Obstacle Avoidance of Autonomous Vehicles: An LPVMPC with Scheduling Trust Region

📄 arXiv: 2405.02030v1 📥 PDF

作者: Maryam Nezami, Dimitrios S. Karachalios, Georg Schildbach, Hossam S. Abbas

分类: eess.SY

发布日期: 2024-05-03

💡 一句话要点

提出基于调度信任域的LPVMPC方法，解决自动驾驶车辆的静态避障和轨迹跟踪问题。

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱五：交互与反应 (Interaction & Reaction)

关键词: 自动驾驶 模型预测控制 线性参数变化 障碍物规避 调度信任域

📋 核心要点

  1. 自动驾驶中的轨迹跟踪和避障面临非线性优化计算负担大的挑战。
  2. 该论文提出基于线性参数变化（LPV）模型预测控制（MPC）方法，并引入调度信任域来约束模型误差。
  3. 实验表明，该方法在保证可行性的前提下，性能接近非线性MPC，且计算效率优于非线性MPC。

📝 摘要（中文）

本文提出了一种模型预测控制（MPC）策略，用于解决自动驾驶任务中的参考轨迹跟踪问题，同时考虑静态障碍物。该方法将非线性模型等价地转化为线性参数变化（LPV）形式，利用所谓的调度参数，从而避免了非线性非凸优化方法的计算负担。这使得底层凸优化方案能够作为二次规划（QP）快速求解，但代价是由于MPC范围内未来调度轨迹的不确定性而损失一些性能。此外，为了确保由于调度参数预测的应用而产生的建模误差不会变得显著，我们提出了调度信任域的概念，通过对状态和输入施加额外的软约束来实现。使用MPC中的新约束的一个结果是，我们构建了一个区域，在该区域中，两个连续时间瞬间的调度参数更新被信任用于计算系统矩阵，因此，保留了MPC优化问题的可行性。我们在不同的场景中测试了该方法，并将结果与标准LPVMPC以及非线性MPC（NMPC）方案进行了比较。

🔬 方法详解

问题定义：自动驾驶车辆需要在复杂环境中实现精确的轨迹跟踪，同时安全地避开静态障碍物。传统的非线性MPC方法虽然精度高，但计算复杂度高，难以满足实时性要求。线性MPC方法虽然计算速度快，但难以准确描述车辆的非线性动力学特性。

核心思路：该论文的核心思路是将非线性车辆动力学模型转化为线性参数变化（LPV）模型，从而可以使用二次规划（QP）求解MPC问题，降低计算复杂度。同时，为了解决LPV模型带来的不确定性，引入了调度信任域的概念，限制调度参数的变化范围，保证模型的准确性。

技术框架：该方法首先将非线性车辆模型转化为LPV模型，然后设计基于LPV模型的MPC控制器。为了保证模型的准确性，引入了调度信任域，限制调度参数的变化范围。MPC控制器通过求解二次规划问题，得到最优的控制输入。最后，将控制输入作用于车辆，实现轨迹跟踪和避障。

关键创新：该论文的关键创新在于提出了调度信任域的概念，有效地解决了LPV模型带来的不确定性问题。通过限制调度参数的变化范围，保证了模型的准确性，提高了控制器的性能。

关键设计：调度信任域通过在MPC优化问题中添加软约束来实现，这些软约束限制了状态和输入的变化范围。具体来说，这些约束限制了两个连续时间步长内调度参数的变化量。这些约束的设计需要仔细考虑，以保证MPC问题的可行性，同时保证模型的准确性。

📊 实验亮点

论文在不同场景下进行了实验，结果表明，所提出的基于调度信任域的LPVMPC方法在轨迹跟踪和避障方面表现良好，性能接近非线性MPC，同时计算速度远快于非线性MPC。与标准LPVMPC相比，该方法通过调度信任域提高了模型的准确性，从而提高了控制性能。

🎯 应用场景

该研究成果可应用于各种自动驾驶场景，例如城市道路自动驾驶、高速公路自动驾驶、以及特定场景下的自动驾驶物流车等。通过降低计算复杂度，该方法有望在计算资源有限的嵌入式平台上实现高性能的自动驾驶控制。

📄 摘要（原文）

Reference tracking and obstacle avoidance rank among the foremost challenging aspects of autonomous driving. This paper proposes control designs for solving reference tracking problems in autonomous driving tasks while considering static obstacles. We suggest a model predictive control (MPC) strategy that evades the computational burden of nonlinear nonconvex optimization methods after embedding the nonlinear model equivalently to a linear parameter-varying (LPV) formulation using the so-called scheduling parameter. This allows optimal and fast solutions of the underlying convex optimization scheme as a quadratic program (QP) at the expense of losing some performance due to the uncertainty of the future scheduling trajectory over the MPC horizon. Also, to ensure that the modeling error due to the application of the scheduling parameter predictions does not become significant, we propose the concept of scheduling trust region by enforcing further soft constraints on the states and inputs. A consequence of using the new constraints in the MPC is that we construct a region in which the scheduling parameter updates in two consecutive time instants are trusted for computing the system matrices, and therefore, the feasibility of the MPC optimization problem is retained. We test the method in different scenarios and compare the results to standard LPVMPC as well as nonlinear MPC (NMPC) schemes.