⚡ electrical engineering

AD-MPCC: Adaptive Differentiable Model Predictive Contouring Control for Autonomous Racing

Dit artikel introduceert AD-MPCC, een autonoom raceframework dat differentiële Model Predictive Contouring Control combineert met online parameterschatting en een supervised learning-model om controle-objectieven dynamisch aan te passen, waardoor veiligheid wordt gewaarborgd en snellere rondetijden worden behaald onder variërende wegdekcondities.

Oorspronkelijke auteurs: Nam T. Nguyen, Binh Nguyen, Ahmad Amine, Thanh Vo-Duy, Rahul Mangharam, Truong X. Nghiem

Gepubliceerd 2026-07-02

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Nam T. Nguyen, Binh Nguyen, Ahmad Amine, Thanh Vo-Duy, Rahul Mangharam, Truong X. Nghiem

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je een zelfrijdende raceauto voor die zo snel mogelijk een circuit rondrijdt. De grootste uitdaging is niet alleen het sturen; het is weten hoeveel grip de banden hebben op de weg. Als de weg droog asfalt is, plakken de banden als lijm. Als het nat of ijzig is, glijden ze als boter.

Dit artikel introduceert een nieuw "brein" voor deze raceauto's genaamd AD-MPCC. Denk aan een coureur die niet alleen het circuit uit het hoofd leert, maar ook constant de weg onder de banden voelt en de rijstijl direct aanpast aan de omstandigheden.

Hier is hoe het werkt, onderverdeeld in drie eenvoudige delen:

1. Het "Gevoel" (Online Parameter Estimation)

De meeste zelfrijdende auto's gaan ervan uit dat de weg overal hetzelfde is. Maar in de werkelijkheid kan een circuit droge stukken, natte stukken of grind bevatten.

Het Probleem: Als de auto denkt dat hij op droog asfalt rijdt maar een nat wegdek raakt, zal hij te hard willen sturen en crashen.
De Oplossing: Het AD-MPCC-systeem werkt als een detective. Het kijkt constant naar hoe de auto daadwerkelijk beweegt in vergelijking met hoe de auto dacht dat hij zou bewegen. Als de auto iets meer slipt dan verwacht, zegt het systeem: "Ah, de weg is glad!" en werkt het direct zijn interne kaart van de weg grip (met behulp van een beroemde formule genaamd de "Magic Formula" voor banden) bij. Het geeft meer gewicht aan wat er een seconde geleden gebeurde dan aan wat er tien seconden geleden gebeurde, zodat het snel reageert op veranderende omstandigheden.

2. De "Strategie" (Differentiable MPCC)

Zodra de auto weet dat de weg glad is, moet hij beslissen hoe hij moet rijden. Moet hij eerder remmen? Moet hij een bredere bocht nemen?

Het Probleem: In traditionele racing AI worden de "regels" voor hoe men rijdt (de gewichten) door mensen ingesteld voordat de race begint. Als de weg verandert, veranderen de regels niet, en de auto kan dan te agressief rijden voor de omstandigheden.
De Oplossing: Dit artikel introduceert een "Differentiable" systeem. Stel je voor dat de strategie van de auto een recept is met verstelbare knoppen (gewichten). Normaal gesproken kun je deze knoppen niet bijstellen terwijl de auto rijdt omdat de wiskunde te moeilijk is om terug te rekenen. Deze nieuwe methode gebruikt geavanceerde wiskunde om het recept te "reverse-engineeren". Het vraagt: "Als ik deze knop een klein beetje draai, voltooi ik de ronde dan sneller of veiliger?" Het draait vervolgens automatisch de knoppen in de juiste richting om de perfecte balans tussen snelheid en veiligheid te vinden in real-time.

3. De "Shortcut" (Pacejka-Informed Machine Learning)

Er is een addertje onder het gras: al die wiskunde doen om de knoppen bij te stellen kost te veel tijd voor een raceauto die met 160 km/u rijdt. Het is alsoast een complexe calculus-opgave proberen op te lossen terwijl je een sprint loopt.

