Real-Time Adaptive Velocity Optimization for Autonomous Electric Cars at the Limits of Handling
Technical University of Munich(慕尼黑工业大学)
随着自动驾驶汽车的发展,像Roborace和Indy Autonomous Challenge这样的自动驾驶赛车系列正在迅速吸引越来越多的关注。参与这些竞赛的研究人员希望随后将他们开发的功能转移到乘用车上,以提高自动驾驶技术的安全性,并带来环境和社会效益。赛道的优势在于它是一个安全的环境,在这里永久地创造了对算法具有挑战性的情况。为了在赛道上实现最小圈速,重要的是收集和处理关于外部影响的信息,包括,例如,其他汽车的位置以及道路和轮胎之间的摩擦力。此外,自我汽车推进系统的预测行为对于尽可能有效地利用可用能量至关重要。因此,在本文中,我们提出了一个基于优化的速度规划,数学上表示为一个多参数序列二次问题(mpSQP)。该规划器可以处理空间和时间变化的摩擦系数,并将比赛能量策略(ES)转移到道路上。它还在车辆的电子控制单元(ECU)上实时的处理性能和紧急轨迹的速度剖面生成任务。
2020-12-25 cs.RO cs.SY eess.SY
Battery model impact on time-optimal co-design for electric racing cars: review and application
本文综述电动赛车最小单圈时间与电池尺寸优化方法,提出通用优化框架,并以Gen 3 Formula E赛车为例证明:高精度电池模型适合分析比赛过程控制变量演化,简单模型足以解决电池尺寸设计问题。
2024-06-07 cs.SY eess.SY
Residual Policy Learning for Vehicle Control of Autonomous Racing Cars
Technical University of Munich(慕尼黑工业大学)
本文提出一种用于自动驾驶赛车的残差车辆控制器,通过残差策略学习修正经典路径跟随控制器,在F1TENTH仿真环境及十二条真实赛道评估中平均将单圈时间缩短4.55%,并能在未知赛道上获得提升。
2023-05-31 cs.LG cs.RO cs.SY
Multilayer Graph-Based Trajectory Planning for Race Vehicles in Dynamic Scenarios
Technical University of Munich(慕尼黑工业大学)
在高速和操纵极限下的轨迹规划是一项具有挑战性的任务。为了满足比赛场景的要求,我们提出了一个有远见的两步,多层基于图的轨迹规划器,能够运行速度高达212公里/小时。该规划器被设计为生成多个可驱动轨迹的动作集,允许相邻的行为规划器为场景中的全局状态选择最合适的动作。该方法用于诸如赛道跟踪、跟随、停止、超车以及能够在摩擦极限下操纵车辆的速度曲线的目标。因此,它提供了一个高的更新率,一个长远的规划视野和解决方案,非凸的情况。所提出的方法的能力,证明在模拟和一个真正的赛车。
2020-05-18 cs.RO cs.SY eess.SY
A Resilient Navigation and Path Planning System for High-speed Autonomous Race Car
Korea Advanced Institute of Science and Technologies (KAIST)(韩国科学技术院)
本文介绍了一个弹性导航和规划系统中使用的印地自主挑战赛(IAC)的竞争。IAC是一项全尺寸赛车在印第安纳波利斯赛车场(IMS)上以290 km/h(180 mph)的速度自动行驶的比赛。赛车会经历剧烈的震动。特别是在高速。这些振动会降低基于精密GPS辅助惯性测量单元的标准定位算法。降级的本地化可能导致严重的问题,包括碰撞。因此,我们提出了一个弹性导航系统,使赛车留在赛道内的定位失败的情况下。我们的导航系统使用多传感器融合为基础的卡尔曼滤波器。我们检测退化的导航解决方案,使用概率的方法来计算最佳的测量值,我们的卡尔曼滤波器的校正步骤。此外,提出了一种最优避障路径规划算法。在这个挑战中,赛道上有静态障碍物。车辆需要以最小的时间损失避开它们。通过考虑原始的最佳赛车路线,障碍物和车辆动力学,我们提出了一个基于道路图的路径规划算法,以确保我们的赛车可以执行有效的避障。成功验证了所提出的定位系统,以显示其能力,以防止定位失败的情况下,错误的GPS测量在历史上世界上第一次自主赛车在IMS。由于我们强大的导航和规划算法,我们能够作为前四名的球队之一完成比赛,而其余五支球队由于碰撞或违规而未能完成比赛。
