In this paper, we present a data-driven Model Predictive Controller that leverages a Gaussian Process to generate optimal motion policies for connected autonomous vehicles in regions with uncertainty in the wireless channel. The communication channel between the vehicles of a platoon can be easily influenced by numerous factors, e.g. the surrounding environment, and the relative states of the connected vehicles, etc. In addition, the trajectories of the vehicles depend significantly on the motion policies of the preceding vehicle shared via the wireless channel and any delay can impact the safety and optimality of its performance. In the presented algorithm, Gaussian Process learns the wireless channel model and is involved in the Model Predictive Controller to generate a control sequence that not only minimizes the conventional motion costs, but also minimizes the estimated delay of the wireless channel in the future. This results in a farsighted controller that maximizes the amount of transferred information beyond the controller's time horizon, which in turn guarantees the safety and optimality of the generated trajectories in the future. To decrease computational cost, the algorithm finds the reachable set from the current state and focuses on that region to minimize the size of the kernel matrix and related calculations. In addition, we present an efficient recursive approach to decrease the time complexity of developing the data-driven model and involving it in Model Predictive Control. We demonstrate the capability of the presented algorithm in a simulated scenario.

中文翻译：

---

具有不确定无线信道的联网车辆的基于高斯过程的模型预测控制器

在本文中，我们提出了一种数据驱动的模型预测控制器，它利用高斯过程为无线信道不确定区域中的联网自动驾驶汽车生成最佳运动策略。一个排的车辆之间的通信通道很容易受到许多因素的影响，例如周围环境、连接车辆的相对状态等。此外，车辆的轨迹在很大程度上取决于前面的运动策略。通过无线信道共享车辆，任何延迟都会影响其性能的安全性和最佳性。在提出的算法中，高斯过程学习无线信道模型并参与模型预测控制器以生成一个控制序列，该序列不仅最小化传统的运动成本，同时也最大限度地减少了未来无线信道的估计延迟。这导致有远见的控制器最大限度地传输超出控制器时间范围的信息量，从而保证未来生成轨迹的安全性和最优性。为了降低计算成本，该算法从当前状态中找到可达集，并专注于该区域以最小化内核矩阵和相关计算的大小。此外，我们提出了一种有效的递归方法来降低开发数据驱动模型并将其纳入模型预测控制的时间复杂度。我们在模拟场景中展示了所提出算法的能力。这导致有远见的控制器最大限度地传输超出控制器时间范围的信息量，从而保证未来生成轨迹的安全性和最优性。为了降低计算成本，该算法从当前状态中找到可达集，并专注于该区域以最小化内核矩阵和相关计算的大小。此外，我们提出了一种有效的递归方法来降低开发数据驱动模型并将其纳入模型预测控制的时间复杂度。我们在模拟场景中展示了所提出算法的能力。这导致有远见的控制器最大限度地传输超出控制器时间范围的信息量，从而保证未来生成轨迹的安全性和最优性。为了降低计算成本，该算法从当前状态中找到可达集，并专注于该区域以最小化内核矩阵和相关计算的大小。此外，我们提出了一种有效的递归方法来降低开发数据驱动模型并将其纳入模型预测控制的时间复杂度。我们在模拟场景中展示了所提出算法的能力。这反过来又保证了未来生成轨迹的安全性和最优性。为了降低计算成本，该算法从当前状态中找到可达集，并专注于该区域以最小化内核矩阵和相关计算的大小。此外，我们提出了一种有效的递归方法来降低开发数据驱动模型并将其纳入模型预测控制的时间复杂度。我们在模拟场景中展示了所提出算法的能力。这反过来又保证了未来生成轨迹的安全性和最优性。为了降低计算成本，该算法从当前状态中找到可达集，并专注于该区域以最小化内核矩阵和相关计算的大小。此外，我们提出了一种有效的递归方法来降低开发数据驱动模型并将其纳入模型预测控制的时间复杂度。我们在模拟场景中展示了所提出算法的能力。我们提出了一种有效的递归方法来降低开发数据驱动模型并将其纳入模型预测控制的时间复杂度。我们在模拟场景中展示了所提出算法的能力。我们提出了一种有效的递归方法来降低开发数据驱动模型并将其纳入模型预测控制的时间复杂度。我们在模拟场景中展示了所提出算法的能力。