Autonome mobile Navigation MPC — Wettbewerbserprobte Regelung für Bodenfahrzeuge und mobile Roboter

Warum das relevant ist (Zusammenfassung für Entscheider)

• Betrieblicher Schmerzpunkt: Autonome Bodenfahrzeuge und mobile Roboter haben Schwierigkeiten mit Echtzeit-Hindernisumfahrung, Pfadgenauigkeit bei Sensorrauschen und sicherem Betrieb an den Grenzen der Fahrzeugdynamik — was zu niedrigen Geschwindigkeiten, konservativem Betrieb oder Kollisionen führt.
• Lösungsklasse: Model Predictive Control bietet eine einheitliche Schätz-Planungs-Regelungs-Architektur, die Stellgliedgrenzen, dynamische Nebenbedingungen und Hindernisumfahrung explizit innerhalb eines einzigen Optimierungsrahmens handhabt.
• Messbare Ergebnisse: Veröffentlichte Implementierungen berichten von einer Rundenzeit-Reduktion von ca. 10 % durch lernbasiertes MPC an einem autonomen Rennfahrzeug in Originalgröße, Hindernisumfahrung bei Geschwindigkeiten bis zu 11,5 km/h mittels GPU-beschleunigtem Sampling sowie zuverlässiger kamerabasierter Navigation über 1,8 km lange Außenstrecken.
• Industrieller Transfer: Derselbe MPC-Stack, der im autonomen Rennsport erprobt wurde, überträgt sich direkt auf industrielle AGVs/AMRs, Inspektionsroboter und mobile Außenplattformen — die Architektur ist dieselbe, nur das Dynamikmodell und die Nebenbedingungen ändern sich.

Das Entwurfsmuster erklärt

Autonomes mobiles Navigations-MPC folgt einer geschichteten Architektur: Zustandsschätzung (Lokalisierung, Kartierung) speist einen Trajektorienplaner (Pfad- oder Trajektorienoptimierung), der wiederum einen MPC-Regler speist, der Stellgrößen berechnet und dabei Fahrzeugdynamik und Sicherheitsnebenbedingungen respektiert. Ein Sicherheitssupervisor überwacht die Einhaltung der Nebenbedingungen auf jeder Schicht.

MPC wird gegenüber PID- oder Pure-Pursuit-Alternativen bevorzugt, weil es nichtlineare Fahrzeugdynamik (Reifensättigung, Querbeschleunigungsgrenzen), harte Stellgliednebenbedingungen (Lenkrate, Motordrehmoment) und Hindernisumfahrung gleichzeitig handhaben kann — alles innerhalb einer einzigen Prädiktionshorizont-Optimierung. An der Leistungsgrenze erzielt die Nutzung der vollständigen nichtlinearen Dynamik mittels NMPC messbar bessere Rundenzeiten und engere Pfadverfolgung als jede entkoppelte Reglerachitektur.

Wesentliche Ingenieursprinzipien umfassen: (1) Modellierung der dominanten Dynamik einschließlich Stellgliedverzögerung, (2) Kodierung von Sicherheit als harte Nebenbedingungen statt Straftterme, (3) Nutzung von Lernen oder Adaption zur Online-Kompensation von Modellabweichungen sowie (4) inkrementelle Validierung von der Simulation über Niedriggeschwindigkeitstests bis zum Betrieb mit voller Geschwindigkeit.

NMPC vs. sampling-basiertes MPC in der autonomen Navigation: Die dominante Formulierung in diesem Muster ist Nonlinear MPC (NMPC) — Fahrzeugdynamik an oder nahe der Leistungsgrenze (Reifensättigung, große Querbeschleunigungen, instabiles Balancieren) ist inhärent nichtlinear, und eine Linearisierung um einen Schwebepunkt oder geradeaus fahrenden Betriebspunkt verwirft genau die Fähigkeit, die für dynamisches Kurvenfahren, Hindernisumfahrung und robuste Außennavigation benötigt wird. Anwendungen 1 (AMZ GP-augmentiertes Kontur-NMPC), 3 (Reinigungsroboter MPCC), 4 (kamerabasiertes Lern-NMPC) und 5 (Ballbot-Pfadverfolgung MPC auf einer instabilen Plattform) lösen allesamt nicht-konvexe Nichtlineare Programme (NLP) bei jedem Regelschritt, typischerweise via Real-Time Iteration (RTI) oder SQP. Anwendung 2 (GPU-randomisiertes MPC) ist ein qualitativ anderer Ansatz: Statt ein NLP zu lösen, werden Tausende zufälliger Trajektorien parallel auf einer GPU gesamplt, jede gegen die Kostenfunktion und die Nebenbedingungen bewertet, und die beste ausgewählt — wobei die QP/NLP-Formulierung vollständig umgangen wird. Dies macht den Ansatz unempfindlich gegenüber Nicht-Konvexität und hoch parallelisierbar, erfordert jedoch erhebliche GPU-Rechenkapazität: Die CPU-only-Version kollidiert bei 5,1 km/h, während die GPU-Version (1000 Samples, 200 Hz) Hindernissen bei 11,5 km/h ausweicht. Die Wahl zwischen NLP-basiertem NMPC (strukturiert, warm-startbar, funktioniert gut mit einem guten Modell) und sampling-basiertem MPC (modellunabhängig, GPU-abhängig, geeignet für komplexe nicht-glatte Nebenbedingungslandschaften) ist eine zentrale Architekturentscheidung für jede autonome Navigationsimplementierung.

