Achieving Reliable Coordination of Residential Plug-in Electric Vehicle Charging: A Pilot Study
运输部门的大规模电气化将需要仔细规划和与电网协调。电动汽车（EV）在渗透率提高的情况下不受管理，不协调的充电将放大现有的峰值负荷，可能超过电网可靠满足需求的能力。在本文中，我们报告了OptimizEV项目的研究结果-这是一项在纽约州北部进行的真实试点研究，旨在探索一种协调住宅电动汽车充电的新方法。拟议的协调机制旨在利用电动汽车充电的潜在灵活性，为电动汽车车主提供货币激励，以延迟电动汽车充电所需的时间。每次电动汽车车主启动充电会话时，他们都要通过从最后期限菜单中选择来指定他们打算让车辆插上多长时间，这些最后期限菜单提供更低的电价，他们愿意推迟充电所需的时间。给定主动充电请求的集合，智能充电系统实时动态优化每个EV的电力消耗，以最大限度地减少电网压力，同时确保每个客户的汽车在截止日期前充满电。在建议的激励机制下，我们发现客户经常愿意参与优化的充电会话，允许系统延迟完成他们的充电请求平均超过8小时。利用客户提供的灵活性，智能充电系统被证明在将大多数电动汽车充电负载转移到非高峰以填补总负载曲线的夜间低谷方面非常有效。客户选择率在研究期间保持稳定，提供了支持拟议协调机制的经验证据，作为潜在可行的“非有线替代方案”，以满足对电力驱动的电动汽车采用的需求增长。
2023-02-17 cs.SY eess.SY
Consensus in Multi-Agent Systems with Uniform and Nonuniform Communication Delays
Université de Sherbrooke（舍布鲁克大学）
本文研究多智能体系统在统一和非统一通信延迟下的共识收敛问题，通过Rouché定理和Lyapunov稳定性分析提出新收敛结果，验证了延迟分布决定的加权平均稳态值，并通过仿真和机器人实验展示了算法在实际通信约束下的鲁棒性和应用性。
2026-03-17 cs.SY eess.SY
Approximate Dynamic Programming for Platoon Coordination under Hours-of-Service Regulations
卡车司机需要根据驾驶和休息时间规定（也称为服务时间（HoS）规定）定期停车和休息。本文研究的问题时，考虑现实的HOS规则的最佳形成排。在我们的问题中，卡车在运输网络中有固定的路线，可以在沿着路线的枢纽等待，与其他人形成队列，同时满足驾驶和休息时间的限制。我们提出了一个分布式的决策方案，每个卡车控制其等待时间在枢纽的基础上预测的时间表。通过对车队决策的解耦，提出了一种近似动态规划方法求解HoS规则下的车队协调问题。最后，我们进行了模拟瑞典的道路网络与1000辆卡车，以评估在欧盟（EU）的HoS法规下实现的排队效益。仿真结果表明，平均而言，卡车在队列中行驶的37%的路线，如果每辆卡车被允许延迟的5%，其总的旅行时间。如果不允许卡车延误，他们会在12%的路线上排成一排行驶。
2022-08-19 cs.SY eess.SY
Compositional design for time-varying and nonlinear coordination
本文提出一种组合控制框架，通过串联稳定的一阶一致性算子生成高阶一致性协议，使其继承部件稳定性，并应用于车辆编队控制中的时变权重、时变延迟和饱和输入场景，仿真验证了其优势。
2025-04-09 cs.SY eess.SY math.OC
Adaptive Coordination Offsets for Signalized Arterial Intersections using Deep Reinforcement Learning
城市交通干线网络中交叉口的协调对城市交通系统的性能至关重要。深度强化学习（RL）在交通控制研究中获得了牵引力，以及交通控制系统的数据驱动方法。迄今为止，提出的基于深度RL的业务方案控制相位激活或持续时间。然而，此类方法可能会在几个周期内绕过低容量链路，以优化网络级流量。在这里，我们提出了一个深度RL框架，该框架可以根据交通状态动态调整偏移量，并保留从基于模型的方法中获得的计划相位定时和顺序。该框架使我们能够改善动脉协调，同时保持相位顺序和时间可预测性。使用经过验证和校准的交通模型，我们训练了深度RL代理的策略，旨在减少网络中的旅行延迟。我们评估了由此产生的政策，通过比较其性能对沿亨廷顿驱动器在阿卡迪亚市的一段部署的相位偏移。由此产生的政策动态地重新调整相位偏移以响应交通需求的变化。仿真结果表明，所提出的深度RL代理的平均性能优于基线，当偏移量以15分钟为间隔进行调整时，在上午场景中有效地减少了13.21%的延迟时间，在中午场景中减少了2.42%，在下午场景中减少了6.2%。最后，我们还展示了我们的代理的鲁棒性，极端的交通条件下，如需求激增，在非高峰时间和本地化的交通事件
2022-08-29 cs.SY eess.SY
Control coordination between DFIG-based wind turbines and synchronous generators for optimal primary frequency response
