Foto von Tim Brüdigam

M.Sc. Tim Brüdigam

Technische Universität München

Lehrstuhl für Steuerungs- und Regelungstechnik (Prof. Buss)

Postadresse

Postal:
Theresienstr. 90
80333 München


Kurze Biografie

05/2021 - 10/2021 Forschungsaufenthalt
University of California, Berkeley, USA
Seit 05/2017 Wissenschaftlicher Mitarbeiter
Lehrstuhl für Steuerungs- und Regelungstechnik
Technische Universität München (TUM)
04/2016 - 01/2017 Masterarbeit: Auswirkung flexibler Flügel auf Flugperformance
California Institute of Technology, USA
2014 - 2017 Master of Science, Elektro- und Informationstechnik
Fokus: Regelungs- und Automatisierungstechnik, Robotik
Technische Universität München (TUM)
04/2014 - 08/2014 Bachelorarbeit: Regelung von Quadrokoptoren
University of South Carolina, USA
2011 - 2014 Bachelor of Science, Elektro- und Informationstechnik
Fokus: Regelungstechnik, Elektrische Maschinen
Technische Universität München (TUM)

Forschungsinteressen

Meine Forschung fokussiert sich auf Model Predictive Control (MPC) und besonders auf Stochastic MPC mit Anwendung auf automatisiertes Fahren.

Kurze Beispielvideos zu den Projekten gibt es hier.

Stochastic MPC Einführung

Folgendes Matlab Beispiel gibt einen guten Einblick in Stochastic MPC:

SMPC Beispiel

Eine passende Einführung zur Stochastic MPC Theorie gibt es hier:

SMPC Einführung

Stochastic Model Predictive Control (für autonomes Fahren)

Modelprädiktive Regelung (MPC) ist eine effektive Methode zur Trajektorienplanung. Um beispielsweise eine Fahrzeugtrajektorie für die nahe Zukunft zu bestimmen, wird hierfür ein Optimierungsproblem gelöst. Nun wird nur der erste optimierte Input auf das System gegeben (die anderen Inputs vernachlässigt). Im nächsten Zeitschritt wird das Optimierungsproblem wieder von Neuem gelöst. In Stochastic MPC werden probabilistische Nebenbedingungen formuliert, die Systemunsicherheiten berücksichtigen.

Wir arbeiten aktuell einerseits an der Effizienz und Sicherheit für Stochastic MPC und andererseits an Garantien für Stabilität und Recursive Feasibility.

Da die Umgebung eines Fahrzeugs nicht perfekt vorhersehbar ist, müssen diese Unsicherheiten, z.B. durch andere Verkehrsteilnehmer, berücksichtigt werden. Um hiermit effizient umzugehen, arbeiten wir an Stochastic MPC für autonomes Fahren in Zusammenarbeit mit BMW.

Details

Minimierung der Wahrscheinlichkeit von verletzten Nebenbedingungen in MPC

Systemunsicherheit kann in MPC unterschiedlich berücksichtigt werden. Robust MPC garantiert, dass Nebenbedingungen robust eingehalten werden, was oft zu konservativen Lösungen führt. Während Stochastic MPC effizientere Lösungen bietet, ist eine Verletzung der Nebenbedingungen mit einer kleinen Wahrscheinlichkeit erlaubt, abhängig von einem vorher definierten Risikoparameter. 

Im Gegensatz zu Robust MPC und Stochastic MPC schlagen wir eine MPC Methode (CVPM-MPC) vor, die die Wahrscheinlichkeit für Verletzungen von Nebenbedingungen minimiert, während gleichzeitig andere Regelziele optimiert werden. Die vorgeschlagene Methode ist in der Lage dazu, mit sich ändernden Unsicherheiten umzugehen und es muss kein Risikoparameter definiert werden. CVPM-MPC kann als Brücke zwischen Robust und Stochastic MPC gesehen werden.

Details

MPC für lange Prädiktionshorizonte

Lange Prädiktionshorizonte sind oftmals vorteilhaft in MPC. Allerdings steigt mit langen Horizonten und detaillierten Prädiktionsmodellen auch der Rechenaufwand. Wir arbeiten an Möglichkeiten, um lange MPC Horizonte zu ermöglichen, während die Rechenzeit niedrig bleibt. Diese Änderungen werden mit Methoden aus Robust MPC und Stochastic MPC kombiniert, um mit Modellunsicherheit und Störungen effektiv umzugehen.

