Synchronization of heterogeneous agents for cooperative cruise Control through game theory

Abstract

This project shows the development of a distributed control strategy for a cooperative network of autonomous vehicles in the context of cooperative cruise control. The development is shown from the perspective of distributed control addressed as an adaptive and a predictive control strategies, in conjunction with a real-time hardware emulation. The adaptive control worked through a reference model, allows the online adjustment of parameters defined in the controller for the synchronization of desired dynamics. On the other side, the predictive control seen as a Model Predictive Control focuses on solving an optimization problem, where a cost function is defined and an algorithm based on game theory is presented, which minimizes the disturbances and tracking errors of each vehicle. This algorithm allows distributed optimization together with a predictive control law for the action of each networked vehicle considering the disturbances in its environment and input. The objective of the control is to achieve a follow-up based on the model proposed by a reference and that this error tends asymptotically to zero. To achieve this synchronization, each vehicle must replicate the position and speed dynamics of the reference model under the Cooperative Cruise Control methodology, in an initial case tested with six agents modeled through a digraph, a reference for simulation, and four agents for emulation.

The implementation is done in real-time hardware modules for the validation of the algorithms developed considering the hardware's own restrictions. The implementation is done through the emulation of dynamic systems and the interaction with implemented control logic. This is summarized in an iterative process that includes the solution of an optimization problem through high-level instructions, which allows to find values minimum in convex spaces to fulfilling a Nash equilibrium.

This framework allows a network of vehicles to have a better behavior along a highway and improve traffic conditions, even in the presence of uncertainty or disturbance parameters (such as non-modeled dynamics or unconnected agents). The operation of these algorithms is presented in non-trivial simulations on Matlab®, to observe the response of each agent and lead to its emulation in National Instruments CompactRio real-time hardware.

Este proyecto muestra el desarrollo de una estrategia de control distribuido para una red cooperativa de vehículos autónomos en el contexto del control de crucero cooperativo. El desarrollo se muestra desde la perspectiva de control distribuido abordado como una estrategia de control adaptativo y una estrategia de control predictivo, en conjunto con una emulación en hardware en tiempo real. El control adaptativo trabajado a través de un modelo de referencia, permite el ajuste en linea de parametros definidos en el controlador para la sincronización de dinámicas deseadas. Por otro lado, el control predictivo visto como un Model Predictive Control se centra en la solución de un problema de optimización, en donde se define una función de costo y se presenta un algoritmo basado en teoría de juegos, que minimiza las perturbaciones y errores de seguimiento de cada vehículo. Este algoritmo permite la optimización distribuida junto con una ley de control predictivo para la acción de cada vehículo en red considerando las perturbaciones en su entorno y entrada. El objetivo del control es lograr un seguimiento basado en el modelo propuesto por una referencia y que este error llegue asintóticamente a cero. Para lograr esta sincronización, cada vehículo debe replicar la posición y la dinámica de la velocidad de un modelo de referencia bajo la metodología Cooperative Cruise Control, en un caso inicial probado con seis agentes modelados a través de un dígrafo, una referencia para simulación, y cuatro agentes para emulación.

La implementación se realiza en módulos de hardware en tiempo real para la validación de los algoritmos desarrollados teniendo en cuenta las restricciones propias del hardware. La implementación se realiza mediante la emulación de sistemas dinámicos y su interacción con la lógica de control implementada. Esta lógica se resume en un proceso iterativo que incluye la solución de un problema de optimización mediante instrucciones de alto nivel, la cual permite encontrar valores mínimos en espacios convexos cumpliendo a su vez un equilibrio de Nash.

Este marco de trabajo permite a una red de vehículos tener un mejor comportamiento a lo largo de una autopista y mejorar condiciones de trafico, incluso en presencia de parámetros de incertidumbre o perturbación (como dinámicas no modeladas o agentes no conectados). El funcionamiento de estos algoritmos es presentado en simulaciones no triviales en Matlab buscando observar la respuesta de cada agente para llevar a su emulación en hardware en tiempo real mediante el uso de los módulos de National Instruments CompactRio