💻 computer science

LPV-MPC for Lateral Control in Full-Scale Autonomous Racing

تقدم هذه الورقة نموذجاً للتحكم التنبئي بالنماذج ذات المعلمات المتغيرة خطياً (LPV-MPC) للتحكم الجانبي لمركبات السباق ذاتية القيادة كاملة الحجم، مما يثبت نجاح تنفيذه وأداءه المستقر عند سرعات تتجاوز 160 ميلاً في الساعة على مركبة IAC AV-24 مع معالجة القيود الحسابية والتشغيلية.

المؤلفون الأصليون: Hassan Jardali, Ihab S. Mohamed, Durgakant Pushp, Lantao Liu

نُشر 2026-03-17

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Hassan Jardali, Ihab S. Mohamed, Durgakant Pushp, Lantao Liu

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك تعلم روبوتاً قيادة سيارة سباق حول مضمار بسرعة تفوق سرعة سيارات الفورمولا 1. الهدف ليس مجرد البقاء على الطريق؛ بل هو الالتصاق بالخط الداخلي للمنعطف، واجتياز المنعطفات بسرعة 160 ميلاً في الساعة، والقيام بذلك دون الاصطدام، وكل ذلك بينما يتعين على كمبيوتر السيارة اتخاذ القرارات في لمح البصر.

هذه الورقة البحثية تتحدث عن كيف علّم فريق IU-Luddy للسباقات ذاتية القيادة روبوتهم القيام بذلك بالضبط. لقد بنوا "دماغاً" للسيارة يسمى LPV-MPC، وإليك شرح لكيفية عمله بأسلوب مبسط.

1. المشكلة: القيادة على حافة الفوضى

القيادة بسرعة عادية أمر سهل؛ فالإطارات تتماسك مع الطريق، وإذا أدرت المقود، تنعطف السيارة. لكن عند سرعة 160 ميلاً في الساعة، تصبح الفيزياء غريبة. تبدأ الإطارات في الانزلاق (مثل قرص الهوكي على الجليد)، وتميل السيارة بشدة داخل المنعطفات، وقد يكون الطريق نفسه مائلاً (منحدراً) مثل الأفعوانية (الرولر كوستر).

إذا استخدمت قاعدة بسيطة مثل "أدر المقود 10 درجات"، فستصطدم السيارة لأنها لا تأخذ في الاعتبار مدى سرعتك أو مدى انزلاق الإطارات. احتاج الفريق إلى وحدة تحكم يمكنها التنبؤ بالمستقبل والتكيف فوراً.

2. الحل: السائق "الذي يملك كرة بلورية" (LPV-MPC)

ابتكر الفريق وحدة تحكم تسمى LPV-MPC. دعونا نفكك الاسم باستخدام تشبيه:

MPC (التحكم التنبئي بالنموذج - Model Predictive Control): تخيل أنك تلعب لعبة فيديو حيث يمكنك رؤية ما سيحدث بعد ثانيتين في المستقبل. قبل أن تقوم بأي حركة، تقوم بمحاكاة: "إذا انعطفت يساراً الآن، هل سأصطدم بالحائط بعد ثانيتين؟ إذا انعطفت يميناً، هل سأبتعد كثيراً عن المسار؟" أنت تختار الحركة التي تبقيك آمناً وعلى المسار. يقوم نظام MPC بهذا آلاف المرات في الثانية. إنه ينظر للأمام، ويخطط لمسار، ثم ينفذ الخطوة الأولى فقط من تلك الخطة قبل أن يعيد النظر للأمام مرة أخرى.
LPV (النموذج الخطي متغير المعلمات - Linear Parameter-Varying): هذا هو الجزء "الذكي". السائق العادي قد يفترض أن السيارة تتعامل دائماً بنفس الطريقة، لكن سيارة السباق عند سرعة 50 ميلاً في الساعة تختلف في أدائها عن سرعتها عند 160 ميلاً في الساعة.
- التشبيه: فكر في الحرباء. الحرباء تغير لونها بناءً على محيطها. وبالمثل، تغير وحدة التحكم هذه "قواعدها" بناءً على سرعة السيارة الحالية، ومدى حدة المنعطف، ومدى ميلان المضمار. إنها لا تستخدم خريطة ثابتة واحدة؛ بل تستخدم خريطة حية ومتغيرة تتحدث فورياً مع تسارع السيارة أو تباطؤها.

