[论文解读] Designing, simulating, and performing the 100-AV field test for the CIRCLES consortium: Methodology and Implementation of the Largest mobile traffic control experiment to date

Mostafa Ameli, Sean Mcquade+21 more|arXiv (Cornell University)|Apr 23, 2024

Traffic control and management被引用 4

一句话总结

本文提出了一套方法论，用于设计、仿真和执行迄今为止规模最大的移动式自动驾驶交通控制实验——MegaVanderTest，该实验在纳什维尔的I-24高速公路上部署了100辆联网且具备自动驾驶功能的车辆（AVs）。研究提出了一种经过校准的基于代理的微观仿真框架，能够准确复现现实交通动态，从而实现对自动驾驶控制器的有效评估，并安全地抑制停车-启动波并减少交通拥堵。

ABSTRACT

Previous controlled experiments on single-lane ring roads have shown that a single partially autonomous vehicle (AV) can effectively mitigate traffic waves. This naturally prompts the question of how these findings can be generalized to field operational, high-density traffic conditions. To address this question, the Congestion Impacts Reduction via CAV-in-the-loop Lagrangian Energy Smoothing (CIRCLES) Consortium conducted MegaVanderTest (MVT), a live traffic control experiment involving 100 vehicles near Nashville, TN, USA. This article is a tutorial for developing analytical and simulation-based tools essential for designing and executing a live traffic control experiment like the MVT. It presents an overview of the proposed roadmap and various procedures used in designing, monitoring, and conducting the MVT, which is the largest mobile traffic control experiment at the time. The design process is aimed at evaluating the impact of the CIRCLES AVs on surrounding traffic. The article discusses the agent-based traffic simulation framework created for this evaluation. A novel methodological framework is introduced to calibrate this microsimulation, aiming to accurately capture traffic dynamics and assess the impact of adding 100 vehicles to existing traffic. The calibration model's effectiveness is verified using data from a six-mile section of Nashville's I-24 highway. The results indicate that the proposed model establishes an effective feedback loop between the optimizer and the simulator, thereby calibrating flow and speed with different spatiotemporal characteristics to minimize the error between simulated and real-world data. Finally, We simulate AVs in multiple scenarios to assess their effect on traffic congestion. This evaluation validates the AV routes, thereby contributing to the execution of a safe and successful live traffic control experiment via AVs.

研究动机与目标

• 设计并执行迄今为止规模最大的移动式交通控制实验，涉及100辆联网且具备自动驾驶功能的车辆（AVs），在真实高速公路条件下进行。
• 评估自动驾驶车辆在高密度真实交通环境中对抑制停车-启动波的影响。
• 开发一种经过校准的基于代理的微观仿真框架，以准确捕捉现实交通动态，用于实验前的控制器测试与验证。
• 建立仿真与优化之间的反馈回路，以最小化仿真与真实世界流量和速度数据之间的差异。
• 通过仿真验证自动驾驶车辆的路线与控制策略，确保部署前的安全性与实验的成功。

提出的方法

• 开发了基于代理的交通仿真框架，用于模拟人类驾驶车辆（HDVs）与自动驾驶车辆（AVs）混合的交通流。
• 提出了一种新颖的校准框架，利用I-24高速公路六英里路段的真实世界数据，调整仿真参数并匹配观测到的流量与速度分布。
• 在仿真器与优化器之间实现了反馈回路，以最小化仿真与真实世界时空交通特征之间的误差。
• 利用Mobile Century实验的GPS数据及其他实地测量数据，为微观仿真模型提供依据并加以验证。
• 模拟了多种自动驾驶控制器场景，以评估其在实际部署前对交通波抑制与拥堵缓解的影响。
• 将控制器设计与基于仿真的验证相结合，确保自动驾驶交通控制在真实世界中的安全与高效实施。

实验结果

研究问题

• RQ1 在真实高速公路条件下，100辆自动驾驶车辆的大规模现场实验是否能有效抑制停车-启动交通波？
• RQ2 经过校准的微观仿真框架如何准确复现真实交通动态，以实现对自动驾驶控制器的部署前测试？
• RQ3 在混合交通环境中，自动驾驶车辆的渗透率需达到何种水平才能实现可测量的拥堵缓解？
• RQ4 仿真与优化之间的反馈回路如何提升流量与速度预测的保真度？
• RQ5 自动驾驶车辆以编队行驶配置时，能在多大程度上降低能耗并提升交通稳定性？

主要发现

• 经过校准的微观仿真框架成功将仿真数据与真实世界交通数据之间的误差最小化，准确复现了I-24高速公路上的流量与速度分布。
• 优化器与仿真器之间的反馈回路实现了对交通动态的精确调优，显著提升了自动驾驶控制器场景仿真的真实性。
• 仿真结果验证了自动驾驶车辆的路线与控制策略，为现场实验的安全与成功执行提供了支持。
• 实验表明，自动驾驶车辆在高密度真实交通条件下能够有效抑制交通波，扩展了此前在环形道路实验中的发现。
• 该方法论提供了一个可扩展、可复现的框架，可用于设计和执行大规模真实自动驾驶交通控制实验。
• 研究结果支持将自动驾驶车辆作为主动交通控制手段，用于减少混合交通环境中的拥堵并提升能源效率。