Model Predictive Contouring Control for Autonomous Racing Cars

Abstract

El Control Predictiu de Contorns per Models (MPCC) i la Programació No Lineal (PNL) han sorgit com a contribuents significatius als avenços en el camp de la tecnologia de vehicles autònoms, especialment en el domini d'alta velocitat de les curses autònomes. Aquesta tesi aprofundeix una mica més en la integració d'aquestes metodologies computacionals i explora com aquesta sinergia optimitza el control i la navegació del vehicle en circuits de carreres alhora que equilibra l'estabilitat d'alta velocitat. Els vehicles de curses autònoms necessiten gestionar de manera eficient la dinàmica complexa i no lineal del vehicle i navegar dins de les restriccions físiques de la pista. Les estratègies tradicionals de Control Predictiu de Models (MPC) sovint són insuficients en aquests entorns complexos i d'alta velocitat a causa de la seva dependència de models de dinàmica de vehicles simplificats o linealitzats. Tanmateix, aconseguir una planificació i un control de trajectòries òptims en temps real amb MPCC requereix extensos recursos computacionals. Aquí és on la PNL, en particular mètodes com la Programació Quadràtica Seqüencial (PQS) i els mètodes de punt interior, intervé per reduir la càrrega computacional. En formular el problema complex de dinàmica i control com un problema de programació no lineal, les solucions òptimes en temps real esdevenen factibles, fins i tot dins dels terminis computacionals altament estrictes inherents a les curses autònomes. Aquesta tesi introdueix un controlador que combina la planificació i el control de trajectòries d'un MPCC amb l'eficiència computacional de la PNL. El controlador proposat funciona amb un model de bicicleta cinemàtica simple, un model realista i computacionalment més manejable, per reduir a més els requisits computacionals (és a dir, càlculs en temps real). El controlador pretén maximitzar el progrés al llarg de la pista i obeir els límits de la pista. Els resultats de la simulació mostren l'eficàcia del controlador integrat en la generació i el seguiment de línies de cursa òptimes a altes velocitats, cosa que indica el seu potencial com a solució de control viable per a les curses autònomes. Aquest estudi emfatitza, doncs, el potencial de la coincidència entre MPCC i NLP per optimitzar el rendiment i la seguretat dels vehicles de curses autònoms, ampliant els límits del que es pot aconseguir en els comportaments dels vehicles autònoms d'alta velocitat

Model Predictive Contouring Control (MPCC) and Nonlinear Programming (NLP) have emerged as significant contributors to advancements in the field of autonomous vehicle technology, particularly in the high-speed domain of autonomous racing. This thesis goes a little bit more into the integration of these computational methodologies and explores how this synergy optimizes vehicle control and navigation on racetracks while balancing high-speed stability. Autonomous racing vehicles need to efficiently manage complex, non-linear vehicle dynamics and navigate within the physical constraints of the track. Traditional Model Predictive Control (MPC) strategies often fall short in these high-speed, intricate environments due to their reliance on simplified or linearized vehicle dynamics models. However, achieving real-time, optimal path planning and control with MPCC requires extensive computational resources. This is where NLP, particularly methods such as Sequential Quadratic Programming (SQP) and interior-point methods, steps in to reducing the computational burden. By formulating the complex dynamics and control problem as a Nonlinear Programming problem, real-time optimal solutions become feasible, even within the highly stringent computational time frames inherent to autonomous racing. This thesis introduces a controller that combines the path planning and controlling of an MPCC with the computational efficiency of NLP. The proposed controller operates on a simple kinematic bicycle model, a realistic and computationally more manageable model, to reduce computational requirements further (i.e real-time computations). The controller aims to maximize progress along the racetrack and obeying to the track’s boundaries. Simulation results showcase the integrated controller’s effectiveness in generating and trac- king optimal racing lines at high speeds, indicating its potential as a viable control solution for autonomous racing. This study thus emphasizes the potential of matchnig MPCC and NLP to optimize the performance and safety of autonomous racing vehicles, pushing the boundaries of what is achievable in high-speed autonomous vehicle behaviors.