Decentralized Model Predictive Control of Connected and Automated Vehicles with Coupled Safety Constraints
作者: Philip Schultheis, Kimia Chavoshi, John Lygeros
分类: eess.SY
发布日期: 2026-07-13
备注: 11 pages, 4 figures, Conference paper, Accepted for presentation at hEART 2026
💡 一句话要点
提出去中心化模型预测控制以解决自动驾驶车辆安全约束问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 去中心化控制 模型预测控制 自动驾驶 安全约束 交通效率 非线性动态 车辆协调
📋 核心要点
- 核心问题：现有集中式模型预测控制方法在处理自动驾驶车辆的非线性动态和耦合安全约束时存在可扩展性和通信限制。
- 方法要点：提出去中心化模型预测控制（DMPC），通过迭代非合作算法和解耦方法，将非凸约束转化为凸约束。
- 实验或效果：仿真结果显示，DMPC算法能够实现安全高效的车辆轨迹，并显著提高系统的可扩展性。
📝 摘要（中文）
连接和自动驾驶车辆（CAVs）在无车道高速公路上运行能够显著提高交通效率。然而，其固有的非线性动态特性和耦合的非凸安全约束对控制设计提出了重大挑战。集中式模型预测控制（MPC）能够确保安全，但在可扩展性和通信方面存在局限。为了解决这些问题，本文研究了用于CAV协调的去中心化MPC（DMPC），重点关注迭代的非合作算法，包括Jacobi型和Gauss-Seidel型。提出了一种新颖的解耦方法，将非凸安全约束转化为凸的局部可执行约束，灵感来源于缓冲Voronoi单元。仿真结果表明，所提出的DMPC算法能够实现安全高效的车辆轨迹，同时显著提高可扩展性，突显其在未来无车道CAV交通系统中的潜力。最终结果表明，最合适的去中心化控制策略取决于安全性、性能和计算效率之间的权衡。
🔬 方法详解
问题定义：本文旨在解决连接和自动驾驶车辆在无车道高速公路上运行时面临的非线性动态和耦合非凸安全约束问题。现有的集中式模型预测控制方法在可扩展性和通信方面存在显著局限，难以适应大规模车辆协调的需求。
核心思路：论文提出去中心化模型预测控制（DMPC）作为解决方案，重点在于通过迭代的非合作算法来实现车辆之间的协调。通过引入解耦方法，将复杂的非凸安全约束转化为更易处理的凸约束，从而提高控制的可行性和效率。
技术框架：整体架构包括多个模块，首先是车辆状态的感知与共享，其次是基于局部信息的控制决策，最后是通过迭代算法实现的协调过程。Jacobi型和Gauss-Seidel型算法被用于实现车辆之间的非合作协调。
关键创新：最重要的技术创新在于提出了一种新颖的解耦方法，使得非凸安全约束可以被转化为局部可执行的凸约束。这一方法显著提高了去中心化控制的可行性，与传统集中式方法相比，能够更好地适应大规模系统的需求。
关键设计：在设计过程中，关键参数包括车辆间的安全距离、控制频率和迭代次数等。此外，损失函数的设计也考虑了安全性和性能之间的权衡，以确保在不同场景下的有效性。
🖼️ 关键图片
📊 实验亮点
实验结果表明，所提出的去中心化模型预测控制算法在安全性和效率上均表现出色，能够实现安全的车辆轨迹，同时在可扩展性上较传统集中式方法提升显著，具体提升幅度未知。
🎯 应用场景
该研究的潜在应用领域包括未来的智能交通系统和自动驾驶车辆的协调控制。通过实现高效的去中心化控制，能够在无车道高速公路上提升交通流量和安全性，具有重要的实际价值和社会影响。
📄 摘要（原文）
Connected and Automated Vehicles (CAVs) operating on lane-free highways offer substantial gains in traffic efficiency. However, their inherent nonlinear dynamics and the presence of coupled, nonconvex safety constraints present critical challenges to control design. Centralized Model Predictive Control (MPC) ensures safety, but suffers from scalability and communication limitations. To address these challenges, this paper investigates decentralized MPC (DMPC) for CAV coordination, focusing on iterative, non-cooperative algorithms, including Jacobi-type and Gauss-Seidel-type. A novel decoupling method is developed to transform nonconvex safety constraints into convex, locally enforceable constraints, inspired by buffered Voronoi cells. The simulation results show that the proposed DMPC algorithms achieve safe and efficient vehicle trajectories while substantially improving scalability, highlighting their potential for future lane-free CAV traffic systems. Ultimately, the results indicate that the most suitable decentralized control strategy depends on the desired trade-off between safety, performance, and computational efficiency.