Return to search

Lateral Control of Heavy Vehicles / Sidostyrning av tunga fordon

The automotive industry has been involved in making vehicles autonomous to different levels in the past decade rapidly. Particularly in the commercial vehicle market, there is a significant necessity to make trucks have a certain level of automation to help reduce dependence on human efforts to drive. This could help in reducing several accidents caused by human error. Interestingly there are several challenges and solutions in achieving and implementing autonomous driving for trucks. First, a benchmark of different control architectures that can make a truck drive autonomously are explored. The chosen controllers (Pure Pursuit, Stanley, Linear Quadratic Regulator, Sliding Mode Control and Model Predictive Control) vary in their simplicity in implementation and versatility in handling different vehicle parameters and constraints. A thorough comparison of these path tracking controllers are performed using several metrics. Second, a collision avoidance system based on cubic polynomials, inspired by rapidly exploring random tree (RRT) is presented. Some of the path tracking controllers are limited by their ability and hence a standalone collision avoidance system is needed to provide safe maneuvering. Simulations are performed for different test cases with and without obstacles. These simulations help compare safety margin and driving comfort of each path tracking controller that are integrated with the collision avoidance system. Third, different performance metrics like change in acceleration input, change in steering input, error in path tracking, deviation from base frame of track file and lateral and longitudinal margin between ego and target vehicle are presented. To conclude, a set of suitable controllers for heavy articulated vehicles are developed and benchmarked. / Bilindustrin har varit involverad i att göra fordon autonoma till olika nivåer under det senaste decenniet snabbt. Särskilt på marknaden för kommersiella fordon finns det ett stort behov av att få lastbilar att ha en viss nivå av automatisering för att minska beroendet av mänskliga ansträngningar att köra. Detta kan hjälpa till att minska flera olyckor orsakade av mänskliga fel. Intressant nog finns det flera utmaningar och lösningar för att uppnå och implementera autonom körning för lastbilar. Först utforskas ett riktmärke av olika styrarkitekturer som kan få en lastbil att köra autonomt. De valda kontrollerna (Pure Pursuit, Stanley, Linear Quadratic Regulator, Sliding Mode Control och Model Predictive Control) varierar i sin enkelhet i implementering och mångsidighet när det gäller att hantera olika fordonsparametrar och begränsningar. En grundlig jämförelse av dessa vägspårningskontroller utförs med hjälp av flera mätvärden. För det andra presenteras ett system för undvikande av kollisioner baserat på kubiska polynom, inspirerat av snabbt utforskande slumpmässiga träd (RRT). Vissa av vägspårningskontrollerna är begränsade av sin förmåga och därför behövs ett fristående system för att undvika kollisioner för att ge säker manövrering. Simuleringar utförs för olika testfall med och utan hinder. Dessa simuleringar hjälper till att jämföra säkerhetsmarginal och körkomfort för varje vägspårningskontroller som är integrerade med kollisionsundvikande systemet. För det tredje presenteras olika prestandamått som förändring i accelerationsinmatning, förändring i styrinmatning, fel i banspårning, avvikelse från basramen för spårfilen och lateral och longitudinell marginal mellan ego och målfordon. Avslutningsvis utvecklas och benchmarkas en uppsättning lämpliga styrenheter för tunga ledade fordon.

Identiferoai:union.ndltd.org:UPSALLA1/oai:DiVA.org:kth-340504
Date January 2023
CreatorsJawahar, Aravind, Palla, Lokesh
PublisherKTH, Väg- och spårfordon samt konceptuell fordonsdesign
Source SetsDiVA Archive at Upsalla University
LanguageEnglish
Detected LanguageSwedish
TypeStudent thesis, info:eu-repo/semantics/bachelorThesis, text
Formatapplication/pdf
Rightsinfo:eu-repo/semantics/openAccess
RelationTRITA-SCI-GRU ; 2023:289

Page generated in 0.0026 seconds