[論文レビュー] Real-Time Stochastic Predictive Control for Hybrid Vehicle Energy Management

Kyle R Williams|arXiv (Cornell University)|Apr 23, 2018

Electric and Hybrid Vehicle Technologies参考文献 49被引用数 5

ひとこと要約

本稿では、ドライバー行動のマルコフ連鎖モデルと勾配予測を用いたハイブリッド油圧車両向けのリアルタイム確率的予測制御フレームワークを提案する。ASDDPアルゴリズムは、低リソースハードウェアでもリアルタイム実行が可能であり、理論的最良性能に非常に近い燃料効率を達成し、非確率的ベースラインを上回り、数分以内に適応的学習を示す。

ABSTRACT

This work presents three computational methods for real time energy management in a hybrid hydraulic vehicle (HHV) when driver behavior and vehicle route are not known in advance. These methods, implemented in a receding horizon control (aka model predictive control) framework, are rather general and can be applied to systems with nonlinear dynamics subject to a Markov disturbance. State and input constraints are considered in each method. A mechanism based on the steady state distribution of the underlying Markov chain is developed for planning beyond a finite horizon in the HHV energy management problem. Road elevation information is forecasted along the horizon and then merged with the statistical model of driver behavior to increase accuracy of the horizon optimization. The characteristics of each strategy are compared and the benefit of learning driver behavior is analyzed through simulation on three drive cycles, including one real world drive cycle. A simulation is designed to explicitly demonstrate the benefit of adapting the Markov chain to real time driver behavior. Experimental results demonstrate the real time potential of the primary algorithm when implemented on a processor with limited computational resources.

研究の動機と目的

• ドライバー行動やルートが事前に不明な状況下でも、ハイブリッド油圧車両のリアルタイムエネルギー管理戦略を開発すること。
• 走行サイクルに応じてリアルタイムで適応する時間変動型遷移確率を持つ一次マルコフ連鎖を用いて、ドライバー行動を確率的にモデル化すること。
• 道路勾配予測と統計的ドライバー行動モデルを統合することで、予測精度を向上させること。
• 組み込みハードウェア上で確率的モデル予測制御の計算効率とリアルタイム実行可能性を評価すること。
• 適応的統計モデルが、非適応的または決定論的アプローチと比較して燃料経済性を顕著に向上させることを示すこと。

提案手法

• 有限予測ホライゾン内でエネルギー管理を最適化するリcedeving horizon モデル予測制御（MPC）フレームワークを用いる。
• 走行データからリアルタイムで学習した時間変動型遷移確率を持つ一次マルコフ連鎖としてドライバー行動をモデル化する。
• 将来の地形を予測し制御意思決定を改善するために、最適化に道路勾配予測を組み込む。
• 3つの計算手法を採用：確率的勾配降下法（SGDM）、近似確率的微分動的計画法（ASDDP）、平均経路DDP（APDDP）。
• 確率的最適化における勾配推定の安定化のため、分散低減技術とモンテカルロサンプリングを適用する。
• 有限ホライゾンを超えた長期的性能を保証するため、マルコフ連鎖の定常分布を用いて計画を拡張する。

実験結果

リサーチクエスチョン

• RQ1 適応的ドライバーモデリングを組み込んだリアルタイム確率的予測制御は、ハイブリッド油圧車両の燃料効率を向上させることができるか？
• RQ2 適応的マルコフ連鎖モデリングの性能は、非適応的または決定論的戦略と比較してどのように異なるか？
• RQ3 確率的MPC手法の計算コストはどの程度で、低リソース組み込みプロセッサ上でリアルタイムに実装可能か？
• RQ4 道路勾配予測は、予測エネルギー管理の精度と燃料効率をどの程度向上させるか？
• RQ5 走行状況の変化を反映するために、マルコフ連鎖の遷移確率をリアルタイムで効果的に更新できるか？

主な発見

• ASDDPアルゴリズムは、ドライバー行動を完全に把握している理論的最良制御器と比較して、燃料消費量が3.5％以内に収まった。
• 提案された3つの手法すべてが、ベースラインの即時最適化制御器を顕著に上回り、実走行サイクルにおいて最大12％の燃料節約を達成した。
• マルコフ連鎖モデルは、初期統計が不正確であっても20〜30分以内に実走行行動に適応した。
• 道路勾配予測は、インディアナ州ラファイエットのやや平坦な地形でも明確な燃料削減をもたらした。
• ASDDPアルゴリズムは400 MHzプロセッサ（128 MB RAM）上でリアルタイムに動作し、0.5秒の更新サイクルを達成した。
• APDDPは、ASDDPに比べて処理時間を大幅に短縮しながらも、競争力ある燃料経済性を維持し、速度と性能の優れたトレードオフを実現した。