LLA-MPC auf Embedded-Hardware: schnelle adaptive Regelung mit Tausenden parallelen Modellen
In einem Preprint stellen die Autoren eine verallgemeinerte Implementierung von LLA-MPC vor, die auf der F1TENTH-Plattform mit reibungsarmen Reifen läuft. Das lernfreie Verfahren identifiziert Reifenparameter online, indem es Tausende Kandidatenmodelle in Echtzeit auf einem eingebetteten Computer auswertet. In Experimenten meistert LLA-MPC schnelle Tracking-Aufgaben, bei denen ein festes Nominalmodell scheitert, und passt sich wechselnden Untergründen an.
Kann ein lernfreies modellbasiertes Regelungsverfahren mit einer Bank aus Tausenden nichtlinearen Kandidatenmodellen auf eingebetteter Hardware in Echtzeit Systemparameter identifizieren und so robustes Tracking unter stark veränderlichen Reifen- und Oberflächenbedingungen ermöglichen?
Roboter- und Fahrzeugmodelle degradieren, wenn sich Dynamiken im Betrieb schnell ändern, etwa durch Reifenverschleiß, wechselnde Untergründe oder Laständerungen. Feste Nominalmodelle versagen bei niedriger Reibung und hohem Schlupf; rekursive Schätzer benötigen Ableitungen oder Linearität und können bei abrupten Änderungen nur langsam im Parameterraum wandern. Verfahren mit gelernten Modellen brauchen Trainingsdaten, Warm-up-Phasen oder Offline-Anpassung.
Bisherige Mehrfachmodell-Ansätze schalten zwischen vorentworfenen Reglern um oder mischen lineare Modelle über residuale Gewichte; adaptives MPC schätzt Parameter kontinuierlich im Regler. Online-Methoden für autonomes Fahren lernen Residuen mit Gauß-Prozessen, kalibrieren Reifenmodelle aus Sekunden an Fahrzeit oder nutzen meta-gelernte und vortrainierte Komponenten. Robuste Formulierungen sichern gegen eine feste Modellmenge ab, und Domänen-Randomisierung trainiert eine Politik über randomisierte Simulationsparameter. Die ursprüngliche LLA-MPC-Formulierung war nur in Simulation und mit fester Modellstruktur gezeigt, ohne Hardware-Validierung.
Die Autoren implementieren LLA-MPC als modulare, quelloffene Bibliothek mit austauschbarer Dynamik, Integratoren und Parallelisierungs-Backends. Für das Fahrzeug wird ein Single-Track-Modell mit Fiala-Brush-Reifenkräften verwendet. Eine Bank aus 5000 Kandidatenmodellen variiert die vier Reifenparameter gleichmäßig innerhalb fester Grenzen. In jedem Zeitschritt werden alle Modelle parallel einen Schritt vorausgesagt; die quadratischen Fehler der letzten 60 Übergänge werden in einem zirkulären Puffer akkumuliert, und das Modell mit dem geringsten Look-Back-Fehler wird als Prädiktionsmodell im MPC mit Horizont 30 übernommen. Die Implementierung nutzt JAX und RK4, auf der F1TENTH-Plattform mit Kunststoffreifen, externer Motion-Capture-Pose oder Onboard-Partikelfilter und auf einem Jetson Orin Nano bis 40 Hz.
In Experiment 1 fährt LLA-MPC über 8 Runden ohne Unfall, während das Nominalmodell in der dritten Runde crasht, bei gleicher Durchschnittsgeschwindigkeit. In Experiment 2 mit wechselnden Untergründen und Höhenversatz schafft LLA-MPC über 6 Runden, das Nominalmodell nur eine Runde; die Reibwertschätzung liegt auf rutschigem Untergrund niedriger und auf griffigem Schaum höher. In Experiment 3 auf dem Jetson Orin Nano mit Partikelfilter meistert LLA-MPC eine schnelle Kurve auf extrem rutschigem Untergrund, an der das Nominalmodell nach weitem Bogen crasht. Die Cornering-Stiffness-Schätzung konvergiert an der unteren Grenze der Modellbank, und der H-Schritt-Prädiktionsfehler von LLA-MPC ist über den gesamten erfolgreichen Lauf niedriger als beim Nominalmodell.
Die Autoren nennen als offene Punkte die Gewichtung von Zeitschritten, systematische Hyperparameterstudien zu Fenstergröße, Zustandsgewichten und Bankgröße sowie die Integration mit Planung, Sicherheit und Lernverfahren. Die Validierung beschränkt sich auf die F1TENTH-Plattform; Angaben zu Wiederholungszahlen, statistischer Streuung oder Vergleichen mit anderen adaptiven Verfahren über das Nominalmodell hinaus werden im Paper nicht berichtet. Der Rechenaufwand erfordert Parallelisierung und im Onboard-Fall GPU-Unterstützung für 15000 Modelle.
Für Hersteller autonomer Fahrzeuge und mobiler Roboter ist der Ansatz als lernfreie Adaptionsschicht für MPC interessant, weil er ohne Trainingsdaten und Warm-up auskommt. Kurzfristig sind Einsätze in Forschungsfahrzeugen und autonomen Rennplattformen denkbar; in ein bis drei Jahren könnten Serviceroboter oder automatisierte Flurförderzeuge profitieren, vorausgesetzt, die Hardwarekosten für parallele Recheneinheiten sinken und die Parameterräume für neue Plattformen werden definiert.
Der Volltext wird hier nicht wiedergegeben, weil die Lizenz der Studie das nicht erlaubt. Das Original steht auf arXiv.