sequential convex programming

自动驾驶赛车实时最优轨迹规划的顺序凸规划方法

抽象的

自动驾驶赛车中轨迹规划的优化问题具有非线性和非凸性的特点。通常不是解决这些优化问题，而是解决凸近似以获得高更新率。我们提出了一种基于非线性单轨车辆模型和 Pacejka 的自动赛车神奇轮胎公式的实时模型预测控制 (MPC) 轨迹规划器。在制定一般非凸轨迹优化问题后，我们使用顺序凸规划（SCP）形成凸近似。最先进的技术使用顺序线性化（SL）凸化轨道约束，这是一种放松约束的方法。松弛优化问题的解不能保证在非凸优化问题中可行。我们提出顺序凸限制（SCR）作为凸化轨道约束的方法。 SCR 保证所得解决方案在非凸优化问题中是可行的。我们展示了受限优化问题解决方案的递归可行性。 MPC 在霍根海姆赛道的模拟缩小版上进行评估。结果表明，使用 SCR 的 MPC 比使用 SL 的 MPC 产生更快的单圈时间，同时仍然具有实时能力。

指示

0. 克隆或下载此存储库并在此文件夹中打开 MATLAB
1. 在 MATLAB 中通过cd code打开文件夹“code”
2. 可选：在文件“run.m”中选择预配置的场景或者，按照下一段所述配置单独的配置
3. 通过run()运行场景

论文结果再现

脚本code+evaluationpaper.m重现了模拟结果。然后，结果可在文件夹results中找到。

配置

在“code/+config”文件夹中，存储了场景和车辆的所有配置。您可以根据自己的喜好组合构建块，甚至创建全新的配置

要求

• MATLAB
  • 版本：推荐R2021a，最低R2019a
  • 符号数学工具箱
  • 统计和机器学习工具箱（仅用于评估）
• 求解器
  • 推荐IBM ILOG CPLEX Optimization Studio 12.10
  • 或者，通过“符号数学工具箱”使用 MATLAB 的quadprog

在 UNIX（Ubuntu 18.04 64 位）和 Windows 10 64 位、MATLAB R2021a、R2019b、R2019a 上进行了测试

致谢

这项研究得到了 Deutsche Forschungsgemeinschaft（DFG，德国研究基金会）优先计划 SPP 1835 协作交互汽车和研究生计划 GRK 1856 道路电动汽车集成能源供应模块的支持。

参考

[1] P. Scheffe、T. Henneken、M. Kloock、B. Alrifaee。 “自动驾驶赛车实时最优轨迹规划的顺序凸规划方法”

 @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}
}