Traffic-Aware Eco-Driving Control in CAVs via Learning-based Terminal Cost Model
作者: Mehmet Fatih Ozkan, Dennis Kibalama, Jacob Paugh, Marcello Canova, Stephanie Stockar
分类: eess.SY
发布日期: 2025-10-10
💡 一句话要点
提出基于学习的终端代价模型，实现考虑交通流的 CAV 节能驾驶控制
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 节能驾驶 模型预测控制 神经网络 交通感知 智能网联汽车
📋 核心要点
- 现有节能驾驶策略忽略了优化范围外的宏观交通影响，如上游拥堵，导致能源效率降低。
- 提出一种基于神经网络的终端代价模型，将上游交通动态显式纳入MPC框架，优化车辆速度轨迹。
- 实验表明，该方法在最小化行驶时间影响的同时，实现了比传统方法更节能的速度控制。
📝 摘要（中文）
本文提出了一种新的基于神经网络（NN）的方法，用于近似模型预测控制（MPC）框架内的终端代价，从而显式地纳入上游交通动态。现有的节能驾驶策略通常忽略宏观交通影响，例如发生在优化范围之外但显著影响车辆能源效率的上游交通拥堵。通过将交通拥堵纳入优化过程，与不考虑交通状况的方法相比，所提出的交通感知方法能够产生更节能的速度轨迹，且对行驶时间的影响最小。该框架具有实时实现的可扩展性，同时有效地解决了动态交通状况和宏观交通事件带来的不确定性。
🔬 方法详解
问题定义：现有节能驾驶策略在优化车辆速度时，通常只考虑车辆自身状态和局部环境信息，忽略了上游交通状况（如交通拥堵）对车辆未来行驶状态和能耗的影响。这种忽略会导致车辆在接近拥堵区域时频繁加速和减速，增加不必要的能量消耗。因此，需要一种能够预测未来交通状况并将其纳入优化过程的节能驾驶策略。
核心思路：本文的核心思路是利用神经网络学习上游交通状况与车辆未来能耗之间的关系，并将这种关系作为终端代价函数的一部分，融入到模型预测控制（MPC）框架中。通过预测未来交通状况，车辆可以提前调整速度，避免不必要的加速和减速，从而降低能耗。
技术框架：该方法的技术框架主要包括三个部分：1) 交通数据采集与处理：通过V2X通信获取上游交通信息，例如车辆密度、平均速度等。2) 神经网络终端代价模型：利用历史交通数据训练神经网络，学习上游交通状况与车辆未来能耗之间的映射关系。3) 模型预测控制：将神经网络预测的终端代价作为MPC的优化目标之一，结合车辆动力学模型和约束条件，求解最优速度轨迹。
关键创新：该方法最重要的技术创新点在于利用神经网络学习终端代价函数，从而将宏观交通信息融入到微观车辆控制中。与传统的基于物理模型的终端代价函数相比，该方法能够更好地捕捉复杂交通状况对车辆能耗的影响，提高节能效果。
关键设计：神经网络的输入包括上游交通密度、平均速度等信息，输出为车辆在预测时域结束时的能耗估计。损失函数可以选择均方误差或Huber损失，用于衡量预测能耗与实际能耗之间的差异。网络结构可以选择多层感知机（MLP）或循环神经网络（RNN），具体选择取决于交通数据的时序特性。
🖼️ 关键图片
📊 实验亮点
实验结果表明，与不考虑交通状况的传统MPC方法相比，该方法能够显著降低车辆能耗，同时对行驶时间的影响很小。具体而言，在模拟交通环境中，该方法能够降低5%-10%的能耗，而行驶时间仅增加不到1%。这些结果表明，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网联汽车的节能驾驶系统，通过V2X通信获取实时交通信息，预测未来交通状况，并优化车辆速度轨迹，从而降低车辆能耗和排放。此外，该方法还可以推广到其他交通场景，例如城市交通信号控制和车队协同控制，提高整个交通系统的效率和可持续性。
📄 摘要（原文）
Connected and Automated Vehicles (CAVs) offer significant potential for improving energy efficiency and lowering vehicle emissions through eco-driving technologies. Control algorithms in CAVs leverage look-ahead route information and Vehicle-to-Everything (V2X) communication to optimize vehicle performance. However, existing eco-driving strategies often neglect macroscopic traffic effects, such as upstream traffic jams, that occur outside the optimization horizon but significantly impact vehicle energy efficiency. This work presents a novel Neural Network (NN)-based methodology to approximate the terminal cost within a model predictive control (MPC) problem framework, explicitly incorporating upstream traffic dynamics. By incorporating traffic jams into the optimization process, the proposed traffic-aware approach yields more energy-efficient speed trajectories compared to traffic-agnostic methods, with minimal impact on travel time. The framework is scalable for real-time implementation while effectively addressing uncertainties from dynamic traffic conditions and macroscopic traffic events.