Adaptive Model Predictive Motion Planning For Navigation In Complex Environments PDF Download

During the last decades, improved sensor and hardware technologies as well as new methods and algorithms have made self-driving vehicles a realistic possibility in the near future. At the same time, there has been a growing demand within the transportation sector to increase efficiency and to reduce the environmental impact related to transportation of people and goods. Therefore, many leading automotive and technology companies have turned their attention towards developing advanced driver assistance systems and self-driving vehicles. Autonomous vehicles are expected to have their first big impact in closed environments, such as mines, harbors, loading and offloading sites. In such areas, the legal requirements are less restrictive and the surrounding environment is more controlled and predictable compared to urban areas. Expected positive outcomes include increased productivity and safety, reduced emissions and the possibility to relieve the human from performing complex or dangerous tasks. Within these sites, tractor-trailer vehicles are frequently used for transportation. These vehicles are composed of several interconnected vehicle segments, and are therefore large, complex and unstable while reversing. This thesis addresses the problem of designing efficient motion planning and feedback control techniques for such systems. The contributions of this thesis are within the area of motion planning and feedback control for long tractor-trailer combinations operating at low-speeds in closed and unstructured environments. It includes development of motion planning and feedback control frameworks, structured design tools for guaranteeing closed-loop stability and experimental validation of the proposed solutions through simulations, lab and field experiments. Even though the primary application in this work is tractor-trailer vehicles, many of the proposed approaches can with some adjustments also be used for other systems, such as drones and ships. The developed sampling-based motion planning algorithms are based upon the probabilistic closed-loop rapidly exploring random tree (CL-RRT) algorithm and the deterministic lattice-based motion planning algorithm. It is also proposed to use numerical optimal control offline for precomputing libraries of optimized maneuvers as well as during online planning in the form of a warm-started optimization step. To follow the motion plan, several predictive path-following control approaches are proposed with different computational complexity and performance. Common for these approaches are that they use a path-following error model of the vehicle for future predictions and are tailored to operate in series with a motion planner that computes feasible paths. The design strategies for the path-following approaches include linear quadratic (LQ) control and several advanced model predictive control (MPC) techniques to account for physical and sensing limitations. To strengthen the practical value of the developed techniques, several of the proposed approaches have been implemented and successfully demonstrated in field experiments on a full-scale test platform. To estimate the vehicle states needed for control, a novel nonlinear observer is evaluated on the full-scale test vehicle. It is designed to only utilize information from sensors that are mounted on the tractor, making the system independent of any sensor mounted on the trailer. Under de senaste årtiondena har utvecklingen av sensor- och hårdvaruteknik gått i en snabb takt, samtidigt som nya metoder och algoritmer har introducerats. Samtidigt ställs det stora krav på transportsektorn att öka effektiviteten och minska miljöpåverkan vid transporter av både människor och varor. Som en följd av detta har många ledande fordonstillverkare och teknikföretag börjat satsat på att utveckla avancerade förarstödsystem och självkörande fordon. Även forskningen inom autonoma fordon har under de senaste årtiondena kraftig ökat då en rad tekniska problem återstår att lösas. Förarlösa fordon förväntas få sitt första stora genombrott i slutna miljöer, såsom gruvor, hamnar, lastnings- och lossningsplatser. I sådana områden är lagstiftningen mindre hård jämfört med stadsområden och omgivningen är mer kontrollerad och förutsägbar. Några av de förväntade positiva effekterna är ökad produktivitet och säkerhet, minskade utsläpp och möjligheten att avlasta människor från att utföra svåra eller farliga uppgifter. Inom dessa platser används ofta lastbilar med olika släpvagnskombinationer för att transportera material. En sådan fordonskombination är uppbyggd av flera ihopkopplade moduler och är således utmanande att backa då systemet är instabilt. Detta gör det svårt att utforma ramverk för att styra sådana system vid exempelvis autonom backning. Självkörande fordon är mycket komplexa system som består av en rad olika komponenter vilka är designade för att lösa separata delproblem. Två viktiga komponenter i ett självkörande fordon är dels rörelseplaneraren som har i uppgift att planera hur fordonet ska röra sig för att på ett säkert sätt nå ett överordnat mål, och dels den banföljande regulatorn vars uppgift är att se till att den planerade manövern faktiskt utförs i praktiken trots störningar och modellfel. I denna avhandling presenteras flera olika algoritmer för att planera och utföra komplexa manövrar för lastbilar med olika typer av släpvagnskombinationer. De presenterade algoritmerna är avsedda att användas som avancerade förarstödsystem eller som komponenter i ett helt autonomt system. Även om den primära applikationen i denna avhandling är lastbilar med släp, kan många av de förslagna algoritmerna även användas för en rad andra system, så som drönare och båtar. Experimentell validering är viktigt för att motivera att en föreslagen algoritm är användbar i praktiken. I denna avhandling har flera av de föreslagna planerings- och reglerstrategierna implementerats på en småskalig testplattform och utvärderats i en kontrollerad labbmiljö. Utöver detta har även flera av de föreslagna ramverken implementerats och utvärderats i fältexperiment på en fullskalig test-plattform som har utvecklats i samarbete med Scania CV. Här utvärderas även en ny metod för att skatta släpvagnens beteende genom att endast utnyttja information från sensorer monterade på lastbilen, vilket gör det föreslagna ramverket oberoende av sensorer monterade på släpvagnen.