1. AutoRally平台与动态自行车模型概述AutoRally是一个1/5比例的自动驾驶车辆实验平台专为研究高速极限操控场景下的控制算法而设计。这个平台的核心价值在于它能够在复杂环境中执行高速机动同时保持足够的物理真实性使得在其上开发的算法能够较好地迁移到全尺寸车辆上。1.1 AutoRally硬件架构AutoRally平台由几个关键硬件组件构成底盘系统采用四轮独立悬挂设计配备高性能减震器能够承受高速过弯时的侧向加速度计算单元搭载高性能嵌入式计算机实时处理传感器数据并执行控制算法执行机构包括电动马达驱动的后轮提供动力和伺服电机控制的前轮转向系统传感器套件包含IMU、轮速编码器、GPS和摄像头等提供全面的状态感知在实际实验中平台使用软质排水管作为赛道边界这为研究碰撞避免算法提供了安全的环境。这里特别区分了两种边界接触情况碰撞(Crash)车辆与边界接触导致无法继续行驶擦碰(Collision)车辆与边界接触但仍能继续行驶1.2 动态自行车模型原理动态自行车模型(Dynamic Bicycle Model)是车辆动力学建模中的经典方法它将四轮车辆简化为前后两个轮子的单轨模型。这种简化在保持足够精度的同时大幅降低了计算复杂度特别适合实时控制应用。模型的核心假设包括忽略车辆侧倾和俯仰运动将左右轮胎合并为一个等效轮胎假设地面与轮胎间的摩擦特性符合椭圆模型在AutoRally应用中模型采用曲率坐标系而非传统的笛卡尔坐标系。这种表示方法以赛道中心线为参考曲线使车辆位置和航向的解读更加直观。曲率坐标系下的状态变量包括vx纵向速度vy横向速度ψ̇横摆角速度ωF/R前后轮角速度eψ航向误差ey横向位置误差s沿赛道中心线的曲线位置2. 车辆动力学方程解析2.1 基本运动方程动态自行车模型的运动学方程构成了系统的基础主要包括以下几个关键方程纵向动力学方程v̇x (fFx cosδ - fFy sinδ fRx)/m vyψ̇这个方程描述了车辆纵向加速度的组成包括前轮纵向力在车辆坐标系下的投影(fFx cosδ)前轮侧向力的影响(-fFy sinδ)后轮纵向力(fRx)由于横摆运动引起的耦合项(vyψ̇)横向动力学方程v̇y (fFx sinδ fFy cosδ fRy)/m - vxψ̇该方程包含前轮力的横向分量(fFx sinδ fFy cosδ)后轮侧向力(fRy)向心加速度项(-vxψ̇)横摆动力学方程ψ̈ [(fFy cosδ fFx sinδ)ℓF - fRyℓR]/Iz描述了绕垂直轴的旋转加速度考虑了前轮力产生的力矩后轮力产生的力矩车辆绕z轴的转动惯量(Iz)2.2 轮胎力模型轮胎力的准确建模对仿真精度至关重要。AutoRally平台采用椭圆摩擦模型计算轮胎力纵向轮胎力fFx fFzμFx fRx fRzμRx侧向轮胎力fFy fFzμFy ΦF(δ,αF) fRy fRzμRy ΦR(δ,αR)其中fFz/fRz是轮胎垂直载荷μFx/μRy是纵向/侧向摩擦系数Φ是考虑转向角和滑移角影响的残差项特别值得注意的是AutoRally使用神经网络来建模残差项Φ这显著提高了模型在极限工况下的准确性。神经网络基于实验数据进行训练能够捕捉复杂的轮胎非线性特性。2.3 后轮动力学建模挑战后轮角加速度的建模面临特殊挑战ω̇R Θ(ωR,T)这是因为ω̇R受多种因素影响非线性轮胎行为动态载荷转移路面不平度这些因素的复杂相互作用AutoRally同样采用数据驱动方法使用神经网络Θ来建模这一复杂关系。这种混合建模方法结合了物理模型的可靠性和数据驱动的灵活性。3. 模型离散化与参数辨识3.1 连续系统离散化为便于数字控制器实现需将连续时间系统离散化。采用欧拉积分方法x_{k1} f(x_k,u_k) x_k F(x_k,u_k)Δt其中Δt是离散时间间隔。这种离散化方法简单高效适合实时应用。3.2 无迹卡尔曼滤波参数辨识AutoRally使用无迹卡尔曼滤波(UKF)进行车辆和轮胎参数辨识。UKF特别适合非线性系统的参数估计相比扩展卡尔曼滤波(EKF)具有更好的数值稳定性和精度。辨识得到的关键参数包括车辆质量m 22kg转动惯量Iz 1.1kg·m²前后轴距lF 0.34mlR 0.23m前轮转动惯量IωF 0.10kg·m²前轮半径rF 0.095m轮胎魔术公式参数B 4.1C 0.95D 1.1这些参数确保了模型能够准确反映实际平台的动力学特性。