Estrategia Avanzada de Modelo Subrogado para la Cuantificación de la Incertidumbre en Pelotones de Vehículos Heterogéneos
Barra lateral del artículo
Contenido principal del artículo
Resumen
El uso de pelotones de vehículos autónomos es una solución efectiva para reducir la congestión y el riesgo de colisiones, ya que permite que los vehículos circulen en formaciones estrechamente coordinadas, con velocidades sincronizadas y un espaciamiento optimizado. El objetivo de esta estrategia de transporte es ofrecer sistemas de movilidad por carretera que sean seguros, eficientes y sostenibles. Por tanto, es fundamental comprobar el grado de fiabilidad de los modelos de pelotón de vehículos para garantizar su correcto funcionamiento en escenarios reales.
La variabilidad en la respuesta de uno de los vehículos puede alterar la eficacia prevista del pelotón, provocando ciclos de conducción de parada y arranque que pueden afectar a la estabilidad de la cadena de vehículos. Por tanto, es esencial comprobar el rendimiento del modelo de pelotón de vehículos autónomos en diferentes escenarios inciertos que incluyan incertidumbres internas y externas, como diferentes tipos de carreteras, condiciones meteorológicas y pesos de los vehículos.
En entornos reales, puede ser difícil determinar cómo cambian los parámetros que afectan al modelo de pelotón, por lo que las simulaciones computacionales son una alternativa viable. Un método eficaz para ello es el método de Montecarlo, que permite generar muestras aleatorias a partir de parámetros inciertos para evaluar el comportamiento del pelotón de vehículos. Sin embargo, dependiendo de la complejidad del modelo, puede resultar costoso desde el punto de vista computacional ejecutar un gran número de reiteraciones. En este contexto, los modelos subrogados o metamodelos son la opción más adecuada, ya que permiten realizar un mayor número de simulaciones y garantizar que los resultados sean significativos y fiables.
Este trabajo destaca la necesidad de realizar verificaciones rigurosas de los modelos heterogéneos de pelotones de vehículos para garantizar su solidez y eficacia en entornos inciertos. Para ello, se propone una estrategia basada en modelos subrogados que combina los modelos MISO (Multiple Input Single Output), NARX (Nonlinear Autoregressive Exogenous) e interpolación espacial Kriging. El modelo MISO-NARX permite relacionar la posición, velocidad y aceleración del vehículo líder con los errores de espaciado entre vehículos. Por otro lado, el interpolador de Kriging captura la variabilidad de los coeficientes MISO-NARX debido a la incertidumbre de los parámetros del modelo del pelotón de vehículos. La estrategia propuesta permite representar de manera eficiente y precisa las posibles respuestas dinámicas del sistema de pelotón de vehículos, lo que facilita un análisis exhaustivo y fiable de su incertidumbre.
Detalles del artículo
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
CC BY-NC-SA 4.0)
El lector puede compartir, copiar y redistribuir el material en cualquier medio o formato, siempre y cuando cumpla con las siguientes condiciones:
-
Atribución (BY): Debe dar crédito adecuado al autor original, proporcionando un enlace a la licencia y señalando si se han realizado cambios.
-
No Comercial (NC): No puede utilizar el material con fines comerciales. Esto significa que no puede venderlo ni obtener ganancias directas de su uso.
-
Compartir Igual (SA): Si adapta, transforma o construye sobre el material, debe distribuir sus contribuciones bajo la misma licencia que el original.
Recuerda que esta licencia no afecta los derechos legales del autor, como el derecho moral o las excepciones de uso justo.
Citas
Pi, D., Dong, H., Zhuang, W., Li, Z., Song, Z., “Automotive platoon energy-saving: A review”, Renewable and Sustainable Energy Reviews 179, 113268 (2023). doi: 10.1016/j.rser.2023.113268.
Wang, J., Lu, L., Peeta, S., “Real-time deployable and robust cooperative control strategy for a platoon of connected and autonomous vehicles by factoring uncertain vehicle dynamics”, Transportation Research Part B: Methodological 163, 88-118 (2022). doi: 10.1016/j.trb.2022.06.012.
