https://junfei-z.github.io/zh/tags/autonomous-racing/Autonomous RacingHugo Blox Builder (https://hugoblox.com)zh-HansSat, 17 May 2025 00:00:00 +0000https://junfei-z.github.io/media/icon_hu70bcee51a3cd7a7338014254a2e0c844_1401285_512x512_fill_lanczos_center_3.pnghttps://junfei-z.github.io/zh/tags/autonomous-racing/https://junfei-z.github.io/zh/samples/3_rff/Sat, 17 May 2025 00:00:00 +0000https://junfei-z.github.io/zh/samples/3_rff/<p>Shield-MPPI 将基于采样的规划与通过 Control Barrier Functions (CBFs) 实现的安全保障相结合，在 F1TENTH 平台上实现了实时、鲁棒的自主赛车轨迹生成。该系统集成了基于 EKF 的跟踪、Spline 规避规划和模块化 ROS2 架构，以确保动态赛车条件下的安全性。</p>https://junfei-z.github.io/zh/project/1_t5/Wed, 07 May 2025 00:00:00 +0000https://junfei-z.github.io/zh/project/1_t5/<p>本项目在 F1/10 自主赛车平台上实现了 Shield-MPPI，这是一种将 Control Barrier Functions (CBFs) 与 Model Predictive Path Integral (MPPI) 控制相结合的新方法，旨在实现真实世界不确定性条件下的鲁棒安全导航。</p> <p>主要贡献包括：</p> <ul> <li><strong>安全保障</strong>：通过离散时间 CBFs 确保预定义安全集的前向不变性。</li> <li><strong>代价增强与控制滤波</strong>：在 MPPI 轨迹代价中加入 CBF 惩罚项，并应用基于梯度的滤波方法以保证实时安全性。</li> <li><strong>鲁棒性评估</strong>：在仿真和实际赛车环境中评估了系统在扰动、噪声和模型失配下的表现。</li> <li><strong>计算可行性</strong>：验证了 Shield-MPPI 在资源受限平台上的实时性能。</li> </ul> <p>该方法在碰撞避免、赛道跟踪和鲁棒性方面较基准 MPPI 有显著提升。</p>