[논문 리뷰] Traffic Control via Connected and Automated Vehicles: An Open-Road Field Experiment with 100 CAVs

Jonathan Lee, Han Wang외 62명|arXiv (Cornell University)|2024. 02. 26.

Traffic control and management인용 수 7

한 줄 요약

이 논문은 MegaController/MegaVanderTest—계층적, 모듈식 제어 프레임워크를 통해 혼합 자율 주행 환경에서 교통 흐름을 매끄럽하게 만들기 위해 중앙 집중식 속도 계획자와 분산 차량 제어기를 쌍으로 사용한 100대 CAV의 도로 현장 실험을 제시합니다.

ABSTRACT

The CIRCLES project aims to reduce instabilities in traffic flow, which are naturally occurring phenomena due to human driving behavior. These "phantom jams" or "stop-and-go waves,"are a significant source of wasted energy. Toward this goal, the CIRCLES project designed a control system referred to as the MegaController by the CIRCLES team, that could be deployed in real traffic. Our field experiment leveraged a heterogeneous fleet of 100 longitudinally-controlled vehicles as Lagrangian traffic actuators, each of which ran a controller with the architecture described in this paper. The MegaController is a hierarchical control architecture, which consists of two main layers. The upper layer is called Speed Planner, and is a centralized optimal control algorithm. It assigns speed targets to the vehicles, conveyed through the LTE cellular network. The lower layer is a control layer, running on each vehicle. It performs local actuation by overriding the stock adaptive cruise controller, using the stock on-board sensors. The Speed Planner ingests live data feeds provided by third parties, as well as data from our own control vehicles, and uses both to perform the speed assignment. The architecture of the speed planner allows for modular use of standard control techniques, such as optimal control, model predictive control, kernel methods and others, including Deep RL, model predictive control and explicit controllers. Depending on the vehicle architecture, all onboard sensing data can be accessed by the local controllers, or only some. Control inputs vary across different automakers, with inputs ranging from torque or acceleration requests for some cars, and electronic selection of ACC set points in others. The proposed architecture allows for the combination of all possible settings proposed above. Most configurations were tested throughout the ramp up to the MegaVandertest.

연구 동기 및 목표

• 인간 운전 행동으로 인한 교통 불안정성(팬텀 정체)의 감소를 동기화합니다.
• 혼합 자율 주행 트래픽을 위한 모듈식이고 계층적인 제어 프레임워크(Speed Planner + Vehicle Controllers)를 설계하고 배치합니다.
• 확장 가능한 제어 아키텍처 내에서 이종 차량 계측 및 센싱을 가능하게 합니다.
• 다양한 차량 제조사/모델을 포함하는 대규모 오픈 도로 테스트에서 MegaController의 실제 성능을 평가합니다.

제안 방법

• server 측 Speed Planner와 차량 측 Vehicle Controllers를 갖춘 이층형 MegaController 아키텍처를 제안합니다.
• 이종 차량 인터페이스 및 센싱 능력을 수용하기 위해 모듈식 설계를 사용합니다.
• INRIX 및 AV 핑 데이터의 데이터 융합을 활용하여 교통 상태 추정(Traffic State Estimation) 및 속도 계획을 수행합니다.
• 안전 및 차선 변경 복구 메커니즘을 갖춘 가속 기반 및 ACC 기반의 차량 제어기를 구현합니다.
• 맥도식적(macroscopic) 및 미시적(microscopic) 교통 다이나믹스를 모델링하고, 평균장(mean-field) 한계를 분석하여 유한한 자율주행 차량(Fleet)을 연속체(continuum) 설명과 연결합니다.
• I-24에서 100대 차량으로의 실험 배치(MegaVanderTest) 및 개방 도로 데이터 수집에 대해 설명합니다.

실험 결과

연구 질문

• RQ1 중앙집중식 속도 계획자와 분산된 차량 제어기가 오픈 도로의 혼합 자율 주행 트래픽에서 정지-출발 파장을 감소시킬 수 있는가?
• RQ2 이종 소스(INRIX 및 AV 핑)로부터의 데이터 융합이 교통 상태 추정 및 속도 계획에 어떤 영향을 미치는가?
• RQ3 대규모 AV 배치에 필요한 모듈식, 차량 이질적 제어 프레임워크의 설계상의 이점과 도전과제는 무엇인가?
• RQ4 가속 기반 제어와 ACC 기반 제어의 안정성 및 안전성 고려사항은 혼합 차량에서 어떤 차이가 있는가?
• RQ5 연구 세계의 최적 제어를 위해 거시적 모델(ODE/PDE, 평균장 한계)이 실세계 설정에 어떻게 정보를 제공하는가?

주요 결과

• MegaVanderTest는 2022년 11월에 100대 차량을 배치하였으며, 교통 매끄럽화를 위한 대규모 오픈 도로 테스트를 대표합니다.
• MegaController는 중앙 집중식 Speed Planner와 분산된 Vehicle Controllers를 통합하여 흐름 개선을 조정합니다.
• 이 아키텍처는 이종 차량 플랫폼 간 다양한 제어 알고리즘 및 센싱 인터페이스를 지원합니다.
• Speed Planner는 다수 소스의 데이터를 융합하고 지연을 고려하여 교통 상태 추정 및 목표 속도 설계를 향상시킵니다.
• 차량 제어기는 가속 기반 또는 ACC 기반 입력을 사용할 수 있으며, 안전 래퍼 및 차선 변경 복구 메커니즘을 통해 안전성과 성능을 유지합니다.
• 본 연구는 거시적 흐름 제어 접근법을 미시적 차량 역학과 연결하고 향후 이를 분석하기 위한 평균장(mean-field) 형식을 논의합니다.