[论文解读] Design and Implementation of Path Trackers for Ackermann Drive based Vehicles

Adarsh Patnaik, Manthan Patel+7 more|arXiv (Cornell University)|Dec 5, 2020

Vehicle Dynamics and Control Systems参考文献 23被引用 5

一句话总结

本文针对阿克曼转向的自动驾驶车辆设计、仿真并实现了多种路径跟踪控制器——纯追踪、斯坦利、PID、LQR 和模型预测控制（MPC）。通过仿真环境和在改装的马恒达e2o汽车上的实车测试，表明在中速城市工况下，MPC 凭借更优的稳定性和约束处理能力，优于其他控制器，尽管其计算开销更高且调参更复杂。

ABSTRACT

This article is an overview of the various literature on path tracking methods and their implementation in simulation and realistic operating environments.The scope of this study includes analysis, implementation,tuning, and comparison of some selected path tracking methods commonly used in practice for trajectory tracking in autonomous vehicles. Many of these methods are applicable at low speed due to the linear assumption for the system model, and hence, some methods are also included that consider nonlinearities present in lateral vehicle dynamics during high-speed navigation. The performance evaluation and comparison of tracking methods are carried out on realistic simulations and a dedicated instrumented passenger car, Mahindra e2o, to get a performance idea of all the methods in realistic operating conditions and develop tuning methodologies for each of the methods. It has been observed that our model predictive control-based approach is able to perform better compared to the others in medium velocity ranges.

研究动机与目标

• 分析、实现并比较阿克曼驱动自动驾驶车辆在仿真和真实环境下的关键路径跟踪方法。
• 在考虑执行器延迟、未建模动态特性和不平路面等实际约束条件下，评估控制器性能。
• 基于在真实乘用车（马恒达e2o）上的实测数据，为每种控制器开发调参方法。
• 识别在中速城市驾驶场景下最鲁棒且最精确的路径跟踪方法。
• 探索在实时自动驾驶系统中部署先进控制器（如MPC）的可行性与挑战。

提出的方法

• 为车辆动力学建立运动学自行车模型，采用线性化假设以适用于低速至中速运行。
• 实现五种路径跟踪控制器：纯追踪、斯坦利、PID、LQR 和带有二次成本函数的模型预测控制（MPC）。
• 使用 ROS（机器人操作系统）进行仿真和实时实现，实现仿真与物理车辆之间的代码复用。
• 在四条标准化路径上开展实验：直线、圆形、变道和正弦路径，以实现受控比较。
• 采用 PID 和自适应 PID 实现纵向速度控制，以确保横向控制性能的一致性。
• 在马恒达e2o（一辆改装的乘用车）上开展实车测试，以验证仿真结果并评估实际调参挑战。

实验结果

研究问题

• RQ1 在不同路径几何形状下，各类路径跟踪控制器在横向误差和转向平滑性方面的表现如何？
• RQ2 将基于仿真的路径跟踪性能转化为真实车辆实现时面临的主要挑战是什么？
• RQ3 在实际约束条件下，模型预测控制（MPC）与纯追踪和PID等简单控制器相比，在鲁棒性和准确性方面表现如何？
• RQ4 未建模动态特性（如转向柱惯性、轮胎摩擦力）在高速下对控制器性能的退化程度如何，尤其在高动态场景中？
• RQ5 在真实车辆中实现稳定且精确的路径跟随时，哪种调参方法最为有效？

主要发现

• MPC 在所有测试路径和速度（最高达35 km/h）下均表现出最一致且最优的性能，有效最小化了横向误差和转向速率波动。
• 纯追踪和斯坦利控制器在类似城市环境的简单路径中表现良好，但在复杂或高曲率轨迹中效果较差。
• PID转向控制对增益调参极为敏感，产生剧烈且不稳定的转向输入，因此不适合实际路径跟踪应用。
• LQR 在仿真中表现可接受，但在未施加饱和限制的无界计算下出现不稳定，凸显了设置饱和限制的必要性。
• 实车实现揭示了执行器延迟、微小转向角分辨率限制以及轮胎-路面摩擦等未建模动态特性导致的性能下降。
• 尽管计算开销更高，MPC 通过在预测时域内处理约束并实现优化，使其成为实时自动驾驶路径跟踪最具前景的候选方案。