sequential convex programming

Sequentielle konvexe Programmiermethoden für die optimale Echtzeit-Trajektorienplanung im autonomen Fahrzeugrennen

Abstrakt

Optimierungsprobleme für die Trajektorienplanung im autonomen Fahrzeugrennsport zeichnen sich durch ihre Nichtlinearität und Nichtkonvexität aus. Anstatt diese Optimierungsprobleme zu lösen, wird normalerweise eine konvexe Näherung gelöst, um eine hohe Aktualisierungsrate zu erreichen. Wir präsentieren einen echtzeitfähigen Trajektorienplaner mit modellprädiktiver Steuerung (MPC), der auf einem nichtlinearen einspurigen Fahrzeugmodell und Pacejkas magischer Reifenformel für autonome Fahrzeugrennen basiert. Nachdem wir das allgemeine Problem der nichtkonvexen Trajektorienoptimierung formuliert haben, bilden wir mithilfe der sequentiellen konvexen Programmierung (SCP) eine konvexe Näherung. Der Stand der Technik konvexisiert Spurbeschränkungen mithilfe der sequentiellen Linearisierung (SL), einer Methode zur Lockerung der Beschränkungen. Lösungen für das entspannte Optimierungsproblem sind im nichtkonvexen Optimierungsproblem nicht garantiert realisierbar. Wir schlagen eine sequenzielle konvexe Restriktion (SCR) als Methode zur Konvexifizierung von Spurbeschränkungen vor. SCR garantiert, dass resultierende Lösungen im nichtkonvexen Optimierungsproblem machbar sind. Wir zeigen rekursive Machbarkeit von Lösungen für das eingeschränkte Optimierungsproblem. Der MPC wird auf einer maßstabsgetreuen Version der Hockenheimring-Rennstrecke in der Simulation ausgewertet. Die Ergebnisse zeigen, dass ein MPC mit SCR schnellere Rundenzeiten erzielt als ein MPC mit SL und dennoch echtzeitfähig ist.

Anweisungen

0. Klonen Sie dieses Repo oder laden Sie es herunter und öffnen Sie MATLAB in diesem Ordner
1. Öffnen Sie den Ordner „Code“ über cd code in MATLAB
2. Optional: Wählen Sie ein vorkonfiguriertes Szenario in der Datei „run.m“. Alternativ konfigurieren Sie eine individuelle Konfiguration, wie im nächsten Absatz beschrieben
3. Führen Sie das Szenario über run() aus

Reproduktion der Papierergebnisse

Das Skript code+evaluationpaper.m reproduziert die Simulationsergebnisse. Anschließend stehen die Ergebnisse im Ordner results zur Verfügung.

Konfiguration

Im Ordner „code/+config“ werden alle Konfigurationen von Szenarien und Fahrzeugen gespeichert. Sie können die Bausteine ​​nach Ihren Wünschen kombinieren oder sogar eine völlig neue Konfiguration erstellen

Anforderungen

• MATLAB
  • Version: empfohlen R2021a, mindestens R2019a
  • Symbolische Mathematik-Toolbox
  • Statistics and Machine Learning Toolbox (nur für die Auswertung erforderlich)
• Löser
  • Empfohlenes IBM ILOG CPLEX Optimization Studio 12.10
  • alternativ MATLABs quadprog über „Symbolic Math Toolbox“

Getestet auf UNIX (Ubuntu 18.04 64-Bit) und Windows 10 64-Bit, MATLAB R2021a, R2019b, R2019a

Danksagungen

Diese Forschung wird von der Deutschen Forschungsgemeinschaft (DFG) im Rahmen des Schwerpunktprogramms SPP 1835 „Kooperative Interagierende Automobile“ und des Postgraduiertenprogramms GRK 1856 „Integrierte Energieversorgungsmodule für straßengebundene E-Mobilität“ gefördert.

Referenz

[1] P. Scheffe, T. Henneken, M. Kloock, B. Alrifaee. „Sequentielle konvexe Programmiermethoden für die optimale Echtzeit-Trajektorienplanung im autonomen Fahrzeugrennsport“

 @ARTICLE{scheffe2022sequential,
  author={Scheffe, Patrick and Henneken, Theodor Mario and Kloock, Maximilian and Alrifaee, Bassam},
  journal={IEEE Transactions on Intelligent Vehicles},
  title={Sequential Convex Programming Methods for Real-time Optimal Trajectory Planning in Autonomous Vehicle Racing},
  year={2022},
  volume={},
  number={},
  pages={1-1},
  doi={10.1109/TIV.2022.3168130}
}