Improving the Maneuverability of Unmanned Vehicles at Various Road Network Configurations

 
PIIS207751800016539-1-1
DOI10.18254/S207751800016539-1
Publication type Article
Status Published
Authors
Occupation: Chief Researcher Scholar
Affiliation: Central Economics and Mathematics Institute, Russian Academy of Sciences
Address: Russian Federation, Moscow
Affiliation: Central Economics and Mathematics Institute, Russian Academy of Sciences
Address: Russian Federation, Moscow
Journal nameArtificial Societies
EditionVolume 16 Issue 3
Abstract

The article presents an approach to improving maneuverability of unmanned ground vehicles (UGVs) interacting with manned ground vehicles (MGVs) within the proposed multi-agent intelligent transport system (MITS) at various configurations of the digital road network. With the developed models, the abilities of improving maneuverability of agent-vehicles in MITS under various control scenarios for the most important characteristics of the system, such as, the arrival intensities of agents, speeds of UGVs and MGVs, clustering methods for the traffic density estimation and intelligent maneuvering are studied. The proposed MITS is implemented based on the reconfigurable digital road network (DRN). There is proposed an approach to improving the maneuverability of the UGVs, aimed to effectively maneuvering in changing lanes and choosing the best routes to bypass traffic congestions and other problem areas with providing the required level of output traffic and minimizing the number of potential traffic accidents in the MITS. The possibilities of improving maneuverability of UGVs at various configurations of the DRN (for example, the roundabouts, "Manhattan Lattice", etc.) are studied.

Keywordsunmanned vehicles, agent-based modeling of transport systems, improving maneuverability, road networks, agent-based model
Received06.08.2021
Publication date16.09.2021
Number of characters19288
Cite   Download pdf To download PDF you should sign in
Размещенный ниже текст является ознакомительной версией и может не соответствовать печатной
1

Введение

Развертывание наземных беспилотных транспортных средств (БТС) на дорогах общего пользования требует, чтобы подобные транспортные средства могли эффективно взаимодействовать друг с другом и внешней средой, включая обычные транспортные средства (ОТС) с учётом особенностей конфигурации цифровой дорожной сети (ЦДС).

2 Ранее были разработаны модели поведения ансамбля БТС и ОТС с использованием систем конечно-разностных уравнений, учитывающих различные сценарии сложного взаимодействия агентов [1-4]. Был предложен алгоритм нечёткой кластеризации для управления БТС при перестраивании в интенсивном дорожном потоке [5]. Подобный подход может быть использован также и для улучшения маневренности БТС при различных конфигурациях дорожной сети (например, кольцевые развязки с различной геометрией прилегающих дорог, разнонаправленная «Манхэттенская решетка» с переменным количеством узлов и др.).
3

В настоящее время актуализируются исследования, направленные на разработку моделей, методов и алгоритмов управления автономными транспортными средствами (БТС). В некоторых работах (например, [9], [10]) используются модели движения по автостраде для формирования базы знаний о сценариях вождения. Многие исследования используют модели, основанные на методах управления поведением БТС (например, [13, 15, 21]). Такие подходы позволяют исследовать сценарии вождения (например, [19], [22]) и улучшать маневренность БТС [8, 11]. С другой стороны, многие особенности, обусловленные психологией водителей ТС, влияющие на их поведение и маневрирование в интенсивном потоке, изучены недостаточно. Из работ по исследованию поведения толпы в чрезвычайных ситуациях известны эффекты «турбулентности» и «давки» [13], [15], [22], обусловленные наличием личного пространства агента, изменяющегося в зависимости от плотности окружающего пространства. Подобные явления, наблюдаемые также и для крупных транспортных систем, вызывают перегруженность ЦДС, пробки и аварии. Поэтому, несмотря на некоторые известные преимущества «молекулярного» подхода [20] к моделированию транспортных потоков, необходимо разработать крупномасштабные имитационные модели движения ансамбля БТС и ОТС феноменологического типа [6] с использованием ЦДС со сложной конфигурацией. Для программной реализации подобных моделей предлагается использовать системы класса AnyLogic и FLAME GPU, предназначенные для крупномасштабного агент-ориентированного имитационного моделирования (например, [14, 17, 18]) и позволяющие проектировать ЦДС [1-2], [12]) со сложной конфигурацией (типа «Манхэттенской решетки», кольцевых развязок и др.).

4

Существенное улучшение маневренности БТС и уменьшение количества аварий с увеличением (сохранением) трафика выходного потока может быть достигнуто включением известных алгоритмов нечёткой [5], [7] и иерархической (например, [1-2], [16]) кластеризации в индивидуальные системы принятия решений БТС для интеллектуального объезда дорожных заторов и выбора наилучших полос движения при маневрировании. Применение алгоритмов кластеризации позволяет выявлять пробки и выбирать наиболее предпочтительные маршруты с минимальной плотностью движения относительно агента-БТС с учетом направления движения к цели и характеристик ЦДС (например, конфигурации, количества полос движения, типов перекрестков, расстояния до ближайшего соседа и т. д.).

views: 20

Readers community rating: votes 0

1. Akopov A.S., Beklaryan A.L. Stsenarnoe modelirovanie dvizheniya bespilotnykh transportnykh sredstv v iskusstvennoj dorozhnoj seti s ispol'zovaniem FLAME GPU // Iskusstvennye obschestva. 2021, T. 16, № 1 URL: https://artsoc.jes.su/s207751800014028-9-1/ DOI: 10.18254/S207751800014028-9

2. Akopov A.S., Beklaryan L.A., Beklaryan A. L., Belousov F.A. Modelirovanie dvizheniya ansamblya nazemnykh bespilotnykh transportnykh sredstv s ispol'zovaniem FLAME GPU // Informatsionnye tekhnologii. 2021, T. 27, № 7.

