Adaptiv lateral modellprediktiv reglering för autonom körning med tunga fordon
Tid: To 2023-10-26 kl 10.02
Plats: F3 (Flodis), Lindstedtsvägen 26 & 28, Stockholm
Språk: Engelska
Ämnesområde: Elektro- och systemteknik
Respondent: Goncalo Collares Pereira , Reglerteknik
Opponent: Associate Professor Daniel Axehill, Linköping University, Department of Electrical Engineering, Automatic Control
Handledare: Professor Jonas Mårtensson, Integrated Transport Research Lab, ITRL, Reglerteknik; Bo Wahlberg, Reglerteknik; Henrik Pettersson, Scania CV AB
QC 20231003
Abstract
Teknik för autonoma fordon lovar säkrare, grönare och effektivare transportmedel för alla. Autonoma fordon förväntas få sin första stora inverkan i inhägnade områden, såsom gruvområden, hamnar och byggarbetsplatser, där tunga fordon är i drift. Denna avhandling behandlar lateral rörelsereglering för autonoma tunga fordon med hjälp av modellprediktiv reglering (Model Predictive Control, MPC). Lateral rörelsereglering för tunga fordon har fortfarande flera öppna utmaningar, i synnerhet gällande precis banföljning som garanterar en mjuk, komfortabel och stabil resa, hanterar både externa och interna störningar och anpassar sig till olika fordon och förhållanden.
För att möta dessa utmaningar är en omfattande regleringsarkitektur utformad för att sömlöst anpassa sig till olika fordonstyper och gränssnitt mot olika planering- och lokaliseringsmoduler. Därutöver är arkitekturen utformad för att hantera systemfördröjningar, bibehålla särskilda felmarginaler och respektera styrdons begränsningar.
Denna avhandling presenterar den Referensmedvetna modellprediktiva regulatorn (Reference Aware MPC, RA-MPC) för autonoma fordon. Denna regulator är iterativt för-bättrad genom hela avhandlingen. Den referensmedvetna modellprediktiva regulatorn introducerar en metod för att systematiskt hantera referenssignaler genererade av rörelseplanerare som beaktar andra typer av algoritmer och fordonsmodeller än regulatorn. Regulatorn använder det linjärt tidsvarierande MPC-ramverket och beaktar begränsningar på styrsignalsförändringar och accelerationer för att ta hänsyn till begränsningar på styrningen. Vidare beaktas flertalet modeller och styrsignaler genom hela avhandlingen. I slutändan används kurvaturacceleration som styrsignal, vilket tillsammans med stabilitetsingredienser möjliggör stabilitetsgarantier under särskilda förhållanden via Lyapunov-tekniker.
MPC är starkt beroende av den prediktionsmodell som används. Denna avhandling föreslår och jämför ett flertal olika modeller. Först föreslås ett offline-skattat fordonsspecifikt ickelinjärt kurvaturstegsvar som integreras i den kinematiska cykelmodellen. Överföringsfunktionen är modellerad som två Gaussiska funktioner. För att förbättra modellens mångsidighet och tillämpbarhet på en fordonsflotta presenteras en ickelinjär kurvatursvarstabell för den kinematiska modellen. Denna modell ersätter överföringsfunktionen med en tabell. Tabellen uppskattas online med hjälp av Kalman-filtrering anpassad till aktuellt fordon och driftförhållanden.
Alla regulatorer och modeller är experimentellt validerade på Scaniafordon, jämförs iterativt med de senaste regulatorerna från forskningsfronten och både för- och nackdelar diskuteras. RA-MPC:n med den ickelinjära kurvatursvarstabellen för den kinematiska modellen har visat sig vara den bästa regulatorn för de problem och förhållanden som studerats. Robustheten och anpassningsförmågan hos den föreslagna metoden framhävs genom att testa olika driftsförhållanden, scenarier och fordonskonfigurationer (en distributionsbil, en gruvlastbil och en buss). Modellen anpassar sig och konvergerar snabbt efter driftstart, vilket gör att alla fordon kan utföra alla scenarier med mycket liknande prestanda. För den utvärderade flottan visar resultaten ett genomsnittligt absolut lateralt fel till vägen som inte är större än 7 cm och en värsta avvikelse som inte är större än 25 cm. Dessa resultat visar regulatorns förmåga att hantera en flotta av tunga fordon, utan behov av fordonsspecifik justering eller handpåläggning från erfarna ingenjörer.