Excitation-Aware On-Track System Identification at Full Scale

自動運転レーシングカーは、ただ速いだけではありません。それらは常に「推測」を繰り返しています。限界域で走行するためには、コンピュータはタイヤが路面に対して今どれだけのグリップ力を持っているのかを正確に把握しなければなりません。このグリップは速度、温度、そしてアスファルトの状態によって変化するため、車両の「脳」にとって最も重要かつ捉えどころのない情報となります。従来、エンジニアはレーシングカーを一度停止させ、テストコース上で低速で円を描くように走行させ、タイヤを測定して数学的なモデルを構築していました。しかし、実際のレースではテストコースのための時間はありません。車は走行しながら、通常のラップから得られるデータを用いて、ゴムがどのように振る舞っているかを解明し、タイヤを学習しなければなりません。このプロセスは「オントラック・システム・アイデンティフィケーション（走行中のシステム同定）」と呼ばれます。それは高度な推論のゲームです。車は高速で移動しながら、シャーシの目に見える動きから、タイヤの目に見えない特性を導き出さなければならないのです。

アイン・シャムス大学とアメリカン・ユニバーシティ・オブ・ザ・ミドル・イーストの研究者らによる最近の研究では、フルサイズのレーシングカーに、走行しながら自らのタイヤを学習させるための特定の手法について調査が行われました。彼らは、小型の1/10スケールモデルカーでうまく機能したシステムを、フルサイズのフォーミュラ・学生車両（Formula Student vehicle）へ直接移植することを試みました。期待されていたのは、この手法がスムーズにスケールアップすることでした。ところが、研究者たちは、システムが巧妙かつ危険な形で失敗していることを発見しました。フルサイズの車両に移した際、同定パイプラインは、書類上は正しく見えるものの、物理的には不可能なモデルを生成しており、その結果、車は実際よりもはるかに多くのグリップを持っていると誤認させていたのです。高精度なコンピュータ・シミュレーション内でのみ行われたこの研究により、この失敗は計算ミスやセンサーのノイズによるものではなく、システムが自らのテストデータを生成する方法における根本的な欠陥によるものであることが明らかになりました。

問題の核心は、システムがタイヤを分析するために「仮想的」なテスト走行を作成するステップにありました。元の小規模なセットアップでは、この仮想走行はタイヤの限界を明らかにするのに十分でした。しかし、フルサイズの車両の場合、仮想シミュレーションで使用された速度とステアリング角が低すぎたため、タイヤを限界点まで追い込むことができませんでした。仮想テストがタイヤに負荷をかけることを求めなかったため、システムはグリップがどこで終わるのかを知ることができなかったのです。それは、橋の重量制限を推測しようとして、自転車で橋を渡るようなものです。自転車では橋にストレスがかからないため、推測者はその橋が実際にどれほどの重さに耐えられるのかを知る術がありません。その結果、コンピュータは欠落した情報を推測で埋め、プログラムによって許容された最大値に達する値を推測してしまいました。システムは、タイヤが実際に提供できる力の約4倍の力を扱えると報告したのです。コンピュータが安全だと判断した速度で実車が走行しようとしたとき、車は単にグリップを失い、コース外へと飛び出してしまいました。

研究者たちは、この失敗を「励起（excitation）」と呼ばれる概念に辿り着きました。システムがある特性を学習するためには、その特性を明らかにするほど十分に励起、あるいは刺激される必要があります。タイヤ同定の文脈では、車はグリップの端を感じるほど激しく走らなければなりません。元のシステムで使用されていた仮想走行は、フルサイズの車両にとってはあまりにも穏やかすぎました。研究者たちの計算によれば、仮想走行はタイヤが実際に提供できる摩擦のほんの一部しか要求できていませんでした。データがタイヤの性能曲線のピークに達しなかったため、数学的モデルは、グリップの低いタイヤとグリップの高いタイヤを区別することができなかったのです。モデルは単に、安全リミット内で許容される最高の結果に落ち着いてしまい、誤った安心感を生み出しました。

これを修正するために、チームは同定パイプラインを「励起を意識した（excitation-aware）」ものへと再設計しました。彼らは、仮想テスト走行が、実際のトラック上で車が実際に走行している速度に基づいて、速度とステアリングの強度を自動的に調整するように変更しました。車が高速で移動していれば、仮想テストもよりアグレッシブになり、タイヤの真の限界を明らかにするのに十分な力を確実に要求するようにしました。また、新しい安全チェックも導入しました。コンピュータが生成した生の数値を見るだけでなく、その結果得られたモデルが物理的に理にかなっているかどうかを確認するようにしたのです。計算されたグリップの天井が、道路が到底サポートできないような高さになっていないか、また車のステアリング挙動が安定しているかを検証しました。もしモデルがこれらの物理的チェックに失敗した場合、システムは危険な新しいモデルを配備するのではなく、そのモデルを拒否し、以前の既知の安全なモデルを使用し続けるようにしました。

これらの変更による結果は、シミュレーションにおいて劇的なものでした。グリップが一定の静止表面において、修正されたシステムはタイヤの剛性を誤差3.2パーセント未満で学習しましたが、旧システムは100パーセント以上の誤差がありました。より重要なことに、チームはグリップが徐々に低下していく、路面が濡れたり摩耗したりしている状況をシミュレートした表面でシステムをテストしました。旧システムは、誤った高いグリップ推定値に固執していたため、トラクションの喪失に気づくことができませんでした。そのため、もはや安全ではない速度で走行を続け、2周目にコースアウトしました。しかし、修正されたシステムは、グリップの低下を検知しました。タイヤが保持力を失っていることを認識し、コントローラーは新しい、より低い限界値に対して参照速度プロファイルを再調整しました。これにより、車両は変化する条件に合わせて速度を調整することで、以前と同じ精度で3周のラップを完走することができました。

この研究は、自動運転車両に対する重要な教訓を提示しています。データに完璧に適合するモデルが、必ずしも物理法則を理解しているモデルであるとは限りません。研究者たちは、単に数値が安全な範囲内に収まっているかを確認するだけでは不十分であることを発見しました。システムは、学習に使用したデータが、実際にそれらの限界をテストできる能力を持っていたかどうかを確認しなければなりません。タイヤに対して「正しい問い」を投げかけること――つまり、真実を明らかにするほど厳しい問いを投げかけること――によって、彼らは車が嘘を信じてしまう事態を防ぐことができたのです。これらの結果はシミュレーション内で達成されたものですが、修正のロジックは実車の物理法則に基づいています。研究者たちは、自動運転が安全かつ効果的であるためには、コンピュータが示す限界をそのまま受け入れるのではなく、自らの能力の限界を能動的に探し求めるように設計されなければならないと結論付けています。