提出了一种基于双馈感应发电机（DFIG）的同步发电机（SG）与风力发电机（WT）协调机制，以增强一次调频能力。特别是如果风电渗透率持续增加，则敦促WT参与频率调节。WT控制支持是可能的，但由于WT缺乏能量存储，它是短暂的。该缺点可导致来自SG的调速器的进一步延迟响应或在WT支持结束时的进一步频率衰减。拟议的协调工作试图解决这一问题。采用人工神经网络（ANN）获得最佳协调信号，以改善频率响应。作为概念验证，建议的协调测试9总线测试系统，其中包括一个风力发电场与5瓦特。仿真结果表明，该方法使系统的频率最低点降低了约22%，系统频率变化率（RoCoF）降低了约29.5%。需要进一步的工作来验证这一概念在大规模系统，但迄今为止的发展和取得的成果是有希望加强电力系统。
2020-09-16 cs.SY eess.SY
A Theory of Information Architecture for Networked Decisions: Freshness, Locality, and Coordination
University of Southern California（南加州大学）
本文针对网络化多智能体决策，提出信息架构理论，权衡信息新鲜度与范围，推导闭式阈值及最优邻域半径，揭示性能取决于最优决策的可预测性。
2026-09-09 cs.NI cs.SY eess.SY
Robust self-triggered coordination with ternary controllers
University of Groningen（格罗宁根大学）；Sapienza Università di Roma（罗马第一大学）；Politecnico di Torino（都灵理工大学）
本文在混合动力系统框架下，结合三元控制器与自触发通信策略设计协调方案，证明有限时间收敛到一致状态邻域，并研究对时钟偏差、延迟和通信精度的鲁棒性，同时提出时变控制器和自触发“闲聊”协调两种变体。
2012-05-31 cs.SY eess.SY math.OC
Automatic Generation of Communication Requirements for Enforcing Multi-Agent Safety
UC Berkeley（加州大学伯克利分校）；Toyota InfoTechnology Center, U.S.A.（丰田信息技术中心（美国））
本文研究多智能体系统中通信需求的自动生成，提出无需协调的可控前驱运算符以确定安全约束下的自主行为，展示连接延迟上限和自触发协调方案的应用。
2018-04-12 cs.MA cs.SY eess.SY
Efficient Coordination and Synchronization of Multi-Robot Systems Under Recurring Linear Temporal Logic
Department of Information Engineering, University of Padova（帕多瓦大学信息工程系）；Division of Decision and Control Systems, School of Electrical Engineering and Computer Science, KTH Royal Institute of Technology（皇家理工学院电气工程与计算机科学学院决策与控制系统系）
提出一种结合离线计划综合与在线协调的底层方法，通过实时通信动态调整计划，并引入同步机制处理动作延迟，实现多机器人系统的可扩展协调与同步框架。
2026-06-05 cs.RO cs.SY eess.SY
Variable-Impedance Muscle Coordination under Slow-Rate Control Frequencies and Limited Observation Conditions Evaluated through Legged Locomotion
Department of Brain Robot Interface, ATR Computational Neuroscience Laboratories（脑机器人接口系，ATR计算神经科学实验室）；Kyoto University Graduate school of informatics（京都大学信息学研究生院）
本研究通过单腿运动任务，评估了可变阻抗肌肉协调在低控制频率和有限观测条件下的运动稳定性，展示了其对高层神经网络学习过程的促进作用。
2025-12-03 cs.RO cs.SY eess.SY
Safe Control of Multi-Agent Systems with Minimal Communication
University of Michigan, Ann Arbor（密歇根大学安娜堡分校）；University of Washington, Seattle（华盛顿大学西雅图分校）
本文提出了一种多智能体系统中最小化通信的控制器设计方法，通过秩最小化问题和系统级合成实现安全性和协调性的保障。
2025-12-24 cs.SY eess.SY
Jumping Fluid Models and Delay Stability of Max-Weight Dynamics under Heavy-Tailed Traffic
