自動駕駛卡車平穩精確轉向的空間模型預測控制

（Guaranteeing Persistent Feasibility of Model Predictive Motion Planning for Autonomous Vehicles）

在本文中，我們提出了一個車輛橫向控制算法—一個平順和精確的模型預測控制器（SAMPC）。與標準MPC相比，根本區別在于，在成本函數中直接解決了駕駛平順問題。控制器的目標是基于曲率的一階和二階空間導數的最小化。通過這樣做，避免了可能導致轉向部件和車輛結構永久損壞。通過增加約束來保證良好的路徑跟蹤精度，以避免偏離參考路徑。最后，控制器在斯堪尼亞工程車上進行了實驗測試和評估。評估工作由位于瑞典S?dert?lje附近的斯堪尼亞工廠。通過兩條不同的途徑進行：一條類似于采礦場景的精確軌道和一條類似于高速公路情況的高速測試道。即使使用線性化的運動車輛來預測車輛運動，所提出的控制器的性能也是令人鼓舞的，因為偏離路徑的距離從未超過30厘米。它在路徑精度和標準MPC方面明顯優于工業用的純追蹤控制器。

與現有的方法進行比較，如純追蹤控制器和標準MPC，以偏離路徑和曲率變化率（即，驅動平滑度）的方式測量。在我們的實驗和模擬中，純追蹤控制器始終是最平穩的駕駛控制器。但是，它是最不準確的控制器。最后，正如預期的那樣，SA-MPC和標準MPC是最準確的控制器。為了指出哪一個是最好的，我們還分析了控制器的曲率變化率，得出SA-MPC比具有相似路徑精度的標準MPC更平順。SA-MPC在駕駛平順性方面起著至關重要的作用，因為與標準MPC不同，它支持平順的曲率預測。因此，SA-MPC是控制器提供了一個更好的平衡駕駛和準確的路徑跟蹤。在實驗上，我們將SAMPC與純追蹤控制器進行了比較，兩者都部署在斯堪尼亞工程車上。根據模擬結果預測，SA-MPC明顯優于純追蹤控制器。即使使用線性化的運動車輛來預測車輛運動，控制器的性能也是非常好的，因為距離路徑的最大偏差不超過30厘米，平均為6厘米。此外，得出的結論是，使用仿真環境對控制器參數進行調整提供了對實際控制器性能的很好的近似。