2022-09-15 cs.RO cs.SY eess.SY
Reduce Lap Time for Autonomous Racing with Curvature-Integrated MPCC Local Trajectory Planning Method
Zhejiang University(浙江大学)
针对传统MPCC在曲率变化剧烈赛道性能受限的问题,提出曲率集成MPCC局部轨迹规划方法,通过赛道曲率映射参考速度曲线优化轨迹速度,在1:10 F1TENTH赛车上验证可缩短11.4%-12.5%单圈用时。
2025-02-06 cs.RO cs.SY eess.SY
Energy Management Strategy for an Autonomous Electric Racecar using Optimal Control
乘用车的自动化越来越普遍,导致汽车在未来几年内实现完全自主。此外,可持续的电动交通越来越重要。由于赛车一直是技术的开发平台,后来也转移到乘用车上,因此创建了一种名为Roborace的自动电动赛车比赛形式。由于电动赛车只能储存有限的能量,因此需要一个能量管理策略(EMS)来计算出赛道的时间和最小能量轨迹。同时,在计算比赛轨迹时,必须考虑电动动力系统中的技术限制和部件行为。在本文中,我们提出了一种特殊类型的EMS的概念。这是基于最优控制问题(OCP)的生成时间最小的全局轨迹,通过直接正交配置的转录非线性规划问题(NLPP)解决。我们扩展这个最小圈速的问题,增加我们的想法,一个整体的EMS。这种方法证明了所述想法的基本可行性,例如,由于EMS所涵盖的能量限制而改变跑道和速度。此外,所提出的概念形成的基础上,未来的工作元模型的动力系统的组件,可以被送入OCP,以增加有效性的EMS的控制输出。
2020-05-15 cs.SY eess.SY
Euclidean and non-Euclidean Trajectory Optimization Approaches for Quadrotor Racing
University of California, Berkeley(加州大学伯克利分校)
本文提出两种基于欧几里得与非欧几里得几何的四旋翼竞速线优化方法,采用高保真动力学,避免航路点近似,实现百倍加速并改善收敛,且可处理静态障碍物。
2024-07-16 cs.RO cs.SY eess.SY
A Lie Group-Based Race Car Model for Systematic Trajectory Optimization on 3D Tracks
Università di Pisa(比萨大学)
本文用李群方法导出了赛车模型的动力学方程。李群方法现在对计算动力学家和机器人专家非常熟悉,但它们在车辆动力学界的传播仍然有限。我们试图弥合这一差距,表明该框架融合优雅的铰接体算法(ABA),使一个新的和系统的制定车辆动力学。一个显着的贡献是由ABA的步骤与车辆动力学的显着特征,如道路轮胎的相互作用,空气动力学和负载转移的严格和解。所提出的方法适用于直接仿真模型的定义和所需的车辆动力学方程的系统组装,在等式约束的形式,在数值最优控制问题。我们把我们的方法在后一种情况下,其中涉及的最小圈时间问题(MLTP)的解决方案进行测试。更具体地说,我们的方法系统地为纽博格林赛道上的赛车设置了MLTP。然后用直接配置法离散方程,并在CasADi优化套件中求解。解的质量和计算效率证明了所提出方法的有效性。
2023-02-20 cs.RO cs.SY eess.SY
Optimization-Based Autonomous Racing of 1:43 Scale RC Cars
ETH Zurich(苏黎世联邦理工学院)
本文基于数学优化实现遥控赛车自主赛车,通过动态模型和递推控制策略,结合路径规划和非线性模型预测控制,解决赛道跟踪与对手避让问题,实验验证了优化方法在实时性和性能上的有效性。
2017-11-20 cs.RO cs.SY eess.SY
Spline-Based Minimum-Curvature Trajectory Optimization for Autonomous Racing
