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

「モデル予測コンター制御を用いた連結商用車両の軌道計画」に関する詳細な技術的サマリーを以下に示す。

1. 問題定義

本論文は、複雑な物流シナリオにおける連結商用車両（特にトラクタとセミトレーラ）の自律的軌道計画の課題に取り組んでいる。乗用車とは異なり、これらの車両は以下のような固有の困難に直面する：

• サイズと幾何学： これらは著しく大型（長さ約 16.5m）であり、オフトラック（セミトレーラがトラクタとは異なる経路をたどる現象）を示す。これにより、内側の車輪がコーナーを切りすぎたり、外側の車輪が隣接レーンに侵入したりすることが頻繁に起こる。
• 不安定性： 後退操作はジャックナイフ（連結角の不安定な折りたたみ）を起こしやすい。
• シナリオ依存の優先順位： 異なる運転タスクでは、車両上の異なる「アンカーポイント」を優先する必要がある。例えば、ドッキング中はセミトレーラの後部位置が重要であり、充電中はトラクタのポートが重要であり、高速道路では両方が中央に位置している必要がある。
• 既存手法の限界： 乗用車に使用される標準的なモデル予測コンター制御（MPCC）は、車両を単一の点として単純化するか、固定された参照経路を仮定することが多く、連結車両の複雑な運動学と境界制約を考慮できていない。

2. 手法

著者らは、トラクタとセミトレーラ向けに調整された拡張**モデル予測コンター制御（MPCC）**フレームワークを提案する。

A. 車両モデル

• 運動学モデル： トラクタには運動学的な自転車モデルを使用し、連結点を通じてセミトレーラと結合する。
• 状態ベクトル： 状態には、トラクタの位置 $(x_1, y_1)$、 heading 角（$\psi_1, \psi_2$）、速度（$v_1$）、および操舵角（$\delta_0$）が含まれる。
• 拡張状態： 重要なのは、モデルが 3 つのアンカーポイントに対応する3 つの独立した進行状態（$\theta_0, \theta_1, \theta_2$）を導入することである：
  1. トラクタ前軸（$i=0$）
  2. トラクタ後軸（$i=1$）
  3. セミトレーラ軸（$i=2$）
     各アンカーポイントには、参照経路に沿って走行した距離を近似するための独自の仮想速度（$v_{\theta}$）が用意されている。

B. 最適化定式化

この問題は、ダイナミクスと制約に準拠してコスト関数 $J$ を最小化する制約付き非線形最適化問題として定式化される：

• 目的関数（$J_m$）： 各アンカーポイントに対してコンター誤差（経路からの横方向偏差）とラグ誤差（縦方向偏差）を最小化し、経路速度を最大化する。
  • 主要な革新点： シナリオ依存の重み付けにより、計画者が特定のアンカーポイントを優先できる（例：ドッキング中にセミトレーラのための重み $q_{c,2}$ を増加させる）。
• 快適性項（$J_c$）： 乗客や積荷の快適性を確保するため、高い加速度と操舵率を罰則化する。
• 制約：
  • 運動学的/力学的限界： 操舵角、操舵率、速度、および加速度の範囲。
  • 道路境界： 走行可能な廊下（左/右境界で定義）内にトラクタ前軸、トラクタ後軸、およびセミトレーラ軸のすべてを収めるよう、明示的な制約を3 つのアンカーポイントすべてに適用する。これにより、「掃引経路」が障害物と衝突するのを防ぐ。
  • 安全性： 横転を防ぐための横加速度に関する制約。

C. 実装

• ソルバーは、Pythonで実装されたCasADiとIPOPTソルバーを用いた、後退ホライズン方式を使用する。
• 予測ホライズンは 15 秒に設定されており、計算負荷（反復あたり約 100ms）と、前進および後退操作の両方に対する十分な先読み距離とのバランスが取れている。

3. 主要な貢献

1. 連結車両への拡張 MPCC： 車両を単一の点として扱う従来の手法の限界を克服し、トラクタとセミトレーラへの MPCC の初適用。
2. マルチアンカーポイント制約の定式化： トラクタ前部、トラクタ後部、およびセミトレーラ軸に対する道路境界制約の明示的な同時定式化。これにより、車両全体の掃引経路が走行可能限界内に収まり、ジャックナイフやオフトラックによる衝突を防ぐ。
3. シナリオ依存の優先順位付け： 基礎的なアルゴリズム構造を変更することなく、単純なパラメータ調整を通じて特定の車両部品（ドッキング時のセミトレーラ対充電時のトラクタなど）を優先する最適化重みを動的に調整する能力。
4. 検証： 実規模のプロトタイプでの成功したシミュレーションおよび実世界テスト。

4. 結果

• シミュレーションシナリオ： アルゴリズムは、90 度の旋回と顧客施設への進入（前進および後退）を含む物流シナリオでテストされた。
  • 成功： 車両は、ジャックナイフを起こしたり、走行可能エリアから外れたりすることなく、両方向で廊下を正常に通過した。
  • 制約の必要性： セミトレーラへの制約を無効にした場合、シミュレーションではセミトレーラが前進時にコーナーを切りすぎたり、後退時にジャックナイフを起こしたりした。これはマルチポイント制約の必要性を実証している。
  • 重み感度： 重み $q_{c,2}$（セミトレーラの優先度）を変化させたところ、重みを高くするとセミトレーラの横方向偏差は減少したが、横加速度の限界を満たすためにトラクタはより攻撃的に操舵し、減速する必要があった。
• 実世界プロトタイプ： この手法は、実規模の DAF トラクタとセミトレーラのプロトタイプに実装された。車両は実環境で計画された軌道を正常に追従し、実用性を確認した。

5. 意義

この研究は、自律型乗用車の計画と複雑な重物流のニーズとの間の重要なギャップを埋めるものである。連結運動学とマルチポイント境界制約を処理するように MPCC を拡張することで、著者らは以下のための堅牢な解決策を提供する：

• 安全性： ジャックナイフを防ぎ、すべての車輪がレーン境界内に留まることを保証する。
• 効率性： 現在、物流自動化における主要なボトルネックとなっている、狭い空間での自律的なドッキングおよび後退を可能にする。
• 柔軟性： 異なる運用モード（ドッキング、充電、高速道路走行）に単純なパラメータ調整で適応し、アルゴリズムの書き換えを不要にする統合制御フレームワークを提供する。

本論文は、動的環境で堅牢な走行可能廊下を構築することはいまだ課題であるが、提案された MPCC 拡張が、完全自律型の連結商用車両に向けた重要な一歩であると結論付けている。