[论文解读] Robust Model Predictive Control for Autonomous Vehicles/Self Driving Cars

Che Kun Law, Darshit Dalal+1 more|arXiv (Cornell University)|May 22, 2018

Advanced Control Systems Optimization参考文献 3被引用 6

一句话总结

本文提出了一种用于自动驾驶车辆转向的鲁棒模型预测控制（MPC）框架，通过在线连续线性化非线性车辆动力学，以提高跟踪精度和鲁棒性。通过调节位置和速度的误差线性化权重，该方法在计算负载可控的前提下实现了改进的轨迹跟踪性能，仿真结果基于非线性车辆模型验证了其有效性。

ABSTRACT

A robust Model Predictive Control (MPC) approach for controlling front steering of an autonomous vehicle is presented in this paper. We present various approaches to increase the robustness of model predictive control by using weight tuning, a successive on-line linearization of a nonlinear vehicle model to track position error and successive on-line linearization to track velocity error. Results of the effectiveness of each method in terms of accuracy and computational load are discussed.

研究动机与目标

• 解决在模型不确定性与非线性动力学条件下，自动驾驶车辆保持精确轨迹跟踪的挑战。
• 提升自动驾驶汽车前轮转向系统中模型预测控制（MPC）的鲁棒性。
• 通过自适应线性化与权重调节，在保持高跟踪性能的同时降低计算开销。
• 评估实时MPC应用中控制精度与计算负载之间的权衡。
• 证明对位置与速度误差动态的连续在线线性化方法的有效性。

提出的方法

• 对非线性车辆运动学模型应用连续在线线性化，以实现实时MPC计算。
• 为位置误差与速度误差动态分别建立线性化模型，以提升跟踪性能。
• 在MPC目标函数中引入权重调节，以平衡跟踪精度与控制努力。
• 在MPC优化问题中加入转向角与转向速率的约束，以确保物理可行性。
• 在每个控制周期中，利用当前的车辆状态估计更新线性化模型，以增强鲁棒性。
• 在仿真框架中集成MPC控制器，采用标准自行车模型描述车辆动力学。

实验结果

研究问题

• RQ1 对位置与速度误差的连续在线线性化在非线性车辆系统中如何提升MPC的跟踪性能？
• RQ2 在MPC目标函数中引入权重调节对控制精度与计算负载有何影响？
• RQ3 在模型不确定性条件下，所提出的鲁棒MPC方法与标准MPC在轨迹跟踪方面相比如何？
• RQ4 在线线性化带来的计算开销有多大，是否影响实时可行性？
• RQ5 线性化与权重调节的结合能否在不牺牲跟踪精度的前提下实现鲁棒性？

主要发现

• 对位置与速度误差的连续在线线性化显著提升了轨迹跟踪精度，优于标准MPC。
• 在MPC目标函数中引入权重调节，能有效降低控制努力，同时保持高跟踪性能。
• 计算负载保持在可管理范围内，基于标准自行车车辆模型的仿真已证明其具备实时可行性。
• 由于每个控制周期均进行自适应线性化，该方法对模型不确定性与外部扰动表现出良好鲁棒性。
• 仿真结果表明，无论是在直线还是曲线参考轨迹下，位置与速度的跟踪误差均显著降低。
• 与基线MPC相比，该方法在性能与计算成本之间实现了更优平衡，适用于自动驾驶车辆的实时部署。