[论文解读] A Cooperation-Aware Lane Change Method for Autonomous Vehicles

Zihao Sheng, Lin Liu+4 more|arXiv (Cornell University)|Jan 26, 2022

Traffic control and management被引用 6

一句话总结

本文提出了一种面向自动驾驶汽车的协作感知变道方法，通过整合交互式轨迹预测与模型预测控制（MPC），降低保守性并提升驾驶效率。通过预测周围车辆在变道过程中可能采取的协作行为，并将这些预测结果融入决策与运动规划，该方法使本车效率提升14.8%，周围车辆效率提升2.6%，相较非协作基线方法表现更优。

ABSTRACT

Lane change for autonomous vehicles (AVs) is an important but challenging task in complex dynamic traffic environments. Due to difficulties in guarantee safety as well as a high efficiency, AVs are inclined to choose relatively conservative strategies for lane change. To avoid the conservatism, this paper presents a cooperation-aware lane change method utilizing interactions between vehicles. We first propose an interactive trajectory prediction method to explore possible cooperations between an AV and the others. Further, an evaluation is designed to make a decision on lane change, in which safety, efficiency and comfort are taken into consideration. Thereafter, we propose a motion planning algorithm based on model predictive control (MPC), which incorporates AV's decision and surrounding vehicles' interactive behaviors into constraints so as to avoid collisions during lane change. Quantitative testing results show that compared with the methods without an interactive prediction, our method enhances driving efficiencies of the AV and other vehicles by 14.8$\%$ and 2.6$\%$ respectively, which indicates that a proper utilization of vehicle interactions can effectively reduce the conservatism of the AV and promote the cooperation between the AV and others.

研究动机与目标

• 降低自动驾驶汽车在动态交通环境中变道决策的保守性。
• 通过建模本车与周围车辆之间的交互行为，提升驾驶效率与安全性。
• 通过协作轨迹预测实现决策与运动规划的集成。
• 通过预测并响应周围车辆可能采取的协同行为，增强车辆间协作。
• 通过统一框架结合交互预测与基于MPC的规划，确保安全性、舒适性与效率。

提出的方法

• 开发了一种交互式轨迹预测方法，基于车辆运动状态与意图，预测本车与周围车辆之间可能发生的协作行为。
• 设计了一种多准则决策评估框架，将安全性、舒适性与效率整合为代价函数，用于对候选变道动作进行排序。
• 采用模型预测控制（MPC）进行运动规划，其约束条件基于周围车辆的预测轨迹，以确保避碰与协作行为。
• 决策与规划模块紧密耦合，确保所选动作与生成轨迹的一致性。
• 该方法使用代价函数，对不安全、不舒适或低效的操纵行为施加惩罚，权重经调优以平衡各项权衡。
• 通过真实交通场景下的定量测试与案例研究对框架进行了验证。

实验结果

研究问题

• RQ1 自动驾驶汽车如何在变道过程中预测周围车辆可能采取的协作行为？
• RQ2 何种决策框架可在变道决策中平衡安全性、效率与舒适性？
• RQ3 如何协调运动规划与决策以避免冲突并确保协作？
• RQ4 引入交互式预测在多大程度上可提升驾驶效率并减少保守行为？
• RQ5 在真实交通场景中，该方法相较于非协作基线方法表现如何？

主要发现

• 与缺乏交互式预测的方法相比，所提方法使本车驾驶效率提升14.8%。
• 周围车辆因协作增强，驾驶效率平均提升2.6%。
• 该方法成功识别并选择了最优变道动作——向左变道并加速，通过综合评估安全性、舒适性与效率的代价。
• 交互式轨迹预测使本车能够主动创造有利于协作的条件，减少保守行为。
• 基于MPC的轨迹规划确保了平稳、安全且控制努力低的操纵，与预测的协作行为保持一致。
• 案例研究显示，即使多个候选动作看似安全，该方法仍能避免碰撞并选择总代价更低的决策。