Trajectory planning constitutes an essential step for proper autonomous vehicles’performance. This work aims at defining and testing a stochastic approach providingsafe, length-optimal and comfortable trajectories accounting for road, model anddisturbance uncertainties. A Stochastic Model Predictive Control (SMPC) problemis formulated using a Linear Parameter Varying Bicycle Model, state-probabilisticconstraints and input constraints. The SMPC is transformed into a tractable quadraticoptimisation problem after assuming independent and gaussian uncertainties.The proposed trajectory planning methodology is intended to be implemented onlinein a Receding Horizon fashion in a real vehicle. Results are presented after computersimulatedtests have been carried out to study the influence of model uncertaintiesand SMPC parameters on the planned and executed trajectories in standard drivingsituations. Particularly, road crosswind is modelled, its effect on vehicles withdifferent steering characteristics is studied and it is considered for improved trajectoryplanning. The approach constitutes a promising method to provide robust trajectoriesto unmodeled errors reaching an equilibrium between conservativeness and quality ofthe solution. ; Banplanering utgör ett väsentligt steg för riktiga autonoma fordons prestanda.Syftet med detta arbete är att definiera och testa stokastiska strategier som gersäkra, optimala och bekväma banor som tar hänsyn till vägen, modelbrus ochosäkerheter. En stokastisk Model Predictive Control (SMPC) problem är formuleratmed hjälp av Linear Parameter Varying Bicycle Model, tillstånds-sannolikhetsbivillkoroch inmatningsbivillkor. SMPC transformeras till ett lätthanterlig kvadratiskoptimeringsproblem efter oberoende gaussfördelade osäkerheter antagits.Den föreslagna banplaneringsmetoden är avsedd att implementeras online meden Receding Horizon för ett riktigt fordon. Resultatet är presenterat efterdatorsimulerade experiment har blivit genomförda för att studera påverkan avmodelosäkerheter och SMPC ...
Stochastic Model Predictive Control for Trajectory Planning
2020-01-01
Hochschulschrift
Elektronische Ressource
Englisch
DDC: | 629 |
Conflict-free trajectory planning based on the model predictive control theory
DOAJ | 2016
|