3. Akopov A.S., Beklaryan L.A., Khachatryan N.K., Beklaryan A.L., Kuznetsova E.V. Mnogoagentnaya sistema upravleniya nazemnymi bespilotnymi transportnymi sredstvami // Informatsionnye tekhnologii. 2020, T. 26, № 6.

4. Akopov A.S., Khachatryan N.K., Beklaryan L.A., Beklaryan A.L. Sistema upravleniya bespilotnymi transportnymi sredstvami na osnove nechetkoj klasterizatsii. Chast' 1. Model' dvizheniya transportnykh sredstv // Vestnik komp'yuternykh i informatsionnykh tekhnologij. 2020, T. 17, № 9.

5. Akopov A.S., Khachatryan N.K., Beklaryan L.A., Beklaryan A.L. Sistema upravleniya bespilotnymi transportnymi sredstvami na osnove nechetkoj klasterizatsii. Chast' 2. Nechetkaya klasterizatsiya i programmnaya realizatsiya // Vestnik komp'yuternykh i informatsionnykh tekhnologij. 2020, T. 17, № 10.

6. Akopov A.S., Beklaryan L.A. An Agent Model of Crowd Behavior in Emergencies // Automation and Remote Control, vol. 76, no. 10, 2015, pp. 1817–1827.

7. Beklaryan A.L., Akopov A.S. Simulation of Agent-rescuer Behaviour in Emergency Based on Modified Fuzzy Clustering / in Proc. of the 15th Int. Conf. on Autonomous Agents and Multiagent Systems (AAMAS 2016), May, 9–13, 2016, Singapore, 2016, pp. 1275–1276.

8. Burger C., Schneider T., Lauer M. Interaction aware cooperative trajectory planning for lane change maneuvers in dense traffic / in 2020 IEEE 23rd International Conference on Intelligent Transportation Systems (ITSC). IEEE, 2020, pp. 1–8.

9. Deo N., Rangesh A., Trivedi M.M. How would surround vehicles move? A unified framework for maneuver classification and motion prediction // IEEE Transactions on Intelligent Transportation Systems, vol. 3, no. 2, 2018, pp. 129–140.

10. Guo Y., Kalidindi V.V., Arief M., Wang W., Zhu J., Peng H., Zhao D. Modeling Multi-Vehicle Interaction Scenarios Using Gaussian Random Field / in IEEE Intelligent Transportation Systems Conference (ITSC2019). IEEE, 2019, pp. 3974–3980.

11. Helbing D., Johansson A., Al-Abideen H.Z. Crowd turbulence: The physics of crowd disasters / in the Fifth International Conference on Nonlinear Mechanics (ICNM-V), Shanghai, 2007, pp. 967–969.

12. Heywood P., Richmond P., Maddock S. Road Network Simulation Using FLAME GPU / in: Hunold S. et al. (eds) Euro-Par 2015: Parallel Processing Workshops. Euro-Par 2015. Lecture Notes in Computer Science, vol. 9523, Springer, Cham, 2015, pp. 430–441.

13. Iberraken D., Adouanc L., Denis D. Multi-Controller Architecture for Reliable Autonomous Vehicle Navigation: Combination of Model-Driven and Data-Driven Formalization / in 2019 IEEE Intelligent Vehicles Symposium (IV). IEEE, 2019, pp. 245–251.

14. Kiran M., Richmond P., Holcombe M., Shawn C.L., Worth D., Greenough C. FLAME simulating Large Populations of Agents on Parallel Platforms / in Proc. of 9th Int. Conf. on Autonomous Agents and Multiagent Systems (AAMAS 2010), May, 10-14, 2010, Toronto, Canada, 2010, pp. 1633–1636.

15. Lakhal N.M.B., Adouane L., Nasri O., Slama J.B.H. Interval-based/Data-driven Risk Management for Intelligent Vehicles: Application to an Adaptive Cruise Control System / in 2019 IEEE Intelligent Vehicles Symposium (IV). IEEE, 2019, pp. 239–244.

16. Mullner D., Fastcluster: Fast Hierarchical, Agglomerative Clustering Routines for R and Python // Journal of Statistical Software, 2013, vol. 53, no. 9, pp. 1–18.

17. Richmond P., Coakley S., Romano D. Cellular Level Agent Based Modelling on the Graphics Processing Unit / in 2009 International Workshop on High Performance Computational Systems Biology, Trento, 2009, pp. 43–50.

18. Richmond P., Romano D. Template driven agent based modelling and simulation with CUDA / in Applications of GPU Computing Series, GPU Computing Gems Emerald Edition, Morgan Kaufmann, 2011, pp. 313–324.

19. Ries L., Langner J., Otten S., Bach J., Sax E. A Driving Scenario Representation for Scalable Real-Data Analytics with Neural Networks / in 2019 IEEE Intelligent Vehicles Symposium (IV). IEEE, 2019, pp. 2215–2222.

20. Treiber M., Hennecke A., Helbing D. Congested traffic states in empirical observations and microscopic simulations // Physical review E, vol. 62, no. 2, p. 1805, 2000.

21. Wang P., Shi T., Zou C., Xin L., Chan C. A Data Driven Method of Feedforward Compensator Optimization for Autonomous Vehicle Control / in 2019 IEEE Intelligent Vehicles Symposium (IV). IEEE, 2019, pp. 2012–2017.

22. Zhao D., Lam H., Peng H., Bao S., LeBlanc D.J., Nobukawa K., Pan C.S. Accelerated Evaluation of Automated Vehicles Safety in Lane-Change Scenarios Based on Importance Sampling Techniques // IEEE Transactions on Intelligent Transportation Systems, vol. 18, no. 3, 2017, pp. 595–607.

Система Orphus

Loading...
Up