考虑参数不确定性的简约扰动感知最小时间规划

本研究由Martino Gulisano等人提出并验证了一种用于赛车运动的最小单圈时间规划（MLTP）框架，该框架同时融合了针对状态扰动和参数不确定性的鲁棒性。该方法基于先前提出的扰动感知框架，在每个赛道点传播短时域内的随机车辆动力学，并根据时域末的最坏情况收紧轮胎摩擦约束。研究的创新之处在于进一步扩展了该公式，以考虑关键车辆参数的不确定性，包括转动惯量、质心位置和空气阻力系数。这些参数在实际赛车运行中难以精确获取，因此对其不确定性的处理对于提高规划的鲁棒性至关重要。

为了保持扩展公式的计算可行性，研究采用了一种空间选择性、简约的激活策略，将鲁棒约束仅限制在最关键的赛道路段，例如高速弯道或制动区域。这种策略避免了在全赛道施加密集的鲁棒约束，从而在保证性能的同时降低了计算负担。

在验证实验中，研究者使用模型预测控制器（MPC）作为虚拟测试驾驶员。对于每条参考轨迹，同一MPC在代表性的巴塞罗那-加泰罗尼亚赛段上驱动模拟FSAE赛车运行1000次，并随机实现脉冲扰动和参数散布。实验比较了无鲁棒性的标称参考轨迹与其鲁棒对应轨迹。结果显示，鲁棒轨迹一致地显示出更少的失败运行，并且在适中的赛段时间成本下，关键信号（如车辆输入、轴饱和度）围绕参考值的分散度更小，证明了更好的可跟踪性。

该研究为赛车运动中的轨迹规划提供了新的思路，尤其适用于对不确定因素敏感的竞赛场景。未来可进一步探索将框架应用于实际赛车控制系统，并扩展到更复杂的赛道布局。