[论文解读] Gaussian Process-based Stochastic Model Predictive Control for Overtaking in Autonomous Racing

Tim Brüdigam, Alexandre Capone+3 more|arXiv (Cornell University)|May 25, 2021

Advanced Control Systems OptimizationEngineering被引用 21

一句话总结

本文提出了一种基于高斯过程的随机模型预测控制（GP-SMPC）框架，用于在赛车中实现主动超车。后方车辆通过高斯过程回归学习前方车辆的行为，并利用随机MPC在不确定性下规划安全且具有前瞻性的超车轨迹。该方法通过预测前方车辆的运动并结合概率约束处理，实现了主动超车，已在直线赛道的仿真场景中成功验证轨迹规划。

ABSTRACT

A fundamental aspect of racing is overtaking other race cars. Whereas previous research on autonomous racing has majorly focused on lap-time optimization, here, we propose a method to plan overtaking maneuvers in autonomous racing. A Gaussian process is used to learn the behavior of the leading vehicle. Based on the outputs of the Gaussian process, a stochastic Model Predictive Control algorithm plans optimistic trajectories, such that the controlled autonomous race car is able to overtake the leading vehicle. The proposed method is tested in a simple simulation scenario.

研究动机与目标

• 为解决自动驾驶赛车中缺乏主动超车策略的问题，该领域长期以来主要聚焦于圈速优化。
• 使后方自动驾驶车辆能够通过预测前方车辆行为并规划安全、前瞻的 maneuvers，主动实现超车。
• 将高斯过程回归用于建模前方车辆运动的不确定性，并与随机模型预测控制结合，实现鲁棒的轨迹规划。
• 开发一种框架，使自动驾驶车辆能够识别并利用前方车辆驾驶模式中的弱点以实现超车。

提出的方法

• 使用历史数据对前方车辆运动进行高斯过程（GP）训练，以预测其未来轨迹并量化模型不确定性。
• 利用GP预测结果为随机模型预测控制（SMPC）框架生成概率约束，确保在不确定性下的安全性。
• 通过卡方分布的随机变量应用约束收紧，将概率约束转换为确定性等价形式。
• 将SMPC问题表述为带有状态和控制输入约束的二次规划问题，最小化与参考轨迹的偏差，同时遵守安全裕度。
• 在预测中使用自车车辆的线性化、离散化模型，并在仿真中将优化后的控制输入应用于非线性连续时间模型。
• 通过保留先前解的方式处理不可行的SMPC问题，确保实时执行中的鲁棒性。

实验结果

研究问题

• RQ1 当超车并非由领先车辆被动允许时，自动驾驶赛车车辆如何实现主动超车？
• RQ2 高斯过程回归能否有效建模领先赛车的行为，以支持超车决策？
• RQ3 如何利用随机模型预测控制在领先车辆运动不确定性下规划出既具前瞻性又安全的超车轨迹？
• RQ4 概率约束处理对自动驾驶赛车中超车动作的可行性与安全性有何影响？
• RQ5 GP预测与SMPC的结合能否使自车车辆识别并利用有利的超车时机？

主要发现

• GP-SMPC框架在模拟的直线赛道场景中成功生成了可行的超车轨迹，展示了规划前瞻但安全动作的能力。
• 该方法使自车车辆通过识别并利用GP预测的领先车辆运动中的临时空档，成功实现超车。
• 通过卡方分布随机变量实现的概率约束确保了碰撞概率始终低于预设阈值，提升了安全性。
• 采用约束收紧的SMPC公式在模型不确定性下仍保持可行性，不可行情况通过保留先前控制输入处理。
• 仿真结果证实，GP行为建模与SMPC的结合实现了主动超车，而这一能力在以往聚焦于圈速优化的自动驾驶赛车研究中基本缺失。