Résumé Technique : CAPE – Évaluation de la Performance des Algorithmes de Contrôle sous des Modèles de Dynamique de Véhicule Appris

1. Énoncé du Problème

La course autonome opère à la limite des capacités physiques de la dynamique du véhicule, là où les accélérations rapides, les virages agressifs et le comportement non linéaire des pneus rendent les modèles classiques simplifiés (par exemple, les modèles de bicyclette standards) insuffisants. De petites erreurs de modélisation dans ces régimes peuvent déstabiliser les performances du contrôle en boucle fermée. Bien que des recherches récentes aient introduit des modèles de dynamique appris, basés sur des données ou hybrides (tels que le Deep Pacejka Model [DPM] et le Deep-learning Dynamics Model [DDM]), il existe un manque de bancs d'essai systématiques évaluant comment le choix d'un modèle de dynamique appris impacte la performance de contrôleurs en boucle fermée hétérogènes. Les études existantes évaluent souvent des contrôleurs sous des modèles fixes ou des modèles sous des contrôleurs fixes, échouant ainsi à isoler la contribution spécifique du modèle de dynamique à la robustesse et à la précision de suivi à travers diverses architectures de contrôle.

2. Méthodologie

Les auteurs proposent le cadre CAPE (Control Algorithm Performance Evaluation), une méthodologie systématique conçue pour évaluer les contrôleurs de course autonome sous des modèles de dynamique de véhicule appris. Le cadre fonctionne via les composants suivants :

• Modèles de Dynamique Appris : L'étude compare trois modèles distincts :
  1. Deep Pacejka Model (DPM) : Intègre une couche de force de pneu de type Pacejka au sein d'une architecture d'apprentissage tout en conservant une structure de modèle de bicyclette.
  2. Deep Dynamics Model (DDM) : Utilise un réseau de neurones contraint par la physique pour estimer les coefficients de Pacejka et les résistances de la transmission au sein d'un modèle à une voie.
  3. Enhanced Physics Model (EPM) : Le modèle proposé, qui combine une représentation dynamique à une voie avec des paramètres appris pour les forces de pneus sensibles à la charge, le transfert de charge longitudinal et la dynamique des actionneurs. Il emploie un estimateur de paramètres par réseau de neurones compact (utilisant des GRU et des MLP) pour prédire des coefficients physiquement interprétables plutôt que des états bruts.
• Architectures de Contrôle : Cinq contrôleurs hétérogènes sont évalués contre chaque modèle :
  • Contrôle PID
  • Contrôle Robust Inverse of Signum Error (RISE)
  • Commande Prédictive de Modèle Non Linéaire Nominale (N-NMPC)
  • NMPC Robuste (R-NMPC)
  • NMPC Adaptatif (A-NMPC)
• Pipeline de Simulation Sensible aux Perturbations : Pour simuler des conditions de course réalistes, le cadre injecte un facteur d'échelle de perturbation globale ($\eta$) qui augmente simultanément :
  • Le bruit de mesure multiplicatif (rétroaction d'état).
  • Les perturbations de processus (dynamiques non modélisées).
  • Les délais d'actionnement (latence de direction).
  • La dérive du biais de l'IMU.
  • Les perturbations dues au vent de travers.
  • L'incertitude paramétrique (masse, rigidité des pneus, limites de friction).
• Configuration Expérimentale : L'entraînement et les tests sont effectués sur des circuits distincts (Piste 1 pour l'entraînement, Piste 2 pour les tests) afin d'évaluer la généralisation. La performance est mesurée via les erreurs de suivi longitudinal/latéral, l'effort de contrôle et les temps de tour, avec une pénalité pour "échec" afin de garantir que la robustesse soit une métrique primaire.

3. Principales Contributions

Le document présente trois contributions principales :

1. Cadre de Banc d'Essai Unifié : Un pipeline systématique (CAPE) qui évalue des contrôleurs de course autonome hétérogènes sous trois modèles de dynamique de véhicule appris différents (DPM, DDM et l'EPM proposé).
2. Évaluation Sensible aux Perturbations : Une méthodologie qui injecte systématiquement des incertitudes de détection, d'actionnement et de modélisation pour étudier rigoureusement la robustesse du contrôleur, allant au-delà des conditions de simulation idéalisées.
3. Comparaison Empirique des Modèles : Une comparaison exhaustive démontrant comment la structure du modèle influence la précision du suivi, l'effort de contrôle et la stabilité. L'étude isole l'effet du modèle de dynamique du contrôleur en maintenant les paramètres du contrôleur fixes lors du changement de modèle.

4. Résultats

Les expériences en boucle fermée produisent les conclusions clés suivantes :

• Supériorité de l'EPM : À travers tous les modèles et contrôleurs, l'EPM proposé atteint les meilleurs temps de tour moyens et les erreurs de suivi les plus faibles. Spécifiquement, l'A-NMPC avec l'EPM a atteint un temps de tour de 5,82 s, contre 12,99 s pour le DPM et 8,80 s pour le DDM.
• Robustesse sous Incertitude : Sous un facteur d'échelle de perturbation globale modéré ($\eta=1$), l'EPM a nettement surpassé les modèles de référence :
  • Réduction de l'erreur de suivi longitudinal de 29,0 % (vs DPM) et 17,2 % (vs DDM).
  • Réduction de l'erreur de suivi latéral de 24,6 % (vs DPM) et 12,3 % (vs DDM).
  • Augmentation de la magnitude de la vitesse moyenne de 39,9 % (vs DPM) et 3,1 % (vs DDM).
• Taux d'Échec : Dans le balayage d'incertitude ($\eta \in [0, 5]$), l'EPM couplé aux variantes NMPC (Nominale, Robuste, Adaptative) a complété les 33 évaluations avec zéro échec. En revanche, le DPM et le DDM ont accumulé respectivement 19 et 12 échecs sur les mêmes configurations.
• Complexité du Modèle vs Performance : Malgré un nombre de paramètres plus élevé que le DPM, l'EPM a démontré une latence d'inférence plus faible (0,063 ms contre 0,081 ms) et une plus grande efficacité. L'étude note que si le DPM performe bien dans des conditions propres, sa performance se dégrade rapidement avec le bruit de mesure, tandis que la paramétrisation de l'EPM, sensible à la charge et aux actionneurs, maintient la stabilité.
• Étude d'Ablation : Une analyse isolant le modèle interne du contrôleur de la propagation a confirmé que la configuration EPM (tant comme modèle interne que comme modèle de propagation) produit l'adhérence à la ligne de course la plus étroite et les temps de tour les plus rapides.

5. Signification et Revendications

L'article affirme que CAPE établit un banc d'essai systématique nécessaire pour évaluer les modèles de dynamique de véhicule appris au sein d'un cadre de contrôle en boucle fermée. Les auteurs soutiennent que leur travail démontre que les améliorations de la représentation de la dynamique du véhicule appris (spécifiquement l'incorporation des forces sensibles à la charge et de la dynamique des actionneurs) se traduisent directement par des gains mesurables de robustesse et de performance du contrôle en boucle fermée.

L'étude conclut que si les modèles classiques divergent du comportement réel près des limites de tenue de route, et bien que les modèles appris existants améliorent la prédiction, l'EPM proposé améliore considérablement la robustesse du contrôleur sous des incertitudes réalistes. Les auteurs positionnent ce travail comme une étape vers la validation de la manière dont la dynamique apprise affecte la stabilité et la performance à travers des architectures de contrôle hétérogènes, notant que les travaux futurs étendront le cadre aux politiques d'apprentissage par renforcement et à la validation expérimentale sur des plateformes physiques.