Online Adaptive Platoon Control for Connected and Automated Vehicles via Physics Enhanced Residual Learning

要約

このペーパーでは、コネクテッド自動車両 (CAV) 隊列制御用の物理強化残差学習 (PERL) フレームワークを紹介し、隊列システムに固有のダイナミクスと予測不可能性に対処します。
このフレームワークはまず、安全性と効率を最適化するために運転速度を入力として使用して、車両のダイナミクスをモデル化する物理ベースのコントローラーを開発します。
次に、残差コントローラーは、ニューラル ネットワーク (NN) 学習に基づいて、物理モデルの事前知識を強化し、車両のダイナミクスによって引き起こされる残差を修正します。
物理モデルをデータ駆動型のオンライン学習と統合することにより、PERL フレームワークは物理ベースのモデルの解釈可能性と透明性を維持し、データ駆動型学習の適応性と精度を強化し、動的シナリオにおける計算効率と制御精度の大幅な向上を実現します。
シミュレーションおよびロボット カー プラットフォームのテストでは、PERL が純粋な物理モデルおよび学習モデルよりも大幅に優れており、平均累積絶対位置および速度エラーを最大 58.5% と 40.1% (物理モデル)、および 58.4% と 47.7% (NN モデル) 削減することが実証されています。
縮小スケールのロボット カー プラットフォーム テストでは、適応 PERL フレームワークの優れた精度と動的外乱下での迅速な収束がさらに検証され、位置と速度の累積誤差が 72.73% と 99.05% (物理モデル)、64.71% と 72.58% (NN モデル) 削減されました。
PERL は、外乱が検出されたときにオンライン パラメータを更新することで隊列制御のパフォーマンスを向上させます。
結果は、高度なフレームワークの卓越した精度と迅速な収束能力を実証し、さまざまな条件下で小隊の安定性を維持する有効性を証明しました。

要約(オリジナル)

This paper introduces a physics enhanced residual learning (PERL) framework for connected and automated vehicle (CAV) platoon control, addressing the dynamics and unpredictability inherent to platoon systems. The framework first develops a physics-based controller to model vehicle dynamics, using driving speed as input to optimize safety and efficiency. Then the residual controller, based on neural network (NN) learning, enriches the prior knowledge of the physical model and corrects residuals caused by vehicle dynamics. By integrating the physical model with data-driven online learning, the PERL framework retains the interpretability and transparency of physics-based models and enhances the adaptability and precision of data-driven learning, achieving significant improvements in computational efficiency and control accuracy in dynamic scenarios. Simulation and robot car platform tests demonstrate that PERL significantly outperforms pure physical and learning models, reducing average cumulative absolute position and speed errors by up to 58.5% and 40.1% (physical model) and 58.4% and 47.7% (NN model). The reduced-scale robot car platform tests further validate the adaptive PERL framework’s superior accuracy and rapid convergence under dynamic disturbances, reducing position and speed cumulative errors by 72.73% and 99.05% (physical model) and 64.71% and 72.58% (NN model). PERL enhances platoon control performance through online parameter updates when external disturbances are detected. Results demonstrate the advanced framework’s exceptional accuracy and rapid convergence capabilities, proving its effectiveness in maintaining platoon stability under diverse conditions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google