ASAP-MPC: An Asynchronous Update Scheme for Online Motion Planning with Nonlinear Model Predictive Control

📄 arXiv: 2402.06263v2 📥 PDF

作者: Dries Dirckx, Mathias Bos, Bastiaan Vandewal, Lander Vanroye, Wilm Decré, Jan Swevers

分类: cs.RO, math.OC

发布日期: 2024-02-09 (更新: 2024-03-13)

备注: This work has been submitted to the IEEE for possible publication

💡 一句话要点

提出ASAP-MPC以解决非线性模型预测控制中的实时运动规划问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 非线性模型预测控制 运动规划 异步更新 鲁棒控制 机电系统

📋 核心要点

  1. 现有的NMPC方法在求解时间上存在不足，难以满足实时运动规划的需求。
  2. ASAP-MPC通过异步更新方案解决了求解时间的变化问题，确保实时执行和轨迹的平滑性。
  3. 在硬件在环仿真和结构化实验室环境中，ASAP-MPC在复杂环境下的表现超越了现有方法。

📝 摘要（中文）

本文提出了一种针对机电运动系统（如无人机和移动平台）的非线性模型预测控制（NMPC）方案。NMPC的运动规划通常需要较低的计算时间，以便在系统稳定性、干扰抑制和整体性能方面提供所需的控制输入。尽管文献中存在多种减少NMPC求解时间的方法，但这些时间可能仍不足以支持实时实现。本文提出的ASAP-MPC采用异步更新方案，能够处理变化且有时限制性较大的求解时间，始终允许完全收敛和实时执行。该NMPC算法与线性状态反馈控制器相结合，以跟踪优化轨迹，从而提高对可能干扰和模型不匹配的鲁棒性。ASAP-MPC无缝合并后续NMPC解决方案产生的轨迹，为运动系统提供平滑连续的整体轨迹。通过两个不同的实验设置展示了该框架在嵌入式应用中的适用性。

🔬 方法详解

问题定义：本文旨在解决非线性模型预测控制（NMPC）在实时运动规划中面临的求解时间过长的问题。现有方法在处理复杂环境时，往往无法满足实时性要求，导致控制性能下降。

核心思路：ASAP-MPC的核心思想是采用异步更新机制，允许在求解时间变化的情况下，仍能实现实时控制和轨迹优化。通过这种设计，系统能够在不同的计算条件下保持稳定性和性能。

技术框架：ASAP-MPC的整体架构包括NMPC算法与线性状态反馈控制器的结合。NMPC负责生成优化轨迹，而线性控制器则跟踪这些轨迹，增强系统的鲁棒性。该框架还实现了轨迹的无缝合并，确保运动系统的平滑运行。

关键创新：ASAP-MPC的主要创新在于其异步更新方案，能够有效处理求解时间的变化，确保实时性和轨迹的连续性。这一方法与传统的NMPC方法相比，显著提高了在复杂环境中的适应能力。

关键设计：在设计中，ASAP-MPC采用了动态调整的控制参数，以适应不同的环境条件。此外，损失函数的设置也考虑了轨迹的平滑性和系统的鲁棒性，确保在多种情况下的有效性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，ASAP-MPC在复杂环境中的表现优于现有的最先进方法。在硬件在环仿真中，ASAP-MPC成功实现了平稳飞行，且在结构化实验室环境中，模型卡车拖车的操控精度显著提升，验证了其在实时控制中的有效性。

🎯 应用场景

该研究的潜在应用领域包括无人机飞行、自动驾驶车辆以及其他需要实时运动规划的机电系统。ASAP-MPC的设计使其能够在复杂和动态环境中有效运行，具有广泛的实际价值和未来影响，尤其是在智能交通和机器人领域。

📄 摘要（原文）

This paper presents a Nonlinear Model Predictive Control (NMPC) scheme targeted at motion planning for mechatronic motion systems, such as drones and mobile platforms. NMPC-based motion planning typically requires low computation times to be able to provide control inputs at the required rate for system stability, disturbance rejection, and overall performance. Although there exist various ways in literature to reduce the solution times in NMPC, such times may not be low enough to allow real-time implementations. This paper presents ASAP-MPC, an approach to handle varying, sometimes restrictively large, solution times with an asynchronous update scheme, always allowing for full convergence and real-time execution. The NMPC algorithm is combined with a linear state feedback controller tracking the optimised trajectories for improved robustness against possible disturbances and plant-model mismatch. ASAP-MPC seamlessly merges trajectories, resulting from subsequent NMPC solutions, providing a smooth and continuous overall trajectory for the motion system. This frameworks applicability to embedded applications is shown on two different experiment setups where a state-of-the-art method fails: a quadcopter flying through a cluttered environment in hardware-in-the-loop simulation and a scale model truck-trailer manoeuvring in a structured lab environment.