Resumo Técnico: Planejamento de Trajetória e Controle nos Limites na Plataforma RoboRacer

Declaração do Problema

Apesar dos avanços na condução autônoma, planejar e executar manobras de alta aceleração próximo aos limites de manuseio do veículo permanece um desafio significativo. Embora as corridas autônomas sirvam como um ambiente de teste seguro para tais estratégias, a comunidade carece de benchmarks de código aberto que avaliem novos métodos de planejamento e controle em cenários do mundo real de alta aceleração. Além disso, embora Redes Neurais de Estrutura Modelada (MS-NNs) e replanejamento de velocidade ótimo online tenham mostrado promessa em simulação, seu desempenho em malha fechada dentro de uma pilha unificada e modular de Planejamento-Planejamento-Control (PPC) para corridas no mundo real é amplamente inexplorado. Abordagens existentes frequentemente lutam com o acoplamento não linear das dinâmicas longitudinal e lateral próximo aos limites, e métodos totalmente end-to-end ainda enfrentam desafios em generalização e transferência confiável para o mundo real.

Metodologia

Os autores apresentam uma estrutura modular implantada em uma plataforma RoboRacer em escala 1:10, integrando quatro componentes-chave para abordar o planejamento de trajetória e o controle próximo aos limites:

1. Geração Offline de Linha de Corrida Ótima em Tempo: Utilizando um modelo de massa pontual e Problemas de Controle Ótimo (OCPs), o sistema gera linhas de corrida globais ótimas em tempo com base em restrições de aceleração e velocidade definidas pelo usuário (diagramas g-g-v). Três níveis de agressividade são definidos: Cauteloso (conservador, rastreável sem replanejamento), Nominal (empurrando controladores geométricos até seus limites) e Estendido (requerendo replanejamento online para viabilidade).
2. Rastreamento Geométrico de Caminho: Dois controladores são comparados para gerar referências de curvatura de caminho local ($\rho$):
   • Perseguição Pura (PP): Conecta a pose atual do veículo a um ponto de visão futura através de um arco circular.
   • Baseado em Clotóide (CL): Conecta a pose e curvatura atuais a um ponto de visão futura usando uma clotóide $G^2$, garantindo continuidade em posição, rumo e curvatura.
3. Replanejamento Online de Velocidade Ótima em Tempo: Um otimizador Forward-Backward (FBGA) calcula perfis de velocidade e aceleração ótimos em tempo ($v, a_x, a_y$) online. Este módulo compensa erros de execução e condições variáveis da pista, adaptando o perfil de velocidade às restrições não lineares do veículo definidas pelo diagrama g-g-v.
4. Rede Neural de Estrutura Modelada (MS-NN) para Direção: Uma nova MS-NN gera comandos de direção ($\delta$) com base em sinais de referência futuros (curvatura, velocidade, aceleração longitudinal/lateral).
   • Arquitetura: A rede separa o controle em um termo de quase-estado estacionário e um termo transitório. O termo de estado estacionário aprende um mapeamento não linear inspirado no diagrama de manuseio (HD), capturando o desvio da direção cinemática com base na velocidade e aceleração. O termo transitório usa funções de porta dependentes da velocidade para aprender atrasos dinâmicos e efeitos transitórios.
   • Treinamento: Treinada via aprendizado supervisionado em dados de malha fechada, a MS-NN é projetada para ser fisicamente interpretável, com pesos refletindo dinâmicas do veículo (por exemplo, atrasos de resposta de direção).

Contribuições Principais

O artigo faz as seguintes contribuições específicas:

• Benchmark Unificado: Introduz o primeiro benchmark de código aberto para planejamento e controle ótimos em tempo próximo aos limites de manuseio, combinando controladores geométricos, direção MS-NN e replanejamento de velocidade online em uma pilha unificada de malha fechada para corridas autônomas no mundo real.
• Nova Arquitetura MS-NN: Propõe uma MS-NN estendida que aprende dinâmicas longitudinal-lateral não lineares e acopladas para direção em altas acelerações, preservando a interpretabilidade física, superando bases anteriores projetadas para manobras de baixa aceleração.
• Estudo de Ablação Abrangente: Através de experimentos em duas pistas com agressividade de linha de corrida variável, o artigo quantifica o impacto de módulos individuais (PP vs. CL, com/sem MS-NN) e suas combinações (com/sem replanejamento FBGA).
• Lançamento Aberto: Todos os módulos de software, conjuntos de dados, vídeos e resultados são lançados publicamente para apoiar pesquisas futuras.

Resultados Experimentais

Os experimentos foram conduzidos em dois circuitos internos (Pista A e Pista B) usando um veículo RoboRacer 1:10 equipado com um NVIDIA Jetson Orin Nano.

• Desempenho da MS-NN: A MS-NN proposta reduziu o erro de previsão de direção (RMSE) em 10,6% e melhorou a Fração de Variância Não Explicada (FVU) em 22,7% no conjunto de validação em comparação com uma MS-NN de base. Reduziu significativamente oscilações de direção (por exemplo, uma redução de 36,4% na taxa RMS de direção para PP + MS-NN versus PP sozinho) e melhorou a precisão do rastreamento de caminho.
• Impacto do Replanejamento de Velocidade (FBGA): O replanejamento online de velocidade foi crítico para operar nos limites.
  • Sem FBGA, tentar rastrear a linha de corrida "Estendida" (mais agressiva) resultou em colisões devido à inviabilidade dinâmica.
  • Com FBGA, o sistema pôde utilizar com segurança o envelope g-g-v Estendido, alcançando velocidades máximas mais altas (4,522 m/s vs. 4,007 m/s) e acelerações (9,050 m/s² vs. 6,639 m/s²).
  • A melhor configuração (PP + MS-NN + FBGA) alcançou uma melhoria de 8,3% no tempo de volta (6,089s) em comparação com o mesmo controlador sem replanejamento no envelope nominal.
• Comparação de Controladores: A Perseguição Pura (PP) combinada com MS-NN superou consistentemente a abordagem baseada em Clotóide (CL) em tempos de volta e eficiência computacional, apesar da continuidade da curvatura do controlador CL.
• Viabilidade em Tempo Real: Toda a pilha de software roda a 150 Hz na plataforma embarcada. O tempo de execução cumulativo médio permanece abaixo do limite de ciclo de 6,7 ms, com inferência MS-NN média de 2,3 ms.

Significado e Alegações

O artigo alega que sua estrutura conecta com sucesso a lacuna entre pesquisa baseada em simulação e corridas autônomas no mundo real nos limites. Ao demonstrar que uma MS-NN interpretável pode capturar efetivamente dinâmicas não modeladas e que o replanejamento online de velocidade é essencial para manter a viabilidade dinâmica sob restrições agressivas, os autores fornecem uma metodologia validada para controle autônomo de alto desempenho. O trabalho enfatiza que, embora controladores geométricos forneçam uma base, a integração de correções de direção baseadas em aprendizado e planejamento de velocidade baseado em otimização é necessária para explorar com segurança todo o envelope dinâmico do veículo. O lançamento público do benchmark visa fomentar pesquisas adicionais neste domínio, fornecendo uma plataforma padronizada e aberta para avaliação.