Semitrailer trucks are widely used for transportation of goods in Sweden and around the world. Given their usefulness, and since they require specialized drivers, there is an increased need to automate the operation of these vehicles. In particular, reversing these vehicles is considered a challenging maneuver, mainly because of the jackknifing effect. To tackle this challenge, this thesis investigates path following for reversing single-joint semitrailer trucks, by comparing two path-following controllers, corresponding to a Linear Quadratic Regulator (LQR) and a Model Predictive Control (MPC), respectively. Both controllers receive kinematically feasible reference trajectories from a path planner (which is part of another thesis work), which makes it possible to avoid jackknifing as long as the reference joint angle between the trailer and the truck is closely followed. Moreover, they use a linearized and discretized 1-trailer kinematic model, defined in terms of the reference tracking errors for the truck as states. To evaluate the performance of the controllers, a Python simulation is implemented using the 1-trailer kinematic model. Using this simulation, the controllers are compared using metrics related to the reference tracking errors along the generated path and the controller execution time. The results show that the LQR and the MPC controllers perform similarly for most cases. Even though there are certain cases where the MPC outperforms the LQR, the execution time of the MPC is at least one order of magnitude slower, which makes the LQR an attractive solution for practical implementations, as long as certain assumptions (small initial deviations, reliable measurements) are ensured. As such, an LQR controller might be preferred by the industry because, while the performance from both controllers is similar, it can be considered a more efficient controller. / Lastbilar med olika släpvagnskombinationer används ofta för godstransporter i Sverige och runt om i världen. Med tanke på deras användbarhet och eftersom de kräver specialiserade förare finns det ett ökat behov av att automatisera driften av dessa fordon. I synnerhet anses backning av dessa fordon vara en utmanande manöver, främst på grund av jackknifseffekten. För att lösa detta problem undersöker denna rapport vägföljande för backande lastbilar med släp genom att jämföra två olika vägföljande styrenheter: Linear Quadtratic Regulator (LQR) och Model Predictive Control (MPC). Båda styrenheterna får kinematiskt genomförbara referensbanor från en vägplanerare (som är en del av en annan uppsats), vilket gör det möjligt att undvika jackknipning så länge referensvinkeln mellan släpet och lastbilen följs noggrant. Dessutom använder de en linjäriserad och diskretiserad kinematisk modell med en lastbil, definierad i termer av lastbilens referensspårningsfel som tillstånd. För att utvärdera kontrollernas prestanda implementeras en Python-simulering med den kinematisk modell med en lastbil. Med denna simulering jämförs de två styrenheterna med mått relaterade till referensspårningsfelen längs den generarade vägen och styrenheternas exekveringstid. Resultaten visar att LQR och MPCpresterar likadant i de flesta fallen. Även om det finns vissa fall där MPC överträffar LQR, är exekveringstiden för MPC åtminstone en storleksordning långsammare, vilket gör LQR till en attraktiv lösning för praktiska implementeringar, så länge som vissa antaganden (små initiala avvikelser, pålitliga mått) säkerställs. Som sådan kan en LQR-styrenhet föredras av industrin, för även om prestandan från båda styrenheterna är lika, kan den betraktas som en enklare styrenhet.
| Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:kth-309086 |
| Date | January 2021 |
| Creators | Cerna Herrera, Fernando Javier |
| Publisher | KTH, Skolan för elektroteknik och datavetenskap (EECS) |
| Source Sets | DiVA Archive at Upsalla University |
| Language | English |
| Detected Language | Swedish |
| Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
| Format | application/pdf |
| Rights | info:eu-repo/semantics/openAccess |
| Relation | TRITA-EECS-EX ; 2021:927 |
Page generated in 0.0022 seconds