changed 5 years ago  
Published Linked with GitHub

2020/08/03 Meeting

今日すること

  • 今日することの確認
  • タスクの細分化
  • タスクの割り当て
  • スケジュール決め
  • 論文の要約

モチベーションの確認

創造工房セミナーでは今までのように決められた枠の中に存在しない。自分で目標(枠)を設定し、その目標を達成しているか確認(テスト)する。目標を達成すると自分にとって何がいいかがモチベーションにつながる。

タスクの細分化

  • ドリフトカー

    • ハードウェア構成図
    • アクリル板設計
    • 部品発注
      • 8/7(金)には届く予定
    • 組み立て
    • 重量の測定
    • 動作テスト

  • ラズパイカー

    • 手動での試運転
    • 自動での試運転（実際に走らせて学習、テスト）

  • RCカー

    • 操縦練習

  • 床作り

    メリットはどんな場所でも対応できる。下の床だとタイルの継ぎ目で足を取られる。最終発表がどこになるかわからないのであれば強力なメリットになる。
    デメリットは移動する手間がある、折り畳みができないかも、場所を取るかも。

    • 材料の発注
      • ベニヤ板10枚
      • 5mmか7mmの板で隙間なく並べれば多分大丈夫

論文の要約

RCカー(Autonomous Drift Cornering…)

  • ドリフトの種類:
    • 左右にずっと滑っていること（持続的ドリフト）
    • カーブが来たときの急なドリフト（突発的ドリフト）
      • この論文では突発的ドリフト中心にしていると思う（感想）
  • 目的：ドリフトを研究することで
    • 予期せぬドリフトにシステムで対応
    • レースのラップタイムの短縮と衝突回避
  • 3つのモデルでドリフトを試みる
    • Open-loop
    • Mixed open-loop
    • Closed-loop
  • システムモデル
    • 車の動きによってドリフトする、力学の式定義が(2)(7)(812?)
  • Path Planning
    • (図2)走り方の定義
  • Control Law
    • Closed-loop
      • オフライン(PC上でやる？)
      • オンライン(RCでやる？)
      • LQRアプローチによる車両モデルの解析(2)~(11)
        • LQR行列の計算にパワーが必要
      • 誤差ダイナミクス-(14)
    1. 参照軌道点を探索
    2. Open or Closeの入力コマンドを適用
    • 状態誤差(21a)~(21c)
  • 実験結果
    • Closed-loopの方がより正確に通れていた。
  • 結論
    • ドリフトできる各モデルを試した。
    • 提案したアプローチはモデルのシミュレーション上と1/10のRCで実験する
    • FutureWork: ラップ短くドリフト長く

実車(Toward Automated Vehicle Contorol…)

https://hackmd.io/@7GMrvq9pSBSokxdw1cD13g/HJualEXZw

  • 要約
    • ドリフトしているプロのドライバーは、車の位置と横滑りを正確に制御している。
      • AIカーのハンドリング限界を超えた(=スリップした)場合でも安全に自動運転できるのではないか
    • まずは経路にそった自動ドリフトのための新しいコントローラーを提案
  • 目的
    • AIカーのハンドリング限界を超えた(=スリップした)場合でも安全に自動運転させたい
  • モデリング
    • 軸の速度ベクトルの回転率を利用して経路の追跡
    • yaw角の角加速度を利用して横滑りの安定化
    • 後輪のダイナミクス(力学系、運動方程式)を考慮
    • Fig3を参照
  • ドリフトとは
    • 降臨のタイヤが連続的に完全に横滑りしている状態
    • A condition that distinguishes drifting from normal driving is that the rear tires are continuously fully saturated.
    • アグレッシブな運転では一過性にすぎない。

奥山先生コメント

  • 論文に書いていることが納得できるか

  • LQRとは

    • 制御とは何か
      • エアコンを例にすると現在の状態を目標に合わせること。
    • 具体的にはどうするか。
      • 目標温度上回ったらオンにして下回ったらオフにする。
    • 風量がついたら？(風量を強くするとより冷える)
      • 風量弱めでゆっくりしてもいいし、強くして一気にやってもいい、
      • じゃあ具体的に制御はどうする
        • それぞれの性質を知る必要がある
        • 現在からデルタtでk下がる
    • open-loopはt秒後に止める、と言う予測
      • f(x:観測値,u:状態): PID制御
      • LQ行列で予測を計算する
      • 車の場合向きが変わると同じハンドル操作で進む向きが変わる
        • 状態に応じて変わる
    • close-loopはフィードバック制御

  • 誤差を最小にすると言うアプローチ

  • Mixed open-loopは予測と誤差を比較する

  • モデルについてはRCカー論文の方がわかりやすいかも

  • 式を重視した方がいいかも。

Select a repo