Carnegie Mellon University(卡内基梅隆大学)
本文提出一种基于B-spline的最小曲率轨迹优化方法,仅以样条控制点为变量,在自动驾驶赛车动力学数据有限的情况下实现与现有方法相近的最优性,并将变量维度降低90%、计算时间从秒级降至毫秒级。
2023-09-17 cs.RO cs.SY eess.SY
BayesRace: Learning to race autonomously using prior experience
Amazon Web Services(亚马逊云科技);University of Pennsylvania(宾夕法尼亚大学)
自动驾驶赛车需要感知、估计、规划和控制模块,这些模块在车辆操纵能力的极限下行驶时异步地协同工作。在设计这些软件组件时遇到的一个基本挑战在于高精度地预测车辆的未来状态(例如位置、方向和速度)。根本原因是难以识别捕获轮胎横向滑移影响的车辆模型参数。我们提出了一个基于模型的规划和控制框架,自动赛车,大大减少了系统辨识和控制设计所需的努力。我们的方法通过从机载传感器测量中学习,来消除基于仿真的控制器设计所引起的差距。这项工作的一个主要重点是经验,因此,我们通过验证1:43和1:10规模的自主赛车模拟实验来证明我们的贡献。
2020-11-15 cs.LG cs.RO cs.SY
Hacking Predictors Means Hacking Cars: Using Sensitivity Analysis to Identify Trajectory Prediction Vulnerabilities for Autonomous Driving Security
University of California, Berkeley(加利福尼亚大学伯克利分校)
针对自动驾驶轨迹预测器的输入扰动影响及下游安全风险问题,通过敏感性分析发现两类模型的扰动敏感点集中在最新状态,且图像地图扰动可引发预测误差激增,甚至导致车辆突然急停。
2024-05-20 cs.CR cs.LG cs.RO
Guaranteed Safe Reachability-based Trajectory Design for a High-Fidelity Model of an Autonomous Passenger Vehicle
University of Michigan(密歇根大学)
本文提出一种基于可达性的安全轨迹设计方法,应用于具有完整动力总成、底盘和轮胎动力学的高保真自动驾驶乘客车辆模型,证明了该方法在实时环境下生成安全轨迹的能力。
2019-02-06 cs.SY eess.SY
Speed-Adaptive Model-Free Lateral Control for Automated Cars
为了增加智能车辆可以在没有人为干预的情况下运行的情况的数量,需要横向控制来准确地引导其在参考轨迹上行驶,而不管道路的形状或纵向速度如何。一些研究解决了这个问题,调整控制器的低速和高速,包括输出自适应法。在本文中,框架中的无模型控制范式的战略,提出了横向控制车辆在很宽的速度范围。跟踪质量,系统稳定性和乘客舒适性进行了深入的分析和比较类似的控制结构。仿真和实车试验结果表明,该策略能够以较高的精度、安全性和舒适性跟踪大量轨迹。
2022-10-04 cs.SY eess.SY
A Data-Driven Aggressive Autonomous Racing Framework Utilizing Local Trajectory Planning with Velocity Prediction
Zhejiang University(浙江大学)
针对急弯赛道局部轨迹规划速度不佳的问题,提出基于模型预测轮廓控制的速度预测方法(VPMPCC),结合适应赛车的目标函数(OFR)与贝叶斯优化学习最优参数,在仿真中减少42.86%训练迭代,并成功应用于真实F1TENTH车辆,平均投影速度达车辆操控极限的93.18%。
2025-03-06 cs.RO cs.SY eess.SY
Tuning Path Tracking Controllers for Autonomous Cars Using Reinforcement Learning
Instituto Superior Tecnico, University of Lisbon(里斯本大学高等技术学院);Institute for Systems and Robotics(系统与机器人研究所)
