Adaptive Lateral Model Predictive Control for Autonomous Driving of Heavy-Duty Vehicles

Autonomous Vehicle (AV) technology promises safer, greener, and more efficient means of transportation for everyone. AVs are expected to have their first big impact in closed environments, such as mining areas, ports, and construction sites, where Heavy-Duty Vehicles (HDVs) operate. This thesis addresses lateral motion control for autonomous HDVs using Model Predictive Control (MPC). Lateral control for HDVs still has many open questions to be addressed, in particular, precise path tracking while ensuring a smooth, comfortable, and stable ride, coping with both external and internal disturbances, and adapting to different vehicles and conditions. To address these challenges, a comprehensive control module architecture is designed to adapt seamlessly to different vehicle types and interface with various planning and localization modules. Furthermore, it is designed to address system delays, maintain certain error bounds, and respect actuation constraints. This thesis presents the Reference Aware MPC (RA-MPC) for autonomous vehicles. This controller is iteratively improved throughout the thesis. The RA-MPC introduces a method to systematically handle references generated by motion planners which can consider different algorithms and vehicle models from the controller. The controller uses the linear time-varying MPC framework and considers control input rate and acceleration constraints to account for steering limitations. Furthermore, multiple models and control inputs are considered throughout the thesis. Ultimately, curvature acceleration is used as the control input, which together with stability ingredients, allows for stability guarantees under certain conditions via Lyapunov techniques. MPC is highly dependent on the prediction model used. This thesis proposes and compares different models. First, an offline-fitted, vehicle-specific nonlinear curvature response function is proposed and integrated into the kinematic bicycle model. The curvature response function
Teknik för autonoma fordon lovar säkrare, grönare och effektivare transportmedel för alla. Autonoma fordon förväntas få sin första stora inverkan i inhägnade områden, såsom gruvområden, hamnar och byggarbetsplatser, där tunga fordon är i drift. Denna avhandling behandlar lateral rörelsereglering för autonoma tunga fordon med hjälp av modellprediktiv reglering (Model Predictive Control, MPC). Lateral rörelsereglering för tunga fordon har fortfarande flera öppna utmaningar, i synnerhet gällande precis banföljning som garanterar en mjuk, komfortabel och stabil resa, hanterar både externa och interna störningar och anpassar sig till olika fordon och förhållanden. För att möta dessa utmaningar är en omfattande regleringsarkitektur utformad för att sömlöst anpassa sig till olika fordonstyper och gränssnitt mot olika planering- och lokaliseringsmoduler. Därutöver är arkitekturen utformad för att hantera systemfördröjningar, bibehålla särskilda felmarginaler och respektera styrdons begränsningar. Denna avhandling presenterar den Referensmedvetna modellprediktiva regulatorn (Reference Aware MPC, RA-MPC) för autonoma fordon. Denna regulator är iterativt för-bättrad genom hela avhandlingen. Den referensmedvetna modellprediktiva regulatorn introducerar en metod för att systematiskt hantera referenssignaler genererade av rörelseplanerare som beaktar andra typer av algoritmer och fordonsmodeller än regulatorn. Regulatorn använder det linjärt tidsvarierande MPC-ramverket och beaktar begränsningar på styrsignalsförändringar och accelerationer för att ta hänsyn till begränsningar på styrningen. Vidare beaktas flertalet modeller och styrsignaler genom hela avhandlingen. I slutändan används kurvaturacceleration som styrsignal, vilket tillsammans med stabilitetsingredienser möjliggör stabilitetsgarantier under särskilda förhållanden via Lyapunov-tekniker. MPC är starkt beroende av den prediktionsmodell som används. Denna avhandling föreslår och jämför ett flertal olika modeller. Först
QC 20231003