💻 computer science

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

Dieser Beitrag stellt einen erweiterten Rahmen für die Modellprädiktive Kontursteuerung (MPCC) vor, der auf gelenkige Nutzfahrzeuge zugeschnitten ist und eine szenarioabhängige Priorisierung von Ankerpunkten sowie explizite Mehrachsgrenzbedingungen für die Fahrbahnbegrenzung integriert, um eine sichere und stabile Trajektorienplanung sowohl bei Vorwärts- als auch bei Rückwärtsmanövern zu gewährleisten.

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

Veröffentlicht 2026-04-28

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

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

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie versuchen, einen massiven 16 Meter langen Lkw mit angehängtem Anhänger zu parken. Stellen Sie sich nun vor, dies nicht nur geradeaus zu tun, sondern ihn in eine enge Laderampe zurückzuparken oder eine scharfe Stadtcurve zu navigieren. Wenn Sie ein normales Auto fahren würden, würden Sie einfach das Lenkrad drehen und der Mitte der Fahrspur folgen. Doch bei einem Lkw mit Anhänger ist es wie der Versuch, ein Seil zu gehen, während Sie einen langen Stab auf den Schultern tragen: Das Heck folgt nicht dem Vorderende; es schwingt weit aus oder schneidet die Kurve auf gefährliche Weise. Dies wird als „Nachschleifen" (off-tracking) bezeichnet, und wenn man nicht vorsichtig ist, kann sich der Anhänger wie ein Akkordeon gegen die Kabine falten (ein „Jackknife"-Unfall), oder die Räder können vollständig von der Straße abkommen.

Dieser Artikel stellt ein neues „Gehirn" für autonome Lkws vor, das diese Probleme mit einer Methode löst, die als Modellprädiktive Kontursteuerung (MPCC) bezeichnet wird. So funktioniert es, aufgeteilt in einfache Konzepte:

1. Das Problem: Ein Maß passt nicht für alle

Für normale Autos können bestehende Computerprogramme problemlos einen Pfad planen. Doch ein Lkw mit Anhänger ist ein anderes Tier.

Das Größenproblem: Ein Lkw ist riesig. Wenn er eine Kurve fährt, ragt die Front in die Gegenfahrbahn hinein, und die Räder des Anhängers könnten über den Gehweg schneiden.
Das Rückwärtsfahrproblem: Ein Lkw rückwärts zu fahren, ist instabil. Es ist wie der Versuch, einen Besenstiel auf der Hand zu balancieren, während man rückwärts geht; ein falscher Zug, und er kippt um.
Das „Wer ist der Boss?"-Problem: Manchmal ist der wichtigste Teil des Fahrzeugs der Anhänger (wie beim Rückwärtsfahren in eine Laderampe). Zu anderen Zeiten ist es die Front des Lkws (wie beim Anfahren an eine Ladestation). Der Computer muss wissen, welcher Teil des Fahrzeugs zu jedem gegebenen Moment Priorität hat.

2. Die Lösung: Ein „virtueller Faden" und ein „magisches Seil"

Die Forscher haben einen bestehenden Algorithmus (MPCC) verbessert, um diese spezifischen Lkw-Probleme zu bewältigen. Stellen Sie es sich so vor:

Der virtuelle Faden (Der Referenzpfad): Stellen Sie sich einen Faden vor, der auf dem Boden ausgelegt ist und den perfekten Pfad zeigt, dem der Lkw folgen sollte.
Das magische Seil (Die Ankerpunkte): In der Vergangenheit überwachten Computer nur einen Punkt am Fahrzeug (wie die Mitte der Hinterachse). Dieses neue System befestigt „magische Seile" an drei spezifischen Stellen: der Front des Lkws, dem Heck des Lkws und dem Heck des Anhängers.
Szenarioabhängige Prioritäten: Das System kann den Fokus auf diese Seile straffen oder lockern.
- Anlegen: Es strafft das Seil am Heck des Anhängers, sodass der Anhänger perfekt an die Rampe anlegt, selbst wenn der Lkw weit ausholen muss.
- Autobahnfahrt: Es hält alle Seile straff, sodass das gesamte Fahrzeug in der Mitte der Fahrspur bleibt.

