💻 computer science

Miniature Testbed for Validating Multi-Agent Cooperative Autonomous Driving

Dit artikel presenteert CIVAT, een schaalmodel-testbed op schaal 1:15 dat autonome voertuigen en slimme infrastructuur integreert met V2V/V2I-communicatie via ROS2, ontworpen om coöperatief autonoom rijden te valideren door middel van experimenten in infrastructuur-gebaseerde perceptie en kruispuntbeheer.

Oorspronkelijke auteurs: Hyunchul Bae, Eunjae Lee, Jehyeop Han, Minhee Kang, Jaehyeon Kim, Junggeun Seo, Minkyun Noh, Heejin Ahn

Gepubliceerd 2026-06-12

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Hyunchul Bae, Eunjae Lee, Jehyeop Han, Minhee Kang, Jaehyeon Kim, Junggeun Seo, Minkyun Noh, Heejin Ahn

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een groep zelfrijdende auto's probeert te leren om samen te dansen zonder op elkaars tenen te trappen. In de echte wereld heb je daarvoor een enorme parkeerplaats, dure auto's en een gigantisch budget nodig om dit te testen. Maar wat als je de hele stad kon verkleinen tot de grootte van een koffietafel?

Dat is precies wat de onderzoekers van KAIST hebben gedaan. Ze hebben CIVAT gebouwd (Cooperative Intelligent V2X Autonomous Testbed), een miniatuur "stad" die op een schaal van 1:15 is verkleind ten opteken van de werkelijkheid. Zie het als een high-tech, zelfrijdende versie van een speelgoedtreintje, maar dan met een zeer slimme twist.

Hier is hoe het werkt, onderverdeeld in eenvoudige delen:

1. Het Podium: Een Miniatuurstad

In plaats van een saai plat oppervlak, hebben ze een kaart van 6 meter bij 5,5 meter gebouwd die lijkt op een echt stedelijk kruispunt. Het heeft rijstroken, invoegpunten en zelfs een "snelweg" ringweg die het centrum omringt. Het oppervlak is geprint met een speciaal materiaal zodat de kleine auto's grip hebben op de grond, net zoals full-size auto's dat zouden doen.

2. De Spelers: Slimme Kleine Auto's

De testomgeving maakt gebruik van miniatuurauto's (ongeveer de grootte van een grote schoenendoos) die verrassend geavanceerd zijn.

Het Brein: Elke auto heeft een krachtige computer (Jetson Orin NX) aan boord, vergelijkbaar met de computers die in echte zelfrijdende auto's worden gebruikt, maar dan kleiner.
De Zintuigen: Ze hebben camera's en bewegingssensoren om te "zien" waar ze zijn.
De Stem: Ze hebben Wi-Fi-antennes waarmee ze met elkaar kunnen praten en met de "verkeersleidingspost".

3. De Regisseur: De "Slimme" Verkeerspaal

Dit is de grootste innovatie van het artikel. In de meeste speelgoed-testomgevingen worden de auto's aan hun lot overgelaten om het zelf uit te zoeken. In CIVAT staat er een slimme infrastructuurpaal midden in het kruispunt.

De Ogen: Deze paal heeft een 3D-laser scanner (LiDAR) die fungeert als een uiterst nauwkeurig paar ogen, die het hele kruispunt van bovenaf bekijkt.
Het Brein: De paal heeft een krachtige computer (met een krachtige grafische kaart) die gegevens veel sneller kan verwerken dan de kleine auto's kunnen.
De Rol: De paal zit er niet alleen maar; hij beheert actief het verkeer. Hij ziet iedereen, bepaalt wie wie is, en vertelt de auto's wanneer ze moeten versnellen of afremmen om botsingen te voorkomen.

4. Het Gesprek: Hoe Ze Communiceren

De auto's en de paal communiceren met elkaar via een standaard Wi-Fi-netwerk, wat werkt als een groepschat.

Auto-naar-Auto (V2V): Auto's vertellen elkaar: "Ik ben hier en ik ga deze kant op."
Auto-naar-Paal (V2I): De paal luistert naar de auto's, maar voegt ook zijn eigen perspectief toe. Hij zegt: "Ik zie een auto van links komen die jij misschien nog niet ziet. Rem af!"

De Grote Test: De Kruispuntuitdaging

Om te bewijzen dat dit systeem werkt, hebben de onderzoekers een specifiek experiment uitgevoerd: het beheren van een druk, ongecontroleerd kruispunt waar twee soorten bestuurders zich mengen:

Verbonden Auto's (CAVs): De slimme, pratende miniatuurauto's.
Door Mensen Bestuurde Auto's (HVs): In het experiment waren dit "geestauto's" die geen Wi-Fi hadden. Ze konden niet communiceren; ze reden gewoon door.

