💻 computer science

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

Dit artikel introduceert een Lineair Parameter-Variërend Model Predictive Controller (LPV-MPC) voor laterale besturing in autonoom racen, die succesvol is geïmplementeerd op een IAC AV-24-voertuig en stabiele prestaties leverde bij snelheden boven de 160 mph.

Oorspronkelijke auteurs: Hassan Jardali, Ihab S. Mohamed, Durgakant Pushp, Lantao Liu

Gepubliceerd 2026-03-17

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Hassan Jardali, Ihab S. Mohamed, Durgakant Pushp, Lantao Liu

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een Formule 1-auto bestuurt, maar dan zonder stuurwiel in je handen. In plaats daarvan moet je een computerprogramma ontwerpen dat de auto zelf laat racen, en dat op een snelheid van meer dan 260 kilometer per uur. Dat is precies wat dit paper doet.

Hier is een uitleg van het onderzoek, vertaald naar simpele taal met een paar verhelderende vergelijkingen.

1. Het Grote Probleem: De "Gok" op de Rand van de Afgrond

Racen is niet zomaar rijden. Bij hoge snelheden is een auto geen stevig blok meer; het is als een bal op een helling die elke seconde kan wegglijden. De banden glijden, de auto wiebelt en de weg is vaak hellend (zoals in een banketbakkerij, maar dan voor auto's).

De uitdaging voor de onderzoekers (van de universiteit Indiana) was: Hoe maak je een computer die deze auto veilig houdt, terwijl hij razendsnel gaat, zonder dat de computer zelf "dwaalt" of te langzaam denkt?

2. De Oplossing: Een Slimme Voorspeller (LPV-MPC)

De onderzoekers hebben een nieuwe besturingsmethode bedacht genaamd LPV-MPC. Laten we dit opbreken in twee simpele concepten:

MPC (Model Predictive Control) = De "Crystal Ball":
Stel je voor dat je een auto bestuurt en je kijkt niet alleen naar de weg voor je, maar je ziet ook 2 seconden vooruit in de toekomst. Je denkt: "Als ik nu iets harder stuur, glij ik over de kant. Maar als ik iets zachter stuur, kom ik net op de lijn."
Deze computer doet dat constant. Hij rekent duizenden scenario's per seconde uit: "Wat gebeurt er als ik dit doe? En wat als ik dat doe?" en kiest dan de veiligste en snelste route.
LPV (Linear Parameter-Varying) = De "Chameleons":
Normale besturingssystemen zijn vaak als een statische kaart: ze denken dat de weg altijd hetzelfde is. Maar bij racen verandert alles: de snelheid, de bocht en de helling van de baan.
Het systeem in dit paper is als een chameleon. Het past zich continu aan. Als de auto harder gaat, verandert het systeem zijn regels. Als de weg steil hellend is, past het systeem zijn berekeningen aan. Het "weet" dat een auto bij 200 km/u anders reageert dan bij 100 km/u, en past zijn "brein" daar direct op aan.

3. De Oefening: De Auto Leren Rijden

Voordat ze de auto op de racebaan zetten, moesten ze eerst weten hoe de auto precies reageert. Dit is als het kalibreren van een instrument.

Ze gebruikten een speciale formule (de "Magic Formula" van Pacejka) om te begrijpen hoe de banden werken.
Ze lieten de auto een rondje rijden en keken naar de data: "Hoeveel glijden de banden eigenlijk?"
Ze pasten hun model aan totdat het precies voorspelde wat de auto zou doen. Dit is cruciaal, want als je model verkeerd is, crasht de auto.

4. Het Grote Experiment: De Indy Autonomous Challenge

De echte test vond plaats op het beroemde Indianapolis Motor Speedway en later in Las Vegas.

De Auto: Een volledig autonome racewagen (IAC AV-24).
De Snelheid: Ze haalden een topsnelheid van 262 km/u (163 mijl per uur).
Het Resultaat: De auto bleef stabiel. Hij volgde de perfecte racebaan (de "raceline") met een afwijking van slechts ongeveer 1 meter. Dat is alsof je een trein laat rijden op een spoor dat nauwelijks breder is dan de trein zelf, en dat op volle snelheid.

