模型不确定性下极限操控车辆稳定化的扩散残差模型预测转向控制

在操控极限下，稳定化的MPC依赖于其跟踪的横摆角速度参考和其执行的稳定操控包络，这两者都是操作点相关的且先验未知，因此固定或最坏情况设置要么过于保守，要么不安全。我们使用条件扩散残差模型学习这种不确定性，并将其应用于控制器的参考和约束，而不是其控制律。以转向命令为条件，模型返回残差的均值和预测扩散：均值重新调整跟踪的横摆参考，而扩散在预测范围内传播，通过单边机会回退收紧稳定操控包络。这两者共同构成了所提出的扩散残差MPC（D-res），因此谨慎是在跟踪误差之前预期的，而不是由高增益环路在其后纠正。由于每个命令只需要两个矩，生成器在离线时制表，在线控制器仅向基线MPC添加一次表查找，无需环路内扩散；它在NVIDIA Jetson AGX Xavier上以100 Hz预算内运行（最坏情况每步4.08毫秒）。跨越7自由度模型和高保真CarMaker联合仿真，涵盖车辆、轮胎、道路和操纵多样性，D-res在固定自行车模型最不准确的峰值侧滑处减少了峰值侧滑，并在低摩擦操纵中恢复了方向稳定性，而固定参考过度命令了可用的抓地力。