Details

 

Legible Model Predictive Control für autonomes Fahren

Autonome Fahrzeuge können anderen Verkehrsteilnehmern helfen, zukünftige Manöver des autonomen Fahrzeugs leichter zu erkennen. Dies hat einen positiven Einfluss auf den Verkehr, ohne dass ein höheres Risiko in Kauf genommen werden muss. Um dies zu ermöglichen, entwickeln und untersuchen wir Legible MPC um Fahrzeugtrajektorien zu generieren, die leicht für andere Verkehrsteilnehmer lesbar sind.

Studentische Arbeiten

Ich freue mich immer über motivierte Studenten, die an meiner Forschung Interesse haben. Bitte kontaktieren Sie mich, wenn Sie Interesse an einer studentischen Arbeit in meinen Forschungsgebieten haben, auch wenn gerade keine Themen explizit ausgeschrieben sind.

Schicken Sie mir bitte Ihren Leistungsnachweis und falls verfügbar auch einen Lebenslauf, damit ich ein Thema auswählen kann, das gut zu Ihrem Hintergrund und Können passt. Bitte teilen Sie mir auch mit, wann ein guter Starttermin wäre. 

(Ich bin von Mai bis Oktober 2021 für einen Forschungsaufenthalt an der University of California, Berkeley. Ich werde deshalb nur wenige studentische Arbeiten betreuen können.)

Publikationen

2021

  • Benciolini, T.; Brüdigam, T.; Leibold, M.: Multistage Stochastic Model Predictive Control for Urban Automated Driving. Accepted to the 24rd IEEE International Conference on Intelligent Transportation Systems, 2021 mehr… Volltext (mediaTUM)
  • Brüdigam, T.; Gaßmann, V.; Wollherr, D.; Leibold, M.: Minimization of constraint violation probability in model predictive control. Int J Robust Nonlinear Control, 2021, 1-33 mehr… Volltext ( DOI ) Volltext (mediaTUM)
  • Brüdigam, T.; Olbrich, M.; Wollherr, D.; Leibold, M.: Stochastic Model Predictive Control with a Safety Guarantee for Automated Driving. IEEE Transactions on Intelligent Vehicles, 2021, 1-1 mehr… Volltext ( DOI ) Volltext (mediaTUM)
  • Brüdigam, T.; Prader, D.; Wollherr, D.; Leibold, M.: Model Predictive Control with Models of Different Granularity and a Non-uniformly Spaced Prediction Horizon. American Control Conference (ACC), 2021 mehr…
  • Brüdigam, T.; Zhan, J.; Wollherr, D.; Leibold, M.: Collision Avoidance with Stochastic Model Predictive Control for Systems with a Twofold Uncertainty Structure. Accepted to the 24rd IEEE International Conference on Intelligent Transportation Systems, 2021 mehr… Volltext (mediaTUM)

2020

  • Brüdigam, T.; Teutsch, J.; Wollherr, D.; Leibold, M.: Combined Robust and Stochastic Model Predictive Control for Models of Different Granularity. 21st IFAC World Congress, 2020 mehr… Volltext ( DOI ) Volltext (mediaTUM)
  • Brüdigam, T.; di Luzio, F.; Pallottino, L.; Wollherr, D.; Leibold, M.: Grid-Based Stochastic Model Predictive Control for Trajectory Planning in Uncertain Environments. 2020 23rd IEEE International Conference on Intelligent Transportation Systems, 2020 mehr… Volltext ( DOI ) Volltext (mediaTUM)
  • Causevic, V.; Fanger, Y.; Brüdigam, T.; Hirche, S.: Information-constrained Model-Predictive Control with Application to Vehicle Platooning. 21st IFAC World Congress, 2020 mehr… Volltext (mediaTUM)

2018

  • Brüdigam, T.; Ahmic, K.; Leibold, M.; Wollherr, D.: Legible Model Predictive Control for Autonomous Driving on Highways. IFAC-PapersOnLine 51 (20), 2018, 215-221 mehr… Volltext ( DOI ) Volltext (mediaTUM)
  • Brüdigam, T.; Olbrich, M.; Leibold, M.; Wollherr, D.: Combining Stochastic and Scenario Model Predictive Control to Handle Target Vehicle Uncertainty in an Autonomous Driving Highway Scenario. 2018 21st International Conference on Intelligent Transportation Systems (ITSC), 2018, 1317-1324 mehr… Volltext ( DOI ) Volltext (mediaTUM)