Contributions to robust motion planning and control of autonomous vehicles

(English) Autonomous driving is a promising solution for current transportation systems that would provide sustainable traffic flow, efficient mobility, and pollution reduction. However, the interaction of multiple vehicles presents several engineering challenges, such as vehicle-to-vehicle communication and critical decision-making. Robustness is another challenge that is crucial to ensure the proper design of autonomous driving technology. Vehicles are subject to significant uncertainty due to modeling errors, discretization of sensor signals, or external signals that adversely affect their nominal behaviour. This thesis proposes robust and optimal model-based approaches to address motion planning and control problems. Robustness is addressed from a set theory perspective. Specifically, the advantages of zonotopic sets are used to exploit the design of tube constraints in planning and control, as well as to quantify and propagate uncertainty in the modeling and estimation phases. In the field of modeling, this thesis utilizes control/planning-oriented models using the Takagi-Sugeno (TS) and linear parameter-varying (LPV) paradigms to represent the non-linear model of the vehicle. These representations are obtained from the physical equations of motion or directly from data. The data-driven dynamic model is trained using an adaptive neuro-fuzzy inference system (ANFIS). Meanwhile, the uncertainty associated with the model parameters is estimated through a zonotopic recursive least-square (ZRLS) approach. In the field of motion control, this thesis proposes a two-layer trajectory tracking robust strategy based on model predictive control (MPC) in the outer layer. In the inner layer, a combination of a linear quadratic zonotopic controller (LQZ) and a zonotopic Kalman filter (ZKF) is used. The vehicle's energy is managed by the MPC through the state of charge of its battery while ensuring performance indexes in terms of longitudinal, lateral, and angular velocities. To achieve this, the strategy combines a data-driven dynamic model with kinematic and state-of-charge models. Subsequently, the two-layer robust configuration is utilized for planning purposes. In the first step, the model predictive planner (MPP) generates feasible references online while maximizing both the longitudinal velocity and the saving energy through the battery state of charge. This is different to the control stage, in which the controller follows the reference previously computed offline. Additionally, the planner integrates a data-driven prediction model and a computationally efficient driving-corridor-like method based on track width constraints to handle collision avoidance for both static and moving obstacles. In the second step, an MPP is proposed to address coordination between connected autonomous vehicles. This planner utilizes the LPV representation of the non-linear vehicle model, which is derived from the physical equations of motion using the non-linear embedding approach. Furthermore, it incorporates mixed-integer linear inequalities to ensure safe overtaking maneuvers and avoid non-linear constraints imposed by obstacle boundaries. To assess the effectiveness of the proposed control and planning approaches, a small 1/10 scale electric car is utilized. Furthermore, simulations are performed in aggressive autonomous driving regimes, which involve steep curves and driving at maximum velocity. (Català) La conducció autònoma és una solució prometedora per als sistemes de transport actuals que proporcionaria un flux de trànsit sostenible, una mobilitat eficient i la reducció de la contaminació. No obstant això, la interacció de múltiples vehicles presenta diversos reptes d'enginyeria, com la comunicació vehicle-vehicle i la presa de decisions crítiques. La robustesa és un altre repte crucial per garantir el disseny adequat de la tecnologia de conducció autònoma. Els vehicles estan subjectes a una incertesa significativa a causa d'errors de modelat, discretització de senyals de sensors o senyals externs que afecten negativament el seu comportament nominal. Aquesta tesi proposa enfocaments robustos i òptims basats en models per abordar problemes de planificació i control de vehicles autònoms. La robustesa s'aborda des d'una perspectiva de teoria de conjunts. En concret, els avantatges dels conjunts zonotòpics s'utilitzen per explotar el disseny de les restriccions de tubs en la planificació i el control, així com per quantificar i propagar la incertesa en les fases de modelat i estimació. En l'àrea del modelat, aquesta tesi utilitza models orientats al control/planificació utilitzant els paradigmes de models Takagi-Sugeno (TS) i a paràmetres variant en el temps (LPV) per a reescriure el model no lineal del vehicle. Aquestes representacions s'obtenen a partir de les equacions físiques del moviment o directament d'un lot de dades. El model dinàmic basat en dades s'entrena utilitzant un sistema d'inferència neurodifús adaptatiu (ANFIS). Mentrestant, la incertesa associada amb els paràmetres del model s'estima mitjançant un enfocament zonotòpic recursiu de mínims quadrat (ZRLS). En l'àrea del control del moviment, aquesta tesi proposa una estratègia robusta de seguiment de trajectòria de dues capes. La capa exterior utilitza l’estructura del control predictiu basat en model (MPC). A la capa interna, s'utilitza una combinació d'un controlador zonotòpic quadràtic lineal (LQZ) i un filtre de Kalman zonotòpic (ZKF). L'energia del vehicle és gestionada pel MPC a través de l'estat de càrrega de la seva bateria, garantint