[论文解读] Cooperative Driving at Unsignalized Intersections Using Tree Search

Huile Xu, Yi Zhang+2 more|arXiv (Cornell University)|Feb 4, 2019

Traffic control and managementEngineering参考文献 19被引用 17

一句话总结

本文提出了一种基于蒙特卡洛树搜索（MCTS）并结合启发式规则的协同驾驶策略，用于在无信号交叉口实现联网自动驾驶车辆（CAVs）的近似全局最优通行顺序，可在毫秒级时间内完成计算。该方法在保持实时计算性能的同时，实现了接近最优的延迟减少——相比FIFO策略，平均延迟降低80%，其核心在于智能的树结构探索与剪枝机制。

ABSTRACT

In this paper, we propose a new cooperative driving strategy for connected and automated vehicles (CAVs) at unsignalized intersections. Based on the tree representation of the solution space for the passing order, we combine Monte Carlo tree search (MCTS) and some heuristic rules to find a nearly global-optimal passing order (leaf node) within a very short planning time. Testing results show that this new strategy can keep a good tradeoff between performance and computation flexibility.

研究动机与目标

• 解决联网自动驾驶车辆（CAVs）在无信号交叉口实现近实时最优通行顺序协调的挑战。
• 克服随着车辆数量增加，枚举所有可能通行顺序导致的计算不可行性问题。
• 开发一种在高性能与低计算时间之间取得平衡的协同驾驶策略，以支持实际部署。
• 通过智能调度最小化总车辆延迟，从而提升交通效率与安全性。

提出的方法

• 将问题建模为树搜索，其中每个节点代表一个部分通行顺序，目标是找到总延迟最小的叶节点。
• 采用蒙特卡洛树搜索（MCTS）高效探索解空间中的有希望分支，优先选择高回报路径。
• 在模拟阶段集成启发式规则，引导采样过程，减少对随机探索的依赖，从而加快收敛速度。
• 算法采用0.1秒的时间预算（相当于约1000个节点），在计算时间与解质量之间实现平衡。
• 应用UCB1公式在树扩展过程中平衡探索与利用，优先选择具有低延迟潜力的节点。
• 采用混合方法，结合MCTS与基于启发式的模拟，提前剪枝无前景分支，将探索的叶节点数从超过10^46减少至约2,000个。

实验结果

研究问题

• RQ1 在子0.1秒的规划时间内，结合启发式规则的MCTS能否为无信号交叉口的CAVs找到近似最优的通行顺序？
• RQ2 与FIFO和完整枚举策略相比，所提出的基于MCTS的策略在性能与计算时间方面表现如何？
• RQ3 在该特定树状解空间中，启发式规则在多大程度上提升了MCTS的收敛性与效率？
• RQ4 为最小化交叉口协调中的总车辆延迟，MCTS中探索与利用的最优平衡点是什么？
• RQ5 在不同交通密度和车辆数量下，该方法的性能如何扩展？

主要发现

• 在每小时150辆车辆的场景下，所提MCTS策略的平均延迟为0.4499秒，相比FIFO策略的1.3053秒降低了80%。
• 在每小时300辆车辆的场景下，MCTS策略将平均延迟从FIFO的39.8313秒降低至1.1407秒，同时将吞吐量从1,095辆提升至1,168辆。
• MCTS解在近100亿种可能通行顺序中排名第648位，表明其接近全局最优；而FIFO策略仅排在第4,563,421,793位。
• 仅探索1,000个节点（在0.1秒内完成）后，性能提升率即趋于饱和，证实0.1秒的时间预算足以获得高质量解。
• 启发式规则的引入使探索的叶节点数从超过10^46减少至约2,000个，显著提升了计算效率。
• 该方法在不同交通需求下均保持一致的性能表现，展现出在多种交叉口场景下的鲁棒性与可扩展性。