A Study on Integrated Highway Driving Control for Autonomous Vehicles using Cascade MPC

Abstract

고속도로 주행 보조 시스템은 고속도로 주행 중 차선과 주변 차량을 인식하여 적응형 순항 제어 기능과 차로 유지 및 차로 변경 기능을 제공하는 첨단 운전자 보조 시스템이다. 따라서 고속도로 주행 조보 제어를 위해서 자율주행 차량의 경로 추종능력과 승차감, 주변 차량과의 위험도를 고려한 제어가 필수적이다. 많은 연구들 통해 다양한 알고리즘이 제안되었으나 제어 차량의 추종능력과 승차감만 고려할 뿐, 주변 차량과의 위험도를 고려한 최적 제어에 대한 연구는 미비한 상태이다. 따라서 본 논문에서는 자율주행 차량의 경로 추종능력과 승차감, 주변차량과의 위험도를 모두 고려한 모델 기반 최적 제어를 수행하고자한다. 본 논문에서는 종방향 제어 MPC와 횡방향 제어 MPC를 결합한 MPC-MPC구조의 cascade MPC를 사용하였다. 적응형 순항 제어를 수행하는 primary MPC를 구성하였고, 그 최적해를 사용하여 secondary MPC를 연계적으로 구성하여 종방향과 횡방향 제어의 통합 제어를 수행하였다. 이를 통해 LPV 시스템이었던 차량 횡방향 모델을 LTI 시스템으로 구성할 수 있어 비교적 빠른 연산이 가능한 QP-Solver를 적용할 수 있었다. 이 과정에서 primary MPC에서 종방향 제어의 추종 성능과 승차감을, secondary MPC에서는 횡방향 제어의 성능과 승차감을 고려한 비용함수를 설계하고 이를 QP problem의 형태로 구성한다. 위험도를 고려하기 위해 Quadratic Approximated APF를 사용하여 차량 간 충돌 위험성을 지표화 하였다. 이를 앞서 서술한 cascade MPC의 QP problem과 결합하였고, 최종적으로 추종 성능과 승차감, 위험도 모두를 고려한 최적 제어 입력을 산출하였다. 또한, APF와 QA-APF의 상관관계를 이용하여 Cascade MPC의 최적해와 QA-APF 파라미터를 사용하여 예측 범위 내에서 자율주행차가 주변 차량과 충돌하는지 여부를 예측할 수 있었다. 마지막으로 QA-APF와 결합된 cascade MPC를 병렬로 구성하였다. 각각의 cascade MPC는 차선 유지와 차선 변경을 위한 추종 경로를 입력받아 제어 입력과 feasibility flag, un-collision flag를 출력한다. 각 제어기의 제어입력과 flag 신호들을 결합하여 자율주행 차량의 주행 모드를 결정하였다. 제안된 알고리즘은 CarMaker와 MATLAB/Simulink를 연동한 시뮬레이션 환경에서 검증하였다. 제안하는 제어 알고리즘의 효용성을 검증하기 위해 고속도로 주행 시 발생 가능한 시나리오를 구성하고 시뮬레이션을 통해 결과를 비교, 분석하였다. 요약하자면, 본 연구를 통해 artificial Potential field 기반의 cascade MPC를 사용한 제어 알고리즘을 설계하였다. 이를 통해 종/횡방향 통합 제어를 수행하였고, 단일화된 위험도 지표인 APF를 사용하여 주행 판단을 구현했다. 제안한 제어 알고리즘과 판단 예측 알고리즘을 결합하여 고속도로 주행 보조 시스템이 제공하는 adaptive cruise control, autonomous emergency braking, lane keeping, lane change 등의 핵심 기능은 물론, 측방 차량을 고려한 biased driving과 forward collision avoidance, Cut-in 차량에 대한 대응 기능까지 모델 기반의 제어 방법으로 통합적으로 구현하였고, 이를 시뮬레이션 결과에서 보일 수 있었다. 제안하는 알고리즘은 4개의 QP-solver를 사용하지만, 하나의 NMPC보다 더 빠른 연산이 가능하다는것 또한 시뮬레이션 결과를 통해 보였다. 따라서, NMPC를 사용한 자율주행 자동차 제어 보다 임베디드 구현에 큰 강점을 가질것이다. |A highway driving system is an advanced driver assistance system that provides adaptive cruise control, lane-keeping, and lane change functions by recognizing the lane and surrounding vehicles while driving on the highway. Therefore, it is essential to control the autonomous vehicle by considering the tracking performance, driving comfort, and collision risk with surrounding vehicles for highway driving control. Several algorithms have been proposed in previous studies. However, most of them only considered an autonomous vehicle's tracking performance and driving comfort. Furthermore, few studies on optimal control consider the risk of collision with surrounding vehicles. Therefore, model-based optimal control is proposed in this study that considers the autonomous vehicle's reference tracking ability, driving comfort, and collision risk with surrounding vehicles. This study used a cascade model predictive control (MPC) of MPC-MPC type, which combines longitudinal control and lateral control. First, a primary MPC that performs adaptive cruise control was designed. Then, the secondary MPC was linked using the optimal solution of primary MPC to perform longitudinal and lateral integrated control. As a result, the lateral vehicle model, a linear parameter-varying (LPV) system, was reconfigured as a linear time-invariant (LTI) system and quadratic programming solver, which can perform relatively faster computation than nonlinear optimization, was used. In this process of configuring cascade MPC, the cost function considers the tracking performance and driving comfort of longitudinal control in primary MPC and the tracking performance and driving comfort of lateral control in secondary MPC. Consequently, the cascade MPC is constructed in the form of quadratic programming. The proposed algorithm quantified the risk of collision between vehicles using the artificial potential field (APF) to consider the risk of collision with the control process. Then, the quadratic approximated APF (QA-APF) value was combined with the quadratic programming of cascade MPC. Finally, the optimal control input was calculated considering performance, drive comfort, and collision risk. Using the correlation between APF and QA-APF, it was also possible to predict whether the autonomous vehicle collides with the surrounding vehicles within the prediction horizon using the optimal solution of cascade MPC and QA-APF parameters. Finally, cascade MPC controller combined with QA-APF was configured in parallel for lane change and lane-keeping. The results of each cascade MPC controller were synthesized to determine the autonomous vehicle's driving mode. The proposed algorithm was verified in a simulation environment in which CarMaker and MATLAB/Simulink were linked. To verify the effectiveness of the proposed control algorithm, scenarios that can occur during highway driving were constructed, and the results were compared and analyzed through simulation. To summarize the research, I designed an artificial potential field based cascade MPC control algorithm in this thesis. Longitudinal/lateral integrated control was performed through this algorithm, and driving mode decision was implemented using APF, a unified risk index. By combining the proposed control algorithm and decision algorithm, not only the essential functions of highway driving assist system (adaptive cruise control, autonomous emergency braking, lane-keeping, lane change) but also additional safety functions (biased driving considering side vehicle, forward collision avoidance, react to cut-in vehicle) were designed as a model-based control method. Although the proposed algorithm uses four QP-solvers, it was also shown through simulation results that it is possible to perform faster than one NMPC calculation. Therefore, it has more strength in embedded implementation than autonomous vehicle control using NMPC.