Generazione di una traiettoria ottima via Robust Model Predictive Control per un veicolo elettrico a guida autonoma a quattro ruote sterzanti

Lo scopo della presente tesi è focalizzato sul design di un approccio basato sul Model Predictive Control, in grado di generare una traiettoria realizzabile per un veicolo elettrico a guida autonoma a quattro ruote sterzanti, nello scenario di Agriculture 4.0. Una conoscenza a priori dell'ambiente. Una conoscenza a priori dell'ambiente e degli ostacoli statici presenti (es. filari di vite) è data da una mappa puntiforme di un vigneto, fornita da riconoscimenti UAV. Sulla base di queste informazioni, il problema della generazione di una traiettoria fattibile (guida) e il monitoraggio (controllo) sono affrontati da una strategia MPC adeguata. Questo è un approccio ben noto in ambito di controllo, che può raggiungere una soluzione ottimale su un orizzonte di predizione. Si è adottato l'approccio MPC a 2 livelli, in cui un MPC ad alto livello viene utilizzato per la guida, che può essere fatta offline o online in base alle esigenze, mentre un MPC a basso livello permette di tracciare la traiettoria di riferimento. I modelli utilizzati sono il modello a massa puntiforme e il modello di bicicletta che si avvicina bene al modello a 4 ruote. A causa della natura non lineare dei modelli di bicicletta, è stato usato il Successive Linearization Adaptive MPC o SL MPC. Questo approccio consiste nell'utilizzare un modello di predizione LPV (Linear Parameter Varying), ottenuto linearizzando il sistema non lineare attorno ad un punto operativo variabile, che può essere in generale un punto di equilibrio o lo stato reale del sistema. In questo modo è possibile garantire l'intero range di condizioni operative, continuando a preservare la semplicità di un MPC lineare. Il primo sviluppo è stato di un classico MPC ad alto livello di una massa puntiforme, in cui una serie di waypoint predeterminati sono forniti come punti intermedi fino alla meta, dividendo il percorso completo in piccoli pezzi, garantendo la sua realizzabilità. L'output di questo stadio è una traiettoria fattibile che sarà usata dal MPC di basso livello. La prevenzione degli ostacoli può essere affrontata come vincoli nel problema di ottimizzazione MPC, in un modo da garantire la convessità in quanto il MPC è convesso. Poiché l'UGV deve muoversi in un percorso delimitato lateralmente, è possibile considerare lo spazio di libero movimento, come un sottoinsieme dell'intero spazio disponibile. Fornita una descrizione completa della mappa in termini di coordinate cartesiane, solo il sottoinsieme convesso della mappa in cui si trova l'UGV è attivo nei vincoli. Il secondo passo consisteva nel rappresentare il movimento dell'UGV rispetto ad un sistema di riferimento curvilineo, dove gli ostacoli possono essere espressi come vincoli convessi rispetto alla linea mediana del percorso. In conclusione, per il primo approccio, il percorso generato dal modello di massa puntiforme è brusco nei cambi di direzione, , rendendo difficile un tracking efficace nella parte di controllo. Un possibile miglioramento può essere quello di aumentare il numero di waypoint per rendere il percorso più morbido, o utilizzare invece un modello più complesso per ottenere una traiettoria sempre più vicina a quella reale. Il secondo approccio mostra invece buone performance anche con un modello più complesso rispetto al primo approccio e ottiene traiettorie più morbide e coerenti con lì ambiente operativo dato.