Disturbance-aware minimum-time planning strategies for motorsport vehicles with probabilistic safety certificates

要約

このペーパーでは、モータースポーツの最小ラップタイムの軌道最適化に堅牢性を埋め込む外乱を意識したフレームワークを紹介します。
2つの製剤が導入されています。
（i）オープンループ、Horizo​​nベースの共分散伝播は、有限窓よりも最悪のケースの不確実性の成長を使用して、タイヤの摩擦と線路制約を締めます。
（ii）閉ループ、共分散対応計画には、時間変化のLQRフィードバック法がオプティマイザーに組み込まれており、妨害減衰のフィードバック親和的な推定値を提供し、よりシャープでありながら信頼性の高い制約締め付けを可能にします。
どちらの方法でも、人間または人工ドライバーの参照軌跡が得られます。自律アプリケーションでは、モデル化されたコントローラーはオンボードの実装を複製できますが、人間の運転の精度は、想定される時変LQRポリシーによってドライバーを近似できる程度とともに増加させます。
バルセロナ・カタルニャの代表セクターの計算テストは、両方のスキームが規定の安全確率を満たしていることを示していますが、閉ループのバリアントは、より保守的なオープンループソリューションよりも小さなラップタイムペナルティが発生しますが、名目（非ロビー）の巡査は同じ不正行為の下では不可能です。
計画中の不確実性の成長とフィードバックアクションを考慮することにより、提案されたフレームワークは、パフォーマンス最適で確率的に安全な軌跡を提供し、高性能モータースポーツと自律的なレースでの現実世界の展開に向けて最小時間最適化を進めます。

要約(オリジナル)

This paper presents a disturbance-aware framework that embeds robustness into minimum-lap-time trajectory optimization for motorsport. Two formulations are introduced. (i) Open-loop, horizon-based covariance propagation uses worst-case uncertainty growth over a finite window to tighten tire-friction and track-limit constraints. (ii) Closed-loop, covariance-aware planning incorporates a time-varying LQR feedback law in the optimizer, providing a feedback-consistent estimate of disturbance attenuation and enabling sharper yet reliable constraint tightening. Both methods yield reference trajectories for human or artificial drivers: in autonomous applications the modelled controller can replicate the on-board implementation, while for human driving accuracy increases with the extent to which the driver can be approximated by the assumed time-varying LQR policy. Computational tests on a representative Barcelona-Catalunya sector show that both schemes meet the prescribed safety probability, yet the closed-loop variant incurs smaller lap-time penalties than the more conservative open-loop solution, while the nominal (non-robust) trajectory remains infeasible under the same uncertainties. By accounting for uncertainty growth and feedback action during planning, the proposed framework delivers trajectories that are both performance-optimal and probabilistically safe, advancing minimum-time optimization toward real-world deployment in high-performance motorsport and autonomous racing.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google