Adaptive model predictive control for traffic signal timing with unknown demand and parameters
作者: Zhexian Li, Ketan Savla
分类: eess.SY
发布日期: 2025-03-13
备注: 8 pages, 4 figures
💡 一句话要点
提出自适应模型预测控制，解决未知需求和参数下的交通信号配时优化问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 交通信号控制 模型预测控制 参数估计 自适应控制 交通优化
📋 核心要点
- 现有交通信号控制方法通常依赖于已知的交通需求和参数，这在实际应用中难以满足，限制了其性能。
- 本文提出一种自适应模型预测控制策略，通过在线估计参数和切换终端集来探索状态空间，实现对未知需求和参数的鲁棒控制。
- 仿真结果表明，该策略在队列长度的瞬态性能方面优于现有方法，验证了其有效性。
📝 摘要（中文）
本文针对信号交叉口网络，在需求和参数未知的情况下，设计交通信号控制策略。该策略基于模型预测控制（MPC）框架，包含一个参数估计算法和一个单步MPC控制器，后者利用估计的参数计算控制输入。参数估计算法通过切换MPC的不同终端集来探索状态空间的不同区域，从而识别不同的参数。单步MPC最小化一个近似于所有队列长度平方和的成本函数，且无需需求信息。理论分析表明，该算法可以在有限时间内精确估计参数，并且单步MPC在输入-状态实用稳定性方面实现最大吞吐量。仿真结果表明，与现有策略相比，所提出的策略在队列长度方面的瞬态性能更优。
🔬 方法详解
问题定义：现有交通信号控制方法通常需要预先知道交通需求和交叉口参数，但在实际应用中，这些信息往往是未知的或难以准确获取的。这导致传统方法在实际交通场景中的性能下降，甚至失效。因此，如何在未知需求和参数的情况下，设计有效的交通信号控制策略是一个重要的挑战。
核心思路：本文的核心思路是采用自适应模型预测控制（MPC）框架，通过在线估计交通需求和交叉口参数，并利用估计的参数进行交通信号配时优化。为了保证参数的可辨识性，算法会主动探索状态空间的不同区域。这种自适应的方法能够应对未知和变化的交通环境，提高控制策略的鲁棒性和性能。
技术框架：整体框架包含两个主要模块：参数估计模块和单步MPC控制模块。参数估计模块负责在线估计交通需求和交叉口参数，通过切换MPC的终端集来探索不同的状态空间区域，以提高参数的可辨识性。单步MPC控制模块利用估计的参数，最小化一个近似于所有队列长度平方和的成本函数，计算控制输入（即信号配时方案）。这两个模块协同工作，实现对交通信号的自适应控制。
关键创新：本文的关键创新在于提出了一种自适应的参数估计方法，该方法通过切换MPC的终端集来探索不同的状态空间区域，从而保证了参数的可辨识性。与传统的参数估计方法相比，该方法能够更有效地估计未知参数，提高控制策略的性能。此外，单步MPC的设计避免了对未来交通需求的预测，降低了计算复杂度，提高了控制策略的实时性。
关键设计：参数估计模块的关键设计在于终端集的选择和切换策略。不同的终端集对应于不同的状态空间区域，通过切换终端集，算法可以主动探索不同的交通状态，从而提高参数的可辨识性。单步MPC的关键设计在于成本函数的选择，该成本函数近似于所有队列长度平方和，能够有效地反映交通拥堵程度。此外，单步MPC的设计避免了对未来交通需求的预测，降低了计算复杂度。
🖼️ 关键图片
📊 实验亮点
仿真结果表明，所提出的自适应模型预测控制策略在队列长度的瞬态性能方面优于现有方法。具体而言，在不同的交通需求场景下，该策略能够更快地将队列长度稳定到较低水平，减少交通拥堵。此外，该策略能够在有限时间内精确估计交通需求和交叉口参数，验证了其自适应性和鲁棒性。
🎯 应用场景
该研究成果可应用于城市交通信号控制系统，尤其适用于交通需求和参数难以准确获取的场景，例如突发事件、节假日等。通过自适应地调整信号配时方案，可以有效缓解交通拥堵，提高道路通行效率，减少车辆延误和排放，具有重要的实际应用价值和环境效益。未来，该方法可以进一步扩展到更大规模的交通网络，并与其他智能交通系统相结合，实现更智能化的交通管理。
📄 摘要（原文）
This paper designs traffic signal control policies for a network of signalized intersections without knowing the demand and parameters. Within a model predictive control (MPC) framework, control policies consist of an algorithm that estimates parameters and a one-step MPC that computes control inputs using estimated parameters. The algorithm switches between different terminal sets of the MPC to explore different regions of the state space, where different parameters are identifiable. The one-step MPC minimizes a cost that approximates the sum of squares of all the queue lengths within a constant and does not require demand information. We show that the algorithm can estimate parameters exactly in finite time, and the one-step MPC renders maximum throughput in terms of input-to-state practical stability. Simulations indicate better transient performance regarding queue lengths under our proposed policies than existing ones.