[論文レビュー] Distributed Nonlinear Model Predictive Control and Metric Learning for Heterogeneous Vehicle Platooning with Cut-in/Cut-out Maneuvers

Mohammad Hossein Basiri, Benyamin Ghojogh+4 more|arXiv (Cornell University)|Apr 1, 2020

Traffic control and management参考文献 28被引用数 33

ひとこと要約

本稿では、衝突回避、安全な車間距離、所望の速度追従を確保しながら、合流・抜き去り行動を処理できる、非一様な車両群のための分散非線形モデル予測制御（DNMPC）フレームワークを提案する。分散メトリック学習とADMM最適化を統合することで、走行快適性、燃費、収束性能が向上し、シミュレーション結果により、TPLFおよびPLFを含む複数の単方向トポロジーにおいて安定性と有効性が確認された。

ABSTRACT

Vehicle platooning has been shown to be quite fruitful in the transportation industry to enhance fuel economy, road throughput, and driving comfort. Model Predictive Control (MPC) is widely used in literature for platoon control to achieve certain objectives, such as safely reducing the distance among consecutive vehicles while following the leader vehicle. In this paper, we propose a Distributed Nonlinear MPC (DNMPC), based upon an existing approach, to control a heterogeneous dynamic platoon with unidirectional topologies, handling possible cut-in/cut-out maneuvers. The introduced method addresses a collision-free driving experience while tracking the desired speed profile and maintaining a safe desired gap among the vehicles. The time of convergence in the dynamic platooning is derived based on the time of cut-in and/or cut-out maneuvers. In addition, we analyze the improvement level of driving comfort, fuel economy, and absolute and relative convergence of the method by using distributed metric learning and distributed optimization with Alternating Direction Method of Multipliers (ADMM). Simulation results on a dynamic platoon with cut-in and cut-out maneuvers and with different unidirectional topologies show the effectiveness of the introduced method.

研究の動機と目的

• 合流・抜き去り行動が発生する非一様な車両群における動的群進制御の課題に対処すること。
• 衝突のない運転を確保するとともに、安全な車両間隔を維持し、所望の速度プロファイルを追従すること。
• 分散最適化とメトリック学習を用いて、走行快適性、燃費、収束性能を向上させること。
• 行動タイミングに基づいて、DNMPCシステムの理論的収束時間を導出すること。
• 複数の単方向通信トポロジー（例：TPLF、PLF、TPF、PF）において、手法の有効性を検証すること。

提案手法

• 先行手法[15]から拡張された分散非線形MPC（DNMPC）フレームワークを、非一様な車両群における動的群進制御に適用する。
• 予測ホライズンにおける制約付き最適化問題として制御問題を定式化し、追従性、制御入力の大きさ、安全性をバランスさせるコスト関数を最小化する。
• ADMM最適化を用いて、走行快適性（F）、燃費（R）、収束性（Q、G）のための部分空間メトリックを学習する分散メトリック学習を適用する。
• スケーラブルで計算的に効率的な方法で分散最適化問題を解くためにADMMを用いる。
• 非線形状態空間モデルに、質量、空気抵抗、ローリング抵抗、駆動系効率といった車両固有の動的特性を組み込む。
• 通信遅延やリアルタイム制御における不確実性に対処するため、予測出力と仮定出力を使用する。

実験結果

リサーチクエスチョン

• RQ1 分散非線形MPCフレームワークを、非一様な車両群における合流・抜き去り行動を処理できるようにどのように拡張できるか？
• RQ2 動的群進におけるDNMPCシステムの理論的収束時間は何か？また、行動タイミングにどのように依存するか？
• RQ3 分散メトリック学習は、群進制御における走行快適性、燃費、収束性をどの程度向上させるか？
• RQ4 異なる単方向通信トポロジー（例：TPLF、PLF）は、DNMPCシステムの性能にどのように影響を与えるか？
• RQ5 ADMMに基づく最適化は、動的群進におけるリアルタイム分散制御とメトリック学習を効果的に支援できるか？

主な発見

• 最後の行動（t=4sでの抜き去り）から11秒以内にDNMPCシステムが収束し、定理2で導出された理論的収束時間と整合的であった。
• 時間経過とともに走行快適性が著しく向上し、特に合流・抜き去り行動に起因する一時的擾乱後、予測出力と仮定出力がメトリック部分空間で収束した。
• 制御入力の急激な変化を最小化することで燃費が向上し、R重み付きメトリック部分空間における投影制御入力軌道が疎で滑らかであることが示された。
• 絶対的および相対的収束性が向上し、予測出力が所望の出力および周辺車両の状態を的確に追従した。特に、アルゴリズム実行後7秒以降に顕著に改善された。
• TPLFおよびPLFトポロジーは、安定した車間距離と速度プロファイルを維持し、相対的車間距離誤差の振動が最小限に抑えられ、優れた性能を示した。
• ADMM最適化を用いた分散メトリック学習により、リアルタイムでの性能指標の適応が可能となり、快適性、燃費効率、収束安定性の向上が明確に確認された。