Duckrace: iterative learning control for autonomous racing

This thesis presents a Learning Model Predictive Control (LMPC) approach for controlling a Duckiebot in a racing environment based on Duckietown. By leveraging online learning and optimization-based control, our proposed approach enables the Duckiebot to adapt and minimize its lap times while navigating through the environment. Through our work we demonstrate how the LMPC can be applied to the Duckiebot and we present a new approach based on a convex hull to constraint the robot inside the track margins. We establish a dedicated Duckietown laboratory at Politecnico di Milano, specifically designed for racing and research purposes, equipped with multiple Duckiebots and a variety of hardware and software tools. The thesis starts by exploring a Model Predictive Controller (MPC) for trajectory fol- lowing and evolves it into the LMPC. In the thesis, we demonstrate that the originally proposed formulation of LMPC is not very effective in the real environment with the considered model. Therefore, we propose a new formulation that integrates preview into LMPC. The new formulation in the circuit is able to improve lap time by 44% from the first iteration while consistently respecting the track margins.

Questo lavoro di tesi presenta un approccio di controllo basato su Learning Model Pre- dictive Control (LMPC) per guidare un Duckiebot in un ambiente di gara basato su Duckietown. Sfruttando l’apprendimento online e il controllo basato sull’ottimizzazione, il nostro approccio proposto consente al Duckiebot di adattarsi e minimizzare i tempi sul giro mentre naviga nell’ambiente di guida. Attraverso il nostro lavoro, dimostriamo come il LMPC possa essere applicato al Duckiebot e presentiamo un nuovo approccio basato su convex hull per vincolare il robot all’interno dei margini della pista. Abbiamo stabilito un laboratorio Duckietown dedicato presso il Politecnico di Milano, specificamente progettato per scopi di ricerca e gara, dotato di numerosi Duckiebots e una varietà di strumenti hardware e software. La tesi inizia esplorando un controllore di tipo Model Predictive Controller (MPC) per il trajectory following e lo sviluppa successivamente in un LMPC. Nella tesi dimostriamo che la formulazione originariamente proposta del LMPC non è molto efficace nell’ambiente reale col modello considerato. Proponiamo quindi una nuova formulazione che integra la preview nel LMPC. La nuova formulazione nel circuito è in grado di migliorare del 44% il tempo sul giro già dalla prima iterazione, rispettando allo stesso tempo in modo coerente i margini della pista.