Short-Horizon Position Accuracy of Single-Track Models: Implications for Motion Planning of Autonomous Vehicles

Resumen Técnico: Precisión de Posición en Horizonte Corto de Modelos de Vía Única

Planteamiento del Problema
Los modelos de vehículos precisos y computacionalmente eficientes son críticos para la planificación de movimiento de vehículos autónomos, particularmente dentro de los marcos de Control Predictivo basado en Modelo (MPC). En el MPC, el modelo del vehículo predice trayectorias futuras para calcular acciones de control; por lo tanto, la fidelidad del modelo influye directamente en la viabilidad y seguridad de la trayectoria. Aunque existen modelos de alta fidelidad, a menudo son demasiado costosos computacionalmente para su uso en tiempo real, lo que lleva a muchos investigadores a depender de modelos de vía única (bicicleta). Sin embargo, la precisión posicional de estos modelos no ha sido evaluada sistemáticamente frente a mediciones del mundo real en diversos maniobras de conducción. Históricamente, la investigación de la dinámica de vehículos se ha centrado en las respuestas de aceleración y velocidad de guiñada (yaw rate) en lugar de la precisión de posición, la cual es esencial para tareas que requieren tolerancias estrictas, como el estacionamiento o maniobras a baja velocidad. Este artículo aborda la brecha entre las comunidades de la conducción autónoma y la dinámica de vehículos mediante la evaluación de la precisión posicional en horizonte corto de diferentes variantes de modelos de vía única frente a datos reales de vehículos, con el fin de informar la selección de modelos para MPC.

Metodología
El estudio utiliza un Nissan Leaf ZE0 2011 instrumentado con un sistema GNSS-INS OxTS RT3000 v3 y un registrador de datos CANedge2. Los parámetros del vehículo, incluyendo la masa, la ubicación del centro de gravedad (CG) y la inercia de guiñada, se identificaron mediante mediciones físicas y métodos estándar. Las rigideces de deriva (cornering stiffnesses) se identificaron mediante el ajuste de mínimos cuadrados de datos experimentales dentro del régimen de neumático lineal, mientras que los parámetros de los neumáticos Magic Formula (MF) se derivaron de datos de una instalación de prueba de neumáticos de placa plana.

Se evaluaron tres variantes de modelos de vía única:

1. Modelo Cinemático: Omite el deslizamiento de los neumáticos y asume la rotación alrededor de un centro instantáneo.
2. Modelo Dinámico Lineal: Incluye la dinámica lateral y de guiñada con un comportamiento de neumático lineal (rigidez de deriva constante).
3. Modelo Dinámico No Lineal: Incluye la dinámica lateral y de guiñada con neumáticos Magic Formula no lineales y transferencia de carga longitudinal cuasi-estática.

Los modelos fueron probados en siete escenarios de conducción (S1–S7), que van desde ochos a velocidad constante hasta giros en curva en estado estacionario con aceleraciones laterales de hasta 6 m/s², giros en U y navegación en rotondas. Para cada escenario, los modelos fueron inicializados con estados medidos en intervalos de 100 ms y simulados sobre un horizonte de predicción de 5 segundos. Las trayectorias predichas se compararon contra las mediciones de verdad de terreno (ground truth), descomponiendo el error global en componentes longitudinales y laterales respecto a la orientación del vehículo.

Resultos Clave
La evaluación arrojó los siguientes hallazgos respecto a la precisión posicional:

• Modelos Cinemáticos vs. Dinámicos: El modelo cinemático tuvo un desempeño sustancialmente inferior al de ambos modelos dinámicos, exhibiendo errores aproximadamente de dos a seis veces mayores en la mayoría de los escenarios. Esta discrepancia es más pronunciada en curvas en estado estacionario con aceleraciones laterales más altas (4 m/s² y 6 m/s²), donde el modelo cinemático no logra capturar los efectos de subviraje dependientes de la velocidad debido a la omisión del deslizamiento del neumático.
• Modelos Dinámicos Lineales vs. No Lineales: Contrario a la expectativa de que una mayor fidelidad produce una mayor precisión, los modelos dinámicos lineales y no lineales demostraron una precisión comparable en todos los escenarios probados. Las diferencias relativas estuvieron en el rango de los centímetros, con errores absolutos en el rango de los decímetros.
• Razón de la Similitud: La precisión comparable se atribuye a dos factores: (1) los ángulos de deslizamiento de los neumáticos en la mayoría de los escenarios se mantuvieron dentro o cerca de la región lineal (deslizamiento delantero < ±3°, trasero < ±2°), donde las respuestas de fuerza lineales y no lineales se alinean; y (2) las aceleraciones longitudinales fueron limitadas, resultando en una transferencia de carga insignificante.
• Impacto de la Identificación de Parámetros: En el escenario de alta aceleración (S4, 6 m/s²), el modelo no lineal produjo inesperadamente errores mayores que el modelo lineal. Esto se atribuyó a la calidad de la identificación de parámetros; los parámetros del modelo no lineal fueron escalados para coincidir con la rigidez lineal, pero desviaron en niveles de deslizamiento altos donde los límites de fricción predominan. Esto sugiere que aumentar la complejidad del modelo sin una identificación precisa de parámetros puede degradar el desempeño.

Significancia y Contribuciones
La contribución principal del artículo es proporcionar una visión empírica sobre las compensaciones entre la complejidad del modelo, la calidad de la parametrización y la precisión posicional para aplicaciones de MPC. Los autores concluyen que, para las condiciones de operación probadas (automóvil de pasajeros, velocidades moderadas y aceleraciones laterales moderadas), el modelo dinámico lineal ofrece el mejor equilibrio. Proporciona una precisión significativamente mejor que el modelo cinemático mientras evita el mayor esfuerzo de parametrización y las posibles incertidumbres de identificación del modelo no lineal, sin sacrificar la precisión posicional.

El estudio enfatiza que la selección del modelo debe ser impulsada por las condiciones de operación esperadas y la capacidad de identificar parámetros con precisión, en lugar de una suposición predeterminada de que los modelos de mayor fidelidad son inherentemente superiores. Los autores señalan que se requiere trabajo futuro para evaluar estos modelos en aplicaciones de MPC de lazo cerrado y para extender el análisis a condiciones que involucren deslizamiento combinado, velocidades más altas y camiones autónomos, donde la variabilidad de la carga útil y los horizontes de predicción más largos pueden alterar la elección óptima del modelo.