Anwendungen & Referenzimplementierungen

Anwendung 1: AMZ Driverless — Wettbewerbserprobtes autonomes Fahren mit lernbasiertem MPC

Das AMZ-Driverless-Team der ETH Zürich entwickelte ein vollständiges autonomes Rennsystem, das Wahrnehmung, Planung und MPC-basierte Regelung für den Formula Student Driverless-Wettbewerb integriert — mit dokumentierter Wettbewerbsteilnahme und veröffentlichten Ergebnissen. Die Architektur umfasst die gesamte Pipeline von der Kegelerkennung über die Trajektorienplanung bis zur nebenbedingungsgerechten Regelung an den Handlinggrenzen des Fahrzeugs. Die wesentliche Regelungsinnovation ist ein Gaussian-Process-lernaugmentiertes Kontur-MPC: Ein GP lernt Resttireendynamiken, die ein nominelles Einspurmodell an der Leistungsgrenze nicht erfassen kann, und arbeitet bei Querbeschleunigungen von bis zu 2 g und Geschwindigkeiten von 15 m/s. Nach Online-Lernen mit einem wörterbuchartigen Datenverwaltungsansatz für kontinuierliche Modellaktualisierungen während des Betriebs erzielte der Ansatz Rundenzeit-Reduktionen von ca. 10 % gegenüber dem nominellen MPC-Basiswert. Diese Arbeit validiert sowohl den Full-Stack-MPC-Ansatz unter wettbewerbsmäßigem Zeitdruck und realer Unsicherheit als auch, dass lernbasierte Korrektur Leistungsreserven sicher ausnutzen kann, die ein konservatives festes Modell ungenutzt lassen würde. ^{1 2}

Anwendung 2: GPU-beschleunigtes randomisiertes MPC — Dynamische Hindernisumfahrung bei 11,5 km/h

Eine randomisierte MPC-Implementierung auf einem RC-Auto im Maßstab 1/10 demonstrierte den Einfluss der Rechenleistungsbeschleunigung auf Echtzeit-Hindernisumfahrung. Die CPU-only-Implementierung erreichte maximal 30 Hz und konnte Hindernissen nur bei 3,6 km/h ausweichen, kollidierte jedoch bei 5,1 km/h. Der Wechsel zu GPU-Beschleunigung mit 1000 Trajektoriensamples ermöglichte 200-Hz-Regelraten und flüssige Hindernisumfahrung bei Geschwindigkeiten bis zu 11,5 km/h. Der Prädiktionshorizont von N=30 Schritten lieferte ca. 3 m Vorausschau. Dieses Ergebnis quantifiziert den direkten Zusammenhang zwischen Rechenbudget und erreichbarer sicherer Geschwindigkeit bei sampling-basiertem MPC. ³

Anwendung 3: Außen-Reinigungsroboter — MPCC-Nachrüstung für Pfadverfolgung

Ein manueller Außenkehrautomat wurde mittels Model Predictive Contouring Control (MPCC) für die Pfadverfolgung zu einem autonomen Reinigungsroboter umgerüstet. Die MPCC-Formulierung balanciert den Kompromiss zwischen Trajektoriengenauigkeit und Fortschrittsgeschwindigkeit über einstellbare Kostengewichtungen, sodass Bediener je nach Reinigungsaufgabe Präzision oder Durchsatz priorisieren können. Simulations- und Versuchsergebnisse validierten eine verbesserte Pfadverfolgungsleistung auf der bestehenden Plattform. Dieser Fall zeigt, dass MPC auf bestehende mobile Geräte nachgerüstet werden kann, ohne das Fahrzeug neu zu konstruieren, was direkt für industrielle Flottenaufrüstungen relevant ist. ⁴

