Work

Physics-Informed Neural Networks for Explainable and Safe Autonomous Driving of Platooning Vehicles

Year: 2025
Type: dissertation
Abstract: No âmbito dos Sistemas de Transporte Inteligentes (ITS), os veículos automatizados são um pilar de inovação.A formação de pelotões de Veículos Conetados e Automatizados (CAVs), que depende da comunicação sem fios entre membros, melhora o tempo de reação, permitindo reduzir o espaçamento entre veículos para maximizar a utilização da estrada e a eficiência energética.Contudo, a imprevisibilidade do trânsito exige estratégias de controlo que garantam a estabilidade em cadeia (string stability), de modo a que as oscilações sejam atenuadas ao longo do pelotão.Adicionalmente, a estabilidade local e o conforto de viagem impulsionam o desenvolvimento de controladores descentralizados.Para este fim, uma abordagem puramente baseada em modelos oferece eficiência e explicabilidade, ao passo que as baseadas em aprendizagem profunda capturam as não-linearidades do veículo, mas são menos interpretáveis e exigem um grande volume de dados.Com o objetivo de hibridizar os dois paradigmas, foi desenvolvida uma arquitetura simbólica de Controlo Preditivo (MPC) não-linear para um veículo seguidor, integrada com uma Rede Neuronal Informada por Física (PINN) que serve como modelo alternativo (surrogate model) para a previsão da aceleração.A PINN é treinada com base numa EDO de segunda ordem, calibrada com parâmetros estimados do veículo, e exibe uma generalização superior a uma rede neuronal equivalente não informada pela física, especialmente em cenários com dados escassos ou ruidosos.O controlador MPC de alto nível baseado na PINN, duplicado para cada seguidor, foi testado no simulador CARLA num cenário de pelotão homogéneo, onde comanda um controlador de baixo nível para seguimento de velocidade.Os resultados mostram que cada seguidor consegue seguir o espaçamento-alvo e travar de forma segura, mas revela-se suscetível a oscilações periódicas e a manobras laterais transitórias, que comprometem a informação longitudinal comunicada.Em suma, este trabalho não só comprova a viabilidade de integrar PINNs como modelos simbólicos para MPC não-linear, mas também fornece perspetivas críticas sobre os desafios da arquitetura, destacando a necessidade de modelos preditivos e estratégias de controlo robustas para garantir a estabilidade em cadeia em todos os cenários complexos do mundo real.
Author: José Pedro Machado Leite Arteaga
Language: English
Open Access status: green
OpenAlex ID: W7115040679
Cites: 92
Cited by:
Related to: 10