els índexs de rendiment en termes de velocitats longitudinal, lateral i angular. Per a aquest propòsit, l'estratègia de control plantejada combina el model dinàmic basat en dades amb els models cinemàtic i d'estat de càrrega. Posteriorment, la configuració robusta de les dues capes s'utilitza per la planificació. En la primera part, el planificador predictiu basat en model (MPP) genera referències factibles en línia alhora que maximitza tant la velocitat longitudinal com l'estalvi d'energia a través de l'estat de càrrega de la bateria. Això difereix de l'etapa de control, en la qual el controlador segueix les referències prèviament calculades fora de línia. A més, el planificador integra un model de predicció basat en dades així com un mètode similar a un corredor de conducció, el qual és computacionalment eficient i basat en restriccions d'ample de la pista per a evitar col·lisions amb obstacles tant estàtics com en moviment. Seguidament, es proposa un MPP per abordar la coordinació entre vehicles autònoms connectats. Aquest planificador utilitza la representació LPV del model no lineal del vehicle, que es deriva de les equacions físiques del moviment utilitzant l'enfocament d'incrustació no lineal. Així mateix, incorpora desigualtats lineals d'enters mixtos per a garantir maniobres d'avançament segures i evitar restriccions no lineals imposades pels límits dels obstacles. Per a avaluar l'efectivitat dels enfocaments de control i planificació proposats, s'utilitza un petit cotxe elèctric a escala de 1/10. Addicionalment, les simulacions es realitzen en règims agressius de conducció autònoma, que impliquen corbes pronunciades i conducció a màxima velocitat. (Español) La conducción autónoma es una solución prometedora para los sistemas de transporte actuales que proporcionaría un flujo de tráfico sostenible, una movilidad eficiente y la reducción de la contaminación. Sin embargo, la interacción de múltiples vehículos presenta varios desafíos de ingeniería, como la comunicación entre vehículos y la toma de decisiones críticas. La robustez es otro desafío crucial para garantizar el diseño adecuado de la tecnología de conducción autónoma. Los vehículos están sujetos a una incertidumbre significativa debido a errores de modelado, discretización de señales de sensores o señales externas que afectan negativamente a su comportamiento nominal. Esta tesis propone enfoques robustos y óptimos basados en modelos para abordar problemas de control y planificación del movimiento. La robustez se aborda desde una perspectiva de la teoría de conjuntos. Específicamente, las ventajas de los conjuntos zonotópicos se utilizan en el diseño de restricciones de los tubos de trayectoria en la planificación y el control, así como para cuantificar y propagar la incertidumbre en las fases de modelado y estimación. En el área del modelado, esta tesis utiliza modelos orientados al control/planificación usando los paradigmas Takagi-Sugeno (TS) y de modelos lineales con parámetros variantes en el tiempo (LPV) para reescribir el modelo no lineal del vehículo. Estas representaciones se obtienen a partir de las ecuaciones físicas de movimiento o directamente de un lote de datos. El modelo dinámico basado en datos se entrena utilizando un sistema de inferencia neurodifuso adaptativo (ANFIS). Mientras tanto, la incertidumbre asociada con los parámetros del modelo se estima mediante un enfoque zonotópico recursivo de mínimos cuadrados (ZRLS). En el área del control de movimiento, esta tesis propone una estrategia robusta de seguimiento de trayectoria de dos capas que utiliza un controlador predictivo basado en modelo (MPC) en la capa externa. En la capa interna, se utiliza una combinación de un controlador zonotópico cuadrático lineal (LQZ) y un filtro zonotópico de Kalman (ZKF). La energía del vehículo es gestionada por el MPC a través del estado de carga de su batería, garantizando índices de rendimiento en términos de velocidades longitudinal, lateral y angular. Para este propósito, la estrategia de control propuesta combina el modelo dinámico basado en datos con modelos cinemático y de estado de carga. Posteriormente, la configuración robusta de dos capas se utiliza con fines de planificación. En la primera parte, el planificador predictivo basado en modelo (MPP) genera las referencias factibles en línea mientras maximiza tanto la velocidad longitudinal como el ahorro de energía a través del estado de carga de su batería. Esto difiere a la etapa de control, en la que el controlador sigue las referencias previamente calculadas fuera de línea. Además, el planificador integra un modelo de predicción basado en datos así como un método similar a un corredor de conducción, el cual es computacionalmente eficiente y basado en restricciones del ancho de la pista para evitar colisiones con obstáculos tanto estáticos como en movimiento. En la segunda parte, se propone un MPP para abordar la coordinación entre vehículos autónomos conectados. Este planificador utiliza la representación LPV del modelo no lineal del vehículo, que se deriva de las ecuaciones físicas de movimiento utilizando el enfoque de incrustación no lineal. Asimismo, incorpora desigualdades lineales de enteros mixtos para garantizar maniobras de adelantamiento seguras y evitar restricciones no lineales impuestas por los límites de los obstáculos. Para evaluar la efectividad de los enfoques de control y planificación propuestos, se utiliza un coche eléctrico a escala de 1/10. Adicionalmente, las simulaciones se realizan en regímenes agresivos de conducción autónoma, que implican curvas pronunciadas y conducción a máxima velocidad.