Resumo Técnico: CAPE – Avaliação de Desempenho de Algoritmos de Controle sob Modelos de Dinâmica de Veículos Aprendidos

1. Definição do Problema

O automobilismo autônomo opera próximo aos limites físicos da dinâmica veicular, onde a aceleração rápida, curvas agressivas e o comportamento não linear dos pneus tornam modelos clássicos simplificados (ex: modelos de bicicleta padrão) insuficientes. Pequenos erros de modelagem nesses regimes podem desestabilizar o desempenho do controle em malha fechada. Embora pesquisas recentes tenham introduzido modelos de dinâmica aprendidos baseados em dados ou híbridos (como o Deep Pacejka Model [DPM] e o Deep-learning Dynamics Model [DDM]) para melhorar a precisão preditiva, há uma carência de benchmarks sistemáticos que avaliem como a escolha de um modelo de dinâmica aprendida impacta o desempenho de controladores de malha fechada heterogêneos. Estudos existentes frequentemente avaliam controladores sob modelos fixos ou modelos sob controladores fixos, falhando em isolar a contribuição específica do modelo de dinâmica para a robustez e precisão de rastreamento entre diversas arquiteturas de controle.

2. Metodologia

Os autores propõem o framework Control Algorithm Performance Evaluation (CAPE), uma metodologia sistemática projetada para testar controladores de corrida autônoma sob modelos de dinâmica de veículos aprendidos. O framework opera através dos seguintes componentes:

• Modelos de Dinâmica Aprendidos: O estudo compara três modelos distintos:
  1. Deep Pacejka Model (DPM): Incorpora uma camada de força de pneu Pacejka dentro de uma arquitetura de aprendizado, mantendo uma estrutura de modelo de bicicleta.
  2. Deep Dynamics Model (DDM): Utiliza uma rede neural com restrições físicas para estimar coeficientes de Pacejka e resistências de trem de força dentro de um modelo de trilha única (single-track).
  3. Enhanced Physics Model (EPM): O modelo proposto, que combina uma representação de trilha única dinâmica com parâmetros aprendidos para forças de pneus sensíveis à carga, transferência de carga longitudinal e dinâmica de atuadores. Ele utiliza um estimador de parâmetros neural compacto (usando GRUs e MLPs) para prever coeficientes fisicamente interpretáveis em vez de estados brutos.
• Arquiteturas de Controle: Cinco controladores heterogêneos são avaliados contra cada modelo:
  • Controle PID
  • Controle Robust Inverse of Signum Error (RISE)
  • Controle NMPC Nominal (N-NMPC)
  • NMPC Robusto (R-NMPC)
  • NMPC Adaptativo (A-NMPC)
• Pipeline de Simulação Consciente de Perturbações: Para emular condições de corrida realistas, o framework injeta um fator de escala de perturbação global ($\eta$) que aumenta simultaneamente:
  • Ruído de medição multiplicativo (feedback de estado).
  • Perturbações de processo (dinâmicas não modeladas).
  • Atrasos de atuadores (latência de direção).
  • Drift de viés do IMU.
  • Perturbações de vento transversal.
  • Incerteza paramétrica (massa, rigidez do pneu, limites de fricção).
• Configuração Experimental: O treinamento e os testes são realizados em pistas separadas (Pista 1 para treinamento, Pista 2 para teste) para avaliar a generalização. O desempenho é medido via erros de rastreamento longitudinal/lateral, esforço de controle e tempos de volta, com a "falha" sendo penalizada para garantir que a robustez seja uma métrica primária.

3. Principais Contribuições

O artigo delineia três contribuições primárias:

1. Framework de Benchmarking Unificado: Um pipeline sistemático (CAPE) que avalia controladores de corrida autônoma heterogêneos sob três diferentes modelos de dinâmica aprendida (DPM, DDM e o proposto EPM).
2. Avaliação Consciente de Perturbações: Uma metodologia que injeta sistematicamente incertezas de sensores, atuação e modelagem para estudar rigorosamente a robustez do controlador, indo além das condições de simulação idealizadas.
3. Comparação Empírica de Modelos: Uma comparação abrangente demonstrando como a estrutura do modelo influencia a precisão de rastreamento, o esforço de controle e a estabilidade. O estudo isola o efeito do modelo de dinâmica do controlador ao manter os parâmetros do controlador fixos enquanto alterna os modelos.

4. Resultados

Os experimentos de malha fechada geram as seguintes descobertas principais:

• Superioridade do EPM: Em todos os modelos e controladores, o EPM proposto alcança os melhores tempos de volta médios e os menores erros de rastreamento. Especificamente, o NMPC Adaptativo com EPM alcançou um tempo de volta de 5,82 s, comparado a 12,99 s para o DPM e 8,80 s para o DDM.
• Robustez sob Incerteza: Sob um fator de escala de perturbação global moderado ($\eta=1$), o EPM superou significativamente os baselines:
  • Reduziu o erro de rastreamento longitudinal em 29,0% (vs. DPM) e 17,2% (vs. DDM).
  • Reduziu o erro de rastreamento lateral em 24,6% (vs. DPM) e 12,3% (vs. DDM).
  • Aumentou a magnitude da velocidade média em 39,9% (vs. DPM) e 3,1% (vs. DDM).
• Taxas de Falha: Na varredura de incerteza ($\eta \in [0, 5]$), o EPM pareado com variantes de NMPC (Nominal, Robusto, Adaptativo) completou todas as 33 avaliações com zero falhas. Em contraste, o DPM e o DDM acumularam 19 e 12 falhas, respectivamente, nas mesmas configurações.
• Complexidade do Modelo vs. Desempenho: Apesar de possuir mais parâmetros que o DPM, o EPM demonstrou menor latência de inferência (0,063 ms vs. 0,081 ms) e maior eficiência. O estudo observa que, embora o DPM performe bem em condições limpas, seu desempenho degrada rapidamente com ruído de medição, enquanto a parametrização do EPM, sensível à carga e ao atuador, mantém a estabilidade.
• Estudo de Ablação: Uma análise isolando o modelo interno do controlador da propagação confirmou que a configuração EPM (tanto como modelo interno quanto como modelo de propagação) produz a aderência à linha de corrida mais estreita e os tempos de volta mais rápidos.

5. Significância e Alegações

O artigo afirma que o CAPE estabelece um benchmark sistemático necessário para avaliar modelos de dinâmica de veículos aprendidos dentro de um framework de controle de malha fechada. Os autores sustentam que seu trabalho demonstra que melhorias na representação da dinâmica do veículo aprendida (especificamente incorporando forças sensíveis à carga e dinâmica de atuadores) traduzem-se diretamente em ganhos mensuráveis de robustez e desempenho de controle em malha fechada.

O estudo conclui que, embora os modelos clássicos divirjam do comportamento real próximo aos limites de manuseio, e embora os modelos aprendidos existentes melhorem a predição, o EPM proposto melhora significativamente a robustez do controlador sob incertezas realistas. Os autores posicionam este trabalho como um passo em direção à validação de como a dinâmica aprendida afeta a estabilidade e o desempenho através de arquiteturas de controle heterogêneas, observando que trabalhos futuros estenderão o framework para políticas de aprendizado por reforço e validação experimental em plataformas físicas.