Enforcing Cooperative Safety for Reinforcement Learning-based Mixed-Autonomy Platoon Control
针对混合自主队列控制中MARL缺乏理论安全保证、未探索协同安全及假设不切实际的问题，提出一种集成协同CBF、可微QP层和保形预测模块的安全MARL框架，有效提升了系统级安全性。
2024-11-15 cs.SY eess.SY
Traffic Control in a Mixed Autonomy Scenario at Urban Intersections: An Optimization-based Framework
我们考虑一个交叉区，其中自动驾驶汽车（AV）和人类驾驶的车辆（HDV）可以存在。当新的车辆到达时，交通控制器需要决定并施加将离开交叉口区域的车辆的最佳顺序。交通控制器可以发送关于AV可以穿过十字路口的时间的信息;然而，交通控制器不能与HDV通信，而只能使用交通灯来控制HDV。我们制定的问题作为一个整数约束的非线性优化问题的交通路口控制器只与一个子集的AV。由于可能的组合的数量随着系统中车辆的数量呈指数级增加，我们放松了原来的问题，并提出了一种算法，给出了放松的问题的最佳解决方案，但只与系统中的车辆数量呈线性关系。数值计算表明，我们的算法优于先进先出（FIFO）算法。
2021-08-28 cs.SY eess.SY math.OC
Event-triggered Boundary Control of Mixed-autonomy Traffic
针对混合自主交通系统的振荡抑制问题，提出基于4×4双曲偏微分方程的事件触发边界控制方法，结合反步控制器与动态触发条件，证明闭环系统指数稳定，仿真验证有效并分析了AV跟车间距的影响。
2024-09-14 cs.SY eess.SY math.AP
Learning to Influence Vehicles' Routing in Mixed-Autonomy Networks by Dynamically Controlling the Headway of Autonomous Cars
众所周知，自动驾驶汽车可以通过在车辆队列中保持较小的车头时距来增加道路通行能力。最近的研究表明，这些容量的增加会以意想不到的方式影响车辆的路线选择，类似于众所周知的Braess悖论，从而可能增加网络拥塞。在本文中，我们提出，在混合自治网络，即，在人类驾驶和自动驾驶汽车共享道路的网络中，自动驾驶汽车的车头时距可以直接控制，以影响车辆的路线并减少拥堵。我们认为，自动驾驶汽车的行驶速度以及路段的容量不仅仅是一个固定的设计选择;相反，它可以作为一种{基础设施控制}策略来{动态}调节容量。想象一下，类似于调节路段上车辆最大速度的可变速度限制，控制策略调节自动驾驶汽车沿每个路段的车头时距。我们试图通过直接控制自动驾驶汽车的车头时距来影响车辆的路线选择，以防止类似Braess的意外结果并提高网络效率。我们对混合自主交通网络的动态进行建模，同时考虑车辆的路线选择动态。我们训练一个RL策略，学习调节自动驾驶汽车的车头时距，使网络中的总行驶时间最小化。我们将经验表明，我们的训练政策，不仅可以防止Braess一样的低效率，但也减少了总的旅行时间。
2023-03-07 cs.SY eess.SY
Hierarchical Speed Planner for Automated Vehicles: A Framework for Lagrangian Variable Speed Limit in Mixed Autonomy Traffic
本文提出分层速度规划器框架，通过服务器端Speed Planner与车辆端控制器协同实现混合交通中的拉格朗日可变限速，并在100辆自动驾驶车辆实测中显著提升瓶颈吞吐量、降低速度波动。
2024-02-26 cs.SY eess.SY
From Micro to Macro Flow Modeling: Characterizing Heterogeneity of Mixed-Autonomy Traffic
本文提出一种连续交通异质性属性及双耦合守恒定律，从微观拉格朗日轨迹推断宏观交通流异质性，使校准误差降低20%且泛化性良好。
2025-08-13 cs.SY eess.SY
Learning-Based Shielding for Safe Autonomy under Unknown Dynamics
University of Colorado Boulder（科罗拉多大学博尔德分校）