提出了一种基于强化学习的自适应路径跟踪控制系统。四参数控制器塑造车辆的行为,以在车道变换和绕行时导航。跟踪器的调整使用受过教育的Q学习算法来最小化横向和转向轨迹误差。CARLA模拟环境用于培训和测试。结果表明,车辆能够适应不同类型的参考轨迹,安全导航,跟踪误差低。在CARLA和跟踪器之间使用ROS桥导致(i)在现实系统中,以及(ii)简化了用真实车辆替换CARLA。基于非光滑系统的稳定性结果的整体架构的可靠性的论点,提出在文件的最后。
2023-01-09 cs.AI cs.SY eess.SY
Sample Efficient Interactive End-to-End Deep Learning for Self-Driving Cars with Selective Multi-Class Safe Dataset Aggregation
Istanbul Technical University(伊斯坦布尔理工大学);AVL Turkey(AVL土耳其公司)
本文的目标是为自动驾驶汽车开发一种样本高效的端到端深度学习方法,我们试图通过对每次调用专家驾驶员策略的仔细分析,增加从样本中提取的信息的价值。端到端模仿学习是一种流行的计算自动驾驶汽车策略的方法。标准方法依赖于收集输入(相机图像)和输出(转向角等)对。并将深度神经网络拟合到该数据以学习驾驶策略。尽管这种方法在过去有一些成功的示范,但是学习一个好的策略可能需要来自专家驱动程序的大量样本,这可能是消耗资源的。在这项工作中,我们开发了一种新的框架的基础上的安全数据集聚合(安全Dagger)的方法,其中当前学习的政策自动分割成不同的轨迹类,该算法识别轨迹段或类的弱性能在每一步。一旦识别出性能较差的轨迹段,采样算法只针对这些轨迹段调用专家策略,提高了收敛速度。仿真结果表明,所提出的方法可以产生显着更好的性能相比,标准的安全Dagger算法,同时使用相同数量的样本从专家。
2020-07-29 cs.CV cs.LG cs.RO
A Fleet of Miniature Cars for Experiments in Cooperative Driving
University of Cambridge(剑桥大学)
本文介绍了一种由16辆微型Ackermann转向车辆组成的独特实验平台,旨在解决多车导航和轨迹规划研究与教育中低成本平台不足的问题,通过实验展示合作驾驶在多车道道路地形中的优势。
2019-02-16 cs.RO cs.SY eess.SY
A Feedback Linearized Model Predictive Control Strategy for Input-Constrained Self-Driving Cars
Concordia University(康科迪亚大学)
本文针对输入受限自动驾驶汽车的轨迹跟踪控制问题,提出双模态模型预测控制方案,经Quanser Qcar实验验证,其计算成本低,跟踪性能优于两种替代控制方案。
2026-09-03 cs.SY eess.SY math.OC
Biasing the Driving Style of an Artificial Race Driver for Online Time-Optimal Maneuver Planning
Department of Industrial Engineering, University of Trento(工业工程系,特伦托大学);Department of Electrical and Information Engineering, Politecnico di Bari(电气与信息工程系,巴里理工学院);Professorship of Autonomous Vehicle Systems, Technical University of Munich(自主车辆系统教授职位,慕尼黑技术大学)
本文提出一种基于非线性MPC的新终端成本方法,使人工赛车手能实时偏置驾驶风格(早/晚顶点),实现接近离线最优且快于在线最小时间MPC的圈速。
2025-04-17 cs.RO cs.SY eess.SY
Learning How to Autonomously Race a Car: a Predictive Control Approach
本文提出一种用于自动驾驶赛车的学习模型预测控制器(LMPC),通过存储轨迹和输入序列迭代更新控制器,降低了计算负担,并结合系统辨识策略构建预测模型,在BARC平台上验证了有效性。
