大家读完觉得有帮助记得关注和点赞摘要随着现代城市面临日益严重的交通拥堵网联自动驾驶汽车CAV已成为下一代智能交通管理的关键使能技术。然而当前范式的局限性阻碍了这一潜力的充分发挥。现有方法通常优化局部交互而非系统级效率带来严重的通信开销或缺乏安全运动执行所需的确定性保证。此外当前的多智能体适配方案通常局限于小型预定义场景无法扩展到大型复杂城市网络。为弥补这一差距本文介绍了VeloCity一个专为在任意城市区域运行的CAV设计的去中心化多智能体时空移动性剖面规划框架。为最小化车辆旅行时间VeloCity将移动性剖面优化直接分配给单个CAV。车辆向本地交通协调器查询预留表独立计算其最快的无冲突移动性剖面并向协调器锁定其所请求的时空槽。通过原生适应任意道路拓扑该框架无需针对特定场景调整即可管理高度不规则的城市区域同时保证无碰撞且物理可执行的车辆轨迹。在四个大规模真实城市地图东京、曼哈顿、罗马、博洛尼亚上的大量仿真证明了该框架的可扩展性。与现有最先进模型相比VeloCity实现了大幅降低的旅行时间、严格约束的延迟方差并成功防止了即使在极高车辆密度下的拥堵死锁。1 引言随着城市交通复杂性的增长传统交通管理范式面临着前所未有的可扩展性挑战[42]。为克服这些限制CAV已成为下一代智能交通的关键使能技术。传统的交通控制系统如固定或自适应交通信号灯往往无法充分利用新兴V2I网络所实现的细粒度协调和通信能力[9]。为缓解这些低效问题已有研究提出了由局部和集体感知共同驱动的先进跟驰模型以显著改善传统交通流管理[45]。然而由于它们主要优化局部交互而非系统级效率其可扩展性仍然受限。因此随着城市中心变得更加复杂迫切需要灵活且去中心化的交通规划框架能够管理任意道路拓扑上的高密度车辆协调而不依赖僵化的特定场景控制基础设施。多智能体规划MAP为解决这一挑战提供了有前景的表述将每辆车视为一个智能体负责找到从起点到目标位置的无碰撞路径[6]。然而现有面向交通的MAP适配方案通常局限于小型预定义场景如单个交叉口或简单合流车道未能推广到具有多样化拓扑元素如环岛和多支路交叉口的任意地图区域[1, 15]。先进的CAV协调的实际部署本质上依赖于准确的环境感知以及通过V2X网络可靠执行规划的移动性剖面。近期ETSI和SAE等标准化组织正在积极建立必要的基础设施以使这成为可能。在通过仿真[4]和现场测试[28]验证的成熟协作感知框架基础上近期的标准化工作已扩展到支持复杂的机动协调。具体而言SAE已在其J3186和J3216标准中正式规定了机动共享与协调服务[31, 30]。类似地ETSI也在详细制定机动协调的类似规范[7, 8]。这些规范规定了车辆在共享空间如交叉口安全协商机动所需的精确消息和通信协议。重要的是这些标准规定了车辆如何交换信息以进行机动协调但并未规定具体的冲突解决或交通管理算法。这种解耦造成了应用开发者必须填补的关键空白直接激发了对能够提供这些协议所承载的优化机动策略的鲁棒且去中心化规划器的需求。为弥补这一差距本文介绍了VeloCity一个专为在任意城市区域运行的CAV设计的去中心化多智能体时空移动性剖面规划框架。在我们的框架中每个地图区域配备一个本地控制器该控制器维护其各自路段的一个时空预留表。关键在于控制器不是为所有智能体求解联合优化问题而是将移动性剖面优化分布在车辆之间。当接近受管理区域时车辆向控制器查询当前预留表本地计算其最快的无冲突移动性剖面随后在控制器处预留其请求的时空槽。这种去中心化的MAP方法旨在容纳任意道路几何形状包括复杂交叉口和环岛而无需针对特定场景进行调整。具体而言本文的主要贡献总结如下我们提出了VeloCity一个专为城市交通管理设计的去中心化MAP框架。通过将移动性优化问题分解为在每个CAV上执行的顺序时空规划任务该框架保证了无碰撞且物理可执行的车辆轨迹。其灵活的时空预留架构原生支持任意异构道路拓扑无需针对特定场景进行调整。我们利用SUMO仿真器[21]在直接从真实OpenStreetMap¹数据导入的四个多样化大规模城市环境东京、曼哈顿、罗马、博洛尼亚中进行了广泛的性能评估。通过大量实验我们证明VeloCity显著优于已建立的基线模型。所提出的方法在非常高车辆密度下也能实现大幅降低的旅行时间、严格约束的延迟方差以及对拥堵死锁的鲁棒性。为确保可重复性并支持更广泛的研究社区我们发布了VeloCity的完整开源实现。包含核心算法、四个大规模城市场景和所有仿真脚本的代码库可在https://github.com/V2Xgithub/VeloCity公开获取。据我们所知VeloCity代表了首个基于V2X的框架成功将去中心化和确定性的移动性剖面优化扩展到任意城市规模的公路网络。本文其余部分组织如下第2节回顾相关文献。第3节定义系统模型并阐述多智能体移动性剖面优化问题。第4节详细介绍所提出的VeloCity方法论。