基于鲁棒正不变集的传感器故障区间估计.docx

"基于鲁棒正不变集的传感器故障区间估计" 本文主要讨论了自动驾驶交叉口控制（Autonomous Intersection Control, AIC）领域中的研究hotspot。随着自动驾驶技术的发展，自动驾驶车辆在交叉口的管控变得越来越重要。研究人员提出了各种AIC模型，旨在提高交叉口的通行能力和降低延误。 Dresner 等人提出了早期的AIC模型，基于先到先服务的交叉口控制策略（First come first served, FCFS），证明了模型的有效性。但是，Levin 等人指出，FCFS策略在过饱和、列队行驶等情况下，延误比信号控制更大。 为了解决这个问题，研究人员提出了各种优化算法和模型。例如，Li 等人基于安全驾驶模式，使用生成树（Spanning tree）模型，建立了4种算法规划自动驾驶车辆在交叉口区域的行车轨迹。Ahmane 等人使用Petri网对自动驾驶交叉口控制策略进行建模，并与FCFS策略进行了对比，验证了模型效益。 此外，一些研究人员还提出了分布式自动驾驶交叉口的自组织模型，使用博弈论（Game theory）方法研究交叉口管控问题。例如，Wu 等人使用蚁群算法对AIC问题进行优化，并借助机器人实物模型验证了算法的有效性。Li 等人使用了遗传算法搜寻控制模型的最优解。 在基于车队优化方面，Bashiri 等人提出了以自动驾驶车队为研究对象，考察车队中的车辆数、车队长度和车队等待时间，调节AIC系统的整体效益。Medina 等人提出了基于虚拟车队（Virtual platooning）的AIC方法，能将不同车道不同方向的车辆进行组队控制。 在基于冲突点优化方面，Lee 等人借助航空管制的思路，建立了使冲突距离最短的AIC模型，并设计了鲁棒算法处理系统失效的问题。Zhu 等人考虑车辆路径选择行为，使用线性规划模型对自动驾驶下的交叉口进行管控。Müller 等人使用混合整数线性规划模型，将自动驾驶交叉口管控问题转化为三个控制子问题。 此外，一些研究人员还提出了基于混合整数线性规划的自动驾驶交叉口控制模型，优化自动驾驶环境下交叉口的车辆到达时间和行驶车速。Belkhouche 等人基于冲突点分离的思路，使用拉格朗日函数求模型封闭解，提出了非集中式的AIC模型。 自动驾驶交叉口控制领域中的研究热点主要集中在优化AIC模型、提高交叉口的通行能力和降低延误等方面。研究人员提出了各种优化算法和模型，旨在提高自动驾驶交叉口管控的效率和安全性。 然而，在多车道情况下，自动驾驶车辆可以通过选择不同的进口车道或出口车道，规避冲突。He 等人提出了自动驾驶车辆在交叉口可以选择任意车道行驶，但仍基于鲁棒正不变集的传感器故障区间估计问题进行研究。