3. Das Sicherheitsnetz: Alle Räder auf der Straße behalten

Die größte Innovation hier ist, dass der Computer nicht nur prüft, ob die Mitte des Lkws sicher ist. Er prüft die Vorderräder, die Hinterachse des Lkws und die Räder des Anhängers einzeln.

Stellen Sie sich vor, Sie fahren ein langes Boot durch einen engen Kanal. Wenn Sie nur auf die Mitte des Bootes schauen, denken Sie vielleicht, Sie seien sicher, aber der Bug (Vorderseite) oder das Heck (Rückseite) könnten die Wände streifen. Dieses System zieht einen „Korridor" für die Straße und stellt sicher, dass jedes einzelne Rad innerhalb dieses Korridors bleibt, wodurch verhindert wird, dass der Lkw Bordsteine streift oder Hindernisse trifft.

4. Die Ergebnisse: Theorie testen

Die Forscher testeten dieses „Gehirn" auf zwei Arten:

Computersimulationen: Sie schufen eine virtuelle Welt, in der der Lkw in einen Kundenhof fahren, eine scharfe Kurve drehen und in eine Laderampe zurückfahren musste. Das System navigierte sowohl vorwärts als auch rückwärts erfolgreich, ohne dass der Anhänger einen Jackknife-Unfall verursachte oder die Räder von der Straße abkamen.
Realwelt-Prototyp: Sie installierten die Software auf einem echten, vollmaßstäbigen Prototyp-Lkw. Der Lkw folgte erfolgreich dem geplanten Pfad in der realen Welt und bewies, dass die Mathematik auf echtem Metall und Gummi funktioniert.

Das Fazit

Dieser Artikel sagt nicht nur „wir können einen Lkw fahren". Er sagt: „Wir können einem Computer beibringen, einen Lkw zu fahren, indem wir jeden Teil des Fahrzeugs beobachten, nicht nur die Mitte, und indem wir wissen, welcher Teil des Fahrzeugs zu jedem spezifischen Moment am wichtigsten ist."

Indem es die „Gewichte" anpasst (wie sehr der Computer den Anhänger im Vergleich zum Lkw berücksichtigt), kann das System wie ein vorsichtiger Fahrer wirken, der in eine enge Stelle rückwärts fährt, oder wie ein ruhiger Fahrer, der die Autobahn entlang cruiset, und dabei gleichzeitig jedes Rad sicher innerhalb der Linien halten.

1. Problemstellung

Das Papier adressiert die Herausforderung der autonomen Trajektorienplanung für gelenkige Nutzfahrzeuge (insbesondere Sattelzüge) in komplexen Logistikszenarien. Im Gegensatz zu Personenkraftwagen stehen diese Fahrzeuge vor einzigartigen Schwierigkeiten:

Größe und Geometrie: Sie sind deutlich größer (ca. 16,5 m Länge) und zeigen Nachschwenkverhalten (Offtracking), bei dem der Sattelanhänger einem anderen Pfad folgt als der Zugmaschine, was häufig dazu führt, dass die inneren Räder Ecken abschneiden oder die äußeren Räder in benachbarte Fahrspuren eindringen.
Instabilität: Rückwärtsmanöver sind anfällig für Einknicken (Jackknifing) (instabiles Falten des Gelenkwinkels).
Szenarioabhängige Prioritäten: Unterschiedliche Fahraufgaben erfordern die Priorisierung verschiedener „Ankerpunkte" am Fahrzeug. Während des Ankoppels (Docking) ist beispielsweise die hintere Position des Sattelanhängers kritisch; beim Laden ist der Anschluss der Zugmaschine entscheidend; auf Autobahnen müssen beide zentriert bleiben.
Einschränkungen bestehender Methoden: Der für Pkw verwendete Standard-Model Predictive Contouring Control (MPCC) vereinfacht das Fahrzeug oft zu einem einzelnen Punkt oder geht von einem festen Referenzpfad aus, wodurch die komplexe Kinematik und Randbedingungen gelenkiger Fahrzeuge nicht berücksichtigt werden.