针对未知连续状态DRL系统安全屏蔽问题，提出基于深度核学习与IMDP抽象的数据驱动屏蔽方法，通过计算最大宽容安全策略集确保系统避免不安全状态，理论证明与高维航天器实验验证了其可靠性与计算复杂度。
2024-10-07 cs.LG cs.SY eess.SY
Mixed Autonomy in Ride-Sharing Networks
我们考虑由人类驾驶车辆（HV）和自动驾驶车辆（AV）提供服务的乘车共享网络。我们提出了一个在多地点网络的混合自主设置中的乘车共享模型，其中乘车共享平台为乘客设定价格，为HV司机提供补偿，并以固定价格运营AV，目标是利润最大化。当一个地点的车辆比乘客多时，我们考虑三种车辆到乘客的分配可能性：首先将乘坐分配给HV;首先将乘坐分配给AV;按可用HV和AV的数量比例分配乘坐。接下来，对于这些优先级的可能性，我们建立了一个非凸优化问题，其特征在于在稳态平衡下运行的网络的最佳利润。然后，我们提供了一个凸问题，我们表明，有相同的最佳利润，允许有效的计算均衡，我们表明，所有三个优先级的可能性，在相同的最大利润的平台。接下来，我们展示了在某些情况下，平台会选择混合HV和AV以最大化其利润，而在其他情况下，平台将仅使用HV或仅使用AV，这取决于AV的相对成本。对于一类特定的网络，我们充分分析这些阈值的特征，并证明我们的结果的例子。
2020-02-04 cs.SY eess.SY
An anisotropic traffic flow model with look-ahead effect for mixed autonomy traffic
该研究扩展 ARZ 模型，以非局部平均密度刻画 CAVs 前视效应，并通过扰动分析与数值实验揭示前视距离、渗透率及空间分布对混合交通稳定性的影响。
2024-12-06 cs.SY eess.SY math.AP
An Optimal Control Framework for Influencing Human Driving Behavior in Mixed-Autonomy Traffic
本文提出一个基于控制障碍函数的最优控制框架，通过策略性改变自动驾驶车辆行为来主动影响人类驾驶，在跟车、变道等场景中验证了其在交通流优化和缓解激进行为上的多功能性。
2024-03-22 cs.SY eess.SY
Mixed Traffic: A Perspective from Long Duration Autonomy
针对混合交通下V2I融合的挑战性问题，提出面向允许红灯右转交叉口的CAV长时程自主控制器，结合CBF约束实现安全准时通行，证明策略可行并经仿真验证。
2025-06-17 cs.SY eess.SY
Hierarchical Multi-Agent MCTS for Safety-Critical Coordination in Mixed-Autonomy Roundabouts
James Watt School of Engineering, University of Glasgow（格拉斯哥大学詹姆斯·瓦特工程学院）；Boston University（波士顿大学）
本文提出了一种分层多智能体MCTS框架，用于混合自主性环形路口的安全协调，通过车道特定不确定性模型和安全意识修剪，有效降低轨迹偏移和PET违规率。
2026-02-24 cs.SY eess.SY
Reinforcement Learning for Mixed Autonomy Intersections
Massachusetts Institute of Technology（麻省理工学院）
本文提出了一种无模型强化学习方法，用于控制模拟交通网络中的混合自主交通，该网络中只有双向交叉口和四向交叉口。我们的方法利用多智能体的政策分解，允许分散控制的基础上，对任意数量的受控车辆的本地观测。我们证明，即使没有奖励塑造，强化学习也能学会协调车辆，使其表现出类似交通信号灯的行为，在33-50%的受控车辆中实现接近最佳的吞吐量。在多任务学习和迁移学习的帮助下，我们证明了这种行为可以推广到流量流量和流量网络的大小。我们的代码、模型和结果视频可以在https://github.com/ZhongxiaYan/mixed_autonomy_intersections上找到。
2021-11-08 cs.AI cs.LG cs.MA
Learning Contextual Runtime Monitors for Safe AI-Based Autonomy
Chalmers University of Technology（查尔姆斯理工大学）；University of Gothenburg（哥德堡大学）；University of California at Berkeley（加州大学伯克利分校）