Hoe het systeem met de mix omging:

Het Opsporen van de Geesten: De slimme paal gebruikte zijn laser scanner om de "geestauto's" te vinden die niet konden communiceren. Hij moest raden waar ze heen gingen op basis van hun beweging.
De Verkeersregelaar: De paal fungeerde als een scheidsrechter. Als een "geestauto" het kruispunt binnenkwam, gaf de paal deze de hoogste prioriteit (zoals een VIP). Vervolgens vertelde de paal aan alle slimme auto's om te wachten of af te remmen om de geestauto veilig te laten passeren.
Het Resultaat: Het systeem coördineerde de auto's succesvol zodat ze niet botsten, zelfs toen sommige van hen niet konden communiceren. Het bewees dat het hebben van een "slimme paal" helpt om situaties aan te pakken die de auto's niet alleen kunnen oplossen.

Waarom Dit Belangrijk Is

Het artikel stelt dat het bouwen van volledige teststeden te duur is en te veel ruimte inneemt, terwijl computersimulaties vaak te perfect zijn en de imperfecties van de echte wereld niet goed vangen.

CIVAT biedt een "Goldilocks"-oplossing: het is klein en goedkoop genoeg om in een lab te bouwen, maar realistisch genoeg om te testen hoe zelfrijdende auto's en slimme infrastructuur in de echte wereld samenwerken. Het is een trainingsgrond waar auto's leren samenwerken voordat ze ooit de echte straten opgaan.

Technische Samenvatting: CIVAT – Een Miniatuur Testbed voor de Validatie van Multi-Agent Coöperatief Autonoom Rijden

Probleemstelling

Hoewel autonome rijtechnologieën aanzienlijk zijn gevorderd, richt de meeste vooruitgang zich op individuele voertuigen. Coöperatief autonoom rijden, dat steunt op realtime samenwerking tussen voertuigen en slimme weginfrastructuur, blijft een uitdagend probleem dat rigoureuze validatie vereist. Bestaande validatiemethoden kampen met een dichotomie:

Full-scale testbeds (bijv. M-City, K-City) bieden realistische omgevingen, maar vereisen enorme investeringen, uitgebreide ruimte en zijn logistiek veeleisend, met name voor het testen van multi-agent interacties met slimme infrastructuur.
Simulaties (bijv. CARLA) zijn kosteneffectief, maar hebben moeite met het repliceren van de fysieke realiteit van voertuigdynamica, sensorkarakteristieken en communicatieproblemen.
Bestaande miniatuur testbeds missen vaak slimme infrastructuur uitgerust met sensing, edge computing en communicatiecapaciteiten, of ze vertrouwen zwaar op externe motion capture-systemen in plaats van onboard of infrastructuur-gebaseerde perceptie.

Er is een kritieke kloof voor een kosteneffectief, schaalbaar platform dat autonome voertuigen integreert met slimme infrastructuur (sensing, berekening, communicatie) om coöperatieve rijalgoritmen in realistische, gecontroleerde settings te valideren.

Methodologie: Het CIVAT Testbed

De auteurs stellen CIVAT (Cooperative Intelligent V2X Autonomous Testbed) voor, een 1:15-schaal miniature testbed ontworpen om de kloof tussen full-scale faciliteiten en simulaties te overbruggen. Het systeem is gebouwd op basis van de Buckingham $\pi$ -stelling voor schaalwetten, wat ervoor zorgt dat geschaalde voertuigen gedrag vertonen dat vergelijkbaar is met die van full-scale tegenhangers.

1. Fysiek Ontwerp

Kaart: Een stedelijke kaart van 6 m $\times$ 5,5 m (geschaald van een 90 m $\times$ 82,5 m real-world kruispunt) met een ongecontroleerd vierarmig kruispunt, eilanden voor verkeersgeleiding en een omliggende ringweg. Het oppervlak gebruikt materiaal met een rating van 60 BPN om de wrijving van asfalt te repliceren.
Voertuigen: 1:15-schaal autonome voertuigen gebaseerd op een ZD RACING chassis met Ackermann-sturing.
- Hardware: Uitgerust met een Jetson Orin NX (computatie), RealSense D435 (dieptecamera), myAHRS+ IMU, en NUCLEO-G431KB MCU.
- Kosten: Ongeveer $1.507 per eenheid.
- Kinematica: Gemodelleerd met een bicycle model met no-slip aannames voor trajectvoorspelling.
Slimme Infrastructuur: Een centrale paal (1 m hoogte) uitgerust met:
- Sensing: Ouster OS-Dome 3D LiDAR.
- Computatie: ASUS PE6000 workstation (Intel i9-12900E CPU, NVIDIA RTX 4090 GPU).
- Rol: Fungeert als een actieve agent met dedicated sensing en computing resources, onderscheidend van passieve infrastructuur (verkeerslichten/verkeersborden).

2. Communicatiearchitectuur

Netwerk: Maakt gebruik van IEEE 802.11ax (Wi-Fi 6) om alle voertuigen en infrastructuur met elkaar te verbinden.
Protocol: Implementeert een ROS2 publish-subscribe framework om V2X-berichtverpassing te emuleren.
- V2V: Beperkt tot een bereik van 3 m om realistische beperkingen na te bootsen.
- V2I: Beslaat het kruispuntgebied.
Standaarden: Houdt zich aan SAE J3216 Class B voor voertuigberichten en SAE J2735 als basislijn, met aangepaste extensies voor infrastructuurmetadata.

