MAP2: Model- and Acceleration-Based Pursuit with MPC and Gaussian Process Residual Learning for Autonomous Racing
作者: Weizhan Huang, Cheng Hu, Edoardo Ghignone, Nicolas Baumann, Yiqin Wang, Hongye Su, Lei Xie, Michele Magno
分类: cs.RO
发布日期: 2026-10-08
备注: 8 pages, 8 figures, 5 tables
💡 一句话要点
提出MAP2以解决自主赛车中的轨迹跟踪问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 自主赛车 轨迹跟踪 运动预测控制 高斯过程 轮胎动力学 控制算法 动态响应 智能交通
📋 核心要点
- 现有的几何控制方法在极限操控条件下失效，导致轨迹跟踪精度不足。
- MAP2结合了基于曲率的MPC和SGP残差校正，优化了车辆的动态响应与控制精度。
- 实验结果显示，MAP2相比于MAP和纯追踪方法（PP）分别减少了37.99%和44.65%的平均侧向跟踪误差，并将平均圈速提高至少1.5%。
📝 摘要（中文）
自主赛车需要在车辆极限操控条件下实现精确的轨迹跟踪，同时保持低计算延迟。几何控制器虽然计算效率高，但在极限操控条件下，Ackermann转向几何失效。模型与加速度基础的追踪方法（MAP）在保持几何方法简单性的同时，利用了轮胎动力学。然而，MAP仍然是依赖于Ackermann转向几何的几何控制器，其轮胎模型可能无法完全捕捉车辆的实际动态响应。本文提出了MAP2，这是一种基于模型的追踪控制器，结合了基于曲率的运动预测控制（MPC）和稀疏高斯过程（SGP）残差校正。该算法利用MPC在预测视域内优化运动控制输入，并通过增强SGP残差校正的轮胎动力学模型将其映射为转向指令。实际车辆实验表明，侧向跟踪误差和圈速显著降低。
🔬 方法详解
问题定义：本文旨在解决自主赛车在极限操控条件下的轨迹跟踪精度不足的问题。现有的几何控制方法在这种情况下失效，导致车辆无法有效应对复杂的动态环境。
核心思路：MAP2的核心思路是结合基于曲率的运动预测控制（MPC）与稀疏高斯过程（SGP）残差校正，以提高车辆在极限条件下的动态响应和控制精度。通过这种方式，MAP2能够在保持计算效率的同时，增强对车辆动态行为的建模能力。
技术框架：MAP2的整体架构包括两个主要模块：首先，使用MPC在预测视域内优化运动控制输入；其次，通过SGP残差校正来增强轮胎动力学模型，从而将优化后的控制输入映射为实际的转向指令。
关键创新：MAP2的主要创新在于将稀疏高斯过程引入到轮胎动力学模型中，从而克服了传统几何控制方法的局限性。这一方法能够更准确地捕捉车辆在极限操控下的动态响应，显著提高了控制精度。
关键设计：在设计中，MPC的预测视域和优化目标被精心设置，以确保在不同操控条件下的稳定性和响应速度。同时，SGP的超参数选择和训练过程也经过精细调整，以确保模型的准确性和泛化能力。
🖼️ 关键图片
📊 实验亮点
实验结果表明，MAP2在侧向跟踪误差方面相比于MAP和纯追踪方法（PP）分别减少了37.99%和44.65%，同时平均圈速提高至少1.5%。这些结果表明MAP2在自主赛车中的有效性和优越性，显著提升了车辆的操控性能。
🎯 应用场景
该研究的潜在应用领域包括自动驾驶、智能交通系统和赛车运动等。通过提高车辆在极限操控条件下的轨迹跟踪能力，MAP2能够为自主驾驶技术的发展提供更为可靠的控制策略，进而提升行车安全性和效率。未来，该方法还可以扩展到其他动态环境下的控制问题，具有广泛的实际价值。
📄 摘要（原文）
Autonomous racing requires accurate trajectory tracking near the handling limits of a vehicle while maintaining low computational latency. Geometric controllers are computationally efficient, but the Ackermann steering geometry becomes invalid under limit-handling conditions. Model- and Acceleration-based Pursuit (MAP) preserves the simplicity of geometric approaches while leveraging tire dynamics. Yet MAP remains fundamentally a geometric controller that relies on Ackermann steering geometry, and its tire model may not fully capture the vehicle's actual dynamic response. This paper presents MAP2, a model-based pursuit controller that combines a curvature-based kinematic MPC and a Sparse Gaussian Process (SGP) residual correction. The proposed algorithm uses MPC to optimize kinematic control inputs over a prediction horizon and maps them to steering commands through a tire dynamics model augmented with SGP residual correction. Real-world vehicle experiments demonstrate substantial reductions in lateral tracking error and lap time. Compared with MAP and Pure Pursuit (PP), MAP2 reduces the average lateral tracking error by 37.99% and 44.65%, respectively, while reducing average lap time by at least 1.5%.