Nonplanar Model Predictive Control for Autonomous Vehicles with Recursive Sparse Gaussian Process Dynamics

1. Planteamiento del Problema

La investigación aborda el desafío de la navegación autónoma de vehículos en terrenos no planares (fuera de carretera, con pendientes, colinas, baches y superficies irregulares).

• Limitación actual: La mayoría de las investigaciones y sistemas de control existentes asumen terrenos planos. Los modelos dinámicos tradicionales (como el modelo de bicicleta de un solo rastro) fallan al capturar las interacciones complejas entre el vehículo y la geometría 3D del terreno.
• Desafío de modelado: Modelar analíticamente la dinámica completa de un vehículo en superficies 3D es extremadamente difícil debido a la complejidad de las interacciones suelo-vehículo.
• Limitación de los enfoques basados en aprendizaje: Los métodos anteriores que utilizan redes neuronales requieren grandes conjuntos de datos de entrenamiento y procesos de entrenamiento offline, lo que impide la adaptación en tiempo real a la incertidumbre variable del terreno.

2. Metodología Propuesta

Los autores proponen un marco de Control Predictivo Basado en Modelos (MPC) que integra un modelo dinámico híbrido y un algoritmo de optimización estocástica.

A. Modelado de la Dinámica del Vehículo (Enfoque Híbrido)

El núcleo de la propuesta es un modelo de dinámica que combina:

1. Modelo Nominal: Un modelo de bicicleta de un solo rastro (single-track bicycle model) que describe la dinámica en una superficie plana.
2. Modelo de Residuo Aprendizable: Un Proceso Gaussiano (GP) disperso (Sparse Gaussian Process) que aprende el error (residuo) entre el modelo nominal y la realidad en terrenos no planares.
   • Entradas del GP: El modelo GP toma como entrada la geometría del terreno (ángulos de roll y pitch derivados del vector normal del terreno) junto con el estado del vehículo y los controles.
   • Actualización Recursiva: A diferencia de los modelos estáticos, el GP se actualiza en línea (online) en cada paso de tiempo utilizando un algoritmo de mínimos cuadrados recursivos. Esto permite al sistema adaptarse a cambios en el terreno sin necesidad de reentrenamiento offline.
   • Formulación: La dinámica total se expresa como $x_{k+1} = \text{ODESolve}(f_{ST}, x_k, u_k) + H \cdot \text{GP}(\xi_k)$, donde el término del GP compensa las no linealidades no planares.

B. Control Predictivo (MPC) y Solución MPPI

Dado que el modelo resultante es altamente no lineal, resolver el problema de optimización del MPC de forma analítica es inviable.

• Algoritmo: Se utiliza Model Predictive Path Integral (MPPI), un método de control basado en muestreo.
• Proceso:
  1. Se generan múltiples trayectorias de control (rollouts) en paralelo (usando GPU).
  2. Para cada trayectoria, el sistema propaga el estado utilizando el modelo híbrido (Nominal + GP), interpolando los ángulos de inclinación del terreno a lo largo del horizonte de control.
  3. Se calcula una función de costo que penaliza la desviación de la trayectoria de referencia, la magnitud del control y sus variaciones.
  4. Se aplica muestreo de importancia para ponderar las trayectorias y seleccionar la secuencia de control óptima.

3. Contribuciones Clave

1. Marco de Control No Planar en Tiempo Real: Desarrollo de un sistema MPC capaz de operar en terrenos 3D complejos, superando la limitación de los modelos de terreno plano.
2. Modelado de Residuo con GP Disperso Recursivo: Introducción de un modelo de GP que se actualiza recursivamente en línea. Esto permite capturar la incertidumbre dinámica del terreno y adaptarse a medida que el vehículo avanza, sin los requisitos de datos masivos de las redes neuronales.
3. Integración con MPPI: Una implementación eficiente que combina la precisión del aprendizaje de residuo con la capacidad de optimización no lineal del MPPI, ejecutada en paralelo en GPU para cumplir con los requisitos de tiempo real.
4. Entorno de Simulación Open Source: Creación y publicación de un entorno de simulación personalizado en NVIDIA Isaac Sim con múltiples pistas no planares para validar y reproducir los resultados.

4. Resultados y Validación

La validación se realizó en el entorno de simulación Isaac Sim con tres tipos de pistas no planares: forma de riñón, forma de "L" y ovalada, con pendientes que alcanzan hasta 75° en algunos casos.

• Rendimiento de Seguimiento:
  • El modelo de bicicleta simple (línea base) mostró fluctuaciones significativas y falló en mantener la estabilidad en curvas de alta pendiente (ej. pista ovalada), provocando la salida del vehículo de la pista.
  • El marco propuesto (GP Recursivo) logró un seguimiento preciso de la trayectoria de referencia en todas las pistas, manteniendo la estabilidad incluso en pendientes pronunciadas y curvas cerradas.
• Error de Seguimiento: Los histogramas de error de seguimiento transversal (cross-track error) demostraron una reducción drástica en el error medio y la varianza al utilizar el modelo de residuo aprendido en comparación con el modelo nominal.
• Eficiencia Computacional: A pesar de la complejidad añadida del GP, el sistema mantiene una frecuencia de planificación de ~50 Hz (tiempo de cálculo < 20 ms), lo que lo hace viable para el control en tiempo real.

5. Significado e Impacto

Este trabajo representa un avance significativo hacia la navegación autónoma robusta en entornos no estructurados (off-road).

• Adaptabilidad: La capacidad de actualizar el modelo dinámico en tiempo real es crucial para aplicaciones reales donde el terreno es desconocido o cambia dinámicamente.
• Seguridad: Al mejorar la precisión del modelo de dinámica, el sistema de control puede predecir con mayor fiabilidad el comportamiento del vehículo en pendientes, reduciendo el riesgo de vuelcos o pérdida de control.
• Escalabilidad: La combinación de MPC con MPPI y GPs dispersos ofrece un enfoque escalable que equilibra la precisión del modelo con la viabilidad computacional, sentando las bases para futuras pruebas en vehículos físicos reales y la integración de obstáculos dinámicos.