💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

📋📋📋本文目录如下：🎁🎁🎁

目录

 ⛳️赠与读者

💥1 概述

📚2 运行结果

🎉3 参考文献

🌈4 Matlab代码、文章下载

---

 ⛳️赠与读者

👨‍💻做科研，涉及到一个深在的思想系统，需要科研者逻辑缜密，踏实认真，但是不能只是努力，很多时候借力比努力更重要，然后还要有仰望星空的创新点和启发点。当哲学课上老师问你什么是科学，什么是电的时候，不要觉得这些问题搞笑。哲学是科学之母，哲学就是追究终极问题，寻找那些不言自明只有小孩子会问的但是你却回答不出来的问题。建议读者按目录次序逐一浏览，免得骤然跌入幽暗的迷宫找不到来时的路，它不足为你揭示全部问题的答案，但若能让人胸中升起一朵朵疑云，也未尝不会酿成晚霞斑斓的别一番景致，万一它居然给你带来了一场精神世界的苦雨，那就借机洗刷一下原来存放在那儿的“躺平”上的尘埃吧。

     或许，雨过云收，神驰的天地更清朗.......🔎🔎🔎

💥1 概述

摘要：
排队行驶已被用作一种使车辆能耗最小化的方法。在这封信中，我们提出了一种约束驱动的最优控制框架，该框架为在开放交通系统中运行的互联和自动驾驶车辆产生了涌现的排队行为。我们的方法将约束驱动最优控制的最新见解与高速公路环境中车辆之间的物理空气动力学相互作用相结合。结果是一组描述何时排队是适当策略的方程，以及产生紧急排队行为的描述性最优控制律。最后，我们在模拟中展示了这些属性。

多智能体系统因其自然的并行性、广泛的适应性和自组织能力而在许多应用中引起了相当大的关注
[1]. 这在许多复杂的应用中已被证明是有用的系统[2]，如新兴的移动系统[3]、建筑[4]和监控[5]。最近在约束驱动控制方面的推动带来了长期自主性的想法处于多智能体系统研究的前沿[6]。For机器人可以执行长时间自主任务它们的环境在时间尺度上明显比可以在实验室环境中实现。这些方法必然强调安全的能源最小化控制政策对于行为由交互驱动的代理而言随着环境。约束驱动的几个应用最近已经探索了多智能体控制[7]-[9]。在本文中，我们提出了一种约束驱动的方法在互联车队中产生紧急排队行为以及在公路条件下运行的自动驾驶汽车（CAV）。由于以下原因，排队行为特别令人感兴趣长距离传输时节能潜力巨大。早期Athans [10]的研究结果为最近的研究奠定了基础高速公路驾驶结果[11]，合作自适应巡航控制[12]和混合交通队列[13]。我们相信长途公路旅行时，排成队形是很自然的适合约束驱动控制。有几种方法文献中最佳编队。在一个示例中，作者试图优化差速驱动的位置机器人呈梯形排列，以减少阻力损失被最小化[14]。应用了雷诺兹的群集规则在[15]中，高速公路车辆试图在保持所需速度的同时最大限度地降低能耗。还提出了飞行系统的节能植绒R语言中的机器人[16]. 以前的方法要么构建一个大型的确定下一步的多目标优化问题控制动作，或者他们应用次优共识算法以达成起草配置。最近对这些评论技术已在[17]中介绍。与现有工作相比，我们的方法是约束驱动的。在我们的框架中，智能体寻求消耗尽可能少的能量尽可能服从一组任务和安全约束。这种控制集合论方法是可以解释的，即通过检查代理人的行为原因，可以推断出代理人的行为原因约束在操作过程中变得活跃。通过检查导致可行空间为空的条件该框架还解决了车辆何时应该脱离的问题以形成新的车队或超车前面的车辆。我们的这种方法是完全分散的，因此非常适合“开放系统”，代理可能会突然进入或离开。我们允许车辆随意进入或退出系统，因为只要他们的初始状态是可行的，并且没有其他车辆违反了安全约束。这也使得车辆能够保持他们的最终目的地和到达时间私密，这具有为所有车辆提供隐私保护的次要好处他们的乘客。
本文的其余部分组织如下。第二节，我们制定了排编队问题，以及在第三节中，我们介绍了我们的分散式约束驱动控制算法。在第四节中，我们通过以下方式验证了我们的结果模拟60辆车，车辆随机进入在车辆总数为时离开道路网络先验未知。最后，我们得出结论并提出第五节中一些未来研究方向。

📚2 运行结果

部分代码：
 

clear; close all; clc;
global amax amin vmax vmin delta; %constraints
global dt; %time step
global L Si Sf; %road length, num on/off-ramps and thier positions
global t;

%set up the parameters
tf = 150; %simulation time - 70s is about the time required for a car to cross the entire domain
rng(328649874) %rng(986857); %set the RNG seed
PLOT = false; %wether to show the live plot

dt = 0.01; %simulation time step

vmin = 18; % m/s [40 mph]  - min speed
vmax = 35; % m/s [78 mph]  - max speed
amin = -4; % m/s/s [~0.87x braking force of avg driver limit] - min acc.
amax =  4; % m/s/s [~1.1x amax of 2001 Jaguar XK8] - max acc.
delta = 5; %m [~1.1 Toyota corrola] - safe stopping distance

L = 1750; % m - road length
Si = [100, 600, 1100]; % m - on-ramp location
Sf = [500, 1000, 1500]; % m - off-ramp location

% time to randomly spawn a new car
t1 = 0.5;  t2 = 1.5; %spawn a car every period, T ~ U([t1, t2])
ts = rand*(t2 - t1) + t1;

index = 1;

%initializate a CAV

🎉3 参考文献

文章中一些内容引自网络，会注明出处或引用为参考文献，难免有未尽之处，如有不妥，请随时联系删除。(文章内容仅供参考，具体效果以运行结果为准)

🌈4 Matlab代码、文章下载

资料获取，更多粉丝福利，MATLAB|Simulink|Python资源获取