5. Wat ging er goed en wat niet?

De successen:

De computer kon razendsnel denken (binnen 6 milliseconden).
De auto bleef stabiel, zelfs op de hellende bochten van de baan.
Ze hebben de code openbaar gemaakt, zodat andere wetenschappers het kunnen gebruiken en verbeteren.

De beperkingen (De "Krassen" in de lak):

De "Vaste" Afwijking: De auto bleef een beetje naar links van de perfecte lijn rijden. Dit kwam door een klein mechanisch probleem met het stuur dat ze niet konden repareren en door het feit dat de auto niet perfect symmetrisch is (zoals een auto die links zwaarder is dan rechts).
De "Glijdende" Banden: Bij de allerhoogste snelheden begonnen de banden net iets meer te glijden dan hun model had voorspeld. Het systeem was goed, maar niet perfect genoeg om de uiterste grenzen van de fysica volledig te doorgronden.
De Versnelling: De auto kon zijn snelheid niet altijd perfect volgen; soms ging hij iets te langzaam of te snel voor de gewenste snelheid.

Conclusie in één zin

Dit paper laat zien dat we nu computers hebben die een raceauto kunnen besturen op snelheden die voor mensen levensgevaarlijk zijn, door te denken als een slimme voorspeller die zich continu aanpast aan de veranderende wereld om hem heen. Het is een enorme stap vooruit in de wereld van zelfrijdende auto's, niet alleen voor racen, maar ook voor veilig rijden op onze eigen wegen.

Probleemstelling

Autonoom racen op hoge snelheden (boven de 160 mph / 71,5 m/s) stelt extreme eisen aan de besturingsalgoritmen. De uitdagingen omvatten:

Niet-lineaire dynamica: Bij hoge snelheden en op racebanen met hellingen (banking) gedragen zich banden en voertuigen niet-lineair.
Berekeningslimieten: De controller moet binnen de beperkte rekenkracht van de onboard-systemen werken en real-time beslissingen nemen.
Beperkte testtijd: In competitieve omgevingen zoals de Indy Autonomous Challenge (IAC) is de tijd op de baan voor tuning en validatie zeer beperkt, wat het risico op crashes vergroot bij het testen van nieuwe algoritmen.
Bestaande beperkingen: Traditionele kinematische modellen (zoals Pure Pursuit) gaan uit van een "no-slip" conditie, wat faalt bij racen waar slip noodzakelijk is voor krachtgeneratie. Koppelsystemen (gekoppelde longitudinale en laterale controle) zijn vaak te complex of rekenintensief voor deze specifieke toepassing.

Methodologie

De auteurs (IU-Luddy Autonomous Racing Team) hebben een Linear Parameter-Varying Model Predictive Controller (LPV-MPC) ontwikkeld voor de laterale besturing (sturen) van een volledig autonoom racevoertuig (IAC AV-24).

Voertuigmodel:
- Er wordt gebruik gemaakt van een single-track (fiets) model voor de laterale dynamica.
- Het model is uitgebreid met de stuurhoek ( $\delta$ ) als een extra toestandsvariabele om actuator-dynamiek en stuurbeperkingen expliciet te kunnen hanteren.
- Banking (helling): De invloed van de baan-helling ( $\phi$ ) wordt meegenomen als een verstoringsterm ( $g \sin(\phi)$ ) in de laterale dynamica, wat cruciaal is voor stabiliteit op ovalen zoals de Indianapolis Motor Speedway.
- Het model is geformuleerd als een LPV-systeem, waarbij de systeemmatrices afhangen van variabele parameters: longitudinale snelheid ( $v_x$ ), kromming van de baan ( $\kappa$ ) en de helling ( $\phi$ ).
Systeemidentificatie:
- Om de modelparameters (zoals hoekstijfheid van de banden, $C_f$ en $C_r$ ) nauwkeurig te bepalen, hebben de auteurs een iteratieve Expectation-Maximization (EM) methode gebruikt.
- Ze hebben de niet-lineaire Pacejka "Magic Formula" gebruikt om de bandkrachten te schatten op basis van IMU-data (Inertial Measurement Unit) van eerdere ritten.
- De lineaire parameters voor het MPC-model zijn afgeleid uit deze geoptimaliseerde Pacejka-parameters.
Controle Formulering:
- De MPC lost een beperkt niet-lineair optimalisatieprobleem op (geformuleerd als een constrained nonlinear least-squares probleem).
- Doelfunctie: Minimaliseren van de trackingfouten (cross-track en heading error), stuurbekrachtiging en een strafterm voor de zijglijhoek (side-slip angle $\beta$ ) om stabiliteit te garanderen.
- Oplossingsmethode: Het probleem wordt opgelost met acados en het SQP-RTI (Sequential Quadratic Programming - Real-Time Iteration) schema, gebruikmakend van HPIPM voor snelle kwadratische programmering.
- Veiligheid: Een Pure Pursuit-controller fungeert als back-up in geval van numerieke instabiliteit of als de snelheid onder de 45 mph daalt.

