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

📄 arXiv: 2401.09032v1 📥 PDF

作者: Haichao Liu, Zhenmin Huang, Zicheng Zhu, Yulin Li, Shaojie Shen, Jun Ma

分类: cs.RO, cs.MA, eess.SY

发布日期: 2024-01-17

备注: 15 pages, 10 figures

🔗 代码/项目: PROJECT_PAGE

💡 一句话要点

提出改进共识ADMM以解决大规模联网自动驾驶车辆的协同运动规划问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 协同运动规划 联网自动驾驶 共识ADMM 并行优化 动态连接图 计算效率 高保真模拟

📋 核心要点

  1. 核心问题：现有方法在大规模联网自动驾驶车辆的协同运动规划中面临高通信和计算资源需求的挑战。
  2. 方法要点：提出改进的共识ADMM与并行优化算法，结合轻量级进化策略以提高计算效率。
  3. 实验或效果：在CARLA模拟器中进行的仿真显示出算法在计算效率和可扩展性方面的显著提升。

📝 摘要（中文）

本文研究了在有限通信条件下大规模联网自动驾驶车辆（CAVs）的协同运动规划问题，旨在应对高通信和计算资源需求的挑战。我们提出的方法结合了改进的共识ADMM并采用并行优化算法，考虑了更为现实的局部连接拓扑网络，通过利用对偶更新过程中的稀疏性实现了O(N)的时间复杂度。为了进一步提高计算效率，我们为CAVs的动态连接图采用了轻量级进化策略，每个从共识ADMM分割出的子问题仅需管理一小组CAVs。通过回退视野方案验证了所提方法的有效性，并与现有数值求解器和方法进行了比较，显示出我们算法的高效性。我们在高保真CARLA模拟器上进行了涉及80辆车的大规模协同驾驶任务的仿真，突显了我们方法的计算效率、可扩展性和有效性。

🔬 方法详解

问题定义：本文旨在解决大规模联网自动驾驶车辆在有限通信条件下的协同运动规划问题。现有方法通常需要高通信和计算资源，难以满足实际应用需求。

核心思路：我们提出了一种改进的共识ADMM算法，结合并行优化策略，考虑了局部连接拓扑网络的实际情况，从而降低了计算复杂度。

技术框架：整体方法包括多个模块：首先构建动态连接图，其次通过改进的共识ADMM进行优化，最后利用回退视野方案进行验证。每个子问题仅需管理小组CAVs，降低了计算负担。

关键创新：最重要的创新在于通过改进的共识ADMM实现O(N)的时间复杂度，利用对偶更新过程中的稀疏性，显著提升了计算效率。

关键设计：在设计中，采用了轻量级进化策略来动态调整CAVs的连接图，确保每个子问题的规模可控，优化过程中的参数设置经过精心调整以适应大规模场景。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，所提算法在高保真CARLA模拟器中成功完成了80辆车的大规模协同驾驶任务，显著提高了计算效率和可扩展性。与现有数值求解器相比，算法在处理时间和资源消耗上均表现出优越性，验证了其实际应用价值。

🎯 应用场景

该研究具有广泛的应用潜力，尤其是在智能交通系统和自动驾驶技术中。通过提高大规模联网自动驾驶车辆的协同运动规划效率，能够有效提升交通流量管理和安全性，推动智能城市的发展。未来，该方法可扩展至其他多智能体系统的协同控制问题。

📄 摘要（原文）

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.