Fully Distributed and Quantized Algorithm for MPC-based Autonomous Vehicle Platooning Optimization

📄 arXiv: 2501.18889v1 📥 PDF

作者: Mohammadreza Doostmohammadian, Alireza Aghasi, Hamid R. Rabiee

分类: eess.SY, cs.MA, eess.SP, math.OC

发布日期: 2025-01-31

备注: IEEE ICROM 2024

💡 一句话要点

提出一种全分布式量化MPC算法，用于优化自动驾驶车队控制

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 自动驾驶 车队控制 模型预测控制 分布式优化 数据量化 智能交通系统

📋 核心要点

  1. 现有车队控制方法通常假设理想的通信环境，忽略了实际通信中数据量化的影响，导致性能下降。
  2. 论文提出一种全分布式算法，在每个车辆上局部优化目标函数，并考虑通信网络中的对数量化。
  3. 仿真结果表明，该对数量化算法比现有均匀量化方法具有更小的残差和最优性差距，收敛性能更好。

📝 摘要（中文）

本文针对更安全、高效和可持续的交通解决方案，提出了智能交通系统中的车辆网络控制和优化分布式算法。首先，基于模型预测控制（MPC）策略构建了自动驾驶车队框架，并将其目标优化表示为一种合作二次代价函数。然后，提出了一种分布式算法，用于在每个车辆上局部优化该目标，同时考虑车辆通信网络中的数据量化。与大多数假设理想通信信道的现有文献不同，本文考虑了网络上的对数尺度数据量化，这更现实且更实用。仿真结果表明，所提出的对数量化算法能够以更小的残差和最优性差距达到最优收敛，优于导致较大最优性差距和残差的现有均匀量化方法。

🔬 方法详解

问题定义：论文旨在解决自动驾驶车队控制中的优化问题，尤其关注实际通信场景下数据量化对控制性能的影响。现有方法通常假设车辆间的通信是理想的，忽略了数据量化带来的误差，导致控制精度下降和系统性能受限。

核心思路：论文的核心思路是在分布式模型预测控制（MPC）框架下，设计一种能够容忍数据量化的优化算法。通过对通信数据进行对数量化，可以在保证通信效率的同时，减小量化误差对控制性能的影响。每个车辆局部优化其目标函数，并通过车辆间的通信实现协同控制。

技术框架：整体框架包括以下几个主要模块：1) 基于MPC的车辆动力学模型建立；2) 将车队控制问题转化为合作二次代价函数优化问题；3) 设计分布式优化算法，每个车辆局部求解优化问题；4) 车辆间通过通信网络交换信息，采用对数量化方法压缩数据；5) 基于接收到的信息，车辆更新其控制策略。

关键创新：论文的关键创新在于提出了一种基于对数量化的分布式优化算法，用于解决自动驾驶车队控制问题。与传统的均匀量化方法相比，对数量化能够更好地适应数据的动态范围，减小量化误差，提高控制精度。此外，该算法是全分布式的，每个车辆只需要与相邻车辆通信，具有良好的可扩展性和鲁棒性。

关键设计：论文的关键设计包括：1) 合作二次代价函数的设计，用于描述车队控制的目标，例如保持车间距、速度同步等；2) 对数量化器的设计，包括量化步长和量化范围的选取；3) 分布式优化算法的具体实现，例如采用交替方向乘子法（ADMM）等；4) 通信拓扑的设计，例如采用链式拓扑或星型拓扑。

🖼️ 关键图片

img_0

📊 实验亮点

仿真结果表明，所提出的对数量化算法在车队控制中表现出优越的性能。与采用均匀量化的方法相比，该算法能够以更小的残差（具体数值未知）和最优性差距（具体数值未知）达到最优收敛。这意味着车辆能够更精确地保持期望的车间距和速度，从而提高车队的安全性和稳定性。

🎯 应用场景

该研究成果可应用于自动驾驶车队、智能交通系统、物流运输等领域。通过优化车辆间的协同控制，可以提高道路通行效率，降低能源消耗，减少交通事故。未来，该技术有望应用于更大规模的车队控制，实现更高效、更安全的交通运输。

📄 摘要（原文）

Intelligent transportation systems have recently emerged to address the growing interest for safer, more efficient, and sustainable transportation solutions. In this direction, this paper presents distributed algorithms for control and optimization over vehicular networks. First, we formulate the autonomous vehicle platooning framework based on model-predictive-control (MPC) strategies and present its objective optimization as a cooperative quadratic cost function. Then, we propose a distributed algorithm to locally optimize this objective at every vehicle subject to data quantization over the communication network of vehicles. In contrast to most existing literature that assumes ideal communication channels, log-scale data quantization over the network is addressed in this work, which is more realistic and practical. In particular, we show by simulation that the proposed log-quantized algorithm reaches optimal convergence with less residual and optimality gap. This outperforms the existing literature considering uniform quantization which leads to a large optimality gap and residual.