Unser Teammitglied Baha Zarrouki vertrat unser AVS lab auf der diesjährigen American Control Conference (ACC24) in Toronto, Kanada. Baha präsentierte unsere jüngste Arbeit an einem modellprädiktiven Regelungsalgorithmus für das autonome Fahren und das Verfolgen von Trajektorien. Insbesondere wurde ein Stochastic Nonlinear Model Predictive Controller (SNMPC) vorgestellt, der an Echtzeitanwendungen in realen Szenarien arbeitet. SNMPC's Effektivität bei der Echtzeitsteuerung eines hochdimensionalen, stark nichtlinearen Systems: die kombinierte Längs- und Querbewegungssteuerung eines autonomen Personenfahrzeugs.

🌟 Was macht unseren Algorithmus so besonders?
Der SNMPC nutzt probabilistische Unsicherheitsbeschreibungen, die es ermöglichen, akzeptable Risikoniveaus in den Systembetrieb einzubeziehen. Dieser Ansatz schafft ein Gleichgewicht zwischen der Leistung des geschlossenen Regelkreises und der Verletzung von Beschränkungen und mildert die mit der robusten nichtlinearen MPC verbundene Konservativität.
Wir haben das Konzept des Uncertainty Propagation Horizon (UPH) eingeführt, um die Zeit für die Ausbreitung der Unsicherheit durch die nichtlineare Systemdynamik zu begrenzen. Dies verhindert eine Divergenz in der Entwicklung unsicherer Zustände, vermeidet übermäßig verschärfte Randbedingungen, nutzt die Vorteile der Rückkopplungsschleife und reduziert den Rechenaufwand. Mit UPH lassen sich Unmöglichkeitsprobleme selbst bei falschen Unsicherheitsannahmen oder starken Störungen wirksam lösen.

Das SNMP wurde mit TUM-CONTROL in der Simulation und in einer realen Umgebung validiert. Sie können sich das Paper hier ansehen: 📄 "A Stochastic Nonlinear Model Predictive Control with an Uncertainty 📄 Propagation Horizon for Autonomous Vehicle Motion Control"
👨‍🔬🙏 Special thanks to co-authors Chenyang Wang and Johannes Betz
🔗 Link: arxiv.org/abs/2310.18753 (initial version)