一种用于车辆避让机动基于学习的模型预测轮廓控制
机器人学
2024-08-09 v1 系统与控制
系统与控制
摘要
本文提出了一种新颖的、用于操控极限下避让机动的基于学习的模型预测轮廓控制 (L-MPCC) 算法。该算法使用 Student-t 过程 (STP) 来在线最小化模型失配和不确定性。所提出的 STP 捕获了预测模型与测量的横向轮胎力和横摆角速度之间的失配。这些失配对应于提供给预测模型的后验均值，以提高其准确性。同时，后验协方差沿预测时域传播到车辆横向速度和横摆角速度。STP 后验协方差直接取决于观测数据的方差，因此当在线测量与训练集中的记录值不同时，其方差更大，反之则更小。因此，这些协方差可用于 L-MPCC 的成本函数中，以最小化车辆状态不确定性。在高保真仿真环境中，我们证明了所提出的 L-MPCC 能够成功避开障碍物，在比没有 STP 的 MPCC 更高的速度下执行双移线机动时保持车辆稳定。此外，与使用高斯过程的 L-MPCC 相比，所提出的控制器显著降低了峰值侧偏角，提高了车辆的操控性。
引用
@article{arxiv.2408.04485,
title = {A Learning-Based Model Predictive Contouring Control for Vehicle Evasive Manoeuvres},
author = {Alberto Bertipaglia and Mohsen Alirezaei and Riender Happee and Barys Shyrokau},
journal= {arXiv preprint arXiv:2408.04485},
year = {2024}
}
备注
The work will be presented at AVEC'24 in Milan