Stohastičko optimiranje hiperparametara za modelsko prediktivno upravljanje u autonomnim utrkama

master's thesis

• Title (english): Stochastic hyperparameter optimization for model predictive control in autonomous racing
• Author: Gabriela Vitez
• Mentor: Ivan Marković (mentor)
• Committee member: Ivan Marković (član povjerenstva)
• Committee member: Ivan Petrović (član povjerenstva)
• Committee member: Luka Petrović (član povjerenstva)
• Granter: University of Zagreb; Faculty of Electrical Engineering and Computing; Zagreb
• Defense date and country: 2024-07-10, Croatia

Abstract

Diplomski rad istražuje automatske tehnike optimizacije hiperparametara modelskog prediktivnog upravljanja (MPC) za autonomne utrke vozila koristeći stohastičko optimiranje. Autonomna vozila u utrkama zahtijevaju precizne regulatore i tehnike za održavanje optimalnih trajektorija i stabilnosti. Visokodimenzionalnost prostora parametara čini ručno podešavanje hiperparametara u MPC-ima složenim. Metode su implementirane u MATLAB-u i Simulinku. Ispituje se primjena metode unakrsne entropije s različitim razdiobama, uključujući multivarijatnu Gaussovu i Gaussove mješavine, te uz korištenje surogatnih modela. Također se proučava Bayesovska optimizacija kao alternativni pristup za podešavanje hiperparametara. Početno je cilj bio maksimizirati prosječnu longitudinalnu brzinu vozila, što je pokazalo učinkovitost svih metoda. Kasnije je kriterijska funkcija prilagođena tako da maksimizira brzinu uz istovremeno minimiziranje lateralnog pomaka i kutnog odstupanja od središnje linije staze. To je rezultiralo poboljšanjem cjelokupnog ponašanja sustava održavajući visoku brzinu uz preciznije praćenje trajektorije.

Abstract (english)

This master's thesis explores automatic hyperparameter optimization techniques for Model Predictive Control (MPC) in autonomous vehicle racing using stochastic optimization. Autonomous vehicles in racing require precise controllers and techniques to maintain optimal trajectories and stability. The high-dimensional parameter space makes manual tuning of MPC hyperparameters complex. The methods are implemented in MATLAB and Simulink. Application of Cross-Entropy Method is investigated with various distributions, including multivariate Gaussian and Gaussian mixtures, along with the use of surrogate models. Bayesian optimization is also studied as an alternative approach for hyperparameter fine-tuning. Initially, the goal was to maximize average longitudinal vehicle speed, and this demonstrated the effectiveness of all the methods. Later, the objective function was adjusted to maximize speed while simultaneously minimizing lateral displacement and angular deviation from the track centerline. This improved overall performance by maintaining high velocity and ensuring better trajectory following.

• Keywords: modelsko prediktivno upravljanje; stohastička optimizacija; MATLAB; Simulink; metoda unakrsne entropije; Bayesova optimizacija; autonomna vozila
• Keywords (english): Model Predictive Control; stochastic optimization; MATLAB; Simulink; Cross-Entropy Method; Bayesian Optimization; autonomous vehicles
• Language: english
• URN:NBN: urn:nbn:hr:168:691805
• Study programme: Title: Information and Communication Technology; Study programme type: university; Study level: graduate; Academic / professional title: magistar/magistra inženjer/inženjerka informacijske i komunikacijske tehnologije (magistar/magistra inženjer/inženjerka informacijske i komunikacijske tehnologije)
• Type of resource: Text
• File origin: Born digital
• Access conditions: Closed access
• Created on: 2024-10-12 22:25:51