2019-10-29 cs.SY eess.SY math.OC
Online Verification Concept for Autonomous Vehicles -- Illustrative Study for a Trajectory Planning Module
自动驾驶汽车面临频繁的功能更新和复杂的软件堆栈(包括人工智能),其监管审批和安全保障是一个具有挑战性的话题。本文提出了一个概念和指导方针,开发一个在线核查模块-监督员-能够处理上述挑战。为建立监督员而提出的概念旨在识别和监测有助于安全操作的广泛功能列表。结果,实现了安全的整体(子)系统。保护自主赛车的运动规划器是用来说明的程序和实用性的框架在手。所提出的方法的能力进行了评估,在一个基于EQUIPO的测试环境和全尺寸的车辆数据。
2020-05-15 cs.SY eess.SY
Race Driver Evaluation at a Driving Simulator using a physical Model and a Machine Learning Approach
Graf Engineering(格拉夫工程公司);Technical University of Graz(格拉茨技术大学);University of Salzburg(萨尔茨堡大学)
专业赛车手在控制车辆达到其动态极限方面仍然优于自动化系统。深入了解赛车手的车辆处理过程可能会导致自动驾驶系统领域的进一步发展。提出了一种在驾驶员在环模拟器上通过分析轮胎抓地力潜力开发来研究和评价赛车手的方法。给定来自模拟器运行的初始数据,基于物理模型的两个优化器分别最大化水平车辆加速度或轮胎力。引入了驾驶员综合性能评分、车辆轨迹评分和操纵性评分来评价驾驶员。因此,我们的方法是完全独立的轨道,可以使用从一个单一的角落,一个大的数据集。我们将所提出的方法应用于赛车运动的数据集,包含超过1200圈,从七个专业赛车手和两个业余车手的单圈时间是10-20%慢。与职业司机的分别,主要是在于他们的操控技术较差,而不是他们选择的驾驶路线。所提出的方法对于某些应用的缺点是大量的计算时间。因此,我们提出了一种长短期记忆(LSTM)神经网络来估计驾驶员评价分数。我们表明,神经网络是准确的和强大的均方根误差在2-5%之间,可以取代基于优化的方法。在这项工作中考虑的数据集的处理时间从68小时减少到12秒,使得神经网络适合于实时应用。
2022-01-27 cs.LG cs.SY eess.SY
Composite Nonlinear Trajectory Tracking Control of Co-Driving Vehicles Using Self-Triggered Adaptive Dynamic Programming
在人机共享转向框架下提出基于自触发ADP的CNF控制方法,通过2-DOF模型与动态权限分配策略,实现优化瞬态性能、节省计算资源并降低对系统动力学依赖的轨迹跟踪控制,经仿真验证有效。
2025-03-05 cs.SY eess.SY
Optimization-based motion primitive automata for autonomous driving
Saarland University(萨尔兰大学);RWTH Aachen University(亚琛工业大学)
针对自动驾驶多目标最优轨迹规划问题,提出由 Pareto 最优运动基元构建、可按准则优先级约简与重构的通用自动机,并通过仿真和实验室多车场景验证。
2024-01-25 cs.RO cs.SY eess.SY
A Tricycle Model to Accurately Control an Autonomous Racecar with Locked Differential
University of Modena and Reggio Emilia(摩德纳与雷焦艾米利亚大学);University of Parma(帕尔马大学);Hipert srl(海珀特有限公司);ETH Zurich(苏黎世联邦理工学院)
本研究提出带锁止差速器自主赛车的新型三轮车动力学模型,结合微步离散化的模型预测控制器等方案,经实车与仿真验证提升了接近轮胎极限时的横向路径跟踪精度。
2023-12-22 cs.AI cs.RO cs.SY
