Resumo Técnico: Controle de Contorno de Modelo Preditivo Adaptativo e Diferenciável (AD-MPCC) para Corrida Autônoma

1. Definição do Problema

A corrida autônoma exige que os veículos operem em seus limites físicos enquanto otimizam objetivos de desempenho, como a minimização do tempo de volta. Embora o Controle de Contorno de Modelo Preditivo (MPCC) tenha se tornado uma estrutura padrão para equilibrar precisão de rastreamento e velocidade de corrida, ele enfrenta desafios significativos em ambientes dinâmicos, particularmente em pistas com condições de superfície da estrada variáveis.

As principais dificuldades abordadas neste trabalho são:

1. Incerteza do Modelo: A principal fonte de incerteza na corrida surge das interações pneu-estrada, que variam com as condições da superfície (ex: asfalto vs. cascalho). Modelos baseados em física padrão frequentemente assumem parâmetros fixos, levando a imprecisões quando a fricção da superfície muda.
2. Adaptação de Pesos de Objetivo: Em cenários de múltiplas superfícies, atualizações no modelo dinâmico (ex: parâmetros de fricção de pneus) necessitam de ajustes correspondentes nos pesos do objetivo do MPCC para manter a segurança e o desempenho. No entanto, ajustar manualmente esses pesos é impraticável, e técnicas padrão de MPC diferenciável não se aplicam diretamente ao MPCC devido ao acoplamento implícito entre a trajetória de referência e a variável de progresso otimizada.
3. Restrições de Tempo Real: Embora a programação diferenciável ofereça um mecanismo para a otimização de pesos, o fardo computacional de resolver problemas de otimização de alta dimensão online é frequentemente proibitivo para aplicações de corrida em tempo real.

2. Metodologia: A Estrutura AD-MPCC

Os autores propõem a estrutura de Controle de Contorno de Modelo Preditivo Adaptativo e Diferenciável (AD-MPCC), que integra dois componentes principais para abordar os desafios acima: estimativa de parâmetros online e adaptação de pesos diferenciável.

A. Estimativa de Parâmetros de Pacejka Online

Para lidar com superfícies de estrada variáveis, a estrutura emprega um esquema de Estimativa de Horizonte Móvel Regularizada (MHE).

• Modelo: A dinâmica do veículo é modelada usando um modelo de bicicleta dinâmica onde as forças laterais são regidas pela fórmula "Magic Formula" de Pacejka.
• Estimativa: O sistema estima os parâmetros de Pacejka ($\eta$, incluindo coeficientes de fricção $B, C, D$) em tempo real usando um conjunto de dados de estados e entradas recentes do veículo.
• Mecanismo: A função objetivo do MHE inclui:
  • Pesos com decaimento exponencial: Isso prioriza observações recentes para capturar rapidamente transições entre diferentes superfícies de estrada.
  • Regularização a priori: A estimativa é regularizada em direção aos parâmetros nominais ($\eta_{gt}$) derivados de condições de estrada padrão para garantir a estabilidade.
• Saída: Os parâmetros estimados $\eta_k$ são atualizados a cada passo de tempo e inseridos no modelo preditivo.

B. MPCC Diferenciável (Diff-MPCC)

Para ajustar automaticamente os pesos do objetivo do MPCC ($q = [q_c, q_l, q_v]^\top$) com base na dinâmica estimada, os autores desenvolvem uma abordagem Diff-MPCC.

• Conceito: Em vez de pesos fixos, a estrutura otimiza os pesos para minimizar um custo de desempenho de longo horizonte $\ell$.
• Diferenciação: O método calcula os gradientes do custo de desempenho em relação aos pesos ($\partial \ell / \partial q$) diferenciando através do problema de otimização do MPCC.
• Desafio Técnico: Ao contrário do MPC padrão, o MPCC envolve uma variável de progresso implícita $\theta$ que acopla a trajetória de referência à otimização. Isso requer derivadas de ordem superior da trajetória de referência.
• Solução: Os autores aplicam o Teorema da Função Implícita (IFT) às condições de otimalidade de Karush-Kuhn-Tucker (KKT) do problema MPCC. Ao aproximar a solução via um método de barreira e resolver o sistema linear resultante, eles calculam os gradientes necessários para atualizar os pesos via um método de gradiente projetado.

C. Aprendizado de Máquina Informado por Física (PaIML)

Como executar o ciclo completo de otimização do Diff-MPCC online é computacionalmente caro, os autores propõem uma técnica PaIML para implantação em tempo real.