我们说一个随机变量是$light$ - $tailed$，如果对于某个$ε>0$，$2+ε$阶矩是有限的;否则，我们说它是$heavy$ - $tailed$。我们研究了在最大权重调度策略下运行的排队网络，对于一些队列接收重尾流量和一些接收轻尾流量的情况。具有轻尾到达的队列通常是延迟稳定的（即，期望的队列大小随时间一致地有界），但也可能由于与接收重尾到达的其他队列共享资源而变得延迟不稳定。在这种情况下，对于任何给定的“尾指数”的输入流量，我们开发了一个必要和充分条件下，队列是鲁棒延迟稳定的，在$jumping$ $fluid$模型-传统的流体模型的扩展，允许跳跃沿坐标与重尾流。我们的研究结果阐明了精确的机制，导致延迟不稳定，通过协调多个异常大的到达可能在不同的时间和队列，并解决了一个较早的开放问题的充分性，一个特定的流体为基础的标准。最后，我们探讨了李雅普诺夫函数在时滞稳定性研究中的作用。
2023-02-24 cs.SY eess.SY math.PR
Synchronous-Clock Range-Angle Relative Acoustic Navigation: A Unified Approach to Multi-AUV Localization, Command, Control and Coordination
Woods Hole Oceanographic Institution（伍兹霍尔海洋研究所）；Massachusetts Institute of Technology（麻省理工学院）
针对多自主水下航行器（AUV）的统一指挥、控制和协调问题，提出了一种可扩展的水声导航方法。现有的多AUV操作通常通过经由无线电通信在表面上对各个车辆进行编程来手动实现协调，这对于大量车辆变得不切实际;或者它们需要双向车辆间声学通信以在浸没时实现有限的协调，由于声学通道的物理特性而具有有限的可扩展性。我们的方法利用一个单一的，无线电广播信标作为一组AUV的导航参考，每个AUV都携带一个芯片级原子钟（CSAC）和固定的超短基线（USBL）阵列的声学接收器。来自同步时钟的单向行进时间（OWTT）和由每个阵列元件接收的信号之间的时间延迟允许接收距离内的任何数量的车辆确定范围、角度，并且因此确定它们相对于信标的相对位置。操作员可以通过从预定集合中的广播信号之间进行选择来命令不同的车辆行为，同时通过在组的上下文内定义单个车辆行为来实现AUV之间的协调，而无需车辆间通信。车辆行为设计在一个信标为中心的移动参考系，允许操作员控制的绝对位置的AUV组重新定位导航信标调查的兴趣区。多个部署与三个微型，低成本的SandShark AUV舰队进行闭环声学导航实时提供实验结果验证对二次长基线（LBL）定位系统，展示了我们的方法与真实世界的数据的能力和鲁棒性。
2021-10-26 cs.RO cs.SY eess.SY
Multi-Agent Distributed Coordination Control: Developments and Directions
College of Mechantronic Engineering and Automation, National University of Defense Technology（国防科技大学机电工程与自动化学院）；Research School of Engineering, the Australian National University（澳大利亚国立大学工程学院研究学院）
本文综述了分布式协调控制的发展，重点讨论了共识与编队控制，结合图论分析，并简要回顾了 rendezvous/alignment、swarming/flocking 和 containment control 等相关问题，最后探讨了实际应用中的研究方向。
2015-05-11 cs.MA cs.SY eess.SY
Asynchronous Distributed Bandit Submodular Maximization under Heterogeneous Communication Delays
Department of Aerospace Engineering, University of Michigan（密歇根大学航空航天工程系）
本文研究了在异构通信延迟下异步分布式多智能体带宽子模最大化问题，提出了一种异步协调算法，证明了其在通信延迟和时钟偏差下的近似保证。
2026-08-14 cs.MA cs.SY eess.SY
A Two-layer Decentralized Control Architecture for DER Coordination
Stanford University（斯坦福大学）
本文提出了一种双层分布式能源资源协调架构，该架构允许数据独立所有，能够在存在大缓冲延迟的数据下运行，并采用新的功率质量度量标准。该架构由一个集中式模型预测控制器（MPC）和多个独立运行的去中心化MPC组成，这些控制器之间没有直接通信，且与集中式控制器通信频繁。目标是通过最小化总能源成本和功率质量度量，同时遵守网络物理约束。集中式控制器使用快速交流最优功率流（OPF）求解器和广泛并行化来扩展解决方案以适应大规模网络。每个本地控制器试图最大化套利利润，同时遵循由集中式控制器规定的负载曲线和约束。进行了大量模拟，以在两种配电网络下测试各种可能的存储和太阳能渗透率情况。模拟结果表明，（i）双层架构相比无协调可实现功率质量的十倍提升，同时在中等存储渗透率下几乎捕获所有可用套利利润；（ii）当太阳能和存储更广泛分布在网络中时，功率质量和套利利润均被优化，因此更有效将存储安装在消费者附近。