本文提出了一种学习上下文感知运行时监视器的新框架，用于安全的基于AI的控制集合。通过将监视学习转化为上下文学习任务，该方法在控制器选择中提供理论安全保证，并提高控制器多样性利用，通过自动驾驶模拟验证了其在安全性和性能上的显著改进。
2026-04-02 cs.AI cs.LG cs.SY
Event-Triggered Regulation of Mixed-Autonomy Traffic Under Varying Traffic Conditions
针对由人类驾驶车辆与自动驾驶车辆组成的混合自主交通系统，本文基于扩展ARZ模型提出带观测器的事件触发匝道控制框架，可在低控制更新成本下稳定交通流、缓解拥堵。
2025-11-17 cs.SY eess.SY
Traffic Equilibrium in Mixed-Autonomy Network with Capped Customer Waiting
University of Southern California（南加州大学）
本文提出了一种混合自主网络交通均衡模型，通过整合网约车、旅行者和交通系统，分析自动驾驶车辆渗透率和路线偏离因子对交通系统性能的影响。
2025-12-11 cs.SY eess.SY
Optimal Control of ODE Car-Following Models: Applications to Mixed-Autonomy Platoon Control via Coupled Autonomous Vehicles
本文研究混合自主车队的最优控制以平滑交通流，建立含状态与控制约束的非线性ODE模型，证明解的存在性，并提出基于伴随法和罚函数的梯度下降算法，通过多场景实验验证其有效性。
2025-08-26 cs.SY eess.SY math.OC
Routing Equilibrium in Mixed-Autonomy Traffic Networks with Altruistic Autonomous Agents
Northwestern University（西北大学）
本文通过变分不等式框架研究混合自主交通网络中自私人类与利他自主车辆的路由博弈均衡，给出社会成本改善或恶化的充分条件，并证明分散与集中场景下的均衡等价性。
2026-05-22 cs.GT cs.SY eess.SY
Optimizing Mixed Autonomy Traffic Flow With Decentralized Autonomous Vehicles and Multi-Agent RL
UC Berkeley（加州大学伯克利分校）；Paris-Saclay University（巴黎萨克雷大学）；ENS Paris-Saclay（巴黎萨克雷高等师范学院）
我们研究了自主车辆的能力，以提高吞吐量的瓶颈，使用一个完全分散的控制方案，在一个混合的自治设置。我们考虑的问题，提高吞吐量的比例模型的旧金山-奥克兰海湾大桥：一个两阶段的瓶颈，四车道减少到两个，然后减少到一个。虽然有大量的工作研究在集中式设置的瓶颈控制的变体，有较少的研究具有挑战性的多智能体设置，其中大量的相互作用的AV导致强化学习方法的显着优化困难。我们应用多智能体增强算法来解决这个问题，并证明了瓶颈吞吐量的显着改善，从20%，在5%的渗透率到33%，在40%的渗透率，可以实现。我们比较我们的结果，手工设计的反馈控制器，并证明我们的结果大幅优于反馈控制器，尽管广泛的调整。此外，我们证明了基于RL的控制器采用了一个强大的策略，工作在整个渗透率，而反馈控制器降低渗透率变化后立即。我们调查的可行性，行动和观察权力下放，并表明，有效的战略是可能的，纯粹使用本地传感。最后，我们在https://github.com/eugenevinitsky/decentralized_bottlenecks上开源了我们的代码。
2020-10-30 cs.LG cs.MA cs.RO
Learning Generalizable Multi-Lane Mixed-Autonomy Behaviors in Single Lane Representations of Traffic
强化学习技术可以为未来自动驾驶系统的期望行为提供实质性的见解。通过优化交通的社会度量，例如增加的吞吐量和减少的能量消耗，这样的方法可以导出机动，如果被甚至一小部分车辆采用，则可以显著改善所有涉及的车辆的交通状态。然而，这些方法在实践中受到设计高效和准确的流量模型的困难以及与优化数十个交互代理的行为相关的挑战的阻碍。为了应对这些挑战，本文处理的问题，学习概括的交通控制策略，在简单的表示车辆驾驶动态。特别是，我们期待混合自治环路的不稳定性，导致拥堵的形成。在这个问题中，我们设计了一个课程学习范式，利用网络的自然可扩展性，有效地学习行为，减少长期的拥塞。接下来，我们研究了模型车道变换的政策的可转移性的影响。我们的研究结果表明，在更复杂的系统中引入甚至近似匹配趋势的车道变换行为可以显着提高后续学习模型的泛化能力，以更准确的多车道交通模型。
2021-12-31 cs.MA cs.SY eess.SY
Negotiating Control: Neurosymbolic Variable Autonomy
Universitat Politècnica de Catalunya（加泰罗尼亚理工大学）；Queen Mary University of London（伦敦大学玛丽皇后学院）
本文提出神经符号可变自主性方法，通过引入基于规则的符号逻辑和混合主导控制反馈强化学习，动态平衡机器人自主性与人类干预，以提升不可预测环境下的性能与安全性。
2024-07-23 cs.RO cs.SY eess.SY
A Parameter Privacy-Preserving Strategy for Mixed-Autonomy Platoon Control
National University of Singapore（新加坡国立大学）
本文针对混合自动驾驶队列中人类驾驶车辆实时状态共享引发的隐私泄露问题，提出一种集成于领航巡航控制的参数隐私保护策略，通过引入参数隐私过滤器、个体级隐私约束及神经网络估计器，在保护跟车行为参数的同时有效权衡了控制性能与隐私性。
2024-10-13 cs.RO cs.SY eess.SY
Robust Safety for Mixed-Autonomy Traffic with Delays and Disturbances
针对混合交通中CAV的执行器、传感器时延及扰动会破坏安全保证的问题，提出鲁棒安全关键交通控制RSTC，通过带误差界的状态预测器、鲁棒CBF约束及结合观测器的预测型CBF实现鲁棒安全，仿真验证其可在两类危险场景下避免追尾。
2023-10-06 cs.SY eess.SY
Pareto efficiency in synthesizing shared autonomy policies with temporal logic constraints
University of Pennsylvania（宾夕法尼亚大学）
本文提出一种两阶段策略合成算法，用于生成帕累托高效的协调与控制策略，通过整合Tchebychev标量化方法以优化人类努力与系统性能之间的平衡。
2014-12-18 cs.HC cs.RO cs.SY
Joint routing and pricing control in congested mixed autonomy networks
已被证明连接和自主车辆（CAV）的路由可控性，以减少自私的路由对网络效率的不利影响。然而，CAV所有者为了系统的利益而愿意让自己受到中央机构的外部控制的假设是不现实的。在本文中，我们提出了一个联合路由和定价控制方案，旨在激励CAV寻求中央控制的系统最优（SO）路由节省通行费，而用户均衡（UE）寻求人类驾驶的车辆（HV）受到拥堵费。该问题被制定为一个双层优化程序，上层优化的动态收费率使用网络基本图（NFD）和较低的水平是一个基于混合平衡模拟的动态交通分配模型（SBDTA）考虑不同的组合SO寻求CAV。我们应用一个基于反馈的控制器来解决最佳的空间差异化的基于距离的拥堵费，从SO寻求CAV是豁免，但UE寻求HV受到进入市中心的费用。为了捕捉不同的微观行为的CAV在混合自主交通，我们还实现了自适应链路基本图（FD）内的SBDTA模型。建议的联合控制方案鼓励CAV业主寻求SO路由导致更少的总系统旅行时间。它还阻止了UE寻求HV拥挤的市中心。我们证明了所提出的方案在澳大利亚墨尔本的一个小型网络和一个大型网络的性能。
2021-08-08 cs.SY eess.SY math.OC
Mean-Square Exponential Stabilization of Mixed-Autonomy Traffic PDE System
针对混合自主交通PDE系统，提出反步边界控制律，实现带马尔可夫跳变参数系统的均方指数镇定，并用数值模拟验证。
2024-06-25 cs.SY eess.SY math.AP
Safe Autonomy for Uncrewed Surface Vehicles Using Adaptive Control and Reachability Analysis
Aurora Flight Sciences（极光飞行科学公司）；Massachusetts Institute of Technology（麻省理工学院）；Woods Hole Oceanographic Institution（伍兹霍尔海洋研究所）
本文提出结合MRAC与基于MHE的可达性分析的USV安全自主框架，可在线估计扰动、认证安全，并在实船与任务仿真中显著降低轨迹误差。
2024-10-01 cs.RO cs.SY eess.SY
Pricing Traffic Networks with Mixed Vehicle Autonomy
University of California, Berkeley（加州大学伯克利分校）
本文研究了通过定价机制消除混合自动驾驶交通网络中均衡的低效率问题，探讨了统一定价和差异化定价对社会延迟的影响，并证明了在道路容量不对称度均匀时，边际成本税收定价可实现最小社会延迟。
2019-04-02 cs.GT cs.SY eess.SY
When Altruism Meets Autonomy: Managing Bottleneck Congestion with Strategic Autonomous Vehicles
University of Southern California（南加州大学）
本文研究混合自主性交通系统中自主车辆对瓶颈拥堵的影响，通过建立统一均衡框架，分析不同车辆类型的行为决策，揭示自主车辆渗透率对系统性能的非递减影响。
2026-04-12 cs.GT cs.SY eess.SY
Leveraging Vehicle Connectivity and Autonomy to Stabilize Flow in Mixed Traffic Conditions: Accounting for Human-driven Vehicle Driver Behavioral Heterogeneity and Perception-reaction Time Delay
人类驾驶的不稳定性往往会触发不希望的波，随着连续的驾驶员反应从错误的车辆传播到上游的车辆，这些波会放大。这种现象被称为幻影拥堵，在文献中被认为是交通拥堵的主要原因之一。本文的前提是，车辆自动化和连接可以帮助缓解这种拥堵。在本文中，我们设计了一个控制器，用于连接和自动驾驶汽车（CAV），以稳定的人驾驶车辆（HDV）的流量，是CAV的上游，从而降低碰撞风险，在上游交通环境。在模拟混合交通流中的HDV动态时，我们充分考虑了HDV驾驶员的异质性和与其感知反应时间相关的时间延迟。我们可以发现，与不考虑人类驾驶员潜在时间延迟和异质性的情况相比，CAV可以稳定的HDV的最大数量更低。这一结果表明，HDV行为的异质性和时间延迟损害了CAV稳定交通的能力。因此，在设计CAV控制器的交通稳定，它是必不可少的考虑这种不确定性相关的条件。在我们的演示中，我们还表明，所设计的控制器可以显着提高混合交通流的稳定性和流中的CAV和HDV的安全性。结果是有用的实时校准的模型参数，表征HDV运动的混合流。
2020-08-17 cs.SY eess.SY math.OC
Unsignalized Intersection Management Strategy for Mixed Autonomy Traffic Streams
针对CAVs、CHVs和HVs共存的混合交通流，本文提出包含HPQ路权分配算法与模型预测控制的无信号交叉口管理策略，仿真表明该方法可将平均出行时间降低5%至65%，有效平衡了效率与安全。
2024-08-23 cs.SY eess.SY
Cooperation for Scalable Supervision of Autonomy in Mixed Traffic
Massachusetts Institute of Technology（麻省理工学院）
本研究提出可扩展监督框架，通过远程监督者与自主车辆合作，利用排队论和可达性分析，证明合作可大幅提升监督可靠性并减少每车所需监督者，助力自主性规模化部署。
2023-05-10 cs.AI cs.LG cs.MA
A Unified Toll Lane Framework for Autonomous and High-Occupancy Vehicles in Interactive Mixed Autonomy
本文提出一种统一收费车道框架，通过引入“移动度”概念分析自动驾驶与高乘载车辆混合交通流的车道选择均衡，并提出减少总延迟的收费算法，为交通管理及自动驾驶融入提供见解。
2024-03-20 cs.GT cs.SY eess.SY
