Risk-Averse Model Predictive Control for Racing in Adverse Conditions
作者: Thomas Lew, Marcus Greiff, Franck Djeumou, Makoto Suminaka, Michael Thompson, John Subosits
分类: cs.RO, eess.SY, math.OC
发布日期: 2024-10-22
💡 一句话要点
提出风险规避MPC，解决恶劣条件下赛车控制对模型不确定性的敏感问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 模型预测控制 风险规避 条件风险价值 车辆控制 自动驾驶
📋 核心要点
- 传统MPC在车辆极限控制时易受模型误差影响，尤其是在车辆能力被高估的情况下，导致控制性能下降甚至失控。
- 论文提出一种风险规避的MPC框架，通过引入CVaR约束，显式考虑摩擦极限和轮胎参数的不确定性，提升控制鲁棒性。
- 实验表明，该方法在恶劣路况下能够实现可靠的车辆控制，优于传统的确定性MPC方法，避免了车辆失控。
📝 摘要（中文）
模型预测控制(MPC)算法在具有挑战性的非线性控制任务中，对模型失配非常敏感。特别是，当底层模型高估车辆性能时，MPC在车辆操控极限下的性能会受到影响。本文提出了一种风险规避的MPC框架，该框架显式地考虑了摩擦极限和轮胎参数的不确定性。我们的方法利用条件风险价值(CVaR)约束对最优控制问题进行基于采样的近似。这种基于采样的公式能够使用一组具有不同轮胎参数的表达性车辆动力学模型进行规划。此外，这种公式能够通过序列二次规划和GPU并行化实现高效的数值求解。在Lexus LC 500上的实验表明，风险规避的MPC能够实现可靠的性能，而使用单一动力学模型进行规划的确定性基线可能会在恶劣的路况下失去对车辆的控制。
🔬 方法详解
问题定义：在车辆极限工况下，特别是赛车运动中，精确的车辆动力学模型难以获取。传统MPC算法对模型误差非常敏感，尤其是在恶劣路况下，轮胎参数和摩擦系数等不确定性因素会导致模型预测与实际情况不符，从而影响控制性能，甚至导致车辆失控。现有方法难以有效应对这种模型不确定性。
核心思路：论文的核心思路是引入风险规避机制，通过条件风险价值(CVaR)约束来显式地考虑模型的不确定性。CVaR能够量化控制策略的风险，并将其纳入优化目标中，从而使MPC在规划时更加保守，避免激进的操作，提高控制的鲁棒性。
技术框架：该方法基于模型预测控制(MPC)框架，主要包含以下几个模块：1) 车辆动力学模型：使用一组具有不同轮胎参数的车辆动力学模型，以模拟模型的不确定性。2) 优化目标函数：包含跟踪误差和控制输入的惩罚项，以及CVaR风险度量。3) CVaR约束：限制控制策略的风险水平，确保控制的安全性。4) 求解器：使用序列二次规划(SQP)算法求解优化问题，并利用GPU并行化加速计算。
关键创新：该方法最重要的创新点在于将风险规避机制引入到MPC框架中，通过CVaR约束显式地考虑模型的不确定性。与传统的确定性MPC方法相比，该方法能够更好地应对模型误差，提高控制的鲁棒性和安全性。此外，基于采样的CVaR近似方法和GPU并行化技术也提高了计算效率。
关键设计：关键设计包括：1) 车辆动力学模型的选择：使用一组具有不同轮胎参数的模型来模拟不确定性，模型的数量和参数范围需要根据实际情况进行调整。2) CVaR的参数设置：包括置信水平和风险系数，需要根据对风险的容忍程度进行调整。3) 优化问题的求解：使用SQP算法求解，需要选择合适的步长和收敛准则。4) GPU并行化：将采样过程和优化计算并行化，以提高计算效率。
🖼️ 关键图片
📊 实验亮点
在Lexus LC 500上的实验表明，所提出的风险规避MPC方法在恶劣路况下能够实现可靠的车辆控制，避免了车辆失控的情况。相比之下，使用单一动力学模型的确定性MPC方法在相同条件下容易失去对车辆的控制。实验结果验证了该方法在应对模型不确定性方面的有效性。
🎯 应用场景
该研究成果可应用于自动驾驶、高级驾驶辅助系统(ADAS)等领域，尤其是在复杂和不确定的环境中，如恶劣天气、非结构化道路等。通过提高控制系统的鲁棒性和安全性，可以减少交通事故，提升驾驶体验，并为实现更高级别的自动驾驶提供技术支撑。
📄 摘要（原文）
Model predictive control (MPC) algorithms can be sensitive to model mismatch when used in challenging nonlinear control tasks. In particular, the performance of MPC for vehicle control at the limits of handling suffers when the underlying model overestimates the vehicle's capabilities. In this work, we propose a risk-averse MPC framework that explicitly accounts for uncertainty over friction limits and tire parameters. Our approach leverages a sample-based approximation of an optimal control problem with a conditional value at risk (CVaR) constraint. This sample-based formulation enables planning with a set of expressive vehicle dynamics models using different tire parameters. Moreover, this formulation enables efficient numerical resolution via sequential quadratic programming and GPU parallelization. Experiments on a Lexus LC 500 show that risk-averse MPC unlocks reliable performance, while a deterministic baseline that plans using a single dynamics model may lose control of the vehicle in adverse road conditions.