[论文解读] Optimal Path Planning and Coordination for Connected and Automated Vehicles

Andreas A. Malikopoulos, Logan E. Beaver+1 more|arXiv (Cornell University)|Mar 26, 2020

Traffic control and management参考文献 28被引用 9

一句话总结

本文提出了一种去中心化的两级优化框架，用于联网和自动驾驶车辆（CAVs）在交通场景中协调路径规划与控制。上层优化各车辆的路径和到达时间以减少拥堵，下层则利用解析解计算满足速度相关安全约束和系统限制的可靠、最优控制输入——通过几何对偶性证明可实现具有最优性保证的实时计算。

ABSTRACT

In this paper, we provide a decentralized theoretical framework for coordination of connected and automated vehicles (CAVs) in different traffic scenarios. The framework includes: (1) an upper-level optimization that yields for each CAV its optimal path, including the time, to pass through a given traffic scenario while alleviating congestion; and (2) a low-level optimization that yields for each CAV its optimal control input (acceleration/deceleration) to achieve the optimal path and time derived in the upper-level. We provide a complete, analytical solution of the low-level optimization problem that includes the rear-end safety constraint, where the safe distance is a function of speed, in addition to the state and control constraints. Furthermore, we provide a geometric duality framework using hyperplanes to prove strong duality of the upper-level optimization problem. The latter implies that the optimal path and time for each CAV does not activate any of the state, control, and safety constraints of the low-level optimization, thus allowing for online implementation. We validate the effectiveness of the proposed theoretical framework through simulation.

研究动机与目标

• 开发一种去中心化的理论框架，用于在多样化交通场景中协调联网和自动驾驶车辆（CAVs）的运行。
• 通过优化每辆CAV在交通场景中的路径和通过时间，最小化交通拥堵。
• 通过在控制优化中引入与速度相关的安全距离约束，确保追尾安全。
• 为低层控制问题提供一个满足状态和控制约束的解析解。
• 利用几何对偶性框架在上层优化中建立强对偶性，从而实现在线可实施性。

提出的方法

• 构建上层优化问题，以确定每辆CAV的最优路径和到达时间，从而缓解拥堵。
• 设计下层优化问题，计算最优加速度/减速度输入，以跟踪上层规划的路径和时间。
• 通过解析方法求解下层问题，显式纳入与速度相关的追尾安全距离约束。
• 采用基于超平面的几何对偶性框架，证明上层问题中的强对偶性。
• 表明在下层优化中，最优解不会激活任何状态、控制或安全约束，从而实现高效的在线计算。
• 通过仿真验证框架的性能与在真实交通场景中的可行性。

实验结果

研究问题

• RQ1 如何协调联网和自动驾驶车辆，以最小化共享交通场景中的拥堵？
• RQ2 何种解析控制策略可确保在尊重速度相关安全距离的前提下，实现安全且最优的车辆轨迹？
• RQ3 是否可在路径规划优化中建立强对偶性，以保证最优解不激活任何约束？
• RQ4 在动态交通条件和车辆约束下，该框架如何实现实时运行？
• RQ5 与传统协调方法相比，该框架在拥堵减少和安全性方面有何性能提升？

主要发现

• 所提出的框架通过去中心化的两级优化结构，实现每辆CAV的最优路径与时间选择。
• 下层控制问题存在完整且显式的解析解，满足所有状态、控制及追尾安全约束。
• 几何对偶性框架证明了上层问题中的强对偶性，意味着最优解不会触及任何约束。
• 该对偶性确保每辆CAV的最优路径与时间在不激活任何约束的前提下，可实时实现且可行。
• 仿真结果证实，该框架在多种交通场景中均能有效降低拥堵并维持安全。
• 由于最优轨迹中无活动约束，解析解可实现在线实施，确保计算效率。