Robust Nonlinear Trajectory Tracking Control for Autonomous Racing on Three-Dimensional Tracks

📄 arXiv: 2604.19452v1 📥 PDF

作者: Joscha F. Bongard, Georg Jank, Simon Sagmeister, Boris Lohmann

分类: eess.SY

发布日期: 2026-04-21

备注: Accepted for publication at the 24th European Control Conference (ECC), Reykjavik, Iceland

💡 一句话要点

提出一种鲁棒非线性MPC，用于三维赛道上自动驾驶车辆的轨迹跟踪控制

🎯 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 轨迹跟踪 非线性控制 车辆动力学

📋 核心要点

  1. 现有方法难以在复杂三维赛道上实现自动驾驶车辆的精确轨迹跟踪，尤其是在车辆操控极限下。
  2. 该论文提出一种鲁棒非线性MPC方案，通过精确的3D车辆动力学建模和不确定性感知约束收紧，提升控制性能。
  3. 在高保真车辆动力学仿真中，该算法在提高轨迹跟踪精度的同时，保持了较低的计算时间。

📝 摘要（中文）

本文提出了一种鲁棒的非线性模型预测控制（MPC）方案，用于在非平面道路表面上，自动驾驶车辆在操控极限下的轨迹跟踪控制。我们从第一性原理推导了车辆动力学模型，并选择性地省略了动态影响可忽略不计的项，以保持实时性。由此产生的具有三维（3D）动态单轨模型的MPC，将相关的动态效应直接集成到预测模型中，并利用它们来提高预测精度，从而提高控制性能。即使对地形引起的垂直载荷对总加速度势的影响进行了建模，轮胎与道路的相互作用仍然存在不确定性和扰动。不确定性感知约束收紧方案引入了一个约束边界的裕度，以使车辆在这种环境中保持可控和稳定。为了验证我们提出的方法，我们在真实赛道的模型上进行了高保真动态双轨车辆动力学仿真。我们发现我们的算法可以提高轨迹跟踪精度，同时保持较低的计算时间。

🔬 方法详解

问题定义：论文旨在解决自动驾驶车辆在复杂三维赛道上，尤其是在车辆操控极限下，难以实现精确轨迹跟踪的问题。现有方法通常难以兼顾车辆动力学模型的精确性和计算效率，并且难以处理轮胎与路面交互的不确定性，导致控制性能下降。

核心思路：论文的核心思路是将精确的3D车辆动力学模型集成到MPC框架中，并采用不确定性感知约束收紧方案来处理轮胎与路面交互的不确定性。通过精确的动力学建模，可以提高预测精度，从而提高控制性能。通过约束收紧，可以保证车辆在存在不确定性的情况下仍然保持可控和稳定。

技术框架：该方法基于模型预测控制（MPC）框架。首先，从第一性原理推导车辆的三维动态单轨模型，并选择性地省略动态影响可忽略不计的项，以保证实时性。然后，将该模型集成到MPC的预测模型中。为了处理轮胎与路面交互的不确定性，采用不确定性感知约束收紧方案，在约束边界上引入裕度。最后，通过优化求解器计算控制量。

关键创新：该论文的关键创新在于：1) 将精确的3D车辆动力学模型集成到MPC框架中，从而提高了预测精度；2) 采用不确定性感知约束收紧方案，从而保证了车辆在存在不确定性的情况下仍然保持可控和稳定。与现有方法相比，该方法能够更好地处理复杂三维赛道上的轨迹跟踪问题。

关键设计：在车辆动力学模型中，考虑了地形引起的垂直载荷对总加速度势的影响。在不确定性感知约束收紧方案中，约束边界的裕度是根据轮胎与路面交互的不确定性程度来确定的。MPC的优化目标是最小化轨迹跟踪误差和控制量的大小。具体参数设置未知。

📊 实验亮点

该论文通过高保真动态双轨车辆动力学仿真，在真实赛道模型上验证了所提出算法的有效性。实验结果表明，该算法能够在提高轨迹跟踪精度的同时，保持较低的计算时间。具体的性能数据和提升幅度未知。

🎯 应用场景

该研究成果可应用于自动驾驶赛车、无人越野车辆等领域，提升车辆在复杂地形和极限工况下的运动控制能力。此外，该方法也可推广到其他需要高精度轨迹跟踪的机器人系统，例如无人机、水下机器人等，具有重要的实际应用价值和广阔的应用前景。

📄 摘要（原文）

We propose a robust nonlinear model predictive control (MPC) scheme for trajectory-tracking control of autonomous vehicles at the limits of handling on non-planar road surfaces. We derive the dynamics from first principles and selectively omit terms with negligible dynamic influence to maintain real-time capability. The resulting MPC with a three-dimensional (3D) dynamic single-track model integrates relevant dynamic effects directly into the prediction model and leverages them to improve prediction accuracy and therefore control performance. Even if the influence of terrain-induced vertical loads on the total acceleration potential is modeled, tire-road interactions are subject to uncertainty and disturbance. The uncertainty-aware constraint tightening scheme introduces a margin to constraint bounds to keep the vehicle controllable and stable in this environment. To validate our proposed approach, we perform high-fidelity dynamic double-track vehicle dynamics simulations on a model of a real circuit. We find that our algorithm can improve trajectory-tracking accuracy while maintaining low computation times.