V2X-Assisted Distributed Computing and Control Framework for Connected and Automated Vehicles under Ramp Merging Scenario

📄 arXiv: 2410.22987v1 📥 PDF

作者: Qiong Wu, Jiahou Chu, Pingyi Fan, Kezhi Wang, Nan Cheng, Wen Chen, Khaled B. Letaief

分类: eess.SY, cs.LG, cs.NI

发布日期: 2024-10-30

备注: This paper has been submitted to IEEE Journal. The source code has been released at: https://github.com/qiongwu86/V2X-Assisted-Distributed-Computing-and-Control-Framework-for-Connected-and-Automated-Vehicles.git

💡 一句话要点

针对匝道汇入场景，提出V2X辅助的分布式计算与控制框架

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: V2X通信 分布式计算 协同控制 模型预测控制 匝道汇入 自动驾驶 智能交通系统

📋 核心要点

  1. 现有匝道汇入场景的车辆协同控制方法依赖中央控制器，计算量大，难以满足实时性要求。
  2. 提出一种V2X辅助的分布式计算与控制框架，将计算任务分配给各车辆并行处理，降低计算复杂度。
  3. 仿真结果表明，该方法在保证系统性能的前提下，显著提升了计算速度，验证了其有效性。

📝 摘要（中文）

本文研究了交通物理信息系统中，互联自动驾驶车辆（CAV）在匝道汇入场景下的分布式计算和协同控制问题。首先，针对匝道汇入场景，建立了一个集中式协同轨迹规划问题，该问题受到安全约束和交通性能的限制，需要联合优化所有车辆的轨迹。为了摆脱对中央控制器的依赖并减少计算时间，提出了一种通过车联网（V2X）通信在CAV之间实现的分布式解决方案。与现有方法不同，该方法可以将计算任务分配给CAV，并通过V2X通信进行并行求解。然后，基于第一个问题的解，建立了一个多车辆模型预测控制（MPC）问题，旨在最大化系统稳定性和最小化控制输入，同时满足严格的安全约束和输入限制。由于这些复杂的约束，该问题变得高维、集中且非凸。为了在短时间内解决它，提出了一种分解和凸重构方法，即分布式协同迭代模型预测控制（DCIMPC）。该方法利用CAV的通信能力来分解问题，充分利用车辆上的计算资源来实现快速求解和分布式控制。上述两个问题及其相应的求解方法构成了V2X辅助分布式计算和控制的系统框架。仿真实验评估了该框架的收敛性、安全性和求解速度。此外，还进行了额外的实验来验证DCIMPC的性能。结果表明，该方法可以在不牺牲系统性能的情况下大大提高计算速度。

🔬 方法详解

问题定义：论文旨在解决互联自动驾驶车辆在匝道汇入场景下的协同轨迹规划和控制问题。现有方法通常依赖于中央控制器进行集中式计算，当车辆数量增加时，计算复杂度急剧上升，难以满足实时性要求，并且存在单点故障风险。

核心思路：论文的核心思路是将集中式问题分解为分布式子问题，利用V2X通信实现车辆间的协同，从而降低每个车辆的计算负担，并提高系统的鲁棒性。通过分布式计算和控制，避免了对中央控制器的依赖，提高了系统的可扩展性和实时性。

技术框架：该框架包含两个主要阶段：1) 分布式协同轨迹规划：首先，将集中式轨迹规划问题分解为多个子问题，每个子问题由一个车辆负责求解。车辆之间通过V2X通信共享信息，迭代优化轨迹，直到满足安全约束和交通性能要求。2) 分布式协同迭代模型预测控制（DCIMPC）：基于轨迹规划的结果，构建多车辆MPC问题，并采用分解和凸重构方法将其转化为多个子问题。每个车辆求解自己的MPC子问题，并通过V2X通信与其他车辆交换信息，迭代更新控制策略，最终实现分布式协同控制。

关键创新：该论文的关键创新在于提出了V2X辅助的分布式计算与控制框架，该框架能够有效地将复杂的集中式问题分解为多个易于求解的分布式子问题。与传统的集中式方法相比，该方法具有更高的计算效率和更好的可扩展性。此外，DCIMPC方法通过分解和凸重构，有效地解决了非凸MPC问题，保证了算法的收敛性。

关键设计：在分布式协同轨迹规划中，采用迭代优化的方法，通过V2X通信共享车辆的位置、速度等信息，并根据安全约束和交通性能指标调整轨迹。在DCIMPC中，采用交替方向乘子法（ADMM）进行问题分解，并利用凸松弛技术将非凸约束转化为凸约束。MPC的控制目标包括最大化系统稳定性和最小化控制输入，同时满足车辆的安全距离约束和速度限制。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

仿真结果表明，所提出的分布式计算与控制框架能够有效地解决匝道汇入场景下的车辆协同问题。与集中式方法相比，该方法在计算速度上提高了显著，同时保证了系统的安全性和稳定性。额外的实验验证了DCIMPC的性能，结果表明该方法可以在不牺牲系统性能的情况下大大提高计算速度。

🎯 应用场景

该研究成果可应用于智能交通系统、自动驾驶车辆编队、港口物流等领域。通过V2X通信实现车辆间的协同控制，可以提高道路通行效率，减少交通拥堵，降低交通事故风险。此外，该方法还可以应用于无人驾驶车辆的集群控制，实现更高效、更安全的物流运输。

📄 摘要（原文）

This paper investigates distributed computing and cooperative control of connected and automated vehicles (CAVs) in ramp merging scenario under transportation cyber-physical system. Firstly, a centralized cooperative trajectory planning problem is formulated subject to the safely constraints and traffic performance in ramp merging scenario, where the trajectories of all vehicles are jointly optimized. To get rid of the reliance on a central controller and reduce computation time, a distributed solution to this problem implemented among CAVs through Vehicles-to-Everything (V2X) communication is proposed. Unlike existing method, our method can distribute the computational task among CAVs and carry out parallel solving through V2X communication. Then, a multi-vehicles model predictive control (MPC) problem aimed at maximizing system stability and minimizing control input is formulated based on the solution of the first problem subject to strict safety constants and input limits. Due to these complex constraints, this problem becomes high-dimensional, centralized, and non-convex. To solve it in a short time, a decomposition and convex reformulation method, namely distributed cooperative iterative model predictive control (DCIMPC), is proposed. This method leverages the communication capability of CAVs to decompose the problem, making full use of the computational resources on vehicles to achieve fast solutions and distributed control. The two above problems with their corresponding solving methods form the systemic framework of the V2X assisted distributed computing and control. Simulations have been conducted to evaluate the framework's convergence, safety, and solving speed. Additionally, extra experiments are conducted to validate the performance of DCIMPC. The results show that our method can greatly improve computation speed without sacrificing system performance.