发表机构
Concordia University; Université Polytechnique Hauts-de-France; INSA Hauts-de-France（康考迪亚大学; 上法兰西理工大学; 法国国立应用科学学院上法兰西分校）
机构由 AI 辅助整理，请以论文原文为准。AI 中文总结
本文提出一种残差学习控制框架，利用循环均衡网络增强标称控制器，在保证 $\ell_2$ 稳定性的同时，减少异构车辆队列的间距和速度误差。
AI 中文摘要
本文提出了一种针对参数不确定性和外部扰动下异构车辆队列的残差学习控制框架。通过线性矩阵不等式（LMIs）设计的标称控制器，结合扰动观测器补偿，由循环均衡网络（REN）增强，该网络利用存储的轨迹和标称模型预测误差进行离线训练。REN 被约束以满足规定的 $\ell_2$ 增益界，从而为局部闭环稳定性和扰动串稳定性提供充分的小增益条件。实验表明，与标称控制器相比，间距和速度误差有所减小。
英文摘要
This paper proposes a residual learning-based control framework for heterogeneous vehicle platoons subject to parametric uncertainty and external disturbances. A nominal controller designed via Linear Matrix Inequalities (LMIs), along with disturbance-observer compensation, is enhanced by a Recurrent Equilibrium Network (REN) trained offline using stored trajectories and nominal-model prediction errors. The REN is constrained to satisfy a prescribed $\ell_2$-gain bound, enabling sufficient small-gain conditions for local closed-loop stability and disturbance string stability. Experiments demonstrate reduced spacing and velocity errors relative to the nominal controller.
CommentsSubmitted to the 2027 American Control Conference (ACC)
