R$^2$NMPC：一种基于椭球不确定性集的实时降维鲁棒化非线性模型预测控制及其在自动驾驶车辆运动控制中的应用
系统与控制
2023-11-14 v1 机器人学
系统与控制
摘要
在本文中，我们提出一种新颖的降维鲁棒化 NMPC（RNMPC）算法，其复杂度与等效的名义 NMPC 相同，同时通过基于椭球不确定性集动力学建立的鲁棒化约束对其进行了增强。这有望在大幅降低计算复杂度的同时，提供与常见鲁棒化 NMPC 方法相当的闭环与约束满足性能。其主要思想在于：利用由上一最优控制问题（OCP）解推断出的系统动力学灵敏度，来近似预测时域内椭球不确定性集的传播，并以类似方式获取梯度以鲁棒化约束。因此，我们在 OCP 中无需与不确定性传播相关的决策变量，使其在计算上可行。接着，我们在一个复杂、高维且高度非线性的系统——即采用动态非线性单轨模型建模的自动驾驶乘用车轨迹跟踪——上展示了算法的实时控制能力。我们的实验发现，连同与其他鲁棒 NMPC 方法的对比评估，证实了该方法在有效跟踪最优赛道轨迹同时满足非线性约束方面的鲁棒性。该性能是在充分利用车辆接口极限（即便在高达 37.5m/s 的高速下）并成功应对状态估计扰动的情况下实现的。值得注意的是，我们的方法保持了 144Hz 的平均求解频率。
引用
@article{arxiv.2311.06420,
title = {R$^2$NMPC: A Real-Time Reduced Robustified Nonlinear Model Predictive Control with Ellipsoidal Uncertainty Sets for Autonomous Vehicle Motion Control},
author = {Baha Zarrouki and João Nunes and Johannes Betz},
journal= {arXiv preprint arXiv:2311.06420},
year = {2023}
}