基于高斯混合模型的自主车辆车队在不确定接入场景下的风险感知模型预测控制

《Chaos, Solitons & Fractals》：Risk-aware model predictive control for autonomous vehicle platoons under uncertain cut-in scenarios based on Gaussian mixture models

自动驾驶编队混合交通中的不确定切入行为建模与风险感知控制研究，提出基于高斯混合模型（GMM）的概率风险评估框架与交替方向乘数法（ADMM）协同控制策略，通过仿真验证在40-60 km/h速度下显著优于传统MPC和LQR控制器的轨迹跟踪精度与安全性。

　　

周丹|梁志勤|傅一鑫|卢明茹|王涛|徐琦|李文勇|杨虎

桂林电子科技大学建筑与交通工程学院，智能交通系统（ITS）重点实验室，中国桂林，541004

摘要

本研究探讨了在混合交通环境中运行的连接和自动化车辆（CAV）车队与人工驾驶车辆（HDVs）之间面临的安全挑战。在异构交通场景中，HDVs可能由于变道或超车操作突然切入CAV车队，这会破坏车队的稳定性并引发连锁制动反应，从而降低交通效率和乘坐舒适性。为了解决HDV切入行为带来的不确定性和风险，本文提出了一种基于高斯混合模型（GMMs）的风险感知模型预测控制（MPC）框架，并结合交替方向乘子法（ADMM）实现多车辆协同控制。首先，使用GMMs对HDVs的不确定运动（包括位置和速度变化）进行概率建模，以捕捉切入行为的多模态特性。然后，将基于GMM的风险指标以软约束惩罚的形式纳入MPC目标函数中，从而在统计上引导控制器远离高风险操作区域。最后，利用ADMM实现领头车辆与后续车辆之间的分布式速度协调，从而提升车队的整体协同性能。通过集成PreScan、CarSim和MATLAB/Simulink的联合仿真平台获得的仿真结果表明，在车队速度分别为40 km/h、50 km/h和60 km/h的情况下，所提出的方法在保持横向间距、轨迹跟踪精度和加速度平滑性方面优于传统的MPC和LQR控制器，在存在不确定切入干扰的情况下表现出更强的鲁棒性和安全性。

引言

随着自动驾驶技术和车辆网络系统的快速发展，现实世界的道路环境逐渐演变为由人工驾驶车辆（HDVs）和连接及自动化车辆（CAVs）组成的混合交通系统[1]。在这种背景下，传统的自适应巡航控制（ACC）系统主要依赖于雷达和摄像头等车载传感器，但在复杂交通场景中往往缺乏足够的环境先验信息，这可能导致响应延迟和安全裕度不足[2]。为了提高混合交通环境中车辆车队的运行效率和乘坐舒适性，提出了协同自适应巡航控制（CACC），该控制利用车对车（V2V）和车对基础设施（V2I）通信实现车队级协同控制，从而显著提升交通流量和系统稳定性[3]、[4]。此外，现有研究表明，在混合交通条件下，车队中CAVs和HDVs的空间配置对能源效率和交通效率有显著影响，且不同配置下的系统性能存在显著差异[5]。在车辆控制研究中，已经验证了多种控制策略，包括比例-积分-微分（PID）控制[6]、滑模控制[7]、最优控制[8]和模型预测控制（MPC）[9]、[10]、[11]，这些策略在车辆动态或运动学建模框架内用于轨迹跟踪和车辆间距调节。作为自动驾驶系统的核心模块之一，路径跟踪控制的准确性直接决定了驾驶安全性和乘坐舒适性[12]、[13]。Chen等人系统地回顾了该领域的最新进展，涵盖了感知、规划、控制和系统架构等多个方面[14]、[15]、[16]。除了上述方法外，线性二次调节器（LQR）也被广泛应用于路径跟踪问题[17]。然而，这些传统控制方法主要旨在最小化跟踪误差，通常没有明确将潜在的碰撞风险或交互不确定性纳入控制目标。因此，在复杂交通场景中，它们往往无法在安全性和跟踪性能之间实现有效的平衡。为了解决高速混合交通巡航中的系统级安全问题，一些研究尝试构建集成行为决策、路径规划和运动控制的统一框架，并通过强化学习和逆强化学习技术进一步提升安全感知决策能力[18]。

为了在不确定环境中建模安全约束，随机约束作为一种概率风险感知方法被广泛引入到自动驾驶控制框架中[19]。通过要求安全约束以预定义的置信水平得到满足，随机约束允许在约束违反的概率较低的情况下进行操作，从而避免了基于最坏情况假设的过于保守的设计。与传统鲁棒控制方法相比，这种方法显著提高了系统的灵活性和运行效率，同时保持了安全保障[20]。然而，大多数现有的随机约束方法假设环境不确定性遵循单一的高斯分布，而这种假设在现实交通环境中常常不成立。实际上，周围车辆和行人的运动意图表现出强烈的多模态特性；例如，车辆可能保持当前车道、变道、减速或执行转弯操作。单一高斯模型无法捕捉这种复杂的分布，可能导致风险估计不准确甚至安全失败[21]、[22]。为了解决这个问题，条件风险价值（CVaR）等风险度量被引入到轨迹规划和控制中，以提高风险敏感性[23]。对于多模态轨迹建模，高斯混合模型（GMMs）因其强大的复杂概率分布逼近能力而被广泛采用，并已用于描述多智能体系统中的不确定运动行为[24]、[25]、[26]。通过将不确定性表示为多个高斯分量的加权叠加，GMMs为风险评估提供了更具表现力的概率基础。

近年来，越来越多的研究致力于将GMMs纳入随机约束MPC框架中，以开发风险感知控制策略。然而，大多数现有研究主要在感知或预测层使用GMMs，而控制层仍使用简化的概率模型。这种预测和控制之间的建模不一致性可能会降低闭环性能[27]。此外，在GMMs引起的混合分布下，随机约束往往变得高度非线性和非凸，导致计算复杂性显著增加，挑战了实时实现[28]。一些方法通过用等效的单一无高斯分布近似混合分布来减轻计算负担，但这不可避免地牺牲了多模态风险信息，可能在复杂交互场景中导致风险低估[29]。受这些挑战的启发，本文专注于混合交通流中自动驾驶车辆的路径跟踪控制，并提出了一种基于GMM的风险感知模型预测控制方法。具体来说，使用GMMs对HDVs的不确定行为进行概率建模，并将混合分布下的风险特性明确嵌入到MPC框架中。通过构建基于风险的软惩罚项并将其纳入成本函数，所提出的方法能够预测和抑制未来的位置和速度风险。与仅依赖车载传感器的传统反应式策略相比，该方法主动避免了预测范围内的高风险状态，从而提高了动态和不确定交通环境中车辆车队的安全性和稳定性。

本文的其余部分组织如下。第2节详细描述了研究问题并介绍了本研究采用的理论假设。第3节开发了车队场景中车辆的系统建模，同时考虑了纵向和横向动态。第4节首先使用高斯混合模型（GMMs）预测执行切入操作的人工驾驶车辆（HDVs）的位置和速度。基于此预测，构建了一种风险感知模型预测控制（MPC）方案，通过风险度量驱动的软约束实现受影响连接和自动化车辆（CAVs）的安全控制。此外，使用交替方向乘子法（ADMM）协调受切入干扰影响的下游跟随CAVs的速度。第5节通过仿真验证了所提出的基于GMM的风险感知MPC方法的有效性，并提供了与传统MPC和线性二次调节器（LQR）控制器的性能和跟踪误差分析对比。最后，第6节总结了本文。

部分摘录

问题描述

本研究的重点是自动驾驶车辆在车队场景中的运行，其中参与的连接和自动化车辆（CAVs）配备了协同自适应巡航控制（CACC）系统。为了便于设计和分析所提出的控制框架，对上游数据采集和处理做出了一些理想化假设。具体来说，假设人工驾驶车辆（HDVs）的车辆参数和运动信息可以

系统建模和动态

关于系统建模，运动学模型通常仅限于低速和简单驾驶条件，因为它们忽略了轮胎侧向滑动效应，因此无法捕捉更复杂操作下的关键车辆动态。为了解决这一限制，本研究采用了一种动态车辆建模方法，该方法更适合复杂驾驶场景和中高速运行条件。

控制器设计

为了描述人工驾驶车辆（HDVs）在切入操作期间的不确定性（关于预测位置和速度）和多模态行为（变道过程中的潜在加速度、恒定速度或减速状态），使用高斯混合模型（GMM）来建模这种不确定性的潜在分布。

仿真实验设计

在本节中，进行了仿真实验以评估所提出的风险感知MPC方案的性能。所有仿真实验都在配备AMD Ryzen 5 4600H处理器（运行频率为3.0 GHz）和NVIDIA GTX 1650 Ti显卡的笔记本电脑上进行。通过集成PreScan 8.5.0、CarSim 2019.0和MATLAB/Simulink R2022a建立了联合仿真平台。

仿真场景描述如下：道路环境由一个城市单向三车道组成

结论

本研究基于高斯混合模型（GMMs）开发了一种风险感知模型预测控制（MPC）框架，用于表征人工驾驶车辆（HDV）行为的不确定性，并通过交替方向乘子法（ADMM）实现了车辆车队的分布式速度协调策略。针对恒速巡航场景下HDV切入操作引起的不确定交互问题，所提出的方法解决了

CRediT作者贡献声明

周丹：研究、概念化。梁志勤：数据整理、概念化。傅一鑫：资金获取。卢明茹：资金获取。王涛：数据整理。徐琦：方法论。李文勇：形式分析。杨虎：方法论。

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影响本文报告的工作。

致谢

作者衷心感谢中国国家自然科学基金（NSFC）对这项研究的资助。具体来说，项目编号为52462048、52262047、2024GXNSFAA010278，以及Gui KeAD25069109和Gui Ke AB23075160。没有他们的慷慨资助和支持，这项研究是不可能完成的。