Technisch Overzicht: Aanpassen van Generalistische Voertuigmodellen voor Hoge Snelheid MPC over Verschillende Terreinen

Probleemstelling

Hoge-snelheid off-road autonomie vereist nauwkeurige closed-loop controle die robuust blijft over snel veranderende terreinen. Bij hoge snelheden opereren banden nabij hun wrijvingslimieten, wat leidt tot slip die significant varieert met het type terrein en de payload. Hoewel analytische modellen (bijv. dynamische fietsmodellen) computationeel snel zijn, schieten ze tekort in regimes met veel slip. Omgekeerd kunnen geleerde modellen deze dynamiek wel vangen, maar ze kampen met een afweging: generalistische modellen (getraind op diverse data) missen de voertuigspecifieke nauwkeurigheid die nodig is voor agressieve controle, terwijl specialistische modellen (getraind op uitgebreide real-world data voor één specifiek voertuig/terrein) een hoge prestatie leveren maar falen bij de transfer naar nieuwe omgevingen. Bovendien vertrouwen bestaande inverse kinodynamische (IKD) methoden op online adaptatie maar leunen ze op aparte planners, en vereisen specialistische forward kinodynamische (FKD) modellen een prohibitieve hoeveelheid real-world data.

De centrale uitdaging die wordt aangepakt, is hoe een generalistisch FKD-fundamentiemodel kan worden gespecialiseerd voor een specifiek doelvoertuig om hoge-snelheidsprestaties te bereiken, terwijl de robuustheid over onbekende terreinen en payloads behouden blijft, met behulp van minimale real-world data.

Methodologie: OptCar

De auteurs stellen OptCar (Optimized Car) voor, een framework dat de kloof tussen generalistische en specialistische FKD-modellen overbrugt. De aanpak integreert een geschiedenis-geconditioneerde architectuur met een gerichte real-and-synthetic fine-tuning recept, ingezet binnen een sampling-gebaseerde Model Predictive Control (MPPI) loop.

1. Geschiedenis-geconditioneerde FKD-architectuur

Om de variabiliteit in voertuig-terrein interactie zonder online optimalisatie aan te pakken, introduceert OptCar een geschiedenis-geconditioneerde dynamica-adaptatiemodule:

• Context Encoding: Een geschiedenis-encoder (een 2-laagse bidirectionele transformer) comprimeert recente staat-actie geschiedenis ($s_{t-M:t}, a_{t-M:t}$) tot een enkele dynamica-contextvector ($c_t$). Deze vector vangt latente factoren zoals terreinwrijving, slipregimes en payload.
• Conditionering: In tegenstelling tot standaard aandachtmechanismen waarbij geschiedenis-tokens optioneel zijn, conditioneert OptCar elke block van de rollout-decoder op $c_t$ met behulp van FiLM (Feature-wise Linear Modulation). Dit zorgt ervoor dat alle kandidaat toekomstige rollouts die door de MPC worden geëvalueerd, gemoduleerd worden door de huidige geïnferred dynamica.
• Voorspelling: De decoder voorspelt body-frame pose-incrementen ($\Delta \hat{s}$) in plaats van globale poses, wat rollouts over niet-planair terrein mogelijk maakt.

2. Gerichte Real-and-Synthetic Specialisatie

Om het tekort aan real-world data in agressieve high-slip regimes te overwinnen, gebruikt OptCar een gespecialiseerde fine-tuning strategie:

• Systeemidentificatie: Voor elk terrein wordt een dynamisch fietsmodel (DBM) gekalibreerd met beperkte real-world data ($D_{real}$) door één-stap transities te fitten.
• Gerichte Synthetische Generatie: Het gekalibreerde DBM wordt offline gebruikt om gerichte synthetische rollouts ($D_{synth}$) te genereren. Deze rollouts worden gerandomiseerd om high-slip regio's te dekken die gevaarlijk of moeilijk te verzamelen zijn in de werkelijkheid, maar die toch verankerd blijven aan de specifieke voertuig-terrein dynamica die geïdentificeerd is.
• Fine-Tuning: Het vooraf getrainde generalistische model wordt end-to-end gefine-tuned op de unie van real en synthetische data ($D_{FT} = D_{real} \cup D_{synth}$). Dit balanceert relevantie (real data) met dekking (synthetische high-slip data).

