⚡ electrical engineering

AD-MPCC: Adaptive Differentiable Model Predictive Contouring Control for Autonomous Racing

Cet article présente AD-MPCC, un cadre de course autonome qui combine le contrôle de contournement prédictif de modèle différentiable avec l'estimation de paramètres en ligne et un modèle d'apprentissage supervisé pour ajuster dynamiquement les objectifs de contrôle, garantissant ainsi la sécurité et permettant d'obtenir des temps de tour plus rapides à travers diverses conditions de surface de la route.

Auteurs originaux : Nam T. Nguyen, Binh Nguyen, Ahmad Amine, Thanh Vo-Duy, Rahul Mangharam, Truong X. Nghiem

Publié 2026-07-02

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Nam T. Nguyen, Binh Nguyen, Ahmad Amine, Thanh Vo-Duy, Rahul Mangharam, Truong X. Nghiem

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez une voiture de course autonome essayant de rouler aussi vite que possible autour d'un circuit. Le plus grand défi n'est pas seulement la direction ; c'est de savoir de combien d'adhérence les pneus disposent sur la route. Si la route est en asphalte sec, les pneus collent comme de la colle. S'il y a de l'eau ou de la glace, ils glissent comme du beurre.

Ce document présente un nouveau « cerveau » pour ces voitures de course appelé AD-MPCC. Voyez cela comme un pilote qui ne se contente pas de mémoriser le circuit, mais qui ressent constamment la route sous ses pneus et ajuste instantanément son style de conduite pour corresponder à la situation.

Voici comment cela fonctionne, divisé en trois parties simples :

1. Le « Ressenti » (Estimation de paramètres en ligne)

La plupart des voitures autonomes supposent que la route est la même partout. Mais en réalité, un circuit peut présenter des zones sèches, des zones humides ou des gravillons.

Le Problème : Si la voiture pense être sur de l'asphalte sec mais qu'elle rencontre une zone humide, elle essaiera de tourner trop brusquement et s'écrasera.
La Solution : Le système AD-MPCC agit comme un détective. Il surveille constamment la façon dont la voiture se déplace réellement par rapport à la façon dont elle pensait qu'elle allait se déplacer. Si la voiture glisse un peu plus que prévu, le système dit : « Ah, la route est glissante ! » et met instantanément à jour sa carte interne de l'adhérence de la route (en utilisant une formule célèbre appelée la « Formule Magique » pour les pneus). Il accorde plus de poids à ce qui vient de se passer il y a une seconde qu'à ce qui s'est passé il y a dix secondes, afin de réagir rapidement aux changements de conditions.

2. La « Stratégie » (MPCC Différentiable)

Une fois que la voiture sait que la route est glissante, elle doit décider comment conduire. Doit-elle freiner plus tôt ? Doit-elle prendre un virage plus large ?

Le Problème : Dans l'IA de course traditionnelle, les « règles » de conduite (les poids) sont définies par des humains avant la course. Si la route change, les règles ne changent pas, et la voiture pourrait conduire de manière trop agressive pour les conditions.
La Solution : Ce document introduit un système « Différentiable ». Imaginez que la stratégie de la voiture est une recette avec des boutons de réglage (poids) ajustables. Habitement, vous ne pouvez pas ajuster ces boutons pendant que la voiture roule car le calcul mathématique est trop difficile à rétro-ingénier. Cette nouvelle méthode utilise des mathématiques avancées pour « rétro-ingénier » la recette. Elle demande : « Si je tourne ce bouton légèrement, finirai-je le tour plus vite ou plus en sécurité ? » Elle tourne ensuite automatiquement les boutons dans la bonne direction pour trouver l'équilibre parfait entre vitesse et sécurité en temps réel.

3. Le « Raccourci » (Apprentissage automatique informé par la formule de Pacejka)

Il y a un bémol : faire tout ce calcul pour ajuster les boutons prend trop de temps pour une voiture de course roulant à 160 km/h. C'est comme essayer de résoudre un problème de calcul complexe tout en faisant un sprint.

Le Problème : Le calcul mathématique « parfait » prend trop de temps à calculer pendant la conduite.
La Solution : Les chercheurs ont entraîné un assistant intelligent (un modèle d'apprentissage automatique) pour servir de raccourci. Ils ont enseigné à cet assistant en faisant fonctionner le système mathématique lent et parfait sur des milliers de simulations. L'assistant a appris à observer les conditions de la route (à quel point c'est glissant) et la vitesse de la voiture, puis à deviner instantanément les réglages de boutons « parfaits ».
L'Analogie : C'est comme un grand maître d'échecs qui a étudié des millions de parties. Au lieu de calculer chaque mouvement possible à partir de zéro pendant une partie, il reconnaît instantanément le schéma et connaît le meilleur coup. Cet « assistant » permet à la voiture de prendre des décisions instantanées qui sont presque aussi bonnes que le calcul mathématique lent, mais assez rapides pour la course en temps réel.

Les Résultats : Est-ce que ça a marché ?

L'équipe a testé ce système dans une simulation informatique d'un circuit de course (F1TENTH-Gym).

