Problemas de otimização para planejamento de trajetória em corridas de veículos autônomos são caracterizados por sua não linearidade e não convexidade. Em vez de resolver esses problemas de otimização, geralmente uma aproximação convexa é resolvida para obter uma alta taxa de atualização. Apresentamos um planejador de trajetória de modelo de controle preditivo (MPC) com capacidade em tempo real baseado em um modelo de veículo não linear de pista única e na fórmula mágica de pneus de Pacejka para corridas de veículos autônomos. Depois de formular o problema geral de otimização de trajetória não convexa, formamos uma aproximação convexa usando programação convexa sequencial (SCP). O estado da arte convexa as restrições de trilha usando linearização sequencial (SL), que é um método de relaxar as restrições. Não é garantido que soluções para o problema de otimização relaxado sejam viáveis no problema de otimização não convexo. Propomos a restrição convexa sequencial (SCR) como um método para convexificar restrições de trilha. O SCR garante que as soluções resultantes são viáveis no problema de otimização não convexo. Mostramos a viabilidade recursiva de soluções para o problema de otimização restrito. O MPC é avaliado em uma versão em escala da pista de corrida de Hockenheimring em simulação. Os resultados mostram que um MPC usando SCR produz tempos de volta mais rápidos do que um MPC usando SL, ao mesmo tempo em que é capaz de operar em tempo real.
cd code no MATLABrun() O script code+evaluationpaper.m reproduz os resultados da simulação. Depois, os resultados ficam disponíveis na pasta results .
Na pasta ‘code/+config’ ficam armazenadas todas as configurações de cenários e veículos. Você pode combinar os blocos de construção de acordo com sua preferência ou até mesmo criar uma configuração completamente nova
quadprog do MATLAB via 'Symbolic Math Toolbox'testado em UNIX (Ubuntu 18.04 64 bits) e Windows 10 64 bits, MATLAB R2021a, R2019b, R2019a
Esta pesquisa é apoiada pela Deutsche Forschungsgemeinschaft (DFG, Fundação Alemã de Pesquisa) dentro do Programa Prioritário SPP 1835 Cooperative Interacting Automobiles e do Programa de Pós-Graduação GRK 1856 Módulos Integrados de Fornecimento de Energia para E-Mobilidade Rodoviária.
@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}
}
