Change search
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf
Optimization based trajectory planning for autonomous racing
KTH, School of Engineering Sciences (SCI), Aeronautical and Vehicle Engineering, Vehicle Dynamics.
2019 (English)Independent thesis Advanced level (degree of Master (Two Years)), 20 credits / 30 HE creditsStudent thesis
Abstract [en]

Autonomous driving is one of the three new technologies that are disrupting the classical vehicle industry together with electrification and connectivity. All three are pieces in the puzzle to drastically reduce the number of fatalities and injuries from traffic accidents but also to reduce the total amount of cars, reduce the polluting greenhouse gases, reduce noise pollution and completely eliminate unwanted driving. For example would most people rather rest, read or do anything else instead of driving in congested traffic. It is not small steps to take and it will have to be done incrementally as many other things. Within the vehicle industry racing has always been the natural place to push the boundaries of what is possible. Here new technologies can be tested under controlled circumstances in order to faster find the best solution to a problem.Autonomous driving is no exception, the international student competition ”Formula Student” has introduced a driverless racing class and Formula E are slowly implementing Robo Race. The fact that race cars aim to drive at the limits of what is possible enable engineers to develop algorithms that can handle these conditions even in the every day life. Because even though the situations when normal passenger cars need to perform at the limits are rare, it is at these times it can save peoples lives. When an unforeseen event occurs and a fast manoeuvre has to be done in order to avoid the accident, that is when the normal car is driving at the limits. But the other thing to take into considerations when taking new technology into the consumer market is that the cars cannot cost as much as a race car. This means simpler computers has to be used and this in turn puts a constraint on the algorithms in the car. They can not be too computationally heavy.In this thesis a controller is designed to drive as fast as possible around the track. But in contrast to existing research it is not about how much the limit of speed can be pushed but of how simple a controller can be. The controller was designed with a Model Predictive Controller (MPC) that is based on a point mass model, that resembles the Center of Gravity (CoG) of the car. A g-g diagram that describes the limits of the modeled car is used as the constraints and the cost function is to maximize the distance progressed along the track in a fix time step. Together with constraints on the track boundaries an optimization problem is giving the best possible trajectory with respect to the derived model. This trajectory is then sent to a low level controller, based on a Pure Pursuit and P controller, that is following the predicted race trajectory. Everything is done online such that implementation is possible. This controller is then compared and evaluated to a similar successful controller from the literature but which has a more complicated model and MPC formulation. The comparison is made and some notable differences are that the point mass model is behaving similar to the more complex model from the literature. Though is the hypothesis not correct since the benefits of the simplification of the model, from bicycle to point mass model, is replaced when more complex constraints has to be set up, resulting in similar performance even in computational times.A combination of the two models would probably yield the best result with acceptable computational times, this is left as future work to research.

Abstract [sv]

Autonom körning är tillsammans med elektrifiering och uppkopplande av fordon en av tre teknologier som håller på att förändra den klassiska fordonsindustrin. Alla tre är delar i ett pussel för att drastiskt reducera antalet döda och skadade i trafiken men också för att reducera det totala antalet bilar, minska växthusgasutsläppen, mindre störande ljud och potentiellt helt kunna ta bort de timmar som man måste sitta framför en ratt utan att vilja. Det ¨ar inga små˚ förändringar och detta kommer implementeras stegvis. Inom for-donsindustrin har racing alltid varit den naturliga arenan för att föra utvecklingen framåt. Här kan nya teknologier bli testade under kontrollerade former för att snabbare kunna hitta optimala lösningar. När det kommer till autonom körning ser det ut som att detta är fallet här också, den internationella student tävlingen Formula Student har precis infört en klass för självkörande bilar och Formula E inför långsamt det som kallas Robo Race. De faktum att racebilar kör på gränsen av vad som är möjligt gör det möjligt för ingenjörer att utveckla algoritmer som kan hantera liknande situationer i vardagen. Även om de situationer där en vanlig bil behöver kunna köra på gränsen av vad som är möjligt är få, så är det vid dessa tillfällen som det finns möjlighet att rädda människoliv. När en oförutsädd händelse inträffar och en snabb manöver behöver utföras för att undvika en olycka, det är precis då som en vanlig bil behöver kunna köra på gränsen av vad som är möjligt. Men en annan sak att räkna in är att bilar som säljs till konsumenter inte kan kosta lika mycket som en racerbil. Detta betyder att enklare elektronik och hårdvara måste användas vilket i sin tur betyder att algoritmerna som används inte får vara för beräknings tunga.

I detta examensarbete designas en regulator som skall vara så snabb som möjligt runt en bana, men istället för att, som i mycket annan forskning, fokusera helt på att minimera varvtiden, har här valts att se hur enkel och därmed beräkningssnabb man kan göra en regulator som ändå ger acceptabla resultat. Regulatorn var designad som en Modell Prediktiv Regulator (MPC) som är baserad på en punkt-mass modell som motsvarar mass-centrum av bilen. Ett g-g diagram används för att beskriva bilens gränser på vad den kan klara och kostnadsfunktionen designas på ett sätt så att regulatorn vill ta sig så långt som möjligt på banan under en fix tid. Tillsammans med restriktioner på vart bilen får köra ger detta optimeringsproblem den optimala trajektorien. Den beräknade trajektorien är sedan skickad till lågnivåregulatorer, en Pure Pursuit för lateral styrning och en P regulator för longitudinel styrning. Allting är gjort så att det skall kunna implementeras på en riktig racerbil utan att beräkningar görs i förhand.

Den designade regulatorn är sedan jämförd med en mer komplicerad regulator som är publicerad och som har visat sig fungera. Vid jämförelsen visade det sig att båda beter sig likt i många situationer men vissa skillnader kunde observeras, som att den föreslagna hypotesen inte visade sig vara riktig. Även fast den designade regulatorn var enklare i sin modell, blev restriktionsbetingelserna svårare att hantera och därmed beräkningstiden ungefär den samma.

Att sammanfoga de två modellerna är av intresse för att hitta en bättre mer race-optimal lösning och kommer tas an i framtida arbete.

Place, publisher, year, edition, pages
2019. , p. 62
Series
TRITA-SCI-GRU ; 2019:214
National Category
Vehicle Engineering
Identifiers
URN: urn:nbn:se:kth:diva-265602OAI: oai:DiVA.org:kth-265602DiVA, id: diva2:1380147
External cooperation
ÅF
Examiners
Available from: 2019-12-18 Created: 2019-12-18 Last updated: 2019-12-18Bibliographically approved

Open Access in DiVA

fulltext(4565 kB)24 downloads
File information
File name FULLTEXT01.pdfFile size 4565 kBChecksum SHA-512
7b51a913ecb476647992b839e602f7f4003429610617c041eff2af19f819656b31b01836aabac0aa3b9818a54a01138d0f15cae7cbb3128e97fb97924936e492
Type fulltextMimetype application/pdf

By organisation
Vehicle Dynamics
Vehicle Engineering

Search outside of DiVA

GoogleGoogle Scholar
Total: 24 downloads
The number of downloads is the sum of all downloads of full texts. It may include eg previous versions that are now no longer available

urn-nbn

Altmetric score

urn-nbn
Total: 77 hits
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf