[论文解读] Trajectory Planning for Connected and Automated Vehicles at Isolated Signalized Intersections under Mixed Traffic Environment

Chengyuan Ma, Chunhui Yu+1 more|arXiv (Cornell University)|Feb 6, 2021

Traffic control and management参考文献 31被引用 5

一句话总结

本文提出了一种去中心化的双层优化框架，用于在混合交通环境中（包含人工驾驶车辆和联网自动驾驶车辆（CAVs））的独立信号交叉口，对联网自动驾驶车辆的轨迹进行规划。通过使用换道策略树（LCST）和并行蒙特卡洛树搜索（PMCTS），联合优化纵向加速度与横向换道决策，以最小化延迟、燃油消耗和换道成本，相较于基准情况显著提升了效率与燃油经济性。

ABSTRACT

Trajectory planning for connected and automated vehicles (CAVs) has the potential to improve operational efficiency and vehicle fuel economy in traffic systems. Despite abundant studies in this research area, most of them only consider trajectory planning in the longitudinal dimension or assume the fully CAV environment. This study proposes an approach to the decentralized planning of CAV trajectories at an isolated signalized intersection under the mixed traffic environment, which consists of connected and human-driven vehicles (CHVs) and CAVs. A bi-level optimization model is formulated based on discrete time to optimize the trajectory of a single CAV in both the longitudinal and lateral dimensions given signal timings and the trajectory information of surrounding vehicles. The upper-level model optimizes lateral lane-changing strategies. The lower-level model optimizes longitudinal acceleration profiles based on the lane-changing strategies from the upper-level model. Minimization of vehicle delay, fuel consumption, and lane-changing costs are considered in the objective functions. A Lane-Changing Strategy Tree (LCST) and a Parallel Monte-Carlo Tree Search (PMCTS) algorithm are designed to solve the bi-level optimization model. CAV trajectories are planned one by one according to their distance to the stop bar. A rolling horizon scheme is applied for the dynamic implementation of the proposed model with time-varying traffic condition. Numerical studies validate the advantages of the proposed trajectory planning model compared with the benchmark cases without CAV trajectory planning.

研究动机与目标

• 为解决在同时存在联网自动驾驶车辆（CAVs）和人工驾驶车辆（CHVs）的混合交通环境中，CAVs轨迹规划方面的研究空白。
• 开发一种去中心化的轨迹规划方法，以优化独立信号交叉口处车辆的纵向与横向运动。
• 通过集成轨迹优化，最小化车辆延迟、燃油消耗和换道成本。
• 通过滚动时域方案实现对时变交通状况的动态适应。

提出的方法

• 采用离散时间步长构建双层优化模型，用于在纵向和横向维度上规划CAV轨迹。
• 上层模型基于信号配时和周围车辆轨迹，确定最优横向换道策略。
• 下层模型基于选定的换道策略，计算最优纵向加速度轨迹。
• 采用换道策略树（LCST）系统性地探索可行的换道选项。
• 使用并行蒙特卡洛树搜索（PMCTS）算法，高效求解高维优化问题。
• 应用滚动时域方案，实现实时动态实施，以应对变化的交通状况。

实验结果

研究问题

• RQ1 当联网自动驾驶车辆与人工驾驶车辆共用道路时，如何在独立信号交叉口实现CAVs的最优协调？
• RQ2 在混合交通中，纵向与横向轨迹的联合优化对交通效率与燃油经济性有何影响？
• RQ3 在时变交通条件下，如何有效实施去中心化的轨迹规划？
• RQ4 换道决策在最小化信号交叉口延迟与燃油消耗方面起到何种作用？
• RQ5 所提方法与无CAV轨迹规划的基线策略相比表现如何？

主要发现

• 所提出的轨迹规划模型相较于无CAV轨迹规划的基准情况，显著降低了车辆延迟。
• 由于优化的加速度轨迹和减少的启停行为，燃油消耗明显降低。
• 通过LCST与PMCTS集成换道策略，显著改善了交叉口的整体交通流与协调性。
• 滚动时域实现确保了对实时动态交通状况的适应能力。
• 数值研究证实，该模型在提升混合交通环境下的运行效率与能源效率方面具有显著有效性。