💻 computer science

Trajectory Planning for an Articulated Commercial Vehicle using Model Predictive Contouring Control

تقدم هذه الورقة إطار عمل ممتد للتحكم التنبؤي بالنموذج المحيطي (MPCC) مصمم للمركبات التجارية المفصلية، يدمج تحديد أولويات نقاط الارتكاز المعتمدة على السيناريو وقيود حدود الطريق متعددة المحاور الصريحة لضمان تخطيط مسار آمن ومستقر في كل من مناورات الحركة للأمام والخلف.

المؤلفون الأصليون: A. J. Aertssen, R. G. M. Huisman, I. J. M. Besselink, J. Elfring, M. J. G. van de Molengraft

نُشر 2026-04-28

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: A. J. Aertssen, R. G. M. Huisman, I. J. M. Besselink, J. Elfring, M. J. G. van de Molengraft

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 تحاول ركن شاحنة ضخمة بطول 16 متراً مع مقطورة ملحقة بها. الآن، تخيل القيام بذلك ليس في خط مستقيم فحسب، بل عبر الرجوع للخلف داخل رصيف تحميل ضيق، أو عبور زاوية شارع حادة. إذا كنت تقود سيارة عادية، فستكتفي بتدوير المقود واتباع منتصف المسار. لكن مع شاحنة ومقطورة، الأمر يشبه محاولة المشي على حبل مشدود وأنت تحمل قضيباً طويلاً على كتفيك: الجزء الخلفي لا يتبع الجزء الأمامي؛ بل ينحرف بعيداً أو يقطع الزاوية بطريقة خطيرة. يُسمى هذا "الانحراف عن المسار" (off-tracking)، وإذا لم تكن حذراً، فقد تنطوي المقطورة على الكابينة مثل الأكورديون (ما يعرف بـ "الطي المتعرج" أو الـ jackknife)، أو قد تخرج العجلات عن الطريق تماماً.

تقدم هذه الورقة البحثية "دماغاً" جديداً للشاحنات ذاتية القيادة يحل هذه المشكلات باستخدام طريقة تسمى التحكم التنبئي بالمسار المحيطي (MPCC). إليك كيف يعمل ذلك، مقسماً إلى مفاهيم بسيطة:

1. المشكلة: ليس كل نموذج يصلح للجميع

بالنسبة للسيارات العادية، يمكن لبرامج الكمبيوتر الحالية تخطيط المسار بسهولة. لكن الشاحنة مع المقطورة هي كائن مختلف تماماً.

مشكلة الحجم: الشاحنة ضخمة. عندما تنعطف، يبرز الجزء الأمامي في المسار المقابل، وقد تقطع عجلات المقطورة الرصيف.
مشكلة الرجوع للخلف: الرجوع للخلف بالشاحنة عملية غير مستقرة. الأمر يشبه محاولة موازنة عصا مكنسة على يدك أثناء المشي للخلف؛ حركة واحدة خاطئة وقد تنقلب.
مشكلة "من هو القائد؟": في بعض الأحيان، يكون الجزء الأكثر أهمية من المركبة هو المقطورة (مثل عند الرجوع لرصيف تحميل). وفي أوقات أخرى، يكون الجزء الأمامي من الشاحنة هو الأهم (مثل عند الاقتراب من محطة شحن). يجب على الكمبيوتر أن يعرف أي جزء من المركبة يجب إعطاؤه الأولوية في أي لحظة معينة.

