کنترل یکپارچه طولی و عرضی برای ردیابی مسیر خودروی خودران مبتنی بر کنترل‌کننده پیش‌بین مدل غیرخطی و تخمین‌گر افق لغزان در شرایط تاخیر و عدم قطعیت شبکه

آزادی, شهرام; شجاعی, سیدشامیر

doi:10.48311/mme.2026.118574.82920

کنترل یکپارچه طولی و عرضی برای ردیابی مسیر خودروی خودران مبتنی بر کنترل‌کننده پیش‌بین مدل غیرخطی و تخمین‌گر افق لغزان در شرایط تاخیر و عدم قطعیت شبکه

نوع مقاله : مقاله پژوهشی

نویسندگان

شهرام آزادی

سیدشامیر شجاعی

دانشکده مهندسی مکانیک، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران

10.48311/mme.2026.118574.82920

چکیده

خودروهای خودران به منظور انجام ایمن مانورهای سریع نظیر تغییر خط، نیازمند سیستم کنترلی دقیقی هستند که قادر به مدیریت دینامیک غیرخطی خودرو باشد. با این حال، در شرایط عملیاتی واقعی، عواملی نظیر نویز اندازه‌گیری سنسورها، نویز فرآیند، تاخیرهای زمانی و از دست رفتن داده‌ها می‌توانند پایداری سیستم کنترل را به مخاطره بیندازند. در این پژوهش، یک ساختار کنترلی یکپارچه مبتنی بر کنترل پیش‌بین مدل غیرخطی (Nonlinear Model Predictive Control) و تخمین‌گر افق لغزان (Moving Horizon Estimation) ارائه شده است. در روش پیشنهادی، تخمین‌گر افق لغزان با در نظر گرفتن قیود فیزیکی و مدل دینامیکی، اثر نویز را فیلتر کرده و وضعیت‌های سیستم را در زمان‌های از دست رفتن داده و تاخیر در دریافت اطلاعات بازسازی می‌کند. سپس کنترل‌کننده پیش‌بین مدل غیرخطی با دریافت وضعیت‌های اصلاح‌شده، فرامین بهینه را با هدف کمینه‌سازی خطای ردیابی و حفظ راحتی سرنشین محاسبه می‌نماید. نتایج شبیه‌سازی مانور تغییر خط دوگانه در محدوده سرعت ۱۰۸ کیلومتر بر ساعت نشان می‌دهد که در یک سناریوی بحرانی (شامل ۱۰۰ میلی‌ثانیه تاخیر شبکه، ۲۰ درصد ریزش داده، نویز سنسورها و عدم قطعیت ناشی از استفاده از مدل چهارچرخ با تایر پژکا در شبیه‌ساز)، رویکرد پیشنهادی در مقایسه با الگوریتم فیلتر کالمن توسعه‌یافته (EKF) عملکرد برتری دارد. این ساختار ضمن جلوگیری از نوسانات نامطلوب در زاویه فرمان و نیروی کشش، پایداری خودرو را کاملا حفظ می‌کند. ثبت ماکزیمم خطای جانبی ۰.۱ متر و جذر میانگین مربعات خطا (RMSE) برابر با ۰.۰۴۴ متر، نشان‌دهنده عملکرد مناسب این سیستم در تضمین ایمنی و پایداری است.

کلیدواژه‌ها

خودروی خودران

کنترل پیش‌بین مدل غیرخطی

تخمین‌گر افق لغزان

عدم قطعیت سنسور

ردیابی مسیر

موضوعات

کنترل

عنوان مقاله English

Integrated Longitudinal and Lateral Control for Path Tracking of Autonomous Vehicles Based on NMPC and MHE Under Network Delay and Uncertainty

نویسندگان English

Shahram Azadi

Seyed Shamir Shojaee

Faculty of Mechanical Engineering, K. N. Toosi University of Technology, Tehran, Iran

چکیده English

Autonomous vehicles require a precise control system capable of handling nonlinear vehicle dynamics safely perform agile maneuvers, such as lane changes. However, in real-world operating conditions, factors such as sensor measurement noise, process noise, time delays, and data packet loss can compromise the stability of the control system. In this research, an integrated control framework based on Nonlinear Model Predictive Control (NMPC) and Moving Horizon Estimation (MHE) is proposed. In the proposed method, the MHE filters out noise effects and reconstructs the system states during periods of data loss and time delays by incorporating physical constraints and the dynamic model. Subsequently, the NMPC receives the corrected states and calculates optimal commands aimed at minimizing the tracking error and maintaining passenger comfort. Simulation results of a double lane change maneuver at a speed of 108 km/h demonstrate that in a critical scenario (comprising a 100 ms network delay, 20% data packet loss, sensor noise, and uncertainties arising from employing a twin-track model with the Pacejka tire formula in the simulation plant), the proposed approach exhibits superior performance compared to the Extended Kalman Filter (EKF) algorithm. This structure fully maintains the vehicle's stability while preventing undesirable oscillations in the steering angle and traction force. Recording a maximum lateral error of 0.1 m and a Root Mean Square Error (RMSE) of 0.044 m demonstrates the outstanding performance of this system in ensuring safety and stability.

کلیدواژه‌ها English

Autonomous Vehicle

Nonlinear Model Predictive Control (NMPC)

Moving Horizon Estimation (MHE)

Sensor Uncertainty

Path Tracking

[1] S. Thrun et al., “Stanley: The robot that won the DARPA Grand Challenge,” J. Field Robot., vol. 23, no. 9, pp. 661–692, 2006,DOI: 10.1002/rob.20147.

