Core Concepts
Progressive Glättung verbessert die Leistung von NMPC-Formulierungen für die Hindernisvermeidung in autonomen Fahrzeuganwendungen.
Abstract
Die Arbeit untersucht die Verwendung von progressiver Glättung in der nichtlinearen modellprädiktiven Regelung (NMPC) für die Hindernisvermeidung in autonomen Fahrzeuganwendungen. Es wird gezeigt, dass die vorgeschlagene ScaledNorm-Formulierung und alternative Ansätze wie LogSumExp und Boltzmann die Leistung im Vergleich zu anderen Formulierungen verbessern. Experimente zeigen, dass die ScaledNorm-Formulierung die besten Ergebnisse erzielt, insbesondere bei der Überwindung von Hindernissen und der Vermeidung lokaler Minima. Die Implementierung erfolgt mit dem acados-Solver und dem HPIPM-QP-Solver. Die Simulationsergebnisse zeigen eine verbesserte Leistung und Sicherheit bei der Hindernisvermeidung.
I. Einführung
NMPC für Hindernisvermeidung in autonomen Fahrzeugen
Vorteile der progressiven Glättung für die Leistung
II. Problemstellung
Bewegungsplanung und Steuerung autonomer Fahrzeuge
Frenet-Koordinatensystem für Modellrepräsentation
III. Progressive Glättung in Echtzeit-NMPC
ScaledNorm-Formulierung für schrittweise Glättung
Vergleich mit alternativen Formulierungen
Konzept der Homotopie und Überapproximation
IV. Simulationsexperimente
Vergleich der Leistung der verschiedenen Formulierungen
Auswertung von Schlüsselindikatoren wie laterale Distanz und Zielverfolgung
Implementierung und Evaluierung der NMPC-Formulierungen
Stats
Ellipsenformulierung führt zu konservativem Verhalten
ReLU2-Formulierung verletzt die Hindernisbeschränkungen
ScaledNorm-Formulierung zeigt verbesserte Leistung und Sicherheit
Quotes
"Die ScaledNorm-Formulierung übertrifft die Benchmarks und alternative Ansätze."
"Die progressiven Glättungsansätze zeigen eine verbesserte Leistung bei der Hindernisvermeidung."