[论文解读] Cooperative Decision Making of Connected Automated Vehicles at Multi-lane Merging Zone: A Coalitional Game Approach

Peng Hang, Chen Lv+3 more|arXiv (Cornell University)|Mar 14, 2021

Traffic control and management参考文献 40被引用 5

一句话总结

本文提出了一种基于合作博弈的协同决策框架，用于联网自动驾驶车辆（CAVs）在多车道汇合区域的协同决策，整合了运动预测、个性化驾驶特性以及模型预测控制（MPC），以优化安全性、舒适性和效率。该方法实现了自适应的联盟形成，能够动态响应车辆行为，在多种驾驶场景下展现出实时可行性与系统性能的提升。

ABSTRACT

To address the safety and efficiency issues of vehicles at multi-lane merging zones, a cooperative decision-making framework is designed for connected automated vehicles (CAVs) using a coalitional game approach. Firstly, a motion prediction module is established based on the simplified single-track vehicle model for enhancing the accuracy and reliability of the decision-making algorithm. Then, the cost function and constraints of the decision making are designed considering multiple performance indexes, i.e. the safety, comfort and efficiency. Besides, in order to realize human-like and personalized smart mobility, different driving characteristics are considered and embedded in the modeling process. Furthermore, four typical coalition models are defined for CAVS at the scenario of a multi-lane merging zone. Then, the coalitional game approach is formulated with model predictive control (MPC) to deal with decision making of CAVs at the defined scenario. Finally, testings are carried out in two cases considering different driving characteristics to evaluate the performance of the developed approach. The testing results show that the proposed coalitional game based method is able to make reasonable decisions and adapt to different driving characteristics for CAVs at the multi-lane merging zone. It guarantees the safety and efficiency of CAVs at the complex dynamic traffic condition, and simultaneously accommodates the objectives of individual vehicles, demonstrating the feasibility and effectiveness of the proposed approach.

研究动机与目标

• 为解决联网自动驾驶车辆（CAVs）在多车道汇合区域面临的安全与效率挑战。
• 开发一种考虑个体车辆驾驶特性与偏好的协同决策框架。
• 整合运动预测、多目标代价函数与联盟形成机制，以提升系统整体性能。
• 通过基于仿真的测试，在多种驾驶行为与汇合场景下评估该框架。

提出的方法

• 基于简化的单轨车辆模型开发了运动预测模块，以提升决策准确性。
• 制定了带约束的多目标代价函数，以在CAV决策中平衡安全性、舒适性与效率。
• 定义了四种不同的联盟模型，以表征CAVs在汇合过程中不同的协作行为。
• 将合作博弈方法与模型预测控制（MPC）相结合，实现在复杂交通动态下的实时、动态决策。
• 将驾驶特性（如激进型、保守型）嵌入模型，以支持个性化且类人化的行驶行为。
• 在多个场景下开展仿真测试，以评估不同驾驶行为下的联盟形成与性能表现。

实验结果

研究问题

• RQ1 如何构建协同决策机制，以在多车道汇合区域平衡系统整体效率与个体车辆偏好？
• RQ2 当具有不同驾驶特性的CAVs在汇合过程中相互作用时，会形成怎样的联盟形成模式？
• RQ3 运动预测与MPC的集成在多大程度上提升了CAV汇合决策的可靠性与实时性能？
• RQ4 该合作博弈框架在确保安全与效率的前提下，能多大程度上适应多样的驾驶行为？
• RQ5 在混合交通汇合场景中，所提出方法与集中式控制或个体决策相比表现如何？

主要发现

• 所提出的合作博弈方法能够根据车辆驾驶特性自适应地形成联盟，例如在激进型或保守型CAVs之间形成子联盟。
• 在场景A中，V2减速并变道以支持汇入的CAVs，展示了在协同条件下具备协调行为。
• 在场景B中，激进型CAVs（V3和V5）脱离大联盟，导致V2减速，而V1/V4则加速，反映出由行为驱动的联盟动态。
• 在场景C中，保守型驾驶导致V2提前减速而非变道，凸显了驾驶风格对协调策略的影响。
• 每一步的平均计算时间约为0.07秒，证实了该方法在实际部署中的实时可行性。
• 该框架有效平衡了系统级安全性与效率与个体车辆目标，优于单一车辆与集中式控制方法。