Energy-efficient predictive control for connected, automated driving under localization uncertainty
作者: Eunhyek Joa, Eric Yongkeun Choi, Francesco Borrelli
分类: eess.SY
发布日期: 2024-05-22 (更新: 2024-07-29)
备注: Accepted for IEEE Transactions of Intelligent Vehicles. arXiv admin note: text overlap with arXiv:2402.01059
💡 一句话要点
提出一种基于数据驱动MPC的能量高效自动驾驶方法，解决城市道路交通中的能耗优化问题。
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 模型预测控制 数据驱动 能量效率 自动驾驶 智能交通
📋 核心要点
- 现有方法通常采用长时域最优控制进行速度规划，并使用单独的控制器进行速度跟踪，能耗效率有待提升。
- 该论文提出一种数据驱动的MPC方法，通过学习终端代价函数和约束，优化车辆纵向运动，降低能量消耗。
- 仿真和车辆在环实验表明，该方法相比传统方法，平均能量效率提高了19%，验证了其有效性。
📝 摘要（中文）
本文提出了一种数据驱动的模型预测控制（MPC）方法，用于互联自动驾驶车辆在城市道路上实现能量高效的行驶。该MPC旨在通过控制车辆在具有交通信号灯和前方车辆的道路上的纵向运动，从而最小化总能量消耗。其终端代价函数和终端约束是从闭环状态和输入轨迹的数据中学习得到的。终端代价函数表示从给定终端状态开始的剩余能量消耗。终端约束旨在确保受控车辆及时通过即将到来的交通信号灯，遵守交通规则，并考虑前方车辆。通过仿真和车辆在环实验验证了该方法的有效性，与传统的长时域最优控制速度规划和单独的速度跟踪控制器相比，平均能量效率提高了19%。
🔬 方法详解
问题定义：论文旨在解决互联自动驾驶车辆在城市道路行驶中的能量效率问题。现有方法通常采用长时域最优控制进行速度规划，然后使用单独的控制器进行速度跟踪。这种方法计算复杂度高，且难以充分利用交通信号灯和前方车辆的信息进行全局优化，导致能量效率不高。
核心思路：论文的核心思路是利用数据驱动的MPC方法，通过学习车辆行驶轨迹数据，构建终端代价函数和终端约束，从而实现能量高效的纵向运动控制。终端代价函数代表从给定终端状态开始的剩余能量消耗，终端约束确保车辆及时通过交通信号灯，遵守交通规则，并考虑前方车辆。
技术框架：该方法主要包含以下几个模块：1) 数据采集模块：收集车辆在不同交通场景下的闭环状态和输入轨迹数据。2) 学习模块：利用采集的数据学习终端代价函数和终端约束。3) MPC控制器：基于学习到的终端代价函数和终端约束，在线优化车辆的纵向运动控制。MPC控制器以能量消耗最小化为目标，同时满足交通规则和车辆约束。
关键创新：该论文的关键创新在于利用数据驱动的方法学习MPC的终端代价函数和终端约束。与传统的基于模型的方法相比，数据驱动的方法能够更好地适应复杂的交通环境，并提高控制器的鲁棒性和泛化能力。此外，通过将交通信号灯和前方车辆的信息融入到终端约束中，能够实现更全局的能量优化。
关键设计：终端代价函数可以使用回归模型（例如神经网络或高斯过程回归）进行学习，输入为终端状态，输出为剩余能量消耗。终端约束可以设计为不等式约束，例如车辆速度限制、加速度限制、与前方车辆的安全距离约束、以及与交通信号灯相关的约束。MPC控制器的优化目标为最小化能量消耗，可以使用二次规划求解器进行求解。
🖼️ 关键图片
📊 实验亮点
通过仿真和车辆在环实验，验证了该方法的有效性。实验结果表明，与传统的长时域最优控制速度规划和单独的速度跟踪控制器相比，该方法能够显著提高能量效率，平均能量效率提高了19%。这表明该方法在实际应用中具有很大的潜力。
🎯 应用场景
该研究成果可应用于智能交通系统和自动驾驶车辆，通过优化车辆行驶策略，降低城市交通的整体能耗，减少碳排放，促进绿色出行。此外，该方法还可以扩展到其他类型的车辆和交通场景，例如高速公路行驶、物流配送等，具有广阔的应用前景。
📄 摘要（原文）
This paper presents a data-driven Model Predictive Control (MPC) for energy-efficient urban road driving for connected, automated vehicles. The proposed MPC aims to minimize total energy consumption by controlling the vehicle's longitudinal motion on roads with traffic lights and front vehicles. Its terminal cost function and terminal constraints are learned from data, which consists of the closed-loop state and input trajectories. The terminal cost function represents the remaining energy-to-spend starting from a given terminal state. The terminal constraints are designed to ensure that the controlled vehicle timely crosses the upcoming traffic light, adheres to traffic laws, and accounts for the front vehicles. We validate the effectiveness of our method through both simulations and vehicle-in-the-loop experiments, demonstrating 19% improvement in average energy efficiency compared to conventional approaches that involve solving a long-horizon optimal control problem for speed planning and employing a separate controller for speed tracking.