采用任意时刻可行 SQP 的内在鲁棒次优 MPC 用于自动驾驶赛车
最优化与控制
2024-01-05 v1 机器人学
摘要
近年来，自动驾驶等应用对高性能控制器的需求日益增长，促使了针对特定控制问题定制的优化例程的发展。在本文中，我们提出了一种用于自动驾驶微型赛车的有效非精确模型预测控制（MPC）策略，其具有内在鲁棒性。我们依赖于一种可行的序列二次规划（SQP）算法，该算法能够生成可行的中间迭代，使得求解器可以在任意次数迭代后停止，而不会危及递归可行性。通过这种方式，我们提供了一种策略，能够以远低于基于局部最优解计算的最先进方法的计算开销，计算出次优但可行的解。在关于终端集和系统可控性性质的适当假设下，我们可以声明，对于影响系统动态的任何足够小的扰动，都可以保证递归可行性。我们在仿真中以及通过将其部署到自动驾驶微型赛车的物理实验中验证了所提策略的有效性。仿真和实验结果均表明，使用可行的 SQP 方法，与采用提前终止但不提供可行解的策略相比，只需适度的额外计算开销即可获得可行解。同时，所提方法显著快于最先进的求解器 Ipopt。
引用
@article{arxiv.2401.02194,
title = {Inherently robust suboptimal MPC for autonomous racing with anytime feasible SQP},
author = {Logan Numerow and Andrea Zanelli and Andrea Carron and Melanie N. Zeilinger},
journal= {arXiv preprint arXiv:2401.02194},
year = {2024}
}