⚡ electrical engineering

AD-MPCC: Adaptive Differentiable Model Predictive Contouring Control for Autonomous Racing

本文介绍了 AD-MPCC，这是一种将可微模型预测轮廓控制（Model Predictive Contouring Control）与在线参数估计以及用于动态调整控制目标的监督学习模型相结合的自主赛车框架，从而在不同的路面条件下确保安全性并实现更快的单圈成绩。

原作者： Nam T. Nguyen, Binh Nguyen, Ahmad Amine, Thanh Vo-Duy, Rahul Mangharam, Truong X. Nghiem

发布于 2026-07-02

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Nam T. Nguyen, Binh Nguyen, Ahmad Amine, Thanh Vo-Duy, Rahul Mangharam, Truong X. Nghiem

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

想象一辆正在尝试以最快速度绕赛道行驶的自动驾驶赛车。最大的挑战不仅在于转向，还在于知道轮胎与路面之间的抓地力有多少。如果路面是干燥的沥青路，轮胎会像胶水一样紧贴地面；如果路面湿滑或结冰，它们就会像抹了黄油一样打滑。

这篇论文介绍了一种用于这些赛车的新型“大脑”，称为 AD-MPCC。你可以把它想象成一名赛车手，他不仅能记住赛道，还能不断感知轮胎下的路面情况，并根据路况即时调整驾驶风格。

以下是它的工作原理，分为三个简单的部分：

1. “感知” (在线参数估计)

大多数自动驾驶汽车都假设路面到处都是一样的。但实际上，赛道上可能会有干燥区域、潮湿区域或碎石路。

问题： 如果赛车认为自己行驶在干燥的沥血路上，却突然遇到了湿滑路段，它会因为转向过猛而导致撞车。
解决方案： AD-MPCC 系统就像一名侦探。它不断观察赛车的实际运动情况与它预期运动情况之间的差异。如果赛车比预期滑得更厉害，系统就会说：“啊，路面变滑了！”并立即更新其对路面抓地力的内部地图（使用一个著名的公式，即“魔术公式/Magic Formula”来描述轮胎）。它会给予刚刚发生的瞬间更多的权重，而不是十秒钟前发生的情况，从而实现对变化环境的快速反应。

2. “策略” (可微 MPCC)

一旦赛车知道路面很滑，它就需要决定如何驾驶。是应该提前刹车？还是应该采取更宽的过弯路线？

问题： 在传统的赛车 AI 中，驾驶规则（权重）是由人类在比赛开始前设置好的。如果路况改变了，规则也不会改变，赛车可能会针对当前路况开得过于激进。
解决方案： 本文引入了一个“可微”系统。想象一下，赛车的策略就像一个带有可调节旋钮（权重）的配方。通常情况下，你无法在赛车行驶过程中去微调这些旋钮，因为反向工程的数学计算太难了。这种新方法利用先进的数学技术来“反向工程”这个配方。它会自问：“如果我稍微转动一下这个旋钮，我是会跑得更快，还是跑得更安全？”然后，它会自动向正确的方向转动旋钮，以找到速度与安全性之间的完美平衡。

3. “捷径” (结合 Pacejka 模型的机器学习)

这里有一个难点：在时速 100 英里的赛车上进行所有这些复杂的数学运算来微调旋钮，耗时太长了。这就像是在冲刺冲刺时还要解一道复杂的微积分题。

问题： “完美”的数学计算在驾驶过程中耗时太久。
解决方案： 研究人员训练了一个聪明的 AI 助手（机器学习模型）来充当捷径。他们通过让那个缓慢但完美的数学系统运行数千次模拟，来教导这个助手。该助手学会了观察路况（有多滑）和赛车速度，然后瞬间猜出“完美”的旋钮设置。
类比： 这就像一位研究过数百万局棋的国际象棋特级大师。在比赛过程中，他们不需要从头开始计算每一种可能的走法，而是能瞬间识别出模式并知道最佳走法。这个“助手”让赛车能够做出几乎与缓慢、完美的数学系统同样精准，但速度足以应对实时赛车的决策。

