Core Concepts
異種の自律走行車プラトーンのための安定かつ安全な分散フィードバックコントローラを学習する手法を提案する。
Abstract
本研究では、自律走行車のプラトーニングのための安定かつ安全な分散フィードバックコントローラを学習する手法を提案している。プラトーニングは、高速道路での安全性と燃費効率の向上に寄与する技術である。従来の研究では、線形フィードバックコントローラや分散モデル予測制御(DMPC)などが分析されてきた。
本手法では、ニューラルネットワークを用いて、プラトーン全体の安定性を保証する分散コントローラを学習する。具体的には、ニューラルネットワークの安定性と安全性の証明手法を活用し、コントローラの学習と証明を同時に行う。また、車両の異種性を考慮するため、車両の縦方向の動特性をホモジニアスな二重積分系に変換する手法を提案している。
実験では、4台のF1Tenth自律走行車を用いたハードウェア実験と、100台の自律走行車のシミュレーション実験を行った。ハードウェア実験では、学習したコントローラがDMPCやリニアフィードバックコントローラと比較して良好な性能を示した。シミュレーション実験では、プラトーンサイズが大きくなっても、学習したコントローラがDMPCに迫る性能を発揮することを確認した。
Stats
自律走行車の縦方向の動特性は離散時間の二重積分系で表現できる。
車両間の相対位置と相対速度を入力とするフィードバックコントローラを学習する。
学習したコントローラは、4台のF1Tenth自律走行車を用いたハードウェア実験で良好な性能を示した。
100台の自律走行車のシミュレーション実験では、学習したコントローラがDMPCに迫る性能を発揮した。
Quotes
"Platooning of autonomous vehicles has the potential to increase safety and fuel efficiency on highways."
"Recent work in learning controllers, safety certificates, and stability certificates has opened the door for learning safe and reliable controllers for safety-critical systems."
"The difficulty in learning a stable decentralized controller for a multi-agent system where we need centralized performance guarantees arises from the fact that the computational complexity of verifying stability grows exponentially as the size of the system grows."