Backstepping Reach-avoid Controller Synthesis for Multi-input Multi-output Systems with Mixed Relative Degrees
针对多输入多输出系统，本文结合反馈线性化与反步法提出可达-避障形式化证书构造框架及控制器综合方法，确保输出在安全约束下最终到达目标集，并通过仿真验证有效性。
2025-05-06 cs.SY eess.SY
A Long-Duration Autonomy Approach to Connected and Automated Vehicles
Old Dominion University（旧 Dominion 大学）
本文提出一种基于最优控制与高阶控制屏障函数的长时自主控制方法，用于联网自动驾驶车辆在交通瓶颈处实现安全、高效运行，并通过仿真验证其性能。
2025-10-09 cs.RO cs.SY eess.SY
Safe and Energy-Aware Multi-Robot Density Control via PDE-Constrained Optimization for Long-Duration Autonomy
Department of Electrical and Computer Engineering, University of Waterloo（滑铁卢大学电气与计算机工程系）
提出一种结合Fokker-Planck偏微分方程与控制李雅普诺夫/障碍函数的密度控制框架，实现多机器人系统的目标密度跟踪、避障和能量可持续性。
2026-06-03 cs.RO cs.SY eess.SY
Robust direct acoustic impedance control using two microphones for mixed feedforward-feedback controller
EPFL（洛桑联邦理工学院）
本文提出了一种结合前馈和反馈麦克风策略的混合控制架构，通过改进模型误差处理能力，实现更鲁棒的声阻抗控制。
2022-11-03 cs.SY eess.SY
Bi-Level Control of Weaving Sections in Mixed Traffic Environments with Connected and Automated Vehicles
本文提出一种双层控制方法，结合上层深度强化学习与下层模型预测，协调交织区段CAVs与HVs混合车队的变道，显著提升交通运行效率。
2024-03-24 cs.SY eess.SY
Learning Optimal Robust Control of Connected Vehicles in Mixed Traffic Flow
本文针对混合交通中人类驾驶行为非线性带来的控制难题，提出基于策略迭代和零和博弈的方法学习H∞最优鲁棒控制器，并通过平方和规划优化衰减水平，仿真验证其能有效抑制交通扰动。
2023-09-18 cs.SY eess.SY
Compromised ACC vehicles can degrade current mixed-autonomy traffic performance while remaining stealthy against detection
我们证明，供应链水平的妥协，自适应巡航控制（ACC）的能力，装备车辆可以用来显着降低系统级的性能，目前的混合自动高速公路网络。通过一个简单的威胁模型，导致随机减速攻击（RDAs），受损的车辆在交通中产生拥塞波，降低平均速度和网络吞吐量。我们使用一个详细的和现实的交通模拟环境，以量化的影响，在美国的一个真正的高容量的高速公路模型的攻击。我们发现，攻击的效果取决于潜在的交通拥堵水平，以及ACC车辆的百分比可以受到影响。在中度拥堵的情况下，攻击可以降低平均通勤速度超过7%。在高密度的情况下，整个网络的吞吐量最多可减少3%。而且，在中度到高度拥塞的制度，它可以成本通勤者在网络上超过300美元/公里小时。所有这些结果激励，所提出的攻击是能够显着降低交通网络的性能。我们还开发了一种异常检测技术，该技术使用车辆上的GPS轨迹来识别恶意/受损车辆。我们采用这种技术从模拟实验的数据，发现它是无法识别受损的ACC相比，良性/正常的驱动程序。也就是说，这些攻击是隐形的检测。更强的攻击可以被准确地标记为恶意的，这促使攻击在不再隐身之前的影响力是有限的。最后，我们实验执行一个真正的和商业上可用的ACC车辆的攻击，展示了现实世界的RDA的可行性。
2021-12-22 cs.CR cs.MA cs.SY
Mixed H2/H-infinity Data-Driven Control Design for Hard Disk Drives