• Treinamento Offline: Um modelo de aprendizado supervisionado é treinado em dados gerados pelo solver Diff-MPCC. O conjunto de dados consiste em estados do veículo e parâmetros estimados pareados com os pesos otimizos computados pelo Diff-MPCC.
• Redução Informada pela Física: Para reduzir a dimensionalidade da entrada de 14 para 5, os autores aproveitam a estrutura física do modelo Pacejka. Em vez de fornecer parâmetros brutos, o modelo utiliza:
  1. Coeficientes de fricção ($\mu_r, \mu_f$) derivados dos parâmetros de Pacejka.
  2. Velocidades longitudinal e lateral ($v_x, v_y$).
  3. A variável de progresso ($\theta$).
• Arquitetura: Um modelo XGBoost é usado para mapear esses 5 inputs para os pesos ótimos do MPCC, permitendo inferência rápida e quase ótima durante a operação em tempo real.

3. Principais Contribuições

O artigo destaca três contribuições primárias:

1. Estrutura AD-MPCC: Uma nova arquitetura de controle que realiza conjuntamente a estimativa online do modelo de dinâmica do veículo e a adaptação automática dos pesos do objetivo do MPCC para corridas autônomas em superfícies variáveis.
2. MHE com Regularização a Priori: Um esquema de estimativa específico que utiliza pesos com decaimento exponencial para estimar rapidamente os parâmetros de Pacejka, garantindo que o modelo preditivo se adapte rapidamente a transições de superfície.
3. MPCC Diferenciável & PaIML:
   • Desenvolvimento de uma técnica de programação diferenciável para MPCC que permite o ajuste de pesos baseado em gradiente.
   • Design de um método de aproximação em tempo real (PaIML) que reduz a complexidade computacional ao aproveitar insights físicos para diminuir a dimensionalidade da entrada.

4. Resultados de Simulação

A estrutura foi validada no ambiente F1TENTH-Gym usando uma pista de Oschersleben sob dois cenários:

A. Cenário de Superfície Única (Conhecido $\mu_{max} = 1.2$)

• Desempenho: Tanto o Diff-MPCC quanto o AD-MPCC reduziram significativamente os tempos de volta em comparação com o baseline MPCC.
  • Diff-MPCC: Alcançou o tempo de volta mais rápido (64,08 s vs. 75,57 s para o baseline).
  • AD-MPCC: Alcançou um tempo de volta de 64,89 s com um desvio lateral médio menor (0,926 m) comparado ao Diff-MPCC (1,040 m), indicando um melhor equilíbrio entre velocidade e segurança.
• Computação: Todos os métodos operaram dentro do orçamento de amostragem de 50 ms, com o AD-MPCC exigindo aproximadamente 24,18 ms por passo.

B. Cenário de Múltiplas Superfícies (Desconhecido $\mu_{max}$ variando de 0,7 a 1,2)

• Segurança e Robustez: Este cenário provou ser crítico. O baseline MPCC, o A-MPCC (apenas estimativa) e o Diff-MPCC (apenas adaptação de peso) sofreram colisão no primeiro segmento escorregadio ($\mu_{max} = 0,75$).
• Sucesso do AD-MPCC: O AD-MPCC foi o único controlador capaz de completar a volta com segurança.
• Mecanismo: A estimativa online detectou com sucesso a queda na fricção (ex: o parâmetro $D_r$ diminuiu de 1,55 para ~1,45), e a adaptação de peso ajustou o controlador para manter a estabilidade, alcançando uma velocidade média de 11,65 m/s com um desvio lateral de 1,069 m.

5. Significância e Alegações

O artigo afirma que o AD-MPCC representa um avanço significativo no controle de corrida autônoma ao abordar os desafios duplos da incerteza do modelo e da adaptabilidade do controlador.

• Segurança na Incerteza: A estrutura é o único método testado que garante a operação segura do veículo em ambientes de múltiplas superfícies desconhecidas, onde outros controladores falham.
• Desempenho: Em pistas conhecidas, a estrutura alcança tempos de volta aproximadamente 11 segundos mais rápidos que o MPCC padrão.
• Praticidade: Ao combinar otimização diferenciável com aprendizado de máquina informado pela física, os autores demonstram que estratégias de controle adaptativas complexas podem ser implantadas em tempo real sem exceder os orçamentos computacionais.

Os autores observam que a validação atual baseia-se em dados gerados por simulador (F1TENTH-Gym) e que trabalhos futuros focarão na implantação no mundo real e em uma análise teórica mais profunda de estabilidade e robustez.