[论文解读] 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 5

一句话总结

本文提出了一种协作感知环境，通过融合联网与自动驾驶车辆（CAVs）及基础设施传感器的激光雷达点云数据，以增强交通监控与控制。通过使用最先进的3D检测模型整合多源感知数据，该系统在极低CAV渗透率下即可实现相当于30%以上CAV渗透率的性能，证明了其极高的数据采集效率。

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.

研究动机与目标

• 开发一种协作感知环境，整合联网与自动驾驶车辆（CAVs）及基础设施传感器的数据，以改善交通运行与控制。
• 评估将CAV激光雷达数据与基于基础设施的传感器相结合，在低CAV渗透率下提升交通感知效果的有效性。
• 证明协作感知系统可在极低CAV采用率下实现相当于高联网车辆渗透率（例如30%或以上）的性能。
• 通过等效联网车辆渗透率（E-CVPR）概念，量化协作系统的数据采集效率。
• 通过在协同仿真环境中集成自适应信号控制模型，验证系统在实时交通控制中的实用性。

提出的方法

• 将来自CAVs和安装在基础设施上的传感器的激光雷达点云数据融合到统一的感知环境中。
• 在合并的点云上应用最先进的3D目标检测模型，以高精度检测车辆。
• 使用结合CARLA（用于车辆动力学与感知）和SUMO（用于交通仿真）的协同仿真平台来评估系统性能。
• 实施最大压力自适应信号控制算法，以测试系统对交通运行的影响。
• 使用等效联网车辆渗透率（E-CVPR）量化性能，表示能产生相当性能的联网车辆比例。
• 采用分布式数据融合架构，以实现实时来自多个CAVs和固定基础设施传感器的感知更新。

实验结果

研究问题

• RQ1 结合CAV与基础设施激光雷达数据的协作感知系统，是否能在低CAV渗透率下实现高精度交通监控？
• RQ2 在不同渗透率下，协作感知系统的性能与仅依赖联网车辆的传统系统相比如何？
• RQ3 协作系统的等效联网车辆渗透率（E-CVPR）是多少？其在不同CAV渗透率水平下如何变化？
• RQ4 协作感知系统在城市交通场景中，能在多大程度上提升自适应信号控制性能？
• RQ5 该系统在低密度CAV部署下稀疏数据条件下的鲁棒性如何？

主要发现

• 仅使用5% CAV渗透率与一个基础设施传感器，协作感知系统即可实现与30% CAV渗透率相当的信号控制性能。
• 在5% CAV渗透率与一个基础设施传感器条件下，系统实现了约30%的等效联网车辆渗透率（E-CVPR），表明其具有极高的数据效率。
• 将CAV与基础设施激光雷达数据结合，显著提升了车辆检测精度与时空覆盖范围，优于单独使用任一数据源。
• 系统在多个仿真场景中均保持一致的性能提升，证明其对不同交通条件具有鲁棒性。
• 最大压力自适应信号控制模型从协作感知数据中获益显著，有效降低了平均延误与排队长度。
• 结果证实，基础设施传感器可大幅降低实现有效交通监控与控制所需的CAV渗透率。