Resumen Técnico: Planificación de Trayectoria y Control cerca de los Límites en la Plataforma RoboRacer

Enunciado del Problema

A pesar de los avances en la conducción autónoma, planificar y ejecutar maniobras de alta aceleración cerca de los límites de manejo del vehículo sigue siendo un desafío significativo. Si bien las carreras autónomas sirven como un banco de pruebas seguro para dichas estrategias, la comunidad carece de puntos de referencia de código abierto que evalúen nuevos métodos de planificación y control en escenarios del mundo real de alta aceleración. Además, aunque las Redes Neuronales Estructuradas por Modelos (MS-NN) y la replanificación de velocidad óptima en tiempo han mostrado promesa en simulación, su rendimiento en lazo cerrado dentro de una pila modular unificada de Planificación-Planificación-Control (PPC) para carreras del mundo real está en gran medida sin explorar. Los enfoques existentes a menudo luchan con el acoplamiento no lineal de las dinámicas longitudinal y lateral cerca de los límites, y los métodos totalmente de extremo a extremo aún enfrentan desafíos en la generalización y la transferencia confiable al mundo real.

Metodología

Los autores presentan un marco modular desplegado en una plataforma RoboRacer a escala 1:10, integrando cuatro componentes clave para abordar la planificación de trayectoria y el control cerca de los límites:

1. Generación de Línea de Carrera Óptima en Tiempo Offline: Utilizando un modelo de masa puntual y Problemas de Control Óptimo (OCP), el sistema genera líneas de carrera globales óptimas en tiempo basadas en restricciones de aceleración y velocidad definidas por el usuario (diagramas g-g-v). Se definen tres niveles de agresividad: Cautelosa (conservadora, trazable sin replanificación), Nominal (empujando a los controladores geométricos a sus límites) y Extendida (requiriendo replanificación en línea para la viabilidad).
2. Seguimiento Geométrico de Trayectoria: Se comparan dos controladores para generar referencias de curvatura de trayectoria local ($\rho$):
   • Persecución Pura (PP): Conecta la pose actual del vehículo con un punto de visión previa mediante un arco circular.
   • Basado en Clotoide (CL): Conecta la pose y curvatura actuales con un punto de visión previa utilizando una clotoide $G^2$, asegurando continuidad en posición, rumbo y curvatura.
3. Replanificación de Velocidad Óptima en Tiempo: Un optimizador de tipo Adiante-Atrás (FBGA) calcula perfiles de velocidad y aceleración óptimos en tiempo ($v, a_x, a_y$) en línea. Este módulo compensa errores de ejecución y condiciones variables de la pista, adaptando el perfil de velocidad a las restricciones no lineales del vehículo definidas por el diagrama g-g-v.
4. Red Neuronal Estructurada por Modelo (MS-NN) para la Dirección: Una MS-NN novedosa genera comandos de dirección ($\delta$) basados en señales de referencia futuras (curvatura, velocidad, aceleración longitudinal/lateral).
   • Arquitectura: La red separa el control en un término de cuasi-estado estacionario y un término transitorio. El término de estado estacionario aprende un mapeo no lineal inspirado en el diagrama de manejo (HD), capturando la desviación de la dirección cinemática basada en la velocidad y la aceleración. El término transitorio utiliza funciones de puerta dependientes de la velocidad para aprender retardos dinámicos y efectos transitorios.
   • Entrenamiento: Entrenada mediante aprendizaje supervisado con datos de lazo cerrado, la MS-NN está diseñada para ser físicamente interpretable, con pesos que reflejan las dinámicas del vehículo (por ejemplo, retardos en la respuesta de dirección).

Contribuciones Clave

El artículo realiza las siguientes contribuciones específicas:

• Punto de Referencia Unificado: Introduce el primer punto de referencia de código abierto para la planificación y control óptimos en tiempo cerca de los límites de manejo, combinando controladores geométricos, dirección MS-NN y replanificación de velocidad en línea en una pila de lazo cerrado unificada para carreras autónomas del mundo real.
• Nueva Arquitectura MS-NN: Propone una MS-NN extendida que aprende dinámicas longitudinales-laterales no lineales y acopladas para la dirección a altas aceleraciones, preservando al mismo tiempo la interpretabilidad física, superando a las líneas base anteriores diseñadas para maniobras de baja aceleración.
• Estudio de Ablación Exhaustivo: A través de experimentos en dos pistas con variada agresividad de línea de carrera, el artículo cuantifica el impacto de módulos individuales (PP vs. CL, con/sin MS-NN) y sus combinaciones (con/sin replanificación FBGA).
• Liberación Abierta: Todos los módulos de software, conjuntos de datos, videos y resultados se liberan públicamente para apoyar la investigación futura.

Resultados Experimentales

Los experimentos se realizaron en dos circuitos interiores (Pista A y Pista B) utilizando un vehículo RoboRacer 1:10 equipado con una NVIDIA Jetson Orin Nano.

• Rendimiento de MS-NN: La MS-NN propuesta redujo el error de predicción de dirección (RMSE) en un 10.6% y mejoró la Fracción de Varianza no Explicada (FVU) en un 22.7% en el conjunto de validación en comparación con una MS-NN de línea base. Redujo significativamente las oscilaciones de dirección (por ejemplo, una reducción del 36.4% en la tasa de dirección RMS para PP + MS-NN frente a PP solo) y mejoró la precisión del seguimiento de trayectoria.
• Impacto de la Replanificación de Velocidad (FBGA): La replanificación de velocidad en línea fue crítica para operar en los límites.
  • Sin FBGA, intentar rastrear la línea de carrera "Extendida" (más agresiva) resultó en choques debido a la inviabilidad dinámica.
  • Con FBGA, el sistema pudo utilizar de forma segura el envolvente g-g-v Extendido, logrando velocidades máximas más altas (4.522 m/s frente a 4.007 m/s) y aceleraciones (9.050 m/s² frente a 6.639 m/s²).
  • La mejor configuración (PP + MS-NN + FBGA) logró una mejora del 8.3% en el tiempo de vuelta (6.089s) en comparación con el mismo controlador sin replanificación en el envolvente nominal.
• Comparación de Controladores: La Persecución Pura (PP) combinada con MS-NN superó consistentemente al enfoque basado en Clotoide (CL) en tiempos de vuelta y eficiencia computacional, a pesar de la continuidad de curvatura del controlador CL.
• Viabilidad en Tiempo Real: Toda la pila de software se ejecuta a 150 Hz en la plataforma integrada. El tiempo de ejecución acumulativo medio permanece por debajo del límite de ciclo de 6.7 ms, con una inferencia de MS-NN que promedia 2.3 ms.

Significado y Afirmaciones

El artículo afirma que su marco cierra con éxito la brecha entre la investigación basada en simulación y las carreras autónomas del mundo real en los límites. Al demostrar que una MS-NN interpretable puede capturar eficazmente dinámicas no modeladas y que la replanificación de velocidad en línea es esencial para mantener la viabilidad dinámica bajo restricciones agresivas, los autores proporcionan una metodología validada para el control autónomo de alto rendimiento. El trabajo enfatiza que, si bien los controladores geométricos proporcionan una línea base, la integración de correcciones de dirección basadas en aprendizaje y planificación de velocidad basada en optimización es necesaria para explotar el envolvente dinámico completo del vehículo de forma segura. La liberación pública del punto de referencia tiene como objetivo fomentar más investigación en este dominio proporcionando una plataforma estandarizada y abierta para la evaluación.