Automatic Tuning of Model Predictive Control Parameters for Optimal Performance in Autonomous Racing Calibrazione automatica dei parametri di un controllore predittivo basato su modello per prestazioni ottimali nelle corse di guida autonoma

Il Model Predictive Control (MPC) è una strategia di controllo basata sull’ottimizzazione, che utilizza un modello semplificato di un sistema per determinare gli input di controllo ottimali su un orizzonte di predizione, secondo una funzione di costo predefinita. L’architettura di pianificazione e controllo di Ur.autopilot, il software completo di guida autonoma del team UNIMORE Racing,è costituita da due MPC operanti in serie: un MPC in open-loop, che svolge il ruolo di planner e genera la traiettoria e gli stati di riferimento del veicolo, e un MPC in closed-loop, che segue tali riferimenti tenendo conto dello stato effettivo del veicolo. Le prestazioni dell’architettura dipendono fortemente dal tuning dei pesi della funzione di costo dell’MPC planner. Tuttavia, il tuning manuale è un processo dispendioso in termini di tempo e può richiedere numerosi test. Poiché l’MPC planner opera in open-loop, le sue prestazioni possono essere ottimizzate direttamente in base agli obiettivi di pianificazione, rendendolo adatto al tuning automatico proposto. Vengono analizzate e confrontate tre strategie di ottimizzazione, ovvero il Fuzzy Self Tuning Particle Swarm Optimization (FST-PSO), la Bayesian Optimization (BO) e il Global Optimization by Inverse Distance Weighting (GLIS). L’approccio proposto viene inizialmente valutato in un ambiente di simulazione semplificato, costituito esclusivamente dall’MPC planner operante in open-loop, e successivamente valutato nell’ambiente di simulazione completo in closed-loop e attraverso esperimenti sul veicolo reale. I risultati mostrano che la metodologia proposta è in grado di identificare configurazioni dei pesi dell’MPC con prestazioni comparabili, e in alcuni casi superiori, rispetto al tuning manuale. Le configurazioni ottimizzate vengono trasferite con successo all’architettura completa di pianificazione e controllo, mantenendo i miglioramenti senza compromettere il comportamento del veicolo. Infine, gli esperimenti sul veicolo reale ne confermano l’applicabilità, con risultati coerenti con quelli ottenuti in simulazione. Nel complesso, i risultati mostrano che il tuning automatico dei pesi dell’MPC costituisce un’alternativa sistematica alla calibrazione manuale, riducendo significativamente lo sforzo richiesto per il tuning e ottenendo prestazioni competitive sia in simulazione sia nelle prove sul veicolo reale.

Model Predictive Control (MPC) is an optimization-based control strategy that uses a simplified model of the system to determine the optimal control inputs over a prediction horizon according to a predefined cost function. The Ur.autopilot, the complete software stack developed by UNIMORE Racing, employs two MPCs operating in series: an open-loop MPC, which acts as the planner and generates the reference trajectory and vehicle states, and a closed-loop MPC, which tracks these references while accounting for the actual vehicle state. The performance of this architecture strongly depends on the tuning of the MPC planner cost function weights. However, manual tuning is a time-consuming process requiring extensive testing. Since the MPC planner operates in open loop, its performance can be optimized directly according to the desired planning objectives, this makes the planner suitable for the automatic tuning presented in this work. Three optimization strategies are considered, namely Fuzzy Self-Tuning Particle Swarm Optimization (FST-PSO), Bayesian Optimization (BO), and Global Optimization by Inverse Distance Weighting (GLIS). The proposed methodology is first evaluated in a simplified simulation environment comprising only the open-loop MPC planner and is subsequently assessed within the complete closed-loop simulation environment and through real-world experiments. The results show that the proposed methodology can identify MPC weight configurations achieving performance comparable to, and in some cases exceeding, manually tuned configurations. The optimized weights are successfully transferred to the complete planning and control architecture, maintaining the observed improvements without compromising vehicle behavior. Finally, real-world experiments confirm the applicability of the approach, with results consistent with those obtained in simulation. Overall, the results demonstrate that automatic MPC weight tuning provides a systematic alternative to manual calibration, substantially reducing the tuning effort while achieving competitive performance across simulation and real-world testing.