[论文解读] An "Xcity" Optimization Approach to Designing Proving Grounds for Connected and Autonomous Vehicles

Rui Chen, Mansur Arief+1 more|arXiv (Cornell University)|Aug 9, 2018

Autonomous Vehicle Technology and Safety参考文献 12被引用 3

一句话总结

本文提出了一种名为 Xcity 的优化框架，通过将交通相遇建模为道路资产，并将设计问题形式化为非线性优化问题，以设计连通与自主车辆（CAV）测试场。该方法在空间约束下最大化场景覆盖率和过渡灵活性，基于 Mcity 道路地图数据使用 BARON 求解器验证了其有效性，但计算复杂性限制了可扩展性。

ABSTRACT

Proving ground, or on-track testing has been an essential part of testing and validation process for connected and autonomous vehicles (CAV). Several world-class CAV proving grounds, such as Mcity at the University of Michigan and The Castle of Waymo, have already been built, and many more are currently under construction. In this paper, we propose the first optimization approach to CAV proving ground designing and refer to any such CAV-centric design problem as "Xcity" to emphasize the enormous investment, the multi-dimensional spatial consideration, and the immense construction effort emerging globally. Inspired by the recent progress on traffic encounter clustering, we further define "road assets" as fundamental building blocks and formulate the whole design process into nonlinear optimization problems. We have shown that such framework can be utilized to adaptively generate CAV proving ground designs with optimized capability and flexibility and can further be extended to evaluate an existing "Xcity" design.

研究动机与目标

• 为应对全球大规模投资背景下 CAV 测试场缺乏系统性设计理论的问题。
• 开发一种方法，将真实世界驾驶场景映射为具有空间约束且可控的测试场布局。
• 同时优化测试能力（场景覆盖率）和操作灵活性（场景间过渡）。
• 提供一种可扩展的、基于数学理论的框架，用于评估和生成 CAV 测试场设计方案。
• 通过基础设施层面的优化，实现基于数据和场景的 CAV 系统评估。

提出的方法

• 将典型多车 CAV 驾驶场景作为从交通相遇聚类和真实世界数据中提取的“道路资产”进行建模。
• 将每个道路资产表示为具有节点、路段和连通性约束的几何与拓扑实体。
• 构建两阶段非线性优化模型：(1) 将资产可行地映射到空间，(2) 通过过渡道路布置实现灵活性优化。
• 使用双线性和多项式约束，强制执行资产之间的方向性、连通性和交叉兼容性。
• 采用分支定界求解器（BARON）求解非线性混合整数规划问题，并对求解器性能进行敏感性分析。
• 将该框架应用于 Mcity 的道路地图，提取道路资产，并在小规模实例上验证了可扩展性。

实验结果

研究问题

• RQ1 如何系统性地提取并表示典型 CAV 驾驶场景，作为模块化道路资产以用于测试场设计？
• RQ2 何种优化模型能够在空间受限的 CAV 测试场布局中同时最大化场景覆盖率和过渡灵活性？
• RQ3 该优化模型的计算复杂性如何随道路资产数量和内部路段数量而变化？
• RQ4 所提出的框架能否应用于评估或重新设计现有测试场（如 Mcity）？
• RQ5 对于此类 CAV 测试场设计问题，哪种非线性优化求解器表现最佳？

主要发现

• Xcity 框架成功地采用基于场景、优化驱动的方法生成了可行且灵活的 CAV 测试场布局。
• 1–3 个道路资产的可行映射平均在 31 秒内求解完成，且随着复杂度增加时间呈上升趋势。
• 最多 3 个资产的灵活性优化在计算上是可行的，但 4 个及以上资产的问题在 100 秒内未能找到可行解。
• 模型复杂度随道路资产和内部路段数量显著增长，主要受双线性和多项式约束主导。
• BARON 在可行性与求解时间方面优于其他求解器（如 SCIP、Bonmin），因此是该问题类别的首选。
• 由于二元变量和非线性约束的指数级增长，该框架表现出可扩展性限制，提示未来工作需采用分解方法。