Het Probleem: De "perfecte" wiskunde duurt te lang om te berekenen tijdens het rijden.
De Oplossing:** De onderzoekers hebben een slimme AI-assistent getraind (een machine learning-model) om als een shortcut te fungeren. Ze hebben deze assistent geleerd door de trage, perfecte wiskundige methode duizenden simulaties te laten draaien. De assistent leerde de wegcondities (hoe glad het is) en de snelheid van de auto te herkennen, en vervolgens razendsnel de "perfecte" instellingen van de knoppen te raden.
De Analogie: Het is als een schaakgrootmeester die miljoenen partijen heeft bestudeerd. In plaats van elke mogelijke zet vanaf nul te berekenen tijdens een partij, herkent de grootmeester direct het patroon en weet hij de beste zet. Deze "assistent" stelt de auto in staat om beslissingen van een fractie van een seconde te nemen die bijna net zo goed zijn als de trage, perfecte wiskunde, maar snel genoeg voor real-time racing.

De Resultaten: Werkte het?

Het team testte dit systeem in een computersimulatie van een racecircuit (F1TENTH-Gym).

Op een normaal, droog circuit: Het nieuwe systeem was aanzienlijk sneller dan de standaard controllers en scheelde ongeveer 11 seconden per ronde. Het reed vloeiender en bleef dichter bij het midden van de baan.
Op een lastig, veranderend circuit: Hier liet het systeem zijn ware kracht zien. Ze creëerden een circuit dat droog begon en plotseling heel glad werd.
- De standaard auto's (en zelfs de auto's die alleen hun weggevoel maar niet hun strategie bijwerkten) crashten op het gladde deel.
- De AD-MPCC-auto voelde de slip, paste direct zijn strategie aan en voltooide de race veilig.

Samenvattend

Dit artikel presenteert een raceauto-controller die aanpasbaar is. Het volgt niet alleen een script; het voelt de weg, leert hoe glad deze is in real-time, en herschrijft direct zijn eigen rijstrategie om snel te blijven zonder te crashen. Het combineert een "detective" (om de weg te voelen), een "strateeg" (om de rijstijl te optimaliseren) en een "slimme assistent" (om de wiskunde snel uit te voeren) om de race te winnen.

Technische Samenvatting: Adaptive Differentiable Model Predictive Contouring Control (AD-MPCC) voor Autonome Racing

1. Probleemstelling

Autonome racing vereist dat voertuigen op hun fysieke grenzen opereren terwijl prestatiedoelen zoals het minimaliseren van de rondetijd worden geoptimaliseerd. Hoewel Model Predictive Contouring Control (MPCC) een standaardraamwerk is geworden voor het balanceren van volgprecisie en racingsnelheid, staat het voor aanzienlijke uitdagingen in dynamische omgevingen, met name op circuits met variërende wegdekcondities.

De belangrijkste problemen die in dit werk worden aangepakt zijn:

Modelonzekerheid: De dominante bron van onzekerheid in racing komt voort uit de interactie tussen band en wegdek, die varieert met de oppervlaktecondities (bijv. asfalt versus grind). Standaard fysische modellen gaan vaak uit van vaste parameters, wat leidt tot onnauwkeurigheden wanneer de wrijving van het wegdek verandert.
Adaptatie van Gewichtingsfactoren voor Doelstellingen: In scenario's met meerdere oppervlakken vereisen updates aan het dynamische model (bijv. bandwrijkingsparameters) bijbehorende aanpassingen aan de MPCC-wegingsfactoren om veiligheid en prestaties te waarborgen. Het handmatig afstemmen van deze gewichten is echter onpraktisch, en standaard differentiabele MPC-technieken zijn niet direct toepasbaar op MPCC vanwege de impliciete koppeling tussen de referentiebaan en de geoptimaliseerde progressievariabele.
Real-time Beperkingen: Hoewel differentiële programmering een mechanisme biedt voor gewichtoptimalisatie, is de computationele last van het online oplossen van hoogdimensionale optimalisatieproblemen vaak prohibitief voor real-time racingtoepassingen.