DDK: A Deep Koopman Approach for Dynamics Modeling and Trajectory Tracking of Autonomous Vehicles
本文提出深度直接库普曼方法DDK,将自动驾驶车辆非线性动力学辨识为可解释的线性时不变模型,并结合MPC实现高精度轨迹跟踪。
2021-10-27 cs.SY eess.SY
A Gaussian Process Model for Opponent Prediction in Autonomous Racing
University of California, Berkeley(加州大学伯克利分校)
在头对头赛车中,需要对方目标车辆(TV)的交互行为的精确模型来执行严格约束但高度奖励的机动动作,例如超车。然而,这样的信息通常是不提供竞争的情况下,因此,我们建议构建一个预测和不确定性模型,从以前的比赛的电视数据。具体而言,在闭环交互数据上训练一步高斯过程(GP)模型,以学习由未知策略驱动的TV的行为。标称轨迹的预测和相关的不确定性经由基于采样的方法推出,并且在自我车辆的模型预测控制(MPC)策略中使用,以便在尝试对TV进行超车操纵时智能地在安全性和性能之间进行权衡。我们证明了基于GP的预测器在闭环与MPC政策在模拟比赛中,并比较其性能对几个预测文献。在蒙特卡洛研究中,我们观察到基于GP的预测器在多3倍的比赛中实现了相似的胜率,同时保持了安全性。最后,我们展示了预测和控制框架的实时在1/10的规模赛车平台上运行的速度约为2.8米/秒的实验研究,并显示出显着的改善水平时,使用基于GP的预测器在基线MPC预测。硬件实验的视频可以在https://youtu.be/KMSs4ofDfIs上找到。
2023-03-01 cs.RO cs.SY eess.SY
A Parameter Adaptive Trajectory Tracking and Motion Control Framework for Autonomous Vehicle
School of Vehicle and Mobility, Tsinghua University(清华大学车辆与 Mobility学院)
针对自动驾驶车辆的轨迹跟踪与运动控制问题,提出参数自适应控制框架,结合LQR、三种鲁棒控制器及RLS算法识别参数,通过GPR与贝叶斯优化确定鲁棒因子边界,提升跟踪精度、横摆稳定性与鲁棒性能。
2024-11-25 cs.RO cs.SY eess.SY
Outracing Human Racers with Model-based Planning and Control for Time-trial Racing
University of California Berkeley(加州大学伯克利分校);École polytechnique fédérale de Lausanne (EPFL)(洛桑联邦理工学院)
本研究利用高保真模拟器GTS,通过改进基于模型的离线轨迹规划与MPC在线跟踪控制框架,使自动驾驶赛车圈速达到人类专家前0.95%水平,并通过消融实验验证了各模块的必要性。
2023-10-25 cs.RO cs.SY eess.SY
On Infusing Reachability-Based Safety Assurance within Planning Frameworks for Human-Robot Vehicle Interactions
Stanford University(斯坦福大学);Simon Fraser University(西蒙弗雷泽大学)
行动预期、意图预测和主动行为都是交互式场景中自动驾驶策略的理想特征。然而,最重要的是确保道路安全--这样做的一个关键挑战是在不过度影响规划者表现的情况下考虑人类驾驶员行为的不确定性。本文介绍了一种在自主车辆控制栈内操作的最小干预安全控制器,其作用是确保与外部控制的(例如,人驱动的)对应物,同时考虑诸如道路边界墙的静态障碍物。我们利用可达性分析来构建一个实时(100 Hz)控制器,该控制器具有双重作用:(i)使用模型预测控制从更高级别的规划算法跟踪输入轨迹,以及(ii)通过保持无碰撞逃逸机动的可用性作为持久约束来确保安全性,而不管其他汽车未来采取什么行动。一个全尺寸的线控转向平台用于进行交通交织实验,其中两辆车,最初并排,必须在有限的时间和距离内交换车道,模拟汽车合并到/关闭高速公路。我们证明,通过我们的控制堆栈,自动驾驶汽车能够避免碰撞,即使另一辆车违背规划者的期望并采取危险行动,无论是不小心还是有意碰撞,否则偏离计划轨迹的程度最小,以保持安全。
