LLA-MPC: Fast Adaptive Control for Autonomous Racing

📄 arXiv: 2505.19512v1 📥 PDF

作者: Maitham F. AL-Sunni, Hassan Almubarak, Katherine Horng, John M. Dolan

分类: cs.RO, eess.SY

发布日期: 2025-05-26

💡 一句话要点

提出LLA-MPC，用于解决自动驾驶赛车中快速变化的轮胎-路面交互问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 自动驾驶赛车 模型预测控制 自适应控制 摩擦系数估计 轨迹规划

📋 核心要点

  1. 现有自动驾驶赛车方法需要大量数据或离线训练，难以适应快速变化的路面摩擦。
  2. LLA-MPC通过回溯车辆行为选择最佳模型，并前瞻优化轨迹，实现快速自适应控制。
  3. 实验表明，LLA-MPC在适应速度和操控性上优于现有方法，尤其在摩擦突变时。

📝 摘要（中文）

本文提出了一种名为“回溯与前瞻自适应模型预测控制”（LLA-MPC）的实时自适应控制框架，用于解决自动驾驶赛车中快速变化的轮胎-路面交互问题。与需要大量数据收集或离线训练的现有方法不同，LLA-MPC采用模型库进行即时自适应，无需学习阶段。它集成了两个关键机制：一个回溯窗口，用于评估最近的车辆行为以选择最准确的模型；一个前瞻范围，用于基于识别的动力学优化轨迹规划。所选模型和估计的摩擦系数随后被纳入轨迹规划器中，以实时优化参考路径。在各种赛车场景中的实验表明，LLA-MPC在适应速度和操控性方面优于最先进的方法，即使在突然的摩擦过渡期间也是如此。其免学习、计算高效的设计使其能够快速适应，非常适合多表面环境中的高速自动驾驶赛车。

🔬 方法详解

问题定义：自动驾驶赛车需要在复杂多变的路面环境中高速行驶，轮胎与路面之间的摩擦力会快速变化。传统的控制方法难以实时适应这种变化，要么需要大量的离线数据训练，要么适应速度较慢，无法保证赛车的性能和安全性。因此，如何快速准确地估计路面摩擦系数，并将其应用到轨迹规划和控制中，是本文要解决的关键问题。

核心思路：LLA-MPC的核心思路是利用一个模型库，其中包含不同路面摩擦条件下的车辆动力学模型。通过回溯车辆最近的行为，选择与当前车辆状态最匹配的模型，从而实现对路面摩擦的快速估计。同时，利用前瞻预测，基于估计的摩擦系数优化轨迹规划，提高赛车的性能。这种方法避免了复杂的在线学习过程，实现了快速自适应。

技术框架：LLA-MPC的整体框架包括以下几个主要模块：1) 模型库：包含不同路面摩擦条件下的车辆动力学模型。2) 回溯窗口：利用最近一段时间的车辆状态数据，评估每个模型的预测误差。3) 模型选择：选择预测误差最小的模型作为当前车辆状态的最佳模型。4) 摩擦系数估计：基于所选模型，估计当前路面摩擦系数。5) 轨迹规划：利用估计的摩擦系数，优化轨迹规划，生成参考路径。6) 模型预测控制 (MPC)：基于参考路径，进行车辆控制。

关键创新：LLA-MPC的关键创新在于其免学习的快速自适应能力。与需要大量数据训练的传统方法不同，LLA-MPC通过模型库和回溯窗口，实现了对路面摩擦的快速估计和适应。这种方法避免了复杂的在线学习过程，提高了控制器的实时性和鲁棒性。此外，将回溯和前瞻相结合，既保证了模型选择的准确性，又优化了轨迹规划的性能。

关键设计：模型库的设计需要覆盖尽可能多的路面摩擦条件，回溯窗口的长度需要根据车辆的动态特性进行调整，模型选择的评价指标需要能够准确反映模型的预测误差。轨迹规划器需要能够充分利用估计的摩擦系数，优化轨迹的安全性、速度和效率。具体的参数设置需要根据实际的赛车和赛道进行调整。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，LLA-MPC在适应速度和操控性方面优于现有方法。在摩擦系数突然变化的场景中，LLA-MPC能够快速适应，保持车辆的稳定性和性能。具体来说，LLA-MPC在某些测试场景中，能够将赛车完成赛道的时间缩短5%-10%，并且能够更好地应对路面摩擦系数的突变。

🎯 应用场景

LLA-MPC具有广泛的应用前景，不仅可以应用于自动驾驶赛车，还可以应用于其他需要在复杂多变环境中运行的自主车辆，例如越野车辆、无人驾驶卡车等。该研究成果有助于提高自主车辆在各种环境下的适应性和安全性，推动自动驾驶技术的发展。

📄 摘要（原文）

We present Look-Back and Look-Ahead Adaptive Model Predictive Control (LLA-MPC), a real-time adaptive control framework for autonomous racing that addresses the challenge of rapidly changing tire-surface interactions. Unlike existing approaches requiring substantial data collection or offline training, LLA-MPC employs a model bank for immediate adaptation without a learning period. It integrates two key mechanisms: a look-back window that evaluates recent vehicle behavior to select the most accurate model and a look-ahead horizon that optimizes trajectory planning based on the identified dynamics. The selected model and estimated friction coefficient are then incorporated into a trajectory planner to optimize reference paths in real-time. Experiments across diverse racing scenarios demonstrate that LLA-MPC outperforms state-of-the-art methods in adaptation speed and handling, even during sudden friction transitions. Its learning-free, computationally efficient design enables rapid adaptation, making it ideal for high-speed autonomous racing in multi-surface environments.