Anwendung 4: Kamerabasiertes NMPC über 1,8 km — Lernen kompensiert Modellabweichung

Ein lernbasiertes Nonlinear MPC wurde auf zwei mobilen Roboterplattformen (50 kg und 160 kg) für kamerabasierte Pfadverfolgung über ausgedehnte Außenstrecken evaluiert. Feldversuche umfassten 1,8-km- und 500-m-Strecken bei Geschwindigkeiten bis zu 1,6 m/s, wobei kamerabasierte Lokalisierung ohne LIDAR verwendet wurde. Die Lernkomponente kompensierte Modellabweichungen und wechselnde Geländebedingungen und hielt die Verfolgungsgenauigkeit über die gesamte Strecke aufrecht. Dies validiert NMPC für sensorlimitierte Außenplattformen, bei denen GPS oder LIDAR nicht verfügbar oder nicht kosteneffektiv sind. ⁵

Anwendung 5: Ballbot-Pfadverfolgung — MPC auf einer dynamisch instabilen Plattform

Ein Pfadverfolgung-MPC wurde auf einem Ballbot (dynamisch instabiler Balancieroboter) mit Hindernisumfahrungsnebenbedingungen implementiert. Der MPC lief mit 10 Hz auf einem externen Computer und führte Kreisverfolgung mit einem Radius von 1 m bei einer Sollgeschwindigkeit von 0,25 m/s durch, während er Hinderniskonfigurationen umfuhr. Der Ballbot-Fall ist bedeutsam, weil er zeigt, dass MPC Stabilisierung und Navigation gleichzeitig auf einer inhärent instabilen Plattform handhabt — ein Muster, das auf jedes System übertragbar ist, bei dem Balancieren und Pfadverfolgung koexistieren müssen. ⁶

Was das für Ihren Betrieb bedeutet

Das autonome Navigations-MPC-Muster ist direkt auf industrielle AGVs, AMRs, Inspektionsroboter und mobile Außenplattformen übertragbar, die in Fertigung, Logistik und Facility Management eingesetzt werden. Wenn Ihre aktuellen mobilen Roboter mit konservativen Geschwindigkeiten operieren, Schwierigkeiten mit der Hindernisumfahrung haben oder übermäßige manuelle Eingriffe erfordern, bietet die Schätzungs-Planungs-MPC-Architektur einen systematischen Aufrüstungspfad.

Übliche Bereitschaftsindikatoren umfassen: bestehende mobile Plattformen mit programmierbaren Reglern, zuverlässige Positions-/Geschwindigkeitsmessungen (Encoder, IMU, Kameras), definierte Betriebsumgebungen mit bekannten Nebenbedingungen sowie die Bereitschaft, in Modellidentifikation und stufenweise Validierung zu investieren.

Wie wir liefern (Engagement-Modell)

• Phase 0: NDA + Datenanfrage — Bereitstellung von Plattformspezifikationen, Sensorkonfiguration, Betriebsumgebung und aktueller Regelungsarchitektur.
• Phase 1: Discovery mit festem Umfang (2–4 Wochen) — Fahrzeugdynamikidentifikation, Nebenbedingungsmapping, Machbarkeitsbewertung und Konzeptdesign für den MPC-Stack.
• Phase 2: Implementierung + Validierung + Inbetriebnahme — MPC-Entwicklung, Simulationsvalidierung, Niedriggeschwindigkeitstests und schrittweise Erhöhung von Geschwindigkeit und Komplexität.
• Phase 3: Monitoring + Schulung + Skalierung — Bedienerschulung, Leistungsdashboards und Ausweitung auf weitere Plattformen oder Betriebsszenarien.