2. Methodologie: Het AD-MPCC Raamwerk

De auteurs stellen het Adaptive Differentiable Model Predictive Contouring Control (AD-MPCC) raamwerk voor, dat twee kerncomponenten integreert om de bovenstaande uitdagingen aan te pakken: online parameteroptimalisatie en differentiabele gewichtsaanpassing.

A. Online Pacejka Parameteroptimalisatie

Om variërende wegdekken aan te pakken, maakt het raamwerk gebruik van een Regularized Moving Horizon Estimation (MHE) schema.

Model: De voertuigdynamica wordt gemodelleerd met behulp van een dynamisch fietsmodel waarbij de laterale krachten worden beheerst door de Pacejka "Magic Formula".
Schatting: Het systeem schat de Pacejka-parameters ( $\eta$ , inclusief wrijvingscoëfficiënten $B, C, D$ ) in real-time met behulp van een dataset van recente voertuigtoestanden en inputs.
Mechanisme: De MHE-doelfunctie bevat:
- Exponentieel afnemende gewichten: Dit geeft prioriteit aan recente observaties om transities tussen verschillende wegdekken snel te vangen.
- Prior regularisatie: De schatting wordt geregulariseerd richting nominale parameters ( $\eta_{gt}$ ) afgeleid van standaard wegcondities om stabiliteit te garanderen.
Output: De geschatte parameters $\eta_k$ worden bij elke tijdstap bijgewerkt en gevoed aan het voorspellende model.

B. Differentiabele MPCC (Diff-MPCC)

Om de MPCC-wegingsfactoren ( $q = [q_c, q_l, q_v]^\top$ ) automatisch af te stemmen op basis van de geschatte dynamica, ontwikkelen de auteurs een Diff-MPCC benadering.

Concept: In plaats van vaste gewichten optimaliseert het raamwerk de gewichten om een langetermijnprestatiekosten $\ell$ te minimaliseren.
Differentiatie: De methode berekent gradiënten van de prestatiekosten met betrekking tot de gewichten ( $\partial \ell / \partial q$ ) door te differentiëren door het MPCC-optimalisatieprobleem.
Technische Uitdaging: In tegenstelling tot standaard MPC bevat MPCC een impliciete progressievariabele $\theta$ die de referentiebaan koppelt aan de optimalisatie. Dit vereist hogere-orde afgeleiden van het referentiepad.
Oplossing: De auteurs passen het Implicit Function Theorem (IFT) toe op de Karush-Kuhn-Tucker (KKT) optimaliteitsvoorwaarden van het MPCC-probleem. Door de oplossing te benaderen via een barrière-methode en het resulterende lineaire systeem op te lossen, berekenen zij de noodzakelijke gradiënten om de gewichten bij te werken via een geprojecteerde gradiëntafdaling methode.

C. Pacejka-geïnformeerd Machine Learning (PaIML)

Omdat het volledig draaien van de Diff-MPCC optimalisatielus online computationeel duur is, stellen de auteurs een PaIML techniek voor voor real-time implementatie.

Offline Training: Een supervised learning model wordt getraind op data gegenereerd door de Diff-MPCC solver. De dataset bestaat uit voertuigtoestanden en geschatte parameters gekoppeld aan de optimale gewichten berekend door Diff-MPCC.
Physics-Informed Reductie: Om de inputdimensie te reduceren van 14 naar 5, maken de auteurs gebruik van de fysische structuur van het Pacejka-model. In plaats van ruwe parameters te voeren, gebruikt het model:
1. Wrijvingscoëfficiënten ( $\mu_r, \mu_f$ ) afgeleid van de Pacejka-parameters.
2. Longitudinale en laterale snelheden ( $v_x, v_y$ ).
3. De progressievariabele ( $\theta$ ).
Architectuur: Een XGBoost-model wordt gebruikt om deze 5 inputs te mappen naar de optimale MPCC-gewichten, wat snelle, bijna optimale inferentie tijdens real-time operatie mogelijk maakt.

