[论文解读] Estimation-aware model predictive path-following control for a general 2-trailer with a car-like tractor

Oskar Ljungqvist, Daniel Axehill+2 more|arXiv (Cornell University)|Feb 20, 2020

Vehicle Dynamics and Control Systems参考文献 44被引用 7

一句话总结

本文提出了一种估计感知的模型预测控制（MPC）框架，用于通用两挂车（G2T）系统，其牵引车为汽车式结构，明确整合了后置传感器因视场角（FOV）受限而带来的关节角约束。该研究提出了两种MPC方法：一种是采用凸多面体并集建模的混合整数二次规划（MIQP-MPC），以实现高精度；另一种是避免使用二进制变量的二次规划（QP-MPC），以降低复杂度。两种方法在仿真和实车测试中均优于以往方法，能够在倒车过程中保持安全且可估计的关节角构型。

ABSTRACT

The design of the path-following controller is crucial for reliable autonomous vehicle operation. This design problem is especially challenging for a general 2-trailer with a car-like tractor due to the vehicle's unstable joint-angle kinematics in backward motion. Additionally, advanced sensors placed in the rear of the tractor have been proposed to solve the joint-angle estimation problem. Since these sensors typically have a limited field of view, the estimation solution introduces restrictions on the joint-angle configurations that can be estimated with high accuracy. To explicitly consider these constraints in the controller, a model predictive path-following control approach is proposed. Two approaches with different computation complexity and performance are presented. In the first approach, the joint-angle constraints are modeled as a union of convex polytopes, making it necessary to incorporate binary decision variables. The second approach avoids binary variables at the expense of a more conservative controller. In simulations and field experiments, the performance of the proposed path-following control approach is compared with a previously proposed control strategy.

研究动机与目标

• 解决在低速倒车操作期间，通用两挂车（G2T）系统中汽车式牵引车的路径跟踪控制挑战。
• 考虑关节角运动学的不稳定性以及后置传感器因视场角（FOV）受限的物理限制。
• 通过将关节角限制在传感器FOV可实现可靠测量的区域，确保高精度状态估计。
• 开发一种显式整合这些估计约束的MPC控制器，以提升鲁棒性与性能。

提出的方法

• 将传感器FOV允许的关节角区域建模为凸多面体的并集，以反映非凸的估计约束。
• 采用大M法与二进制变量，构建MIQP-MPC控制器以表示多面体并集约束，实现精确的约束处理。
• 开发QP-MPC变体，通过单个凸多面体近似关节角约束，避免使用二进制变量，但引入一定保守性。
• 将线性化的路径跟踪误差模型集成至MPC框架中，以预测并校正与标称路径的偏差。
• 使用基于LIDAR的观测器，并以RTK-GPS作为真值验证，实现实时的挂车位姿与关节角估计。
• 在仿真环境与全尺寸测试车辆上，将两种MPC控制器与忽略关节角约束的先前控制器进行对比评估。

实验结果

研究问题

• RQ1 能否设计一种MPC控制器，使关节角始终处于后置传感器FOV范围内，从而在倒车过程中确保高精度状态估计？
• RQ2 与单个凸近似相比，将关节角约束建模为凸多面体并集如何提升控制器性能？
• RQ3 在使用二进制变量（MIQP）与保守性凸近似（QP）之间，计算复杂度与性能的权衡如何？
• RQ4 与忽略估计约束的控制器相比，所提出的估计感知MPC方法是否能更有效地抑制扰动并从非平凡初始状态中恢复？
• RQ5 所提出的控制器是否适用于全尺寸G2T测试车辆的实时部署？

主要发现

• MIQP-MPC控制器通过将关节角约束建模为凸多面体并集，显著减少了约束违反情况，相比QP-MPC方法表现更优。
• QP-MPC控制器虽较保守，但在仿真中仍出现轻微的关节角约束违反（25–50秒），导致因违反项的线性惩罚而产生小幅度曲率振荡。
• 实车实验结果证实，QP-MPC控制器始终将关节角保持在传感器FOV范围内，从而在整个操作过程中实现了可靠的LIDAR状态估计。
• QP-MPC控制器的平均计算时间仅为5 ms，远低于50 ms的采样周期，验证了其实时可行性。
• 在仿真与实验中，两种MPC控制器均在抑制扰动和从非平凡初始状态恢复方面优于基线控制器。
• 基于LIDAR的观测器成功利用RTK-GPS作为真值，跟踪了半挂车的车轴位置，验证了在控制器引导下估计精度的可靠性。