System Identification for Dynamic Modeling of Large Steering Angle Vehicles

技術概要：大舵角車両の動的モデリングのためのシステム同定

問題定義
本論文は、特に最大で約 115°の舵角を有するバンプカーなど、極めて高い機動性を持つ自律車両のモデリングという課題に取り組む。線形化されたニュートン・オイラーモデルや運動学的自転車モデルなどの標準的な車両モデルは、小角度の仮定に依存し、大きなタイヤスリップを無視している。これらの仮定は、大きな舵角が顕著な非線形動的効果および前後進運動間の遷移を引き起こすバンプカーの領域では成立しない。その結果、既存のモデルは、計画ベースの衝突回避（例えばモデル予測制御）に必要な精度を欠くか、またはリアルタイム展開を阻害する過剰な計算剛性（stiffness）に悩まされている。著者らは、この特定の実験領域に対して、モデル忠実度、計算効率、物理的解釈可能性のバランスを取ったシステム同定フレームワークの開発を目指す。

手法
著者らは、純粋な物理モデル（ホワイトボックス）、純粋なデータ駆動モデル（ブラックボックス）、およびハイブリッド（グレーボックス）アプローチの 3 つのモデリングパラダイムの比較研究を提案する。

1. 物理ベースモデル（ホワイトボックス）:

   • ニュートン・オイラーモデル: バンプカーの幾何学と作動機構に合わせて調整された動的自転車モデル。複雑なパラメータ化（限られた高スリップデータからの同定が困難なマジックフォーミュラなど）を避け、単純さと精度のバランスを取るために、区分的線形タイヤ力モデルを採用している。このモデルは、 longitudinal drag（抗力）およびモータ力を考慮する。
   • 運動学モデル: システム状態に重心速度だけでなく、直接作動される前輪速度を含むように拡張された運動学的定式化が導出された。この定式化は、標準的な運動学モデルのスリップフリー仮定を超えて、タイヤスリップを明示的に組み込んでいる。

2. データ駆動システム同定:

   • ブラックボックスモデル: 正規化平均二乗誤差（NMSE）を最小化するために、2 つの多層パーセプトロン（MLP）アーキテクチャが訓練された。外生入力付き非線形自己回帰モデル（NARX-MLP）は速度の進化を直接モデル化し、運動学的 MLP（K-MLP）は拡張された運動学変数の状態遷移をモデル化した。
   • グレーボックスモデル:
     • SINDy（非線形ダイナミクスのスパース同定）: 運動学的状態遷移を、物理的洞察（モータスロットル挙動、転がり抵抗、スリップダイナミクスなど）から導出された候補関数のスパースな線形結合で近似した。
     • ハイブリッド K-SINDy-MLP: スパースな SINDy ライブラリの精度限界を克服するため、SINDy モデルに残差 MLP を追加した。このハイブリッドアプローチは、物理ベースの SINDy 予測に対する補正項（残差）を学習し、解釈可能性とニューラルネットワークの近似能力を組み合わせる。

主要な貢献

1. カスタマイズされた物理モデル: 大舵角範囲と低速ダイナミクスを処理するために、ニュートン・オイラーモデルおよび運動学的自転車モデルを適応させた。これには、安定した多ステップ予測のための特定の離散化選択と、区分的線形タイヤ力モデルが含まれる。
2. 段階的同定フレームワーク: 本論文は、ブラックボックスからグレーボックス表現への移行を体系的に探求する。学習モデルに物理的構造（SINDy 経由）を埋め込むことが、解釈可能性を向上させ、ニューラルネットワークコンポーネントに必要な複雑さを低減することを示している。
3. ハイブリッドアーキテクチャ: 物理情報に基づく運動学的骨格とデータ駆動型の残差ネットワークを統合する K-SINDy-MLP モデルの提案は、精度、計算速度、解釈可能性の間の新たなトレードオフを提供する。

実験結果
検証は、OptiTrack モーションキャプチャシステムを使用して 7×12 m のアリーナで収集された 1 時間の走行データを用いて行われた。モデルは、予測精度（NMSE）と計算実行時間に基づいて評価された。

• 精度: 純粋なブラックボックスである K-MLP が最高精度（NMSE $4.594 \times 10^{-3}$）を達成した。ハイブリッドの K-SINDy-MLP は同等の精度（$4.765 \times 10^{-3}$）を達成し、純粋な物理モデルであるニュートン・オイラーモデル（$5.973 \times 10^{-3}$）および線形化版を大幅に上回った。
• 計算効率: SINDy ベースのモデルが最も高速であった。K-SINDy-MLP は予測ステップあたり 81.1 ms を要し、ニュートン・オイラーモデル（303.7 ms）よりも大幅に速く、ブラックボックスの MLP と同等であった。
• 極限領域での性能: 90°を超える舵角（前後進運動間の遷移）を含むシナリオにおいて、K-SINDy-MLP モデルはニュートン・オイラーベースラインを大幅に上回り、これらの条件下で軌道を正確に予測できなかったベースラインに対して優位性を示した。

意義と主張
本論文は、ハイブリッド K-SINDy-MLP アプローチがモデル精度と計算要件の間のトレードオフを成功裡に解決したと主張する。物理情報に基づくニューラルネットワークモデルが、計算コストを低く維持しながら純粋な物理ベースラインを精度面で凌駕できることを示しており、高機動性環境における衝突回避などのリアルタイムアプリケーションに適している。著者らは、学習プロセスに物理法則を埋め込むことが、精度を向上させるだけでなく、モデルの解釈可能性と適応性を高め、周期的に変化する乗客負荷などの可変要因に影響を受けるシステムにとって重要であると強調している。本研究は、大舵角車両において、純粋な物理モデルは往々にしてリアルタイム使用には計算剛性が高すぎる一方、純粋なデータ駆動モデルは必要な物理的一貫性を欠いていることを示唆しており、ハイブリッドアプローチが viable な中間解を提供すると結論づけている。