Overtaking-oriented minimum lap-time optimization methods for global planning in autonomous racing

Autonomous racing represents a frontier of robotics and control systems, pushing the limits of high-speed dynamics, complex vehicle interactions, and real-time decision-making in competitive environments. This thesis advances the field by developing innovative global planning methods for multi-vehicle racing and overtaking strategies, addressing three key challenges: optimizing racing tunnels for multiple vehicles, generating overtaking trajectories, and identifying promising overtaking sectors on race tracks. The first contribution enhances tunnel optimization by shifting from curvature difference minimization to direct lap time optimization, achieving a 2.4% reduction in lap times and 32% increased track coverage through parallel trajectory optimization and variable width constraints. The second contribution introduces a minimum-time trajectory optimization framework for autonomous overtaking with non-reactive opponents, using an elliptical safety envelope and two-stage optimization strategy to reduce computational complexity while maintaining performance. The third contribution presents a data-driven methodology for identifying optimal overtaking sectors, combining trajectory optimization with statistical analysis to systematically evaluate overtaking opportunities under varying conditions. These innovations enhance both the performance and safety of autonomous racing vehicles while contributing to the broader field of autonomous vehicle control and trajectory planning. The methods developed are validated through extensive simulations using the Abu Dhabi racing circuit as a test case.

Le corse autonome rappresentano una frontiera all'avanguardia nella robotica e nei sistemi di controllo, spingendo ai limiti della dinamica ad alta velocità, delle interazioni complesse tra veicoli e del processo decisionale in tempo reale in ambienti competitivi. Questa tesi contribuisce al progresso del settore sviluppando metodi innovativi di pianificazione globale per le corse multi-veicolo e le strategie di sorpasso, affrontando tre sfide fondamentali: l'ottimizzazione dei corridoi di gara per più veicoli, la generazione di traiettorie di sorpasso e l'individuazione di settori ottimali per il sorpasso sui circuiti. Il primo contributo migliora l'ottimizzazione dei corridoi di gara, passando dalla minimizzazione delle differenze di curvatura all'ottimizzazione diretta del tempo sul giro, conseguendo una riduzione del 2.4% dei tempi e un incremento del 32% nella copertura della pista attraverso l'ottimizzazione parallela delle traiettorie e l'implementazione di vincoli di larghezza variabile. Il secondo contributo introduce un framework per l'ottimizzazione delle traiettorie a tempo minimo nel sorpasso autonomo con avversari non reattivi, implementando un envelope di sicurezza ellittico e una strategia di ottimizzazione in due fasi per ridurre la complessità computazionale mantenendo accuratezza della soluzione. Il terzo contributo propone una metodologia basata sui dati per l'identificazione dei settori ottimali di sorpasso, integrando l'ottimizzazione delle traiettorie con l'analisi statistica per valutare sistematicamente le opportunità di sorpasso in diverse condizioni. Queste innovazioni migliorano sia le prestazioni sia la sicurezza dei veicoli da corsa autonomi, apportando un significativo contributo nel campo del controllo dei veicoli autonomi e della pianificazione delle traiettorie. I metodi sviluppati sono stati convalidati attraverso approfondite simulazioni sul circuito di Abu Dhabi come caso di studio.