In this work, an improved Learning Model Predictive Control (LMPC)architecture for autonomous racing is presented. The controller is referencefree and is able to improve lap time by learning from history data of previouslaps. A terminal cost and a sampled safe set are learned from history data toguarantee recursive feasibility and non-decreasing performance at each lap.Improvements have been proposed to implement LMPC on autonomousracing in a more efficient and reliable way. Improvements have been doneon three aspects. Firstly, system identification has been improved to be runin a more efficient way by collecting feature data in subspace, so that thesize of feature data set is reduced and time needed to run sorting algorithmcan be reduced. Secondly, different strategies have been proposed toimprove model accuracy, such as least mean square with/without lifting andGaussian process regression. Thirdly, for reducing algorithm complexity,methods combining different model construction strategies were proposed.Also, running controller in a multi-rate way has also been proposed toreduced algorithm complexity when increment of controller frequency isnecessary. Besides, the performance of different system identificationstrategies have been compared, which include strategy from newton’s law,strategy from classical system identification and strategy from machinelearning. Factors that can possibly influence converged result of LMPCwere also investigated, such as prediction horizon, controller frequency.Experiment results on a 1:10 scaled RC car illustrates the effectiveness ofproposed improvements and the difference of different system identificationstrategies. / I detta arbete, presenteras en förbättrad inlärning baserad modell prediktivkontroll (LMPC) för autonom racing, styralgoritm är referens fritt och har visatsig att kunna förbättra varvtid genom att lära sig ifrån historiska data från tidigarevarv. En terminal kostnad och en samplad säker mängd är lärde ifrån historiskdata för att garantera rekursiv genomförbarhet och icke-avtagande prestanda vidvarje varv.förbättringar har presenterats för implementering av LMPC på autonom racingpå ett mer effektivt och pålitligt sätt. Förbättringar har gjorts på tre aspekter.Först, för system identifiering, föreslår vi att samlar feature data i delrummet,så att storlek på samlade datamängd reduceras och tiden som krävs för attköra sorteringsalgoritm minskas. För det andra, föreslår vi olika strategierför förbättrade modellnoggrannheten, såsom LMS med/utan lyft och Gaussianprocess regression. För det tredje, För att reducerar komplexitet för algoritm,metoder som kombinerar olika modellbygg strategier föreslogs. Att körastyrenhet på ett multi-rate sätt har också föreslagits till för att reduceraalgoritmkomplexitet då inkrementet av styrfrekvensen är nödvändigt.Prestanda av olika systemidentifiering har jämförts, bland annat, Newtonslag, klassisk systemidentifierings metoder och strategier från maskininlärning.Faktorer som eventuellt kan påverka konvergens av LMPC resultat har ocksåundersökts. Såsom, prediktions horisont, styrfrekvensen.Experimentresultat på en 1:10 skalad RC-bilen visar effektiviteten hos föreslagnaförbättringarna och skillnaderna i olika systemidentifierings strategier.
Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:kth-247881 |
Date | January 2018 |
Creators | Xu, Shuqi |
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 ; 2018:727 |
Page generated in 0.0023 seconds