2. Methodik

Die Autoren schlagen einen erweiterten Model Predictive Contouring Control (MPCC)-Rahmen vor, der speziell für Sattelzüge entwickelt wurde.

A. Fahrzeugmodellierung

Kinematisches Modell: Ein kinematisches Einspurmodell wird für die Zugmaschine verwendet, die über einen Gelenkpunkt mit dem Sattelanhänger gekoppelt ist.
Zustandsvektor: Der Zustand umfasst die Position der Zugmaschine $(x_1, y_1)$ , die Gierwinkel ( $\psi_1, \psi_2$ ), die Geschwindigkeit ( $v_1$ ) und den Lenkwinkel ( $\delta_0$ ).
Erweiterte Zustände: Entscheidend führt das Modell drei unabhängige Fortschrittszustände ( $\theta_0, \theta_1, \theta_2$ $θ_{0}, θ_{1}, θ_{2}$ ) ein, die drei Ankerpunkten entsprechen:
1. Vorderachse der Zugmaschine ( $i=0$ )
2. Hinterachse der Zugmaschine ( $i=1$ )
3. Achse des Sattelanhängers ( $i=2$ )
  Jeder Ankerpunkt verfügt über eine eigene virtuelle Geschwindigkeit ( $v_{\theta}$ ), um die zurückgelegte Strecke entlang des Referenzpfads zu approximieren.

B. Optimierungsformulierung

Das Problem wird als eingeschränktes nichtlineares Optimierungsproblem formuliert, das eine Kostenfunktion $J$ unter Einhaltung von Dynamik und Randbedingungen minimiert:

Zielfunktion ( $J_m$ ): Minimiert den Konturfehler (seitliche Abweichung vom Pfad) und den Verzugsfehler (längsgerichtete Abweichung) für jeden Ankerpunkt, während die Pfadgeschwindigkeit maximiert wird.
- Schlüsselinnovation: Szenarioabhängige Gewichtung ermöglicht es dem Planer, spezifische Ankerpunkte zu priorisieren (z. B. Erhöhung des Gewichts $q_{c,2}$ für den Sattelanhänger während des Ankoppelns).
Komfortterm ( $J_c$ ): Bestraft hohe Beschleunigungen und Lenkraten, um den Komfort für Passagiere oder Ladung zu gewährleisten.
Randbedingungen:
- Kinematische/Dynamische Grenzen: Begrenzungen für Lenkwinkel, Lenkrate, Geschwindigkeit und Beschleunigung.
- Straßenbegrenzungen: Explizite Randbedingungen werden auf alle drei Ankerpunkte angewendet, um sicherzustellen, dass die Vorderachse der Zugmaschine, die Hinterachse der Zugmaschine und die Achse des Sattelanhängers alle innerhalb des befahrbaren Korridors (definiert durch linke/rechte Grenzen) bleiben. Dies verhindert, dass der „überstrichene Pfad" (Swept Path) mit Hindernissen kollidiert.
- Sicherheit: Randbedingungen für die Querbeschleunigung, um ein Kippen zu verhindern.

C. Implementierung

Der Löser verwendet ein Rückwärtshorizont-Schema, implementiert in Python mit CasADi und dem IPOPT-Löser.
Der Prädiktionshorizont ist auf 15 Sekunden eingestellt, was die Rechenlast (ca. 100 ms pro Iteration) mit einer ausreichenden Vorausschau für sowohl Vorwärts- als auch Rückwärtsmanöver ausbalanciert.

