基于字典方法的科尔曼预测控制用于混合交通中的自动驾驶车辆
最优化与控制
2025-04-09 v1 系统与控制
系统与控制
摘要
科尔曼模型预测控制 (KMPC) 和数据驱动预测控制 (DeePC) 使用线性模型来逼近非线性系统并与预测控制集成。但两者方法最近在控制混合交通中的连接无人车 (CAV) 方面都展现出了有前景的性能。然而，KMPC中为科尔曼算子选择合适的提升函数具有挑战性，而DeePC中基于威乐斯 fundamental 定理得到的数据驱动表示必须更新以逼近当平衡交通状态变化时的局部线性化。在本文中，我们提出了一种用于 CAV 控制的字典-free 科尔曼模型预测控制 (DF-KMPC)。具体而言，我们首先引入一种行为视角来识别最优的字典-free 科尔曼线性模型。随后，我们利用迭代算法计算字典-free 科尔曼表示的数据驱动逼近。将这一数据驱动线性表示与预测控制集成，得到我们的 DF-KMPC，该方法消除了选择提升函数和更新交通平衡状态的需求。非线性交通仿真表明，DF-KMPC 有效缓解了交通波动并改进了跟踪性能。
引用
@article{arxiv.2504.06240,
title = {Dictionary-free Koopman Predictive Control for Autonomous Vehicles in Mixed Traffic},
author = {Xu Shang and Zhaojian Li and Yang Zheng},
journal= {arXiv preprint arXiv:2504.06240},
year = {2025}
}