Set-Theoretic Receding Horizon Control for Obstacle Avoidance and Overtaking in Autonomous Highway Driving
作者: Gianni Cario, Valentino Carriuolo, Alessandro Casavola, Gianfranco Gagliardi, Marco Lupia, Franco Angelo Torchiaro
分类: eess.SY
发布日期: 2026-04-02
💡 一句话要点
提出基于集合论递推域控制的快速MPC方法，解决高速公路自动驾驶中的避障和超车问题。
🎯 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 集合论 避障 超车 实时控制 车辆动力学 CARLA仿真
📋 核心要点
- 现有数值优化方法在自动驾驶避障运动规划中计算开销大，难以满足实时性要求。
- 提出一种基于集合论的快速模型预测控制（Fast-MPC）方法，利用椭球近似来降低计算复杂度。
- 在CARLA仿真环境中，与非线性MPC相比，该方法在避障和超车场景中将在线计算时间减少了90%以上。
📝 摘要（中文）
本文提出了一种用于自动驾驶车辆避障运动规划的方法，特别关注高速公路超车场景。控制设计的挑战在于需要考虑车辆的横向和纵向动力学模型。与现有计算开销大的数值优化方法不同，本文扩展了现有技术，利用快速集合论椭球模型预测控制（Fast-MPC）技术。该技术最初仅限于稳定任务，但本文成功地将其应用于车辆的运动规划，车辆被建模为不确定的多胞型离散时间线性系统。通过在递推域框架内，针对精确的单步超前可控集的结构化嵌套内椭球近似序列进行集合隶属度评估，从而在线计算控制动作。使用六自由度（6-DOF）非线性模型来表征车辆动力学，并使用多胞型嵌入在具有参数不确定性的线性框架内近似非线性。最后，为了评估性能和实时可行性，进行了与基线非线性MPC（NLMPC）的对比协同仿真。使用高保真CARLA 3D仿真器，结果表明，与标准基于优化的方法相比，所提出的方法能够无缝抑制动态交通干扰，同时将在线计算时间减少90％以上。
🔬 方法详解
问题定义：论文旨在解决自动驾驶车辆在高速公路场景下的避障和超车运动规划问题。现有基于数值优化的模型预测控制（MPC）方法，虽然能够处理复杂的车辆动力学和约束，但在线计算量巨大，难以满足实时性要求，尤其是在动态交通环境中。
核心思路：论文的核心思路是利用集合论方法，特别是椭球集合近似，来简化模型预测控制的计算。通过将车辆状态和约束表示为椭球集合，并将控制问题转化为集合隶属度判断，可以避免复杂的数值优化过程，从而显著降低计算复杂度。
技术框架：整体框架包括以下几个主要步骤：1) 车辆动力学建模：使用六自由度（6-DOF）非线性模型描述车辆运动；2) 线性化与不确定性建模：通过多胞型嵌入将非线性模型近似为具有参数不确定性的线性系统；3) 集合论MPC设计：基于线性系统和椭球集合，设计快速MPC控制器，通过递推域控制策略，在线计算控制动作；4) 仿真验证：在CARLA仿真环境中，与非线性MPC进行对比，评估算法性能。
关键创新：最重要的技术创新点在于将集合论方法与模型预测控制相结合，提出了一种快速的MPC算法。与传统的数值优化方法相比，该方法避免了复杂的优化迭代过程，而是通过集合隶属度判断来确定控制动作，从而显著降低了计算复杂度，提高了实时性。
关键设计：关键设计包括：1) 使用椭球集合来近似车辆状态和约束；2) 设计嵌套的椭球近似序列，用于表示单步超前可控集；3) 基于集合隶属度判断，设计控制律，确保车辆状态始终位于可控集内；4) 通过调整椭球的大小和形状，平衡控制性能和计算复杂度。
🖼️ 关键图片
📊 实验亮点
实验结果表明，所提出的基于集合论的快速MPC方法能够有效地解决高速公路自动驾驶中的避障和超车问题。在高保真CARLA 3D仿真环境中，与基线非线性MPC（NLMPC）相比，该方法在保证控制性能的同时，将在线计算时间减少了90%以上，显著提升了算法的实时性。
🎯 应用场景
该研究成果可应用于自动驾驶车辆的运动规划与控制系统，尤其适用于对实时性要求较高的场景，如高速公路自动驾驶、城市道路自动驾驶等。通过降低计算复杂度，该方法有望在嵌入式平台上实现，从而推动自动驾驶技术的实际应用。此外，该方法也可扩展到其他机器人领域，如无人机、无人船等。
📄 摘要（原文）
This article addresses obstacle avoidance motion planning for autonomous vehicles, specifically focusing on highway overtaking maneuvers. The control design challenge is handled by considering a mathematical vehicle model that captures both lateral and longitudinal dynamics. Unlike existing numerical optimization methods that suffer from significant online computational overhead, this work extends the state-of-the-art by leveraging a fast set-theoretic ellipsoidal Model Predictive Control (Fast-MPC) technique. While originally restricted to stabilization tasks, the proposed framework is successfully adapted to handle motion planning for vehicles modeled as uncertain polytopic discrete-time linear systems. The control action is computed online via a set-membership evaluation against a structured sequence of nested inner ellipsoidal approximations of the exact one-step ahead controllable set within a receding horizon framework. A six-degrees-of-freedom (6-DOF) nonlinear model characterizes the vehicle dynamics, while a polytopic embedding approximates the nonlinearities within a linear framework with parameter uncertainties. Finally, to assess performance and real-time feasibility, comparative co-simulations against a baseline Non-Linear MPC (NLMPC) were conducted. Using the high-fidelity CARLA 3D simulator, results demonstrate that the proposed approach seamlessly rejects dynamic traffic disturbances while reducing online computational time by over 90% compared to standard optimization-based approaches.