[论文解读] Safe Adaptive Cruise Control with Road Grade Preview and V2V Communication

Roya Firoozi, Shima Nazari+3 more|arXiv (Cornell University)|Oct 21, 2018

Traffic control and management参考文献 13被引用 9

一句话总结

本文提出了一种安全、自适应的巡航控制（ACC）系统，利用高保真地图提供的道路纵坡预估信息以及车与车（V2V）通信来预测前车运动，从而实现更少保守的鲁棒控制不变集，确保安全性。基于模型预测控制（MPC）的控制器在保证安全的同时，实现了速度跟踪与距离跟踪模式之间的平滑、自动切换，提升了安全性、舒适性与能效；仿真结果表明，与未使用纵坡预估的基线控制器相比，总成本降低了31.6%。

ABSTRACT

We present the design of a safe Adaptive Cruise Control (ACC) which uses road grade and lead vehicle motion preview. The ACC controller is designed by using a Model Predictive Control (MPC) framework to optimize comfort, safety, energy-efficiency and speed tracking accuracy. Safety is achieved by computing a robust invariant terminal set. The paper presents a novel approach to compute such set which is less conservative than existing methods. The proposed controller ensures safe inter-vehicle spacing at all times despite changes in the road grade and uncertainty in the predicted motion of the lead vehicle. Simulation results compare the proposed controller with a controller that does not incorporate prior grade knowledge on two scenarios including car-following and autonomous intersection crossing. The results demonstrate the effectiveness of the proposed control algorithm.

研究动机与目标

• 设计一种自适应巡航控制系统，确保在动态驾驶条件下具备安全性、舒适性与能效性。
• 通过实现平滑、自动的模式切换，消除巡航控制与自适应巡航控制模式之间的剧烈切换。
• 通过实时获取道路纵坡与前车轨迹预估信息，降低安全保证中的保守性。
• 通过在鲁棒控制不变集框架下预测性地利用V2V与基于地图的纵坡数据，提升控制器性能。

提出的方法

• 将ACC建模为一个优化安全性、舒适性、能效性与速度跟踪的模型预测控制（MPC）问题。
• 采用数值方法计算依赖于实时道路纵坡与预测前车运动的鲁棒控制不变终端集。
• 通过高保真地图获取道路纵坡预估信息，并通过V2V通信获取未来前车状态轨迹，以降低保守性。
• 基于计算得到的控制不变集定义终端约束，以确保递归可行性与全程安全性。
• 采用统一控制框架，实现速度与距离跟踪模式之间的自动切换，避免离散切换。
• 在PreScan仿真中验证控制器性能，采用来自Google高程API与真实驾驶轨迹的正弦速度与纵坡轮廓作为输入。

实验结果

研究问题

• RQ1 道路纵坡与前车运动预估信息如何提升自适应巡航控制的安全性与性能？
• RQ2 预估信息对用于安全保证的控制不变集的保守性有何影响？
• RQ3 单一MPC控制器能否在不进行离散切换的情况下，无缝且安全地在巡航控制与自适应巡航控制模式间切换？
• RQ4 与未使用纵坡预估的基线控制器相比，所提控制器在能效性与安全性方面表现如何？

主要发现

• 在跟车仿真中，与未掌握纵坡信息的基线控制器相比，所提控制器的总成本降低了31.6%（416.3 vs. 284.7）。
• 即使在不同道路纵坡下前车执行激烈制动时，控制器仍能始终保持安全的车距。
• 利用预估信息计算得到的控制不变集相比基于有界不确定性的方法显著更少保守，从而支持更近且更安全的跟车距离。
• 控制器成功实现了CC与ACC模式之间的平滑、自动切换，如随时间变化的速度与距离跟踪曲线所示。
• 在自动驾驶交叉路口场景中，两车通过V2V通信与纵坡感知控制安全通过，即使在任意纵坡轮廓下也保持了安全间距。
• PreScan中的仿真结果经真实驾驶数据与Google高程API验证，确认了系统在多种场景下的鲁棒性与性能提升。