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

Titolo: LPV-MPC per il Controllo Laterale nella Corsa Autonoma Full-Scale

Autori: Hassan Jardali, Ihab S. Mohamed, Durgakant Pushp, Lantao Liu (Indiana University)
Pubblicazione: IEEE ICRA 2026

---

1. Il Problema

Il controllo di veicoli autonomi in condizioni di gara ad alte velocità presenta sfide uniche rispetto alla guida stradale convenzionale. Le principali difficoltà includono:

• Dinamiche Non Lineari: A velocità elevate (superiori a 160 mph / 71.5 m/s), il comportamento degli pneumatici entra in regioni non lineari (scorrimento significativo), rendendo inadeguati i modelli cinematici semplici (come Pure Pursuit o Stanley) che assumono l'assenza di slittamento.
• Limiti Computazionali: I sistemi di bordo devono eseguire algoritmi complessi in tempo reale con risorse di calcolo limitate.
• Vincoli Operativi: Nelle competizioni come l'Indy Autonomous Challenge (IAC), le squadre hanno un tempo di pista estremamente limitato per il tuning e l'identificazione dei parametri, rendendo difficile l'uso di metodi basati sull'apprendimento che richiedono grandi quantità di dati o aggiornamenti continui.
• Ambiente Dinamico: La necessità di gestire curve con pendenza (banking) fino a 20°, variazioni di curvatura e incertezze del modello (es. attrito strada-pneumatico).

L'obiettivo è sviluppare un controllore laterale che garantisca stabilità e precisione nel seguire la traiettoria di gara, operando entro i limiti fisici del veicolo e i vincoli computazionali, senza richiedere un tempo di sviluppo eccessivo.

2. Metodologia

Il paper propone un framework di Controllo Predittivo basato su Modello a Parametri Variabili (LPV-MPC) per il controllo laterale.

A. Modellazione Dinamica

• Modello a Singola Traccia (Bicycle Model): Viene utilizzato un modello dinamico laterale a singola traccia linearizzato, ma esteso per includere l'angolo di sterzo come stato aggiuntivo.
• Formulazione LPV: Il sistema è modellato come un sistema LPV, dove le matrici di stato dipendono da parametri di scheduling variabili nel tempo:
  • Velocità longitudinale ($v_x$).
  • Curvatura della traiettoria ($\kappa$).
  • Angolo di inclinazione della pista (banking, $\phi$).
• Inclusione del Banking: Il modello incorpora esplicitamente il termine gravitazionale $g \sin(\phi)$ per compensare l'effetto dell'inclinazione della pista, che riduce il carico sugli pneumatici e permette velocità di curva più elevate.
• Stato Esteso: Lo stato del sistema include errori di posizione trasversale ($e_y$), errore di imbardata ($e_\psi$), e l'angolo di sterzo ($\delta$), con il comando di controllo che è la velocità di sterzo ($\dot{\delta}$).

B. Identificazione dei Parametri

• Stima delle Rigidezze di Sterzata: I parametri critici (rigidezze di sterzata $C_f$ e $C_r$) sono stati stimati utilizzando un approccio ibrido:
  • I dati sono stati raccolti durante un giro precedente a 56 m/s controllato con Pure Pursuit.
  • È stato utilizzato un algoritmo di ottimizzazione Expectation-Maximization (EM) basato su minimi quadrati non lineari per adattare i parametri del modello degli pneumatici di Pacejka (Magic Formula) ai dati misurati dall'IMU.
  • I parametri non lineari di Pacejka sono stati poi linearizzati per ottenere i valori iniziali per il controllore MPC.
  • I parametri sono stati ulteriormente raffinati durante le sessioni di prova.

C. Formulazione del Controllore (MPC)

• Ottimizzazione: Il problema di controllo è formulato come un problema di minimizzazione non lineare vincolato (NLS-OCP).
• Funzione Costo: Minimizza gli errori di tracciamento, lo sforzo di controllo e, crucialmente, l'angolo di scivolamento laterale ($\beta$) per garantire la stabilità del veicolo.
• Vincoli: Include limiti espliciti sull'angolo di sterzo ($\delta_{min/max}$) e sulla velocità di sterzo ($\dot{\delta}$).
• Implementazione: Il problema viene risolto in tempo reale utilizzando il framework acados con lo schema SQP-RTI (Real-Time Iteration Sequential Quadratic Programming) e il solver HPIPM.
• Architettura: Il sistema è decoupled (disaccoppiato): un controllore PID gestisce la velocità longitudinale, mentre l'LPV-MPC gestisce lo sterzo. Un controllore Pure Pursuit funge da backup di sicurezza.

