Short-Horizon Position Accuracy of Single-Track Models: Implications for Motion Planning of Autonomous Vehicles

Resumo Técnico: Precisão de Posição de Curto Horizonte de Modelos de Via Única

Definição do Problema
Modelos de veículos precisos e computacionalmente eficientes são críticos para o planejamento de movimento de veículos autônomos, particularmente dentro de estruturas de Controle Preditivo Baseado em Modelo (MPC). No MPC, o modelo do veículo prevê trajetórias futuras para computar ações de controle; portanto, a fidelidade do modelo influencia diretamente a viabilidade e a segurança da trajetória. Embora existam modelos de alta fidelidade, eles são frequentemente excessivamente dispendiosos computacionalmente para uso em tempo real, levando muitos pesquisadores a confiar em modelos de via única (bicicleta). No entanto, a precisão posicional desses modelos não foi sistematicamente avaliada contra medições do mundo real através de diversas manobras de condução. Historicamente, a pesquisa em dinâmica veicular concentrou-se nas respostas de aceleração e taxa de guinada (yaw-rate) em vez da precisão de posição, que é essencial para tarefas que exigem tolerâncias estreitas, como estacionamento ou manobras em baixa velocidade. Este artigo aborda a lacuna entre as comunidades de direção autônoma e de dinâmica veicular ao avaliar a precisão posicional de curto horizonte de diferentes variantes de modelos de via única contra dados reais de veículos para informar a seleção de modelos para MPC.

Metodologia
O estudo utiliza um Nissan Leaf ZE0 2011 equipado com um sistema GNSS-INS Oxford Technical Solutions (OxTS) RT3000 v3 e um registrador de dados CANedge2. Os parâmetros do veículo, incluindo massa, localização do centro de gravidade (CG) e inércia de guinada, foram identificados por meio de medições físicas e métodos padrão. As rigidezes de deriva (cornering stiffnesses) foram identificadas via ajuste de mínimos quadrados de dados experimentais dentro do regime de pneu linear, enquanto os parâmetros de pneu Magic Formula (MF) foram derivados de dados de uma instalação de teste de pneu de prancha plana.

Três variantes de modelos de via única foram avaliadas:

1. Modelo Cinemático: Negligencia o escorregamento (slip) dos pneus e assume a rotação em torno de um centro instantâneo.
2. Modelo Dinâmico Linear: Inclui dinâmicas lateral e de guinada com comportamento de pneu linear (rigidez de deriva constante).
3. Modelo Dinâmico Não Linear: Inclui dinâmicas lateral e de guinada com pneus Magic Formula não lineares e transferência de carga longitudinal quase estática.

Os modelos foram testados em sete cenários de condução (S1–S7), variando de oito figuras (figure-eights) de velocidade constante até curvas em estado estacionário com acelerações laterais de até 6 m/s², conversões em U e navegação em rotatórias. Para cada cenário, os modelos foram inicializados com estados medidos em intervalos de 100 ms e simulados sobre um horizonte de predição de 5 segundos. As trajetórias previstas foram comparadas com as medições de verdade fundamental (ground truth), decompondo o erro global em componentes longitudinais e laterais em relação à direção do veículo.

Principais Resultados
A avaliação gerou as seguintes descobertas em relação à precisão posicional:

• Modelos Cinemáticos vs. Dinâmicos: O modelo cinemático apresentou desempenho substancialmente inferior aos dois modelos dinâmicos, exibindo erros aproximadamente duas a seis vezes maiores na maioria dos cenários. Esta discrepância é mais pronunciada em curvas em estado estacionário com acelerações laterais mais altas (4 m/s² e 6 m/s²), onde o modelo cinemático falha em capturar efeitos de subesterço dependentes da velocidade devido à negligência do escorregamento dos pneus.
• Modelos Dinâmicos Lineares vs. Não Lineares: Contrariamente à expectativa de que maior fidelidade resulte em maior precisão, os modelos dinâmicos lineares e não lineares demonstraram precisão comparável em todos os cenários testados. As diferenças relativas estavam na ordem de centímetros, com erros absolutos na ordem de decímetros.
• Razão para a Similaridade: A performance comparável é atribuída a dois fatores: (1) os ângulos de escorregamento (slip angles) dos pneus na maioria dos cenários permaneceram dentro ou próximos da região linear (escorregamento dianteiro < ±3°, traseiro < ±2°), onde as respostas de força lineares e não lineares se alinham; e (2) as acelerações longitudinais foram limitadas, resultando em transferência de carga negligenciável.
• Impacto da Identificação de Parâmetros: No cenário de alta aceleração (S4, 6 m/s²), o modelo não linear inesperadamente produziu erros maiores do que o modelo linear. Isso foi atribuído à qualidade da identificação de parâmetros; os parâmetros do modelo não linear foram escalonados para corresponder à rigidez linear, mas desviaram-se em níveis de escorregamento elevados onde os limites de fricção predominam. Isso sugere que aumentar a complexidade do modelo sem uma identificação precisa de parâmetros pode degradar o desempenho.

Significância e Contribuições
A principal contribuição do artigo é fornecer insights empíricos sobre as compensações entre complexidade do modelo, qualidade de parametrização e precisão posicional para aplicações de MPC. Os autores concluem que, para as condições de operação testadas (carro de passageiros, velocidades moderadas e acelerações laterais moderadas), o modelo dinâmico linear oferece o melhor equilíbrio. Ele fornece uma precisão significativamente superior ao modelo cinemático, ao mesmo tempo em que evita o esforço adicional de parametrização e as potenciais incertezas de identificação do modelo não linear, sem sacrificar a precisão posicional.

O estudo enfatiza que a seleção do modelo deve ser impulsionada pelas condições operacionais esperadas e pela capacidade de identificar parâmetros com precisão, em vez de uma suposição padrão de que modelos de maior fidelidade são inerentemente superiores. Os autores observam que trabalhos futuros são necessários para avaliar esses modelos em aplicações de MPC de malha fechada e para estender a análise para condições envolvendo escorregamento combinado, velocidades mais altas e caminhões autônomos, onde a variabilidade de carga útil e horizontes de predição mais longos podem alterar a escolha ideal do modelo.