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

1. Problématique

Le contrôle des véhicules autonomes en course à haute vitesse présente des défis majeurs, notamment la nécessité de gérer la dynamique complexe du véhicule (couplage longitudinal-latéral, comportement non linéaire des pneus) tout en respectant des contraintes computationnelles strictes et des limites opérationnelles (temps de piste réduit, coûts élevés).
Les stratégies de contrôle classiques, telles que les algorithmes géométriques (Pure Pursuit, Stanley), reposent sur l'hypothèse d'un roulement sans glissement, ce qui devient invalide à des vitesses extrêmes où le glissement des pneus est essentiel pour générer les forces latérales nécessaires. De plus, les approches couplées (optimisant simultanément la vitesse et la direction) sont souvent trop coûteuses en calcul ou complexes à identifier. L'objectif est donc de concevoir un contrôleur latéral capable de maintenir une trajectoire stable et précise à des vitesses dépassant 160 mph (71,5 m/s) sur un circuit ovale, en tenant compte des incertitudes de modélisation et des perturbations externes (comme le dévers de la piste).

2. Méthodologie

L'équipe IU-LART propose un cadre de Contrôle Prédictif à Modèle Linéaire à Paramètres Variables (LPV-MPC) pour le contrôle latéral.

• Modélisation Dynamique :

  • Le modèle de base est un modèle "bicyclette" (single-track) dynamique linéarisé autour d'un point de fonctionnement.
  • L'état du système est augmenté pour inclure l'angle de braquage ($\delta$) comme variable d'état, permettant de gérer explicitement les contraintes de taux de braquage ($\dot{\delta}$).
  • Le modèle intègre les effets du dévers de la piste (banking) via un terme gravitationnel ($g \sin(\phi)$), crucial pour la stabilité sur les circuits ovales.
  • Le système est formulé comme un système LPV où les matrices d'état dépendent de paramètres de programmation ($p$) : la vitesse longitudinale ($v_x$), la courbure de la trajectoire ($\kappa$) et l'angle de dévers ($\phi$).

• Identification des Paramètres :

  • Les paramètres clés, notamment la rigidité de virage des pneus ($C_f, C_r$), sont estimés à l'aide d'une approche basée sur l'algorithme Expectation-Maximization (EM) et l'optimisation des moindres carrés non linéaires.
  • Les données proviennent de sessions d'essais et de courses, en utilisant le modèle de pneu de Pacejka (Magic Formula) pour affiner l'estimation des forces latérales avant de les linéariser pour le contrôleur.

• Formulation du MPC :

  • Le problème de contrôle est formulé comme un problème de moindres carrés non linéaires sous contraintes.
  • La fonction de coût pénalise les erreurs de suivi de trajectoire (écart transversal et erreur de cap), l'effort de commande et l'angle de dérive (slip angle) pour assurer la stabilité.
  • Les contraintes incluent les limites physiques du braquage et de sa vitesse de variation.
  • La résolution est effectuée en temps réel à l'aide de la boîte à outils acados et du schéma SQP-RTI (Real-Time Iteration Sequential Quadratic Programming), permettant une résolution rapide du problème d'optimisation.

• Architecture Système :

  • Le contrôleur fonctionne en boucle fermée à 50 Hz.
  • Un contrôleur de secours Pure Pursuit est activé si le MPC échoue (instabilité numérique, violation de contraintes ou temps de calcul excessif), notamment à basse vitesse (< 45 mph).

3. Contributions Clés

1. Cadre LPV-MPC pour la course : Présentation d'un contrôleur LPV-MPC spécifiquement conçu pour la course autonome à grande échelle, intégrant la vitesse, la courbure et le dévers comme paramètres de programmation pour une adaptation dynamique.
2. Validation à l'échelle réelle : Implémentation réussie sur un véhicule de course autonome complet (IAC AV-24) atteignant des vitesses supérieures à 163 mph (72 m/s), démontrant une stabilité du contrôle dans des conditions extrêmes.
3. Méthodologie d'identification : Description détaillée d'une technique d'identification de paramètres dynamique utilisant des données réelles et l'optimisation EM pour calibrer le modèle de véhicule.
4. Ressource Open Source : Publication d'une implémentation Python complète du framework, accessible à la communauté de recherche pour faciliter la reproduction et l'avancement des travaux en course autonome.

4. Résultats Expérimentaux

Les tests ont été menés lors de l'événement Indy Autonomous Challenge (IAC) au Las Vegas Motor Speedway (LVMS).

• Performance de Vitesse : Le véhicule a atteint une vitesse maximale de 163,1 mph (72 m/s) lors de la dernière manche, avec un temps de tour record de 34,18 secondes (vitesse moyenne de 157,98 mph).
• Précision du Suivi :
  • L'erreur de trajectoire (cross-track error) moyenne était d'environ -1,02 m (le véhicule restait légèrement à gauche de la ligne de référence, probablement dû à un décalage matériel non modélisé).
  • L'erreur de cap (heading error) est restée dans une bande étroite de ±1°.
  • L'erreur de modèle latéral s'est stabilisée autour de 0,06 m aux vitesses de course, avec des pics lors de fortes accélérations longitudinales (couplage dynamique non capturé).
• Performance Computationnelle : Le temps de calcul moyen du contrôleur était de 5,78 ms, permettant un cycle de contrôle stable de 10 ms (100 Hz potentiel), bien que le système ait fonctionné à 50 Hz lors des essais.
• Dynamique : Le véhicule a généré des accélérations latérales allant jusqu'à 27 m/s² (environ 2,7g) tout en restant stable, bien que le modèle linéaire ait tendance à surestimer les forces latérales aux angles de glissement élevés (> 2°).

5. Signification et Limites

Signification :
Ce travail démontre la viabilité des approches MPC basées sur des modèles linéaires à paramètres variables pour la course autonome à très haute vitesse. Il prouve qu'il est possible de concilier précision, robustesse et contraintes de temps réel sans recourir à des modèles non linéaires complets extrêmement coûteux en calcul. La libération du code source constitue une contribution majeure pour la communauté scientifique.

Limites identifiées :

• Erreur de trajectoire persistante : Une erreur latérale systématique subsiste, attribuée à un décalage de direction matériel non calibrable et à une répartition asymétrique du poids du véhicule (non prise en compte dans le modèle symétrique).
• Modèle Linéaire : L'approche LPV traite les paramètres comme exogènes et ignore les sensibilités croisées et les effets non linéaires des pneus à très hauts angles de glissement.
• Contrôle Longitudinal : Le contrôleur de vitesse actuel (PID) est simple et nécessite des ajustements pour des scénarios de course multi-véhicules ou sur circuits complexes.
• Coût Terminal : L'absence de coût terminal dans la fonction objectif, bien que bénéfique pour l'efficacité computationnelle, pourrait théoriquement affecter la stabilité en boucle fermée à long terme.

En conclusion, cette étude établit un nouveau standard pour le contrôle latéral en course autonome, offrant une base solide pour des recherches futures visant à intégrer des modèles non linéaires complets et à améliorer la précision du suivi dans des environnements de course multi-véhicules.