Model Predictive Planning and Control for Autonomous Racing, from HPC to Embedded Platforms

Autonomous car racing has emerged as a challenging field, pushing the boundaries of autonomous driving capabilities. The unique demands of racing scenarios serve as a catalyst for developing superior autonomous driving skills, with the aim of surpassing human drivers in handling vehicles under extreme tire limits, and instilling public trust in this transformative technology. This thesis details a comprehensive exploration of motion planning and control methodologies tailored for autonomous car racing, extending the capabilities of Model Predictive Control (MPC)-based approaches and demonstrating its effectiveness in experimental testing on a Dallara AV-21 and in a high fidelity multibody model simulation. The research extends the current state-of-the-art in MPC and model-based control for autonomous racecars, showcasing breakthroughs in edge-case scenarios, algorithm testing tools, and performance evaluations on both High-Performance Computing CPUs and embedded platforms. The final proposed pipeline, rooted in hierarchical planning and model predictive control (MPP-MPC) serves as a valuable benchmark for realizing fully autonomous racing scenarios involving multiple agents. The contributions cover several key facets. First, a simulation platform is described, offering an environment based on a racing game for effective testing, benchmarking, and refinement of planning, control, and forecasting algorithms. This addresses accessibility concerns regarding high-fidelity simulation tools, which is a crucial aspect for making the autonomous car racing research even more accessible. A Frenet frame-based planner extended to the racing domain is presented. This planner, producing trajectories that minimize the jerk, showcased effectiveness in oval racing performing active overtakes at high speed and avoiding static obstacles. To control the autonomous Dallara AV-21 racecar an MPC is proposed. The solution achieves highly accurate path tracking, below 20 cm when driving at the tire limits, and introduces novel contributions to vehicle modeling, specifically in capturing combined forces and the yaw moment produced by the locked differential. A hierarchical planning and control scheme is introduced, leveraging MPC in both modules. Demonstrated in a simulation of the Dallara AV-21 on the F1 Monza track, the approach showcases the capability of overtaking other agents while operating at the tire limits. An analysis of MPC execution time on Nvidia embedded boards is conducted, shedding light on the computational demands and demonstrating the potential application of the proposed MPC on low-power and low-resource platforms, a critical consideration for production cars.

Le corse autonome stanno emergendo come un ambito di ricerca stimolante, che amplia i confini delle capacità della guida autonoma. Le esigenze uniche degli scenari di gara fungono da catalizzatore per lo sviluppo di capacità di guida avanzate, con l’obiettivo di superare l’umano nella guida al limite delle prestazioni del veicolo e di instillare la fiducia del pubblico in questa tecnologia. Questa tesi riguarda le metodologie di pianificazione e controllo del movimento per le corse automobilistiche autonome, estendendo le capacità degli approcci basati sul Model Predictive Control (MPC) e dimostrando la sua efficacia nei test sperimentali su una Dallara AV-21 e in un ambiente simulativo basato su un modello multibody. La ricerca della tesi estende l’attuale stato dell’arte nel controllo MPC mostrando alcuni importanti contributi negli scenari limite, propone strumenti di test per gli algoritmi e valuta le prestazioni degli approcci proposti sia su CPU ad alte prestazione che su piattaforme integrate Nvidia. La pipeline finale, basata su una pianificazione gerarchica e nel controllo predittivo (MPP-MPC), funge da punto di riferimento per la realizzazione di soluzioni in grado di guidare autonomamente in scenari di corsa coinvolgendo più veicoli. I contributi coprono diversi aspetti chiave. Innanzitutto, viene proposta una piattaforma di simulazione, che offre un ambiente di simulazione basato su un gioco di corse per effettuare test, benchmarking e perfezionamento degli algoritmi di pianificazione, controllo e predizione. Ciò risolve i problemi relativi ai costi e alla disponibilità di strumenti di simulazione che includono un modello di fisica altamente accurato, il che è un aspetto cruciale per rendere la ricerca sulle corse automobilistiche autonome ancora più accessibile. Un planner basato sulle coordinate Frenet basato è stato esteso al dominio delle corse. Questo planner, producendo traiettorie che minimizzano il jerk, ha dimostrato la sua efficacia nelle corse autonome su piste ovali eseguendo sorpassi attivi ad alta velocità ed evitando ostacoli statici. Per il comando dell’auto da corsa autonoma Dallara AV-21 si propone un MPC. La soluzione ha dimostrato un tracking estremamente accurato della traiettoria prodotta dal planner, inferiore a 20 cm durante la guida al limite della gomma, e introduce nuovi contributi alla modellazione del veicolo, in particolare nel catturare le forze combinate e il momento di imbardata prodotto dal differenziale bloccato. Inoltre, viene introdotto uno schema di planning e controllo gerarchico, sfruttando MPC in entrambi i moduli. La soluzione proposta ha dimostrato la sua efficacia in test simultativi della Dallara AV-21 sulla pista di Formula 1 di Monza. In particolar, l’approccio dimostra la capacità di sorpassare altri veicoli mentre agisce ai limiti degli pneumatici. Infine, è stata effettuata un’analisi dei tempi di esecuzione del planner e controllore basati su MPC sulle schede embedded Nvidia. Questo studio contribuisce a dimostrare la fattibilità dell’esecuzione di questa metodologia di controllo su piattaforme a basso consumo, il che è una considerazione importante al fine di poter portare potenzialmente queste soluzioni su veicoli di produzione.