[논문 리뷰] Neural Operators for Boundary Stabilization of Stop-and-go Traffic

Yihuai Zhang, Ruiguo Zhong외 1명|arXiv (Cornell University)|2023. 12. 16.

Traffic control and management인용 수 5

한 줄 요약

이 논문은 아프-라스클-증강(PDE) 모델을 사용하여 정지-진행 교통의 경계 제어 설계를 가속화하기 위한 신경 연산자 기반 프레임워크를 제안한다. DeepONet를 통해 시스템 파라미터에서 백스테핑 제어 커널 또는 직접적으로 제어 법칙으로의 매핑을 학습함으로써, 이 방법은 기존의 백스테핑 방법보다 40배 이상 빠른 실시간 계산 속도를 달성하면서도 실용적 안정성을 유지하고, 수렴 속도와 정확도에서 PI 제어기보다 뛰어나다.

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.

연구 동기 및 목표

• 기존의 백스테핑 방법을 사용한 PDE 기반 교통 시스템 경계 제어 설계에서 높은 계산 비용과 전문 지식의 장벽을 해결한다.
• 비선형 편미분방정식 제어에서 백스테핑 커널 방정식을 푸는 데 소요되는 시간 문제를 해결한다.
• 제어 법칙과 커널 계산을 가속화하면서도 안정성 보장을 유지하는 데이터 기반, 학습 가능한 프레임워크를 개발한다.
• 신경 연산자가 교통 PDE 시스템에서 복잡한 제어 매핑을 최소한의 성능 손실로 효과적으로 근사할 수 있음을 입증한다.
• 효율적인 연산자 학습을 통해 지능형 교통 시스템에서 경계 제어기를 더 빠르게 온라인 구현할 수 있도록 한다.

제안 방법

• 밀도와 속도의 진화를 기술하는 2×2 초구형 PDE 시스템인 ARZ 모델을 사용하여 교통 동역학을 수식화한다.
• 경계 안정화를 위한 정확한 제어 커널과 제어 법칙을 도출하기 위해 백스테핑 방법을 적용하며, 이는 학습을 위한 기준값으로 기능한다.
• 두 가지 다른 DeepONet 기반 신경 연산자를 훈련한다: 하나는 백스테핑 제어 커널 매핑을 근사하기 위한 것이고, 다른 하나는 직접적으로 경계 제어 법칙 매핑을 학습하기 위한 것이다.
• 신경 연산자의 근사 오차가 유한할 경우 폐쇄형 루프 시스템의 실용적 국소 안정성을 보장하기 위해 리아푸노프 분석을 수행한다.
• 다양한 특성 속도 λ₂ ∈ [5, 25]를 커버하기 위해 평형 밀도 ρ* ∈ [90, 130] veh/km 범위에서 변화시켜 총 900개의 훈련 데이터 포인트를 생성한다.
• Nvidia RTX 4090Ti GPU에서 시뮬레이션을 구현하고, 신경 연산자 제어기, PDE 백스테핑 제어기, PI 제어기를 비교한다.

실험 결과

연구 질문

• RQ1 신경 연산자가 ARZ PDE 시스템의 복잡한 기능적 매핑을 충분한 정확도와 안정성으로 근사할 수 있는가?
• RQ2 직접적인 신경 연산자 학습을 통한 경계 제어 법칙 근사가 전통적인 PI 제어보다 수렴 속도와 제어 노력 측면에서 뛰어나게 되는가?
• RQ3 실시간 교통 제어 시나리오에서 신경 연산자 기반 제어기의 계산 효율성은 PDE 기반 백스테핑 및 PI 제어기와 비교해 어떻게 되는가?
• RQ4 신경 연산자 기반 제어 설계에서 근사 오차와 계산 속도 사이의 상충 관계는 무엇인가?
• RQ5 학습된 매핑에서 유한한 근사 오차가 존재할 경우, 신경 연산자가 폐쇄형 루프 교통 시스템에서 실용적 안정성을 유지할 수 있는가?

주요 결과

• 근사된 이득 커널을 사용한 신경 연산자 기반 제어기는 평균 계산 시간을 0.0021초로 줄여 백스테핑 제어기(0.0847초) 대비 38.7배 빠른 속도를 달성했다.
• 제어 법칙에 대한 직접적인 신경 연산자 근사가 0.0012초의 가장 짧은 계산 시간을 기록하여, 백스테핑 및 PI 제어기 모두를 능가했다.
• NO에 의해 근사된 커널의 L₂ 오차는 0.0317로, PI 제어기의 0.0936보다 현저히 낮아 최적의 제어 행동을 보다 잘 추적함을 시사한다.
• 백스테핑 제어기보다는 더 높은 오차가 있었지만, NO에 의해 근사된 제어기는 교통 시스템을 성공적으로 안정화시켰으며, 밀도와 속도가 평형 상태(ρ*=120 veh/km, v*=36 m/s)로 수렴하였다.
• PI 제어기는 더 많은 제어 노력과 더 느린 상태 노름 수렴을 보였고, 이는 NO에 의해 근사된 방법들이 더 뛰어나다는 것을 확인한다.
• 리아푸노프 분석을 통해 근사 오차가 유한할 경우 폐쇄형 루프 시스템의 실용적 국소 안정성이 확인되었으며, 제안된 프레임워크의 이론적 강건성을 검증하였다.