论文解读——Balancing Computation Speed and Quality：A Decentralized Motion Planning Method...

Balancing Computation Speed and Quality: A Decentralized Motion Planning Method for Cooperative Lane Changes of Connected and Automated Vehicles

参考资料来源：《Balancing Computation Speed and Quality: A Decentralized Motion Planning Method for Cooperative Lane Changes of Connected and Automated Vehicles》一文

A .问题描述

注：该论文讲述的是如何在保证无碰撞的情况下，多车同时变道的情形(multi-vehicle motion planning 问题)，其把该问题总结为一个优化问题。所以在该节请注意各个约束条件和目标函数。并假设道路上全是网联汽车（CAVS），不存在断联的汽车。

1.运动学约束

为了描述整个CAVS的运动学特性，使用自行车模型进行建模，即：


关于$(1a),(1b),(1e)$参考参考我之前写的这篇博客https://blog.csdn.net/m0_55918181/article/details/135550721即可理解，$(1c),(1d),(1f)$就是简单的求导，下面说明一些重要变量的含义。

变量说明：

• $i$: 第$i$架无人车$(i=1,2,...,N_v)$
• ${\varphi }_i$：前轮转角（与车辆坐标系）
• ${\theta }_i$：方位角
• $L_w$：前后轴距离
• $L_f$：前轴与AB距离
• $L_r$：后轴与CD距离

给$(1)$式加一些上下界限制

2.避障约束

对于整个CAVS来说，避障意味着：车与道路边界之间不能发生碰撞；车与车之间不能发生碰撞，下面说明一下这两类碰撞约束如何形成。

如Fig.2，保证每辆车的四个角点位于上下边界内（车与道路边界之间的碰撞约束）

如Fig.2，保证车辆$i$的四个角点与车辆$k$的任意的一个四个角点之间围成的三角形和大于$i$车的矩形面积（车与车之间的碰撞约束）

3.任务约束

设整个CAVS从初始车道变化到目标车道的整个动态过程时间为$t_f$，同时设置整个CAVS的保持速度为$v_{st}$，故设置下面的初始和终态约束

初始的各个变量设置

终态的各个变量设置

初始车道和目标车道设置（$Ori{g}_i$表示$i$车的初始车道,$Des{t}_i$表示$i$车的目标车道）

4.目标函数和模型建立

建立如下的模型，目标函数为$t_f$,约束为动力学约束、避障约束和任务约束

决策变量为：$jer{k}_i(t),{\omega }_i(t),t_f$,其余变量可由决策变量推出

B.两步法求解

针对建立的优化问题，直接求解比较麻烦。作者使用两部分去求解，核心思想在于先调整个CAV车与车之间的差距（调整之后的队形叫做sparse formation），在此基础上进行优化（距离变大之后，就不需要考虑车与车之间的避障约束），具体流程图如下：

1 Sparse Formation Calculation

根据上图说明一下，CAVS的索引以及$d_{i,k}^{\ast }$；

• CAVS的索引可以采用如图所示的方法，具体为为$(i,N{L}_i)$, $i$表示第$i$条车道，$N{L}_i$表示第$N{L}_i$级别车辆；
• $x_{i,j}$表示第$i$条车道第$j$级车对应横轴坐标值，设CAVS车道变化到sparse formation时刻为$t_{\zeta }$,则定义$d_{i,k}^{\ast }$为：即同一车道相邻两个车辆之间的间隔差
  

1.1 Blind Lane Change Motion Planning

首先，求解$P_1$，记其解为$S_1$，其是原来问题除去车与车之间的碰撞约束，所以称为$Blind$

1.2 Calculation of $d_{i,k}^{\ast }$ via Collision Recovery

在1.1的基础上，通过碰撞检测寻找$d_{i,k}^{\ast }$具体的数值，具体为依据0时刻各个无人车对应的x坐标从大到小排序，记该集合为$\Psi ={\Psi }_1,...,{\Psi }_{N_v}$。${\Psi }_1$的轨迹优先级最高，所以不更新$S_1$；对于${\Psi }_2$进行碰撞检测（车与车之间的碰撞约束），若发生碰撞，轨迹水平偏移$\Delta S$，直到不发生碰撞，并更新$S_1$，一直遍历到所有无人车，即可得到$S_1$和$d_{i,k}^{\ast }$，下图为该过程的伪代码：

2 Formation Reconfiguration Motion Planning

在得到$d_{i,k}^{\ast }$之后，需要知道如何从原来初始时刻位置到$d_{i,k}^{\ast }$，注意，这里仅仅是间隔调整，所以可以对之前的约束条件进行简化。

调整到sparse formation过程中，仅仅在水平方向发生运动

因为在水平方向发生运动，所以可以对之前的运动学约束进行简化

同一车道相邻无人车间距要大于等于0

$t_{\zeta }$约束

综上可以得到，求解从原来初始时刻位置到$d_{i,k}^{\ast }$的答案，记$P_2$的解为$S_2$

3 Simultaneous Lane Changes

• 执行$S_2$变化到sparse formation
• 执行1.2更新之后的$S_1$使其完成任务末端约束（即换道）

C 结论与思考

论文结论：
i) is suitable for online decision making, ii) performs consistently in handling various constraints and iii) strikes a balance between CPU time and task completion time.

这里说一下iii) 点
如上图，$ga{p}_{max}$表示初始时刻不同车辆之间的最大间隔，可以发现执行两步法的时间对$ga{p}_{max}$不敏感，证明了该方法的稳定性。就如论文最后总结的一样 strikes a balance between CPU time and task completion time.