[論文レビュー] An "Xcity" Optimization Approach to Designing Proving Grounds for Connected and Autonomous Vehicles

Rui Chen, Mansur Arief+1 more|arXiv (Cornell University)|Aug 9, 2018

Autonomous Vehicle Technology and Safety参考文献 12被引用数 3

ひとこと要約

本稿では、交通イベントをレーン資産としてモデル化し、非線形最適化問題として定式化することで、接続型・自律走行車両（CAV）のトレーニング施設を設計する最適化フレームワーク「Xcity」を提案する。空間的制約内でシナリオカバレッジと遷移の柔軟性を最大化するアプローチであり、BARONソルバを用いたMcityのレーンマップデータを用いた実験で有効性が示されたが、計算複雑性のためスケーラビリティに限界がある。

ABSTRACT

Proving ground, or on-track testing has been an essential part of testing and validation process for connected and autonomous vehicles (CAV). Several world-class CAV proving grounds, such as Mcity at the University of Michigan and The Castle of Waymo, have already been built, and many more are currently under construction. In this paper, we propose the first optimization approach to CAV proving ground designing and refer to any such CAV-centric design problem as "Xcity" to emphasize the enormous investment, the multi-dimensional spatial consideration, and the immense construction effort emerging globally. Inspired by the recent progress on traffic encounter clustering, we further define "road assets" as fundamental building blocks and formulate the whole design process into nonlinear optimization problems. We have shown that such framework can be utilized to adaptively generate CAV proving ground designs with optimized capability and flexibility and can further be extended to evaluate an existing "Xcity" design.

研究の動機と目的

• 世界的な大規模な投資がなされているにもかかわらず、CAVトレーニング施設の体系的設計理論の欠如に取り組む。
• 現実の走行シナリオを空間的制約のある制御可能なトレーニング施設レイアウトにマッピングする手法を開発する。
• テスト能力（シナリオカバレッジ）と運用の柔軟性（シナリオ間遷移）の両方を最適化する。
• 評価とCAVテストベッド設計の生成に役立つスケーラブルで数学的に根拠のあるフレームワークを提供する。
• インfraストラクチャレベルの最適化を通じて、データドリブンでシナリオベースのCAVシステムの評価を可能にする。

提案手法

• 実世界のデータと交通イベントのクラスタリングから得られる「レーン資産」として、一般的なマルチビークルCAV走行シナリオをモデル化する。
• 各レーン資産をノード、セグメント、接続制約を持つ幾何学的・トポロジカルなエンティティとして表現する。
• 二段階の非線形最適化モデルを定式化する：(1) 資産の空間への妥当なマッピング、(2) 遷移レーン配置による柔軟性最適化。
• 方向性、接続性、交差整合性の制約を満たすために、二乗項と多項式制約を用いる。
• 分枝限定法ソルバ（BARON）を用いて非線形混合整数計画問題を解き、ソルバの性能に対する感度分析も実施する。
• Mcityのレーンマップにフレームワークを適用し、資産を抽出し、小規模なインスタンスでのスケーラビリティを検証する。

実験結果

リサーチクエスチョン

• RQ1 一般的なCAV走行シナリオを、トレーニング施設設計のためのモジュラーなレーン資産として体系的に抽出・表現する方法は何か？
• RQ2 空間的制約のあるCAVトレーニング施設レイアウトにおいて、シナリオカバレッジと遷移の柔軟性を両方最大化する最適化モデルは何か？
• RQ3 最適化モデルの計算複雑性は、レーン資産の数や内部セグメント数とどのようにスケーリングするか？
• RQ4 提案されたフレームワークは、Mcityのような既存のトレーニング施設の評価や再設計に応用可能か？
• RQ5 このクラスのCAVトレーニング施設設計問題において、どの非線形最適化ソルバが最も優れているか？

主な発見

• Xcityフレームワークは、シナリオベースで最適化駆動されたアプローチにより、妥当で柔軟なCAVトレーニング施設レイアウトを効果的に生成した。
• 1～3つのレーン資産の妥当なマッピングは平均31秒未塔で解決され、複雑性が増すにつれて時間も増加した。
• 最大3資産までの柔軟性最適化は計算的に実行可能であったが、4つ以上の資産を含む問題では100秒以内に妥当解が得られなかった。
• モデルの複雑性は、レーン資産の数や内部セグメント数の増加に伴い顕著に増加し、主に二乗項と多項式制約が支配的である。
• BARONは、他のソルバ（例：SCIP、Bonmin）よりも妥当性と解法時間の両面で優れており、この問題クラスの最適な選択肢である。
• 二値変数と非線形制約の指数的増加により、フレームワークにはスケーラビリティの限界があることが示された。今後の研究では分解法の導入が求められる。