[论文解读] 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 5

一句话总结

该论文提出了一种基于神经算子的框架，用于加速使用Aw-Rascle-Zhang（ARZ）PDE模型的停走交通流边界控制设计。通过利用DeepONet学习从系统参数到反推控制核或直接到控制律的映射，该方法实现了实时计算速度——比传统反推方法快40倍以上，同时保持了实际稳定性，并在收敛速度和精度方面优于PI控制器。

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.

研究动机与目标

• 解决传统反推方法在基于PDE的交通系统边界控制器设计中计算成本高和专业知识门槛高的问题。
• 克服在双曲PDE控制中求解反推核方程和构建泛函变换的耗时问题。
• 开发一种数据驱动、可学习的框架，加速控制律和核函数的计算，同时保持稳定性保证。
• 证明神经算子能够以最小性能损失有效近似交通PDE系统中复杂的控制映射。
• 通过高效的算子学习，实现在智能交通系统中边界控制器的快速在线部署。

提出的方法

• 使用ARZ模型描述交通动力学，该模型为2×2双曲PDE系统，描述密度和速度的演化过程。
• 应用反推法推导出用于边界稳定的精确控制核和控制律，作为训练的基准真值。
• 训练两种不同的基于DeepONet的神经算子：一种用于近似反推控制核映射，另一种用于直接学习边界控制律映射。
• 使用李雅普诺夫分析证明在神经算子近似误差有界条件下，闭环系统的实际局部稳定性。
• 通过变化平衡密度ρ* ∈ [90, 130] veh/km生成900个训练数据点，以覆盖不同的特征速度λ₂ ∈ [5, 25]，确保泛化能力。
• 在Nvidia RTX 4090Ti GPU上实现并比较神经算子控制器、PDE反推控制器和PI控制器的仿真性能。

实验结果

研究问题

• RQ1 神经算子能否以足够的精度和稳定性近似ARZ PDE系统中反推控制核的复杂泛函映射？
• RQ2 直接对边界控制律进行神经算子学习，能否在收敛速度和控制作用方面优于传统PI控制？
• RQ3 在实时交通控制场景中，基于神经算子的控制器与基于PDE的反推法和PI控制器相比，计算效率如何？
• RQ4 在基于神经算子的交通PDE系统控制设计中，近似误差与计算速度之间存在何种权衡？
• RQ5 在学习映射的近似误差有界条件下，神经算子能否在闭环交通系统中保持实际稳定性？

主要发现

• 采用近似增益核的神经算子控制器将平均计算时间降低至0.0021秒，相比反推控制器（0.0847秒）实现了38.7倍的加速。
• 对控制律的直接神经算子近似实现了最快的计算时间（0.0012秒），优于反推控制器和PI控制器。
• NO近似核的L₂误差为0.0317，显著低于PI控制器的0.0936，表明其对最优控制行为的跟踪更优。
• 尽管误差高于反推控制器，但NO近似控制器成功实现了交通系统的稳定，密度和速度收敛至平衡状态（ρ*=120 veh/km，v*=36 m/s）。
• PI控制器需要更大的控制作用，且状态范数收敛速度慢于两种NO近似方法，证实了神经算子学习的优越性。
• 李雅普诺夫分析证实，在近似误差有界条件下，闭环系统的实际局部稳定性成立，验证了所提框架的理论鲁棒性。