[論文レビュー] A Cooperative Perception Environment for Traffic Operations and Control

Hanlin Chen, Brian Liu+4 more|arXiv (Cornell University)|Aug 4, 2022

Traffic Prediction and Management Techniques被引用数 5

ひとこと要約

本稿では、連結自動運転車（CAV）とインフラセンサーからのLiDAR点群を統合することで、交通モニタリングおよび制御を向上させる協調的認識環境を提案する。最新の3次元物体検出モデルを用いて複数ソースの認識データを統合することで、非常に低いCAVの普及率であっても30%以上のCAV普及率と同等の性能を達成し、高いデータ収集効率を示している。

ABSTRACT

Existing data collection methods for traffic operations and control usually rely on infrastructure-based loop detectors or probe vehicle trajectories. Connected and automated vehicles (CAVs) not only can report data about themselves but also can provide the status of all detected surrounding vehicles. Integration of perception data from multiple CAVs as well as infrastructure sensors (e.g., LiDAR) can provide richer information even under a very low penetration rate. This paper aims to develop a cooperative data collection system, which integrates Lidar point cloud data from both infrastructure and CAVs to create a cooperative perception environment for various transportation applications. The state-of-the-art 3D detection models are applied to detect vehicles in the merged point cloud. We test the proposed cooperative perception environment with the max pressure adaptive signal control model in a co-simulation platform with CARLA and SUMO. Results show that very low penetration rates of CAV plus an infrastructure sensor are sufficient to achieve comparable performance with 30% or higher penetration rates of connected vehicles (CV). We also show the equivalent CV penetration rate (E-CVPR) under different CAV penetration rates to demonstrate the data collection efficiency of the cooperative perception environment.

研究の動機と目的

• 連結自動運転車（CAV）とインフラセンサーからのデータを統合する協調的認識環境を構築し、交通運用および制御の改善を図ること。
• 低CAV普及率下でのCAVのLiDARデータとインフラベースのセンサーを組み合わせることによる交通認識の向上効果を評価すること。
• 最小限のCAV導入で、高い連結自動運転車普及率（例：30%以上）と同等の性能を達成できるかどうかを実証すること。
• 等価連結自動運転車普及率（E-CVPR）の概念を用いて、協調的システムのデータ収集効率を定量すること。
• 共同シミュレーション環境に適応信号制御モデルを統合することで、リアルタイム交通制御におけるシステムの有効性を検証すること。

提案手法

• CAVとインフラに設置されたセンサーからのLiDAR点群データを統合し、統一された認識環境を構築する。
• 統合された点群に最新の3次元物体検出モデルを適用し、高い精度で車両を検出する。
• CARLA（車両の運動および認識を模擬）とSUMO（交通シミュレーション）を組み合わせた共同シミュレーションプラットフォームを用いて、システム性能を評価する。
• 交通運用への影響をテストするために、最大圧力適応信号制御アルゴリズムを実装する。
• 等価連結自動運転車普及率（E-CVPR）を用いて性能を定量し、同等の性能を達成するための連結自動運転車率を表す。
• 複数のCAVおよび固定インフラセンサーからのリアルタイム認識更新を可能にする分散型データ統合アーキテクチャを採用する。

実験結果

リサーチクエスチョン

• RQ1 CAVとインフラのLiDARデータを統合する協調的認識システムは、低CAV普及率下でも高精度な交通モニタリングを達成できるか？
• RQ2 さまざまな普及率下における、協調的認識システムと従来のCAV専用システムの性能を比較するとどうなるか？
• RQ3 協調的システムの等価連結自動運転車普及率（E-CVPR）は何か？また、異なるCAV普及率レベルに応じてどのように変化するか？
• RQ4 都市部の交通シナリオにおいて、協調的認識システムは適応信号制御の性能をどの程度向上できるか？
• RQ5 低密度のCAV導入によるスパarsなデータに対して、システムはどの程度の耐性を示すか？

主な発見

• 5%のCAV普及率に加えて1台のインフラセンサーを搭載した場合、信号制御性能が30%のCAV普及率と同等の水準に達する。
• 5%のCAV普及率と1台のインフラセンサーを組み合わせた場合、等価連結自動運転車普及率（E-CVPR）は約30%に達し、高いデータ効率を示している。
• CAVとインフラのLiDARデータの統合は、単独で使用するいずれのソースよりも、車両検出精度と空間的・時間的カバレッジを顕著に向上させる。
• 複数のシミュレーションシナリオにわたり一貫した性能向上を示し、さまざまな交通状況に耐性があることが確認された。
• 最大圧力適応信号制御モデルは協調的認識データにより著しく利益を享受し、平均遅延とクルーズ長が短縮された。
• 結果から、インフラセンサーが効果的な交通モニタリングおよび制御を実現するための必要なCAV普及率を顕著に低減できることを確認した。