Improved Consensus ADMM for Cooperative Motion Planning of Large-Scale Connected Autonomous Vehicles with Limited Communication

要約

この論文では、限られた通信環境下での大規模コネクテッド自律走行車 (CAV) の協調動作計画問題を調査し、高い通信およびコンピューティング リソース要件の課題に対処します。
私たちが提案する方法論には、より現実的なローカル接続トポロジ ネットワークを考慮した改良型コンセンサス ADMM を備えた並列最適化アルゴリズムが組み込まれており、デュアル更新プロセスのスパース性を利用することで O(N) の時間計算量が実現されます。
計算効率をさらに高めるために、CAV の動的接続グラフに軽量の進化戦略を採用し、コンセンサス ADMM から分割された各サブ問題は、少数の CAV グループの管理のみを必要とします。
後退地平線スキームを使用して実装された提案された方法は徹底的に検証され、既存の数値ソルバーおよびアプローチとの比較により、提案されたアルゴリズムの効率が実証されています。
また、80 台の車両を伴う大規模な協調運転タスクのシミュレーションが高忠実度 CARLA シミュレータで実行され、私たちが提案する開発の顕著な計算効率、拡張性、有効性が強調されています。
デモビデオは https://henryhcliu.github.io/icadmm_cmp_carla でご覧いただけます。

要約(オリジナル)

This paper investigates a cooperative motion planning problem for large-scale connected autonomous vehicles (CAVs) under limited communications, which addresses the challenges of high communication and computing resource requirements. Our proposed methodology incorporates a parallel optimization algorithm with improved consensus ADMM considering a more realistic locally connected topology network, and time complexity of O(N) is achieved by exploiting the sparsity in the dual update process. To further enhance the computational efficiency, we employ a lightweight evolution strategy for the dynamic connectivity graph of CAVs, and each sub-problem split from the consensus ADMM only requires managing a small group of CAVs. The proposed method implemented with the receding horizon scheme is validated thoroughly, and comparisons with existing numerical solvers and approaches demonstrate the efficiency of our proposed algorithm. Also, simulations on large-scale cooperative driving tasks involving 80 vehicles are performed in the high-fidelity CARLA simulator, which highlights the remarkable computational efficiency, scalability, and effectiveness of our proposed development. Demonstration videos are available at https://henryhcliu.github.io/icadmm_cmp_carla.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google