Stochastic optimal control for intersection crossing with communication impairments

This work aims to address the problem of intersection crossing for autonomous vehicles in presence of a lossy communication channel that may cause the loss of data packets in the communication between the vehicle and a central coordinator. The solution proposed to guarantee the crossing of the intersection despite the loss of information is an optimal control algorithm applied to a stochastic model including process and measurement noise that at every time step formulates the optimal control sequence simulating a communication ensemble between the vehicle and the coordinator. Since the model is stochastic, the intersection crossing is modelled as a chance constraint.Once the control sequence is found, the first step of it is applied and the optimization is performed again over a shrinked horizon. Two different observer models are tested: one using real-time measurement information and the other one using information from the previous time step, both using optimal Kalman filter observation gains. Once the algorithm setup is explained, its performance is tested on a simplified dynamic car model by doing the optimization through the CVX Matlab toolbox. The sensitivity of the generated control sequence with respect to some key parameters (such as failure probability allowed and packet drop probability) is analysed, and the statistical performance of the algorithm over repeated tests is verified.

Questo lavoro prende in considerazione il problema dell'attraversamento di incroci da parte di veicoli a guida autonoma in presenza di un canale di comunicazione che può causare la predita di pacchetti di informazione inviati dal veicolo stesso ad un coordiantore centrale dell'incrocio. La soluzione qui proposta per garantire l'attraversamento dell'incriocio nonostante la perdita di informazione è un algoritmo di Controllo Ottimo applicato su un modello stocastico che include rumore nel processo e di misurazione. L'algoritmo formula ad ogni step temporale la sequenza di controllo ottima (rispetto ad una Funzione di Costo), simulando una sequenza di comunicazione tra il veicolo ed il coordinatore. Essendo il modello stocastico, la condizione di superamento dell'incrocio è stata modellata come un vincolo stocastico (o Chance Constraint). Una volta che la sequenza di controllo ottimale è ottenuta, il suo primo step viene applicato al sistema e l'ottimizzazione viene ripetuta su un orizzonte temporale ridotto. Sono stati testati due modelli di osservatore: uno che usa le misurazioni in tempo reale ed uno che usa informazioni dallo step temporale precedente. Entrambi gli osservatori applicano l'algoritmo del Filtro di Kalman per trovare il guadagno ottimale per ridurre la covvarianza ad ogni istante di tempo. Una volta spiegato il setup dell'algoritmo, le sue prestazioni sono state testate su un modello dinamico semplificato tramite delle simulazioni sul pacchetto CVX di Matlab. La sensibilità della sequenza di controllo generata è stata analizzata rispetto ad alcuni parametri chiave del sistema (come la probabilità di fallimento concessa o la probabilità di perdita di un pacchetto ad un dato istante di tempo), e le performance statistiche dell'algoritmo è stata verificata tramite ripetuti test ad ogni variazione dei parametri di sistema.