3. Contributi Chiave

1. Framework LPV-MPC per Corse Full-Scale: Presentazione di un controllore LPV-MPC progettato specificamente per veicoli autonomi a scala reale che operano a velocità superiori a 160 mph, gestendo esplicitamente velocità, curvatura e banking come parametri variabili.
2. Validazione Reale ad Alta Velocità: Dimostrazione di prestazioni stabili su un veicolo IAC AV-24 durante la competizione Indy Autonomous Challenge (Las Vegas Motor Speedway), raggiungendo velocità massime di 163.1 mph (72 m/s).
3. Metodologia di Identificazione: Descrizione dettagliata di una tecnica di identificazione dei parametri dinamica basata su dati reali e ottimizzazione EM, che permette di adattare il modello senza accesso fisico prolungato al veicolo.
4. Rilascio Open Source: Pubblicazione di un'implementazione completa in Python del framework, accessibile alla comunità di ricerca per favorire la riproducibilità e l'avanzamento nel campo delle corse autonome.

4. Risultati Sperimentali

Il sistema è stato testato durante la gara finale a Las Vegas (LVMS) con 12 giri ad alta velocità.

• Prestazioni di Velocità: Il veicolo ha raggiunto una velocità massima di 163.1 mph (72 m/s) e un tempo di giro migliore di 34.18 secondi con una velocità media di 157.98 mph.
• Errori di Tracciamento:
  • L'errore trasversale medio (cross-track error) è stato di circa -1.02 m (deviazione standard 0.38 m). L'errore negativo costante è attribuito a un offset non modellato dello sterzo e all'asimmetria del peso del veicolo.
  • L'errore di imbardata (heading error) è rimasto entro ±1° per tutto il giro.
• Stabilità e Dinamica:
  • Il veicolo ha generato accelerazioni laterali fino a 27 m/s² (circa 2.7g) alle velocità massime.
  • Gli angoli di scivolamento degli pneumatici hanno raggiunto i 2 gradi, entrando brevemente nella regione non lineare, ma il controllore ha mantenuto la stabilità.
• Efficienza Computazionale: Il tempo medio di calcolo del loop di controllo è stato di 5.78 ms, permettendo un'esecuzione stabile a 100 Hz (il sistema operava a 50 Hz, ma con margine per aumenti).
• Errori del Modello: L'errore del modello laterale è rimasto stabile sotto i 0.06 m a velocità superiori a 55 m/s, con picchi temporanei (fino a 0.14 m) durante forti accelerazioni longitudinali dovuti al disaccoppiamento non modellato tra slittamento longitudinale e capacità di forza laterale.

5. Significato e Impatto

Questo lavoro è significativo perché:

• Dimostra la fattibilità dell'MPC in Gara: Conferma che approcci di controllo avanzati e basati su modelli dinamici possono essere eseguiti in tempo reale su hardware di bordo durante gare ad altissima velocità, superando i limiti dei metodi cinematici tradizionali.
• Gestione dei Vincoli Reali: Offre una soluzione pratica per gestire i vincoli di tempo e risorse tipici delle competizioni di robotica, dimostrando che un'identificazione dei parametri accurata e un tuning conservativo possono garantire stabilità anche con modelli non perfetti.
• Base per la Ricerca Futura: Fornisce una piattaforma di riferimento open-source che permette alla comunità di studiare il controllo laterale in condizioni limite.
• Limitazioni e Direzioni Future: Il paper onestamente discute i limiti, come l'errore trasversale residuo dovuto a offset hardware non calibrabili e la necessità di un controllo longitudinale più avanzato per circuiti complessi. Il lavoro futuro si concentrerà su formulazioni MPC non lineari complete e analisi di sensibilità per migliorare la robustezza in scenari multi-veicolo.

In sintesi, il paper rappresenta un passo avanti cruciale verso l'automazione completa in ambienti di guida estremi, combinando teoria del controllo rigorosa con implementazione ingegneristica pratica su veicoli reali.