⚡ electrical engineering

Constrained Control of PDE Traffic Flow via Spatial Control Barrier Functions

本文通过将控制李雅普诺夫函数理论与空间变化的控制障碍函数相结合，开发了一种受限的可变限速控制策略，通过将控制李雅普诺夫函数理论扩展到宏观偏微分方程交通模型，在严格执行安全约束的同时，将交通密度稳定到期望的剖面。

原作者： Brian Block, Stephanie Stockar

发布于 2026-06-03

📖 1 分钟阅读☕ 轻松阅读

原作者： Brian Block, Stephanie Stockar

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一条长长的环形高速公路，汽车像河流中的水流一样涌动。有时水流平稳，但有时由于过于拥挤，会产生向着车流反方向移动的“交通拥堵”波。这项研究的目标是研究如何管理这条交通河流，使其保持平静并遵循特定的模式，而永远不会因过于拥挤而变得危险。

以下是作者如何解决这一问题的过程，通过简单的概念进行了拆解：

1. 问题所在：驾驶河流

交通工程师使用数学（具体来说是偏微分方程，即 PDEs）来预测交通密度随时间和空间的变化。他们希望利用可变限速控制（VSL）——即改变道路上的限速标志——来控制流量。

把限速标志想象成控制交通河流的遥控器。如果你降低限速，车辆就会减速，从而改变交通“河流”的形状。挑战在于两个方面：

目标 A（稳定性）： 让交通匹配一个特定的、理想的模式（比如让各处的水位都保持一致）。
目标 B（安全性）： 确保水位永远不会过高，导致漫过堤岸（即交通密度永远不会高到引发交通瘫痪事故）。

2. 工具：两种类型的“数学卫士”

作者开发了一种将两种不同的数学工具结合起来，以同时处理这两个目标的新方法。他们将这些工具从简单系统（如单辆车）扩展到了复杂系统（如整条高速公路）。

“稳定器”（控制李雅普诺夫函数 - CLF）

把它想象成一个GPS 导航仪。

它的作用： 它不断检查：“我们是否到达了预定位置？”如果交通密度相对于理想计划过高或过低，GPS 会指示限速标志进行调整，以将交通引导回预定路径。
局限性： GPS 非常擅长带你到达目的地，但它并不总是知道路边有悬崖。为了更快到达目的地，它可能会试图直接把你开进交通拥堵区。

“安全卫士”（空间控制障碍函数 - sCBF）

把它想象成一个围栏建造者。

它的作用： 它在“安全区”周围画出一道无形的围栏。它不在乎目的地，只在乎交通密度永远不会跨越特定的界限（即这道围栏）。如果交通过于接近围栏，这个卫士会立即采取行动，踩下刹车（降低限速），将交通推回安全地带。
局限性： 围栏擅长保证安全，但它无法帮你到达目的地。它只是防止你掉入边缘。

3. 解决方案：“交通交警”

该论文的主要创新在于使用一个数学“决策框”（称为二次规划）将 GPS 和围栏结合成一个交通交警。

运作方式： 交警同时观察两者的指令。
- 它询问 GPS：“我们如何才能达到理想的交通模式？”
- 它询问围栏：“我们是否即将撞向危险区域？”
结果： 交警计算出完美的限速调整方案。它试图尽可能遵循 GPS 的指示，但一旦 GPS 试图将交通推入危险区域，围栏就会接管并覆盖 GPS，以确保所有人安全。

4. 测试中发生了什么？

研究人员在一个 1 公里的环形道路计算机模拟中测试了这一系统。

场景 1（无控制）： 在没有任何帮助的情况下，交通拥堵波形成并扩大，违反了安全限制。
场景 2（仅有 GPS）： 系统成功地将交通平滑到了理想模式，但它不小心将密度推得过高，破坏了安全规则。
场景 3（仅有围栏）： 系统保持了交通安全（从未过度拥挤），但它并没有真正修复交通流；它只是处于一种安全但混乱的状态。
场景 4（组合后的交警）： 这是最终的获胜者。系统成功地将交通平滑至理想模式，同时严格遵守了安全围栏。当“GPS”试图强行推动交通时，“围栏”会温柔地将其拉回，确保交通既安全又不会破坏整体流量。

核心结论

这篇论文证明了你可以将“达到目标”与“保持安全”相结合，应用于像交通这样复杂的运动系统。通过使用这些新型的“空间”卫士，他们创建了一个既能保持交通流畅运行，又绝不会让其变得危险拥挤的控制器。

