Chance-Constrained Model Predictive Control for False Data Injection Mitigation in Vehicle Platooning

In recent years, vehicle platooning has emerged as a promising solution for enhancing road efficiency, fuel economy, and driving comfort through the exchange of inter-vehicular data among participating vehicles. This growing interest has driven the development of advanced control strategies, with Model Predictive Control (MPC) at the forefront, particularly in the context of Connected and Autonomous Vehicles (CAVs). Platooning involves a convoy of vehicles traveling closely together, maintaining precise inter-vehicular distances and speeds while coordinating behaviors to optimize traffic performance. However, the implementation of MPC faces challenges, especially in real-time scenarios, due to computational complexity and the risk of False Data Injection (FDI) events, which can compromise system integrity. To address these challenges, this thesis proposes an innovative approach that integrates Gaussian Process Regression (GPR) with MPC. By refining nominal model descriptions using GPR, the developed method facilitates real-time feasibility and enhances the accuracy of inter-vehicular distance monitoring within platooning systems. The resulting chance-constrained MPC framework ensures target behavior attainment by leveraging trust in information received from preceding vehicles, thereby advancing the efficiency and safety of vehicle platooning operations.

Negli ultimi anni, il platooning dei veicoli ha guadagnato attenzione come soluzione promettente per migliorare l'efficienza stradale, l'economia del carburante e il comfort di guida attraverso lo scambio di dati tra i veicoli partecipanti. Questo crescente interesse ha stimolato lo sviluppo di avanzate strategie di controllo, con il Model Predictive Control (MPC) in prima linea, specialmente nel contesto dei Veicoli Connessi e Autonomi (CAVs). Il termine platooning si riferisce a un gruppo di veicoli che viaggiano in prossimità l'uno dell'altro, mantenendo precise distanze e velocità mentre coordinano i propri comportamenti per ottimizzare le prestazioni nel traffico. Tuttavia, l'implementazione del MPC come logica di controllo affronta sfide significative, soprattutto in scenari in tempo reale, a causa della complessità computazionale e del rischio di Iniezione di Dati Falsi (FDI), che potrebbe compromettere l'integrità del sistema. Per affrontare queste problematiche, questa tesi propone un approccio innovativo che integra la Regressione con Processi Gaussiani (GPR) con il MPC. Utilizzando la GPR per fornire una descrizione più accurata del modello nominale, il metodo sviluppato facilita l'implementazione in tempo reale e migliora l'accuratezza del monitoraggio della distanza tra i veicoli nel convoglio. Il MPC, sfruttando vincoli di probabilità, assicura il raggiungimento del comportamento desiderato, utilizzando il grado di affidabilità associato alle informazioni ricevute dai veicoli precedenti, migliorando così l'efficienza e la sicurezza delle operazioni di platooning dei veicoli.