Data-Driven Planning and Control for Autonomous Racing with Behavioral Systems Theory

Abstract

This thesis presents a data-driven framework for autonomous racing based on behavioral systems theory, which requires no explicit model identification and relies solely on input- output data to capture vehicle dynamics. Conventional model-based approaches often struggle to accurately capture the highly nonlinear tire-road interactions, and their re- liance on model linearization for real-time optimization can lead to performance degrada- tion due to model mismatch. Learning-based approaches, on the other hand, can approx- imate nonlinear models through offline training, but typically require large-scale training data and extensive offline training, which limits their practicality in rapidly changing rac- ing environments. Unlike these approaches, the proposed framework does not require large training datasets or offline training. The framework addresses the two primary objectives of autonomous racing: minimizing lap time and ensuring safe driving, and is progressively developed as follows. First, Data-Enabled Predictive Control （DeePC） is applied to an autonomous racing task on a 1/27-scale remote control car platform. To better suit the racing context, the cost function is formulated using contouring and lag errors rather than a simple output track- ing error. The proposed controller is validated through both simulation and real-world experiments on two different tracks, demonstrating stable and safe trajectory tracking without track boundary violations. However, the method operates at a constant velocity, leaving room for improvement in terms of lap time. Second, a curvature-based velocity profile is incorporated into the DeePC framework to enable appropriate acceleration and deceleration, resulting in improved lap time per- formance compared to the constant-velocity approach. Third, an integrated framework combining behavior model-based motion planning and DeePC tracking is proposed and validated in simulation, showing improved performance compared to conventional centerline-based DeePC approaches. Finally, the proposed framework demonstrates the potential of behavioral systems theory for solving coupled planning and control problems in autonomous racing without explicit modeling, while also highlighting practical challenges related to real-time imple- mentation. Key words : Autonomous Racing, Data-Enabled Predictive Control （DeePC）, Behav- ioral Systems Theory, Motion Planning, Trajectory Tracking, Persistency of Excitation|본 논문은 behavioral systems theory에 기반한 자율주행 레이싱용 데이터 기반 경로 계획 및 제어 프레임워크를 제안한다. 제안된 방법은 명시적인 모델 식별이 필요하지 않으며, 차량의 동역학 특성을 반영하기 위해 시스템의 입출력 데이터만을 사용한다. 기존의 모델 기반 방법들은 타이어와 노면 간의 고도로 비선형적인 상호작용을 정확히 모델링하기 어려우며, 실시간 최적화를 위한 선형화 과정에서 발생하는 모델 불일치로 인해 성능이 저하될 수 있다. 이러한 한계를 극복하기 위해 머신러닝 기법을 활용하여 비선형 모델을 사전에 학습하는 방법이 제안되었으나, 대규모 학습 데이터와 많은 사전 학습 시간을 필요로 하여 실용성이 제한된다. 제안된 프레임워크는 이러한 방법들과 달리 대규모 학습 데이터나 사전 학습을 필요로 하지 않으며, 자율주행 레이싱의 두 가지 주요 목표인 완주 시간 최소화와 안전한 주행을 달성하기 위해 다음과 같이 단계적으로 개발되었다.

첫째, DeePC를 1/27 scale RC car 플랫폼에서의 자율주행 레이싱에 적용하였다. 레이싱 환경에 적합하도록 차량과 경로 간의 종·횡방향 오차를 이용하여 비용 함수를 구성하였으며, 시뮬레이션 및 실제 실험 환경에서 두 가지 트랙에 대해 검증하여 트랙 경계를 벗어나지 않는 안정적이고 안전한 경로 추종 성능을 확인하였다. 다만 등속도 주행으로 운용되어 완주 시간 측면에서 개선의 여지가 있었다.

둘째, 곡률 기반 속도 프로파일을 DeePC 프레임워크에 통합하여 코너와 직선 구간에서 적절한 가감속을 가능하게 함으로써 등속도 주행 대비 향상된 완주 시간 성능을 달성하였다.

셋째, behavior model 기반 motion planning과 DeePC 경로 추종을 결합한 통합 프레임워크를 제안하고 시뮬레이션을 통해 검증하였다. 기존 모델 기반 MPC와의 비교를 통해 입출력 데이터만으로도 유사한 수준의 성능을 달성할 수 있음을 확인하였으며, 차량 특성 변화 시 새로운 주행 데이터 수집만으로 모델 재식별 없이 프레임워크를 갱신할 수 있음을 보였다.

마지막으로, 제안된 프레임워크는 명시적인 모델링 없이 자율주행 레이싱의 경로 계획 및 제어 문제를 해결하기 위한 behavioral systems theory의 가능성을 보여주는 동시에, 실시간 구현과 관련된 실질적인 한계점 또한 제시하였다.