2020-12-06 cs.RO cs.SY eess.SY
AlphaPilot: Autonomous Drone Racing
University of Zurich(苏黎世大学);ETH Zurich(苏黎世联邦理工学院)
本文提出了一种新的系统,自主的,基于视觉的无人机比赛相结合的学习数据抽象,非线性滤波,和时间最优轨迹规划。该系统已成功部署在第一届自动无人机竞速世界锦标赛:2019年AlphaPilot挑战赛。与传统的无人机竞赛系统(仅检测下一个门)相反,我们的方法利用任何可见的门,并利用多个同时的门检测来补偿状态估计的漂移,并构建门的全局地图。全局地图和漂移补偿的状态估计允许无人机即使在门不是立即可见的情况下也导航通过比赛跑道,并且还使得能够基于近似的无人机动态实时的规划通过比赛跑道的接近时间最优的路径。该系统已被证明可以成功引导无人机通过紧凑的赛道,速度高达8米/秒,并在2019年AlphaPilot挑战赛中排名第二。
2021-08-20 cs.CV cs.RO cs.SY
On Infusing Reachability-Based Safety Assurance within Probabilistic Planning Frameworks for Human-Robot Vehicle Interactions
Department of Aeronautics and Astronautics(航空与航天系);Department of Mechanical Engineering(机械工程系);School of Computing Science(计算科学学院)
本文提出一种最小干预的安全控制器,用于确保自动驾驶车辆与外部控制车辆的碰撞自由交互,通过实时控制器实现轨迹跟踪和安全保证,展示了在交通交织实验中自动驾驶车辆在对手车辆违反规划预期时仍能避免碰撞。
2018-12-29 cs.RO cs.SY eess.SY
Path Planning and Motion Control for Accurate Positioning of Car-like Robots
本文针对类汽车机器人精确定位问题,提出结合RRT与连续曲率转向的规划器和NMPC跟踪控制方案,推导无尖点回旋曲线路径的存在条件与计算方法,并通过仿真验证其优于Reeds-Shepp参考轨迹。
2024-06-09 cs.RO cs.SY eess.SY
Optimization-Based Hierarchical Motion Planning for Autonomous Racing
ETH Zurich(苏黎世联邦理工学院)
在本文中,我们提出了一个分层控制器的自主赛车中使用相同的车辆模型在两个层次的优化框架运动规划。高级控制器计算使单圈时间最小化的轨迹,并且低级非线性模型预测路径跟随控制器在线跟踪所计算的轨迹。遵循计算出的最佳轨迹避免了在线规划,并实现了快速计算时间。通过在高级控制器中计算的终端约束,通过两个级别的耦合进一步提高了效率。在实时优化级别中包括该约束确保了预测范围可以缩短,同时保证了安全性。这对于在全尺寸无人驾驶赛车上进行实验验证至关重要。有问题的车辆赢得了两个国际学生赛车比赛,使用所提出的框架,此外,我们的分层控制器实现了20%的改进,在圈速相比,使用非常相似的汽车和轨道实现的最先进的结果。
2020-03-11 cs.RO cs.SY eess.SY
Perfecting Periodic Trajectory Tracking: Model Predictive Control with a Periodic Observer ($Π$-MPC)
Stanford University(斯坦福大学);ETH Zürich(苏黎世联邦理工学院)
本文提出Π-MPC方法,通过周期观测器估计并补偿周期性扰动,与跟踪MPC结合实现渐近零误差跟踪,并在高维软体机器人和自动驾驶赛车实验中验证了其有效性。
2024-08-30 cs.RO cs.SY eess.SY
A Non-Cooperative Game Approach to Autonomous Racing
本文提出了一种非合作非零和博弈方法来解决自动驾驶赛车决策问题,通过设计三种不同的博弈模型,考虑静态赛道约束和车辆间碰撞避免,探讨了博弈策略对赛车行为建模的影响。
2019-01-10 cs.RO cs.SY eess.SY