面向联通自动驾驶车辆的在线自适应编队控制：基于物理增强残差学习

本文引入了一种物理增强残差学习 (PERL) 框架，用于联通自动驾驶车辆 (CAV) 编队控制，解决编队系统固有的动力学与不可预测性问题。该框架首先开发了基于物理的控制器，使用驾驶速度作为输入来优化安全性和效率。随后，基于神经网络 (NN) 的残差控制器丰富了物理模型的先验知识，并纠正由车辆动力学引起的残差。通过将物理模型与数据驱动的在线学习集成，PERL 框架保留了基于物理的模型的可解释性和透明度，同时增强了数据驱动学习的适应性和精度，在动态场景中实现了显著的计算效率和控制精度提升。仿真和机器人车平台测试表明，PERL 分别比纯物理模型和 NN 模型性能高出最高可达 58.5% 和 40.1% (物理模型)，以及 58.4% 和 47.7% (NN 模型)。规模缩小的机器人车平台测试进一步验证了自适应 PERL 框架在动态扰动下的卓越精度和快速收敛能力，分别将位置和速度累积误差降低了 72.73% 和 99.05% (物理模型)，以及 64.71% 和 72.58% (NN 模型)。PERL 通过在检测到外部扰动时进行在线参数更新来提升编队控制性能。结果表明，该先进框架在保持编队稳定性方面具有卓越的精度和快速收敛能力，证明了其在各种条件下的有效性。