Learning a Stable, Safe, Distributed Feedback Controller for a Heterogeneous Platoon of Autonomous Vehicles

📄 arXiv: 2404.12474v2 📥 PDF

作者: Michael H. Shaham, Taskin Padir

分类: cs.LG, cs.AI, cs.MA, cs.RO, eess.SY

发布日期: 2024-04-18 (更新: 2024-10-17)

备注: Accepted to the International Symposium of Robotics Research (ISRR) 2024

💡 一句话要点

提出一种稳定、安全的分布式反馈控制器以解决异构车队问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 自主车辆 车队控制 分布式控制器 神经网络 稳定性证书 交通安全 燃油效率

📋 核心要点

  1. 现有的车队控制方法多为线性反馈和分布式模型预测控制，存在稳定性和安全性不足的问题。
  2. 本文提出了一种基于神经网络稳定性证书的学习算法，旨在为异构车队设计一个稳定且安全的分布式控制器。
  3. 实验结果显示，所提出的控制器在四辆和一百辆车的车队中均表现出优越的性能，相较于传统控制方法有显著提升。

📝 摘要（中文）

自主车辆的车队行驶有潜力提高高速公路的安全性和燃油效率。车队的目标是让每辆车以指定速度行驶，同时保持与邻近车辆的安全距离。本文提出了一种学习稳定、安全的分布式控制器的算法，适用于异构车队。该算法基于神经网络稳定性证书的最新发展。我们在仿真中训练了自主车队控制器，并在四辆F1Tenth车辆的硬件上评估其性能。随后，我们在仿真中对100辆车的车队进行了进一步分析。实验结果表明，该算法及学习的控制器在性能上优于线性反馈和分布式模型预测控制器。

🔬 方法详解

问题定义：本文旨在解决异构自主车辆车队的稳定性和安全性问题。现有的控制方法在面对不同类型车辆时，往往无法保证系统的整体稳定性和安全性。

核心思路：提出的算法通过学习神经网络稳定性证书，构建一个能够适应异构车辆特性的分布式控制器，从而实现稳定、安全的车队行驶。

技术框架：整体架构包括数据采集、神经网络训练、稳定性验证和控制器部署四个主要模块。首先在仿真环境中收集车辆动态数据，然后训练神经网络以学习控制策略，接着验证其稳定性，最后在实际硬件上进行部署和测试。

关键创新：本研究的创新点在于结合了神经网络的学习能力与稳定性证书的理论，形成了一种新的控制器设计方法。这与传统的线性反馈和模型预测控制方法有本质区别，后者通常依赖于固定的模型假设。

关键设计：在设计中，选择了适合异构车辆的网络结构，并设定了特定的损失函数以确保控制器的稳定性。此外，采用了多种超参数调优策略，以提升控制器的性能和适应性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，所提出的神经网络控制器在四辆F1Tenth车辆的测试中表现出比传统线性反馈和分布式模型预测控制器更优的性能。在100辆车的仿真中，控制器成功保持了稳定的车距和速度，显示出显著的安全性和效率提升。

🎯 应用场景

该研究的潜在应用领域包括高速公路上的自主车队行驶、城市交通管理以及智能运输系统。通过提高车队的安全性和燃油效率，该技术有望在未来的智能交通环境中发挥重要作用，促进更高效的交通流动和减少交通事故。

📄 摘要（原文）

Platooning of autonomous vehicles has the potential to increase safety and fuel efficiency on highways. The goal of platooning is to have each vehicle drive at a specified speed (set by the leader) while maintaining a safe distance from its neighbors. Many prior works have analyzed various controllers for platooning, most commonly linear feedback and distributed model predictive controllers. In this work, we introduce an algorithm for learning a stable, safe, distributed controller for a heterogeneous platoon. Our algorithm relies on recent developments in learning neural network stability certificates. We train a controller for autonomous platooning in simulation and evaluate its performance on hardware with a platoon of four F1Tenth vehicles. We then perform further analysis in simulation with a platoon of 100 vehicles. Experimental results demonstrate the practicality of the algorithm and the learned controller by comparing the performance of the neural network controller to linear feedback and distributed model predictive controllers.