Eco-driving under localization uncertainty for connected vehicles on Urban roads: Data-driven approach and Experiment verification
作者: Eunhyek Joa, Eric Yongkeun Choi, Francesco Borrelli
分类: eess.SY
发布日期: 2024-02-01 (更新: 2024-04-04)
备注: Accepted for IEEE IV 2024
💡 一句话要点
提出数据驱动的控制策略以解决城市道路上连接车辆的生态驾驶问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 生态驾驶 模型预测控制 定位不确定性 城市交通 能效优化 实时控制 数据驱动方法
📋 核心要点
- 现有方法在城市道路上进行生态驾驶时，未能有效处理定位不确定性，导致能效低下。
- 本文提出了一种数据驱动的模型预测控制策略，通过学习成本函数和约束条件来优化纵向速度规划。
- 实验结果表明，所提方法在能效上比传统的长时间范围优化控制方法提高了12%。
📝 摘要（中文）
本文针对城市道路上连接车辆的生态驾驶问题，考虑了定位不确定性。生态驾驶被定义为在交通信号灯序列存在的道路上进行纵向速度规划与控制。我们采用数据驱动的模型预测控制（MPC）策略来解决该问题，通过从状态-输入数据中学习成本函数和约束条件。成本函数表示从给定状态出发的剩余能量，而约束条件确保受控车辆及时通过即将到来的交通信号灯并遵守交通法规。最终得到的凸优化问题具有短时间范围，适合实时实现。通过实际车辆实验，我们的方法在能效上比传统方法提高了12%。
🔬 方法详解
问题定义：本文旨在解决城市道路上连接车辆的生态驾驶问题，尤其是在存在定位不确定性的情况下。现有方法通常依赖于长时间范围的优化控制，难以实时应用，且能效较低。
核心思路：论文提出了一种数据驱动的模型预测控制（MPC）策略，通过学习状态-输入数据中的成本函数和约束条件，优化车辆的纵向速度规划。这种设计能够实时适应交通信号灯的变化，提升能效。
技术框架：整体架构包括数据采集、成本函数学习、约束条件设定和实时优化四个主要模块。首先，通过传感器收集车辆状态和环境信息，然后利用这些数据学习成本函数，接着设定约束条件以确保遵守交通法规，最后进行实时的优化计算。
关键创新：本研究的主要创新在于将定位不确定性纳入生态驾驶的考虑中，并通过数据驱动的方法实现了实时的速度规划。这与传统方法相比，显著提高了能效和实时性。
关键设计：在参数设置上，成本函数设计为反映剩余能量的函数，约束条件则确保车辆在规定时间内通过交通信号灯。具体的损失函数和优化算法的选择也经过精心设计，以确保在短时间范围内实现有效的控制。
🖼️ 关键图片
📊 实验亮点
实验结果显示，所提方法在能效上比传统方法提高了12%。传统方法通常依赖于长时间范围的优化控制，而我们的短时间范围优化策略能够实时适应交通信号灯的变化，显著提升了车辆的能效表现。
🎯 应用场景
该研究具有广泛的应用潜力，尤其在智能交通系统和自动驾驶车辆的生态驾驶策略中。通过提高能效，能够有效降低城市交通的能耗和排放，促进可持续发展。未来，该方法还可以扩展到更复杂的交通环境和多车协同驾驶场景中。
📄 摘要（原文）
This paper addresses the eco-driving problem for connected vehicles on urban roads, considering localization uncertainty. Eco-driving is defined as longitudinal speed planning and control on roads with the presence of a sequence of traffic lights. We solve the problem by using a data-driven model predictive control (MPC) strategy. This approach involves learning a cost-to-go function and constraints from state-input data. The cost-to-go function represents the remaining energy-to-spend from the given state, and the constraints ensure that the controlled vehicle passes the upcoming traffic light timely while obeying traffic laws. The resulting convex optimization problem has a short horizon and is amenable for real-time implementations. We demonstrate the effectiveness of our approach through real-world vehicle experiments. Our method demonstrates $12\%$ improvement in energy efficiency compared to the traditional approaches, which plan longitudinal speed by solving a long-horizon optimal control problem and track the planned speed using another controller, as evidenced by vehicle experiments.