University of California, Berkeley（加州大学伯克利分校）
本文提出了一种混合H2/H无穷数据驱动控制设计方法，用于多输入单输出系统，通过将混合控制目标转化为凸优化问题，实现闭环稳定性与信号方差最小化。
2018-04-10 cs.SY eess.SY
Routing for Traffic Networks with Mixed Autonomy
University of California, Santa Barbara（加州大学圣塔芭芭拉分校）；Georgia Institute of Technology（佐治亚理工学院）
本文提出了一种宏观模型，研究人类驾驶与自动驾驶车辆共享网络的路由问题，分析自动驾驶车辆编队的影响，通过建立道路容量模型并定义道路延迟函数，界定了价格厌恶（PoA）和双标准指标，发现其依赖于多项式次数和交通不对称性程度。
2018-09-05 cs.GT cs.SY eess.SY
System Design in the Era of IoT --- Meeting the Autonomy Challenge
University Grenoble Alpes and CNRS / Verimag（格勒诺布尔阿尔卑斯大学与法国国家科学研究中心/维拉玛格）
本文探讨了物联网时代系统设计的自主性挑战，提出通过自适应控制提升系统鲁棒性，并结合知识驱动设计方法，实现创新成果的系统整合。
2018-06-26 cs.SY eess.SY
On the Mixed Sensitivity Minimization for Systems with Infinitely Many Unstable Modes
本文考虑一类具有无穷多个不稳定模的线性定常系统。通过使用参数化的所有稳定控制器和数据变换，我们表明，H-无穷控制器，这样的系统可以计算使用的技术开发的无限维植物与许多不稳定模式。
2020-03-11 cs.SY eess.SY
Stability analysis of Model Predictive Controllers using Mixed Integer Linear Programming
Linköping University（林雪平大学）
本文提出一种基于混合整数线性规划的工具，用于分析线性系统中模型预测控制器闭环稳定性，通过优化问题提供稳定性充分条件。
2016-04-04 cs.SY eess.SY math.OC
A mixed-integer framework for analyzing neural network-based controllers for piecewise affine systems with bounded disturbances
提出将带神经网络控制器的有界扰动分段仿射系统闭环动力学表示为混合整数线性约束，通过求解混合整数线性规划计算鲁棒正不变集，用于证明稳定性和约束满足性，并扩展至非线性系统。
2025-04-28 cs.SY eess.SY math.OC
Flow: A Modular Learning Framework for Mixed Autonomy Traffic
Laboratory for Information and Decision Systems, Massachusetts Institute of Technology（信息与决策实验室，麻省理工学院）；Institute of Data, Systems, and Society, Massachusetts Institute of Technology（数据、系统与社会研究所，麻省理工学院）；Department of Mechanical Engineering, University of California, Berkeley（机械工程系，加州大学伯克利分校）
本文提出了一种模块化学习框架，利用深度强化学习解决复杂交通动态问题，通过提高系统层面的速度，使学习到的控制法则在仅有4-7%的自动驾驶汽车参与度下，相比人类驾驶性能提升高达57%。此外，在单车道交通中，一个仅使用局部观测的小型神经网络控制法则能够消除拥堵现象，达到近最优性能。
2021-12-30 cs.AI cs.RO cs.SY
Synthesis of Output-Feedback Controllers for Mixed Traffic Systems in Presence of Disturbances and Uncertainties