[2] D. S. Lal, A. Vivek, and G. Selvaraj, “Lateral control of an autonomous vehicle based on Pure Pursuit algorithm,” in 2017 International Conference on Technological Advancements in Power and Energy (TAP Energy), Dec. 2017, pp. 1–8. DOI: 10.1109/TAPENERGY.2017.8397361.

[3] K. M. Junaid and S. Wang, “Autonomous Vehicle Following-Performance Comparison and Proposition of a Quasi-Linear Controller,” Inf. Technol. Control, vol. 36, no. 4, Dec. 2007, Accessed: Dec. 19, 2025. [Online]. Available: https://itc.ktu.lt/index.php/ITC/article/view/11891

[4] H. Sazgar, Sh. Azadi, and R. Kazemi, " Trajectory planning and integrated control with the Nonlinear Bicycle Model for high-speed autonomous lane change," Modares Mechanical Engineering Journal, vol. 18, no. 2, pp. 103–114, Mar. 2018. (in persian)

[5] H. Sazgar and A. K. Khalaji, " Motion Planning in Critical Lane Change Maneuvers Considering the Stability Margins of the Vehicle," Modares Mechanical Engineering Journal, vol. 24, no. 4, pp. 225–238, Aug. 2024. (in persian)

[6] P. Falcone, F. Borrelli, J. Asgari, H. E. Tseng, and D. Hrovat, “Predictive Active Steering Control for Autonomous Vehicle Systems,” IEEE Trans. Control Syst. Technol., vol. 15, no. 3, pp. 566–580, May 2007, DOI: 10.1109/TCST.2007.894653.

[7] J. P. Allamaa, P. Listov, H. V. der Auweraer, C. Jones, and T. D. Son, “Real-time Nonlinear MPC Strategy with Full Vehicle Validation for Autonomous Driving,” May 27, 2022, arXiv: arXiv:2110.03349. DOI: 10.48550/arXiv.2110.03349.

[8] M. A. Ghomashi and R. Kazemi, " Motion Path Following Coordinated Control for In-Wheel Motor Electric Vehicle via Implementation Robust Control and Optimal Control," Journal of Modeling in Engineering, vol. 23, no. 80, pp. 131–145, Mar. 2025, DOI: 10.22075/jme.2024.31752.2531. (in persian)

[9] M. Fazel and M. Yazdanpanah, " Using Integrated Predictive Model Control in the Simulation of Stability and Traction Control of an Electric Vehicle," Amirkabir Journal of Mechanical Engineering, vol. 57, no. 5, pp. 611–632, Jul. 2025, DOI: 10.22060/mej.2025.24465.7872. (in persian)

[10] T. Kim, T.-H. Park, T. Kim, and T.-H. Park, “Extended Kalman Filter (EKF) Design for Vehicle Position Tracking Using Reliability Function of Radar and Lidar,” Sensors, vol. 20, no. 15, July 2020, DOI: 10.3390/s20154126.

[11] E. Kayacan, W. Saeys, H. Ramon, C. Belta, and J. M. Peschel, “Experimental Validation of Linear and Nonlinear MPC on an Articulated Unmanned Ground Vehicle,” IEEEASME Trans. Mechatron., vol. 23, no. 5, pp. 2023–2030, Oct. 2018, DOI: 10.1109/TMECH.2018.2854877.

[12] Y. Kebbati, A. Rauh, N. Ait-Oufroukh, D. Ichalal, and V. Vigneron, “Learning-based model predictive control with moving horizon state estimation for autonomous racing,” Int. J. Control, vol. 98, no. 7, pp. 1542–1552, July 2025, DOI: 10.1080/00207179.2024.2409305.

[13] S. Niu, R. Zhang, B. Ren, B. Gao, Y. Ge, and L. Xiong, “Integrated AISGP Model for Real-Time Autonomous Vehicle State Estimation and Path Tracking Control,” IEEE Trans. Veh. Technol., pp. 1–15, 2025, DOI: 10.1109/TVT.2025.3606541.

[14] A. E. S. Morando et al., “Optimizing Unmanned Air–Ground Vehicle Maneuvers Using Nonlinear Model Predictive Control and Moving Horizon Estimation,” Automation, vol. 5, no. 3, pp. 324–342, July 2024, DOI: 10.3390/automation5030020.

[15] R. Rajamani, Vehicle dynamics and control. in Mechanical engineering series. New York: Springer Science + Business Media, 2005.

[16] R. N. Jazar, Vehicle Dynamics. Cham: Springer International Publishing, 2017. DOI: 10.1007/978-3-319-53441-1.

[17] H. B. Pacejka, Tire and Vehicle Dynamics, 3rd ed. Oxford, UK: Elsevier, 2012. DOI: 10.1016/C2010-0-66481-2.

[18] A. Alessandri, M. Baglietto, and G. Battistelli, “Moving-horizon state estimation for nonlinear discrete-time systems: New stability results and approximation schemes,” Automatica, vol. 44, no. 7, pp. 1753-1765,Jul.2008. DOI:10.1016/j.automatica.2007.11.020.

[19] L. Grüne and J. Pannek, Nonlinear Model Predictive Control. in Communications and Control Engineering. Cham: Springer International Publishing, 2017. DOI: 10.1007/978-3-319-46024-6.

[20] D. Simon, Optimal State Estimation: Kalman, H-Infinity and Nonlinear Approaches. Hoboken, NJ: John Wiley & Sons, 2006.DOI: 10.1002/0470045345.