sequential convex programming

Méthodes de programmation convexe séquentielle pour la planification de trajectoire optimale en temps réel dans les courses de véhicules autonomes

Abstrait

Les problèmes d'optimisation pour la planification de trajectoire dans les courses de véhicules autonomes sont caractérisés par leur non-linéarité et leur non-convexité. Au lieu de résoudre ces problèmes d’optimisation, une approximation convexe est généralement résolue pour obtenir un taux de mise à jour élevé. Nous présentons un planificateur de trajectoire de contrôle prédictif (MPC) en temps réel basé sur un modèle de véhicule non linéaire à voie unique et la formule magique du pneu de Pacejka pour les courses de véhicules autonomes. Après avoir formulé le problème général d’optimisation de trajectoire non convexe, nous formons une approximation convexe en utilisant la programmation séquentielle convexe (SCP). L'état de la technique convexifie les contraintes de piste à l'aide de la linéarisation séquentielle (SL), qui est une méthode d'assouplissement des contraintes. Il n’est pas garanti que les solutions au problème d’optimisation assouplie soient réalisables dans le problème d’optimisation non convexe. Nous proposons la restriction convexe séquentielle (SCR) comme méthode pour convexifier les contraintes de piste. SCR garantit que les solutions résultantes sont réalisables dans le problème d'optimisation non convexe. Nous montrons la faisabilité récursive des solutions au problème d’optimisation restreint. Le MPC est évalué sur une version à l'échelle du circuit de Hockenheimring en simulation. Les résultats montrent qu'un MPC utilisant SCR produit des temps au tour plus rapides qu'un MPC utilisant SL, tout en étant toujours capable de fonctionner en temps réel.

Instructions

0. clonez ou téléchargez ce dépôt et ouvrez MATLAB dans ce dossier
1. ouvrir le dossier 'code' via cd code dans MATLAB
2. facultatif : choisissez un scénario préconfiguré dans le fichier 'run.m'. Vous pouvez également configurer une configuration individuelle comme décrit dans le paragraphe suivant.
3. exécuter le scénario via run()

Reproduction des résultats papier

Le script code+evaluationpaper.m reproduit les résultats de la simulation. Ensuite, les résultats sont disponibles dans le dossier results .

Configuration

Dans le dossier 'code/+config', toutes les configurations des scénarios et des véhicules sont stockées. Vous pouvez combiner les éléments de base à votre guise ou même créer une toute nouvelle configuration

Exigences

• MATLAB
  • Version : recommandé R2021a, minimum R2019a
  • Boîte à outils mathématiques symboliques
  • Boîte à outils de statistiques et d'apprentissage automatique (obligatoire uniquement pour l'évaluation)
• Solveur
  • IBM ILOG CPLEX Optimization Studio 12.10 recommandé
  • alternativement, quadprog de MATLAB via 'Symbolic Math Toolbox'

testé sous UNIX (Ubuntu 18.04 64 bits) et Windows 10 64 bits, MATLAB R2021a, R2019b, R2019a

Remerciements

Cette recherche est soutenue par la Deutsche Forschungsgemeinschaft (DFG, Fondation allemande pour la recherche) dans le cadre du programme prioritaire SPP 1835 Cooperative Interacting Automobiles et du programme d'études supérieures GRK 1856 Integrated Energy Supply Modules for Roadbound E-Mobility.

Référence

[1] P. Scheffe, T. Henneken, M. Kloock, B. Alrifaee. "Méthodes de programmation convexe séquentielle pour la planification de trajectoire optimale en temps réel dans les courses de véhicules autonomes"

 @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}
}