3. "التدريب" (تحديد خصائص النظام)

لا يمكنك مجرد التخمين حول كيفية سلوك سيارة السباق؛ بل يجب عليك قياس ذلك. كان على الفريق معرفة كيف تتماسك إطارات سيارتهم تحديداً مع الطريق.

التحدي: لم يكن بإمكانهم مجرد القيادة حول المضمار للاختبار لأن الاصطدامات مكلفة وخطيرة.
الحل: استخدموا طريقة "المحقق الرياضي". لقد أخذوا بيانات من لفات سابقة (حيث كانت السيارة تقود بسرعة عالية) واستخدموا خوارزمية حاسوبية لعكس هندسة فيزياء الإطارات. الأمر يشبه الاستماع إلى أغنية ومحاولة معرفة الآلات الموسيقية المستخدمة بدقة بمجرد تحليل الموجات الصوتية. لقد وجدوا "صلابة" الإطارات (مدى انحنائها قبل الانزلاق) وغذوا هذه البيانات في وحدة التحكم.

4. الاختبار الواقعي: تحدي إنديانابوليس للقيادة الذاتية

أخذ الفريق سيارتهم الروبوتية إلى حلبة "إنديانابوليس موتور سبيدواي" ولاحقاً إلى حلبة "لاس فيغاس موتور سبيدواي". هذه مسارات بيضاوية ضخمة ذات منحدرات حادة (جدران مائلة).

النتيجة: قادت السيارة نفسها ذاتياً بسرعات تزيد عن 160 ميلاً في الساعة.
الأداء:
- حافظت على المسار بدقة مذهلة، حيث انحرفت حوالي 1.6 متر فقط عن الخط المثالي (وهي مسافة ضئيلة جداً لسيارة تسير بهذه السرعة).
- تعاملت مع "قوى الجاذبية" (g-forces) في المنعطفات دون أن تنزلق وتدور حول نفسها.
- حل الكمبيوتر المعادلات الرياضية المعقدة في حوالي 6 مللي ثانية (أسرع من رمشة عين الإنسان).

5. لماذا يهم هذا؟

قبل هذا، كانت معظم وحدات التحكم في السباقات عالية السرعة إما بسيطة جداً (وتصطدم عند السرعات العالية) أو معقدة جداً (بحيث لا يستطيع الكمبيوتر الحساب بالسرعة الكافية).

تثبت هذه الورقة البحثية أنه يمكنك الحصول على كليهما: وحدة تحكم ذكية بما يكفي للتعامل مع فيزياء سيارة السباق المعقدة، وسريعة بما يكفي لتعمل على كمبيوتر بحجم اللابتوب داخل السيارة.

الخلاصة

فكر في هذا النظام كـ مدرب خارق يجلس في مقعد الركاب:

يعرف الحدود الفيزيائية الدقيقة للسيارة (الإطارات، الوزن).
يسأل باستمرار: "إذا وجهت المقود بهذا الاتجاه، أين سنكون بعد ثانيتين؟"
يعدل استراتيجيته فوراً مع زيادة سرعة السيارة أو ميلان المضمار.
يبقي السيارة ملتصقة بالمسار، حتى عندما تصرخ قوانين الفيزياء بكلمة "اصطدام!".

لقد نشر الفريق الكود الخاص بهم مجاناً، حتى يتمكن الباحثون الآخرون من استخدام هذا "المدرب الخارق" لبناء سيارات ذاتية القيادة أفضل للمستقبل.

ملخص تقني لورقة بحثية بعنوان: "التحكم التنبئي بالنماذج المعتمد على المعلمات المتغيرة خطياً (LPV-MPC) للتحكم الجانبي في سباقات السيارات ذاتية القيادة كاملة الحجم"

1. بيان المشكلة

تفرض سباقات السيارات ذاتية القيادة تحديات فريدة لأنظمة التحكم، لا سيما عند السرعات العالية (التي تتجاำ 160 ميلاً في الساعة). وتشمل الصعوبات الرئيسية ما يلي:

