[论文解读] Robust Eco-Driving Control of Autonomous Vehicles Connected to Traffic Lights

Chao Sun, Jacopo Guanetti+2 more|arXiv (Cornell University)|Feb 16, 2018

Traffic control and management参考文献 19被引用 19

一句话总结

本文提出了一种数据驱动的、机会约束的鲁棒优化框架，用于在不确定的信号灯时序下，对联网自动驾驶车辆（CAVs）的节能驾驶控制进行优化。通过将有效红灯时长（ERD）建模为随机变量，并利用实证数据制定鲁棒的机会约束，该方法使动态规划能够生成最优速度轨迹，使燃油消耗降低40%，同时保持相近的到达时间，且无需事先了解ERD的分布情况。

ABSTRACT

This paper focuses on the speed planning problem for connected and automated vehicles (CAVs) communicating to traffic lights. The uncertainty of traffic signal timing for signalized intersections on the road is considered. The eco-driving problem is formulated as a data-driven chance constrained robust optimization problem. Effective red light duration (ERD) is defined as a random variable, and describes the feasible passing time through the signalized intersections. In practice, the true probability distribution for ERD is usually unknown. Consequently, a data-driven approach is adopted to formulate chance constraints based on empirical sample data. This incorporates robustness into the eco-driving control problem with respect to uncertain signal timing. Dynamic programming (DP) is employed to solve the optimization problem. Simulation results demonstrate that the proposed method can generate optimal speed reference trajectories with 40% less vehicle fuel consumption, while maintaining the arrival time at a similar level when compared to a modified intelligent driver model (IDM). The proposed control approach significantly improves the controller robustness in the face of uncertain signal timing, without requiring to know the distribution of the random variable a priori.

研究动机与目标

• 解决联网自动驾驶车辆（CAVs）在节能驾驶控制中面临的信号灯时序不确定性挑战。
• 开发一种鲁棒控制框架，即使在信号灯时序不确定性概率分布未知的情况下也能保持性能。
• 通过最优速度规划最小化燃油消耗，同时确保车辆准时到达交叉口。
• 在优化过程中消除对有效红灯时长（ERD）真实分布的先验知识需求。

提出的方法

• 将节能驾驶问题建模为一种数据驱动的机会约束鲁棒优化问题，以应对信号灯时序的不确定性。
• 引入有效红灯时长（ERD）作为表示车辆可通过信号灯交叉口的可行时间的随机变量。
• 利用实证样本数据构建机会约束，从而在不依赖ERD真实分布的情况下实现系统鲁棒性。
• 应用动态规划（DP）求解所得优化问题，并生成最优速度参考轨迹。
• 采用数据驱动方法，基于观测数据近似ERD的累积分布函数，从而增强系统鲁棒性。
• 集成实时信号通信，实现预测性速度规划，平衡燃油效率与时刻表遵守性。

实验结果

研究问题

• RQ1 如何在不事先掌握信号灯时序分布的情况下，使节能驾驶控制对信号灯时序不确定性具有鲁棒性？
• RQ2 将有效红灯时长（ERD）建模为随机变量，对燃油消耗和到达时间一致性有何影响？
• RQ3 基于数据驱动的机会约束优化方法在多大程度上可降低燃油消耗，同时确保车辆准时通过交叉口？
• RQ4 与传统模型（如改进的IDM）相比，所提出方法在不确定性条件下的燃油效率和鲁棒性表现如何？
• RQ5 动态规划能否有效求解所得到的鲁棒优化问题，以实现联网车辆的实时速度规划？

主要发现

• 所提方法相比改进的智能驾驶员模型（IDM），使车辆燃油消耗降低了40%，显著提升了燃油效率。
• 控制器在交叉口的到达时间与改进的IDM保持相近水平，表明在不确定性条件下仍具有良好的时刻表遵守能力。
• 该方法在无需事先掌握有效红灯时长（ERD）真实概率分布的情况下，实现了鲁棒性能。
• 利用实证数据构建机会约束，增强了系统在信号灯时序波动下的鲁棒性。
• 仿真结果证实，该方法在不确定性条件下能有效平衡燃油经济性与准时通过信号灯交叉口的需求。
• 动态规划成功计算出满足燃油最小化和时间约束的最优速度轨迹。