The autonomous driving industry has undergone leaps and bounds of research to reach the mainstream market, with major players investing heavily to improve the technology further. Industry and academia are currently working to make the technology safe, reliable and robust. Autonomous racing provides this opportunity, to improve the technology to the point, where it can utilize the full physical capability of the vehicle in a wide range of operational conditions. Multiple functionalities are required to make the car autonomous, this thesis focuses on the path planning module for autonomous racing. We evaluated the performance of dynamic models, using different adaptive dynamic constraints, implemented for path planning.

The evaluation is based on framework for optimization based motion planning[1] The optimization problem is solved by "Sampling Augmented Real Time Iteration (SAARTI) motion planning scheme". Four different models were studied during this thesis and include dynamic bicycle models, with static and dynamic constraints. Parameters affecting the planning performance were identified, and the trade-off between model complexity and planning horizon, was investigated by varying these parameters and the differences in performance was studied. The generalizability of results for different driving conditions was investigated for these parameter configurations. Batch simulations were performed to account for various possible scenarios of different parameter configurations, to ensure results closest to reality. The simulation was conducted with, hardware in the loop setup running the planning node, to get a realistic estimation of the computation resources.

Batch simulations were instrumental in showing interesting trends of how the input parameters affected the planning performance. Simulations provided extensive proof of the different dynamic constraints improving the planning performance, over the basic dynamic model under extreme driving conditions.

When reviewing the results from the simulations, the traction adaptive model showed robust and consistent performance. The results showed that combining friction estimation and load adaption, increased the ability to plan for local variations, reduced failure and improved laptime. When designing a planner for a race car that is exposed for local variations, the friction estimation is needed to reduce errors and the load adaption is needed for better handling of the vehicle to perform critical maneuvers.

De senaste åren har den autonoma fordons industrin genomgått en stor utveckling genom forskning, företag har gjort stora investeringar för att förbättra teknologin för att kunna nå den privata marknaden. Industrin och akademin jobbar fortfarande för att göra autonoma bilar säkra, pålitliga och robusta. Autonom racing tillhandahåller en plattform för att förbättra tekniken så att den kan utnyttja fordonets fulla fysiska förmåga i ett brett spektrum av driftsförhållanden. Flera funktioner krävs för att göra bilen autonom, detta arbete fokuserar på rörelseplaneringsmodulen för autonom racing. Vi har utvärderat hur rörelseplanerings algoritmen presterar vid användning av en dynamisk modell med dynamiska begräsningar.

Utvärderingen är baserad på ett ramverk för optimal rörelseplanering [1] vilken löser optimerings problemet genom användning av "Sampling Augmented Real Time Iteration (SAARTI) motion planning scheme". Fyra olika modeller jämfördes vilka inkluderade en dynamisk cykelmodell med både statiska och dynamiska begränsningar. De parametrar som påverkade prestandan identifierades, och avvägningen mellan modell komplexitet och planerings horisont undersöktes genom att studera skillnader i prestanda för olika parameter konfigurationer. Generaliserbarhet av resultaten undersöktes genom att studera prestandan för olika parameter konfigurationer under olika körförhållanden.

Batch simuleringar utfördes för att ta hänsyn till många olika scenarion, för att säkerställa att resultaten var så nära verkligheten som möjligt. Simuleringarna visade att användning av dynamiska begränsningar vid rörelse planering förbättrar prestandan jämfört med att använda statiska begränsningar vid extrema körförhållanden.

Observation av resultaten från simuleringarna visade att användning av den grepp adaptiva modellen resulterade i robust och konsistent prestanda. Att kombinera estimering av friktion och samtidigt ta hänsyn till en varierande normal kraft, ökar förmågan att planera för variationer i friktion, minskar chansen att bilen kör av vägen och förbättrar varvtiden.