2. الحل: "خيط افتراضي" و"حبل سحري"

قام الباحثون بتطوير خوارزمية موجودة (MPCC) للتعامل مع مشكلات الشاحنة المحددة هذه. فكر في الأمر بهذه الطريقة:

الخيط الافتراضي (المسار المرجعي): تخيل خيطاً موضوعاً على الأرض يوضح المسار المثالي الذي يجب أن تتبعه الشاحنة.
الحبل السحري (نقاط الارتكاز): في الماضي، كانت أجهزة الكمبيوتر تراقب نقطة واحدة فقط من المركبة (مثل المركز الخلفي للمحور). أما هذا النظام الجديد فيربط "حبالاً سحرية" في ثلاثة مواضع محددة: مقدمة الشاحنة، مؤخرة الشاحنة، ومؤخرة المقطورة.
الأولويات المعتمدة على السيناريو: يمكن للنظام شد أو إرخاء التركيز على هذه الحبال.
- عند الركن (Docking): يقوم بشد الحبل على مؤخرة المقطورة، مما يضمن وصول المقطورة إلى الرصيف بدقة، حتى لو اضطرت الشاحنة للانحراف بعيداً.
- عند القيادة على الطريق السريع: يحافظ على جميع الحبال مشدودة، مما يضمن بقاء المركبة بأكملها في منتصف المسار.

3. شبكة الأمان: إبقاء جميع العجلات على الطريق

الابتكار الأكبر هنا هو أن الكمبيوتر لا يتحقق فقط مما إذا كان مركز الشاحنة آمناً، بل يتحقق من العجلات الأمامية، والعجلات الخلفية للشاحنة، وعجلات المقطورة بشكل فردي.

تخيل قيادة قارب طويل عبر قناة ضيقة. إذا نظرت فقط إلى منتصف القارب، فقد تعتقد أنك في أمان، لكن مقدمة القارب (الصدر) أو مؤخرته (الstern) قد تحتك بالجدران. يقوم هذا النظام برسم "ممر" للطريق ويضمن بقاء كل عجلة داخل هذا الممر، مما يمنع الشاحنة من صدم الأرصفة أو العوائق.

4. النتائج: اختبار النظرية

اختبر الباحثون هذا "الدماغ" بطريقتين:

محاكاة الكمبيوتر: أنشأوا عالماً افتراضياً حيث كان على الشاحنة القيادة إلى ساحة عميل، ثم دوران زاوية حادة، ثم الرجوع للخلف إلى رصيف تحميل. نجح النظام في التنقل في كل من الاتجاهين (للأمام وللخلف) دون أن تنطوي المقطرة (jackknife) أو تخرج العجلات عن الطريق.
نموذج أولي حقيقي: وضعوا البرنامج على شاحنة حقيقية كاملة الحجم. تبعت الشاحنة المسار المخطط له بنجاح في العالم الحقيقي، مما أثبت أن الرياضيات تعمل على المعدن والمطاط الفعلي.

الخلاصة

هذه الورقة لا تقول فقط "يمكننا قيادة شاحنة". بل تقول: "يمكننا تعليم الكمبيوتر قيادة شاحنة من خلال مراقبة كل جزء من المركبة، وليس فقط مركزها، ومن خلال معرفة أي جزء هو الأهم في لحظة معينة".

من خلال ضبط "الأوزان" (مدى اهتمام الكمبيوتر بالمقطرة مقابل الشاحنة)، يمكن للنظام أن يعمل كالسائق الحذر الذي يرجع للخلف في مكان ضيق، أو كالسائق السلس الذي يسير على الطريق السريع، كل ذلك مع إبقاء كل عجلة بأمان داخل الخطوط.

إليك ملخص تقني مفصل للورقة البحثية بعنوان "تخطيط المسار لمركبة تجارية مفصلية باستخدام التحكم في التوجيه التنبئي بالنموذج (MPCC)."

1. بيان المشكلة

تتناول الورقة تحدي تخطيط المسار الذاتي للمركبات التجارية المفصلية (تحديداً الشاحنات المقطورة - جرار ومقطورة) في سيناريوهات اللوجستيات المعقدة. وخلافاً للسيارات الركاب، تواجه هذه المركبات صعوبات فريدة:

الحجم والهندسة: هي أكبر بكثير (طولها حوالي 16.5 مترًا) وتظهر ظاهرة الانحراف عن المسار (offtracking)، حيث تتبع المقطورة مساراً مختلفاً عن الجرار، مما يؤدي غالباً إلى قطع العجلات الداخلية للزوايا أو تجاوز العجلات الخارجية للمسارات المجاورة.
عدم الاستقرار: عمليات الرجوع للخلف عرضة لظاهرة الطي المفاجئ (jackknifing) (وهو طي غير مستقر لزاوية الارتصاف).
الأولويات المعتمدة على السيناريو: تتطلب مهام القيادة المختلفة إعطاء الأولوية لـ "نقاط مرجعية" مختلفة على المركبة. فعلى سبيل المثال، أثناء عملية الإرساء (docking)، يكون الموضع الخلفي للمقطورة حرجاً؛ وأثناء عملية الشحن، يكون منفذ الجرار حرجاً؛ وفي الطرق السريعة، يجب أن يظل كلاهما في المنتصف.
قصور الطرق الحالية: غالباً ما تبسط طريقة التحكم في التوجيه التنبئي بالنموذج (MPCC) القياسية المستخدمة للسيارات المركبة إلى نقطة واحدة أو تفترض مساراً مرجعياً ثابتاً، مما يفشل في مراعاة الكينماتيكا المعقدة والقيود الحدودية للمركبات المفصلية.

2. المنهجية

يقترح المؤلفون إطار عمل موسع لـ التحكم في التوجيه التنبئي بالنموذج (MPCC) مصمم خصيصاً للشاحنات المقطورة.

أ. نمذجة المركبة

النموذج الكينماتيكي: يتم استخدام نموذج دراجة كينماتيكي للجرار، متصل بالمقطورة عبر نقطة ارتصاف.
متجه الحالة: تشمل الحالة موضع الجرار $(x_1, y_1)$ ، زوايا الاتجاه ( $\psi_1, \psi_2$ )، السرعة ( $v_1$ )، وزاوية التوجيه ( $\delta_0$ ).
الحالات المضافة: من الناحية الجوهرية، يقدم النموذج ثلاث حالات تقدم مستقلة ( $\theta_0, \theta_1, \theta_2$ $θ_{0}, θ_{1}, θ_{2}$ ) تقابل ثلاث نقاط مرجعية:
1. المحور الأمامي للجرار ( $i=0$ )
2. المحور الخلفي للجرار ( $i=1$ )
3. محور المقطرة ( $i=2$ )
  لكل نقطة مرجعية سرعتها الافتراضية الخاصة ( $v_{\theta}$ ) لتقدير المسافة المقطوعة على طول المسار المرجعي.

ب. صياغة التحسين

تتم صياغة المشكلة كمسألة تحسين غير خطية مقيدة تقلل دالة التكلفة $J$ مع الخضوع للديناميكيات والقيود:

دالة الهدف ( $J_m$ ): تقلل من خطأ التوجيه (الانحراف الجانبي عن المسار) وخطأ التأخر (الانحراف الطولي) لكل نقطة مرجعية، مع تعظيم سرعة المسار.
- الابتكار الرئيسي: يسمح الوزن المتغير حسب السيناريو للمخطط بإعطاء الأولوية لنقاط مرجعية محددة (على سبيل المثال، زيادة الوزن $q_{c,2}$ للمقطرة أثناء عملية الإرساء).
حد الراحة ( $J_c$ ): يعاقب على التسارع العالي ومعدلات التوجيه لضمان راحة الركاب/الحمولة.
القيود:
- الحدود الكينماتيكية/الديناميكية: حدود على زاوية التوجيه، معدل التوجيه، السرعة، والتسارع.
- حدود الطريق: يتم تطبيق قيود صريحة على جميع النقاط المرجعية الثلاث لضمان بقاء المحور الأمامي للجرار، والمحور الخلفي للجرار، ومحور المقطرة جميعاً ضمن الممر القابل للقيادة (المحدد بحدود يمنى ويسرى). هذا يمنع "المسار الممسوح" من الاصطدام بالعوائق.
- السلامة: قيود على التسارع الجانبي لمنع الانقلاب.

