Riepilogo Tecnico: CAPE – Valutazione delle Prestazioni degli Algoritmi di Controllo sotto Modelli di Dinamica del Veicolo Appresi

1. Definizione del Problema

La corsa autonoma opera in prossimità dei limiti fisici della dinamica del veicolo, dove l'accelerazione rapida, la sterzata aggressiva e il comportamento non lineare degli pneumatici rendono insufficienti i modelli classici semplificati (ad esempio, i modelli standard a bicicletta). Piccoli errori di modellazione in questi regimi possono destabilizzare le prestazioni del controllo in anello chiuso. Sebbene ricerche recenti abbiano introdotto modelli di dinamica ibridi e basati sui dati (come il Deep Pacejka Model [DPM] e il Deep-learning Dynamics Model [DDM]) per migliorare l'accuratezza predittiva, manca un benchmark sistematico che valuti come la scelta di un modello di dinamica appreso impatti le prestazioni di controllori in anello chiuso eterogenei. Gli studi esistenti spesso valutano i controllori sotto modelli fissi o i modelli sotto controllori fissi, fallendo nel isolare il contributo specifico del modello di dinamica alla robustezza e all'accuratezza di inseguimento attraverso diverse architetture di controllo.

2. Metodologia

Gli autori propongono il framework Control Algorithm Performance Evaluation (CAPE), una metodologia sistematica progettata per testare i controllori di corsa autonoma sotto modelli di dinamica del veicolo appresi. Il framework opera attraverso i seguenti componenti:

• Modelli di Dinamica Appresi: Lo studio confronta tre modelli distinti:
  1. Deep Pacejka Model (DPM): Incorpora uno strato di forza dello pneumatico Pacejka all'interno di un'architettura di apprendimento mantenendo una struttura a modello a bicicletta.
  2. Deep Dynamics Model (DDM): Utilizza una rete neurale con vincoli fisici per stimare i coefficienti di Pacejka e le resistenze del gruppo motopropulsore all'interno di un modello a binario singolo.
  3. Enhanced Physics Model (EPM): Il modello proposto, che combina una rappresentazione dinamica a binario singolo con parametri appresi per le forze degli pneumatici sensibili al carico, il trasferimento del carico longitudinale e la dinamica degli attuatori. Utilizza un stimatore di parametri neurale compatto (usando GRU e MLP) per predire coefficienti fisicamente interpretabili piuttosto che stati grezzi.
• Architetture di Controllo: Cinque controllori eterogenei sono valutati rispetto a ciascun modello:
  • Controllo PID
  • Controllo Robust Inverse of Signum Error (RISE)
  • Controllo NMPC Nominale (N-NMPC)
  • Controllo NMPC Robusto (R-NMPC)
  • Controllo NMPC Adattivo (A-NMPC)
• Pipeline di Simulazione Sensibile alle Perturbazioni: Per emulare condizioni di gara realistiche, il framework inietta un fattore di scala delle perturbazioni globali ($\eta$) che aumenta simultaneamente:
  • Rumore di misura moltiplicativo (feedback di stato).
  • Disturbi di processo (dinamiche non modellate).
  • Ritardi degli attuatori (latenza dello sterzo).
  • Drift del bias dell'IMU.
  • Perturbazioni del vento trasversale.
  • Incertezza parametrica (massa, rigidezza dello pneumatico, limiti di attrito).
• Configurazione Sperimentale: L'addestramento e il test vengono eseguiti su piste separate (Pista 1 per l'addestramento, Pista 2 per il test) per valutare la generalizzazione. Le prestazioni sono misurate tramite errori di inseguimento longitudinale/laterale, sforzo di controllo e tempi di completamento del giro, con il "fallimento" penalizzato per garantire che la robustezza sia una metrica primaria.

