[论文解读] Distributed Cooperative Driving in Multi-Intersection Road Networks

Huaxin Pei, Yi Zhang+3 more|arXiv (Cornell University)|Apr 21, 2021

Traffic control and management参考文献 41被引用 5

一句话总结

本文提出一种用于多交叉口路网的分布式协同驾驶策略，通过结构化信息交换在相邻区域之间实现预测性协调，将大规模协调问题分解为局部子问题。仿真结果表明，该方法在各种交通条件下均保持计算可行性的同时，实现了显著的延迟减少——相比纯分布式策略最高提升35%。

ABSTRACT

Cooperative driving at isolated intersections attracted great interest and had been well discussed in recent years. However, cooperative driving in multi-intersection road networks remains to be further investigated, because many algorithms for isolated intersection cannot be directly adopted for road networks. In this paper, we propose a distributed strategy to appropriately decompose the problem into small-scale sub-problems that address vehicle cooperation within limited temporal-spatial areas and meanwhile assure appropriate coordination between adjacent areas by specially designed information exchange. Simulation results demonstrate the efficiency-complexity balanced advantage of the proposed strategy under various traffic demand settings.

研究动机与目标

• 为解决多交叉口路网中网络级协同驾驶的挑战，因多个冲突区域之间的车辆依赖关系，孤立交叉口解决方案失效。
• 通过空间与时间上的问题分解，在保持交通效率的同时降低大规模车辆协调的计算复杂度。
• 实现分布式、可扩展且实时的轨迹规划，避免集中式方法中常见的因果循环问题。
• 通过有限且可靠的V2X通信，在相邻冲突区域之间引入预测性协调，提升交通效率。

提出的方法

• 将路网划分为空间子区域：交叉口控制区（l_c = 200m）和相邻路段（l_r），其中l_r根据性能进行调优。
• 采用时间驱动的滚动时域优化，每ΔT秒重新触发一次规划，以实现动态、实时的更新。
• 每个子区域利用相邻区域预测的车辆状态执行本地轨迹优化，确保边界处的协调运动。
• 相邻子区域之间的信息交换经过精心设计，以传播未来车辆状态并避免循环依赖。
• 通过预测性协调提前预判控制区外的车辆行为，提升全局效率。
• 通过结构化数据共享实现决策分散化，同时保持协调，避免集中式优化。

实验结果

研究问题

• RQ1 如何在不产生计算成本过高的前提下，将协同驾驶从孤立交叉口有效扩展至大规模多交叉口路网？
• RQ2 空间子问题规模（l_r）对协调性能与延迟减少的影响如何？
• RQ3 规划更新频率（ΔT）在分布式环境中对系统性能与稳定性的影响如何？
• RQ4 分布式策略能否在避免轨迹规划中因果循环的同时实现接近最优的性能？

主要发现

• 所提出的分布式策略（DS）相比纯分布式策略（PDS），将交叉口1的平均延迟降低高达35%，显著提升了效率。
• 随着路段长度（l_r）增加，性能进一步提升，表明引入更多外部车辆信息可增强协调性并减少延迟。
• 更小的时间间隔（ΔT）导致更低的平均延迟，因为轨迹更新更频繁，响应能力更强。
• DS的性能增益随ΔT增大而提升，表明当规划间隔延长至某一稳定阈值时，预测性协调效果更显著。
• 该方法在计算复杂度与交通效率之间实现了良好平衡，在不同交通需求设置和网络拓扑下均表现出良好的泛化能力。