2018-11-01 cs.SY eess.SP eess.SY
Dynamic Queue-Jump Lane for Emergency Vehicles under Partially Connected Settings: A Multi-Agent Deep Reinforcement Learning Approach
New York University（纽约大学）
应急车辆（EMV）服务是城市的一项重要功能，由于城市交通拥堵，因此极具挑战性。EMV服务延迟的主要原因是阻塞EMV的车辆之间缺乏沟通和合作。本文研究了V2X连接下EMV服务的改进。我们考虑在存在非互联人类驾驶车辆的情况下，基于互联车辆的实时协调来建立动态队列跳转车道（DQJL）。我们开发了一种新的马尔可夫决策过程制定的DQJL协调策略，明确占的不确定性的驱动程序的屈服模式接近EMV。基于代表代理车辆的演员和评论家的神经网络对，我们开发了一种多代理演员-评论家深度强化学习算法，该算法可以处理交通中不同数量的车辆和随机比例的连接车辆。通过间接和直接的强化学习接近最佳协调策略，我们提出了两个方案来解决多智能体强化学习在这个连接的车辆应用。这两种方法都得到了验证，在微观仿真测试平台SUMO，建立一个DQJL快速，安全。验证结果表明，与DQJL协调策略，它节省了高达30%的时间EMV通过链路级智能城市道路比基线方案。
2021-01-15 cs.AI cs.SY eess.SY
A Holistic Robust Motion Controller Framework for Autonomous Platooning
安全性是自主编队的首要考虑因素。车对车（V2V）通信延迟和障碍物的突然出现将触发自主编队的预期功能安全（SOTIF）问题。本研究提出一个整体的鲁棒运动控制器框架（MCF）的智能和连接的车队系统。该控制器采用分层结构，解决了复杂驾驶环境和时变通信时延下的纵向稳定性和横向控制问题。首先，在上层协调层（UCL）中设计H ∞反馈控制器，以保证队列在时变通信时延下的鲁棒性。UCL的输出将作为参考信号传递到较低级别的运动规划层（LML）。其次，将模型预测控制（MPC）算法应用于LML中，综合考虑参考信号、人工势场和多个车辆动力学约束，实现多目标控制。此外，三个关键的情况下，共同模拟的案例研究，包括随时间变化的通信延迟下的队列，合并，避障的情况下。仿真结果表明，与单结构MPC相比，所提出的MCF能更好地抑制位置误差的传播，并分别在$19.2\%$、$59.8\%$和$15.3\%$三种情况下对最大位置误差均有改善。最后，通过半实物仿真实验验证了所提出的MCF的实用性和有效性。该方法在Speedgoat实时目标机上的平均传导时间为1.1毫秒，满足实时性要求。
2022-06-10 cs.SY eess.SY
V2I Connectivity-Based Dynamic Queue-Jump Lane for Emergency Vehicles: A Deep Reinforcement Learning Approach
New York University Tandon School of Engineering（纽约大学坦登工程学院）；C2SMART University Transportation Center（C2SMART大学交通中心）
应急车辆（EMV）服务是城市的一项重要功能，由于城市交通拥堵，因此极具挑战性。EMV服务延迟背后的一个主要原因是阻塞EMV的车辆之间缺乏沟通和合作。本文研究了V2 I连接下EMV业务的改进。我们认为，建立动态队列跳转车道（DQJLs）的基础上实时协调连接的车辆。我们开发了一种新的马尔可夫决策过程制定的DQJL问题，明确占接近EMV的司机的反应的不确定性。我们提出了一种基于深度神经网络的强化学习算法，可以有效地计算最优协调指令。我们还验证了我们的方法在微观仿真试验台上使用模拟城市交通（SUMO）。验证结果表明，与我们提出的方法，集中控制系统节省了约15%的EMV通过时间比基准系统。
2021-05-29 cs.AI cs.LG cs.SY
When Agents Meet Electric Bus Fleet Operations: Pricing Behavior, Trade-offs, and Policy Implications in an Aggregator Framework
Department of Civil Engineering, McGill University（麦吉尔大学土木工程系）；INESC Coimbra, University of Coimbra（科英布拉大学INESC Coimbra研究所）
提出一种智能体聚合框架，将优化调度模型与监督智能体结合，协调电动公交车队的充电、V2G及运营决策，揭示利润导向定价可能损害公交运营商利益，需透明协调与价值共享规则。
2026-06-26 cs.AI cs.SY eess.SY
Multi-hop Upstream Anticipatory Traffic Signal Control with Deep Reinforcement Learning
University of Toronto（多伦多大学）
针对现有交通信号控制方法短视、学习复杂度高的问题，提出基于马尔可夫链的多跳上游压力概念，结合深度强化学习实现具备更广空间感知的信号控制，仿真验证可显著降低路网整体延误。
2025-01-16 cs.AI cs.LG cs.SY
