Nowadays, research and application of Connected and Automated Vehicles (CAVs) in Intelligent Transportation Systems (ITSs) have made significant progress, especially in optimization-based motion planning strategies using Model Predictive Control (MPC) algorithms. With the development of nonlinear optimization solvers and high-performance microprocessors, MPC controllers enable CAVs to plan optimal trajectories in real time, navigate to destinations, and avoid collisions with other road users. However, due to the complexity of ITSs, CAVs face the challenge of coupled coordination with different road users (such as other CAVs, pedestrians, and cyclists) that is always accompanied by various uncertainties, which bring additional requirements to MPC algorithms. The deterministic framework of MPC algorithms lacks the ability to incorporate uncertainties into problem formulation, which may lead to CAVs’ unforeseen misalignment with reference trajectories. Consequently, CAVs have more chances of colliding with other road users, deviating from reference trajectories, and getting further away from destinations due to uncertainties, and the safety of ITSs is significantly degraded.

To address the aforementioned challenge, this project chooses an Operational Design Domain (ODD), where CAVs plan to cross a traffic intersection, as the case study. In the traffic intersection scenario, CAVs use a Vehicle-to-Vehicle (V2V) communication network to exchange information and coordinate to avoid collisions. The MPC algorithm is formulated in a distributed mannerthatexploitsexchangedinformation, whichmodelsthecoordinationbetween CAVs. Wefocusonstochastic network delays in the V2V communication network and simplify them as Gaussian uncertainties. The effect of Gaussian uncertainties is incorporated into the distributed MPC (DMPC) algorithm. To relax the conservativeness of collision avoidance constraints due to Gaussian uncertainties, we formulate collision avoidance constraints as chance constraints and approximate them based on Chebyshev’s Inequality and the Cumulative Distribution Function (CDF), respectively. The simulation results demonstrate that the distributed chance-constrained MPC (DCCMPC) algorithm reduces the risks of collisions and navigation failures to an acceptable level, which considerably improves the safety of ITSs.

Numera har forskning om och tillämpning av uppkopplade och automatiserade fordon (CAV) i intelligenta transportsystem (ITS) gjort betydande framsteg, särskilt inom optimeringsbaserade rörelseplaneringsstrategier med hjälp av MPC-algoritmer (Model Predictive Control). Med utvecklingen av icke-linjära optimeringslösare och högpresterande mikroprocessorer möjliggör MPC-styrenheter för CAV att planera optimala banor i realtid, navigera till destinationer och undvika kollisioner med andra trafikanter. På grund av komplexiteten hos ITS står dock CAV:er inför utmaningen med kopplad samordning med olika trafikanter (såsom andra CAV:er, fotgängare och cyklister) som alltid åtföljs av olika osäkerheter, vilket medför ytterligare krav på MPC-algoritmer. Det deterministiska ramverket för MPC-algoritmer saknar förmågan att införliva osäkerheter i problemformuleringen, vilket kan leda till att CAV:er oförutsedda feljusteringar görs i förhållande till referensbanor. Följaktligen har CAV:er större chans att kollidera med andra trafikanter, avvika från referensbanor och komma längre bort från destinationer på grund av osäkerheter, och säkerheten hos ITS:er försämras avsevärt.

För att hantera den ovannämnda utmaningen väljer detta projekt en operationell designdomän (ODD), där CAV planerar att korsa en trafikkorsning, som fallstudie. I trafikkorsningsscenariot använder CAV:er ett kommunikationsnätverk mellan fordon (V2V) för att utbyta information och koordinera för att undvika kollisioner. MPC-algoritmen är formulerad på ett distribuerat sätt som utnyttjar utbytt information, vilket modellerar koordinationen mellan CAV. Vi fokuserar på stokastiska nätverksfördröjningar i V2V-kommunikationsnätverket och förenklar dem som Gaussiska osäkerheter. Effekten av Gaussiska osäkerheter införlivas i den distribuerade MPC-algoritmen (DMPC). För att mildra konservativiteten hos begränsningar för kollisionsundvikande på grund av Gaussiska osäkerheter formulerar vi begränsningar för kollisionsundvikande som slumpmässiga begränsningar och approximerar dem baserat på Chebyshevs olikhet respektive den kumulativa fördelningsfunktionen (CDF). Simuleringsresultaten visar att den distribuerade slumpmässigt begränsade MPC-algoritmen (DCCMPC) minskar riskerna för kollisioner och navigationsfel till en acceptabel nivå, vilket avsevärt förbättrar säkerheten för ITS:er.