Ma, G., Wang, B., Ge, S. S., “Robust optimal control of connected and automated vehicle platoons through improved particle swarm optimization”, Transportation Research Part C: Emerging Technologies 135, 103488 (2022). doi:10.1016/j.trc.2021.103488.
Zhao, R., Liu, G., Wang, G., Zhao, J., “Distributed event-triggered adaptive robust platoon control of connected vehicles with uncertainties subject to invalid communication”, Nonlinear Dynamics 111(20), 19187-19207 (2023). doi:10.1007/s11071-023-08872-2.
Feng, J., He, L., Wang, Y., Yang, J., Ren, H., “Backstepping method based controller design for third-order truck platoon robust to dynamic uncertainty and external disturbance”, Journal of Mechanical Science and Technology 37(3), 1433-1442 (2023). doi:10.1007/s12206-023-0229-8.
Chang, X., Li, H., Rong, J., Zhao, X., Li, A., “Analysis on traffic stability and capacity for mixed traffic flow with platoons of intelligent connected vehicles”, Physica A: Statistical Mechanics and its Applications 557, 124829 (2020). doi:10.1016/j.physa.2020.124829.
Zhang, Y., Xu, Z., Wang, Z., Yao, X., Xu, Z., “Impacts of communication delay on vehicle platoon string stability and its compensation strategy: A review”, Journal of Traffic and Transportation Engineering (English Edition) 10(4), 508-529 (2023). doi:10.1016/j.jtte.2023.04.004.
Zhou, Z., Li, L., Qu, X., Ran, B., “An autonomous platoon formation strategy to optimize CAV car-following stability under periodic disturbance”, Physica A: Statistical Mechanics and its Applications 626, 129096 (2023). doi:10.1016/j.physa.2023.129096.
Luo, L., Liu, Y., Feng, Y., Liu, H. X., Ge, Y.-E., “Stabilizing traffic flow by autonomous vehicles: Stability analysis and implementation considerations”, Transportation Research Part C: Emerging Technologies 158, 104449 (2024). doi:10.1016/j.trc.2023.104449.
Choi, J., Chung, B. D., “Optimizing vehicle route, schedule, and platoon formation considering time-dependent traffic congestion”, Computers & Industrial Engineering 192, 110205 (2024). doi:10.1016/j.cie.2024.110205.
Li, H., et al., “Trustworthy Bayesian Deep Learning Framework for Uncertainty Quantification and Confidence Calibration: Application in Machinery Fault Diagnosis”, Reliability Engineering & System Safety 110657 (2024). doi:10.1016/j.ress.2024.110657.
Rathnakumar, R., Pang, Y., Liu, Y., “Epistemic and aleatoric uncertainty quantification for crack detection using a Bayesian Boundary Aware Convolutional Network”, Reliability Engineering & System Safety 109547 (2023). doi:10.1016/j.ress.2023.109547.
Smith, R. C., Uncertainty quantification: theory, implementation, and applications, SIAM, 2024. doi:10.1137/1.9781611973228.
Zheng, X., Yao, W., Zhang, X., Qian, W., Zhang, H., “Parameterized coefficient fine-tuning-based polynomial chaos expansion method for sphere-biconic reentry vehicle reliability analysis and design”, Reliability Engineering & System Safety 109568 (2023). doi:/10.1016/j.ress.2023.109568.
Yan, W.-J., Zhan, J.-Z., Yuen, K.-V., Ren, W.-X., Papadimitriou, C., “PC-Kriging-powered parallelizing Bayesian updating for stochastic vehicle-track dynamical system with contact force measurements and Gaussian process discrepancy model”, Engineering Structures 318, 118578 (2024). doi:10.1016/j.engstruct.2024.118578.
