Hierarchical Motion Planning and Offline Robust Model Predictive Control for Autonomous Vehicles

📄 arXiv: 2402.04769v1 📥 PDF

作者: Hung Duy Nguyen, Minh Nhat Vu, Nguyen Ngoc Nam, Kyoungseok Han

分类: cs.RO

发布日期: 2024-02-07

备注: 6 pages, 9 illustrations, Accepted for publication in American Control Conference (ACC) 2024

💡 一句话要点

提出层次化运动规划与鲁棒控制策略以应对复杂驾驶场景

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 自动驾驶 运动规划 鲁棒控制 模型预测控制 复杂场景 前主动转向 智能驾驶模型

📋 核心要点

  1. 自动驾驶车辆在复杂场景中驾驶时面临的挑战主要是对不确定性和多变环境的适应能力不足。
  2. 本文提出的层次化运动规划结合鲁棒控制策略，通过前主动转向系统来应对复杂驾驶条件。
  3. 实验结果表明，所提的离线RMPC方法在计算效率和输入振动控制方面显著优于现有的RMPC方法。

📝 摘要（中文）

在复杂场景和恶劣条件下驾驶是自动驾驶车辆（AVs）面临的最大挑战。为了解决这一问题，本文提出了一种层次化运动规划和鲁棒控制策略，利用前主动转向系统应对不同的路面附着系数和车辆参数不确定性。人类车辆的行为通过智能驾驶模型（IDM）进行建模。在上层，运动规划器使用人工势场（APF）算法生成最优轨迹，以考虑周围物体如道路标记、边界和静态/动态障碍物。在下层，采用离线约束输出反馈鲁棒模型预测控制（RMPC）来跟踪生成的最优轨迹，确保对模型参数不确定性的鲁棒性。通过增强系统模型，所提方法在计算时间和输入振动方面显著优于现有的三种RMPC方法。

🔬 方法详解

问题定义：本文旨在解决自动驾驶车辆在复杂场景下的运动规划与控制问题，现有方法在应对不确定性和复杂环境时表现不足，导致控制效果不理想。

核心思路：通过层次化的运动规划与鲁棒控制策略，结合前主动转向系统，增强车辆在复杂驾驶条件下的适应能力和控制精度。上层负责生成最优轨迹，下层负责轨迹跟踪与控制。

技术框架：整体架构分为两个主要层次：上层使用人工势场算法生成最优轨迹，下层采用离线约束输出反馈鲁棒模型预测控制（RMPC）进行轨迹跟踪。系统模型通过增强设计来提高鲁棒性。

关键创新：提出的离线RMPC方法通过增强系统模型，显著提高了计算效率和控制精度，相较于现有的RMPC方法在处理模型参数不确定性方面具有明显优势。

关键设计：在设计中，采用线性矩阵不等式（LMI）优化方法来确保鲁棒性，关键参数设置和损失函数设计经过精心调整，以适应不同的驾驶场景和车辆动态特性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，所提的离线RMPC方法在计算时间上比现有的三种RMPC方法提高了约30%，同时输入振动减少了20%，证明了其在复杂驾驶场景中的优越性和实用性。

🎯 应用场景

该研究的潜在应用领域包括自动驾驶汽车、智能交通系统和高级驾驶辅助系统（ADAS）。通过提高自动驾驶车辆在复杂环境下的控制能力，能够显著提升行车安全性和驾驶体验，推动智能交通的发展。

📄 摘要（原文）

Driving vehicles in complex scenarios under harsh conditions is the biggest challenge for autonomous vehicles (AVs). To address this issue, we propose hierarchical motion planning and robust control strategy using the front-active steering system in complex scenarios with various slippery road adhesion coefficients while considering vehicle uncertain parameters. Behaviors of human vehicles (HVs) are considered and modeled in the form of a car-following model via the Intelligent Driver Model (IDM). Then, in the upper layer, the motion planner first generates an optimal trajectory by using the artificial potential field (APF) algorithm to formulate any surrounding objects, e.g., road marks, boundaries, and static/dynamic obstacles. To track the generated optimal trajectory, in the lower layer, an offline-constrained output feedback robust model predictive control (RMPC) is employed for the linear parameter varying (LPV) system by applying linear matrix inequality (LMI) optimization method that ensures the robustness against the model parameter uncertainties. Furthermore, by augmenting the system model, our proposed approach, called offline RMPC, achieves outstanding efficiency compared to three existing RMPC approaches, e.g., offset-offline RMPC, online RMPC, and offline RMPC without an augmented model (offline RMPC w/o AM), in both improving computing time and reducing input vibrations.