在本文中，我们研究混合交通系统，沿单车道环路或开放式道路。交通流形成了一个车队，其中包括许多异构的人类驾驶车辆（HDV），以及只有一个连接和自动驾驶车辆（CAV），从几个邻居接收信息。假设HDV的动力学遵循最优速度模型（OVM），单CAV的加速度直接由动态输出反馈控制器控制。这项工作的最终目标是提出一个鲁棒控制策略，可以平滑的交通流中存在不希望的干扰（例如突然减速）和参数的不确定性。合成动态输出控制器的先决条件是底层系统的可镇定性和可检测性。因此，首先从理论上证明了混合交通流系统的稳定性和可检测性。然后，两个H ∞控制策略，考虑和不考虑系统动态的不确定性，设计。随后通过数值模拟说明了这两种控制方法的有效性，并给出了各种实验结果，以证明所提出的控制器的有效性，以减轻干扰放大和实现队列稳定。
2021-07-28 cs.SY eess.SY math.OC
Merging control in mixed traffic with safety guarantees: a safe sequencing policy with optimal motion control
本文针对混合交通合流问题提出一种分层控制器，通过安全序列协调与基于CBF约束的MPC运动控制，在保证安全合流的同时优于最短距离优先策略。
2023-05-26 cs.SY eess.SY
Fuzzy Logic Control for Mixed conventional/braking Actuation Mobile Robots
在机器人系统中使用传统的致动器（特别是电动机），虽然通常在灵活性和可控性方面提供优势，但由于其环境中的意外复杂性，会遭受主致动器故障，这可能导致可控性的丧失。传统的致动器可能在机械复杂性、重量和成本方面带来缺点。在这里，混合常规/制动驱动移动机器人（MAMR），一个新的移动机器人平台，提出了解决这些缺点的驱动和探索的使用和控制制动驱动。该平台取代了阿克曼转向中使用的驱动电机，制动器只有两种状态，ON和OFF。此外，传统的驱动轮被仅支持机器人纵向方向上的驱动力的单个全向轮取代。制动执行器在执行器故障下提供可控性的能力是这项工作的主要动机之一。为了验证MAMR方法的可靠性和准确性，本文研究了这种机器人系统的设计，模糊逻辑控制器的设计和合成，以及这些控制器的实时实验评估。实验测试指出，使用模糊逻辑控制器和MAMR控制器的性能增强。
2019-09-13 cs.SY eess.SY
Optimal Infinite-Horizon Mixed $\mathit{H}_2/\mathit{H}_\infty$ Control
本文首次给出无限时域混合 H2/H∞ 控制的频域精确闭式解，提出有限维参数化和高效迭代算法，并研究最优控制器的固定阶有理近似。
2024-09-30 cs.SY eess.SY math.OC
Safe Controller for Output Feedback Linear Systems using Model-Based Reinforcement Learning
本研究的目的是使安全关键系统，同时学习和执行最优控制策略，以安全的方式实现复杂的自治。通过试验和错误学习最佳策略，即，传统的强化学习难以在安全关键系统中实现，特别是当任务重启不可用时。最近开发了基于屏障变换的安全的基于模型的强化学习技术来解决这个问题。然而，这些方法依赖于完整的状态反馈，限制了它们在现实世界环境中的可用性。在这项工作中，一个输出反馈安全的基于模型的强化学习技术的基础上，一种新的障碍感知动态状态估计器已被设计来解决这个问题。所开发的方法有利于同时学习和执行的安全关键线性系统的安全控制策略。仿真结果表明，屏障变换是一种有效的方法来实现在线强化学习的安全关键系统使用输出反馈。
2022-04-04 cs.SY eess.SY
Analysis of a platooned car-following model with different inter-platoon communication levels
本文扩展单队列跟驰模型至多队列，分析不同队列间通信水平对稳定性的影响，并通过仿真验证理论，为V2V通信设计提供见解。
2025-02-26 cs.SY eess.SY
Deployment-Aware Controller and Control Architecture Co-Design via Mixed-Integer Output-Feedback SLS
KU Leuven（荷语鲁汶大学）
针对动态输出反馈系统，提出混合整数凸规划方法联合优化控制器传递矩阵与架构（传感器/执行器选择、链路及延迟），在车辆编队基准中非二次不变架构性能损失比最优二次不变架构降低3.8倍。
2026-08-18 cs.SY eess.SY math.OC
