Physics-inspired Neural Networks for Parameter Learning of Adaptive Cruise Control Systems

要約

この論文では、自動車産業で商用実装されているアダプティブ クルーズ コントロール (ACC) システムのパラメータを学習するための物理学にヒントを得たニューラル ネットワーク (PiNN) を提案および開発します。
独自の制御ロジックと非公開パラメータを備えた純正 ACC システムのコア機能をエミュレートするために、一定時間ヘッドウェイ ポリシー (CTHP) が採用されています。
多層人工ニューラル ネットワークを汎用近似器として活用することで、開発された PiNN は、ACC が作動する車両の縦方向のダイナミクスの代理モデルとして機能し、CTHP の未知のパラメーターを効率的に学習します。
PiNN を使用すると、物理法則を学習プロセスに直接統合できます。
未知の ACC パラメーターを推測する PiNN の能力は、隊列形成中の ACC に従事する車両に関係する空間ギャップと相対速度の合成データと忠実度の高い経験的データの両方を使用して、細心の注意を払って評価されます。
その結果、さまざまな自動車メーカーの純正 ACC システムの未知の設計パラメータを学習する際に、提案された PiNN の優れた予測能力が実証されました。
PiNN から取得した ACC モデル パラメーターのセットにより、3 つの実験キャンペーンで検討された車両の標準 ACC システムが $\mathcal{L}_2$ または $\mathcal{L}_\infty$ 文字列安定ではないことが明らかになりました。

要約(オリジナル)

This paper proposes and develops a physics-inspired neural network (PiNN) for learning the parameters of commercially implemented adaptive cruise control (ACC) systems in automotive industry. To emulate the core functionality of stock ACC systems, which have proprietary control logic and undisclosed parameters, the constant time-headway policy (CTHP) is adopted. Leveraging the multi-layer artificial neural networks as universal approximators, the developed PiNN serves as a surrogate model for the longitudinal dynamics of ACC-engaged vehicles, efficiently learning the unknown parameters of the CTHP. The PiNNs allow the integration of physical laws directly into the learning process. The ability of the PiNN to infer the unknown ACC parameters is meticulously assessed using both synthetic and high-fidelity empirical data of space-gap and relative velocity involving ACC-engaged vehicles in platoon formation. The results have demonstrated the superior predictive ability of the proposed PiNN in learning the unknown design parameters of stock ACC systems from different car manufacturers. The set of ACC model parameters obtained from the PiNN revealed that the stock ACC systems of the considered vehicles in three experimental campaigns are neither $\mathcal{L}_2$ nor $\mathcal{L}_\infty$ string stable.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google