Zheng, X., Yao, W., Gong, Z., Zhang, X., “Learnable quantile polynomial chaos expansion: An uncertainty quantification method for interval reliability analysis”, Reliability Engineering & System Safety 110036 (2024). doi:10.1016/j.engstruct.2024.118578
Sun, J., Zheng, Z., Sun, J., “The relationship between car following string instability and traffic oscillations in finite-sized platoons and its use in easing congestion via connected and automated vehicles with IDM-based controller”, Transportation Research Part B: Methodological 142, 58-83 (2020). doi:10.1016/j.trb.2020.10.004
Chen, J., Chen, Z., Jiang, W., Guo, H., Chen, L., “A reliability-based design optimization strategy using quantile surrogates by improved PC-kriging”, Reliability Engineering & System Safety 110491 (2025). doi: 10.1016/j.ress.2024.110491
Bhattacharyya, B., Jacquelin, E., & Brizard, D., “Uncertainty quantification of nonlinear stochastic dynamic problem using a Kriging-NARX surrogate model”, Proceedings of the 3rd International Conference on Uncertainty Quantification in Computational Sciences and Engineering, ECCOMAS, pp. 34–46, 2019. doi: 10.7712/120219.6323.18455. doi:/10.7712/120219.6323.18455
Gao, X., Hou, H., Huang, L., Yu, G., Chen, C., “Evaluation of Kriging-NARX modeling for uncertainty quantification of nonlinear SDOF systems with degradation”, International Journal of Structural Stability and Dynamics 21(04), 2150060 (2021). doi: 10.1142/S0219455421500607.
Chen, C., Gao, X., Yu, G., Xu, W., Naing, W., “Time history response prediction of stochastic SDOF structures through Kriging-NARX modeling and adaptive real-time hybrid simulation”, Structures, Elsevier, 65, 106674 (2024). doi: 10.1016/j.istruc.2024.106674.
Stamenov, D., Abbiati, G., Sauder, T., “Data-driven modeling of low-frequency hydrodynamic loads”, Journal of Physics: Conference Series 2875(1), 012043 (Nov. 2024). doi: 10.1088/1742-6596/2875/1/012043.
Viadero-Monasterio, F., Meléndez-Useros, M., Jiménez-Salas, M., Boada, B. L., Boada, M. J. L., “What are the most influential factors in a vehicle platoon?”, 2024 IEEE International Conference on Evolving and Adaptive Intelligent Systems (EAIS), 1-7 (2024). doi: 10.1109/EAIS58494.2024.10569102. doi:10.1109/EAIS58494.2024.10569102.
Yu, W., Ngoduy, D., Hua, X., Wang, W., “On the stability of a heterogeneous platoon-based traffic system with multiple anticipations in the presence of connected and automated vehicles”, Transportation Research Part C: Emerging Technologies 157, 104389 (2023). doi: 10.1016/j.trc.2023.104389.
Viadero-Monasterio, F., Gutiérrez-Moizant, R., Meléndez-Useros, M., Boada, M. J. L., “Static output feedback control for vehicle platoons with robustness to mass uncertainty”, Electronics 14(1), 139 (2025). doi: 10.3390/electronics14010139. doi: 10.3390/electronics14010139.
Li, L. M., & Billings, S. A. Discrete Time Subharmonic Modelling and Analysis: Part 1 MISO NARX Modelling. Research Report. ACSE Research Report 864. Department of Automatic Control and Systems Engineering, University of Sheffield (2004).
Xiaoshu, G., Cheng, C., Hetao, H., Shenghu, J., “Response prediction using the PC-NARX model for SDOF systems with degradation and parametric uncertainties”, Earthquake Engineering and Engineering Vibration 21(2), 325-340 (2022). doi: 10.1007/s11803-022-2091-6.
E. Abdul Jaleel, K. Aparna, “Identification of realistic distillation using hybrid particle swarm optimization and NARX based artificial neural network”, Evolving Systems 10, 149-166 (2019). doi:10.1007/s12530-018-9220-5.
Iman, R. L., “Latin hypercube sampling”, John Wiley & Sons, Ltd. (2008).
Efron, B., Hastie, T., Johnstone, I., Tibshirani, R., “Least Angle Regression”, The Annals of Statistics 32(2), 407-451 (2004).
Lataniotis, C., Wicaksono, D., Marelli, S., Sudret, B., “UQLab user manual - Kriging (Gaussian process modeling)”, Chair of Risk, Safety and Uncertainty Quantification, ETH Zurich, Switzerland, report UQLab-V2.1-105 (2024).