الديناميكيات غير الخطية: انزلاق الإطارات الكبير، والاقتران بين الديناميكيات الطولية والجانبية، وتغير احتكاك الإطار بالطريق.
القيود الحسابية: يجب أن تعمل وحدات التحكم ضمن قدرة المعالجة المحدودة للنظام الموجود على متن المركبة مع تلبية المتطلبات الصارمة للوقت الفعلي.
الحدود التشغيلية: غالباً ما تواجه الفرق وقتاً محدوداً جداً للضبط (tuning) وتواجه تكاليف باهظة لإصلاح المركبات، مما يجعل وحدات التحكم القوية والمضبوطة مسبقاً أمراً ضرورياً.
عدم اليقين في النموذج: تفشل النماذج الكينماتيكية التقليدية (مثل Pure Pursuit) عند سرعات السباق لأنها تفترض ظروف عدم الانزلاق، بينما تكون النماذج غير الخطية المعقدة مكلفة حسابياً للغاية أو يصعب تحديدها دون بيانات واسعة.

تعالج الورقة الحاجة إلى استراتيجية تحكم جانبي توازن بين المتانة، والدقة، والكفاءة الحسابية للمركبات ذاتية القيادة كاملة الحجم على المسارات البيضاوية.

2. المنهجية

يقترح المؤلفون متحكماً تنبؤياً بالنماذج يعتمد على المعلمات المتغيرة خطياً (LPV-MPC) مصمماً خصيصاً للتحكم الجانبي عالي السرعة.

أ. نمذجة المركبة

النموذج الأساسي: تم استخدام نموذج دراجة (bicycle model) أحادي المسار، تم توسيعه ليشمل زاوية التوجيه ( $\delta$ ) كمتغير حالة للتعامل صراحة مع قيود معدل التوجيه.
التعزيز: يدمج النموذج ميل الطريق ( $\phi$ ) كعنصر تشويش ( $g \sin \phi$ ) لمراعاة المساعدة الجاذبية على المسارات البيضاوية (التي تصل زاوية ميلها إلى 20 درجة).
صياغة LPV: تمت صياغة النظام كـ LPV حيث يتم جدولة مصفوفات فضاء الحالة ( $A, B, C, D$ $A, B, C, D$ ) بواسطة ثلاثة معلمات متغيرة زمنياً:
1. السرعة الطولية ( $v_x$ )
2. انحناء المسار ( $\kappa$ )
3. زاوية ميل الطريق ( $\phi$ )
متجه الحالة: يتتبع المتحكم أخطاء الموقع العرضي ( $e_y$ )، والسرعة العرضية ( $\dot{e}_y$ )، واتجاه المسار ( $e_\psi$ )، ومعدل الدوران ( $\dot{e}_\psi$ )، وزاوية التوجيه ( $\delta$ ).

ب. تحديد المعلمات

تحديد النظام: نظراً لصعوبة قياس معلمات الإطارات بدقة، استخدم المؤلفون نهج توقع التعظيم (EM) مع التحسين بطريقة المربعات الصغرى غير الخطية.
نموذج الإطار: قاموا بملاءمة نموذج إطار Pacejka (Magic Formula) مع بيانات وحدة القياس بالقصور الذاتي (IMU) التي تم جمعها أثناء جولات التدريب.
الخطيّة: تم تحويل معلمات Pacejka غير الخطية إلى قيم صلابة زاوية خطية ( $C_f, C_r$ ) لاستخدامها في الـ MPC، وتم التحقق من صحتها باستخدام نهج الشبكة العصبية المستوحاة من الفيزياء (PINN).

**ج. صياغة التحكم

دالة الهدف: مشكلة مربعات صغرى غير خطية مقيدة تهدف لتقليل أخطاء التتبع، وجهد التحكم، وفرض عقوبة على زاوية الانزلاق الجانبي ( $\beta$ ) لضمان الاستقرار.
القيود: التعامل الصريح مع حدود زاوية التوجيه ( $\delta_{min/max}$ ) وحدود معدل التوجيه ( $\dot{\delta}_{min/max}$ ).
المحلل (Solver): يتم حل مشكلة التحسين باستخدام acados مع مخطط التكرار في الوقت الفعلي للبرمجة التربيعية المتسلسلة (SQP-RTI) وHPIPM، مع تقسيم زمني قدره 1.6 ثانية (45 خطوة).
نظام الاحتياط: يعمل متحكم Pure Pursuit كنسخة احتياطية للأمان في حال فشل الـ MPC بسبب عدم الاستقرار العددي أو انتهاك القيود.

