Vehicle Prediction Model for Enhanced MPC Path Tracking in Formula Student Driverless

📄 arXiv: 2606.10732v1 📥 PDF

作者: Sebastian Baader, Tamara Bergerhoff, Pascal Meißner, Frank Deinzer

分类: cs.RO

发布日期: 2026-06-09

备注: Accepted as a conference paper in IEEE Intelligent Vehicles Symposium (IV) 2026, Detroit, MI, United States

💡 一句话要点

提出实时预测模型以提升Formula Student Driverless的路径跟踪精度

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 模型预测控制 路径跟踪 自主驾驶 高斯过程回归 贝叶斯回归 赛车技术 非线性系统

📋 核心要点

  1. 现有的路径跟踪方法在面对高度非线性的车辆行为时，难以保持高精度，尤其是在狭窄赛道上。
  2. 本文提出的模型通过结合历史数据和实时信息，采用三层次的预测结构来提高路径跟踪的准确性。
  3. 实验结果表明，所提模型在预测精度上相比于现有方法提升了57%，并成功应用于真实赛车中。

📝 摘要（中文）

自主赛车，如Formula Student Driverless，通常在接近其物理极限的情况下运行。这种高度非线性的车辆行为增加了路径跟踪的复杂性，尤其是在狭窄的赛道上。模型预测控制（MPC）常用于解决这一问题，其性能与基础预测模型的准确性密切相关。本文提出了一种新颖的实时预测模型，通过结合过去运行的信息和当前驾驶情况，能够适应变化的条件。该模型分为三个连续的子模型：名义运动学自行车模型、离线贝叶斯线性回归模型和在线稀疏高斯过程回归模型。所提出的方法能够高效整合所有可用数据，而不会显著增加计算成本，从而确保高预测精度和定量的不确定性评估。与现有方法相比，预测精度提高了多达57%。此外，我们成功地在真实的Formula Student赛车中展示了该模型在基于MPC的路径跟踪控制器中的实际应用。

🔬 方法详解

问题定义：本文旨在解决自主赛车在复杂赛道条件下路径跟踪精度不足的问题。现有的MPC方法依赖于准确的预测模型，但在高度非线性的情况下，预测精度常常无法满足需求。

核心思路：论文提出了一种实时预测模型，能够动态调整以适应不同的驾驶条件，通过整合历史运行数据与当前状态信息来提升预测精度。

技术框架：整体架构包括三个主要模块：名义运动学自行车模型用于基本运动描述，离线贝叶斯线性回归模型用于初步预测，在线稀疏高斯过程回归模型则用于实时调整和优化预测结果。

关键创新：最重要的创新在于将历史数据与实时信息结合，通过三层次的模型结构实现高效的数据整合与不确定性评估，这在现有方法中尚属首次。

关键设计：模型设计中，离线贝叶斯线性回归模型用于捕捉长期趋势，而在线稀疏高斯过程回归模型则通过实时数据更新预测，确保了模型的灵活性和准确性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，所提出的预测模型在路径跟踪任务中相比于现有方法提高了多达57%的预测精度。此外，该模型成功应用于真实的Formula Student赛车中，验证了其在实际场景中的有效性。

🎯 应用场景

该研究的潜在应用领域包括自动驾驶汽车、智能交通系统及赛车运动等。通过提升路径跟踪精度，能够显著提高自主车辆在复杂环境中的安全性和性能，未来可能推动更广泛的自动驾驶技术的应用与发展。

📄 摘要（原文）

Autonomous race cars, such as in Formula Student Driverless, operate close to their physical handling limits. The resulting highly nonlinear vehicle behavior increases the path tracking complexity, especially on narrow tracks. Model Predictive Control (MPC) is commonly used to address this issue, a method whose performance is closely tied to the accuracy of the underlying prediction model. This paper presents a novel, real-time capable prediction model for autonomous race cars that adjusts to changing conditions by combining information from past runs and the current driving situation. Our model is divided into three consecutive submodels: a nominal Kinematic Bicycle Model, an offline Bayesian Linear Regression (BLR) model, and an online Sparse Gaussian Process Regression (SGPR) model. The proposed approach enables efficient integration of all available data without significantly increasing computational cost, ensuring high prediction accuracy and a quantitative uncertainty assessment right from the start of the run. Compared to existing approaches, an improvement in prediction accuracy of up to 57% was achieved. Further, we successfully demonstrated the practical applicability of the model within an MPC-based path tracking controller on a real Formula Student race car.