Sur un circuit normal et sec : Le nouveau système était nettement plus rapide que les contrôleurs standards, gagnant environ 11 secondes sur un tour. Il conduisait de manière plus fluide et restait plus proche du centre de la piste.
Sur un circuit complexe et changeant : C'est là qu'il a brillé. Ils ont créé un circuit qui commence à sec et devient soudainement très glissant.
- Les voitures standards (et même celles qui mettent seulement à jour leur perception de la route mais pas leur stratégie) ont accidenté sur la partie glissante.
- La voiture AD-MPCC a ressenti la glissade, a instantanément ajusté sa stratégie et a terminé la course en toute sécurité.

En Résumé

Ce document présente un contrôleur de voiture de course qui est adaptable. Il ne se contente pas de suivre un script ; il ressent la route, apprend en temps réel à quel point elle est glissante, et réécrit instantanément sa propre stratégie de conduite pour rester rapide sans s'écraser. Il combine un « détective » (pour ressentir la route), un « stratège » (pour optimiser le style de conduite) et un « assistant intelligent » (pour faire les calculs rapidement) pour gagner la course.

Résumé Technique : Contrôle Prédictif de Contours Adaptatif et Différentiable (AD-MPCC) pour la Course Autonome

1. Énoncé du Problème

La course autonome exige que les véhicules opèrent à leurs limites physiques tout en optimisant des objectifs de performance tels que la minimisation du temps de tour. Bien que le Contrôle Prédictif de Contours par Modèle (MPCC) soit devenu un cadre standard pour équilibrer la précision de suivi et la vitesse de course, il fait face à des défis importants dans des environnements dynamiques, particulièrement sur des circuits présentant des conditions de chaussée variables.

Les principales difficultés abordées dans ce travail sont :

Incertitude du Modèle : La source dominante d'incertitude en course provient des interactions pneu-route, qui varient selon les conditions de surface (ex: asphalte vs gravier). Les modèles physiques standards supposent souvent des paramètres fixes, ce qui entraîne des imprécisions lorsque la friction de la surface change.
Adaptation des Poids d'Objectifs : Dans les scénarios multi-surfaces, les mises à jour du modèle dynamique (ex: paramètres de friction des pneus) nécessitent des ajustements correspondants des poids d'objectifs du MPCC pour maintenir la sécurité et la performance. Cependant, le réglage manuel de ces poids est impraticable, et les techniques de MPC différentiables standards ne s'appliquent pas directement au MPCC en raison du couplage implicite entre la trajectoire de référence et la variable de progression optimisée.
Contraintes de Temps Réel : Bien que la programmation différentiable offre un mécanisme d'optimisation des poids, la charge de calcul de la résolution de problèmes d'optimisation de haute dimension en ligne est souvent prohibitive pour les applications de course en temps réel.

2. Méthodologie : Le Cadre AD-MPCC

Les auteurs proposent le cadre de Contrôle Prédictif de Contours Adaptatif et Différentiable (AD-MPCC), qui intègre deux composantes clés pour répondre aux défis susmentionnés : l'estimation de paramètres en ligne et l'adaptation différentiable des poids.

A. Estimation des Paramètres de Pacejka en Ligne

Pour gérer les variations de surfaces de route, le cadre utilise un schéma d'Estimation par Horizon Mobile Régularisé (MHE).

Modèle : La dynamique du véhicule est modélisée à l'aide d'un modèle de bicyclette dynamique où les forces latérales sont régies par la formule "Magic Formula" de Pacejka.
Estimation : Le système estime les paramètres de Pacejka ( $\eta$ , incluant les coefficients de friction $B, C, D$ ) en temps réel en utilisant un ensemble de données récentes d'états et d'entrées du véhicule.
Mécanisme : La fonction objectif du MHE inclut :
- Des poids à décroissance exponentielle : Cela donne la priorité aux observations récentes pour capturer rapidement les transitions entre différentes surfaces de route.
- Une régularisation a priori : L'estimation est régularisée vers les paramètres nominaux ( $\eta_{gt}$ ) dérivés des conditions de route standards pour garantir la stabilité.
Sortie : Les paramètres estimés $\eta_k$ sont mis à jour à chaque pas de temps et injectés dans le modèle prédictif.

B. MPCC Différentiable (Diff-MPCC)

Pour ajuster automatiquement les poids d'objectifs du MPCC ( $q = [q_c, q_l, q_v]^\top$ ) en fonction de la dynamique estimée, les auteurs développent une approche Diff-MPCC.

Concept : Au lieu de poids fixes, le cadre optimise les poids pour minimiser un coût de performance à long horizon $\ell$ .
Différenciation : La méthode calcule les gradients du coût de performance par rapport aux poids ( $\partial \ell / \partial q$ ) en différenciant à travers le problème d'optimisation MPCC.
Défi Technique : Contrairement au MPC standard, le MPCC implique une variable de progression implicite $\theta$ qui couple la trajectoire de référence à l'optimisation. Cela nécessite des dérivées d'ordre supérieur du chemin de référence.
Solution : Les auteurs appliquent le Théorème de la Fonction Implicite (IFT) aux conditions d'optimalité KKT du problème MPCC. En approximant la solution via une méthode de barrière et en résolvant le système linéaire résultant, ils calculent les gradients nécessaires pour mettre à jour les poids via une méthode de descente de gradient projetée.

