[논문 리뷰] Distributed Nonlinear Model Predictive Control and Metric Learning for Heterogeneous Vehicle Platooning with Cut-in/Cut-out Maneuvers

Mohammad Hossein Basiri, Benyamin Ghojogh외 4명|arXiv (Cornell University)|2020. 04. 01.

Traffic control and management참고 문헌 28인용 수 33

한 줄 요약

이 논문은 비균일한 차량 플로팅에 대해 컷인 및 컷아웃 조작을 처리하면서 충돌 회피, 안전한 간격 유지 및 목표 속도 추적을 보장하는 분산 비선형 모델 예측 제어(DNMPC) 프레임워크를 제안한다. 분산 거리 측정 학습과 ADMM 최적화를 통합함으로써 주행 편안함, 연료 효율성 및 수렴 성능이 향상되며, 시뮬레이션 결과는 TPLF 및 PLF를 포함한 다수의 단방향 연결 구조에서 안정성과 효과성을 확인한다.

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.

연구 동기 및 목표

• 컷인 및 컷아웃 조작 하에서 비균일한 차량 플로팅에 대한 동적 플로팅 문제를 해결하기 위해.
• 충돌 없는 작동을 보장하면서 안전한 차량 간 간격을 유지하고 목표 속도 프로파일을 추적하기 위해.
• 분산 최적화 및 거리 측정 학습을 통해 주행 편안함, 연료 효율성 및 수렴 성능을 향상시키기 위해.
• 조작 시점에 따라 DNMPC 시스템의 이론적 수렴 시간을 유도하기 위해.
• 다양한 단방향 통신 구조(TPLF, PLF, TPF, PF 등)에서 방법의 유효성을 검증하기 위해.

제안 방법

• 이전 방법 [15]에서 유도된 분산 비선형 MPC(DNMPC) 프레임워크를 비균일한 차량 플로팅을 위한 동적 플로팅에 확장하였다.
• 예측 수렴 기간 동안 제약 조건이 있는 최적화 문제로 제어 문제를 수식화하였으며, 추적, 제어 노력 및 안전성을 균형 잡는 비용 함수를 최소화한다.
• ADMM 최적화를 사용하여 주행 편안함(F), 연료 효율성(R), 수렴(Q, G)을 위한 하위공간 거리 측정을 학습하기 위해 분산 거리 측정 학습을 적용하였다.
• 스케일러블하고 계산 효율적인 방식으로 분산 최적화 문제를 해결하기 위해 ADMM를 사용하였다.
• 비선형 상태공간 모델에 차량 고유의 동역학, 즉 질량, 항력, 굴링 저항 및 드라이브레인 효율성을 포함시켰다.
• 실시간 제어에서 통신 지연 및 불확실성을 다루기 위해 예측 및 가정된 출력을 사용하였다.

실험 결과

연구 질문

• RQ1 비균일한 차량 플로팅에서 컷인 및 컷아웃 조작을 다룰 수 있도록 분산 비선형 MPC 프레임워크를 어떻게 확장할 수 있는가?
• RQ2 동적 플로팅에서 DNMPC 시스템의 이론적 수렴 시간은 무엇이며, 조작 시점에 어떻게 의존하는가?
• RQ3 분산 거리 측정 학습은 플로팅 제어에서 주행 편안함, 연료 효율성 및 수렴에 얼마나 기여하는가?
• RQ4 다양한 단방향 통신 구조(TPLF, PLF 등)는 DNMPC 시스템 성능에 어떤 영향을 미치는가?
• RQ5 ADMM 기반 최적화는 동적 플로팅에서 거리 측정 학습과 함께 실시간 분산 제어를 효과적으로 지원할 수 있는가?

주요 결과

• 마지막 조작(4초에 컷아웃) 이후 DNMPC 시스템은 11초 이내에 수렴하였으며, 이는 정리 2에서 도출된 이론적 수렴 시간과 일치하였다.
• 주행 편안함이 시간이 지남에 따라 크게 향상되었으며, 특히 컷인 및 컷아웃 조작으로 인한 일시적 교란 이후 거리 하위공간에서 예측 및 가정된 출력이 수렴하였다.
• 제어 입력의 급격한 변화를 최소화함으로써 연료 효율성이 향상되었으며, R-가중치 거리 하위공간에서 투영된 제어 입력 경로가 희박하고 매끄럽게 나타났다.
• 절대 및 상대 수렴 성능이 향상되었으며, 예측 출력이 목표 출력과 이웃 차량 상태를 잘 따라가며, 알고리즘 진행 7초 이후에 특히 뚜렷하였다.
• TPLF 및 PLF 구조는 안정적인 간격 유지 및 속도 프로파일 유지를 위해 뛰어난 성능을 보였으며, 상대 간격 오차에서 최소한의 진동을 보였다.
• ADMM 최적화와 함께 분산 거리 측정 학습을 사용함으로써 실시간 성능 지표 적응이 가능해졌으며, 편안함, 연료 효율성 및 수렴 안정성 향상이 측정 가능했다.