3. Softwarearchitectuur

CAV Module: Breidt de standaard autonome pipeline uit door coöperatieve planning te integreren. Voertuigen ontvangen berichten van buren en de infrastructuur om snelheid en traject aan te passen met behulp van het Intelligent Driver Model (IDM).
Infrastructuur Module:
- Perceptie: Draait PointPillars voor real-time 3D objectdetectie vanuit LiDAR-data.
- HV Identificatie: Een driestaps pipeline om door menselijke bestuurde voertuigen (HVs) te onderscheiden van verbonden autonome voertuigen (CAVs) en fout-positieven door LiDAR-detecties te kruisverwijzen met CAV-broadcastberichten en temporele geheugen.
- Kruispuntbeheer: Een prioriteitsgebaseerd algoritme dat voertuigsnelheden coördineert.
  - Volledig CAV: Gebruikt een First-In-First-Serve (FIFS) regel met kinematische voorspelling om conflicten op te lossen.
  - Gemengd Verkeer: Kent de hoogste prioriteit toe aan geïdentificeerde HVs, voorspelt hun bezette regio's en past de snelheden van CAVs aan om voorrang te verlenen.

Belangrijkste Bijdragen

Nieuw Testbed Ontwerp: Het ontwerp en de implementatie van CIVAT, het eerste miniature testbed dat slimme infrastructuur integreert met dedicated 3D LiDAR en edge computing naast autonome voertuigen.
Hardware Integratie: Ontwikkeling van een goedkoop, schaalbaar voertuigplatform met onboard sensoren en een high-performance infrastructuurknooppunt in staat tot complexe perceptie en planning.
Validatie van Gemengd Verkeer: Een casestudy die infrastructuur-gecentreerd kruispuntbeheer demonstreert dat succesvol CAVs en niet-verbonden HVs coördineert met een combinatie van V2I-communicatie en infrastructuur-gebaseerde perceptie.

Experimentele Resultaten

Het systeem werd gevalideerd via infrastructuurperceptie en kruispuntbeheer experimenten.

1. Infrastructuur Perceptie

Dataset: Geconstrueerd CIVAT-SI, bevattende 3.888 trainingsframes en 1.120 validatieframes met maximaal vijf voertuigen.
Nauwkeurigheid: Het PointPillars-model behaalde 0.984 AP@0.3 en 0.972 AP@0.5.
Beperkingen: De detectienauwkeurigheid nam af in geoccludeerde regio's, gebieden met een ijle puntenwolk, of wanneer voertuigen dicht bij elkaar stonden (wat leidde tot fout-positieven/negatieven).

2. Kruispuntbeheer

Scenario Volledig CAV: Coördineerde succesvol vijf CAVs met behulp van FIFS-prioriteit, waarbij snelheden werden aangepast om botsingen te voorkomen terwijl de doorstroming behouden bleef.
Scenario Gemengd Verkeer: Beheerde succesvol een scenario met vier CAVs en één HV.
- Het systeem identificeerde de HV (die geen communicatie had) via LiDAR en berichtfiltering.
- CAVs gaven automatisch voorrang aan de HV.
- Robuustheid: Het systeem demonstreerde dat V2I-communicatie perceptiefouten compenseert (bijv. fout-positieven werden weggefilterd met behulp van berichtgegevens), terwijl infrastructuurperceptie de beperkingen van het gebrek aan communicatie van HVs compenseert.

3. Real-time Prestaties

De totale gemiddelde rekentijd voor het kruispuntbeheerframework was 31,79 ms (maximaal 40,39 ms) op een 10 Hz cyclus (100 ms).
Bottleneck: Objectdetectie besloeg 99,3% van de runtime (gemiddeld 31,58 ms). De coördinatiemodules (HV identificatie en beheer) waren verwaarloosbaar (< 1,2 ms max), wat de real-time toepasbaarheid van het systeem bevestigt.

Betekenis en Claims

Het artikel claimt dat CIVAT een kosteneffectief en schaalbaar platform biedt voor de validatie van coöperatieve rijalgoritmen, waarmee het tekortkomingen van zowel dure full-scale testbeds als imperfecte simulaties wordt aangepakt.

Actieve Infrastructuur: Het demonstreert de haalbaarheid van het behandelen van infrastructuur als een actieve agent met eigen sensing en computatie, in plaats van slechts een passieve gids.
Realiteit van Gemengd Verkeer: Het testbed ondersteunt de validatie van algoritmen in scenario's met gemengd verkeer (CAVs en HVs), een kritieke vereiste voor nabije toekomstimplementaties waar volledige connectiviteit nog niet gegarandeerd is.
Educatief Nut: Het platform is al ingezet voor de KAIST Mobility Challenge, dienend als een educatief testbed.

De auteurs concluderen dat hoewel het huidige systeem afhankelijk is van motion capture voor lokalisatie, toekomstig werk SLAM (onboard sensor-gebaseerde lokalisatie) zal integreren en V2X-impedanties (vertraging, jitter, pakketverlies) zal emuleren om de realisme verder te verhogen.