[论文解读] Facilitating Connected Autonomous Vehicle Operations Using Space-weighted Information Fusion and Deep Reinforcement Learning Based Control

Jiqian Dong, Sikai Chen+4 more|arXiv (Cornell University)|Sep 30, 2020

Traffic control and management参考文献 51被引用 15

一句话总结

本文提出了一种基于空间加权信息融合与深度强化学习（DRL）的控制框架，以提升联网自动驾驶汽车（CAV）的运行性能，特别是在变道操作方面，通过整合短距离车载传感器数据与长距离V2X连接车辆数据。该方法通过根据交通密度优化连接范围（CR）设置，提升了安全性和通行效率，案例研究识别出不同交通条件下最优的CR水平。

ABSTRACT

The connectivity aspect of connected autonomous vehicles (CAV) is beneficial because it facilitates dissemination of traffic-related information to vehicles through Vehicle-to-External (V2X) communication. Onboard sensing equipment including LiDAR and camera can reasonably characterize the traffic environment in the immediate locality of the CAV. However, their performance is limited by their sensor range (SR). On the other hand, longer-range information is helpful for characterizing imminent conditions downstream. By contemporaneously coalescing the short- and long-range information, the CAV can construct comprehensively its surrounding environment and thereby facilitate informed, safe, and effective movement planning in the short-term (local decisions including lane change) and long-term (route choice). In this paper, we describe a Deep Reinforcement Learning based approach that integrates the data collected through sensing and connectivity capabilities from other vehicles located in the proximity of the CAV and from those located further downstream, and we use the fused data to guide lane changing, a specific context of CAV operations. In addition, recognizing the importance of the connectivity range (CR) to the performance of not only the algorithm but also of the vehicle in the actual driving environment, the paper carried out a case study. The case study demonstrates the application of the proposed algorithm and duly identifies the appropriate CR for each level of prevailing traffic density. It is expected that implementation of the algorithm in CAVs can enhance the safety and mobility associated with CAV driving operations. From a general perspective, its implementation can provide guidance to connectivity equipment manufacturers and CAV operators, regarding the default CR settings for CAVs or the recommended CR setting in a given traffic environment.

研究动机与目标

• 通过整合长距离V2X连接数据，解决自动驾驶汽车中短距离车载传感器的局限性。
• 通过融合多距离环境感知，提升变道操作中的决策能力。
• 确定在不同交通密度下，CAV的最优连接范围（CR），以最大化安全性和通行效率。
• 为CAV运营商和连接设备制造商提供关于默认或自适应CR设置的实际指导。

提出的方法

• 该框架采用空间加权信息融合方法，整合来自车载传感器（激光雷达、摄像头）和不同距离V2X连接车辆的数据。
• 训练一个深度强化学习（DRL）智能体，基于融合后的多距离环境状态作出变道决策。
• 融合过程为更近距离来源（车载传感器）分配更高权重，并根据空间距离逐渐降低对长距离V2X数据的权重。
• 在仿真环境中通过奖励塑造训练DRL策略网络，优先考虑安全性、平顺性和前进进度。
• 该算法根据当前连接范围（CR）动态调整对V2X数据的依赖程度，实现自适应性能。
• 通过案例研究评估算法在不同交通密度下的表现，以识别每种条件下的最优CR。

实验结果

研究问题

• RQ1 如何有效融合短距离车载传感器数据与长距离V2X数据，以提升动态交通环境中CAV的环境感知能力？
• RQ2 在不同交通密度下，变化的连接范围（CR）对基于DRL的变道决策性能有何影响？
• RQ3 空间加权融合如何提升自动驾驶汽车环境状态估计的鲁棒性与准确性？
• RQ4 在低、中、高交通密度条件下，何种CR设置能最大化CAV变道操作的安全性与通行效率？
• RQ5 所提出的框架能否为实际CAV部署中默认或自适应CR参数的设置提供实用指导？

主要发现

• 所提出的基于空间加权的融合方法通过结合高分辨率本地数据与V2X源的预测性长距离数据，显著提升了环境感知能力。
• 基于DRL的控制策略通过利用即时与下游交通状况，实现了更安全、更高效的变道操作。
• 案例研究识别出，最优连接范围（CR）随交通密度变化：低密度交通下较低CR已足够，而高密度条件下则需要更高的CR以维持安全与通行效率。
• 与仅依赖车载传感器的系统相比，该算法表现出更一致的决策能力并显著降低了碰撞风险。
• 研究结果表明，CR设置应根据交通状况动态调整，研究为不同交通密度水平提供了具体建议。
• 该框架的实施为CAV运营商和连接设备制造商提供了关于CR配置以实现最佳性能的实际指导。