sequential convex programming

Métodos de programación convexa secuencial para la planificación de trayectorias óptimas en tiempo real en carreras de vehículos autónomos

Abstracto

Los problemas de optimización para la planificación de trayectorias en carreras de vehículos autónomos se caracterizan por su no linealidad y no convexidad. En lugar de resolver estos problemas de optimización, generalmente se resuelve una aproximación convexa para lograr una alta tasa de actualización. Presentamos un planificador de trayectoria de control predictivo de modelo (MPC) con capacidad en tiempo real basado en un modelo de vehículo no lineal de vía única y la fórmula mágica de neumáticos de Pacejka para carreras de vehículos autónomos. Después de formular el problema general de optimización de trayectoria no convexa, formamos una aproximación convexa utilizando programación convexa secuencial (SCP). El estado de la técnica convexifica las restricciones de la pista utilizando linealización secuencial (SL), que es un método para relajar las restricciones. No se garantiza que las soluciones al problema de optimización relajada sean factibles en el problema de optimización no convexa. Proponemos la restricción convexa secuencial (SCR) como método para convexificar las restricciones de la pista. SCR garantiza que las soluciones resultantes sean factibles en el problema de optimización no convexa. Mostramos la viabilidad recursiva de soluciones al problema de optimización restringida. El MPC se evalúa en una versión a escala del circuito de carreras de Hockenheimring mediante simulación. Los resultados muestran que un MPC que usa SCR produce tiempos de vuelta más rápidos que un MPC que usa SL, sin dejar de tener capacidad en tiempo real.

Instrucciones

0. clone o descargue este repositorio y abra MATLAB en esta carpeta
1. abra la carpeta 'código' a través cd code en MATLAB
2. Opcional: elija un escenario preconfigurado en el archivo 'run.m'. Alternativamente, configure una configuración individual como se describe en el siguiente párrafo.
3. ejecutar el escenario mediante run()

Reproducción de resultados en papel

El script code+evaluationpaper.m reproduce los resultados de la simulación. Posteriormente, los resultados están disponibles en la carpeta results .

Configuración

En la carpeta 'code/+config' se almacenan todas las configuraciones de escenarios y vehículos. Puedes combinar los bloques de construcción a tu gusto o incluso crear una configuración completamente nueva.

Requisitos

• MATLAB
  • Versión: recomendada R2021a, mínima R2019a
  • Caja de herramientas de matemáticas simbólicas
  • Caja de herramientas de estadística y aprendizaje automático (obligatoria solo para evaluación)
• solucionador
  • recomendado IBM ILOG CPLEX Optimization Studio 12.10
  • alternativamente, quadprog de MATLAB a través de 'Symbolic Math Toolbox'

probado en UNIX (Ubuntu 18.04 de 64 bits) y Windows 10 de 64 bits, MATLAB R2021a, R2019b, R2019a

Expresiones de gratitud

Esta investigación cuenta con el apoyo de la Deutsche Forschungsgemeinschaft (DFG, Fundación Alemana de Investigación) dentro del Programa Prioritario SPP 1835 Automóviles que interactúan cooperativamente y el Programa de Postgrado GRK 1856 Módulos integrados de suministro de energía para movilidad eléctrica en carretera.

Referencia

[1] P. Scheffe, T. Henneken, M. Kloock, B. Alrifaee. "Métodos de programación convexa secuencial para la planificación de trayectorias óptimas en tiempo real en carreras de vehículos autónomos"

 @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}
}