Adaptive Learning-based Model Predictive Control Strategy for Drift Vehicles

📄 arXiv: 2502.04696v1 📥 PDF

作者: Bei Zhou, Cheng Hu, Jun Zeng, Zhouheng Li, Johannes Betz, Lei Xie, Hongye Su

分类: cs.RO

发布日期: 2025-02-07

💡 一句话要点

提出自适应学习模型预测控制，解决漂移车辆在复杂环境下的路径跟踪问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 漂移车辆控制 模型预测控制 自适应学习 贝叶斯优化 路径跟踪 非线性控制 车辆动力学

📋 核心要点

  1. 传统路径跟踪方法难以适应漂移车辆，因为其转向角和横摆角速度相反，需要新的控制策略。
  2. 提出自适应学习模型预测控制（ALMPC），利用贝叶斯优化学习漂移平衡点和控制律，指导模型预测控制。
  3. 在Matlab-Carsim平台验证，即使道路摩擦参数存在误差，也能有效控制漂移车辆跟踪参考路径。

📝 摘要（中文）

本文提出了一种自适应路径跟踪（APT）控制方法，用于动态调整漂移状态以跟踪参考路径，从而改进了常用的预测路径跟踪方法，并降低了计算负担。此外，针对现有控制策略需要精确系统模型来计算漂移平衡点（DEP）的问题，提出了一种基于APT的自适应学习模型预测控制（ALMPC）策略，其中上层贝叶斯优化用于学习DEP和APT控制律，以指导下层MPC漂移控制器。这种分层系统架构还可以通过将路径跟踪和漂移目标分离到不同的层来解决它们之间的固有控制冲突。ALMPC策略在Matlab-Carsim平台上进行了验证，仿真结果表明，即使在道路摩擦参数识别错误的情况下，该策略也能有效地控制漂移车辆跟随基于clothoid的参考路径。

🔬 方法详解

问题定义：漂移车辆控制的关键在于精确跟踪目标路径，同时维持车辆状态接近漂移平衡点（DEP）。然而，传统路径跟踪方法无法直接应用于漂移车辆，因为漂移状态下的车辆转向角和横摆角速度特性与常规行驶状态相反。此外，现有控制策略依赖于精确的系统模型来计算DEP，但漂移动力学的高度非线性和车辆参数的敏感性使得精确建模变得困难。因此，如何在模型不精确的情况下实现漂移车辆的精确路径跟踪是一个挑战。

核心思路：本文的核心思路是采用分层控制架构，将路径跟踪和漂移控制解耦。上层采用自适应路径跟踪（APT）方法，动态调整漂移状态以跟踪参考路径，并利用贝叶斯优化学习漂移平衡点（DEP）和APT控制律。下层采用模型预测控制（MPC）实现精确的漂移控制。通过这种分层结构，可以有效解决路径跟踪和漂移控制之间的冲突，并降低对精确系统模型的依赖。

技术框架：ALMPC策略的整体架构是一个两层控制系统。上层是基于贝叶斯优化的自适应学习模块，负责学习DEP和APT控制律。该模块接收车辆状态和参考路径信息，输出APT控制指令。下层是MPC漂移控制器，接收APT控制指令，并根据车辆动力学模型计算最优控制输入，实现车辆的漂移控制。整个系统通过迭代优化，不断调整DEP和控制律，最终实现精确的路径跟踪。

关键创新：该方法最重要的创新点在于将自适应学习与模型预测控制相结合，形成一种自适应学习模型预测控制（ALMPC）策略。与传统的基于精确模型的MPC方法相比，ALMPC能够通过在线学习动态调整控制策略，从而适应模型不确定性和环境变化。此外，分层控制架构有效解耦了路径跟踪和漂移控制，简化了控制器的设计和优化。

关键设计：上层贝叶斯优化模块的关键设计包括：定义合适的搜索空间，选择合适的核函数，以及设计有效的采集函数。下层MPC漂移控制器的关键设计包括：选择合适的车辆动力学模型，设计合适的代价函数，以及选择合适的优化算法。代价函数通常包含路径跟踪误差、控制输入和控制输入变化率等项。此外，APT控制律的设计也至关重要，需要平衡路径跟踪性能和漂移稳定性。

📊 实验亮点

仿真结果表明，即使在道路摩擦参数存在较大误差的情况下，ALMPC策略仍然能够有效地控制漂移车辆跟随基于clothoid的参考路径。这表明该方法具有较强的鲁棒性和适应性，能够应对模型不确定性和环境变化。具体的性能数据（例如路径跟踪误差、控制精度等）需要在论文中查找。

🎯 应用场景

该研究成果可应用于高级驾驶辅助系统（ADAS）和自动驾驶系统，尤其是在极端驾驶条件下，例如冰雪路面或紧急避障等场景。通过精确控制车辆的漂移状态，可以提高车辆的操控性和安全性，降低事故风险。此外，该方法还可以应用于赛车运动和特技表演等领域，提升车辆的性能和观赏性。

📄 摘要（原文）

Drift vehicle control offers valuable insights to support safe autonomous driving in extreme conditions, which hinges on tracking a particular path while maintaining the vehicle states near the drift equilibrium points (DEP). However, conventional tracking methods are not adaptable for drift vehicles due to their opposite steering angle and yaw rate. In this paper, we propose an adaptive path tracking (APT) control method to dynamically adjust drift states to follow the reference path, improving the commonly utilized predictive path tracking methods with released computation burden. Furthermore, existing control strategies necessitate a precise system model to calculate the DEP, which can be more intractable due to the highly nonlinear drift dynamics and sensitive vehicle parameters. To tackle this problem, an adaptive learning-based model predictive control (ALMPC) strategy is proposed based on the APT method, where an upper-level Bayesian optimization is employed to learn the DEP and APT control law to instruct a lower-level MPC drift controller. This hierarchical system architecture can also resolve the inherent control conflict between path tracking and drifting by separating these objectives into different layers. The ALMPC strategy is verified on the Matlab-Carsim platform, and simulation results demonstrate its effectiveness in controlling the drift vehicle to follow a clothoid-based reference path even with the misidentified road friction parameter.