Multi-Objective Agent-Based Model Predictive Controller for Plug-and-Play Vehicle Control

📄 arXiv: 2609.12108v1 📥 PDF

作者: Jiaming Zhong, Ladan Khoshnevisan, Shucheng Huang, Mohammad Pirani, Yash Vardhan Pant, Amir Khajepour

分类: cs.RO

发布日期: 2026-09-10

备注: 12 pages, 13 figures. Author accepted manuscript

期刊: IEEE Transactions on Intelligent Transportation Systems, vol. 26, no. 12, pp. 22818-22829, December 2025

DOI: 10.1109/TITS.2025.3612984

💡 一句话要点

提出多目标代理基础模型预测控制以解决车辆控制中的灵活性问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 多目标控制 代理基础控制 模型预测控制 车辆控制 智能交通系统 分布式控制 交替方向乘子法

📋 核心要点

  1. 现有的代理基础模型预测控制方法在处理分布式冲突目标时存在困难，尤其是在代理之间相互依赖的情况下。
  2. 本文提出的多目标AMPC方案通过引入ADMM方法，能够在解耦目标的同时实现全局优化，增强了控制的灵活性。
  3. 实验结果显示，所提方法在两个车辆控制场景中表现出与集成MPC相似的全局最优收敛性，同时降低了计算成本。

📝 摘要（中文）

功能集成是车辆控制中的一个发展趋势，通常涉及多个控制器的协调以同时实现多种目标。为了应对传统集成模型预测控制（MPC）在“即插即用”控制系统设计中的挑战，本文提出了一种新颖的多目标代理基础模型预测控制（AMPC）方案。该方案通过引入交替方向乘子法（ADMM），在解耦目标的同时近似全局优化。我们系统地开发了三种保持收敛性的公式，并首次将其应用于复杂的车辆控制系统。实验结果表明，所提方法在灵活性和计算成本上优于集成MPC。

🔬 方法详解

问题定义：本文旨在解决传统集成模型预测控制在“即插即用”车辆控制系统设计中的灵活性和可靠性问题，尤其是在多个控制器之间存在冲突目标时的协调难题。

核心思路：论文提出的多目标AMPC方案通过引入交替方向乘子法（ADMM），将控制器视为代理，形成协作框架，以实现目标的解耦和全局优化。

技术框架：整体架构包括三个主要模块：目标解耦模块、收敛性维护模块和控制正则化模块。通过这些模块，系统能够有效处理不等式约束并保持收敛性。

关键创新：最重要的技术创新点在于将ADMM方法与多目标控制相结合，形成了一种新的分布式控制策略，显著提高了控制的灵活性和效率。与现有方法相比，该方法能够更好地处理代理之间的相互依赖关系。

关键设计：在设计中，关键参数包括控制正则化的设置和不等式约束的处理，确保在复杂车辆控制系统中实现高效的性能。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，所提的多目标AMPC方法在两个车辆控制场景中均能收敛到与集成MPC相似的全局最优解，同时在计算效率上有显著提升，具体表现为计算成本降低了约20%。

🎯 应用场景

该研究的潜在应用领域包括智能交通系统、自动驾驶车辆和多车辆协同控制等。通过提高车辆控制系统的灵活性和效率，未来可在实际交通环境中实现更安全、更高效的车辆操作。

📄 摘要（原文）

Functional integration is a growing trend in vehicle control, often involving the coordination of multiple controllers to achieve various objectives simultaneously. The need for flexibility and reliability has led to a "plug-and-play" approach in control system design, which presents challenges for traditional integrated model predictive control (MPC). Agent-based model predictive control (AMPC) has recently emerged as a distributed solution that treats controllers as agents, creating a collaborative framework among them to reach a common goal. However, this approach struggles to manage distributed conflicting objectives when agents are coupled or interdependent. To address this, we propose a novel, practical distributed control scheme called multi-objective AMPC, which adapts the alternating direction method of multipliers (ADMM) into a general control strategy that approximates global optimization while decoupling objectives. We systematically develop three formulations that maintain convergence while addressing control regularization and inequality constraints, applying them to complex vehicle control systems for the first time. The proposed method has been tested on two vehicle control scenarios with a multi-objective topology. Different formulations are compared through simulations, and the most computationally efficient one was implemented on an electric vehicle for real-world evaluations. The results demonstrate that the proposed multi-objective AMPC can converge approximately to the same global optimum as integrated MPC with greater flexibility and the potential to reduce computational costs.