面向自动驾驶车辆的摩擦自适应随机非线性模型预测控制
系统与控制
2023-05-09 v1 系统与控制
摘要
本文解决自动驾驶车辆在不确定的路面条件下的轨迹跟踪问题。我们提出一种随机非线性模型预测控制器（SNMPC），其利用标准汽车级传感器在线学习轮胎—路面摩擦模型。实时学习整个轮胎—路面摩擦模型需要在车辆动力学的非线性、潜在不稳定工况下行驶，并使用可能尚未完全收敛的预测模型。为此，我们将轮胎摩擦模型学习构建于贝叶斯框架中，并提出两种分别学习轮胎—路面摩擦不同方面的估计器。估计器输出轮胎摩擦模型的估计值及其不确定性，表达了模型在不同行驶工况下的置信度。SNMPC 在其预测模型中利用该不确定性估计，以在不确定性较大时采取恰当动作。我们使用真实车辆参数和 CarSim 在一项广泛的蒙特卡洛研究中验证了该方法。与多种 MPC 方法比较的结果表明，约束违反大幅减少，闭环代价亦有所降低。我们还使用 dSPACE MicroAutoBox-II 快速原型单元在汽车级处理器上证明了实时可行性，最坏情况计算时间约为 40ms。
引用
@article{arxiv.2305.03798,
title = {Friction-Adaptive Stochastic Nonlinear Model Predictive Control for Autonomous Vehicles},
author = {Sean Vaskov and Rien Quirynen and Marcel Menner and Karl Berntorp},
journal= {arXiv preprint arXiv:2305.03798},
year = {2023}
}