LLA-MPCを組み込み機に実装、F1TENTHで数千並列モデルによる高速適応制御を実証

学習に依存せず、組み込み計算資源と雑音のある状態推定の下で、数千の候補物理モデルを実時間評価するLLA-MPCが実機の高速走行・低摩擦環境で有効かどうかを検証することである。

モデルベース制御はタイヤ摩耗や路面変化など動特性の急変で性能が低下する。既存のオンライン同定は勾配や最小二乗法に依存し、単一推定値がパラメータ空間を移動するため、急激な変化に追従できない。また従来のLLA-MPCはシミュレーションのみで、元の車両モデルは実機移行に耐えなかった。

従来は複数モデル適応制御、複数モデルMPC、適応MPC、GP残差学習、タイヤ残差学習、メタ学習、ロバストMPC、ドメインランダム化などがあった。これらは事前学習やデータ収集、モデル線形性、固定モデル集合へのヘッジが必要で、急変時の即時適応や物理パラメータの直接同定が難しかった。オリジナルLLA-MPCはシミュレーションの自動運転レースのみで、固定モデル構造だった。

LLA-MPCの汎用オープンソース実装を構築し、モジュール化した動力学・積分器・並列化バックエンドを導入した。F1TENTHに単軌道モデルとFialaブラシタイヤモデルを組み込み、JAXで5000個の候補モデルをRK4で並列積分し、60ステップのルックバック窓で累積予測誤差を評価して最適モデルを選択、30ステップのMPC（acados）に渡す。候補パラメータは前後コーナリングスティフネスと前後摩擦係数の4次元で、範囲はC_f [175,325]、C_r [150,300]、μ_f/μ_r [0.1,1.1]。GPU利用で15000モデル以上を40Hzで評価可能。

実験1（高速追従、低摩擦）: 名義モデルは3周目にクラッシュ、LLA-MPCは同じ平均速度で8周以上クラッシュなし。実験2（路面変化・段差）: 名義は1周のみ、LLA-MPCは6周以上成功し、低摩擦面でμを低く、高摩擦フォームで高く推定。実験3（オンボード計算・雑音状態推定、極低摩擦の高速旋回）: 名義は大きく外れてクラッシュ、LLA-MPCはドリフト走行を達成。全実験でLLA-MPCのHステップ予測誤差が名義より低いと報告されたが、具体的数値は論文中に記載されていない。候補モデル数は5000、オンボードGPUで15000モデル以上を40Hzで評価。

著者らは、ルックバックコストの時間重み付け、ハイパーパラメータ（W、S、バンクサイズ）の調査、モデルベース制御以外の計画・安全・学習への統合を将来課題として挙げている。本論文はプレプリントであり査読済みではない。実験はF1TENTHプラットフォームのプラスチックタイヤに限定され、タスク数・試行回数・走行距離の統計的評価は示されていない。Hステップ予測誤差の具体的数値や統計的有意性は報告されていない。コードは公開予定（lla-control.github.io）だが、現時点で査読・再現性の外部検証はない。