Technische Samenvatting: CAPE – Evaluatie van de Prestaties van Controlealgoritmen onder Geleerde Voertuigdynamische Modellen

1. Probleemstelling

Autonome racerij opereert nabij de fysieke grenzen van voertuigdynamica, waarbij snelle acceleratie, agressieve bochten en niet-lineair bandgedrag klassieke vereenvoudigde modellen (zoals het standaard fietsmodel) ontoereikend maken. Kleine modelleringsfouten in deze regimes kunnen de prestaties van de closed-loop regeling destabiliseren. Hoewel recent onderzoek data-gedreven en hybride geleerde dynamische modellen heeft geïntroduceerd (zoals het Deep Pacejka Model [DPM] en het Deep-learning Dynamics Model [DDM]) om de voorspellende nauwkeurigheid te verbeteren, is er een gebrek aan systematische benchmarks die evalueren hoe de keuze van een geleerd dynamisch model de prestaties van heterogene closed-loop controllers beïnvloedt. Bestaande studies evalueren controllers vaak onder vaste modellen of modellen onder vaste controllers, waardoor ze er niet in slagen de specifieke bijdrage van het dynamische model aan robuustheid en volgaccuratesse over diverse controlearchitecturen heen te isoleren.

2. Methodologie

De auteurs stellen het Control Algorithm Performance Evaluation (CAPE) framework voor, een systematische methodologie die is ontworpen om autonome racerij-controllers te benchmarken onder geleerde voertuigdynamische modellen. Het framework werkt via de volgende componenten:

• Geleerde Dynamische Modellen: De studie vergelijkt drie verschillende modellen:
  1. Deep Pacejka Model (DPM): Implementeert een Pacejka bandenkracht-laag binnen een leeralgoritme terwijl de structuur van een fietsmodel behouden blijft.
  2. Deep Dynamics Model (DDM): Gebruikt een natuurkundig beperkt neuraal netwerk om Pacejka-coëfficiënten en aandrijflijnweerstanden te schatten binnen een enkelspoormodel.
  3. Enhanced Physics Model (EPM): Het voorgestelde model, dat een dynamische enkelspoorrepresentatie combineert met geleerde parameters voor belastingsgevoelige bandenkrachten, longitudinale lastoverdracht en actuatordynamica. Het maakt gebruik van een compacte neurale parameterschatter (met behulp van GRUs en MLPs) om fysiek interpreteerbare coëfficiënten te voorspellen in plaats van ruwe toestanden.
• Controlearchitecturen: Vijf heterogene controllers worden tegen elk model geëvalueerd:
  • PID-regeling
  • Robust Inverse of Signum Error (RISE) regeling
  • Nominale Nonlinear Model Predictive Control (N-NMPC)
  • Robuuste NMPC (R-NMPC)
  • Adaptieve NMPC (A-NMPC)
• Verstoringsbewuste Simulatiepipeline: Om realistische racerijcondities na te bootsen, injecteert het framework een globale verstoringsschalingsfactor ($\eta$) die simultaan het volgende verhoogt:
  • Multiplicatieve meetruis (state feedback).
  • Procesverstoringen (ongemodelleerde dynamica).
  • Actuatorvertragingen (stuurlatentie).
  • IMU-biasdrift.
  • Crosswind-perturbaties.
  • Parametrische onzekerheid (massa, bandstijfheid, wrijvingslimieten).
• Experimentele Opstelling: Training en testen worden uitgevoerd op afzonderlijke circuits (Track 1 voor training, Track 2 voor testen) om generalisatie te beoordelen. Prestaties worden gemeten via longitudinale/laterale volgfouten, controle-inspanning en rondetijden, waarbij "falen" wordt bestraft om robuustheid als primaire metriek te waarborgen.