Typische KPIs zur Verfolgung

• Sicherheit: Kollisionsrate, Häufigkeit von Nebenbedingungs-verletzungen, Nothalttrigger
• Leistung: Pfadverfolgungsfehler (Querablage), erreichbare Geschwindigkeit, Runden-/Zykluszeit
• Effizienz: Energieverbrauch pro Mission, Leerlaufzeit, Bedienereingriffe pro Schicht
• Robustheit: Leistungsabfall bei Sensorrauschen, Modellabweichung oder Umgebungsveränderungen

Risiken & Voraussetzungen

• Modellqualität: Die MPC-Leistung hängt von einem Dynamikmodell ab, das das dominante Fahrzeugverhalten abbildet; Reifenmodelle und Stellgliedsdynamik müssen experimentell validiert werden.
• Rechenbudget: Echtzeit-MPC erfordert ausreichende Onboard- oder Edge-Rechenkapazität — GPU-Beschleunigung kann für sampling-basierte Ansätze oder hohe Regelraten erforderlich sein.
• Sensorzuverlässigkeit: Kamerabasierte Systeme verschlechtern sich bei schlechten Lichtverhältnissen oder widrigen Witterungsbedingungen; Sensorfusionsstrategien sollten geplant werden.
• Sicherheitsschicht: MPC sollte innerhalb eines Sicherheitssupervisions-Rahmens betrieben werden, der das Fahrzeug übersteuern oder anhalten kann, wenn Nebenbedingungs-verletzungen erkannt werden.
• Inkrementelle Validierung: Niemals Niedriggeschwindigkeitstests überspringen — den gesamten Stack bei reduzierter Geschwindigkeit und Komplexität validieren, bevor operative Grenzen angestrebt werden.

FAQ

F: Kann MPC auf unsere bestehenden mobilen Roboter nachgerüstet werden, oder benötigen wir neue Hardware? A: Mehrere veröffentlichte Fälle demonstrieren MPC, das auf bestehende Plattformen nachgerüstet wurde (Reinigungsroboter, RC-Autos, Radroboter) ohne Hardware-Neugestaltung. Die Hauptanforderung ist eine programmierbare Reglerschnittstelle und zuverlässiges Sensor-Feedback.

F: Wie handhabt MPC unerwartete Hindernisse, die nicht in der Karte sind? A: MPC mit Hindernisumfahrungs-Nebenbedingungen kann auf dynamisch erkannte Hindernisse innerhalb seines Prädiktionshorizonts reagieren. GPU-beschleunigte Sampling-Ansätze ermöglichen Echtzeit-Neuplanung bei Raten bis zu 200 Hz und liefern Reaktionszeiten unter einer Sekunde.

F: Was ist der typische Rechenaufwand für mobiles Roboter-MPC? A: Je nach Formulierung läuft MPC mit 10–200 Hz auf Hardware, die von eingebetteten ARM-Prozessoren bis zu NVIDIA-Jetson-GPUs reicht. Der Rechenaufwand skaliert mit der Länge des Prädiktionshorizonts, der Anzahl der Nebenbedingungen und davon, ob die Formulierung konvex oder nichtlinear ist.

F: Wie lange dauert es, MPC auf einer neuen Fahrzeugplattform in Betrieb zu nehmen? A: Ein typisches Projekt von der Modellidentifikation bis zur validierten Inbetriebnahme dauert 2–4 Monate, abhängig von der Plattformkomplexität und der Verfügbarkeit bestehender Dynamikmodelle und Sensorinfrastruktur.

30-minütigen Discovery-Call buchen

Bereit zu erkunden, ob dieses Muster zu Ihrem System passt?

Dr. Rafal Noga — Unabhängiger APC/MPC-Berater

📧 E-Mail · 🌐 noga.es

Fester Projektumfang · NDA zuerst · DACH-Vor-Ort-Einsätze möglich

Öffentliche Referenzen

Footnotes

1. Kabzan et al., “AMZ Driverless: The Full Autonomous Racing System” (arXiv, 2019). https://arxiv.org/pdf/1905.05150.pdf ↩

2. Kabzan et al., “Learning-Based Model Predictive Control for Autonomous Racing” (ETH Research Collection). https://www.research-collection.ethz.ch/bitstreams/7d0faa11-1667-481c-a497-ca7ef4611521/download ↩

3. Muraleedharan et al., “Randomized MPC for Dynamic Obstacle Avoidance and Autonomous Racing” (IEEE T-IV, 2022). https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=9911860 ↩

4. “Autonomous Outdoor Cleaning Robot with MPCC Path Tracking” (International Journal of Automation Technology). https://www.jstage.jst.go.jp/article/ijat/19/6/19_1086/_pdf ↩

5. Ostafew et al., “Learning-Based Nonlinear MPC to Improve Vision-Based Mobile Robot Path Tracking” (ICRA, 2014). https://asrl.utias.utoronto.ca/wp-content/papercite-data/pdf/ostafew_icra14.pdf ↩

6. “Path-Following MPC for Ballbots” (arXiv, 2020). https://arxiv.org/pdf/2008.10383.pdf ↩

📅 Bei Calendly buchen