3. Hauptbeiträge

Erweiterter MPCC für gelenkige Fahrzeuge: Die erste Anwendung von MPCC auf Sattelzüge, die die Einschränkungen früherer Methoden überwindet, die das Fahrzeug als einzelnen Punkt behandelten.
Mehr-Ankerpunkt-Randbedingungsformulierung: Die explizite Formulierung von Straßenbegrenzungsrandbedingungen für die Vorderachse der Zugmaschine, die Hinterachse der Zugmaschine und die Achse des Sattelanhängers gleichzeitig. Dies stellt sicher, dass der gesamte überstrichene Pfad des Fahrzeugs innerhalb der befahrbaren Grenzen bleibt und Einknicken sowie Kollisionen durch Nachschwenkverhalten verhindert werden.
Szenarioabhängige Priorisierung: Die Fähigkeit, Optimierungsgewichte dynamisch anzupassen, um spezifische Fahrzeugteile zu priorisieren (z. B. Sattelanhänger für das Ankoppeln vs. Zugmaschine für das Laden), ohne die zugrunde liegende Algorithmusstruktur zu ändern.
Validierung: Erfolgreiche Simulation und Realwelttests an einem vollskaligen Prototyp.

4. Ergebnisse

Simulationszenarien: Der Algorithmus wurde in einem Logistikszenario getestet, das eine 90-Grad-Wendung und das Einfahren in ein Kundenobjekt (vorwärts und rückwärts) umfasste.
- Erfolg: Das Fahrzeug navigierte den Korridor in beide Richtungen erfolgreich, ohne einzuknicken oder den befahrbaren Bereich zu verlassen.
- Notwendigkeit von Randbedingungen: Wenn die Randbedingungen für den Sattelanhänger deaktiviert wurden, führte die Simulation dazu, dass der Sattelanhänger Ecken abschnitt (vorwärts) oder einknickte (rückwärts), was die Notwendigkeit von Mehrpunkt-Randbedingungen beweist.
- Gewichtsempfindlichkeit: Die Variation des Gewichts $q_{c,2}$ (Priorität Sattelanhänger) zeigte, dass höhere Gewichte die seitliche Abweichung des Sattelanhängers reduzierten, aber erforderten, dass die Zugmaschine aggressiver lenkte und langsamer wurde, um die Grenzen der Querbeschleunigung einzuhalten.
Realwelt-Prototyp: Die Methode wurde an einem vollskaligen DAF-Sattelzug-Prototyp implementiert. Das Fahrzeug folgte in einer realen Umgebung erfolgreich der geplanten Trajektorie und bestätigte die praktische Anwendbarkeit.

5. Bedeutung

Diese Arbeit schließt eine kritische Lücke zwischen der autonomen Planung für Pkw und den komplexen Anforderungen der schweren Logistik. Durch die Erweiterung von MPCC zur Handhabung gelenkiger Kinematik und Mehrpunkt-Randbedingungen bieten die Autoren eine robuste Lösung für:

Sicherheit: Verhinderung von Einknicken und Sicherstellung, dass alle Räder innerhalb der Fahrspurgrenzen bleiben.
Effizienz: Ermöglichung autonomen Ankoppelns und Rückwärtsfahrens in engen Räumen, was derzeit eine Hauptengpassstelle in der Logistikautomatisierung darstellt.
Flexibilität: Bereitstellung eines einheitlichen Regelrahmens, der sich durch einfache Parameteranpassung an verschiedene Betriebsmodi (Ankoppeln, Laden, Autobahnfahrt) anpasst, ohne Algorithmen neu schreiben zu müssen.

Das Papier kommt zu dem Schluss, dass zwar die Erstellung robuster befahrbarer Korridore in dynamischen Umgebungen weiterhin eine Herausforderung bleibt, die vorgeschlagene MPCC-Erweiterung jedoch ein signifikanter Schritt hin zu vollständig autonomen gelenkigen Nutzfahrzeugen ist.