C. Apprentissage Automatique Informé par la Physique (PaIML)

Puisque l'exécution de la boucle d'optimisation complète de Diff-MPCC en ligne est coûteuse en calcul, les auteurs proposent une technique PaIML pour le déploiement en temps réel.

Entraînement Hors Ligne : Un modèle d'apprentissage supervisé est entraîné sur des données générées par le solveur Diff-MPCC. Le jeu de données consiste en des états de véhicule et des paramètres estimés appariés aux poids optimaux calculés par Diff-MPCC.
Réduction Informée par la Physique : Pour réduire la dimensionnalité des entrées de 14 à 5, les auteurs exploitent la structure physique du modèle de Pacejka. Au lieu de fournir les paramètres bruts, le modèle utilise :
1. Les coefficients de friction ( $\mu_r, \mu_f$ ) dérivés des paramètres de Pacejka.
2. Les vitesses longitudinale et latérale ( $v_x, v_y$ ).
3. La variable de progression ( $\theta$ ).
Architecture : Un modèle XGBoost est utilisé pour mapper ces 5 entrées vers les poids MPCC optimaux, permettant une inférence rapide et quasi-optimale lors de l'opération en temps réel.

3. Contributions Clés

Le papier met en évidence trois contributions principales :

Cadre AD-MPCC : Une nouvelle architecture de contrôle qui réalise conjointement l'estimation en ligne du modèle de dynamique du véhicule et l'adaptation automatique des poids d'objectifs du MPCC pour la course autonome sur des surfaces variables.
MHE Régularisé par un A Priori : Un schéma d'estimation spécifique qui utilise des poids à décroissance exponentielle pour estimer rapidement les paramètres de Pacejka, garantissant que le modèle prédictif s'adapte rapidement aux transitions de surface.
MPCC Différentiable & PaIML :
- Développement d'une technique de programmation différentiable pour le MPCC permettant le réglage des poids par gradient.
- Conception d'une méthode d'approximation en temps réel (PaIML) qui réduit la complexité de calcul en exploitant des connaissances physiques pour abaisser la dimensionnalité des entrées.

4. Résultats de Simulation

Le cadre a été validé dans l'environnement F1TENTH-Gym en utilisant un circuit d'Oschersleben selon deux scénarios :

A. Scénario à Surface Unique ( $\mu_{max}$ connu = 1.2)

Performance : Les méthodes Diff-MPCC et AD-MPCC ont toutes deux considérablement réduit les temps de tour par rapport au baseline MPCC.
- Diff-MPCC : A obtenu le temps de tour le plus rapide (64.08 s contre 75.57 s pour le baseline).
- AD-MPCC : A obtenu un temps de tour de 64.89 s avec un décalage latéral moyen plus faible (0.926 m) que le Diff-MPCC (1.040 m), indiquant un meilleur compromis entre vitesse et sécurité.
Calcul : Toutes les méthodes ont opéré dans le budget d'échantillonnage de 50 ms, l'AD-MPCC nécessitant environ 24.18 ms par étape.

B. Scénoire Multi-Surfaces ( $\mu_{max}$ inconnu variant de 0.7 à 1.2)

Sécurité et Robustesse : Ce scénario s'est avéré critique. Le MPCC de base, l'A-MPCC (estimation uniquement) et le Diff-MPCC (adaptation de poids uniquement) ont tous percuté lors du premier segment glissant ( $\mu_{max} = 0.75$ ).
Succès de l'AD-MPCC : L'AD-MPCC était le seul contrôleur capable de terminer le tour en toute sécurité.
Mécanisme : L'estimation en ligne a détecté avec succès la chute de friction (par exemple, le paramètre $D_r$ est passé de 1.55 à environ 1.45), et l'adaptation des poids a ajusté le contrôleur pour maintenir la stabilité, atteignant une vitesse moyenne de 11.65 m/s avec un décalage latéral de 1.069 m.

5. Signification et Revendications

Le papier affirme que l'AD-MPCC représente une avancée significative dans le contrôle de la course autonome en répondant au double défi de l'incertitude du modèle et de l'adaptabilité du contrôleur.

Sécurité dans l'Incertitude : Le cadre est la seule méthode testée qui assure une opération de véhicule sûre dans des environnements multi-surfaces inconnus où les autres contrôleurs échouent.
Performance : Sur des circuits connus, le cadre permet d'atteindre des temps de tour environ 11 secondes plus rapides que le MPCC standard.
Praticité : En combinant l'optimisation différentiable et l'apprentissage automatique informé par la physique, les auteurs démontrent que des stratégies de contrôle adaptatives complexes peuvent être déployées en temps réel sans dépasser les budgets de calcul.

Les auteurs notent que la validation actuelle repose sur des données générées par simulateur (F1TENTH-Gym) et que les travaux futurs se concentreront sur le déploiement en conditions réelles et une analyse théorique plus approfondie de la stabilité et de la robustesse.