3. Belangrijkste Bijdragen

Het artikel schetst drie primaire bijdragen:

1. Uniform Benchmarking Framework: Een systematische pipeline (CAPE) die heterogene autonome racerij-controllers evalueert onder drie verschillende geleerde dynamische modellen (DPM, DDM en het voorgestelde EPM).
2. Verstoringsbewuste Evaluatie: Een methodologie die systematisch sensor-, actuator- en modelleringsonzekerheden injecteert om de robuustheid van de controller rigoureus te bestuderen, waarmee verder wordt gegaan dan geïdealiseerde simulatiecondities.
3. Empirische Modelvergelijking: Een uitgebreide vergelijking die aantoont hoe de modelstructuur de volgaccuratesse, controle-inspanning en stabiliteit beïnvloedt. De studie isoleert het effect van het dynamische model van de controller door de controllerparameters vast te houden terwijl de modellen worden gewisseld.

4. Resultaten

De closed-loop experimenten leveren de volgende belangrijke bevindingen op:

• Superioriteit van EPM: Over alle modellen en controllers heen bereikt het voorgestelde EPM de beste gemiddelde rondetijden en de laagste volgfouten. Specifiek behaalde de Adaptive NMPC met EPM een rondetijd van 5,82 s, vergeleken met 12,99 s voor DPM en 8,80 s voor DDM.
• Robuustheid onder Onzekerheid: Onder een matige globale verstoringsschalingsfactor ($\eta=1$) presteerde EPM significant beter dan de baselines:
  • Verminderde de longitudinale volgfout met 29,0% (vs. DPM) en 17,2% (vs. DDM).
  • Verminderde de laterale volgfout met 24,6% (vs. DPM) en 12,3% (vs. DDM).
  • Verhoogde de gemiddelde snelheidsmagnitude met 39,9% (vs. DPM) en 3,1% (vs. DDM).
• Falen: In de onzekerheidssweep ($\eta \in [0, 5]$) voltooiden de EPM gekoppeld aan NMPC-varianten (Nominaal, Robuust, Adaptief) alle 33 evaluaties met nul fouten. In tegenclus geval cumuleerden DPM en DDM respectievelijk 19 en 12 fouten over dezelfde configuraties.
• Modelcomplexiteit vs. Prestaties: Ondanks het hebben van meer parameters dan DPM, vertoonde EPM een lagere inferentielatentie (0,063 ms vs. 0,081 ms) en hogere efficiëntie. De studie merkt op dat hoewel DPM goed presteert onder zuivere condities, de prestaties ervan snel verslechteren bij meetruis, terwijl de belastingsgevoelige en actuator-bewuste parametrisering van EPM de stabiliteit handhaaft.
• Ablatiestudie: Een analyse die de interne controller-model van het propagatiemodel isoleert, bevestigde dat de EPM-configuratie (zowel als intern model als propagatiemodel) de meest nauwkeurige lijnvolging en snelste rondetijden oplevert.

5. Betekenis en Claims

Het artikel claimt dat CAPE een noodzakelijke systematische benchmark vestigt voor het evalueren van geleerde voertuigdynamische modellen binnen een closed-loop controleframework. De auteurs stellen dat hun werk aantoont dat verbeteringen in de representatie van de geleerde voertuigdynamica (specifiek de integratie van belastingsgevoelige krachten en actuatordynamica) direct vertalen in meetbare winst in de robuustheid en prestaties van de closed-loop regeling.

De studie concludeert dat hoewel klassieke modellen afwijken van het werkelijke gedrag nabij de beheersgrenzen, en hoewel bestaande geleerde modellen de voorspelling verbeteren, de voorgestelde EPM de robuustheid van de controller onder realistische onzekerheden aanzienlijk verbetert. De auteurs positioneren dit werk als een stap naar het valideren van hoe geleerde dynamica de stabiliteit en prestaties beïnvloedt over heterogene controlearchitecturen, waarbij zij opmerken dat toekomstig werk de framework zal uitbreiden naar reinforcement learning-policies en experimentele validatie op fysieke platforms.