Centralized Decision-Making for Platooning By Using SPaT-Driven Reference Speeds

📄 arXiv: 2505.06071v1 📥 PDF

作者: Melih Yazgan, Süleyman Tatar, J. Marius Zöllner

分类: cs.RO, eess.SY

发布日期: 2025-05-09

备注: Accepted for publication at IV 2025

💡 一句话要点

提出基于SPaT数据的集中式决策车队控制方法，提升燃油效率。

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 车队控制 模型预测控制 V2X通信 SPaT数据 燃油效率 智能交通系统 集中式控制

📋 核心要点

  1. 现有城市车队控制方法难以有效利用实时交通信号信息，导致燃油效率不高。
  2. 论文提出集中式MPC算法，结合SPaT数据优化头车轨迹，跟随车辆采用间距和速度控制。
  3. CARLA仿真结果显示，该方法显著节省燃油，提升交通流畅度和交叉口吞吐量。

📝 摘要（中文）

本文提出了一种集中式方法，利用实时车联万物（V2X）通信和信号相位与配时（SPaT）数据，实现城市环境中燃油效率高的车队行驶。该方法采用非线性模型预测控制（MPC）算法优化车队头车的轨迹，使用非对称成本函数来最小化耗油的加速行为。跟随车辆采用基于间距和速度的控制策略，并通过车队控制消息（PCM）和车队感知消息（PAM）传递动态车队拆分逻辑。在CARLA环境中的仿真结果表明，该方法可显著节省高达41.2%的燃油，同时实现更平稳的交通流、更少的车辆停止和更高的交叉口吞吐量。

🔬 方法详解

问题定义：现有城市车队控制方法通常忽略实时交通信号灯信息，导致车辆频繁加速和减速，增加了燃油消耗。此外，缺乏有效的车队动态调整机制，难以适应复杂的城市交通环境。因此，需要一种能够充分利用交通信号信息，并能动态调整车队规模的车队控制方法，以提高燃油效率和交通流畅性。

核心思路：本文的核心思路是利用集中式模型预测控制（MPC）算法，结合实时信号相位与配时（SPaT）数据，优化车队头车的行驶轨迹，从而引导整个车队高效行驶。通过非对称成本函数，惩罚耗油的加速行为，进一步提高燃油效率。同时，采用动态车队拆分逻辑，根据交通状况灵活调整车队规模。

技术框架：该方法包含以下主要模块：1) SPaT数据获取模块：通过V2X通信获取实时的交通信号灯信息。2) 集中式MPC模块：基于SPaT数据和车辆状态信息，采用非线性MPC算法优化车队头车的行驶轨迹。3) 跟随车辆控制模块：跟随车辆根据头车的轨迹和自身状态，采用基于间距和速度的控制策略，保持安全距离。4) 车队动态拆分模块：根据交通状况和车辆状态，动态调整车队规模，并通过PCM和PAM消息进行通信。

关键创新：该方法最重要的技术创新点在于将集中式MPC与SPaT数据相结合，实现了对车队行驶轨迹的全局优化。与传统的分布式控制方法相比，集中式MPC能够更好地协调车队中所有车辆的行为，从而实现更高的燃油效率和交通流畅性。此外，动态车队拆分逻辑也提高了车队对复杂交通环境的适应性。

关键设计：非对称成本函数的设计是关键。该函数对加速行为施加更大的惩罚，从而鼓励车辆保持匀速行驶，减少燃油消耗。MPC的预测时域和控制时域需要根据实际交通状况进行调整，以保证控制效果和计算效率。此外，PCM和PAM消息的格式和频率也需要仔细设计，以保证信息的及时性和可靠性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

CARLA仿真结果表明，该方法能够显著节省燃油，最高可达41.2%。此外，该方法还能够减少车辆停止次数，提高交叉口吞吐量，并改善交通流的平稳性。与传统的车队控制方法相比，该方法在燃油效率和交通流畅性方面均有显著提升。

🎯 应用场景

该研究成果可应用于智能交通系统、自动驾驶车队管理和城市交通优化等领域。通过部署该系统，可以显著降低城市交通的燃油消耗和排放，提高交通效率和安全性。未来，该技术有望与更高级的交通管理系统集成，实现更智能、更可持续的城市交通。

📄 摘要（原文）

This paper introduces a centralized approach for fuel-efficient urban platooning by leveraging real-time Vehicle- to-Everything (V2X) communication and Signal Phase and Timing (SPaT) data. A nonlinear Model Predictive Control (MPC) algorithm optimizes the trajectories of platoon leader vehicles, employing an asymmetric cost function to minimize fuel-intensive acceleration. Following vehicles utilize a gap- and velocity-based control strategy, complemented by dynamic platoon splitting logic communicated through Platoon Control Messages (PCM) and Platoon Awareness Messages (PAM). Simulation results obtained from the CARLA environment demonstrate substantial fuel savings of up to 41.2%, along with smoother traffic flows, fewer vehicle stops, and improved intersection throughput.