3. Contributi Chiave

Il documento delinea tre contributi primari:

1. Unified Benchmarking Framework: Una pipeline sistematica (CAPE) che valuta controllori di corsa autonoma eterogenei sotto tre diversi modelli di dinamica del veicolo appresi (DPM, DDM ed EPM proposto).
2. Valutazione Sensibile alle Perturbazioni: Una metodologia che inietta sistematicamente incertezze di rilevamento, attuazione e modellazione per studiare rigorosamente la robustezza del controllore, andando oltre le condizioni di simulazione idealizzate.
3. Confronto Empirico dei Modelli: Un confronto completo che dimostra come la struttura del modello influenzi l'accuratezza di inseguimento, lo sforzo di controllo e la stabilità. Lo studio isola l'effetto del modello di dinamica dal controllore mantenendo fissi i parametri del controllore mentre si scambiano i modelli.

4. Risultati

Gli esperimenti in anello chiuso producono i seguenti risultati chiave:

• Superiorità di EPM: In tutti i modelli e i controllori, il modello EPM proposto ottiene i migliori tempi medi di giro e i più bassi errori di inseguimento. Nello specifico, l'NMPC Adattivo con EPM ha ottenuto un tempo di giro di 5,82 s, rispetto ai 12,99 s del DPM e agli 8,80 s del DDM.
• Robustezza sotto Incertezza: Sotto un fattore di scala delle perturbazioni globali moderato ($\eta=1$), l'EPM ha superato significativamente i baseline:
  • Ha ridotto l'errore di inseguimento longitudinale del 29,0% (rispetto a DPM) e del 17,2% (rispetto a DDM).
  • Ha ridotto l'errore di inseguimento laterale del 24,6% (rispetto a DPM) e del 12,3% (rispetto a DDM).
  • Ha aumentato l'entità della velocità media del 39,9% (rispetto a DPM) e del 3,1% (rispetto a DDM).
• Tassi di Fallimento: Nella scansione dell'incertezza ($\eta \in [0, 5]$), l'EPM accoppiato con le varianti NMPC (Nominale, Robusto, Adattivo) ha completato tutte le 33 valutazioni con zero fallimenti. Al contrario, DPM e DDM hanno accumulato rispettivamente 1% e 12 fallimenti nelle stesse configurazioni.
• Complessità del Modello vs Prestazioni: Nonostante abbia più parametri del DPM, l'EPM ha dimostrato una latenza di inferenza inferiore (0,063 ms rispetto a 0,081 ms) e una maggiore efficienza. Lo studio rileva che, sebbene il DPM funzioni bene in condizioni pulite, le sue prestazioni degradano rapidamente con il rumore di misura, mentre la parametrizzazione dell'EPM, sensibile al carico e consapevole degli attuatori, mantiene la stabilità.
• Studio di Ablazione: Un'analisi che isola il modello interno del controllore dal modello di propagazione ha confermato che la configurazione EPM (sia come modello interno che come modello di propagazione) produce l'aderenza alla linea di corsa più stretta e i tempi di giro più veloci.

5. Significato e Rivendicazioni

Il documento afferma che CAPE stabilisce un benchmark sistematico necessario per valutare i modelli di dinamica del veicolo appresi all'interno di un framework di controllo in anello chiuso. Gli autori sostengono che il loro lavoro dimostra che i miglioramenti nella rappresentazione della dinamica del veicolo appresa (specificamente l'incorporazione di forze sensibili al carico e dinamiche degli attuatori) si traducono direttamente in guadagni misurabili nella robustezza e nelle prestazioni del controllo in anello chiuso.

Lo studio conclude che, mentre i modelli classici divergono dal comportamento reale vicino ai limiti di gestione, e mentre i modelli appresi esistenti migliorano la predizione, il proposto EPM migliora significativamente la robustezza del controllore sotto incertezze realistiche. Gli autori posizionano questo lavoro come un passo verso la validazione di come la dinamica appresa influenzi la stabilità e le prestazioni attraverso eterogenee architetture di controllo, notando che il lavoro futuro estenderà il framework alle policy di reinforcement learning e alla validazione sperimentale su piattaforme fisiche.