用于协同平抑混合交通流的分布式数据驱动预测控制
系统与控制
2023-05-01 v2 系统与控制
摘要
网联自动驾驶车辆(CAVs)的协同控制有望实现更平滑的交通流。在混合交通中，具有未知动力学的人类驾驶车辆与之共存，数据驱动预测控制技术允许 CAV 利用可测量的交通数据进行安全且最优的控制。然而，大多数现有策略中的集中式控制设置限制了其在大规模混合交通流中的可扩展性。为解决该问题，本文提出一种协同 DeeP-LCC(数据赋能预测领航巡航控制, Data-EnablEd Predictive Leading Cruise Control)公式及其分布式实现算法。在协同 DeeP-LCC 中，交通系统被自然划分为多个以单个 CAV 为单位的子系统，各子系统基于 Willems 基本引理收集局部轨迹数据以预测子系统行为。同时，跨子系统交互被表述为耦合约束。随后，我们采用交替方向乘子法(ADMM)设计分布式 DeeP-LCC 算法。该算法通过并行计算实现了计算与通信效率以及轨迹数据隐私性。我们在不同交通规模上的仿真验证了分布式 DeeP-LCC 的实时抑波潜力，在由 100 辆车组成、仅含 5%-20% CAV 的大规模交通系统中可降低燃油消耗超过 31.84%。
引用
@article{arxiv.2210.13171,
title = {Distributed data-driven predictive control for cooperatively smoothing mixed traffic flow},
author = {Jiawei Wang and Yingzhao Lian and Yuning Jiang and Qing Xu and Keqiang Li and Colin N. Jones},
journal= {arXiv preprint arXiv:2210.13171},
year = {2023}
}
备注
28 pages, 9 figures