[论文解读] Comparison of Cooperative Driving Strategies for CAVs at Signal-Free Intersections

Huile Xu, Christos G. Cassandras+2 more|arXiv (Cornell University)|Oct 7, 2020

Traffic control and management参考文献 22被引用 8

一句话总结

本文比较了四种协同驾驶策略——蒙特卡洛树搜索（MCTS）、动态重排序（DR）、先进先出（FIFO）及改进的FIFO——在无信号交叉口处联网与自动驾驶车辆（CAVs）中的表现。研究发现，MCTS在提升交通效率方面表现最佳，DR在降低能耗方面最优，且通过调整目标函数，可对公平性与性能之间的权衡进行调节。

ABSTRACT

The properties of cooperative driving strategies for planning and controlling Connected and Automated Vehicles (CAVs) at intersections range from some that achieve highly efficient coordination performance to others whose implementation is computationally fast. This paper comprehensively compares the performance of four representative strategies in terms of travel time, energy consumption, computation time, and fairness under different conditions, including the geometric configuration of intersections, asymmetry in traffic arrival rates, and the relative magnitude of these rates. Our simulation-based study has led to the following conclusions: 1) the Monte Carlo Tree Search (MCTS)-based strategy achieves the best traffic efficiency, whereas the Dynamic Resequencing (DR)-based strategy is energy-optimal; both strategies perform well in all metrics of interest. If the computation budget is adequate, the MCTS strategy is recommended; otherwise, the DR strategy is preferable; 2) An asymmetric intersection has a noticeable impact on the strategies, whereas the influence of the arrival rates can be neglected. When the geometric shape is asymmetrical, the modified First-In-First-Out (FIFO) strategy significantly outperforms the FIFO strategy and works well when the traffic demand is moderate, but their performances are similar in other situations; and 3) Improving traffic efficiency sometimes comes at the cost of fairness, but the DR and MCTS strategies can be adjusted to realize a better trade-off between various performance metrics by appropriately designing their objective functions.

研究动机与目标

• 评估并比较四种协同驾驶策略在不同交通与几何条件下于无信号交叉口处CAVs的表现。
• 研究交叉口不对称性及非对称交通到达率对策略性能的影响。
• 分析不同策略在交通效率、能耗、计算时间与公平性之间的权衡关系。
• 探讨通过目标函数调整，如何在MCTS与DR策略中实现效率与公平性的平衡。
• 基于计算预算与性能优先级，提供策略选择的实际指导。

提出的方法

• 在不同交通流量与几何构型的受控交叉口场景下，模拟四种协同驾驶策略：MCTS、DR、FIFO与改进FIFO。
• 采用树搜索框架实现MCTS，通过改进的UCB1策略探索通行序列，引入惩罚项以减少与参考顺序的偏离。
• 在DR中应用动态重排序机制，仅当性能提升达到阈值α时才重新排序车辆。
• 在DR中引入平衡因子α，通过限制仅对显著有益的更改进行重排序，控制效率与公平性之间的权衡。
• 在MCTS的UCB1策略中引入惩罚项Pi = βDi，以抑制与当前最优序列差异过大的探索行为，从而提升公平性。
• 采用基于仿真的评估框架，测量旅行时间、能耗、计算时间及旅行时间标准差等性能指标。

实验结果

研究问题

• RQ1 在对称与非对称交叉口几何结构下，MCTS、DR、FIFO与改进FIFO策略在旅行时间、能耗、计算时间与公平性方面的表现如何比较？
• RQ2 非对称交通到达率对无信号交叉口协同驾驶策略性能有何影响？
• RQ3 交叉口不对称性在多大程度上影响FIFO与改进FIFO策略的相对性能？
• RQ4 是否可在不显著降低交通效率的前提下提升MCTS与DR策略的公平性？这种改进可通过目标函数设计如何实现？
• RQ5 效率与公平性之间的最优权衡点是什么？能否通过可调参数（如α或β）系统性地识别该点？

主要发现

• 基于MCTS的策略实现了最佳交通效率，平均旅行时间为39.06秒，标准差为6.65秒，在最小化平均旅行时间方面优于所有其他策略。
• 基于DR的策略在能耗方面最优，实现了最低能耗，且在计算预算有限时，各项指标表现均较强。
• 在非对称交叉口，改进FIFO策略在中等交通需求下显著优于标准FIFO，但在高或低需求下性能差异减小。
• 与交叉口几何结构相比，非对称到达率对策略性能的影响可忽略不计，后者具有更显著的影响。
• 在高交通率下，效率与公平性之间存在权衡；在DR中提高平衡因子α可降低公平性方差（标准差由6.65秒降至3.41秒），但以增加平均旅行时间为代价。
• 在DR中α = 0.5%时观察到效率与公平性的Pareto最优平衡，进一步调整α将导致某一指标显著恶化，而另一指标相应改善。