4. 神经网络在模型增强中的应用4.1 轮胎力残差建模传统轮胎模型在极限工况下精度有限。AutoRally使用神经网络来建模残差项Φ(δ,α)显著提升了侧向力预测的准确性。网络输入包括转向角δ轮胎滑移角α arctan(vy/vx)网络基于大量实验数据训练能够捕捉复杂的非线性关系。这种混合建模方法既保留了物理模型的可解释性又提高了预测精度。4.2 后轮动力学建模后轮角加速度ω̇R的建模面临更大挑战因其受多种因素影响。AutoRally采用专门的神经网络Θ(ωR,T)来建模这一关系网络输入包括后轮角速度ωR油门/刹车输入T这种数据驱动方法避免了复杂的第一性原理建模直接从实验数据中学习动力学关系。5. 控制算法实现与优化5.1 模型预测控制框架AutoRally采用基于动态自行车模型的模型预测控制(MPC)框架。MPC通过在线优化有限时间范围内的控制序列来实现高性能控制。其核心步骤包括状态估计基于传感器数据估计当前状态轨迹预测使用动力学模型预测未来状态控制优化求解最优控制序列执行控制应用第一个控制输入5.2 变分推理MPCAutoRally实现了变分推理MPC(Variational Inference MPC)这是一种概率框架下的MPC方法。它将控制问题转化为概率推断问题通过最小化KL散度来寻找最优控制分布。变分更新推导的核心是找到高斯分布qv(u)的最优均值v*使得v* E_{p(u|o1)}[u]这可以通过自归一化重要性采样(SNIS)来估计。5.3 MPPI算法模型预测路径积分(MPPI)是AutoRally使用的另一种高效控制算法。它可以视为变分推理MPC的特例当先验分布p0(u)是零均值高斯建议分布r(u)是前次估计的高斯分布MPPI通过并行rollout和加权平均来估计最优控制特别适合高维非线性系统。6. 安全保证与神经网络控制屏障函数6.1 避免集定义安全控制的关键是正确定义避免集(Avoid Set)A {x | h(x) 0}其中h(x)是避免启发式函数。AutoRally最初使用简单的横向偏差函数h0(x) wI² - ey²其中wI是半赛道宽度(1.5m)ey是横向偏差。6.2 启发式函数改进为提高安全性AutoRally改进了启发式函数引入不连续性h(x) h0(x) - 0.3, ey wI h0(x) 0.2, wI ≤ ey ≤ wO 2.8, wO ≤ ey其中wO是碰撞宽度。这种设计提高了神经网络控制屏障函数(NCBF)的鲁棒性。6.3 NCBF训练与验证NCBF的训练过程包括数据收集在仿真中记录车辆状态包括出界情况网络架构选择适当的神经网络结构损失函数设计包含安全约束的复合损失训练优化使用梯度下降方法训练网络训练后的NCBF能够准确识别危险区域如图21所示红色区域表示B(x)0的不安全区域。7. 重采样滚动优化(RBR)技术7.1 RBR基本原理重采样滚动优化(Resampling-Based Rollouts)是一种提高采样效率的技术。其核心思想是生成初始控制样本评估样本安全性对不安全样本进行重采样使用安全样本进行控制优化这种方法能有效减少计算资源浪费在不安全的控制序列上。7.2 RBR性能分析理论分析表明RBR能显著降低估计方差。对于K步控制序列标准MPPI的方差随K指数增长Var[ˆvk] O(2^K)而采用RBR后方差增长大幅减缓Var[ˆvk] O((1/(1-2^{-N}))^K)这使得RBR在长控制时域下仍能保持良好性能。8. 实际应用与性能比较8.1 仿真实验设置AutoRally在多种赛道配置下测试了不同控制方法标准MPPI使用包含碰撞惩罚的成本函数Shield-MPPI结合动态控制屏障函数(DCBF)NS-MPPI使用神经网络安全滤波器成本函数设计为q(x) (x-xg)^T Q (x-xg) 1(x)其中1(x)是碰撞指示函数。8.2 性能比较结果实验结果显示标准MPPI在简单场景表现良好但在复杂场景碰撞率高Shield-MPPI显著降低碰撞率但计算负荷较高NS-MPPI在安全性和计算效率间取得良好平衡特别是在Dubins车实验中使用有效DCBF的NS-MPPI在N50样本时就能保证安全而标准MPPI需要N≥15才能避免碰撞。