Resumen Técnico: Control de Contorno de Modelo Predictivo Adaptativo y Diferenciable (AD-MPCC) para Carreras Autónomas

1. Declaración del Problema

Las carreras autónomas requieren que los vehículos operen en sus límites físicos mientras optimizan objetivos de rendimiento como la minimización del tiempo de vuelta. Si bien el Control de Contorno de Modelo Predictivo (MPCC) se ha convertido en un marco estándar para equilibrar la precisión de seguimiento y la velocidad de carrera, enfrenta desafíos significativos en entornos dinámicos, particularmente en pistas con condiciones variables de la superficie de la carretera.

Las principales dificultades abordadas en este trabajo son:

1. Incertidumbre del Modelo: La fuente dominante de incertidumbre en las carreras surge de las interacciones neumático-carretera, que varían con las condiciones de la superficie (por ejemplo, asfalto frente a grava). Los modelos físicos estándar suelen asumir parámetros fijos, lo que conduce a imprecisiones cuando la fricción de la superficie cambia.
2. Adaptación de Pesos de Objetivos: En escenarios de múltiples superficies, las actualizaciones en la dinámica del modelo (por ejemplo, parámetros de fricción de los neumáticos) requieren ajustes correspondientes en los pesos de los objetivos del MPCC para mantener la seguridad y el rendimiento. Sin embargo, ajustar estos pesos manualmente es impráctico, y las técnicas de MPC diferenciables estándar no se aplican directamente al MPCC debido al acoplamiento implícito entre la trayectoria de referencia y la variable de progreso optimizada.
3. Restricciones de Tiempo Real: Aunque la programación diferenciable ofrece un mecanismo para la optimización de pesos, la carga computacional de resolver problemas de optimización de alta dimensión en línea suele ser prohibitiva para aplicaciones de carreras en tiempo real.

2. Metodología: El Marco AD-MPCC

Los autores proponen el marco de Control de Contorno de Modelo Predictivo Adaptativo y Diferenciable (AD-MPCC), el cual integra dos componentes principales para abordar los desafíos mencionados: la estimación de parámetros en línea y la adaptación de pesos diferenciable.

A. Estimación de Parámetros de Pacejka en Línea

Para manejar las variaciones en las superficies de la carretera, el marco emplea un esquema de Estimación de Horizonte Móvil (MHE) Regularizada.

• Modelo: La dinámica del vehículo se modela mediante un modelo de bicicleta dinámica donde las fuerzas laterales están gobernadas por la "Fórmula Mágica" de Pacejka.
• Estimación: El sistema estima los parámetros de Pacejka ($\eta$, incluyendo los coeficientes de fricción $B, C, D$) en tiempo real utilizando un conjunto de datos de estados y entradas recientes del vehículo.
• Mecanismo: La función objetivo del MHE incluye:
  • Pesos de decaimiento exponencial: Esto prioriza las observaciones recientes para capturar rápidamente las transiciones entre diferentes superficies de carretera.
  • Regularización previa: La estimación se regulariza hacia los parámetros nominales ($\eta_{gt}$) derivados de condiciones de carretera estándar para asegurar la estabilidad.
• Salida: Los parámetros estimados $\eta_k$ se actualizan en cada paso de tiempo y se introducen en el modelo predictivo.

B. MPCC Diferenciable (Diff-MPCC)

Para ajustar automáticamente los pesos de los objetivos del MPCC ($q = [q_c, q_l, q_v]^\top$) basándose en la dinámica estimada, los autores desarrollan un enfoque de Diff-MPCC.

• Concepto: En lugar de pesos fijos, el marco optimiza los pesos para minimizar un costo de rendimiento de horizonte largo $\ell$.
• Diferenciación: El método calcula los gradientes del costo de rendimiento con respecto a los pesos ($\partial \ell / \partial q$) diferenciando a través del problema de optimización del MPCC.
• Desafío Técnico: A diferencia del MPC estándar, el MPCC involucra una variable de progreso implícita $\theta$ que acopla la trayectoria de referencia con la optimización. Esto requiere derivadas de orden superior de la trayectoria de referencia.
• Solución: Los autores aplican el Teorema de la Función Implícita (IFT) a las condiciones de optimalidad de Karush-Kuhn-Tucker (KKT) del problema MPCC. Al aproximar la solución mediante un método de barrera y resolver el sistema lineal resultante, calculan los gradientes necesarios para actualizar los pesos mediante un método de descenso de gradiente proyectado.

C. Aprendizaje Automático Informado por la Física (PaIML)

Dado que ejecutar el ciclo completo de optimización de Diff-MPCC en línea es computacionalmente costoso, los autores proponen una técnica de PaIML para el despliegue en tiempo real.

