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

Sintesi Tecnica: Accuratezza della Posizione a Breve Orizzonte dei Modelli a Singolo Binario

Definizione del Problema
Modelli di veicoli accurati ed efficienti dal punto di vista computazionale sono critici per la pianificazione del moto dei veicoli autonomi, in particolare all'interno dei framework di Controllo Predittivo del Modello (MPC). Nell'MPC, il modello del veicolo predice traiettorie future per calcolare le azioni di controllo; pertanto, la fedeltà del modello influenza direttamente la fattibilità e la sicurezza della traiettoria. Sebbene esistano modelli ad alta fedeltà, essi sono spesso troppo dispendiosi dal punto di vista computazionale per l'uso online, portando molti ricercatori a fare affidamento su modelli a singolo binario (bicycle models). Tuttavia, l'accuratezza posizionale di questi modelli non è stata valutata sistematicamente rispetto a misurazioni del mondo reale attraverso varie manovre di guida. Storicamente, la ricerca sulla dinamica del veicolo si è concentrata sulle risposte di accelerazione e velocità di imbardata piuttosto che sull'accuratezza della posizione, che è essenziale per compiti che richiedono tolleranze strette, come il parcheggio o le manovre a bassa velocità. Questo articolo affronta il divario tra le comunità della guida autonoma e della dinamica del veicolo, valutando l'accuratezza posizionale a breve orizzonte di diverse varianti di modelli a singolo binario rispetto a dati reali di veicoli, al fine di informare la selezione del modello per l'MPC.

Metodologia
Lo studio utilizza una Nissan Leaf ZE0 del 2011 strumentata con un sistema GNSS-INS Oxford Technical Solutions (OxTS) RT3000 v3 e un data logger CANedge2. I parametri del veicolo, inclusi massa, posizione del centro di gravità (CG) e inerzia di imbardata, sono stati identificati tramite misurazioni fisiche e metodi standard. Le rigidezze di deriva laterale (cornering stiffnesses) sono state identificate tramite l'adattamento dei minimi quadrati di dati sperimentali all'interno del regime lineare dello pneumatico, mentre i parametri degli pneumatici Magic Formula (MF) sono stati derivati da dati di una struttura di test con piastra piana.

Sono state valutate tre varianti di modelli a singolo binario:

1. Modello Cinematico: Trascura lo scivolamento degli pneumatici e assume una rotazione attorno a un centro istantaneo.
2. Modello Dinamico Lineare: Include la dinamica laterale e di imbardata con comportamento lineare dello pneumatico (rigidezza di deriva costante).
3. Modello Dinamico Non Lineare: Include la dinamica laterale e di imbardata con pneumatici Magic Formula non lineari e trasferimento di carico longitudinale quasi-statico.

I modelli sono stati testati attraverso sette scenari di guida (S1–S7), che spaziano da otto costanti a velocità costante fino a curve a U e navigazione in rotatorie, con accelerazioni laterali fino a 6 m/s². Per ogni scenario, i modelli sono stati inizializzati con stati misurati a intervalli di 100 ms e simulati su un orizzonte di predizione di 5 secondi. Le traiettorie predette sono state confrontate con le misurazioni della verità assoluta (ground truth), scomponendo l'errore globale in componenti longitudinali e laterali rispetto all'orientamento del veicolo.

Risultati Chiave
La valutazione ha prodotto i seguenti risultati riguardanti l'accuratezza posizionale:

• Modelli Cinematici vs. Dinamici: Il modello cinematico ha performato sostanzialmente peggio di entrambi i modelli dinamici, mostrando errori circa due o sei volte superiori nella maggior parte degli scenari. Questa discrepanza è più pronunciata nelle curve a regime costante con accelerazioni laterali elevate (4 m/s² e 6 m/s²), dove il modello cinematico non riesce a catturare gli effetti di sottosterzo dipendenti dalla velocità a causa della trascuratezza dello scivolamento degli pneumatici.
• Modelli Dinamici Lineari vs. Non Lineari: Contrariamente all'aspettativa che una maggiore fedeltà comporti una maggiore accuratezza, i modelli dinamici lineari e non lineari hanno dimostrato un'accuratezza comparabile in tutti gli scenari testati. Le differenze relative erano nell'ordine dei centimetri, con errori assoluti nell'ordine dei decimetri.
• Motivo della Similitudine: La performance comparabile è attribuita a due fattori: (1) gli angoli di scivolamento degli pneumatici nella maggior parte degli scenari rimanevano all'interno o vicino alla regione lineare (scivolamento anteriore < ±3°, posteriore < ±2°), dove le risposte di forza lineari e non lineari si allineano; e (2) le accelerazioni longitudinali erano limitate, risultando in un trasferimento di carico trascurabile.
• Impatto dell'Identificazione dei Parametri: Nello scenario ad alta accelerazione (S4, 6 m/s²), il modello non lineare ha prodotto inaspettatamente errori maggiori rispetto al modello lineare. Ciò è stato attribuito alla qualità dell'identificazione dei parametri; i parametri del modello non lineare sono stati scalati per corrispondere alla rigidezza lineare, ma sono deviati ai livelli di scivolamento elevati dove dominano i limiti di attrito. Ciò suggerisce che aumentare la complessità del modello senza un'accurata identificazione dei parametri può degradare le prestazioni.

Significatività e Contributi
Il contributo primario del documento è fornire un'intuizione empirica sui compromessi tra complessità del modello, qualità della parametrizzazione e accuratezza posizionale per applicazioni MPC. Gli autori concludono che, per le condizioni operative testate (autovettura, velocità moderate e accelerazioni laterali moderate), il modello dinamico lineare offre il miglior compromesso. Esso fornisce un'accuratezza significativamente migliore rispetto al modello cinematico pur evitando l'incremento dello sforzo di parametrizzazione e le potenziali incertezze di identificazione del modello non lineare, senza sacrificare l'accuratezza posizionale.

Lo studio sottolinea che la selezione del modello dovrebbe essere guidata dalle condizioni operative attese e dalla capacità di identificare accuratamente i parametri, piuttosto che da un'assunzione predefinita che i modelli ad alta fedeltà siano intrinsecamente superiori. Gli autori osservano che sono necessari lavori futuri per valutare questi modelli in applicazioni MPC a ciclo chiuso e per estendere l'analisi a condizioni che coinvolgono lo scivolamento combinato, velocità più elevate e camion autonomi, dove la variabilità del carico utile e orizzonti di predizione più lunghi potrebbero alterare la scelta ottimale del modello.