MARC

 008250123s2024        us                              c    eng  d
■001000017165080
■00520250211153121
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798346813644
■035    ▼a(MiAaPQ)AAI31762628
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a385
■1001  ▼aLong,  Keke.
■24512▼aA  Physics  Enhanced  Residual  Learning  (PERL)  Framework  for  Autonomous  Vehicle
■260    ▼a[Sl]▼bThe  University  of  Wisconsin  -  Madison▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a105  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-06,  Section:  B.
■500    ▼aAdvisor:  Li,  Xiaopeng  Shaw;Chen,  Sikai.
■5021  ▼aThesis  (Ph.D.)--The  University  of  Wisconsin  -  Madison,  2024.
■520    ▼aAutonomous  vehicles  (AV)  driving  in  mixed  traffic,  comprising  human-driven  vehicles  (HVs)  and  AVs,  is  notoriously  challenging,  underscored  by  complex  driving  environments  and  a  multitude  of  uncertainties.  Further,  the  AV  system  involves  complex  interactions  cascading  across  the  interconnected  modules  for  perception,  planning,  and  control.  An  error  in  the  higher  chain  of  these  interconnected  modules  can  propagate  downstream,  inducing  instability  in  vehicle  control.  Such  errors  can  also  cascade  through  following  vehicles  and  impact  traffic  dynamics  at  a  broader  level.  To  overcome  these  challenges,  we  propose  the  novel  Physics-Enhanced  Residual  Learning  (PERL)  framework  for  AV  operations  in  mixed  traffic.  PERL  comprises  two  components:  a  physics-based  model  and  residual  learning.  The  physics  model  provides  primary  outputs,  including  prediction  outputs  or  control  outputs,  and  then  its  residuals  are  learned  by  a  learning-based  approach  as  corrections  to  the  physics  model  to  enhance  the  results.This  dissertation  comprises  three  major  research  thrusts:  (1)  Development  of  PERL  frameworks  for  vehicle  trajectory  prediction  (2)  Validate  the  contribution  of  PERL-based  prediction  in  AV  control,  and  (3)  Development  of  Physics-Enhanced  Residual  Policy  Learning  (PERPL)  framework  for  vehicle  control.The  first  part  proposed  the  PERL  framework  and  applied  it  to  a  vehicle  trajectory  prediction  problem  with  real-world  trajectory  data  of  both  HV  and  AV,  using  an  adapted  Newell  car-following  model  as  the  physics  model,  and  four  kinds  of  neural  networks  (GRU,  Convolution  Long  Short-Term  Memory  (CLSTM),  VAE  and  Informer  model)  as  the  residual  learning  model.  We  compare  this  PERL  model  with  pure  physics  models,  NN  models,  and  other  physics-informed  neural  network  (PINN)  models.  The  result  reveals  that  the  PERL  model  yields  the  best  prediction  with  limited  training  data  and  it  has  fast  convergence  during  training.  Moreover,  the  PERL  model  requires  fewer  parameters  to  achieve  similar  predictive  performance  compared  to  NN  and  PINN  models. The  second  part  proposes  a  PERL-based  vehicle  control  method  to  mitigate  traffic  oscillation  in  the  mixed  traffic  environment  of  connected  and  autonomous  vehicles  (CAVs)  and  HVs.  This  model  includes  the  PERL  prediction  model  and  a  controller.  The  PERL-based  prediction  model  precisely  predicts  the  behavior  of  the  preceding  vehicle,  especially  downstream  speed  fluctuations,  to  allow  sufficient  time for  the  driver  to  respond  to  these  speed  fluctuations.  For  the  controller,  we  employ  a  Model  Predictive  Control  (MPC)  model  that  considers  the  dynamics  of  the  CAV  and  its  following  vehicles,  improving  safety  and  comfort  for  the  platoon  formed  including  the  CAV  and  following  vehicles.  The  proposed  model  is  validated  through  a  Vehicle-in-the-loop  (ViL)  field  test.  Results  validate  the  proposed  method  in  damping  traffic  oscillation  and  enhancing  the  safety  and  fuel  efficiency  of  the  CAV  and  the  following  vehicles  in  mixed  traffic  with  the  presence  of  uncertain  vehicle  dynamics  and  actuator  lag. The  third  part  proposes  the  Physics-Enhanced  Residual  Policy  Learning  (PERPL)  framework  for  vehicle  control,  leveraging  the  advantages  of  both  physics-based  models  (data-efficient  and  interpretable)  and  RL  methods  (flexible  to  multiple  objectives  and  fast  computing).  The  physics  component  provides  model  interpretability  and  stability  and  the  learning-based  Residual  Policy  adjusts  the  physics-based  policy  to  adapt  to  the  changing  environment,  thereby  refining  the  decisions  of  the  physics  model.  This  model  is  applied  in  decentralized  control  of  a  mixed  traffic  platoon  of  CAVs  and  HVs  using  a  constant  time  gap  (CTG)  strategy,  with  actuator  lag  and  communication  delays.  Experimental  results  demonstrate  that  this  model  has  high  extrapolation  ability,  achieving  smaller  headway  errors  and  better  oscillation  dampening  than  the  linear  control  model  and  reinforcement  learning  (RL)  model  in  artificial  extreme  scenarios.  At  the  macroscopic  level,  overall  traffic  oscillations  are  also  reduced  as  the  penetration  rate  of  CAVs  employing  the  PERPL-based  controller  increases.
■590    ▼aSchool  code:  0262.
■650  4▼aTransportation
■650  4▼aComputer  engineering
■650  4▼aAutomotive  engineering
■650  4▼aMechanical  engineering
■653    ▼aAutomated  vehicles
■653    ▼aConnected  vehicles
■653    ▼aDeep  reinforcement  learning
■653    ▼aPhysics-informed  neural  network
■653    ▼aVehicle  control
■653    ▼aVehicle  trajectory  prediction
■653    ▼aVehicle  trajectory  planning
■690    ▼a0709
■690    ▼a0464
■690    ▼a0548
■690    ▼a0540
■71020▼aThe  University  of  Wisconsin  -  Madison▼bCivil  &  Environmental  Engr.
■7730  ▼tDissertations  Abstracts  International▼g86-06B.
■790    ▼a0262
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17165080▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books