A Universal Multi-Vehicle Cooperative Decision-Making Approach in Structured Roads by Mixed-Integer Potential Game

要約

現実世界の複雑な道路トポロジーと自動運転車に固有の複雑さのため、複数のコネクテッド自動運転車 (CAV) に対する協調的な意思決定は依然として大きな課題です。
現在、ほとんどの手法は特定のシナリオに合わせて調整されており、さまざまなシナリオに適用できる既存の最適化および学習手法の効率は、モデリングの複雑さとデータの依存関係によって妨げられており、現実世界への適用性が制限されています。
これらの問題に対処するために、本論文はゲーム理論を用いて構造道路における普遍的な複数車両の協調的意思決定手法を提案する。
意思決定の問題を、ウェイポイント グラフ フレームワーク内のグラフ パス探索問題に変換します。
この問題は、最初に混合整数線形計画問題 (MILP) として定式化され、混合整数ポテンシャル ゲーム (MIPG) に変換されます。これにより、問題の範囲が縮小され、プレイヤーが全体のコストを犠牲にする必要がなくなります。
MIPG 問題を解決し、ナッシュ均衡解を得るために、協調的な意思決定のための 2 つのガウス・ザイデル アルゴリズムを提示します。
具体的には、協調的な意思決定のための逐次ガウス・ザイデル アルゴリズムでは、さまざまな程度の CAV インタラクションと調整戦略の柔軟性を考慮して最適化の優先順位を決定し、非効果的な最適化の頻度を減らします。
異なる位相構造を持つさまざまな都市交通シナリオにわたる実験評価により、MILP と比較した提案手法の有効性と効率性が実証され、さまざまな最適化シーケンスの比較により、協調的意思決定における逐次ガウス・ザイデル アルゴリズムの効率性が検証されます。

要約(オリジナル)

Due to the intricate of real-world road topologies and the inherent complexity of autonomous vehicles, cooperative decision-making for multiple connected autonomous vehicles (CAVs) remains a significant challenge. Currently, most methods are tailored to specific scenarios, and the efficiency of existing optimization and learning methods applicable to diverse scenarios is hindered by the complexity of modeling and data dependency, which limit their real-world applicability. To address these issues, this paper proposes a universal multi-vehicle cooperative decision-making method in structured roads with game theory. We transform the decision-making problem into a graph path searching problem within a way-point graph framework. The problem is formulated as a mixed-integer linear programming problem (MILP) first and transformed into a mixed-integer potential game (MIPG), which reduces the scope of problem and ensures that no player needs to sacrifice for the overall cost. Two Gauss-Seidel algorithms for cooperative decision-making are presented to solve the MIPG problem and obtain the Nash equilibrium solutions. Specifically, the sequential Gauss-Seidel algorithm for cooperative decision-making considers the varying degrees of CAV interactions and flexibility in adjustment strategies to determine optimization priorities, which reduces the frequency of ineffective optimizations. Experimental evaluations across various urban traffic scenarios with different topological structures demonstrate the effectiveness and efficiency of the proposed method compared with MILP and comparisons of different optimization sequences validate the efficiency of the sequential Gauss-Seidel algorithm for cooperative decision-making.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google