Robust Tube-based Control Strategy for Vision-guided Autonomous Vehicles

📄 arXiv: 2503.18752v1 📥 PDF

作者: Der-Hau Lee

分类: eess.SY, cs.CV, cs.RO

发布日期: 2025-03-24

备注: 13 pages, 14 figures

💡 一句话要点

提出基于插值Tube的约束迭代线性二次调节器(itube-CILQR)算法，增强视觉引导车辆在高速转弯时的鲁棒性。

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 自主车辆控制 车道保持 鲁棒控制 Tube-based控制 迭代线性二次调节器

📋 核心要点

  1. 现有车道保持方法在高速过弯时鲁棒性不足，容易导致系统不稳定和安全问题。
  2. 提出itube-CILQR算法，通过插值Tube方法减少系统保守性，并采用迭代线性二次调节器提高计算速度。
  3. 实验表明，itube-CILQR算法在车道保持任务中优于变分CILQR和基于内点法的MPC，计算速度提升显著。

📝 摘要（中文）

本文提出了一种用于自主车辆的鲁棒控制策略，旨在提高系统稳定性、乘坐舒适性和防止驾驶事故。具体而言，提出了一种新颖的基于插值Tube的约束迭代线性二次调节器(itube-CILQR)算法，用于自主计算机视觉车辆的车道保持。该算法的目标是增强车辆在高速过弯时的鲁棒性。与标准Tube方法相比，itube-CILQR的优势在于降低了系统保守性并提高了计算速度。通过数值和视觉实验验证了该算法的可行性。实验结果表明，itube-CILQR算法比基于变分CILQR的方法和使用经典内点求解器的模型预测控制(MPC)方法更适合车辆车道保持。在评估实验中，itube-CILQR生成控制信号以引导自动驾驶车辆的平均运行时间为3.16毫秒；itube-MPC完成相同任务通常需要4.67倍的计算时间。此外，通过探索车道保持过程中itube-CILQR算法导出的插值变量轨迹，研究了保守性对系统行为的影响。

🔬 方法详解

问题定义：论文旨在解决自主车辆在高速过弯时，传统车道保持算法鲁棒性不足的问题。现有方法，如变分CILQR和基于内点法的MPC，在计算效率和系统保守性方面存在局限性，难以满足高速场景下的实时性和安全性要求。

核心思路：论文的核心思路是利用插值Tube方法，在保证系统安全性的前提下，降低控制策略的保守性，从而提高车辆的操控性能。同时，采用迭代线性二次调节器（ILQR）框架，优化控制信号，提高计算效率，满足实时性需求。

技术框架：该方法基于Tube-based控制框架，主要包含以下几个模块：1) 轨迹规划：生成期望的车道保持轨迹；2) Tube生成：基于车辆动力学模型和不确定性估计，生成围绕期望轨迹的安全Tube；3) 插值优化：在Tube内进行插值优化，降低保守性；4) 迭代线性二次调节器（ILQR）：求解最优控制信号，引导车辆跟踪期望轨迹。

关键创新：该方法最重要的技术创新点在于插值Tube的引入。传统的Tube-based控制方法通常采用保守的Tube设计，以保证系统的鲁棒性，但牺牲了车辆的操控性能。而插值Tube方法通过在Tube内部进行插值优化，可以在保证安全性的前提下，降低Tube的保守性，从而提高车辆的操控性能。

关键设计：关键设计包括：1) 插值变量的选取和优化策略；2) ILQR算法的迭代终止条件和正则化参数；3) 车辆动力学模型的精确度和简化程度；4) 不确定性估计的准确性和鲁棒性。这些设计直接影响着算法的性能和实时性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，所提出的itube-CILQR算法在车道保持任务中优于传统的变分CILQR和基于内点法的MPC方法。具体而言，itube-CILQR生成控制信号的平均运行时间为3.16毫秒，而itube-MPC则需要4.67倍的计算时间。这表明itube-CILQR在计算效率方面具有显著优势，更适合实时控制应用。

🎯 应用场景

该研究成果可应用于各种自主驾驶场景，尤其是在需要高速行驶和精确控制的场景中，如高速公路自动驾驶、赛道自动驾驶等。该算法能够提高车辆的操控性能和安全性，降低驾驶风险，并为未来的智能交通系统提供技术支持。

📄 摘要（原文）

A robust control strategy for autonomous vehicles can improve system stability, enhance riding comfort, and prevent driving accidents. This paper presents a novel interpolation tube-based constrained iterative linear quadratic regulator (itube-CILQR) algorithm for autonomous computer-vision-based vehicle lane-keeping. The goal of the algorithm is to enhance robustness during high-speed cornering on tight turns. The advantages of itube-CILQR over the standard tube-approach include reduced system conservatism and increased computational speed. Numerical and vision-based experiments were conducted to examine the feasibility of the proposed algorithm. The proposed itube-CILQR algorithm is better suited to vehicle lane-keeping than variational CILQR-based methods and model predictive control (MPC) approaches using a classical interior-point solver. Specifically, in evaluation experiments, itube-CILQR achieved an average runtime of 3.16 ms to generate a control signal to guide a self-driving vehicle; itube-MPC typically required a 4.67-times longer computation time to complete the same task. Moreover, the influence of conservatism on system behavior was investigated by exploring the interpolation variable trajectories derived from the proposed itube-CILQR algorithm during lane-keeping maneuvers.