sequential convex programming

Методы последовательного выпуклого программирования для планирования оптимальной траектории в режиме реального времени в гонках на автономных транспортных средствах

Абстрактный

Задачи оптимизации планирования траектории в автогонках характеризуются нелинейностью и невыпуклостью. Вместо решения этих задач оптимизации обычно решается выпуклая аппроксимация для достижения высокой скорости обновления. Мы представляем планировщик траектории модели с прогнозирующим управлением (MPC), работающий в режиме реального времени, основанный на нелинейной модели однопутного транспортного средства и волшебной формуле шины Пачейки для гонок на автономных транспортных средствах. После формулировки общей задачи оптимизации невыпуклой траектории мы формируем выпуклую аппроксимацию с помощью последовательного выпуклого программирования (SCP). Современный уровень техники сглаживает ограничения пути с помощью последовательной линеаризации (SL), которая представляет собой метод ослабления ограничений. Решения задачи смягченной оптимизации не гарантированно будут осуществимы в задаче невыпуклой оптимизации. Мы предлагаем последовательное выпуклое ограничение (SCR) как метод выпуклости ограничений трека. SCR гарантирует, что полученные решения осуществимы в задаче невыпуклой оптимизации. Показана рекурсивная возможность решения задачи ограниченной оптимизации. MPC оценивается на моделируемой модели гоночной трассы Хоккенхаймринг. Результаты показывают, что MPC, использующий SCR, обеспечивает более быстрое время прохождения круга, чем MPC, использующий SL, при этом сохраняя способность работать в режиме реального времени.

Инструкции

0. клонируйте или загрузите этот репозиторий и откройте MATLAB в этой папке.
1. открыть папку «код» через cd code в MATLAB
2. необязательно: выберите предварительно настроенный сценарий в файле «run.m». Альтернативно настройте индивидуальную конфигурацию, как описано в следующем параграфе.
3. запустите сценарий через run()

Воспроизведение результатов на бумаге

Скрипт code+evaluationpaper.m воспроизводит результаты моделирования. После этого результаты доступны в папке results .

Конфигурация

В папке code/+config хранятся все конфигурации сценариев и техники. Вы можете комбинировать строительные блоки по своему вкусу или даже создать совершенно новую конфигурацию.

Требования

• МАТЛАБ
  • Версия: рекомендуется R2021a, минимум R2019a.
  • Символьный математический набор инструментов
  • Панель инструментов статистики и машинного обучения (требуется только для оценки)
• Решатель
  • рекомендуется IBM ILOG CPLEX Optimization Studio 12.10
  • в качестве альтернативы, quadprog MATLAB через «Symbolic Math Toolbox».

протестировано в UNIX (64-разрядная версия Ubuntu 18.04) и 64-разрядной версии Windows 10, MATLAB R2021a, R2019b, R2019a

Благодарности

Это исследование поддерживается Deutsche Forschungsgemeinschaft (DFG, Немецкий исследовательский фонд) в рамках приоритетной программы SPP 1835 «Кооперативно взаимодействующие автомобили» и последипломной программы GRK 1856 «Интегрированные модули энергоснабжения для дорожной электронной мобильности».

Ссылка

[1] П. Шеффе, Т. Хеннекен, М. Клок, Б. Алрифаи. «Методы последовательного выпуклого программирования для планирования оптимальной траектории в реальном времени в автономных гонках»

 @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}
}