论文链接：https://arxiv.org/pdf/2401.04968.pdf
摘要
本文介绍了基于道路拓扑的互联自动驾驶汽车通用协同决策框架。由于互联自动驾驶汽车（CAVs）的协同决策固有的非线性、非凸性和离散特性以及现实世界交通场景中遇到的各种道路拓扑结构，因此其面临着长期的挑战。目前的大多数方法仅适用于单一且特定的场景，其基于特定场景假设。因此，它们在现实世界环境中的应用受限于交通场景的很多性质。在本研究中，我们提出了一种统一的优化方法，其具有解决与一般道路拓扑的交通场景相关的协同决策问题的潜力。这种方法的前提是，各种交通场景的拓扑结构可以普遍表示为有向无环图（DAGs）。特别地，考虑到速度、加速度、冲突解决方案和总体交通效率等因素，以完全协同的方式来确定所有涉及的CAVs的参考路径和时间配置。CAVs的协同决策近似为一个基于道路拓扑的DAGs的混合整数线性规划（MILP）问题。这促进了标准数值求解器的使用，并且能够通过优化来获得全局最优。将具有不同拓扑结构的不同多车道交通场景对应的案例研究进行测试，结果证明了本文所提出方法的有效性。
主要贡献
本文的主要贡献总结如下：
1）本文利用道路拓扑结构的通用图表示，提出了一种新型的互联自动驾驶汽车协同决策框架。该框架基本上与交通场景的实际道路结构和几何形状解耦。因此，本文所提出的框架可以泛化到广泛的交通场景，而无需具体调整；
2）本文通过将big-M方法与松弛变量相结合，提出了一种优化方案，例如决策和时间配置的联合优化可以在任意复杂的有向图表示上实现；
3）本文通过线性化将优化问题转换为MILP问题，这有利于在协同决策过程中使用标准数值求解器来获得全局最优解；
4）为了验证本文所提出的方法并且证明其适应性和多功能性，我们提供了对三种不同城市交通场景的案例研究。这些研究展现了该框架泛化到各种交通场景中的有效性。
论文图片和表格
总结
在本文中，我们引入了一种通用的优化方案，其旨在解决给定一般道路拓扑结构的各种城市交通场景中CAVs的协同决策问题。通过将该协同决策问题转换为一个MILP问题，可以联合优化所有CAVs的路径和各自的时间配置。通过放松非线性约束，可以很容易地获得解，并且能够使用数值求解器来获得最优值。为了验证所提出方法的有效性，在三种具有明显不同的几何和拓扑结构的交通场景中进行仿真。仿真结果表明，本文开发的优化方案可以在不调整的情况下为CAVs在每个场景中生成合理的策略，从而证明了所提出方法的泛化能力。潜在的今后工作包括引入基于规则的启发式方法以提高整体的计算效率。此外，由于MILP中总体代价最小化本质上是一个势能函数，因此整个问题可以重新表示为一个势博弈问题。这将对交通参与者以自身利益为导向的行为进行正确建模和管理。
发表回复