Model Predictive Control for Path Following of an Autonomous Student Car
Abstract
Siden 2008 har DNV FuelFighter vært en del av konkurransen Shell Eco-Marathon. Konkurransen dreier seg om å lage den mest energieffektive bilen. I 2018 lanserte Shell Eco-Marathon sin første autonome konkurranse. 2020 var det første året DNV FuelFighter bestemte seg for å konkurrere i den autonome konkurransen. For å lage en autonom bil, må flere delsystemer fungere sammen. Et av delsystemene er kontrollsystemet. Her må kjøretøyet bestemme hvilken vinkel og hastighet den skal ha for å nå målet.
Denne oppgaven fokuserer på kontrollsystemet til bilen, hvor en langsgående og lateral kontrollsystem er utviklet slik at den får DNV Fuelfighters autonome bil til å følge en gitt vei samtidig som at den er energieffektiv og følger en referansehastighet. For å oppnå dette er det utviklet en Model Predictive Controller (MPC). MPCen vil gi optimal styrevinkel og hastighet slik at de ulike kriteriene er oppfylt. For å sammenligne energieffektivitet er det utviklet to MPCer, en som inkluderer energikriteriet (Energy MPC) og en som ikke gjør det (Non-Energy MPC).
Modellen som brukes for å beskrive kjøretøyet er en kombinasjon av både kinematisk og dynamisk sykkelmodell hvor den dynamiske modellen brukes for langsgående kontroll og den kinematiske modellen brukes for lateral kontroll.
For å sammenligne de to MPCene ble to scenarier testet hvor ytelse, energieffektivitet og beregningstid ble evaluert. Resultatene viste at begge MPC-ene klarte å følge den gitte banen, men Energy MPC-en sparte rundt 12% energi. Dette kom med kostnadene at den kjørte med redusert hastighet. Energy MPCen ble deretter implementert sammen med ROS og Gazebo og simulert under et mer realistisk miljø. Resultatet fra denne simuleringen viste at MPCen hadde fortsatt god ytelse. Since 2008, DNV FuelFighter has been a part of the competition Shell Eco-Marathon. The competition revolves around creating the most energy-efficient car. In 2018 Shell Eco-Marathon launched their first autonomous competition where each team needed to create an autonomous car. DNV FuelFighter decided in 2020 that they wanted to compete in the autonomous competition. For an autonomous car to work, several subsystems need to work together. One of the subsystems is the control system. Here the vehicle needs to decide what angle and velocity it should have to reach its destination.
This thesis focuses on the car's control system, where a longitudinal and lateral controller is developed and implemented. DNV Fuelfighters autonomous car must manage to follow a given path while being energy efficient and following a reference velocity. A Model Predictive Controller (MPC) has been developed to achieve this. The MPC will give the optimal steering angle and velocity such that the different criteria are fulfilled. Two MPCs have been developed to compare energy efficiency, one that includes the energy criteria (Energy MPC) and one that does not (Non-Energy MPC).
The model used to describe the vehicle is a combination of both kinematic and dynamic bicycle models, where the dynamic model is used for longitudinal control and the kinematic model is used for lateral control.
Two scenarios were tested to compare the two MPCs, where performance, energy efficiency, and computational load were the criteria. The results showed that both MPCs managed to follow the given path, but the Energy MPC saved around 12% energy. However, this came with the cost of reduced velocity. The Energy MPC was then implemented with ROS and Gazebo and simulated under a more realistic environment. The result from this simulation showed good performance from the Energy MPC.