[論文レビュー] Neural Operators for Boundary Stabilization of Stop-and-go Traffic

Yihuai Zhang, Ruiguo Zhong+1 more|arXiv (Cornell University)|Dec 16, 2023

Traffic control and management被引用数 5

ひとこと要約

本稿では、アフ・ラスケ・ツァン（ARZ）偏微分方程式（PDE）モデルを用いた停止・再開交通の安定化のための境界制御設計を高速化するニューラルオペレータベースのフレームワークを提案する。DeepONetを用いてシステムパラメータからバックステッピング制御カーネルまたは直接的に制御則へのマッピングを学習することにより、従来のバックステッピング法よりも40倍以上高速なリアルタイム計算速度を達成した。実用的安定性を維持しながら、収束速度と精度においてPI制御器を上回った。

ABSTRACT

This paper introduces a novel approach to PDE boundary control design using neural operators to alleviate stop-and-go instabilities in congested traffic flow. Our framework leverages neural operators to design control strategies for traffic flow systems. The traffic dynamics are described by the Aw-Rascle-Zhang (ARZ) model, which comprises a set of second-order coupled hyperbolic partial differential equations (PDEs). Backstepping method is widely used for boundary control of such PDE systems. The PDE model-based control design can be time-consuming and require intensive depth of expertise since it involves constructing and solving backstepping control kernels. To overcome these challenges, we present two distinct neural operator (NO) learning schemes aimed at stabilizing the traffic PDE system. The first scheme embeds NO-approximated gain kernels within a predefined backstepping controller, while the second one directly learns a boundary control law. The Lyapunov analysis is conducted to evaluate the stability of the NO-approximated gain kernels and control law. It is proved that the NO-based closed-loop system is practical stable under certain approximation accuracy conditions in NO-learning. To validate the efficacy of the proposed approach, simulations are conducted to compare the performance of the two neural operator controllers with a PDE backstepping controller and a Proportional Integral (PI) controller. While the NO-approximated methods exhibit higher errors compared to the backstepping controller, they consistently outperform the PI controller, demonstrating faster computation speeds across all scenarios. This result suggests that neural operators can significantly expedite and simplify the process of obtaining boundary controllers in traffic PDE systems.

研究の動機と目的

• 従来のバックステッピング法を用いたPDEに基づく交通システムの境界制御設計における高い計算コストと専門知識の必要性に対処すること。
• 双曲型PDE制御におけるバックステッピングカーネル方程式の解法と関数変換の構築に要する時間の長さを克服すること。
• 制御則およびカーネル計算を高速化しながら安定性保証を維持するデータ駆動型で学習可能なフレームワークを開発すること。
• ニューラルオペレータが、最小限の性能損失で交通PDEシステムにおける複雑な制御マッピングを効果的に近似できることを実証すること。
• 効率的なオペレータ学習により、知的交通システムにおける境界制御のオンライン展開をより迅速に可能にすること。

提案手法

• 密度と速度の時間発展を記述する2×2双曲型PDE系として、交通ダイナミクスをARZモデルで定式化する。
• 境界安定化のための正確な制御カーネルと制御則を導出するためにバックステッピング法を適用し、学習の基準となる真値を提供する。
• 2種類の異なるDeepONetベースのニューラルオペレータを訓練する：1つはバックステッピング制御カーネルのマッピングを近似するもの、もう1つは境界制御則のマッピングを直接学習するもの。
• リャプノフ解析を用いて、ニューラルオペレータにおける近似誤差が有界である場合の閉ループ系の実用的局所安定性を証明する。
• 多様な特性速度 λ₂ ∈ [5, 25] をカバーするよう、平衡密度 ρ* ∈ [90, 130] 車両/km を変化させることで900件のトレーニングデータポイントを生成する。
• Nvidia RTX 4090Ti GPU上でシミュレーションを実装し、ニューラルオペレータ制御器をPDEバックステッピング制御器およびPI制御器と比較する。

実験結果

リサーチクエスチョン

• RQ1 ニューラルオペレータは、ARZ PDEシステムにおけるバックステッピング制御カーネルの複雑な関数的マッピングを十分な精度と安定性で近似できるか？
• RQ2 境界制御則の直接的ニューラルオペレータ学習は、従来のPI制御よりも収束速度と制御効果において優れているか？
• RQ3 リアルタイム交通制御シナリオにおいて、ニューラルオペレータベースの制御器はPDEベースのバックステッピングおよびPI制御器と比較して計算効率に優れているか？
• RQ4 ニューラルオペレータベースの制御設計において、近似誤差と計算速度のトレードオフは何か？
• RQ5 学習されたマッピングにおける有界な近似誤差のもとで、ニューラルオペレータは閉ループ交通システムにおいて実用的安定性を維持できるか？

主な発見

• 近似されたゲインカーネルを用いたニューラルオペレータベースの制御器は、平均計算時間を0.0021秒にまで短縮し、バックステッピング制御器（0.0847秒）と比較して38.7倍の高速化を達成した。
• 制御則の直接的ニューラルオペレータ近似は、0.0012秒という最短の計算時間を達成し、バックステッピングおよびPI制御器を上回った。
• NO近似カーネルのL₂誤差は0.0317であり、PI制御器の0.0936よりも顕著に低く、最適制御行動の追従性が優れていることを示した。
• バックステッピング制御器より高い誤差を示したが、NO近似制御器は交通システムを正常に安定化させ、密度と速度が平衡状態（ρ*=120 車両/km、v*=36 m/s）に収束した。
• PI制御器はより多くの制御効果を要し、状態ノルムの収束が両方のNO近似手法よりも遅く、ニューラルオペレータ学習の優位性を確認した。
• リャプノフ解析により、近似誤差が有界である場合の閉ループ系の実用的局所安定性が確認され、提案フレームワークの理論的ロバスト性が裏付けられた。