Dissertação

{pt_PT=NMPC-Based Automated Evasive Manoeuvres for Electric Remote Control Vehicles} {} EVALUATED

{pt=A atual tese tem como objetivo converter um veículo de controlo remoto (RC) num veículo autónomo. Para este fim, o modelo de controlo preditivo não-linear (NMPC) é a metodologia usada para, simultaneamente, proceder ao planeamento e seguimento de trajetória, bem como ao desvio de obstáculos. O NMPC tem a capacidade de abordar sistemas não-lineares, prever a sua futura evolução e controlar um sistema enquanto satisfaz as suas restrições de operação. Neste trabalho são usados o modelo de veículo de duas rodas e o modelo de pneu Pacjecka para antever a evolução do veículo RC. Para implementar o algoritmo NMPC em tempo real num sistema embebido low-cost, é necessário um método eficiente para resolver o programa não-linear (NLP). Nesta tese, são estudadas duas soluções para resolver o NLP: o método gradiente descente e o state-of-the-art software IPOPT. Os resultados da simulação mostram que os dois métodos apresentam soluções semelhantes. No entanto, o método gradiente descendente revela um menor tempo computacional. Adicionalmente, dois métodos de planeamento de trajetória locais: weighted distance e paralaxe modificada, são comparados através de simulação. Os resultados indicam que o método de paralaxe modificada é o algoritmo mais eficaz nas manobras de desvio de obstáculo, especialmente em cenários com múltiplos obstáculos. A performance do controlador proposto é testada experimentalmente num veículo RC. Os resultados experimentais provam que o método gradiente descendente foi adequado na resolução do NLP resultante da implementação do NMPC e que o método de paralaxe modificada revelou ser superior ao método weighted distance., en=The goal of this thesis consists of converting an electric remote control (RC) vehicle into a fully autonomous vehicle. To this end, a Nonlinear Model Predictive Control (NMPC) approach for simultaneous path planning, path tracking, and obstacle avoidance are presented. NMPC has the capacity of dealing with system nonlinearities, foresee the future evolution of a process, and control it while fulfilling a set of constraints. The current work uses a two-wheel vehicle model with Pajecka’s tire model to predict the RC vehicle states throughout the prediction horizon. To implement a real-time NMPC scheme on a low-cost embedded system, an efficient nonlinear programming (NLP) solver is required. This thesis investigates two different NLP solvers which are the gradient descent method and the state-of-the-art solver IPOPT. The simulation results show that both solvers present similar solutions. However, the gradient descent method presents faster computational times. Furthermore, two local path planners: weighted distance and modified parallax method, are compared through simulation. The results demonstrate that the modified parallax method is more effective in obstacle avoidance maneuvers than distance-based methods, especially in cluttered environments. The performance of the purposed controller is experimentally tested on an RC vehicle. The experimental results prove that the gradient descent method is a suitable NLP solver for real-time NMPC implementations in simple embedded systems with limited computational power. The modified parallax method has proven itself superior to the weighted distance approach, as it allowed the RC vehicle to avoid obstacles on its path to the destination point.}
{pt=Modelo de Controlo Preditivo, Seguimento de Trajetória, Desvio de Obstáculos, Funções Potenciais, Navegação Autónoma., en=Model Predictive Control, Path Planning, Obstacle Avoidance, Potential Functions, Autonomous Driving.}

Janeiro 6, 2021, 9:0

Orientação

ORIENTADOR

João Manuel Lage de Miranda Lemos

Departamento de Engenharia Electrotécnica e de Computadores (DEEC)

Professor Catedrático