考虑多样人类行为的混合交通生态驾驶的物理增强数据驱动预测控制
系统与控制
2024-02-05 v2 系统与控制
摘要
网联自动驾驶车辆（CAVs）的数据驱动协同控制已获得广泛研究关注，因为它可利用收集的数据生成控制动作，而无需依赖通常难以获取的参系统模型。现有方法主要聚焦于提升交通安全与稳定性，而在存在人类驾驶车辆（HDVs）的不确定性与多样性时，对能源效率的重视不足。本文采用数据驱动预测控制（DeePC）方案来处理具有多样人类驾驶行为的混合交通流生态驾驶问题。具体而言，通过将被研究系统的物理关系以及由广义行为表示到特定表示的 Hankel 矩阵更新相结合，我们提出了一种新的物理增强数据驱动预测控制（PA-DeePC）方法来处理人类驾驶员的多样性。特别地，在 DeePC 代价函数中加入功耗项以降低 CAVs 和 HDVs 的整体能耗。仿真结果证明了我们的方法在准确捕捉随机人类驾驶员行为和处理混合交通流复杂动态方面的有效性，同时保障了驾驶安全性与交通效率。此外，所提出的优化框架实现了显著的能耗降低，即相比基准算法平均分别降低 4.83% 和 9.16%。
引用
@article{arxiv.2306.01387,
title = {Physics-Augmented Data-EnablEd Predictive Control for Eco-driving of Mixed Traffic Considering Diverse Human Behaviors},
author = {Dongjun Li and Kaixiang Zhang and Haoxuan Dong and Qun Wang and Zhaojian Li and Ziyou Song},
journal= {arXiv preprint arXiv:2306.01387},
year = {2024}
}