💻 computer science

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

本文提出了一种针对铰接式商用车辆的扩展模型预测轮廓控制（MPCC）框架，该框架融合了场景依赖的锚点优先级排序与显式多轴道路边界约束，以确保在前进和倒车操纵中实现安全且稳定的轨迹规划。

原作者： A. J. Aertssen, R. G. M. Huisman, I. J. M. Besselink, J. Elfring, M. J. G. van de Molengraft

发布于 2026-04-28

📖 1 分钟阅读☕ 轻松阅读

原作者： A. J. Aertssen, R. G. M. Huisman, I. J. M. Besselink, J. Elfring, M. J. G. van de Molengraft

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正试图驾驶一辆拖挂着拖车的、长达 16 米的巨型卡车。现在，再想象一下，这不仅仅是在直线上行驶，而是要将车倒进一个狭窄的装卸平台，或者在城市中拐过一个急弯。如果你开的是一辆普通轿车，你只需转动方向盘，沿着车道中心行驶即可。但驾驶带拖车的卡车则不同，这就像扛着一根长杆在走钢丝：车尾并不跟随车头，它要么向外大幅甩出，要么以危险的方式切过弯道。这种现象被称为“内轮差”（off-tracking），如果你不够小心，拖车可能会像手风琴一样折叠到驾驶室上（即“折刀”现象），或者车轮完全驶离路面。

本文提出了一种用于自动驾驶卡车的新“大脑”，它利用一种名为**模型预测轮廓控制（MPCC）**的方法来解决这些问题。以下是其工作原理，分解为简单的概念：

1. 问题所在：一种方案无法适用于所有情况

对于普通轿车，现有的计算机程序可以轻松规划路径。但带拖车的卡车则完全是另一回事。

尺寸问题：卡车体积巨大。转弯时，车头会伸出到对向车道，而拖车的车轮可能会压过人行道。
倒车问题：倒车时卡车极不稳定。这就像在倒着走的同时试图用手平衡一根扫帚柄；一旦动作稍有偏差，它就会翻倒。
“谁说了算”的问题：有时，车辆最重要的部分是拖车（例如倒进装卸平台时）；有时，则是卡车的前部（例如驶入充电站时）。计算机需要知道在任何特定时刻应优先控制车辆的哪一部分。

2. 解决方案：一根“虚拟线”和一根“魔法绳”

研究人员升级了现有的算法（MPCC）以处理这些特定的卡车问题。可以这样理解：

虚拟线（参考路径）：想象地面上铺着一根绳子，标示出卡车应该遵循的完美路径。
魔法绳（锚点）：过去，计算机只监控车辆上的一个点（例如后轴中心）。新系统将“魔法绳”连接到三个特定点：卡车的前部、卡车的后部以及拖车的后部。
依场景而定的优先级：系统可以收紧或放松对这些绳子的关注。
- 对接装卸平台：它会收紧拖车后部的绳子，确保拖车完美对准装卸平台，即使卡车需要大幅向外摆动。
- 高速公路行驶：它会让所有绳子保持紧绷，确保整个车辆保持在车道中心。

3. 安全网：确保所有车轮都在路面上

这里最大的创新在于，计算机不仅仅检查卡车的中心是否安全。它会单独检查前轮、卡车后轮和拖车轮。

想象一下驾驶一艘长船穿过狭窄的运河。如果你只看船的中间，可能会觉得自己很安全，但船头（前部）或船尾（后部）却可能刮擦到墙壁。该系统为道路绘制了一条“走廊”，并确保每一个车轮都留在这条走廊内，从而防止卡车蹭到路缘石或撞上障碍物。

4. 结果：理论测试

研究人员通过两种方式测试了这个“大脑”：

计算机模拟：他们创建了一个虚拟世界，卡车需要驶入客户场地、拐过急弯并倒进装卸平台。该系统成功地在前进和倒车过程中完成了导航，既没有发生拖车“折刀”，也没有车轮驶离路面。
现实世界原型：他们将软件安装在一辆真实的、全尺寸的原型卡车上。这辆卡车在现实世界中成功遵循了规划路径，证明了数学公式在真实的金属和橡胶上是有效的。

核心结论

这篇论文不仅仅是在说“我们可以驾驶卡车”。它说的是：“我们可以教会计算机驾驶卡车，方法是观察车辆的每一个部分，而不仅仅是中心，并了解在特定时刻车辆的哪一部分最为重要。”

通过调整“权重”（即计算机对拖车与卡车的关注程度），该系统既能像谨慎的司机那样倒进狭窄空间，也能像平稳的司机那样在高速公路上巡航，同时确保所有车轮都安全地保持在标线之内。

