Nonplanar Model Predictive Control for Autonomous Vehicles with Recursive Sparse Gaussian Process Dynamics

1. O Problema

A maioria das pesquisas em condução autônoma foca em terrenos planos. No entanto, aplicações do mundo real (como veículos off-road) exigem navegação segura em terrenos não planares e não estruturados, que incluem inclinações, colinas, taludes e irregularidades.

• Desafio Principal: Modelar com precisão a dinâmica do veículo em superfícies 3D complexas. Modelos analíticos tradicionais (como o modelo de bicicleta de pista única) falham ao capturar os efeitos da geometria do terreno e das interações veículo-terreno.
• Limitação de Abordagens Atuais: Métodos baseados em redes neurais exigem grandes conjuntos de dados de treinamento e atualizações offline, o que impede a adaptação em tempo real a incertezas variáveis do terreno.

2. Metodologia

O artigo propõe um framework de Controle Preditivo por Modelo (MPC) não planar que integra um modelo dinâmico nominal com um modelo de aprendizado de dados em tempo real.

A. Modelagem do Terreno

• O terreno é modelado como um campo de altura suave ($h$) sobre um plano global.
• São calculados vetores normais unitários, ângulos de inclinação (slope) e ângulos de orientação da superfície em cada ponto.
• Utiliza-se uma malha triangulada (obtida via LiDAR ou reconstrução 3D) para gerar mapas de altura, inclinação e campos vetoriais normais, interpolados em uma grade cartesiana.

B. Dinâmica do Veículo Híbrida (Nominal + Residual)

O modelo dinâmico do veículo é composto por duas partes:

1. Modelo Nominal: Um modelo de bicicleta de pista única (single-track bicycle model) que descreve a dinâmica em superfícies planas.
2. Modelo de Resíduo (GP): Um Gaussian Process (GP) Esparsos com atualizações recursivas online.
   • O GP aprende o "resíduo" (o erro) entre a dinâmica planar e a dinâmica real não planar.
   • Entradas do GP: Estados do veículo (posição, yaw, ângulo de direção, velocidade, ângulo de deslizamento, taxa de guinada), entradas de controle (aceleração, taxa de direção) e geometria do terreno (ângulos de roll e pitch derivados do vetor normal).
   • Atualização Online: O GP é atualizado recursivamente a cada passo de tempo usando um algoritmo de mínimos quadrados recursivos, permitindo adaptação contínua às mudanças do terreno sem necessidade de retreinamento offline.

C. Controle Preditivo (MPC) e MPPI

• O problema de controle é formulado como um MPC não linear para rastrear uma trajetória de referência.
• Devido à alta não linearidade do modelo (devido ao GP e à geometria 3D), o problema de otimização é resolvido utilizando Model Predictive Path Integral (MPPI).
• O MPPI é um método baseado em amostragem que gera múltiplos rollouts (trajetórias simuladas) de controle, ponderando-os com base no custo (erro de rastreamento e esforço de controle) para encontrar a sequência de controle ótima.
• A implementação utiliza processamento paralelo em GPU para realizar a amostragem, a propagação da dinâmica e a interpolação da geometria do terreno simultaneamente.

3. Principais Contribuições

1. Framework de Modelagem Geométrica: Desenvolvimento de uma abordagem que combina um modelo físico nominal com um resíduo aprendido via GP, condicionado explicitamente à geometria do terreno (roll e pitch).
2. Adaptação Online: Uso de GPs esparsos com atualizações recursivas, permitindo que o modelo aprenda e se adapte a incertezas do terreno em tempo real, superando a rigidez dos modelos baseados apenas em redes neurais treinadas offline.
3. Integração com MPPI: Aplicação bem-sucedida do controlador MPPI para resolver o problema de otimização não linear complexo gerado pela dinâmica não planar.
4. Ambiente de Simulação Open-Source: Criação e disponibilização de um ambiente de simulação personalizado no NVIDIA Isaac Sim com suporte a ROS2, incluindo mapas 3D variados e modelos de veículos realistas.

4. Resultados

Os experimentos foram realizados no ambiente Isaac Sim em três tipos de pistas não planares: formato de rim (kidney), em L e oval, com variações significativas de elevação e inclinação (até 75° em alguns pontos).

• Desempenho de Rastreamento:
  • O controlador baseado apenas no modelo de bicicleta de pista única (baseline) apresentou grandes flutuações e falhou em manter a estabilidade em curvas de alta inclinação (especialmente na pista oval), resultando em abandono da pista.
  • O framework proposto (MPC + GP Recursivo) manteve o rastreamento preciso da trajetória de referência em todas as pistas, compensando efetivamente os erros do modelo planar.
• Erro de Faixa (Cross-Track Error): A distribuição de erros mostrou que o modelo com resíduo GP reduziu significativamente o erro de rastreamento em comparação com o modelo nominal.
• Desempenho Computacional:
  • A integração do GP aumentou o tempo de cálculo, mas o sistema manteve uma frequência de planejamento de 50 Hz (tempo de solução < 20 ms), demonstrando viabilidade para controle em tempo real.

5. Significado e Conclusão

Este trabalho demonstra que é possível realizar navegação autônoma robusta em terrenos off-road complexos sem depender exclusivamente de modelos físicos perfeitos ou grandes conjuntos de dados de treinamento estáticos.

• A combinação de MPC + MPPI + GP Recursivo oferece um equilíbrio ideal entre a interpretabilidade física e a capacidade de aprendizado adaptativo.
• A capacidade de atualizar o modelo dinamicamente em tempo real é crucial para cenários onde o terreno é imprevisível ou muda durante a operação.
• O trabalho abre caminho para futuros testes em veículos reais e para a incorporação de obstáculos dinâmicos em ambientes 3D complexos.