Path planning and trajectory generation - model predictive control

Autonomous vehicle technology is a rapidly expanding field that will play an important role in society in the future. The ambition of autonomous technology is to improve safety for drivers, passengers and pedestrians, reduce traffic congestion and lower fuel consumption. To reach these goals advanced driver-assistance systems and autonomous driving aid the driver or takes full control over the vehicle. With the help of computers, a more optimal driving style is implemented. This thesis focuses on implementing lateral and longitudinal control for an autonomous vehicle with the help of model predictive control using artificial potential fields. The model predictive controller foresees the future for a finite time horizon using a mathematical model of the vehicle. Here a linearized and discretized kinematic bicycle model is used as the internal vehicle model in the controller. The model predictive controller avoids obstacles with artificial potential fields that are quadratically approximated using Taylor series with the help of Bézier curves. The control inputs are the vehicle’s side slip angle and the longitudinal acceleration. The simulations take place on roads in the United Kingdom with left-hand traffic in urban environments. The simulated use-cases are limited to roadside parking scenarios with and without traffic. The goal is to follow the lane center while navigating around obstacles in a predictable way, respecting traffic laws and avoiding collisions or hazardous situations. A simplistic decision-making module is used to determine the vehicle’s next course of action. After the subsequent maneuver is decided a velocity profile and a lane center reference are created for the ego vehicle to follow. The model predictive controller solves the optimization problem as a quadratic programming problem that minimizes a cost function while satisfying a set of constraints. The cost function minimizes the error for the velocity, the lateral lane position, the control inputs, the control input’s rate of change and the yaw angle. The artificial potential fields are also included in the cost function to guide the ego vehicle away from high cost regions. The algorithms were built and simulated using MATLAB. The quadratic programming problem was solved using MATLAB’s quadprog routine in the optimization toolbox, with a sample time of 0.1 seconds. The MPC developed good results with quick calculation times. The highest average calculation time was 0.0159 s with a maximum calculation time of 0.0549 s. The vehicle could perform overtaking maneuvers of two parked cars at 6 m/s in 8.4 s and in 17.2 s when overtaking from a standstill.Autonoma fordonssytem är ett snabbt växande område som kommer att spela en stor roll i vårt samhälle i framtiden. Ambitionen för autonoma fordonssytem är att förbättra säkerheten för förare och passagerare, reducera trafik samt sänka bränsleförbrukningen. För att nå dessa mål kan aktiva hjälpsystem och autonoma fordonssystem ta delvis eller full kontroll över fordonet. Datorer kan sedan beräkna en optimal kontrollstrategi som kan bidra till en bättre och säkrare körning. Detta examensarbete fokuserar på att implementera lateral och longitudinell kontroll för ett autonomt fordon med hjälp av modell-prediktiv reglering (model predictive control) och artificiella potentiella fält. Där modell-prediktiv reglering förutspår framtiden för en finit tidshorisont med hjälp av en matematisk fordonsmodell. En linjäriserad och diskretiserad kinematisk cykelmodell används som den interna fordonsmodellen i regulatorn. Modell-prediktiv reglering undviker hinder genom artificiella potentiella fält som är kvadratiskt approximerade med Taylor approximering med hjälp av Bézier kurvor. Regulatorns styrsignaler är fordonets avdriftsvinkel och acceleration. Simuleringarna är baserade på vägar i Storbritannien med vänstertrafik i stadsmiljö. De simulerade scenariona är begränsade till väggrensparkering med och utan trafik. Där målet är att följa filens mittlinje samt att navigera runt hinder på ett tydligt sätt, respektera trafiklagarna samt undvika kollisioner och farliga situationer. En enkel besluts-modul används för att bestämma fordonets nästa manöver. Efter manövern är bestämd skapas en hastighetsprofil samt en mittfilsreferens för fordonet att följa. Regulatorn löser optimeringsproblemet med hjälp av kvadratisk programmering som minimerar en kostnadsfunktion och samtidigt håller sig inom definierade gränsvärden. Kostnadsfunktionen minimerar differensen för hastigheten, laterala positionen, styrsignalerna, styrsignals ändringen samt girvinkeln. Även de artificiella potentiella fälten är inkluderade i kostnadsfunktionen för att leda fordonet från högkostnadsregioner. Det kvadratiska programmeringsproblemet beräknades i MATLAB’s quadprog rutin från optimerings verktyget med en samplingstid på 0,1 sekunder. Regulatorn visade goda resultat med snabba beräkningar. Det högsta medelvärdet på beräkningstiden var 0,0159 s med ett maximum på 0,0549 s. Fordonet kunde göra omkörningsmanövrar runt två på raken parkerade bilar med en hastighet på 6 m/s på 8,4 s och på 17,2 s när omkörningen gjordes från ett stillastående tillstånd