3. المساهمات الرئيسية

إطار عمل LPV-MPC: تطوير متحكم جانبي يتكيف مع تغير السرعات، والانحناءات، وزوايا الميل في الوقت الفعلي، متجاوزاً قيود المتحكمات ذات الكسب الثابت أو السرعة الثابتة.
التحقق من الحجم الكامل: النشر الناجح على مركبة IAC AV-24 (سيارة سباق ذاتية القيادة كاملة الحجم) وتحقيق تحكم مستقر عند سرعات تتجاوز 160 ميلاً في الساعة (71.5 م/ث).
خط إنتاج تحديد النظام: منهجية مفصلة لاستخراج المعلمات الديناميكية (معاملات Pacejka) من بيانات المسار المحدودة باستخدام خوارزمية EM، مما يسد الفجوة بين النماذج النظرية وديناميكيات المركبة في الواقع.
إتاحة المصدر المفتوح: توفير تنفيذ قائم على لغة Python لإطار العمل لتسهيل إعادة الإنتاج ومزيد من الأبحاث في مجتمع السيارات ذاتية القيادة.

4. النتائج التجريبية

تم اختبار النظام خلال تحدي Indy للسيارات ذاتية القيادة (IAC) في حلبة لاس فيغاس موتور سبيدواي (LVMS) في 9 يناير 2025.

مقاييس الأداء:
- السرعة القصوى: حققت 163.1 ميلاً في الساعة (72 م/ث) في اللفة الأخيرة.
- زمن اللفة: أفضل زمن لفة بلغ 34.18 ثانية بمتوسط سرعة 157.98 ميلاً في الساعة.
- خطأ التتبع: متوسط خطأ الموقع العرضي كان -1.02 م (مما يشير إلى إزاحة ثابتة نحو اليسار من الخط المرجعي)، مع انحراف معياري قدره 0.38 م. ظل خطأ الاتجاه ضمن نطاق ±1 درجة.
- الاستقرار: حافظت المركبة على أداء مستقر طوال 12 لفة عالية السرعة، حيث وصلت التسارعات الجانبية إلى 27 م/ث².
الحوسبة: عملت دورة التحكم بمتوسط زمن حسابي قدره 5.78 مللي ثانية، وهو أقل بكثير من دورة الـ 10 مللي ثانية المطلوبة للتشغيل بتردد 100 هرتز (تعمل حالياً بتردد 50 هرتز).
الملاحظات:
- تعامل المتحكم بنجاح مع الانتقال إلى منطقة الإطار غير الخطية (زوايا انزلاق تصل إلى 2 درجات).
- عُزي وجود خطأ مستمر في الموقع العرضي إلى إزاحات التوجيه في الأجهزة غير الملحوظة وتوزيع الوزن غير المتماثل، والتي لم يتم تعويضها بالكامل في النموذج.
- ارتفعت أخطاء النموذج أثناء مدخلات التسارع القوية بسبب الاقتران الطولي-الجانبي الذي لم يتم التقاطه بالكامل في النموذج الخطي.

5. الأهمية والخاتمة

تثبت هذه الورقة أن LPV-MPC استراتيجية قابلة للتطبيق وفعالة للسباقات ذاتية القيادة كاملة الحجم عند السرعات القصوى. ومن خلال جدولة المتحكم صراحةً بناءً على السرعة، والانحناء، والميل، يحقق النظام مستوى من التكيف تفتقر إليه المتحكمات ذات المعلمات الثابتة.

الأثر العملي: تؤكد الورقة أن التحكم القائم على التحسين المعقد يمكن أن يعمل بشكل موثوق على الأجهزة المدمجة في بيئة تنافسية عالية المخاطر ذات وقت تدريب محدود.
التوجهات المستقبلية: حدد المؤلفون الحاجة إلى معالجة أفضل للاقتران الطولي-الجانبي (Nonlinear MPC)، وتحسين تحديد المعلمات للمركبات غير المتماثلة، وتضمين تكلفة نهائية قوية لتعزيز الاستقرار.
القيمة المجتمعية: يوفر نشر الكود والتحليل المفصل لعملية تحديد المعلمات مرجعاً قيماً للباحثين الذين يهدفون إلى دفع حدود التحكم في المركبات ذاتية القيادة.