Koopman-based NMPC for Virtually Coupled Train Control System

技術要約：仮想連結列車制御システムのためのKoopmanに基づくNMPC

問題提起
本論文は、複数の列車ユニットが列車間（T2T）通信を介して、一定の速度を維持しながら短距離で協調的に走行する仮想連結列車システムにおける制御上の課題に対処している。仮想連結は高効率かつ高密度な鉄道運行を約束する一方で、リアルタイムの情報交換、精密な速度調整、および厳格な安全確保という厳しい要求を課している。

既存の制御戦略には以下のトレードオフが存在する：

• 線形MPCアプローチは、局所的な線形化に依存することが多く、牽引および制動のダイナミクスに内在する非線形性を捉えきれない可能性があり、スムーズな運行やリソース利用率を損なう恐れがある。
• **非線形モデル予測制御（NMPC）**は、非線形ダイナミクスと制約条件を扱う統一されたフレームワークを提供するが、非凸最適化による計算コストが高く、安全性が重視されるアプリケーションへのリアルタイム実装が困難である。
• データ駆動型手法（例：ニューラルネットワーク、深層強化学習）は、解釈性に欠け、ハードな運用制約を確実に遵守させることが困難である。

核心となる問題は、非線形な列車ダイナミクスと複雑な安全制約（特に速度の二乗項を含む衝突回避）を同時に処理しつつ、リアルタイム実行に必要な計算効率を確保する制御フレームワークを開発することである。

手法
著者らは、**解析的Koopmanに基づく非線形モデル予測制御（K-NMPC）**アプローチを提案している。その手法は以下の通りである：

1. システムモデリング： 列車のダイナミクスは、位置、速度、制御入力（牽引力／制動力）、走行抵抗、および付加抵抗を組み込んだニュートンの運動法則を用いてモデル化される。制約には、速度制限、制御入力の範囲、ジャーク制限、および衝突回避制約（制動距離や反応時間に関連する非線形項を含む）が含まれる。
2. 解析的リフティング： データ駆動型の同定（例：EDMD）の代わりに、著者らは解析的リフティング手順を採用している。彼らは、元の状態（位置、速度）と、制約およびダイナミクスに現れる非線形項（具体的には速度の二乗 $v_i^2$）を含む一連のKoopman観測量を定義する。
   • 初期観測量集合は $\Phi_{in} = \{p_i, v_i, v_i^2\}$ である。
   • ダイナミクスの完全な基底を確保するために、高次の単項式（$v_i^n$、$n \ge 3$）も理論的には含まれるが、実用的な次元削減のために最大多項式次数 $\bar{n}$ を用いた縮小基底が使用される。
3. Koopmanリフトされたシステム： 非線形システムは、無限次元の双線形Koopmanリフトシステムへと変換される。これは、有限次元の**アフィン・パラメータ・バリアント（APV）**システムによって近似される。
4. 予測と最適化：
   • APVモデルは、畳み込み積分の閉形式解を用いて離散化される。
   • 決定的な手法として、著者らはシフトされた予測軌道（前ステップの解に基づく）に沿って、リフトされた予測器の**アフィン・パラメータを固定（freeze）**する。
   • この固定により、オンライン最適制御問題は、非凸な非線形計画問題から**二次計画問題（QP）**へと変換される。
5. ベースライン比較： 提案されたK-NMPCは、CasADiフレームワークとIPOPTソルバーを用いて元の非線形最適化問題を直接解く標準的な離散時間NMPCスキームと比較検証される。

主な貢献

• 安全制約のための解析的リフティング： 本論文は、非線形な安全制約（特に $v^2$ 項を含む衝突回避）を、解釈性の低下や高次元化を招くデータ駆動型の辞書選択を避けて、いかに体系的にKoopman観測空間へと解析的にリフトできるかを実証している。
• QP定式化による計算効率： 軌道に沿ってAPVパラメータを固定することにより、本手法は本質的に非凸であるNMPC問題を凸なQPへと変換する。これにより、非凸なNLPを解く場合に比べて、オンラインの計算負荷が大幅に軽減される。
• 統一されたフレームワーク： このアプローチは、局所的な線形化やブラックボックス的なデータ駆動近似に頼ることなく、非線形な列車ダイナミクスと運用制約の両方を扱う統一されたフレームワークを提供する。

結果
提案手法は、北京地下鉄亦荘線（通州南駅から金海路駅間）の現実的な運用データを用いた2編成の列車形成による数値シミュレーションを通じて検証された。

• 追従性能： K-NMPCはベースラインのNMPCと同等の追従性能を達成した。具体的には、速度偏差およびエネルギー消費指数をほぼ同一に保ちつつ、平均絶対車間距離偏差を約49%（0.237 mから0.122 mへ）減少させた。
• 計算時間： K-NMPCは優れた計算効率を示した。
  • 予測ホライゾン（$N_p$）が6から20の範囲において、K-NMPCの平均計算時間は5.4 msから17.0 msの範囲であり、最大値は23 msを下回った。
  • 対照的に、ベースラインのNMPCは平均20.2 msから29.1 msを要し、最大時間は64～89 msに達した。
  • K-NMPCは、平均計算時間を40～70%、最大計算時間を最大**85%**削減した。
• 制約充足： 両方のコントローラが力、変化率、および衝突回避の制約を満たしたが、K-NMPCは初期の過渡状態の後に、より滑らかな制御変化を示した。

意義と主張
本論文は、提案されたK-NMPCアプローチが、仮想連結列車制御システムのリアルタイム実装のための実行可能な解決策を提供すると主張している。解析的リフティングとパラメータ固定を通じて、非線形最適制御問題を効率的に解ける二次計画問題へと変換することにより、本手法は、高精度な非線形モデリングの必要性と、安全性が重視される鉄道運行における厳格なリアルタイム要件を両立させている。著者らは、このアプローチが標準的なNMPCと同等の制御性能を維持しながら、大幅な計算速度の向上を実現しており、高密度な鉄道シナリオにおける実用的な展開に向けた強力な候補であることを主張している。