面向联通自动车辆的交通自适应物理驱动学习控制以实现能源节省

模型预测控制 (MPC) 已成为连接自动化车辆实时最优控制的有效方法。然而，车辆与交通系统的非线性动力学使得 accurate modeling 与 real-time optimization 充满挑战。学习型控制提供了有前景的替代方案，无需显式模型即可适应环境。在学习控制框架中，由于 optimal control 取决于 ego vehicle 的 state 以及 other vehicles 的 predicted states，必须设计 augmented state space system。本文发展了一种 traffic adaptive augmented state space system，使控制策略能够智能地适应不同交通条件。该设计确保在不同车辆轨迹改变 initial conditions 的情况下，系统动力学保持 independent of specific trajectories。此外，本文提出了一种 physics-informed learning control 框架，将 Bellman 方程的 value function 与 Pontryagin 最优原理中 value functions 的导数统一集成到 loss function 中。该方法旨在减少 required training data 和 training time，同时提升 robusteness 和 efficiency。所提出的 control framework 应用于 real-world data calibrated simulation 环境中的 car-following 场景。结果表明，该 learning control 方法减轻了 real-time computational requirements，同时实现与 model-based 方法相当的 car-following behaviors，最终在 training dataset 中未见的场景中实现 9% 的能源节省。