3. Belangrijkste Bijdragen

Het artikel benadrukt drie primaire bijdragen:

AD-MPCC Raamwerk: Een nieuw controle-architectuur dat gezamenlijk online schatting van het voertuigdynamische model en automatische adaptatie van MPCC-wegingsfactoren uitvoert voor autonome racing op variërende oppervlakken.
Prior-Regularized MHE: Een specifiek schattingsschema dat exponentieel afnemende gewichten gebruikt om Pacejka-parameters snel te schatten, waardoor het voorspellende model snel kan adapteren aan oppervlakte-transities.
Differentiabele MPCC & PaIML:
- Ontwikkeling van een differentiële programmeertechniek voor MPCC die gradiëntgebaseerde gewichtstuning mogelijk maakt.
  [] Ontwerp van een real-time benaderingsmethode (PaIML) die de computationele complexiteit vermindert door gebruik te maken van fysische inzichten om de inputdimensie te verlagen.

4. Simulatie-resultaten

Het raamwerk werd gevalideerd in de F1TENTH-Gym omgeving met een Oschersleben racecircuit onder twee scenario's:

A. Scenario met één oppervlak (Bekende $\mu_{max} = 1.2$ )

Prestaties: Zowel Diff-MPCC als AD-MPCC verminderden de rondetijden aanzienlijk vergeleken met de baseline MPCC.
- Diff-MPCC: Bereikte de snelste rondetijd (64.08 s vs. 75.57 s voor de baseline).
- AD-MPCC: Bereikte een rondetijd van 64.89 s met een kleinere gemiddelde laterale offset (0.926 m) vergeleken met Diff-MPCC (1.040 m), wat wijst op een betere afweging tussen snelheid en veiligheid.
Computatie: Alle methoden opereerden binnen het budget van 50 ms per stap, waarbij AD-MPCC ongeveer 24.18 ms per stap vereiste.

B. Scenario met meerdere oppervlakken (Onbekende $\mu_{max}$ variërend van 0.7 tot 1.2)

Veiligheid & Robuustheid: Dit scenario bleek kritiek. De baseline MPCC, A-MPCC (alleen schatting) en Diff-MPCC (alleen gewichtsaanpassing) crashten allemaal bij het eerste gladde segment ( $\mu_{max} = 0.75$ ).
AD-MPCC Succes: AD-MPCC was de enige controller die de ronde veilig kon voltooien.
Mechanisme: De online schatting detecteerde succesvol de daling in wrijving (bijv. parameter $D_r$ daalde van 1.55 naar ~1.45), en de gewichtsaanpassing paste de controller aan om stabiliteit te behouden, waarbij een gemiddelde snelheid van 11.65 m/s en een laterale offset van 1.069 m werd behaald.

5. Betekenis en Claims

Het artikel claimt dat AD-MPCC een significante vooruitgang vertegenwoordigt in de controle van autonome racing door de dubbele uitdagingen van modelonzekerheid en controller-adaptiviteit aan te pakken.

Veiligheid bij Onzekerheid: Het raamwerk is de enige geteste methode die veilige voertuigbediening garandeert in onbekende, multi-surface omgevingen waar andere controllers falen.
Prestaties: Op bekende circuits bereikt het raamwerk rondetijden die ongeveer 11 seconden sneller zijn dan de standaard MPCC.
Praktische Bruikbaarheid: Door differentiële optimalisatie te combineren met physics-informed machine learning, demonstreren de auteurs dat complexe, adaptieve controlestrategieën in real-time kunnen worden ingezet zonder de computationele budgetten te overschrijden.

De auteurs merken op dat de huidige validatie steunt op simulator-gegenereerde data (F1TENTH-Gym) en dat toekomstig werk zich zal richten op real-world implementatie en diepere theoretische analyse van stabiliteit en robuustheid.