自动驾驶卡车平稳精确转向的空间模型预测控制

（Guaranteeing Persistent Feasibility of Model Predictive Motion Planning for Autonomous Vehicles）

在本文中，我们提出了一个车辆横向控制算法—一个平顺和精确的模型预测控制器（SAMPC）。与标准MPC相比，根本区别在于，在成本函数中直接解决了驾驶平顺问题。控制器的目标是基于曲率的一阶和二阶空间导数的最小化。通过这样做，避免了可能导致转向部件和车辆结构永久损坏。通过增加约束来保证良好的路径跟踪精度，以避免偏离参考路径。最后，控制器在斯堪尼亚工程车上进行了实验测试和评估。评估工作由位于瑞典Södertälje附近的斯堪尼亚工厂。通过两条不同的途径进行：一条类似于采矿场景的精确轨道和一条类似于高速公路情况的高速测试道。即使使用线性化的运动车辆来预测车辆运动，所提出的控制器的性能也是令人鼓舞的，因为偏离路径的距离从未超过30厘米。它在路径精度和标准MPC方面明显优于工业用的纯追踪控制器。

与现有的方法进行比较，如纯追踪控制器和标准MPC，以偏离路径和曲率变化率（即，驱动平滑度）的方式测量。在我们的实验和模拟中，纯追踪控制器始终是最平稳的驾驶控制器。但是，它是最不准确的控制器。最后，正如预期的那样，SA-MPC和标准MPC是最准确的控制器。为了指出哪一个是最好的，我们还分析了控制器的曲率变化率，得出SA-MPC比具有相似路径精度的标准MPC更平顺。SA-MPC在驾驶平顺性方面起着至关重要的作用，因为与标准MPC不同，它支持平顺的曲率预测。因此，SA-MPC是控制器提供了一个更好的平衡驾驶和准确的路径跟踪。在实验上，我们将SAMPC与纯追踪控制器进行了比较，两者都部署在斯堪尼亚工程车上。根据模拟结果预测，SA-MPC明显优于纯追踪控制器。即使使用线性化的运动车辆来预测车辆运动，控制器的性能也是非常好的，因为距离路径的最大偏差不超过30厘米，平均为6厘米。此外，得出的结论是，使用仿真环境对控制器参数进行调整提供了对实际控制器性能的很好的近似。