Belangrijkste Bijdragen

LPV-MPC Framework: Een robuust framework voor laterale controle dat specifiek is ontworpen voor full-scale autonoom racen, waarbij snelheid, kromming en baan-helling als schedule-parameters worden gebruikt.
Real-world Validatie: Succesvolle implementatie en validatie op een volledig groot racevoertuig (IAC AV-24) met snelheden tot 163 mph (72 m/s).
Open Source: Publicatie van een Python-implementatie van het framework, wat een referentiekader biedt voor de onderzoeksgemeenschap.
Gedetailleerde Analyse: Een grondige analyse van de voertuigdynamica, modelfouten en prestaties onder raceomstandigheden, inclusief een vergelijking tussen geschatte en gemeten bandkrachten.

Resultaten

De controller werd getest tijdens de Indy Autonomous Challenge op het Las Vegas Motor Speedway (LVMS) in januari 2025.

Snelheid: Het voertuig bereikte een topsnelheid van 163,1 mph (72 m/s) op de laatste ronde.
Trackingfouten:
- De gemiddelde cross-track error was ongeveer -1,02 m (het voertuig bleef consistent iets links van de referentielijn, waarschijnlijk door een niet-gekalibreerde hardware-offset en asymmetrisch gewicht).
- De heading error bleef binnen ±1°.
- De fout groeide lineair met de snelheid, maar bleef binnen aanvaardbare grenzen voor een raceomgeving.
Stabiliteit: De controller behield stabiele prestaties gedurende 12 hoge-snelheidslaps, zelfs met laterale versnellingen tot 27 m/s².
Berekeningstijd: De gemiddelde rekentijd voor de controlelus was 5,78 ms, wat ruim voldoende is voor een frequentie van 100 Hz (huidige implementatie draait op 50 Hz).
Modelfouten: Boven de 55 m/s stabiliseerde de modelfout rond de 0,06 m. Pieken in de fout (tot 0,14 m) werden waargenomen tijdens agressieve versnelling, wat wijst op niet-gevangen koppel-effecten tussen longitudinale en laterale slip.

Betekenis en Conclusie

Dit artikel bewijst dat een LPV-MPC strategie effectief kan worden ingezet voor de laterale besturing van raceauto's op de limiet van hun fysieke capaciteiten. De methologie biedt een balans tussen de complexiteit van niet-lineaire modellen en de rekenvereisten van real-time systemen.

Impact: Het werk toont aan dat het mogelijk is om veilige en snelle autonome ritten te voltooien zonder uitgebreide testtijd op de baan, door middel van zorgvuldige systeemidentificatie en een robuust controleontwerp.
Toekomstperspectief: De auteurs wijzen op beperkingen, zoals de lineaire benadering van bandkrachten bij zeer hoge slip en de noodzaak van geavanceerde longitudinale controle voor meer complexe scenario's (zoals meer-voertuig races). Toekomstig werk zal focussen op het implementeren van een volledig niet-lineaire MPC en het verbeteren van de parameteridentificatie om de trackingfouten verder te minimaliseren.

Kortom, dit onderzoek levert een belangrijke bijdrage aan het veld van autonoom racen door een bewezen, open-source oplossing te bieden voor het controleren van voertuigen op extreme snelheden.