结果：效果如何？

团队在计算机模拟的赛道（F1TENTH-Gym）中测试了这个系统。

在正常的干燥赛道上： 新系统明显更快，比标准控制器缩短了约 11 秒的单圈时间。它的驾驶更加平顺，且始终保持在赛道中心附近。
在复杂的变换赛道上： 这是它大放异彩的地方。他们创建了一个起初干燥、随后突然变得非常湿滑的赛道。
- 标准赛车（甚至是那些仅更新路感但未更新策略的赛车）在湿滑路段撞车了。
- AD-MPCC 赛车感受到了打滑，立即调整了策略，并安全地完成了比赛。

总结

这篇论文提出了一种具有适应性的赛车控制器。它不只是遵循剧本；它能感知路面，实时学习路面的湿滑程度，并立即重写自己的驾驶策略，以在保持高速的同时避免撞车。它结合了“侦探”（感知路面）、“策略家”（优化驾驶风格）和“智能助手”（快速进行数学计算）的力量，从而赢得比赛。

技术摘要：用于自主赛车的自适应可微模型预测轮廓控制 (AD-MPCC)

1. 问题陈述

自主赛车要求车辆在物理极限范围内运行，同时优化性能目标（如最小化圈速）。虽然模型预测轮廓控制 (MPCC) 已成为平衡跟踪精度与赛车速度的标准框架，但在动态环境中，特别是在路面条件变化的赛道上，它面临着显著的挑战。

本研究解决的主要困难包括：

模型不确定性： 赛车中不确定性的主要来源是轮胎与路面的相互作用，这种作用会随路面条件（例如沥青路面与碎石路面）的变化而变化。标准的基于物理的模型通常假设参数固定，导致在摩擦力发生变化时产生偏差。
目标权重自适应： 在多表面场景中，动力学模型的更新（例如轮胎摩擦参数）需要相应的 MPCC 目标权重调整，以维持安全性和性能。然而，手动调节这些权重是不切实际的，且标准的微分 MPC 技术由于参考轨迹与优化的进度变量之间存在隐式耦合，无法直接应用于 MPCC。
实时性约束： 虽然微分编程为权重优化提供了一种机制，但在线求解高维优化问题的计算负担对于实时赛车应用而言往往过高。

2. 方法论：AD-MPCC 框架

作者提出了自适应可微模型预测轮廓控制 (AD-MPCC) 框架，该框架集成了两个核心组件来应对上述挑战：在线参数估计与可微权重自适应。

A. 在线 Pacejka 参数估计

为了处理变化的道路表面，该框架采用了正则化移动地平线估计 (MHE) 方案。

模型： 车辆动力学采用动态自行车模型进行建模，其中横向力由 Pacejka “魔术公式”控制。
估计： 系统利用近期车辆状态和输入的序列，实时估计 Pacejka 参数 ( $\eta$ ，包括摩擦系数 $B, C, D$ )。
机制： MHE 目标函数包含：
- 指数衰减权重： 这优先考虑了近期的观测值，以便快速捕捉不同路面之间的转换。
- 先验正则化： 估计过程向基于标准路面条件的标称参数 ( $\eta_{gt}$ ) 进行正则化，以确保稳定性。
输出： 估计的参数 $\eta_k$ 在每个时间步进行更新，并输入到预测模型中。

B. 可微 MPCC (Diff-MPCC)

为了根据估计的动力学自动调整 MPCC 目标权重 ( $q = [q_c, q_l, q_v]^\top$ )，作者开发了 Diff-MPCC 方法。

概念： 该框架不再使用固定权重，而是通过优化权重来最小化长时界性能代价 $\ell$ 。
微分： 该方法通过对 MPCC 优化问题进行微分，计算性能代价相对于权重的梯度 ( $\partial \ell / \partial q$ )。
技术挑战： 与标准 MPC 不同，MPCC 涉及一个将参考轨迹与优化过程耦合的隐式进度变量 $\theta$ 。这需要参考路径的高阶导数。
解决方案： 作者将隐函数定理 (IFT) 应用于 MPCC 问题的 Karush-Kuhn-Tucker (KKT) 最优性条件。通过利用障碍函数法近似解并求解生成的线性系统，他们计算出必要的梯度，并通过投影梯度下降法来更新权重。

