Optimal lateral control for autonomous commercial vehicle using data-driven learning model predictive control

Abstract

Autonomous driving technology is an ongoing and active research field carried out by numerous automobile manufacturers and research institutes for the past decade. Progress in this field of research shows high expectations to bring about improved transport convenience and safety while providing solutions for common transport-related issues. Autonomous driving technology, so far, has been focused primarily on passenger cars and commercial vehicles. Compared to passenger cars, commercial vehicles have much simpler driving conditions, such as fixed roads and low speeds, and are therefore expected to be commercialized first. Generally, commercial vehicles, such as buses, have large dimensions that are long and wide, making it difficult to maneuver the vehicle in constrained environments such as roads with large curvatures (e.g., turning right at an intersection). This is because the rear wheels take a different, shorter path than the front wheels during the turning maneuver, an issue also known as called off-tracking. This issue can be further divided into two parts: inside lane departure (related to potential curb collisions) and opposite lane departures (related to potential collisions with surrounding vehicles). This dissertation presents an optimal lateral control methodology for commercial vehicles utilizing data-driven, learning model predictive control (LMPC). The proposed data-based LMPC is an iterative method that has the objective of learning data from previous iterations, ultimately providing inputs that steer the vehicle onto an optimal trajectory that minimizes maneuvering time as the number of iterations increases. The data obtained from previous iterations are used to construct the terminal cost and terminal constraint of the MPC technique. For each iteration, the optimal steering wheel angle is calculated to maneuver the vehicle to the optimal trajectory while satisfying state constraints and input constraints. Due to its iterative nature, the controller shows improved performance with increasing iterations, and as a result, issues regarding the inherent sub-optimality of the receding-horizon approach can be alleviated. To avoid potential off-tracking issues, the relation between the vehicles dimensions and road geometry has been utilized to define the geometric constraints of the MPC technique. Furthermore, a slack variable has been introduced to deal with feasibility issues caused by the mismatch between the closed-loop trajectory and the open-loop prediction, which is one of the characteristics of the receding-horizon optimal control. The performance of the proposed algorithm has been validated via computer simulation tests with challenging scenarios. Test results show the effectiveness of the proposed control strategy.

자율주행 기술은 지난 10여 년간 수많은 자동차 제조사와 연구소에서 진행되고 있는 활발히 진행되고 있는 연구 분야입니다. 이 연구 분야의 진전은 대중 교통 관련 문제에 대한 솔루션을 제공하는 동시에 향상된 교통 편의성과 안전성을 가져올 것이라는 기대가 높습니다. 지금까지 자율주행 기술은 승용차와 상용차에 집중되어 왔습니다. 상용차는 승용차에 비해 고정도로, 저속 등 주행조건이 훨씬 단순해 상용화가 먼저 이뤄질 전망입니다. 일반적으로 버스와 같은 상업용 차량은 길고 넓은 치수를 가지고 있어 곡률이 큰 도로(예: 교차로에서 우회전)와 같은 제한된 환경에서 차량을 주행하기 어렵습니다. 이는 상용차가 커브길을 돌 때 뒷바퀴가 앞바퀴와 다른 짧은 경로를 취하기 때문입니다. 이를 오프 트래킹이라고 합니다. 이 문제들은 두 부분으로 나눌 수 있습니다: 내부 차선 이탈(잠재적 연석 충돌 관련) 및 반대 차선 이탈(주변 차량과의 잠재적 충돌 관련). 이 논문은 데이터 기반 학습 모델 예측 제어를 활용한 상용차에 대한 최적의 측면 제어 방법을 제시합니다. 제안된 데이터 기반 학습 모델 예측 제어는 이전 반복에서 데이터를 학습하는 것을 목표로 하는 반복적 방법이며, 궁극적으로 반복 횟수가 증가함에 따라 기동 시간을 최소화하는 최적의 궤적으로 차량을 조종하는 입력을 제공합니다. 이전 반복에서 얻은 데이터는 모델 예측 제어 기술의 종단 비용 및 터미널 종단 조건을 구성하는 데 사용됩니다. 각 반복에 대해 상태 제약 조건 및 입력 제약 조건을 충족하면서 최적의 궤적으로 차량을 조종하기 위해 최적의 스티어링 휠 각도가 계산됩니다. 제어기는 반복이 증가함에 따라 성능이 향상됨을 보여주며, 결과적으로 이동 구간 접근 방식 제어기의 내재된 특징인 차선책의 문제가 완화될 수 있습니다. 오프 트래킹으로 인한 문제를 방지하기 위해 기하학적 구속조건은 차량 치수와 도로 형상 간의 관계를 이용해 정의됩니다. 이동구간 최적 제어에서 개방 루프 예측과 폐쇄 루프 궤적의 차이로 인해 발생하는 실행 가능성 문제를 해결하는 데 여유 변수가 도입되었습니다.제안된 알고리즘의 성능은 도전적인 시나리오의 컴퓨터 시뮬레이션 테스트를 통해 검증되었습니다. 시뮬레이션 결과는 제안된 제어 전략의 효율성을 보여줍니다.제안된 알고리즘의 성능은 도전적인 시나리오의 컴퓨터 시뮬레이션 테스트를 통해 검증되었습니다. 시뮬레이션 결과는 제안된 제어 전략의 효율성을 보여줍니다.