日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

週刊ニュースレター購読
モデル予測制御arXiv:2609.27597

ガウス過程による横滑り学習を用いた関節式ダンプトラックのグレーボックスモデル予測制御

Gray-Box Model Predictive Control for Articulated Dump Trucks via Gaussian Process Learning of Sideslip

シェア:XThreadsFacebookLINEはてブBluesky

関節式ダンプトラックの運動学モデルに、ガウス過程回帰で学習した横滑り角を組み込んだグレーボックスモデルを構築し、モデル予測制御の追従精度を大幅に改善した。

詳しい要約

1. どんなもの？

- 対象は鉱山での自動運転に用いる articulated dump trucks (ADTs) のモデリング。 - 提案は Gaussian Process Regression (GPR) で sideslip angle を学習し、kinematic model に組み込む gray-box model。 - これを model predictive control (MPC) に用いる gray-box MPC を構築。 - 目的は kinematic model の予測精度不足を補い、dynamic model との差を縮めること。

2. 先行研究と比べてどこがすごい？

- 従来は ADT の MPC で kinematic model が主流だが、予測精度が低い。 - dynamic model は高精度だが、複雑なセットアップとパラメータ調整、環境変化時の再校正が必要。 - 提案は GPR で sideslip angle を学習し kinematic model に付加する gray-box とし、dynamic model に近づける。 - 結果として MPC の予測性能を改善し、最大横方向追従誤差を 2 m 超から 0.56 m に低減。

3. 技術・手法の肝は？

- sideslip angle を kinematic model の精度低下の主因と特定。 - Gaussian Process Regression (GPR) で sideslip angle を学習。 - 学習した GPR 関数を kinematic model に拡張して gray-box model を構成。 - gray-box model で sideslip angle と横速度を予測し、MPC の予測性能を向上。

4. どうやって有効だと検証した？

- シミュレーション環境で gray-box MPC と 2 つの white-box MPC を比較。 - 最大横方向追従誤差が 2 m 超から 0.56 m に改善。 - gray-box model が sideslip angle と横速度を予測できることを示した。

5. 議論はある？

- 要旨からは不明。

6. 次に読むべき論文は？

- 要旨で参照/比較されている研究は明示されていない。 - 関連手法として kinematic model、dynamic model、white-box MPC、Gaussian Process Regression (GPR) が挙げられる。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Arash Shahirpour, Jens Ahlers, Christopher Schulte, Tim Reuscher

分類: cs.RO, eess.SY

原文アブストラクト

The growing demand for automation in the mining industry, particularly for the autonomous operation of articulated dump trucks (ADTs), has drawn increased attention to accurate vehicle modeling. The importance of such models lies in their use in model predictive control (MPC), model-based estimation methods, and vehicle simulation. While dynamic modeling offers a viable solution for these purposes, it is associated with complex setup and parametrization and may require recalibration in changing operating environments. As a result, kinematic models have dominated ADT modeling, especially in MPCs, at the expense of reduced prediction accuracy. In this work, we propose an approach using Gaussian Process Regression (GPR) to learn the sideslip angle of the vehicle, which is identified as the primary contributor to the reduced accuracy of kinematic models. The learned GPR function is augmented into the kinematic model to form a gray-box model that aims to reduce the gap to dynamic models. We show that the gray-box model can predict the sideslip angle and, consequently, the vehicle's lateral velocity, thereby improving the MPC's prediction performance. The resulting gray-box MPC is compared against two white-box MPCs in a simulation environment. The results indicate an improvement in terms of maximum lateral tracking error from over 2 m to 0.56 m.

arXivで原文を読む →arXiv概要ページ

関連論文

← 論文一覧
PR本紙発行元 EmplifAI