以下是论文《使用模型预测轮廓控制进行铰接式商用车辆轨迹规划》的详细技术总结。

1. 问题陈述

本文解决了复杂物流场景下铰接式商用车辆（特别是牵引车 - 半挂车）的自主轨迹规划挑战。与乘用车不同，这些车辆面临独特的困难：

尺寸与几何结构：它们的尺寸显著更大（长度约 16.5 米），并表现出**内轮差（offtracking）**现象，即半挂车遵循的路径与牵引车不同，这通常导致内侧车轮切弯或外侧车轮侵入相邻车道。
不稳定性：倒车操作容易发生折叠（jackknifing）（铰接角的不稳定折叠）。
场景依赖的优先级：不同的驾驶任务需要优先关注车辆上的不同“锚点”。例如，在对接时，半挂车的后部位置至关重要；在充电时，牵引车的接口至关重要；在高速公路上，两者都必须保持在中心位置。
现有方法的局限性：用于乘用车的标准模型预测轮廓控制（MPCC）通常将车辆简化为单点或假设固定的参考路径，未能考虑铰接式车辆复杂的运动学特性和边界约束。

2. 方法论

作者提出了一种专为牵引车 - 半挂车定制的扩展**模型预测轮廓控制（MPCC）**框架。

A. 车辆建模

运动学模型：使用运动学自行车模型对牵引车进行建模，并通过铰接点与半挂车耦合。
状态向量：状态包括牵引车的位置 $(x_1, y_1)$ 、航向角（ $\psi_1, \psi_2$ ）、速度（ $v_1$ ）和转向角（ $\delta_0$ ）。
增强状态：关键在于，该模型引入了三个独立的进度状态（ $\theta_0, \theta_1, \theta_2$ $θ_{0}, θ_{1}, θ_{2}$ ），分别对应三个锚点：
1. 牵引车前轴（ $i=0$ ）
2. 牵引车后轴（ $i=1$ ）
3. 半挂车轴（ $i=2$ ）
  每个锚点都有其各自的虚拟速度（ $v_{\theta}$ ），用于近似沿参考路径行驶的距离。

B. 优化公式

该问题被表述为一个受动力学和约束条件的约束非线性优化问题，旨在最小化成本函数 $J$ ：

目标函数（ $J_m$ ）：最小化每个锚点的轮廓误差（路径横向偏差）和滞后误差（纵向偏差），同时最大化路径速度。
- 关键创新：场景依赖的加权允许规划者优先处理特定的锚点（例如，在对接时增加半挂车的权重 $q_{c,2}$ ）。
舒适性项（ $J_c$ ）：惩罚高加速度和转向率，以确保乘客/载荷的舒适性。
约束条件：
- 运动学/动力学限制：对转向角、转向率、速度和加速度的限制。
- 道路边界：对所有三个锚点应用显式约束，以确保牵引车前轴、牵引车后轴和半挂车轴都保持在可行驶走廊内（由左/右边界定义）。这防止了“扫掠路径”与障碍物发生碰撞。
- 安全性：对横向加速度的约束以防止翻车。

C. 实现

求解器采用在Python中实现的基于CasADi和IPOPT求解器的滚动时域方案。
预测时域设定为 15 秒，在计算负载（每次迭代约 100 毫秒）与前后向操作所需的足够前瞻距离之间取得平衡。

3. 主要贡献

面向铰接式车辆的扩展 MPCC：首次将 MPCC 应用于牵引车 - 半挂车，克服了以往将车辆视为单点的方法的局限性。
多锚点约束公式：显式地提出了牵引车前部、牵引车后部和半挂车轴的道路边界约束。这确保了整个车辆扫掠路径保持在可行驶限制内，防止折叠和切弯碰撞。
场景依赖的优先级：能够动态调整优化权重以优先处理特定车辆部件（例如，对接时优先考虑半挂车，充电时优先考虑牵引车），而无需改变底层算法结构。
验证：在全尺寸原型机上进行了成功的仿真和实地测试。

4. 结果

仿真场景：该算法在涉及 90 度转弯和进入客户场所（前进和倒车）的物流场景中进行了测试。
- 成功：车辆在两个方向上均成功穿越走廊，未发生折叠或驶出可行驶区域。
- 约束的必要性：当禁用半挂车约束时，仿真结果显示半挂车在前进时切弯或在倒车时发生折叠，证明了多点约束的必要性。
- 权重敏感性：改变权重 $q_{c,2}$ （半挂车优先级）表明，较高的权重减少了半挂车的横向偏差，但要求牵引车更激进地转向并减速，以满足横向加速度限制。
实地原型：该方法在一台全尺寸的 DAF 牵引车 - 半挂车原型机上实施。车辆在真实环境中成功跟随了规划轨迹，证实了其实际适用性。

5. 意义

这项工作填补了乘用车自主规划与重型物流复杂需求之间的关键空白。通过将 MPCC 扩展以处理铰接运动学和多点边界约束，作者为以下方面提供了稳健的解决方案：

安全性：防止折叠并确保所有车轮保持在车道边界内。
效率：实现狭窄空间内的自主对接和倒车，这是目前物流自动化的主要瓶颈。
灵活性：提供了一个统一的控制框架，通过简单的参数调整而非算法重写，即可适应不同的操作模式（对接、充电、高速公路驾驶）。

论文结论指出，虽然在动态环境中构建稳健的可行驶走廊仍然是一个挑战，但所提出的 MPCC 扩展是实现全自主铰接式商用车辆的重要一步。