Weight Adaptive Path Tracking Control for Autonomous Vehicles Based on PSO

Abstract

"This thesis addresses the path-tracking problem for autonomous vehicles by proposing a Curvature-Aware Model Predictive Control (CAMPC) framework optimized using Particle Swarm Optimization (PSO). Conventional MPC controllers rely on fixed, manually tuned weighting parameters, which often result in suboptimal performance when operating under different road geometries and driving conditions. To improve tracking accuracy and control stability, the proposed CAMPC incorporates road curvature information directly into the prediction model and cost function. The MPC weighting parameters are optimized offline using PSO within the CARLA simulation environment. During the optimization process, candidate weight sets are evaluated through repeated closed-loop simulations, where a cost function combining trajectorytracking errors and control effort is minimized. The resulting optimal weight vector is then stored and employed by the MPC controller during real-time operation. The proposed framework is evaluated in CARLA using three trajectories of increasing complexity, including a roundabout, a multi-curve route, and a long curvy road. The performance of the optimized CAMPC is compared with that of a conventional PID controller. Experimental results show that the proposed approach significantly improves trajectory-tracking performance, reducing maximum cross-track error by 51–61%, maximum heading error by 85–86%, and average speed error by 22–31%. In addition, the optimized controller decreases braking effort and eliminates steering oscillations, resulting in smoother and more stable vehicle behavior. These results demonstrate that PSO-based offline optimization provides an effective method for selecting MPC weighting parameters and enables robust path tracking for autonomous driving applications. "تتناول هذه الأطروحة مشكلة تتبع المسار للمركبات ذاتية القيادة من خلال اقت ارح إطار عمل للتحكم التنبؤي النموذجي الُم ارعي لانحناء الطريق ( ،)CAMPCوالُمح َّسن باستخدام خوارزمية تحسين سرب الجسيمات ( .)PSOتعتمد وحدات التحكم التنبؤية النموذجية التقليدية على معلمات ترجيح ثابتة يتم ضبطها يدوًيا، مما يؤدي غالًبا إلى أداء دون المستوى الأمثل عند التشغيل في ظل ظروف هندسية مختلفة للطرق وظروف قيادة متنوعة. ولتحسين دقة التتبع واستق ارر التحكم، يدمج إطار عمل CAMPCالمقترح معلومات انحناء الطريق مباشرةً في نموذج التنبؤ ودالة التكلفة. يتم تحسين معلمات ترجيح التحكم التنبؤي النموذجي خارجياً باستخدام خوارزمية PSOضمن بيئة محاكاة .CARLAخلال عملية التحسين، يتم تقييم مجموعات الأوزان المرشحة من خلال عمليات محاكاة متكررة ذات حلقة مغلقة، حيث يتم تقليل دالة التكلفة التي تجمع بين أخطاء تتبع المسار وجهد التحكم. ثم يتم تخزين متجه الوزن الأمثل الناتج واستخدامه بواسطة وحدة التحكم التنبؤية النموذجية أثناء التشغيل في الوقت الفعلي يتم تقييم إطار العمل المقترح في CARLAباستخدام ثلاثة مسا ارت ذات تعقيد مت ازيد، تشمل دواًار، وطريًقا متعدد المنحنيات، وطريًقا طويًلا متعرًجا. تُقارن أداء وحدة التحكم الُمح ّسنة CAMPCمع أداء وحدة تحكم PIDالتقليدية. تُظهر النتائج التجريبية أن النهج المقترح ُيح ّسن بشكل ملحوظ أداء تتبع المسار، حيث ُيقلل من أقصى خطأ في المسار الجانبي بنسبة ،%61-51وأقصى خطأ في الاتجاه بنسبة ،%86-85ومتوسط خطأ السرعة بنسبة .%31-22إضاف ًة إلى ذلك، تُقلل وحدة التحكم الُمح ّسنة من جهد الكبح وتُزيل تذبذبات التوجيه، مما ُيؤدي إلى سلوك أكثر سلاسة واستق ارًار للمركبة. تُوضح هذه النتائج أن التحسين غير المتصل بالإنترنت القائم على خوارزمية ُ PSOيوفر طريقة فعالة لاختيار معلمات ترجيح ،MPCوُيمّكن من تتبع المسار بكفاءة عالية لتطبيقات القيادة الذاتية.