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

1. El Problema

El control de vehículos autónomos en condiciones de carreras de alta velocidad presenta desafíos únicos que difieren significativamente de la conducción convencional:

• Dinámicas No Lineales y Acopladas: A velocidades extremas (superiores a 160 mph), los modelos cinemáticos simples fallan debido a la necesidad de deslizamiento de las llantas para generar fuerzas de agarre. Además, existe un fuerte acoplamiento entre la dinámica longitudinal y lateral.
• Incertidumbre del Modelo: Parámetros como la rigidez de las llantas, la fricción carretera-neumático y las perturbaciones externas (viento, inclinación de la pista) varían constantemente.
• Limitaciones Computacionales y de Tiempo: En competiciones como el Indy Autonomous Challenge (IAC), los equipos tienen un tiempo de práctica muy limitado en pista y costos operativos elevados, lo que impide el uso de métodos de aprendizaje por refuerzo que requieren grandes cantidades de datos o modelos de aprendizaje profundo computacionalmente costosos.
• Necesidad de Robustez: Se requiere un controlador que garantice la estabilidad y el seguimiento de trayectoria preciso en un entorno de pista ovalada con curvas peraltadas, operando cerca de los límites físicos del vehículo.

2. Metodología

El equipo propuso un marco de Control Predictivo Basado en Modelos Lineales de Parámetros Variables (LPV-MPC) para el control lateral (dirección).

• Modelado Dinámico:

  • Se utilizó un modelo de bicicleta de un solo rastro (single-track) extendido.
  • El modelo se formuló en un espacio de estados basado en errores de seguimiento (error de posición transversal $e_y$ y error de guiñada $e_\psi$).
  • Variables de Programación (Scheduling): El sistema LPV se programa en tiempo real según tres parámetros: velocidad longitudinal ($v_x$), curvatura de la trayectoria ($\kappa$) y ángulo de peralte de la pista ($\phi$). Esto permite adaptar el modelo a la geometría cambiante de la pista y la velocidad.
  • Augmentación del Estado: Se incorporó el ángulo de dirección ($\delta$) como un estado adicional y la velocidad de dirección ($\dot{\delta}$) como entrada de control para manejar explícitamente las limitaciones de los actuadores (tasa de giro y retraso).
  • Compensación de Peralte: Se incluyó un término gravitacional ($g \sin(\phi)$) para compensar la fuerza lateral generada por el peralte de la pista (hasta 20°), evitando inestabilidades.

• Identificación de Parámetros:

  • Se empleó un enfoque de Expectativa-Maximización (EM) con optimización de mínimos cuadrados no lineales para estimar los parámetros del modelo de llantas (fórmula mágica de Pacejka).
  • Los datos iniciales provienen de vueltas a 56 m/s, y los parámetros se afinaron iterativamente durante las sesiones de práctica.
  • Se validó la consistencia de los parámetros utilizando una red neuronal informada por física (PINN) como método comparativo.

• Formulación del Problema de Control (MPC):

  • Se planteó un problema de control óptimo no lineal con restricciones (NLS-OCP).
  • Función de Costo: Minimiza los errores de seguimiento, el esfuerzo de control y, crucialmente, el ángulo de deslizamiento lateral ($\beta$) para mantener la estabilidad del vehículo.
  • Restricciones: Se aplican límites estrictos al ángulo de dirección y a su tasa de cambio.
  • Resolución: El problema se resuelve en tiempo real utilizando el esquema de iteración en tiempo real (SQP-RTI) con el solver acados y el solver QP HPIPM. El horizonte de predicción es de 1.6 segundos (45 intervalos).

• Arquitectura del Sistema:

  • Control longitudinal: Un controlador PID simple para velocidad y cambios de marcha.
  • Control lateral: El LPV-MPC propuesto.
  • Seguridad: Un controlador de "Persecución Pura" (Pure Pursuit) actúa como respaldo si el MPC falla o viola restricciones.

3. Contribuciones Clave

1. Marco LPV-MPC para Carreras a Gran Escala: Presentación de un controlador lateral diseñado específicamente para vehículos de carreras autónomos a gran escala (IAC AV-24), capaz de operar a velocidades superiores a 71.5 m/s (160 mph).
2. Metodología de Identificación de Parámetros: Detalle de un proceso robusto para extraer parámetros dinámicos del vehículo utilizando datos de sensores inerciales (IMU) y optimización estadística, crucial dada la falta de acceso prolongado a la pista.
3. Validación en Escenario Real: Demostración exitosa en la competencia IAC en el Las Vegas Motor Speedway, logrando estabilidad en condiciones de alta velocidad sin colisiones.
4. Código de Código Abierto: Liberación de una implementación en Python del marco de trabajo, facilitando la reproducibilidad y el avance de la investigación en la comunidad.

4. Resultados

• Desempeño en Pista: El vehículo completó 12 vueltas rápidas en la competencia final.
  • Velocidad Máxima: Se alcanzó una velocidad de 163.1 mph (72 m/s) en la última vuelta.
  • Tiempo de Vuelta: El mejor tiempo fue de 34.18 segundos, con una velocidad media de 157.98 mph.
  • Errores de Seguimiento:
    • Error de guiñada ($e_\psi$): Se mantuvo dentro de $\pm 1^\circ$ durante toda la vuelta.
    • Error transversal ($e_y$): Promedio de -1.02 m (desviación constante hacia la izquierda, atribuida a un offset de dirección no modelado y distribución de peso asimétrica).
• Estabilidad Dinámica: El vehículo soportó aceleraciones laterales de hasta 27 m/s² (aprox. 2.7g) manteniendo la estabilidad.
• Rendimiento Computacional: El tiempo medio de cálculo del bucle de control fue de 5.78 ms, operando consistentemente dentro de un ciclo de 10 ms (100 Hz), lo que confirma la viabilidad de la implementación en hardware embebido.
• Análisis de Errores del Modelo: Se observó que el modelo lineal subestima ligeramente las fuerzas laterales en ángulos de deslizamiento altos (>2°), pero el controlador compensó esto adecuadamente gracias a la estructura LPV y las restricciones de deslizamiento.

5. Significado e Impacto

Este trabajo es significativo porque demuestra que es posible implementar estrategias de control avanzadas y adaptativas (LPV-MPC) en vehículos de carreras autónomos a gran escala con recursos computacionales limitados y tiempo de práctica escaso.

• Superación de Limitaciones Previas: A diferencia de los enfoques puramente cinemáticos (que fallan a altas velocidades) o los MPC no lineales completos (que son demasiado costosos computacionalmente), el enfoque LPV ofrece un equilibrio óptimo entre precisión dinámica y eficiencia computacional.
• Aplicabilidad Real: La validación en un entorno competitivo real (IAC) con velocidades récord para vehículos autónomos en pistas ovaladas establece un nuevo estándar para el control lateral en carreras.
• Reproducibilidad: La publicación del código y la metodología detallada de identificación de parámetros permite que otros equipos y investigadores repliquen y mejoren estos resultados, acelerando el desarrollo de la conducción autónoma de alto rendimiento.

Limitaciones Identificadas: El equipo reconoce que el error transversal persistente se debe a un offset de dirección no calibrado y a la distribución de peso asimétrica del vehículo (no modelada). Además, sugieren que para pistas con curvas más complejas o carreras con múltiples vehículos, se necesitaría un control longitudinal más avanzado y posiblemente un MPC totalmente no lineal para capturar mejor las acoplamientos dinámicos.