AutoRally平台与动态自行车模型在自动驾驶控制中的应用
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_{k+1} = 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 = 0.34m，lR = 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 = 4.1，C = 0.95，D = 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MPC
AutoRally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|o=1)}[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N=50样本时就能保证安全，而标准MPPI需要N≥15才能避免碰撞。