残差，高层使用随机森林切换不同的线性模型。同时，我们采用带误差状态的线性动力学自行车模型作为标称模型。切换线性回归模型被加到标称模型上以构成系统模型。它将基于学习的MPC重新表述为一个二次规划（QP）问题，优化求解器可有效求解。实验路径跟踪结果表明，与标称MPC相比，驾驶车辆的预测精度和跟踪精度显著提升。与最先进的高斯过程非线性模型预测控制（GP-NMPC）相比，我们的方法在跟踪精度上更优，同时保持更低的计算消耗。
引用
@article{arxiv.2304.04366,
title = {Learning Residual Model of Model Predictive Control via Random Forests for Autonomous Driving},
author = {Kang Zhao and Jianru Xue and Xiangning Meng and Gengxin Li and Mengsen Wu},
journal= {arXiv preprint arXiv:2304.04366},
year = {2023}
}
备注
8 pages, 8 figures