Diseño y Validación de un Controlador Predictivo No lineal Basado en Modelo aplicado al Seguimiento de Trayectorias de Vehículos Autónomos
Contenido principal del artículo
Resumen
El campo de los vehículos y la conducción autónoma se encuentra inmerso en un rápido crecimiento
y expansión. Es por ello, que en el presente artículo se pretende diseñar un controlador predictivo
que sea capaz de calcular el ángulo de dirección óptimo para poder seguir una trayectoria genérica,
además de realizar trayectorias como el cambio de carril o el doble cambio de carril. Este tipo de
controladores necesitan de un modelo interno que represente la dinámica longitudinal, lateral y la
guiñada con precisión, el cual se describe mediante un conjunto de ecuaciones diferenciales de
segundo orden que describen dicho comportamiento dinámico.
A diferencia de otros tipos de controladores, el controlador predictivo requiere de la resolución de
un problema de optimización para obtener la acción de control. La función de coste característica
de la optimización se compone de un conjunto de matrices que, en su totalidad, describen el
comportamiento del controlador predictivo. Se destaca la importancia de recoger el
comportamiento dinámico del modelo en su forma matricial. Para ello, se debe someter al conjunto
de ecuaciones diferenciales a un proceso matemático de linealización, obteniendo la representación
en espacio de estados del modelo. Una vez representado en su forma matricial, se construyen el
resto de matrices de la optimización a partir de estas.
En la resolución del problema de seguimiento de trayectorias, es habitual el uso de modelos de
vehículo simplificados que asumen un comportamiento del neumático lineal. Donde las fuerzas
laterales y longitudinales de estos son proporcionales al ángulo de deriva. La aplicación de los
modelos simplificados y lineales tienen ciertas limitaciones para ángulos de deslizamientos muy
elevados, donde el neumático pierde la linealidad en la que se fundamenta el modelo. Por tanto,
estos modelos simplificados no reproducen adecuadamente el comportamiento del vehículo en
situaciones de emergencia o maniobras evasivas. En el presente artículo, se propone el uso de un
modelo no lineal basado en el modelo de neumático de Dugoff, el cual asume que la rigidez del
neumático no es constante, y que es función de los ángulos de deslizamiento longitudinal y lateral
de las ruedas. Finalmente, se realiza una comparativa con un controlador lineal, demostrando el
potencial de aplicar un modelo más complejo al control de seguimiento de trayectorias. También
se comparará el coste computacional de ambos y la capacidad de realizar simulaciones en tiempo
real.
Detalles del artículo

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
CC BY-NC-SA 4.0)
El lector puede compartir, copiar y redistribuir el material en cualquier medio o formato, siempre y cuando cumpla con las siguientes condiciones:
-
Atribución (BY): Debe dar crédito adecuado al autor original, proporcionando un enlace a la licencia y señalando si se han realizado cambios.
-
No Comercial (NC): No puede utilizar el material con fines comerciales. Esto significa que no puede venderlo ni obtener ganancias directas de su uso.
-
Compartir Igual (SA): Si adapta, transforma o construye sobre el material, debe distribuir sus contribuciones bajo la misma licencia que el original.
Recuerda que esta licencia no afecta los derechos legales del autor, como el derecho moral o las excepciones de uso justo.
Citas
“Ref_1_Self-Driving_Cars_and_the_Urban_Challenge”.
Q. Li, N. Zheng, and H. Cheng, “Springrobot: A prototype autonomous vehicle and its algorithms for lane detection,” in IEEE Transactions on Intelligent Transportation Systems, Dec. 2004, pp. 300–308. doi: 10.1109/TITS.2004.838220.
G. Huang and Q. Ma, “Research on Path Planning Algorithm of Autonomous Vehicles Based on Improved RRT Algorithm,” International Journal of Intelligent Transportation Systems Research, vol. 20, no. 1, pp. 170–180, Apr. 2022, doi: 10.1007/s13177-021-00281-2.
C. C. Yuan et al., “Research on path planning based on new fusion algorithm for autonomous vehicle,” May 01, 2020, SAGE Publications Inc. doi: 10.1177/1729881420911235.
S. Yu, M. Hirche, Y. Huang, H. Chen, and F. Allgöwer, “Model predictive control for autonomous ground vehicles: a review,” Dec. 01, 2021, Springer. doi: 10.1007/s43684-021-00005-z.
P. Falcone, F. Borrelli, J. Asgari, H. E. Tseng, and D. Hrovat, “Predictive active steering control for autonomous vehicle systems,” IEEE Transactions on Control Systems Technology, vol. 15, no. 3, pp. 566–580, May 2007, doi: 10.1109/TCST.2007.894653.
P. Falcone, H. Eric Tseng, F. Borrelli, J. Asgari, and D. Hrovat, “MPC-based yaw and lateral stabilisation via active front steering and braking,” in Vehicle System Dynamics, 2008, pp. 611–628. doi: 10.1080/00423110802018297.
S. Cheng, L. Li, X. Chen, J. Wu, and H. Da Wang, “Model-Predictive-Control-Based Path Tracking Controller of Autonomous Vehicle Considering Parametric Uncertainties and Velocity-Varying,” IEEE Transactions on Industrial Electronics, vol. 68, no. 9, pp. 8698–8707, Sep. 2021, doi: 10.1109/TIE.2020.3009585.
S. Frendi, R. Mellah, L. Seddiki, and H. Akdag, “Tracking controller design of a sideslip angle and yaw rate for electrical vehicle bicycle model,” in IFAC-PapersOnLine, Elsevier B.V., 2016, pp. 169–174. doi: 10.1016/j.ifacol.2016.07.108.
F. Lin, M. Sun, J. Wu, and C. Qian, “Path tracking control of autonomous vehicle based on nonlinear tire model,” Actuators, vol. 10, no. 9, Sep. 2021, doi: 10.3390/act10090242.
L. Chen, M. Bian, Y. Luo, and K. Li, “Maximum tire road friction estimation based on modified Dugoff tire model,” in Proceedings - 2013 International Conference on Mechanical and Automation Engineering, MAEE 2013, 2013, pp. 56–61. doi: 10.1109/MAEE.2013.24.
Y. Gao, X. Wang, J. Huang, and L. Yuan, “Adaptive Model Predictive Control for Intelligent Vehicle Trajectory Tracking Considering Road Curvature,” International Journal of Automotive Technology, vol. 25, no. 5, pp. 1051–1064, Oct. 2024, doi: 10.1007/s12239-024-00086-8.