ج. التنفيذ

يستخدم الحل نظام الأفق المتراجع المنفذ بلغة Python مع مكتبة CasADi وحلال IPOPT.
تم ضبط أفق التنبؤ على 15 ثانية، مما يوازن بين الحمل الحسابي (حوالي 100 مللي ثانية لكل تكرار) وبين مسافة النظر المسبق الكافية لكل من المناورات الأمامية والعكسية.

3. المساهمات الرئيسية

توسيع MPCC للمركبات المفصلية: أول تطبيق لـ MPCC على الشاحنات المقطورة، متجاوزاً حدود الطرق السابقة التي كانت تعامل المركبة كنقطة واحدة.
صياغة قيود النقاط المرجعية المتعددة: الصياغة الصريحة لقيود حدود الطريق للمحاور الثلاثة (أمام الجرار، خلف الجرار، ومحور المقطرة) في آن واحد. يضمن ذلك بقاء المسار الممسوح للمركبة بأكملها ضمن الحدود القابلة للقيادة، مما يمنع الطي المفاجل والاصطدامات الناتجة عن الانحراف.
تحديد الأولويات حسب السيناريو: القدرة على تعديل أوزان التحسين ديناميكياً لإعطاء الأولوية لأجزاء معينة من المركبة (مثل المقطرة للإرساء مقابل الجرار للشحن) دون تغيير هيكل الخوارزمية الأساسي.
التحقق من الصحة: اختبار ناجح في المحاكاة وعلى نموذج أولي كامل الحجم.

4. النتائج

سيناريوهات المحاكاة: تم اختبار الخوارزمية في سيناريو لوجستي يتضمن دوراناً بزاوية 90 درجة ودخولاً إلى منشأة عميل (للأمام وللخلف).
- النجاح: نجحت المركبة في التنقل داخل الممر في كلا الاتجاهين دون حدوث طي مفاجل أو خروج من منطقة القيادة.
- ضرورة القيود: عندما تم تعطيل قيود المقطرة، أدت المحاكاة إلى قطع المقطرة للزوايا (في الحركة للأمام) أو حدوث طي مفاجل (في الحركة للخلف)، مما يثبت ضرورة قيود النقاط المتعددة.
- حساسية الوزن: أظهر تغيير الوزن $q_{c,2}$ (أولوية المقطرة) أن الأوزان الأعلى قللت من الانحراف الجانبي للمقطرة ولكنها تطلبت من الجرار التوجيه بشكل أكثر حدة وإبطاء السرعة لتلبية حدود التسارع الجانبي.
النموذج الأولي الواقعي: تم تنفيذ الطريقة على نموذج أولي لشاحنة (جرار ومقطرة) من نوع DAF. نجحت المركبة في اتباع المسار المخطط له في بيئة حقيقية، مما أكد قابليتها للتطبيق العملي.

5. الأهمية

يسد هذا العمل فجوة حرجة بين تخطيط سيارات الركبات ذاتية القيادة والاحتياجات المعقدة للوجستيات الثقيلة. من خلال توسيع MPCC للتعامل مع الكينماتيكا المفصلية وقيود الحدود متعددة النقاط، يوفر المؤلفون حلاً قوياً لـ:

السلامة: منع الطي المفاجل وضمان بقاء جميع العجلات داخل حدود المسار.
الكفاءة: تمكين عمليات الإرساء الذاتي والرجوع للخلف في المساحات الضيقة، وهو ما يمثل حالياً عائقاً رئيسياً في أتمتة اللوجستيات.
المرونة: تقديم إطار تحكم موحد يتكيف مع أوضاع التشغيل المختلفة (الإرساء، الشحن، القيادة على الطرق السريعة) من خلال ضبط بسيط للمعاملات بدلاً من إعادة كتابة الخوارزمية.

تخلص الورقة إلى أنه بينما يظل بناء ممرات قيادة قوية في البيئات الديناميكية تحدياً، فإن التوسيع المقترح لـ MPCC يعد خطوة هامة نحو مركبات تجارية مفصلية ذاتية القيادة بالكامل.