利用可扩展的深度Koopman预测控制方法缓解混合交通流中的交通波动
《ADVANCED ENGINEERING INFORMATICS》:Mitigating traffic oscillations in mixed traffic flow with scalable deep Koopman predictive control
【字体:
大
中
小
】
时间:2025年12月31日
来源:ADVANCED ENGINEERING INFORMATICS 9.9
编辑推荐:
交通振荡抑制中混合交通流中CAV与HDV协同控制问题,提出基于Koopman算子的自适应深度预测控制框架AdapKoopPC。通过AdapKoopnet网络学习非线性HDV行为的高维线性表示,嵌入MPC实现实时优化控制,实验验证其有效抑制振荡且计算高效。
刘浩|郭彦勇|刘攀|郑楠|王婷|岳全胜
东南大学交通学院,南京,211189,中国
摘要
在连接式自动化车辆(CAVs)和人类驾驶车辆(HDVs)的混合流中减轻交通振荡对于提高交通稳定性至关重要。一个关键挑战在于在计算上可行的预测控制框架内对HDVs的非线性、异质行为进行建模。本研究提出了一种自适应深度Koopman预测控制框架(AdapKoopPC)来解决这一问题。该框架采用了一种新颖的深度Koopman网络AdapKoopnet,通过从自然数据中自适应学习,将复杂的HDV跟车动态表示为高维空间中的线性系统。然后将这种学习到的线性表示嵌入到模型预测控制(MPC)方案中,从而实现对CAVs的实时、可扩展和最优控制。我们使用HighD数据集和广泛的数值模拟验证了我们的框架。结果表明,AdapKoopnet在轨迹预测精度上优于基线模型。此外,完整的AdapKoopPC控制器以较低的计算成本显著减弱了交通振荡,即使在CAV渗透率较低的情况下也表现出强大的性能。所提出的框架为提高现实混合交通环境中的稳定性提供了一种可扩展和数据驱动的解决方案。代码已公开发布。
引言
交通振荡或停车波是拥堵交通中普遍存在的现象,导致交通效率、燃油经济性和道路安全受到显著影响[1],[2]。连接式自动化车辆(CAVs)的出现为缓解这些不稳定性提供了一种变革性方法[3],[4]。作为移动执行器,CAVs可以被策略性地控制以主动减弱交通波的传播,从而平滑整体交通流[5],[6],[7]。然而,CAVs的广泛采用将是一个渐进过程,导致一个以混合交通为特征的过渡期,在此期间CAVs必须与大多数人类驾驶车辆(HDVs)共存和互动[8],[9]。这种复杂环境对有效的CAV控制提出了根本性挑战[10],[11]。
核心挑战在于高保真度预测HDV行为与实时、安全关键车辆控制的严格要求之间的基本权衡。一方面,任何主动控制策略都依赖于准确预测周围HDVs反应的能力[12],[13]。然而,人类驾驶行为本质上是非线性的、随机的和异质的,这使得用传统的基于物理的跟车模型难以捕捉[14],[15]。尽管基于深度学习等先进的数据驱动模型在捕捉这些复杂动态方面表现出更高的精度[16],但它们的非凸性和计算密集性使得它们不适合直接集成到实时优化框架中[17],[18]。另一方面,模型预测控制(MPC)作为CAV控制的理想框架脱颖而出,因为它系统地处理状态和输入约束,以保证安全和性能[19],[20],[21]。然而,MPC的有效性取决于整个系统的计算上可行的——通常是线性的或凸的——预测模型的可用性,包括HDV的响应。这就产生了一个困境:高保真度的非线性预测模型会损害实时控制的可行性,而过于简化的模型则无法捕捉到必要的交通动态,导致CAV的行为次优或不安全[22],[23]。
为了解决这一预测-控制困境,本文引入了Koopman算子理论作为一种强大的数学框架,用于以适合实时预测控制的方式建模和预测非线性HDV动态。Koopman算子通过将系统的状态提升到更高维的可观测空间,提供了非线性动态系统的全局线性表示[24],[25]。这种方法使我们能够将建模的复杂性与控制的复杂性分离。通过利用深度神经网络,我们可以学习从原始状态空间到这个线性Koopman空间的复杂映射,从而高保真地捕捉HDVs的非线性跟车行为。然而,得到的模型在提升空间中是一个线性系统,可以无缝且高效地集成到MPC框架中。这使我们能够实现准确的数据驱动预测和实时的、受限的最优控制。
在本文中,我们提出了一种自适应深度Koopman预测控制框架(AdapKoopPC),用于调节混合交通流。该框架旨在从自然驾驶数据中学习异质HDV行为,并为CAVs部署可扩展的实时控制策略以减轻交通振荡。这项工作的主要贡献有三个方面:
- •
我们开发了AdapKoopnet,一种深度Koopman网络,它从自然数据中自适应学习潜在的驾驶场景和个性化特征,以实现精确的HDV轨迹预测。
- •
我们提出了AdapKoopPC,一种可扩展的预测控制框架,将AdapKoopnet的线性表示嵌入到MPC中,以实现任意混合交通配置下的实时、协作式CAV控制。
- •
我们通过模拟验证了AdapKoopPC,即使在低CAV渗透率的情况下,也能显著减弱交通振荡并提高系统稳定性,同时确保了实时部署的计算可行性。
本文的其余部分组织如下。第2节回顾相关文献并突出研究空白。第3节介绍了我们提出方法论的总体框架,提供了预测和控制流程的高层次概述。第4节详细介绍了AdapKoopnet的架构,用于HDV轨迹预测。第5节介绍了用于混合交通控制的AdapKoopPC框架。第6节和第7节分别介绍了预测和控制模型的实验验证。最后,第8节总结了本文并讨论了未来的研究方向。
章节片段
HDVs的跟车行为建模和预测
准确预测HDVs的行为是有效控制混合交通中CAVs的关键前提。挑战在于开发一个不仅描述能力强,而且计算上与实时、基于优化的控制框架兼容的模型。历史上,HDV建模依赖于基于物理的跟车模型,如智能驾驶模型(IDM)和最优速度模型(OVM)[26],[27],[28]。虽然这些模型提供了可解释的
总体框架
为了解决混合交通流中减轻交通振荡的挑战,本文提出了一个整体的两阶段框架。核心思想首先是准确预测HDVs的复杂非线性行为,然后将这个高保真度预测模型嵌入到计算上可行的MPC方案中,以最优控制CAVs。
我们的方法首先定义了我们旨在控制的局部混合交通系统。考虑一个高密度混合交通流中的局部交通系统,如
AdapKoopnet:用于HDVs跟车行为建模和预测的自适应深度Koopman网络
在本节中,提出了一种数据驱动的自适应深度Koopman线性模型,以解决与HDVs状态实时认知和预测相关的挑战。
混合交通系统的状态预测模型
为了使系统快速收敛到期望状态,同时满足系统状态和控制输入的约束,采用了预测控制框架。该框架假设在称为控制范围的指定区域内有一组可行的控制输入序列。基于预测模型,在预测范围内获得一系列预测状态。通过最小化参考状态和预测状态之间的误差,可以获得最优
数据集描述和评估指标
AdapKoopnet模型的性能在HighD数据集上进行了评估,该数据集是从德国高速公路收集的大规模自然车辆轨迹数据集。该数据集包含11.5小时的测量数据,涵盖了110,000辆车,总测量车辆距离为45,000公里,包括乘用车和卡车的轨迹。根据[37]中提出的标准提取了跟车轨迹数据集,包括十一个字段,如id等实验部分II:AdapKoopPC在混合交通系统中的应用
本节旨在全面评估所提出的AdapKoopPC在减轻混合交通流中交通振荡方面的有效性和优越性。具体来说,它涵盖了小规模实验和大规模实验。前者旨在比较基于AdapKoopPC和其他基准控制方法的混合交通系统中每辆车的时空演变轨迹;后者是验证AdapKoopPC的应用
结论
本研究解决了混合交通流中减轻交通振荡的基本挑战:即对HDV行为的高保真度非线性模型的需求与实时MPC所需的计算上可行的线性模型之间的内在冲突。为了解决这个问题,我们提出了一种基于Koopman算子理论的新框架,该框架成功地将建模复杂性与控制复杂性分离。我们提出的深度Koopman网络AdapKoopnet展示了其
CRediT作者贡献声明
刘浩:写作 – 审稿与编辑,撰写 – 原稿,可视化,验证,软件,方法论,调查,数据整理,概念化。郭彦勇:写作 – 审稿与编辑,撰写 – 原稿,软件,方法论,资金获取,概念化。刘攀:写作 – 审稿与编辑,调查,资金获取,概念化。郑楠:写作 – 审稿与编辑,软件,方法论,调查。王婷:写作 – 审稿与编辑,
利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系可能会影响本文报告的工作。
致谢
本研究得到了国家自然科学基金(编号:52232012, 52272343, 52131203)、中国留学基金委(编号:202506090183)、东南大学博士生创新能力提升计划(编号:CXJH_SEU 25178)和江苏省研究生研究与实践创新计划(编号:KYCX24_0452)的支持。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号