Optimal planering för en Autonom Racer-bil

The autonomous vehicle industry is fast developing with many companies vying to release the first fully autonomous passenger vehicle. However, the advancement of the field also drives forward related areas such as autonomous racing. This paper aims to investigate how to optimally control an autonomous race car such that its progression across a previously unknown race track is maximised. This paper is inspired by the Formula Student race. The paper investigates using a Model Predictive Controller, MPC, to convert current vehicle position to a set of control inputs through the use of a vehicle model. Two different models have been investigated, the first focusing purely on the kinematics of the system, whilst the second encodes tyre forces for a dynamic approach. Further, the planning horizon of the MPC has been investigated to see how changes to it affect the performance of the controller and thus obtain insight into the trade-off between model complexity and planning horizon. Finally the limitations of both models was investigated. A modular real time implementation has been developed with the help of The CT Toolbox, a fast, C++ based, MPC implementation control toolbox. Small track segments and a full track have been used to evaluate the performance between the two models. Results showed that the computational difference from a more complex model is not a major limiting factor for the update rate of the MPC. However, the performance of the two models was significantly different with the dynamic based MPC far outperforming the kinematic. Constraining lateral accelerations of the car is critical when designing the controller as failure to do so will allow the controller to plan unfeasible paths. The dynamic model, through encoding the tyre forces, accomplishes this successfully completing the lap. However, the kinematic model, which assumes zero slip, fails as the speed gets high with sharp corners. It was also found that too short planning horizons do not allow sufficient information to flow to the controller causing poor trajectories. As one increases the planning horizon, diminishing returns appear as computational complexity increases with little improvements to the trajectory from the extra information. Finally it was found that sharp corners especially when chained together caused the most performance issues, however given an appropriate planning horizon, the dynamic model handles them well proposing a path similar to that of professional drivers. The paper outlines related works in the autonomous racing field, and gives an overview of the theory behind MPC. The focus then shifts onto how the system was setup, including the necessary theory, with an indepth look at the system architecture.Utvecklingen inom autonoma fordon är idag ett område som snabbt går framåt. Företag kämpar med att vara först ut på marknaden med full autonom styrning för fordon. Genom denna utveckling utforskas även närliggande områden, såsom racing. Arbetet kommer att fokusera på hur en autonom bil kan maximera hastigheten på en bana. Närmare bestämt optimal reglering för en autonom racing-bil. Arbetet har inspirerats av tävlingen Formula Student race, som är en tävling mellan universitet världen över. En modellbaserad kontrollstrategi implementeras, Model Predictive Control (MPC), som genom att modellera bilens dynamik tar beslut om bilens agerande. I arbetet så har två bilmodeller implementerats och jämförts. En kinematisk modell, där bilens agerande kan beskrivas med geometriska samband. Samt en dynamisk modell, som även tar hänsyn till de dynamiska sambanden som ges av bilens däck. Vidare så har olika tidshorisonter för kontrollern analyserats. Då både modellkomplexitet och tidshorisont ger ett negativt anspråk på beräkningstid, undersöks den avvägning som uppstår mellan varierande komplexitet hos modell vägt mot längd på tidshorisont. Slutligen så har det undersökts vilka begränsningar som är förknippade med modellerna. Implementering har gjorts med CT Toolbox, ett tidseffektivt C++ baserad ramverk för MPC styrning. Implementationen har sedan utvärderats genom att undersöka prestationen för modellerna på olika bansegment. Resultatet visade att skillnaden i beräkningstid för de två modellerna ej var en stor faktor för uppdateringsfrekvensen. Prestationen för de två modellerna visade sig skilja signifikant. I och med möjligheten att begränsa accelerationen i sidled för den dynamiska modellen kunde bilen justera hastigheten i kurvor, till skillnad ifrån den kinematiska modeller, där antagande om perfekt grepp gjorts. Undersökningen visade även att vid för kort tidshorisont, får kontrollern ej tillräckligt med nödvändig information, vilket resulterar i bristande planering. Vid ökning av tidshorisont, ökar beräkningstiden. Det påverkar prestandan positivt, men bara till en viss nivå, då för mycket information ej är tillämpbar av kontrollern. Detta arbete använder sig av tidigare gjord forskning inom autonoma racing-fordon, och ger en övergripande teori inom styrning med hjälp av MPC. Arbetet skiftar sedan till att implementera ett autonomt system vad gäller planering och styrning. Slutligen presenteras resultaten och en medföljande diskussion med förslag på hur detta kan förbättras vid framtida implementation