3. Implementatie

Het gefine-tuned model dient als de rollout-functie binnen een MPPI-controller. Bij elke planningstap wordt de geschiedenis gecodeerd in $c_t$, en worden kandidaat actie-sequenties geroteerd met behulp van de context-geconditioneerde decoder. De controller selecteert de sequentie met de laagste kosten zonder dat er terreinklassificaties, modus-wisselingen of online parameter-updates nodig zijn.

Belangrijkste Bijdragen

1. Geschiedenis-geconditioneerde Architectuur: Een nieuw FKD-ontwerp dat geschiedenis van staat-acties comprimeert tot een dynamica-contextvector die de volledige rollout-decoder conditioneert. Dit vermindert de 6 m/s tracking error met 21% tot 33% over verschillende terreinen vergeleken met een backbone zonder deze conditionering.
2. Gerichte Fine-Tuning Recept: Een methode om een model te specialiseren met slechts minuten aan real-world data per terrein, aangevuld met synthetische rollouts vanuit per-terrein systeemidentificatie. Dit vermindert de 6 m/s tracking error verder met 17% tot 46% ten opzichte van fine-tuning op enkel real-world data.
3. Closed-Loop Validatie: Uitgebreide validatie waaruit blijkt dat OptCar zowel generalistische als specialistische baselines overtreft in cross-terrain tracking en out-of-distribution payload scenario's.

Experimentele Resultaten

Experimenten werden uitgevoerd op een 1/5-schaal off-road voertuig over drie terreinen (Weg, Nat Gras + Helling, Vegetatie + Zand/Modder) bij snelheden van 2, 4 en 6 m/s, inclusief een out-of-distribution cart-pulling taak.

• Hoge Snelheid Prestaties: De grootste winsten treden op bij 6 m/s, het regime waar slip domineert in de tracking error.
  • Op vegetatie en zand (high-slip terrein) verminderde OptCar (gefine-tuned met real + synthetische data) de trajectory tracking error met ongeveer 55% vergeleken met een gefine-tuned AnyCar baseline (generalist).
  • OptCar verminderde de error met 42% tot 57% vergeleken met de generalistische AnyCar baseline over alle terreinen bij 6 m/s.
• Vergelijking met Specialisten:
  • Op de weg (het trainingsdomein van de specialist) behaalde een specialist getraind op 30 minuten weg-data de beste prestaties, waarbij OptCar (getraind op slechts 5 minuten per terrein) binnen 14% van deze prestatie bleef.
  • Op onbekende terreinen (bijv. nat gras, vegetatie) degradeerde de prestatie van de specialist aanzienlijk, terwijl OptCar 46% nauwkeuriger trackte.
• Out-of-Distribution Generalisatie: In een zero-shot cart-pulling taak (onbekende payload) behaalde OptCar de laagste tracking error bij alle snelheden, wat aantoont dat de geschiedenis-context encoder dynamica-verschuivingen afleidt uit beweging alleen, zonder specifieke payload-training data.

Betekenis en Claims

Het artikel claimt dat OptCar een praktisch pad biedt voor het inzetten van fundamentele dynamica-modellen op specifieke robots zonder het verzamelen van grote per-terrein datasets. De belangrijkste bevindingen zijn:

1. Dubbele Capaciteit: Een enkel model kan zowel gespecialiseerd zijn voor een doelvoertuig als robuust over verschillende terreinen zijn, mits het geconditioneerd is op recente beweging.
2. Efficiëntie: Hoge snelheid prestaties kunnen worden bereikt met slechts 5 minuten real-world data per terrein wanneer dit wordt aangevuld met gerichte synthetische data, wat evenaart wat specialisten presteren die getraind zijn op 30 minuten single-terrain data.
3. Adaptatie zonder Optimalisatie: De geschiedenis-conditionering maakt online adaptatie aan terrein- en payload-veranderingen mogelijk in een enkele forward pass, waardoor aparte planners, terreinklassificaties of online weight-updates overbodig worden.

De auteurs merken beperkingen op, waaronder de aanname dat de aangetroffen dynamica binnen de pre-training/fine-tuning distributie liggen (geen online weight updates) en de computationele beperkingen van MPPI die de rollout horizon beperken. Toekomstig werk suggereert het verkennen van de combinatie van snelle feedforward context met tragere online weight updates en het integreren van exteroceptieve inputs (bijv. RGB of point clouds) voor rijkere context.