Neural Network and ANFIS based auto-adaptive MPC for path tracking in autonomous vehicles

📄 arXiv: 2509.17213v1 📥 PDF

作者: Yassine Kebbati, Naima Ait-Oufroukh, Vincent Vigneron, Dalil Ichala

分类: cs.RO, math.OC

发布日期: 2025-09-21

期刊: 2021 IEEE International Conference on Networking, Sensing and Control (ICNSC)

DOI: 10.1109/ICNSC52481.2021.9702227

🔗 代码/项目: GITHUB

💡 一句话要点

提出基于神经网络和ANFIS的自适应MPC，用于自动驾驶车辆路径跟踪

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 自动驾驶 模型预测控制 神经网络 ANFIS 路径跟踪 自适应控制 粒子群优化

📋 核心要点

  1. 传统控制器在自动驾驶车辆横向控制中面临环境不确定性和干扰的挑战。
  2. 提出一种自适应MPC控制器，利用神经网络和ANFIS进行在线参数调整，提升控制器的适应性。
  3. 实验表明，该控制器在复杂场景（如三车道变换和轨迹跟踪）中优于标准MPC。

📝 摘要（中文）

自动驾驶车辆在不断变化的环境中运行，面临各种不确定性和干扰。这些因素使得传统控制器失效，尤其是在横向控制方面。因此，本文设计了一种自适应MPC控制器用于路径跟踪任务，该控制器通过改进的粒子群优化算法进行调整。使用神经网络和ANFIS进行在线参数自适应。与标准MPC相比，所设计的控制器在三车道变换和轨迹跟踪场景中显示出良好的效果。

🔬 方法详解

问题定义：论文旨在解决自动驾驶车辆在复杂和不确定环境中精确路径跟踪的问题。传统MPC控制器在面对外部扰动和车辆参数变化时，性能会显著下降，难以保证车辆的安全性和舒适性。因此，需要一种能够根据环境变化自适应调整参数的MPC控制器。

核心思路：论文的核心思路是利用神经网络（NN）和自适应神经模糊推理系统（ANFIS）来在线估计和调整MPC控制器的关键参数。通过学习车辆的动态特性和环境信息，NN和ANFIS能够实时优化MPC的预测模型和控制策略，从而提高控制器的鲁棒性和适应性。

技术框架：整体框架包括以下几个主要模块：1) 路径规划模块：生成车辆需要跟踪的目标路径。2) MPC控制器：基于预测模型和优化算法，计算车辆的控制输入。3) NN/ANFIS自适应模块：根据车辆状态和环境信息，在线调整MPC控制器的参数。4) 车辆动力学模型：用于模拟车辆的运动状态。整个流程是：路径规划模块生成目标路径，MPC控制器根据当前车辆状态和预测模型计算控制输入，NN/ANFIS模块根据车辆状态和环境信息调整MPC控制器的参数，车辆动力学模型模拟车辆的运动状态，并将状态反馈给MPC控制器和NN/ANFIS模块。

关键创新：最重要的技术创新点在于将神经网络和ANFIS引入到MPC控制器的参数自适应中。与传统的基于规则或模型的自适应方法相比，NN和ANFIS能够更好地学习和适应复杂的非线性关系，从而提高控制器的性能。此外，使用改进的粒子群优化算法对NN和ANFIS进行训练，进一步提高了自适应模块的性能。

关键设计：论文中，神经网络和ANFIS被用于预测MPC控制器的关键参数，例如预测模型的权重和控制器的惩罚因子。神经网络通常采用多层感知机结构，输入包括车辆状态（如横向误差、航向角误差）和环境信息（如道路曲率）。ANFIS则利用模糊规则和隶属度函数来建立输入和输出之间的映射关系。损失函数通常包括跟踪误差和控制输入的惩罚项，通过优化算法（如梯度下降或粒子群优化）来训练神经网络和ANFIS。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，基于神经网络和ANFIS的自适应MPC控制器在三车道变换和轨迹跟踪场景中均优于标准MPC控制器。具体来说，自适应MPC控制器能够显著减小横向误差和航向角误差，提高路径跟踪的精度和稳定性。论文提供的GitHub代码可以复现相关实验结果。

🎯 应用场景

该研究成果可广泛应用于各种自动驾驶车辆，包括乘用车、商用车和特种车辆。通过提高自动驾驶车辆在复杂环境中的路径跟踪精度和鲁棒性，可以提升车辆的安全性、舒适性和燃油经济性。此外，该技术还可以应用于机器人导航、无人机控制等领域。

📄 摘要（原文）

Self-driving cars operate in constantly changing environments and are exposed to a variety of uncertainties and disturbances. These factors render classical controllers ineffective, especially for lateral control. Therefore, an adaptive MPC controller is designed in this paper for the path tracking task, tuned by an improved particle swarm optimization algorithm. Online parameter adaptation is performed using Neural Networks and ANFIS. The designed controller showed promising results compared to standard MPC in triple lane change and trajectory tracking scenarios. Code can be found here: https://github.com/yassinekebbati/NN_MPC-vs-ANFIS_MPC