Real-time MPC with Control Barrier Functions for Autonomous Driving using Safety Enhanced Collocation

📄 arXiv: 2401.06648v2 📥 PDF

作者: Jean Pierre Allamaa, Panagiotis Patrinos, Toshiyuki Ohtsuka, Tong Duy Son

分类: eess.SY, math.OC

发布日期: 2024-01-12 (更新: 2024-07-11)

备注: 2024 the authors. This work has been accepted to IFAC for publication under a Creative Commons Licence CC-BY-NC-ND

💡 一句话要点

提出实时NMPC与控制障碍函数以解决自动驾驶安全问题

🎯 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 控制障碍函数 自动驾驶 实时控制 安全约束 数字双胞胎 优化算法

📋 核心要点

  1. 现有的NMPC方法在处理安全约束时缺乏可扩展性，并且计算复杂度高，限制了其在自动驾驶中的应用。
  2. 本文提出了一种实时NMPC方法，结合控制障碍函数和RESAFE/COL协同转录技术，以减少优化变量并确保约束满足。
  3. 通过在数字双胞胎上进行验证，所提方法在碰撞避免方面实现了91%的提升，显示出显著的安全性改进。

📝 摘要（中文）

自动驾驶行业面临安全关键场景的挑战，非线性模型预测控制（NMPC）是一种有效的控制策略。然而，标准的安全约束不具备可扩展性，并且需要较长的NMPC预测时间。此外，NMPC在汽车行业的应用受到数值优化计算量大的限制。为了解决这些问题，本文提出了一种适用于城市环境的实时NMPC，结合控制障碍函数（CBFs）和一种新颖的名为RESAFE/COL的协同转录方法，减少优化变量数量，同时保证连续时间非线性不等式约束的满足。RESAFE/COL的计算速度比多重发射快5倍，且在嵌入式硬件上更具可行性，性能、准确性和安全性均未降低。通过数字双胞胎验证，我们的NMPC-CBF在避免碰撞方面提升了91%。

🔬 方法详解

问题定义：本文旨在解决自动驾驶中安全关键场景下的控制问题，现有NMPC方法在处理安全约束时存在可扩展性不足和计算复杂度高的痛点。

核心思路：论文提出了一种实时NMPC方法，利用控制障碍函数（CBFs）和RESAFE/COL协同转录技术，旨在减少优化变量数量，同时确保连续时间非线性不等式约束的满足。

技术框架：整体架构包括NMPC控制器设计、控制障碍函数的应用以及RESAFE/COL的实现。主要阶段包括模型建立、约束定义、优化求解和控制指令生成。

关键创新：RESAFE/COL方法是本文的核心创新，其通过区域凸包近似来减少优化变量数量，显著提高了计算效率，且在性能和安全性上未出现下降。

关键设计：在设计中，优化变量的选择和约束的定义是关键，损失函数的设置确保了控制性能与安全性的平衡，同时采用了适合嵌入式硬件的计算策略。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，所提出的NMPC-CBF方法在数字双胞胎环境中实现了91%的碰撞避免提升，相较于传统方法，计算速度提高了5倍，且在嵌入式硬件上表现出更好的可行性，确保了性能和安全性。

🎯 应用场景

该研究的潜在应用领域包括城市自动驾驶、智能交通系统及其他需要高安全性的自动化控制场景。通过提高碰撞避免能力，能够显著提升自动驾驶系统的安全性和可靠性，具有重要的实际价值和未来影响。

📄 摘要（原文）

The autonomous driving industry is continuously dealing with safety-critical scenarios, and nonlinear model predictive control (NMPC) is a powerful control strategy for handling such situations. However, standard safety constraints are not scalable and require a long NMPC horizon. Moreover, the adoption of NMPC in the automotive industry is limited by the heavy computation of numerical optimization routines. To address those issues, this paper presents a real-time capable NMPC for automated driving in urban environments, using control barrier functions (CBFs). Furthermore, the designed NMPC is based on a novel collocation transcription approach, named RESAFE/COL, that allows to reduce the number of optimization variables while still guaranteeing the continuous time (nonlinear) inequality constraints satisfaction, through regional convex hull approximation. RESAFE/COL is proven to be 5 times faster than multiple shooting and more tractable for embedded hardware without a decrease in the performance, nor accuracy and safety of the numerical solution. We validate our NMPC-CBF with RESAFE/COL on digital twins of the vehicle and the urban environment and show the safe controller's ability to improve crash avoidance by 91\%. Supplementary visual material can be found at https://youtu.be/_EnbfYwljp4.