采矿中的并行驾驶：基于ACP的重型车辆预测与跟踪技术

《IEEE Transactions on Intelligent Vehicles》：Parallel Driving in Mining: ACP Based Prediction and Tracking of Heavy-Duty Vehicle

本文提出了一种车辆编队分布式随机模型预测控制方法，创新性地采用两体弹簧系统构建不确定动态模型，结合概率约束优化设计目标函数及状态反馈机制，推导出可实时计算的SMPC模型，并通过仿真验证了其在不同概率下的鲁棒性和安全性。

　　

摘要：

车辆编队因其能够提高交通容量和道路安全性而受到越来越多的关注。本文提出了一种创新的分布式随机模型预测控制（SMPC）方法，用于车辆编队系统，以提高车辆在不确定交通环境中的鲁棒性和安全性。特别是考虑到相邻车辆加速或减速行为的相似性以及弹簧系统的特性，我们首次使用双质量弹簧系统来构建编队系统的不确定动态模型。在存在具有已知分布属性（期望值、方差）的不确定扰动的情况下，我们提出了一个以期望值为形式的目标函数，并结合了概率机会约束。随后，相应地设计了一种状态反馈控制机制。在随机扰动的累积概率分布函数下，我们从理论上推导出了一个计算上可行的SMPC模型等效形式。最后，通过仿真实验验证了SMPC编队控制器的控制性能，并分析了在不同概率下的稳定性表现。实验结果表明，通过适当选择预测范围长度，该模型可以实时高效地求解，从而确保车辆编队的鲁棒性和安全性。

引言

由于快速的城市化和对移动性的更高需求，过去二十年来道路上的车辆数量显著增加。这一增长对交通系统的拥堵、安全协议、停车可用性和排放等方面产生了重大影响，因此需要学术界的关注和研究[1]、[2]。车辆编队因其能够优化道路空间和提高安全性而引起了广泛关注[3]、[4]、[5]。设计编队控制器的关键目标是协调并保持车辆之间的紧密编队，以确保提高安全性[6]、促进更流畅的交通流[7]以及保持一致的间距和速度[8]。控制器设计对于车辆编队至关重要。一个精心设计的控制器能够使车辆编队适应各种道路条件和环境，确保在多种情况下都能保持一致且高效的性能。因此，模型预测控制（MPC）已成为一种广泛采用的方法[9]、[10]。MPC是一种基于系统数学建模的控制方法，其核心原理在于预测系统的未来行为，并通过解决优化问题来生成最优的控制输入序列。