Kineto-Dynamical Planning and Accurate Execution of Minimum-Time Maneuvers on Three-Dimensional Circuits

📄 arXiv: 2502.03454v2 📥 PDF

作者: Mattia Piccinini, Sebastiano Taddei, Johannes Betz, Francesco Biral

分类: cs.RO

发布日期: 2025-02-05 (更新: 2025-09-26)

备注: 2025 IEEE International Conference on Robotics and Automation (ICRA)

期刊: "Kineto-Dynamical Planning and Accurate Execution of Minimum-Time Maneuvers on Three-Dimensional Circuits," 2025 IEEE International Conference on Robotics and Automation (ICRA), Atlanta, GA, USA, 2025, pp. 1-7

DOI: 10.1109/ICRA55743.2025.11127446

💡 一句话要点

提出基于Kineto-Dynamical模型的自动驾驶赛车手，用于三维赛道最小时间机动规划与精确执行。

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 自动驾驶赛车 轨迹规划 模型预测控制 车辆动力学模型 Kineto-Dynamical模型

📋 核心要点

  1. 在三维赛道上在线规划和执行最小时间机动是自动驾驶赛车领域的一个公开挑战，现有方法难以兼顾动力学约束和计算效率。
  2. 本文提出了一种基于Kineto-Dynamical（KD）车辆模型的自动驾驶赛车手（ARD），结合经济非线性模型预测控制（E-NMPC）进行轨迹规划。
  3. 实验表明，ARD在车辆模拟器中实现了接近离线最优控制的单圈时间，并且KD模型性能优于现有文献中的基准方法。

📝 摘要（中文）

本文提出了一种用于在三维赛道上进行最小时间机动在线规划和执行的自动驾驶赛车手（ARD）。ARD集成了用于轨迹规划的新型Kineto-Dynamical（KD）车辆模型与经济非线性模型预测控制（E-NMPC）。我们使用高保真车辆模拟器（VS）将闭环ARD结果与最小单圈时间最优控制问题（MLT-VS）进行比较，MLT-VS使用相同的VS离线求解。我们的ARD设置的单圈时间接近MLT-VS，并且新的KD模型优于文献中的基准。最后，我们研究了车辆轨迹，以评估ARD在执行错误下的重新规划能力。包含主要结果的视频作为补充材料提供。

🔬 方法详解

问题定义：本文旨在解决自动驾驶赛车在三维赛道上进行最小时间机动规划与精确执行的问题。现有方法通常难以在高动态环境下，同时兼顾车辆动力学约束和计算效率，导致规划的轨迹难以精确执行，或者计算时间过长无法满足在线规划的需求。

核心思路：本文的核心思路是设计一种新型的Kineto-Dynamical（KD）车辆模型，该模型能够在保证精度的前提下，简化车辆动力学方程，从而提高轨迹规划的计算效率。同时，结合经济非线性模型预测控制（E-NMPC），实现对车辆运动状态的精确控制，从而保证轨迹的精确执行。

技术框架：ARD的整体框架包括以下几个主要模块：1) Kineto-Dynamical（KD）车辆模型：用于描述车辆的运动状态和动力学特性。2) 经济非线性模型预测控制（E-NMPC）：用于在线规划最小时间轨迹，并控制车辆按照规划的轨迹行驶。3) 高保真车辆模拟器（VS）：用于评估ARD的性能，并将ARD的结果与离线最优控制的结果进行比较。

关键创新：本文最重要的技术创新点在于提出了新型的Kineto-Dynamical（KD）车辆模型。与传统的车辆模型相比，KD模型在保证精度的前提下，简化了车辆动力学方程，从而显著提高了轨迹规划的计算效率。此外，KD模型能够更好地描述车辆在三维空间中的运动状态，从而能够更好地适应复杂的三维赛道环境。

关键设计：KD模型的设计关键在于对车辆动力学方程的简化。具体而言，KD模型将车辆的运动状态表示为位置、速度、加速度和姿态角的函数，并通过一系列的约束条件来描述车辆的动力学特性。E-NMPC的设计关键在于选择合适的经济目标函数和约束条件。经济目标函数通常包括最小化行驶时间和最小化能量消耗等因素。约束条件通常包括车辆的动力学约束、赛道边界约束和障碍物约束等。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，本文提出的ARD在车辆模拟器中实现了接近离线最优控制的单圈时间。具体而言，ARD的单圈时间与使用相同车辆模拟器离线求解的最小单圈时间最优控制问题（MLT-VS）非常接近。此外，实验还表明，本文提出的KD模型优于文献中的基准方法，能够更好地描述车辆的运动状态和动力学特性。

🎯 应用场景

该研究成果可应用于自动驾驶赛车、无人驾驶飞行器等领域，具有重要的实际价值。通过提高车辆的运动规划和控制能力，可以实现更快的行驶速度、更高的安全性以及更低的能量消耗。此外，该研究成果还可以为其他需要高精度运动控制的领域提供参考，例如机器人导航、无人机编队等。

📄 摘要（原文）

Online planning and execution of minimum-time maneuvers on three-dimensional (3D) circuits is an open challenge in autonomous vehicle racing. In this paper, we present an artificial race driver (ARD) to learn the vehicle dynamics, plan and execute minimum-time maneuvers on a 3D track. ARD integrates a novel kineto-dynamical (KD) vehicle model for trajectory planning with economic nonlinear model predictive control (E-NMPC). We use a high-fidelity vehicle simulator (VS) to compare the closed-loop ARD results with a minimum-lap-time optimal control problem (MLT-VS), solved offline with the same VS. Our ARD sets lap times close to the MLT-VS, and the new KD model outperforms a literature benchmark. Finally, we study the vehicle trajectories, to assess the re-planning capabilities of ARD under execution errors. A video with the main results is available as supplementary material.