C. Pacejka 启发式机器学习 (PaIML)

由于在线运行完整的 Diff-MPCC 优化循环计算成本过高，作者提出了 PaIML 技术用于实时部署。

离线训练： 使用由 Diff-MPCC 解算器生成的训练数据训练监督学习模型。数据集由车辆状态、估计参数以及由 Diff-MPCC 计算出的最优权重组成。
物理启发式降维： 为了将输入维度从 14 维降低到 5 维，作者利用了 Pacejka 模型的物理结构。模型并非直接输入原始参数，而是使用：
1. 由 Pacejka 参数推导出的摩擦系数 ( $\mu_r, \mu_f$ )。
2. 向前及横向速度 ( $v_x, v_y$ )。
3. 进度变量 ( $\theta$ )。
架构： 使用 XGBoost 模型将这 5 个输入映射到最优 MPCC 权重，从而实现快速且接近最优的推理。

3. 核心贡献

本文强调了三个主要贡献：

AD-MPCC 框架： 一种新型控制架构，能够针对不同表面的自主赛车，联合执行车辆动力学模型的在线估计与 MPCC 目标权重的自动自适应。
先验正则化 MHE： 一种特定的估计方案，利用指数衰减权重快速估计 Pacejka 参数，确保预测模型能快速适应路面转换。
可微 MPCC 与 PaIML：
- 开发了一种用于 MPCC 的微分编程技术，实现了基于梯度的权重调优。
- 设计了一种实时近似方法 (PaIML)，通过利用物理见解降低输入维度，从而降低了计算复杂度。

4. 仿真结果

该框架在 F1TENTH-Gym 环境下的 Oschersleben 赛道进行了验证，涵盖两种场景：

A. 单表面场景 (已知 $\mu_{max} = 1.2$ )

性能： 与基准 MPCC 相比，Diff-MPCC 和 AD-MPCC 均显著缩短了圈速。
- Diff-MPCC： 实现了最快的圈速 (64.08 秒 vs 基准的 75.57 秒)。
- AD-MPCC： 实现了 64.89 秒的圈速，且平均横向偏差 (0.926 m) 小于 Diff-MPCC (1.040 m)，表明其在速度与安全性之间取得了更好的平衡。
计算： 所有方法均在 50 ms 的采样预算内运行，其中 AD-MPCC 每步大约耗时 24.18 ms。

B. 多表面场景 (未知 $\mu_{max}$ 在 0.7 到 1.2 之间变化)

安全性与鲁棒性： 该场景至关重要。基准 MPCC、A-MPCC（仅估计）以及 Diff-MPCC（仅权重自适应）在遇到第一个湿滑路段 ( $\mu_{max} = 0.75$ ) 时均发生碰撞（失控）。
AD-MPCC 的成功： AD-MPCC 是唯一能够安全完成圈次的控制器。
机制： 在线估计成功检测到了摩擦力的下降（例如，参数 $D_r$ 从 1.55 降至约 1.45），权重自适应调整了控制器以维持稳定性，最终实现了 11.65 m/s 的平均速度和 1.069 m 的横向偏差。

5. 重要性与结论

论文声称，AD-MPCC 通过解决模型不确定性和控制器自适应性这两个难题，代表了自主赛车控制领域的重大进展。

不确定性下的安全性： 该框架是测试的方法中唯一能确保在未知多表面环境下安全运行的方法，而其他控制器在此类环境下均会失效。
性能： 在已知赛道上，该框架比标准 MPCC 快约 11 秒。
实用性： 通过结合微分优化与物理启发式机器学习，作者证明了复杂的自适应控制策略可以在不超出计算预算的情况下实现实时部署。

作者指出，目前的验证依赖于模拟器生成的数据 (F1TENTH-Gym)，未来的工作将侧重于实际部署以及对稳定性与鲁棒性的更深入理论分析。