• Entrenamiento Fuera de Línea: Se entrena un modelo de aprendizaje supervisado con datos generados por el resolvedor Diff-MPCC. El conjunto de datos consiste en estados del vehículo y parámetros estimados emparejados con los pesos óptimos calculados por Diff-MPCC.
• Reducción Informada por la Física: Para reducir la dimensionalidad de la entrada de 14 a 5, los autores aprovechan la estructura física del modelo Pacejka. En lugar de alimentar parámetros brutos, el modelo utiliza:
  1. Coeficientes de fricción ($\mu_r, \mu_f$) derivados de los parámetros de Pacejka.
  2. Velocidades longitudinal y lateral ($v_x, v_y$).
  3. La variable de progreso ($\theta$).
• Arquitectura: Se utiliza un modelo XGBoost para mapear estas 5 entradas a los pesos óptimos del MPCC, permitiendo una inferencia rápida y casi óptima durante la operación en tiempo real.

3. Principales Contribuciones

El artículo destaca tres contribuciones primarias:

1. Marco AD-MPCC: Una novedosa arquitectura de control que realiza conjuntamente la estimación en línea del modelo de dinámica del vehículo y la adaptación automática de los pesos de los objetivos del MPCC para carreras autónomas en superficies variables.
2. MHE con Regularización Previa: Un esquema de estimación específico que utiliza pesos de decaimiento exponencial para estimar rápidamente los parámetros de Pacejka, asegurando que el modelo predictivo se adapte rápidamente a las transiciones de superficie.
3. MPCC Diferenciable y PaIML:
   • Desarrollo de una técnica de programación diferenciable para MPCC que permite el ajuste de pesos basado en gradientes.
   • Diseño de un método de aproximación en tiempo real (PaIML) que reduce la complejidad computacional aprovechando el conocimiento físico para disminuir la dimensionalidad de la entrada.

4. Resultados de Simulación

El marco fue validado en el entorno F1TENTH-Gym utilizando una pista de Oschersleben bajo dos escenarios:

A. Escenario de Superficie Única ( $\mu_{max}$ conocido = 1.2)

• Rendimiento: Tanto Diff-MPCC como AD-MPCC redujeron significativamente los tiempos de vuelta en comparación con el MPCC base.
  • Diff-MPCC: Logró el tiempo de vuelta más rápido (64.08 s frente a 75.57 s del base).
  • AD-MPCC: Logró un tiempo de vuelta de 64.89 s con un desplazamiento lateral medio menor (0.926 m) comparado con Diff-MPCC (1.040 m), indicando un mejor equilibrio entre velocidad y seguridad.
• Computación: Todos los métodos operaron dentro del presupuesto de muestreo de 50 ms, siendo que AD-MPCC requirió aproximadamente 24.18 ms por paso.

B. Escenario de Múltiples Superficies ( $\mu_{max}$ desconocido variando de 0.7 a 1.2)

• Seguridad y Robustez: Este escenario resultó crítico. El MPCC base, el A-MPCC (solo estimación) y el Diff-MPCC (solo adaptación de pesos) chocaron todos en el primer segmento resbaladizo ($\mu_{max} = 0.75$).
• Éxito de AD-MPCC: AD-MPCC fue el único controlador capaz de completar la vuelta de forma segura.
• Mecanismo: La estimación en línea detectó con éxito la caída en la fricción (por ejemplo, el parámetro $D_r$ disminuyó de 1.55 a ~1.45), y la adaptación de pesos ajustó el controlador para mantener la estabilidad, logrando una velocidad promedio de 11.65 m/s con un desplazamiento lateral de 1.069 m.

5. Significado y Reivindicaciones

El artículo afirma que AD-MPCC representa un avance significativo en el control de carreras autónomas al abordar los desafíos duales de la incertidumbre del modelo y la adaptabilidad del controlador.

• Seguridad ante la Incertidumbre: El marco es el único método probado que garantiza la operación segura del vehículo en entornos de múltiples superficies desconocidas donde otros controladores fallan.
• Rendimiento: En pistas conocidas, el marco logra tiempos de vuelta aproximadamente 11 segundos más rápidos que el MPCC estándar.
• Practicidad: Al combinar la optimización diferenciable con el aprendizaje automático informado por la física, los autores demuestran que las estrategias de control adaptativas complejas pueden desplegarse en tiempo real sin exceder los presupuestos computacionales.

Los autores señalan que la validación actual se basa en datos generados por simulador (F1TENTH-Gym) y que el trabajo futuro se centrará en el despliegue en el mundo real y en un análisis más profundo de la estabilidad y la robustez.