本研究は、モータースポーツ向けの最小ラップタイム計画（MLTP）フレームワークを提案・検証したもので、状態外乱とパラメータ不確実性の両方に対するロバスト性を組み込んでいる。手法は、先行研究の外乱認識型フレームワークに基づき、各トラックポイントで短期間の確率的車両ダイナミクスを伝播させ、期間終了時の最悪ケースに基づいてタイヤ摩擦制約を強化する。本研究では、この定式化を拡張し、慣性モーメント、重心位置、空気抵抗係数という主要な車両パラメータの不確実性を考慮する。これらのパラメータは実際のレース車両では正確に取得することが困難であり、その不確実性への対処は計画のロバスト性向上に不可欠である。
拡張された定式化の計算負荷を抑えるため、空間的に選択的で簡潔な活性化戦略を採用し、ロバスト制約を最も重要なサーキットセグメント（例えば高速コーナーやブレーキゾーン）にのみ適用する。この戦略により、全セグメントに密なロバスト制約を課すことを避け、性能を維持しつつ計算負荷を低減する。
検証実験では、モデル予測制御器（MPC）を仮想テストドライバーとして使用した。各参照軌道について、同一のMPCがシミュレーションFSAE車両をバルセロナ・カタルーニャセクターで1000回走行させ、ランダムな衝撃的外乱とパラメータばらつきを発生させた。実験では、ロバスト性を考慮しない名目参照軌道とロバスト版を比較した。結果として、後者は一貫して故障走行が少なく、適度なセクタータイムコストで、車両入力や車軸飽和度などの主要信号の参照値周りの分散が小さく、追従性が優れていることが示された。
本研究は、不確実要素に敏感な競技シナリオにおいて特に有用な、レース用軌道計画に新たな視点を提供する。今後の課題として、実車の制御システムへの適用や、より複雑なサーキットレイアウトへの拡張が考えられる。