DeeP-LCC：混合交通流中数据赋能的预测式领头巡航控制
系统与控制
2023-07-07 v2 系统与控制
摘要
对于网联自动驾驶车辆（CAVs）的控制，大多数现有方法聚焦于基于模型的策略。它们需要明确知晓人类驾驶车辆的跟车动力学，而精确辨识这些动力学并非易事。本文中，我们不依赖参数化跟车模型，而是引入一种数据驱动的非参数策略，称为DeeP-LCC（Data-EnablEd Predictive Leading Cruise Control，数据赋能预测式领头巡航控制），以在混合交通中实现CAV的安全最优控制。我们首先利用Willems基本引理获得混合交通行为的数据中心表示。这由对混合交通能控性与能观测性性质的严格分析所佐证。随后我们采用滚动时域策略在每个时间步求解有限时域最优控制问题，其中融入输入/输出约束以保证无碰撞。数值实验验证了DeeP-LCC相较于需要精确模型的标准预测控制器的性能。多种非线性交通仿真进一步证实了其在提升交通效率、驾驶安全性与燃油经济性方面的巨大潜力。
引用
@article{arxiv.2203.10639,
title = {DeeP-LCC: Data-EnablEd Predictive Leading Cruise Control in Mixed Traffic Flow},
author = {Jiawei Wang and Yang Zheng and Keqiang Li and Qing Xu},
journal= {arXiv preprint arXiv:2203.10639},
year = {2023}
}
备注
16 pages, 8 figures. arXiv admin note: text overlap with arXiv:2110.10097