非线性模型预测控制(nonlinear model predictive control,NMPC)是一种有效的自动驾驶运动规划方法,但数值优化对计算资源的巨大需求限制其实际应用。本文通过降低优化变量维度,简化非凸避障约束,提高NMPC运动规划系统数值优化的求解速...非线性模型预测控制(nonlinear model predictive control,NMPC)是一种有效的自动驾驶运动规划方法,但数值优化对计算资源的巨大需求限制其实际应用。本文通过降低优化变量维度,简化非凸避障约束,提高NMPC运动规划系统数值优化的求解速度。针对车辆动力学的强非线性,采用拉格朗日插值逼近动力学方程和目标函数,在保证精度的前提下有效较少离散点。并在数值分析离散化误差分布特征基础上,设计拉格朗日多项式阶次自适应策略,进一步减少了优化变量维度。通过提出综合椭圆和线性时变约束的混合避障约束策略,在保证安全性的同时实现了数值优化难度与优化结果保守性之间的良好平衡。在多障碍物场景下,通过仿真和实验验证了所提方法的加速效果和性能。结果表明,与传统方法相比离散化精度和求解效率分别提高了74%和60%。展开更多
基金教育部新世纪优秀人才支持计划(the Supported Program for New Century Excellent Talents in University under Grant No.NCET-08-0660)河南省高校科技创新人才支持计划(No.2008HASTIT012)+2 种基金河南省科技攻关项目(No.0624220081)海南省自然科学基金项目(No.610221)郑州市科技攻关项目(No.064SGDG25127-9)
文摘非线性模型预测控制(nonlinear model predictive control,NMPC)是一种有效的自动驾驶运动规划方法,但数值优化对计算资源的巨大需求限制其实际应用。本文通过降低优化变量维度,简化非凸避障约束,提高NMPC运动规划系统数值优化的求解速度。针对车辆动力学的强非线性,采用拉格朗日插值逼近动力学方程和目标函数,在保证精度的前提下有效较少离散点。并在数值分析离散化误差分布特征基础上,设计拉格朗日多项式阶次自适应策略,进一步减少了优化变量维度。通过提出综合椭圆和线性时变约束的混合避障约束策略,在保证安全性的同时实现了数值优化难度与优化结果保守性之间的良好平衡。在多障碍物场景下,通过仿真和实验验证了所提方法的加速效果和性能。结果表明,与传统方法相比离散化精度和求解效率分别提高了74%和60%。
