Development of a Testbed for Autonomous Vehicles: Integrating MPC Control with Monocular Camera Lane Detection

📄 arXiv: 2511.19655v2 📥 PDF

作者: Shantanu Rahman, Nayeb Hasin, Mainul Islam, Golam Sarowar

分类: cs.RO

发布日期: 2025-11-24 (更新: 2025-11-26)

备注: 49 pages, 23 figures

💡 一句话要点

提出基于单目视觉车道线检测与MPC控制的自动驾驶车辆测试平台

🎯 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 单目视觉 车道线检测 ROS Gazebo 轨迹跟踪 车辆动力学模型

📋 核心要点

  1. 现有自动驾驶车辆的低级控制器在复杂环境下的轨迹跟踪精度和稳定性面临挑战。
  2. 论文提出结合单目视觉车道线检测与模型预测控制（MPC）的方案，提升轨迹跟踪性能。
  3. 实验结果表明，所提出的控制器在仿真环境中使轨迹跟踪均方根误差降低了27.65%。

📝 摘要（中文）

本文提出了一种用于自动驾驶车辆的测试平台，重点关注道路环境下的自主行驶，并通过实验分析了低级控制器在仿真和真实环境中的影响。为了提高自动驾驶车辆轨迹跟踪的精度和稳定性，提出了一种结合车道线识别与模型预测控制（MPC）的新方法。该研究使用配备摄像头的自动驾驶车辆，并采用边缘识别、基于滑动窗口的直线识别等方法进行车道线提取，以及动态感兴趣区域（ROI）提取。然后，构建基于自行车车辆动力学模型的MPC来跟踪识别的车道线。使用ROS Gazebo构建单车道道路仿真模型进行测试，验证了控制器的性能。仿真结果表明，最优跟踪轨迹与目标轨迹之间的均方根误差降低了27.65%，证明了所开发控制器的高鲁棒性和灵活性。

🔬 方法详解

问题定义：论文旨在解决自动驾驶车辆在道路环境中精确跟踪车道线的问题。现有方法在复杂场景下，例如光照变化、阴影遮挡等，车道线检测的准确性和鲁棒性不足，导致车辆轨迹跟踪性能下降。此外，传统的PID控制等方法难以应对车辆动力学模型的非线性特性和约束条件，限制了控制精度和稳定性。

核心思路：论文的核心思路是将单目视觉车道线检测与模型预测控制（MPC）相结合。首先，利用单目摄像头获取道路图像，通过图像处理算法提取车道线信息。然后，基于车辆动力学模型构建MPC控制器，利用预测模型预测车辆未来状态，并通过优化算法求解最优控制量，实现精确的车道线跟踪。这种方法可以充分利用视觉信息和车辆动力学模型，提高控制精度和鲁棒性。

技术框架：整体框架包括以下几个主要模块：1) 图像采集模块：使用单目摄像头获取道路图像。2) 车道线检测模块：采用边缘识别、滑动窗口等算法提取车道线信息，并利用动态ROI提取技术提高检测效率。3) 模型预测控制模块：基于自行车车辆动力学模型构建MPC控制器，包括状态空间方程、预测模型、目标函数和约束条件。4) 控制执行模块：将MPC控制器输出的最优控制量传递给车辆的转向和速度控制系统，实现车辆的自主行驶。

关键创新：论文的关键创新在于将单目视觉车道线检测与MPC控制相结合，并针对自动驾驶车辆的特点进行了优化设计。与传统的基于规则或PID控制的车道线跟踪方法相比，该方法能够更好地应对车辆动力学模型的非线性特性和约束条件，提高控制精度和稳定性。此外，论文还采用了动态ROI提取技术，提高了车道线检测的效率。

关键设计：在车道线检测模块中，采用了基于滑动窗口的直线拟合方法，并根据车辆的运动状态动态调整ROI的大小和位置。在MPC控制器设计中，采用了二次规划（QP）求解器求解最优控制量，并设置了合理的权重系数和约束条件，以保证控制器的性能和稳定性。目标函数通常包含跟踪误差和控制输入的惩罚项，约束条件包括车辆的速度、转向角等物理限制。

📊 实验亮点

实验结果表明，所提出的控制器在ROS Gazebo仿真环境中，能够有效地跟踪目标车道线。与未采用MPC控制的基线方法相比，最优跟踪轨迹与目标轨迹之间的均方根误差降低了27.65%，验证了所开发控制器的高鲁棒性和灵活性。这些结果表明，该方法在提高自动驾驶车辆的轨迹跟踪性能方面具有显著优势。

🎯 应用场景

该研究成果可应用于各种自动驾驶车辆，包括乘用车、物流车、农业车辆和军用车辆等。通过提高自动驾驶车辆的轨迹跟踪精度和稳定性，可以提升行驶安全性、降低能源消耗、提高运输效率。此外，该研究方法还可以扩展到其他类型的道路场景，例如城市道路、高速公路等，具有广泛的应用前景。

📄 摘要（原文）

Autonomous vehicles are becoming popular day by day not only for autonomous road traversal but also for industrial automation, farming and military. Most of the standard vehicles follow the Ackermann style steering mechanism. This has become to de facto standard for large and long faring vehicles. The local planner of an autonomous vehicle controls the low-level vehicle movement upon which the vehicle will perform its motor actuation. In our work, we focus on autonomous vehicles in road and perform experiments to analyze the effect of low-level controllers in the simulation and a real environment. To increase the precision and stability of trajectory tracking in autonomous cars, a novel method that combines lane identification with Model Predictive Control (MPC) is presented. The research focuses on camera-equipped autonomous vehicles and uses methods like edge recognition, sliding window-based straight-line identification for lane line extraction, and dynamic region of interest (ROI) extraction. Next, to follow the identified lane line, an MPC built on a bicycle vehicle dynamics model is created. A single-lane road simulation model is built using ROS Gazebo and tested in order to verify the controller's performance. The root mean square error between the optimal tracking trajectory and the target trajectory was reduced by 27.65% in the simulation results, demonstrating the high robustness and flexibility of the developed controller.