مقاله اجماع ADMM بهبود یافته برای برنامه ریزی حرکت مشارکتی وسایل نقلیه خودران متصل در مقیاس بزرگ با ارتباطات محدود

چکیده

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.

چکیده به فارسی (ترجمه ماشینی)

در این مقاله به بررسی یک مشکل برنامه ریزی حرکت تعاونی برای وسایل نقلیه خودمختار در مقیاس بزرگ (CAV) تحت ارتباطات محدود می پردازیم ، که به چالش های ارتباطات بالا و محاسبات منابع مورد نیاز می پردازد.روش پیشنهادی ما شامل یک الگوریتم بهینه سازی موازی با بهبود اجماع ADMM با توجه به یک شبکه توپولوژی محلی واقع بینانه تر است و پیچیدگی زمانی O (n) با بهره برداری از پراکندگی در فرآیند به روزرسانی دوگانه حاصل می شود.برای افزایش بیشتر راندمان محاسباتی ، ما از یک استراتژی تکامل سبک برای نمودار اتصال پویا CAV ها استفاده می کنیم ، و هر یک از این مشکلات فرعی از اجماع ADMM فقط نیاز به مدیریت گروه کوچکی از CAV دارد.روش پیشنهادی اجرا شده با طرح افق در حال بازپرداخت به طور کامل تأیید می شود ، و مقایسه با حلال های عددی موجود و رویکردهای موجود ، کارآیی الگوریتم پیشنهادی ما را نشان می دهد.همچنین ، شبیه سازی در مورد وظایف رانندگی تعاونی در مقیاس بزرگ شامل 80 وسیله نقلیه در شبیه ساز کارلا با وفاداری بالا انجام می شود ، که برجسته راندمان محاسباتی قابل توجه ، مقیاس پذیری و اثربخشی توسعه پیشنهادی ما را برجسته می کند.فیلم های تظاهرات در https://henryhcliu.github.io/icadmm_cmp_carla در دسترس هستند.