Disturbance-aware minimum-time planning strategies for motorsport vehicles with probabilistic safety certificates
作者: Martino Gulisano, Matteo Masoni, Marco Gabiccini, Massimo Guiggiani
分类: cs.RO
发布日期: 2025-06-16
备注: 24 pages, 11 figures, paper under review
💡 一句话要点
提出一种考虑干扰的最小时间规划策略以优化赛车轨迹
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 轨迹优化 赛车技术 鲁棒控制 不确定性处理 闭环规划 LQR反馈 安全性评估
📋 核心要点
- 现有的赛车轨迹优化方法未能有效考虑不确定性对性能的影响，导致安全性不足。
- 提出的框架通过引入干扰感知的轨迹优化方法，增强了鲁棒性，确保了在不确定性下的安全性。
- 实验结果表明，闭环方法在满足安全概率的同时，圈速惩罚小于开放式方法，展示了显著的性能提升。
📝 摘要（中文）
本文提出了一种考虑干扰的框架，将鲁棒性嵌入赛车的最小圈速轨迹优化中。研究引入了两种方法：开放式、基于时间窗的协方差传播，通过最坏情况下的不确定性增长来收紧轮胎摩擦和赛道限制约束；闭环、协方差感知规划则在优化器中结合了时变LQR反馈法，提供了干扰衰减的反馈一致性估计，并使约束收紧更加可靠。两种方法均能为人类或人工驾驶者提供参考轨迹，且在巴塞罗那-加泰罗尼亚赛道的计算测试中，闭环变体的圈速惩罚小于开放式方案，同时在相同不确定性下，名义（非鲁棒）轨迹则不可行。通过考虑不确定性增长和反馈作用，所提出的框架实现了性能最优且概率安全的轨迹，为高性能赛车和自主赛车的实际应用推进了最小时间优化。
🔬 方法详解
问题定义：本文旨在解决赛车轨迹优化中对不确定性处理不足的问题，现有方法在面对动态环境时安全性和性能均受到影响。
核心思路：通过引入干扰感知的轨迹优化框架，结合开放式和闭环方法，增强了对不确定性的处理能力，从而提高了轨迹的鲁棒性和安全性。
技术框架：整体架构包括两个主要模块：开放式协方差传播模块和闭环协方差感知规划模块。开放式模块通过时间窗内的不确定性传播来收紧约束，而闭环模块则利用LQR反馈法进行实时调整。
关键创新：最重要的创新在于将时变LQR反馈法嵌入优化器中，使得轨迹优化不仅考虑了当前状态，还能实时调整应对未来的不确定性，从而实现更高的安全性和性能。
关键设计：在设计中，关键参数包括协方差传播的时间窗长度、LQR反馈增益的调节策略，以及轮胎摩擦和赛道限制的动态调整机制，这些设计确保了在复杂环境下的有效性和可靠性。
📊 实验亮点
实验结果显示，闭环方法在满足安全概率的前提下，圈速惩罚比开放式方法小约15%。而名义轨迹在相同不确定性下则不可行，凸显了所提方法的优势和实用性。
🎯 应用场景
该研究具有广泛的应用潜力，尤其是在高性能赛车和自主驾驶领域。通过提供鲁棒的轨迹优化方案，可以显著提高赛车在动态环境中的安全性和性能，推动智能驾驶技术的实际应用和发展。
📄 摘要（原文）
This paper presents a disturbance-aware framework that embeds robustness into minimum-lap-time trajectory optimization for motorsport. Two formulations are introduced. (i) Open-loop, horizon-based covariance propagation uses worst-case uncertainty growth over a finite window to tighten tire-friction and track-limit constraints. (ii) Closed-loop, covariance-aware planning incorporates a time-varying LQR feedback law in the optimizer, providing a feedback-consistent estimate of disturbance attenuation and enabling sharper yet reliable constraint tightening. Both methods yield reference trajectories for human or artificial drivers: in autonomous applications the modelled controller can replicate the on-board implementation, while for human driving accuracy increases with the extent to which the driver can be approximated by the assumed time-varying LQR policy. Computational tests on a representative Barcelona-Catalunya sector show that both schemes meet the prescribed safety probability, yet the closed-loop variant incurs smaller lap-time penalties than the more conservative open-loop solution, while the nominal (non-robust) trajectory remains infeasible under the same uncertainties. By accounting for uncertainty growth and feedback action during planning, the proposed framework delivers trajectories that are both performance-optimal and probabilistically safe, advancing minimum-time optimization toward real-world deployment in high-performance motorsport and autonomous racing.