[论文解读] 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 33

一句话总结

本文提出了一种用于异构车辆编队的分布式非线性模型预测控制（DNMPC）框架，可处理切入与切出操作，同时确保防撞、安全间距及期望速度跟踪。通过集成分布式度量学习与ADMM优化，该方法提升了驾驶舒适性、燃油经济性及收敛性能，仿真结果验证了其在多种单向拓扑结构（如TPLF和PLF）下的稳定性与有效性。

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.

研究动机与目标

• 解决异构车辆在切入与切出操作下动态编队的挑战。
• 在保持安全车距并跟踪期望速度轨迹的同时，确保无碰撞运行。
• 通过分布式优化与度量学习，提升驾驶舒适性、燃油经济性及收敛性能。
• 基于操作时机推导DNMPC系统的理论收敛时间。
• 在多种单向通信拓扑结构（如TPLF、PLF、TPF、PF）上验证该方法。

提出的方法

• 将先前方法[15]扩展为一种分布式非线性MPC（DNMPC）框架，以处理异构车辆的动态编队。
• 将控制问题表述为在预测时域上的约束优化问题，通过最小化兼顾跟踪、控制努力与安全性的代价函数来求解。
• 应用分布式度量学习，利用ADMM优化方法学习驾驶舒适性（F）、燃油经济性（R）及收敛性（Q, G）的子空间度量。
• 采用ADMM求解分布式优化问题，实现可扩展且计算高效的求解。
• 在非线性状态空间模型中整合车辆特定动力学参数，包括质量、阻力、滚动阻力及驱动系统效率。
• 系统利用预测与假设输出，以应对实时控制中的通信延迟与不确定性。

实验结果

研究问题

• RQ1 如何将分布式非线性MPC框架扩展以处理异构车辆编队中的切入与切出操作？
• RQ2 DNMPC系统在动态编队中的理论收敛时间是多少？其与操作时机有何关系？
• RQ3 分布式度量学习在多大程度上改善了编队控制中的驾驶舒适性、燃油经济性与收敛性？
• RQ4 不同单向通信拓扑结构（如TPLF、PLF）对DNMPC系统性能有何影响？
• RQ5 基于ADMM的优化能否有效支持动态编队中带度量学习的实时分布式控制？

主要发现

• DNMPC系统在最后一次操作（t=4s时切出）后11秒内实现收敛，与定理2推导的理论收敛时间一致。
• 驾驶舒适性随时间显著提升，预测与假设输出在度量子空间中实现收敛，尤其在切入与切出操作引起的瞬态扰动后表现明显。
• 通过最小化控制输入的突变，燃油经济性得到提升，表现为在R加权度量子空间中投影的控制输入轨迹稀疏且平滑。
• 绝对与相对收敛性均得到改善，预测输出紧密跟踪期望输出及邻车状态，尤其在算法运行7秒后表现更佳。
• TPLF与PLF拓扑结构在维持稳定间距与速度轨迹方面表现更优，相对间距误差的振荡最小。
• 结合ADMM优化的分布式度量学习实现了性能度量的实时自适应，显著提升了舒适性、燃油效率与收敛稳定性。