A Learning-Based Model Predictive Contouring Control for Vehicle Evasive Manoeuvres

要約

この論文では、ハンドリング限界での回避操作のための新しい学習ベースのモデル予測輪郭制御 (L-MPCC) アルゴリズムを紹介します。
このアルゴリズムは Student-t プロセス (STP) を使用して、オンラインでモデルの不一致と不確実性を最小限に抑えます。
提案された STP は、予測モデルと測定されたタイヤの横力およびヨー レートの間の不一致を捕捉します。
不一致は、精度を向上させるために予測モデルに提供される事後平均に対応します。
同時に、事後共分散が予測範囲に沿って車両の横速度とヨー レートに伝播されます。
STP 事後共分散は観測データの分散に直接依存するため、オンライン測定値がトレーニング セット内の記録された測定値と異なる場合にはその分散はより大きくなり、その逆の場合にはより小さくなります。
したがって、これらの共分散を L-MPCC のコスト関数で利用して、車両状態の不確実性を最小限に抑えることができます。
高忠実度のシミュレーション環境では、提案された L-MPCC が障害物をうまく回避し、STP のない MPCC よりも高速で二重車線変更操作を運転しながら車両の安定性を維持できることを実証します。
さらに、提案されたコントローラーは、ガウス プロセスを備えた L-MPCC と比較して、ピーク横滑り角が大幅に低くなり、車両の操縦性が向上します。

要約(オリジナル)

This paper presents a novel Learning-based Model Predictive Contouring Control (L-MPCC) algorithm for evasive manoeuvres at the limit of handling. The algorithm uses the Student-t Process (STP) to minimise model mismatches and uncertainties online. The proposed STP captures the mismatches between the prediction model and the measured lateral tyre forces and yaw rate. The mismatches correspond to the posterior means provided to the prediction model to improve its accuracy. Simultaneously, the posterior covariances are propagated to the vehicle lateral velocity and yaw rate along the prediction horizon. The STP posterior covariance directly depends on the variance of observed data, so its variance is more significant when the online measurements differ from the recorded ones in the training set and smaller in the opposite case. Thus, these covariances can be utilised in the L-MPCC’s cost function to minimise the vehicle state uncertainties. In a high-fidelity simulation environment, we demonstrate that the proposed L-MPCC can successfully avoid obstacles, keeping the vehicle stable while driving a double lane change manoeuvre at a higher velocity than an MPCC without STP. Furthermore, the proposed controller yields a significantly lower peak sideslip angle, improving the vehicle’s manoeuvrability compared to an L-MPCC with a Gaussian Process.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google