[论文解读] Development of a Connected and Automated Vehicle Longitudinal Control Model

Mizanur Rahman, Rafiul Islam+2 more|arXiv (Cornell University)|Jan 1, 2020

Traffic control and management参考文献 25被引用 4

一句话总结

本文提出了一种信息感知驾驶员模型（IADM），用于联网和自动驾驶车辆（CAVs），该模型融合实时传感器数据与V2X通信，实现安全、舒适且高效的纵向控制。IADM通过依赖车速与反应时间的最小安全车间距函数，自主调节加速度与减速度，无需在不同交通条件下重新校准，即可实现车队稳定性和局部稳定性，且性能可依据乘客偏好进行调节。

ABSTRACT

It is envisioned that, in the future, most vehicles on our roadway will be controlled autonomously and will be connected via vehicle to everything (V2X) wireless communication networks. Developing a connected and automated vehicle (CAV) longitudinal controller, which will consider safety, comfort and operational efficiency simultaneously, is a challenge. A CAV longitudinal controller is a complex system where a vehicle senses immediate upstream vehicles using its sensors and receives information about its surroundings via wireless connectivity, and move forward accordingly. In this study, we develop an information-aware driver model (IADM) that utilizes information regarding an immediate upstream vehicle of a subject CAV through CAV sensors and V2X connectivity while considering passenger comfort and operational efficiency along with maintaining safety gap for longitudinal vehicle motion of the autonomous vehicle. Unlike existing driver models for longitudinal control, the IADM intelligently fuses data received from in vehicle sensors, and immediate upstream vehicles of the subject CAV through wireless connectivity, and IADM parameters do not need to be calibrated for different traffic states, such as congested and non congested traffic conditions. It only requires defining the subject CAVs maximum acceleration and deceleration limit, and computation time that is needed to update the subject CAVs trajectory from its previous state. Our analyses suggest that the IADM (i) is able to maintain safety using a newly defined safe gap function depending on the speed and reaction time of a CAV; (ii) shows local stability and string stability and (iii) provides riding comfort for a range of autonomous driving aggressiveness depending on the passenger preferences.

研究动机与目标

• 开发一种用于联网和自动驾驶车辆（CAVs）的纵向控制器，同时确保安全性、舒适性和运行效率。
• 消除在不同交通状态（如拥堵与非拥堵流）下重新校准控制器参数的需求。
• 设计一种智能融合车载传感器与上游V2X连接车辆数据的控制器。
• 确保车队动力学中的车队稳定性和局部稳定性，无需外部调参。

提出的方法

• IADM使用依赖于CAV车速与反应时间的最小安全车间距函数，以维持纵向安全。
• 通过整合来自车载传感器和上游车辆V2X通信的实时数据，为轨迹决策提供信息支持。
• 控制器基于最大加速度与减速度限制以及固定的计算更新周期，计算新的轨迹。
• 通过仅依赖车辆特定的极限值和更新频率，避免参数重新校准。
• 通过反馈机制抑制车队中误差的传播，确保车队稳定性。
• 通过根据偏好设置调节控制响应的激进程度，动态调整乘客舒适度。

实验结果

研究问题

• RQ1 能否开发一种统一的纵向控制器，在不同交通状态下均能保持安全性、舒适性和效率，且无需重新校准？
• RQ2 如何有效融合V2X与车载传感器数据，以提升CAVs的纵向控制性能？
• RQ3 所提出的IADM是否能确保车队中车队稳定性和局部稳定性？
• RQ4 在不损害安全性或效率的前提下，乘客舒适度可调节到何种程度？
• RQ5 能否使最小安全车间距函数适应车速与反应时间，同时保持鲁棒性？

主要发现

• IADM通过依赖车速与反应时间的最小安全车间距函数，成功在各种工况下维持安全性，确保一致的车间距。
• 控制器展现出局部稳定性和车队稳定性，防止车队中误差的放大。
• 该模型在不同自动驾驶激进程度下均实现良好乘坐舒适性，且可依据乘客偏好进行调节。
• 不同交通状态下无需参数重新校准，降低了实现复杂度。
• 控制器仅依赖最大加速度/减速度极限值和计算更新周期运行，简化了部署。
• 通过仿真与分析验证，系统在各种交通条件下均保持性能，无需重新调参。