Stohastičko optimiranje hiperparametara za modelsko prediktivno upravljanje u autonomnim utrkama

diplomski rad

• Naslov (engleski): Stochastic hyperparameter optimization for model predictive control in autonomous racing
• Autor: Gabriela Vitez
• Mentor: Ivan Marković (mentor)
• Član povjerenstva: Ivan Marković (član povjerenstva)
• Član povjerenstva: Ivan Petrović (član povjerenstva)
• Član povjerenstva: Luka Petrović (član povjerenstva)
• Ustanova koja je dodijelila akademski / stručni stupanj: Sveučilište u Zagrebu; Fakultet elektrotehnike i računarstva; Zagreb
• Datum i država obrane: 2024-07-10, Hrvatska

Sažetak

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.

Sažetak (engleski)

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.

• Ključne riječi: modelsko prediktivno upravljanje; stohastička optimizacija; MATLAB; Simulink; metoda unakrsne entropije; Bayesova optimizacija; autonomna vozila
• Ključne riječi (engleski): Model Predictive Control; stochastic optimization; MATLAB; Simulink; Cross-Entropy Method; Bayesian Optimization; autonomous vehicles
• Jezik: engleski
• URN:NBN: urn:nbn:hr:168:691805
• Studijski program: Naziv: Informacijska i komunikacijska tehnologija; Vrsta studija: sveučilišni; Stupanj studija: diplomski; Akademski / stručni naziv: magistar/magistra inženjer/inženjerka informacijske i komunikacijske tehnologije (mag. ing. inf. et comm. techn.)
• Vrsta resursa: Tekst
• Način izrade datoteke: Izvorno digitalna
• Prava pristupa: Zatvoreni pristup
• Datum i vrijeme pohrane: 2024-10-12 22:25:51