[论文解读] Robust Modeling and Controls for Racing on the Edge
本文提出了一套稳健的实时控制套件，适用于自动驾驶赛车车辆，在高达140mph的高速下仍能实现稳定运行。通过结合基于纯追踪（pure-pursuit）和LQR的横向控制，并在线估计轮胎摩擦力与空气动力学力，该系统能够动态适应车辆及环境条件的变化，从而在操控极限边缘实现安全性能。
Race cars are routinely driven to the edge of their handling limits in dynamic scenarios well above 200mph. Similar challenges are posed in autonomous racing, where a software stack, instead of a human driver, interacts within a multi-agent environment. For an Autonomous Racing Vehicle (ARV), operating at the edge of handling limits and acting safely in these dynamic environments is still an unsolved problem. In this paper, we present a baseline controls stack for an ARV capable of operating safely up to 140mph. Additionally, limitations in the current approach are discussed to highlight the need for improved dynamics modeling and learning.
研究动机与目标
- 解决在赛车等动态高负载环境下自动驾驶车辆在极端速度下的控制挑战。
- 开发一种实时自适应控制框架，在轮胎磨损、温度和风速等快速变化条件下保持稳定性和性能。
- 实现实时估计关键车辆动力学参数（尤其是轮胎摩擦力和空气动力学力），以提升控制精度与安全性。
- 展示一个可实现安全、高速自动驾驶赛车的基线系统，为未来自动驾驶车辆控制技术的发展奠定基础。
提出的方法
- 采用混合跟踪控制器，结合纯追踪用于路径跟踪，LQR用于最优反馈控制，确保系统稳定性和响应性。
- 使用线性化Pacejka轮胎模型，并在线从车辆状态和传感器数据中估计随时间变化的侧偏刚度参数（$C_f$, $C_r$）。
- 提出一种在线建模流程，利用来自RTK-GNSS、IMU和车辆状态数据的自监督学习，估计轮胎摩擦系数和空气动力学力（阻力与下压力）。
- 将赛道倾斜度、发动机扭矩以及附近车辆位置作为输入，实时预测空气动力学效应和模型误差。
- 采用基于高斯过程回归（GPR）的误差模型，捕捉未建模的动力学特性，提升对干扰和模型不确定性的鲁棒性。
- 在实时中应用学习到的动力学模型，以优化候选轨迹并改进控制器中的未来状态预测。
实验结果
研究问题
- RQ1如何在自动驾驶赛车中实现超过140mph速度下的实时控制套件的稳定性与性能？
- RQ2在线估计轮胎摩擦力与空气动力学力在动态和不确定条件下对提升控制鲁棒性起到何种作用？
- RQ3利用车辆传感器和状态数据的自监督学习能否有效建模复杂且时变的动力学特性，如轮胎退化与风力影响？
- RQ4将纯追踪与LQR结合使用，在高速场景下相比独立方法，如何提升轨迹跟踪性能？
- RQ5在自动驾驶赛车中，车辆动力学模型的在线自适应能在多大程度上减少对静态或预先校准模型的依赖？
主要发现
- 所提出的控制套件实现了高达140mph的稳定且安全的自动驾驶赛车，证明了在操控极限边缘运行的可行性。
- 在线估计轮胎侧偏刚度（$C_f$, $C_r$）显著提升了控制精度，能够适应轮胎温度、压力和磨损的实时变化。
- 通过传感器数据与车辆状态实现的阻力与下压力自监督学习，使系统能够实时适应风力和赛道条件等环境干扰。
- 集成基于GPR的误差模型通过捕捉未建模的动力学（包括邻近车辆和赛道倾斜带来的空气动力学效应）显著提升了系统鲁棒性。
- 混合纯追踪与LQR的控制器在高速、高动态负载条件下，相比传统方法在路径跟踪精度与稳定性方面表现更优。
- 该系统表明，即使采用简单的控制架构，实时动力学建模仍是实现高性能自动驾驶赛车的关键。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。