技术摘要：基于空间控制障碍函数的 PDE 交通流约束控制

问题陈述
交通管理系统旨在减少拥堵并将交通密度调节至期望的分布剖面。然而，现有的控制策略往往无法显式地执行状态约束，例如防止交通密度超过预设的安全限制或避免极端的车速。虽然可变限速（VSL）控制是影响偏微分方程（PDE）模型交通流的一种常用机制，但大多数方法要么将 PDE 离散化为常微分方程（ODE）进行控制器设计，要么仅侧重于调节而无法保证系统保持在安全运行范围内。因此，需要一种能够直接在 PDE 层级运行的控制框架，以同时实现向期望剖面的稳定化，并利用前向不变性来强制执行安全约束。

方法论
作者开发了一个统一的控制框架，将控制李雅普诺夫函数（CLF）和控制障碍函数（CBF）理论从 ODE 系统扩展到 PDE 的域内控制。

交通模型： 本研究利用了 Lighthill–Whitham–Richards (LWR) 模型，这是一种描述交通密度 ( $\rho$ ) 和流量 ( $q$ ) 的一阶双曲守恒方程。该模型采用了三角形基本图。VSL 驱动通过使用随空间和时间变化的限速比 $b(z,t)$ 来修改基本图来实现。控制输入定义为 VSL 比率的空间梯度， $u = \partial \Delta b / \partial z$ 。
稳定控制 (CLF)： 作者通过将李雅普诺夫函数 $V(t)$ 定义为交通密度相对于期望剖面的二次偏差，将 CLF 理论扩展到了 PDE。通过推导反馈控制律，确保 $V$ 的时间导数为负定，从而驱动系统趋向于期望密度。
安全控制 (sCBF)： 为了执行安全性，通过引入空间变化的控制障碍函数（sCBF），将控制障碍函数的概念适配于 PDE。安全集由交通密度的时空变化上限 $\lambda(z,t)$ 定义。构建 sCBF 以确保该集合的前向不变性，防止密度超过预设限制。
统一优化框架： 稳定 CLF 和安全 sCBF 被统一在二次规划（QP）框架内。控制器在每个空间点和时间点求解一个优化问题，旨在最小化与期望控制输入的偏差，同时满足 CLF 稳定性条件和 sCBF 安全条件。其中包含了一个松弛变量以确保问题的可解性。

核心贡献

将 CLF/CBF 扩展至 PDE： 本文将此前已在 ODE 中建立的 CLF 和 CBF 理论基础扩展到了由 PDE 控制的无限维系统。
空间变化的控制障碍函数： 提出了一种新型的 sCBF 公式，允许直接在 PDE 层级定义并执行安全约束，而非依赖于离散化近似。
统一约束控制： 作者提出了一个基于 QP 的控制器，能够在单个优化步骤中同时实现向期望交通密度剖面的调节以及状态约束（安全性）的执行。
域内 VSL 控制： 该框架专门应用于 LWR 模型的域内 VSL 控制，为调节交通流并维持安全性提供了一种直接的方法。

结果
所提出的控制器通过一个具有周期性边界条件的环形道路（长度 $L=1000$ m）模拟案例研究得到了验证。研究对比了三种场景：

仅 CLF 控制： 成功地将密度驱动至期望剖面，但当期望剖面或初始条件将系统推向拥堵时，违反了安全边界（密度限制）。
仅 sCBF 控制： 通过降低限速成功地将密度维持在安全集内，但未能将系统驱动至期望的密度剖面，导致与目标的显著偏差。
结合 CLF+sCBF 控制： 该方法成功平衡了两个目标。当期望剖面位于安全集内时，控制器主要作为稳定器起作用。当期望剖面或系统动力学威胁到违反安全约束时，sCBF 约束变得活跃，强制降低限速以维持安全性，同时尽可能接近期望的密度剖面。

结果表明，在安全性不在风险之中时，引入约束控制对稳定控制输入的干扰极小；但在必要时，它能有效地介入以将密度维持在定义的安全集内。

意义与主张
本文声称提供了一种直接在 PDE 层级执行安全性关键约束的新型公式，避免了基于离散化方法的潜在误差。通过统一 CLF 和 sCBF 理论，作者提供了一种方法，既能保证交通密度保持在预设限制内，又能同时将系统调节至期望状态。本研究强调，虽然障碍函数在 ODE（例如自适应巡航控制）中已得到充分应用，但在 PDE 系统中用于域内控制的应用仍有待深入探索。作者将这项工作定位为迈向鲁棒且具备安全性保证的交通管理的关键一步，并指出未来的工作将侧重于开发依赖于控制输入和车辆速度的 sCBF，并将这些方法应用于最优控制器设计。