Development of a real-time hierarchical model predictive control for combined lateral and longitudinal dynamics in high-performance autonomous vehicles

The development of autonomous driving technologies represents one of the most significant engineering challenges of our time, with the potential to revolutionize mobility by enhancing both efficiency and safety. This work contributes specifically to the field of autonomous racing, a fertile ground for innovation due to its inherent ability to test algorithms at the limits of vehicle maneuverability. A linear time-varying Model Predictive Control (MPC) is proposed, integrating both longitudinal and lateral dynamics of a high-performance vehicle. The novelty of this dissertation lies in the design of a hierarchical architecture that interfaces with the existing closed-loop yaw rate and longitudinal acceleration controllers, rather than fully replacing them. This approach enables the fusion of predictive control advantages with those of Proportional-Integral-Derivative (PID) architectures, which have been designed using conventional techniques such as Loop Shaping. The vehicle dynamics are modeled using a nonlinear single-track representation, while the behavior of the low-level controllers is captured through transfer functions identified in frequency-domain, which describe their respective closed-loop systems. This formulation simplifies the optimization problem, reduces dependency on model parameters, and promotes safer and more conservative behavior in critical situations. The proposed algorithm is validated in a MATLAB-Simulink environment through both Simulation-in-the-Loop (SIL) and Hardware-in-the-Loop (HIL) experiments. It is compared against an MPC assuming perfect knowledge of the model parameters and the state-of-the-art control architecture. The results demonstrate the superiority of this integrated control strategy over advanced coordinated controllers, while ensuring excellent tracking performance in terms of both velocity profile and lateral error.

Lo sviluppo di tecnologie di guida autonoma costituisce una sfida ingegneristica tra le più attuali e rilevanti, avente il potenziale di rivoluzionare il mondo della mobilità a vantaggio di una maggiore efficienza e sicurezza. Il contributo di questo lavoro si inserisce in particolare nell’ambito delle gare a guida autonoma che rappresenta un fertile terreno di innovazione, grazie all'intrinseca capacità di testare gli algoritmi al limite della manovrabilità del veicolo. Viene proposto un Model Predictive Control (MPC) lineare tempo variante che gestisce, con un approccio integrato, sia la dinamica longitudinale sia quella laterale di un'auto ad alte prestazioni. Più nel dettaglio, il carattere innovativo della presente tesi è rappresentato dalla progettazione di un'architettura gerarchica capace di interfacciarsi con gli anelli di controllo della velocità d'imbardata e di accelerazione longitudinale, senza sostituirli in toto. In questo modo è possibile fondere i benefici del controllo predittivo con quelli delle architetture Proporzionali-Integrali-Derivative (PID) progettate, con comprovata efficacia, attraverso tecniche tradizionali come il Loop Shaping. La dinamica del veicolo è descritta da un modello non lineare a carreggiata singola, mentre il comportamento dei controllori sottostanti viene modellato con funzioni di trasferimento identificate in frequenza, che rappresentano i rispettivi sistemi in anello chiuso. Ciò ha il vantaggio di semplificare la formulazione del problema di ottimizzazione, limitare l'impiego di parametri di modello e al contempo promuovere un più cauto comportamento in situazioni critiche. L'algoritmo è testato in ambiente MATLAB-Simulink con esperimenti Simulation-in-the-Loop (SIL) e Hardware-in-the-Loop (HIL), comparandolo con l'architettura stato dell'arte e con un MPC che assume la perfetta conoscenza dei parametri di modello. I risultati evidenziano la superiorità di questo controllo integrato rispetto ai più avanzati controllori coordinati, garantendo al contempo eccellenti prestazioni di tracking, sia in termini di profilo di velocità che di errore laterale.