第5节介绍实验设置并讨论数值结果。最后第6节总结结论并概述未来工作的可能方向。2 相关工作城市道路网络中的交通流管理长期以来一直是交通工程的关键挑战。几十年来解决路口车辆冲突的主要机制一直是传统交通信号灯研究人员大量关注相位优化。早期的交通信号控制系统使用离线静态计划或启发式自适应策略如SCOOT和SCATS[10, 34]而现代方法则采用了预测控制如模型预测控制MPC[2, 41]、调度驱动方法[33, 13]和最大压力控制[38, 44]。最近还提出了同时利用MPC和强化学习RL[29]的混合架构以及多智能体强化学习MARL框架来管理局部网络[23, 40]。然而无论底层数学公式如何这些解决方案从根本上仍受限于交通信号灯范式因此无法充分利用车辆自动化和V2X连接进步所带来的协调能力。近期CAV推动了向自主交叉口管理AIM的范式转变其中用基于V2X的机动协调和动态时空预留取代交通信号灯可以消除停车-起步延误并大幅提高交叉口通行能力[35]。出现了众多AIM协议[24, 11]。早期的去中心化架构充当虚拟交通信号灯通过顺序V2V优先级传递[5]、聚类[16]、有向冲突图[19]或RL[17]来管理穿越顺序。虽然这些方法在冲突排序方面是成功的但它们不控制运动学剖面以防止停车-起步机动。为充分利用AIM后续研究将调度与精确轨迹优化相结合。例如开发了集中式MPC和独立能量最小化控制器基于时空预留计算无停止加速剖面[6, 46, 14]。该文献的一个特定子集将这些模型与现实世界的通信约束联系起来例如制定针对丢包和4G/5G延迟的协议[47, 22, 9]。然而虽然这些单交叉口框架成功优化了局部车辆轨迹但它们没有解决此类解决方案如何扩展到更大的任意道路网络。将这些方法转化到大规模城市网格会引入严重的计算和通信瓶颈。迄今为止扩展AIM的努力通常连接有限数量的相邻管理器而非处理城市规模的网格。例如通过基于时间的A*搜索扩展预留架构可能会遭受信息过时的问题因为车辆使用瞬时过时的拥塞数据进行路径规划[12]。为解决此问题提出了动态市场启发式拍卖[39]和共识协议[43]然而两者在扩展到大型道路场景时都会引入严重的通信开销。为明确考虑时间演化和精确运动学[27]将路径规划重新表述为时间扩展网络流问题但其对整数线性规划ILP的依赖需要完全集中且计算量大的架构。最近替代方案转向了MARL将路段或车辆建模为智能体[36, 20]。除了重新引入显著的通信开销外这些MARL策略本质上仍是反应式的并依赖于不透明的神经网络排除了自主交通协调所需的精确确定性和形式化运动学安全保障。因此对于能够处理高密度任意城市网络的真正可扩展AIM架构仍然存在显著空白。当前文献缺乏一个通过纯粹去中心化和物理可执行的优化来解决协调问题的自适应框架而VeloCity旨在填补这一空白。3 系统模型与问题表述我们考虑一个由交通协调器管理的城市区域包含一组CAV²记为 V{1,2,…,N}。每辆车 i∈V 在特定请求时间 tin,i​ 进入该区域具有预定³的轨迹 Pi​ 和初始速度 vin,i​。每个CAV的目标是优化其移动性剖面即其速度和加速度随时间的变化以驾驶并到达预期目的地最小化其旅行时间。CAV的轨迹 Pi​ 由一条总物理长度为 Di​ 的一维路径表示其中车辆 i 在时间步 t 的位置由 si​(t)∈[0,Di​] 定义。该一维路径通过一个网络几何函数 γi​:[0,Di​]→R2 直接映射到二维欧几里得道路平面⁴该函数定义了车辆参考中心的空间坐标。为考虑物理尺寸车辆 i 由一个二维包围区域 Fi​(si​(t))⊂R2 表征。该足迹表示车辆在时间步 t 在地图上占据的物理空间通过将其长度 Li​ 和宽度 Wi​ 围绕参考中心 γi​(si​(t)) 扫掠构建。重要的是每个 Pi​ 包括路径规划包含车辆的具体车道分配和交叉口穿越然而它不指定车辆的移动性剖面其速度和加速度随时间的变化有待确定。3.1 车辆移动性剖面每辆车 i∈V 必须确定其随时间变化的移动性剖面由其速度 vi​(t) 和加速度 ai​(t) 控制。为确保物理可执行且安全的轨迹这些控制变量受到车辆固有的运动学能力和区域特定速度规定的严格约束。首先加速度受限于车辆的机械能力其中 amin,i​ 和 amax,i​ 分别代表车辆 i 的最大减速度和最大加速度常数。其次最大允许速度不仅取决于车辆的顶级性能还取决于其当前所在特定路段或车道的局部速度限制。设 Vmax​(p):R2→R 为一个将二维坐标映射到当地法定速度限制的函数。速度剖面因此受限于其中 Vmax,i​ 是车辆 i 的最大结构速度。通过在车辆瞬时二维坐标 γi​(si​(t)) 处评估 Vmax​该公式动态强制实施区域特定速度约束如在急弯、环岛或交叉口入口处的减速。3.2 交通协调器受管理城市区域内CAV的协调由一个本地化交通基础设施协调器监督。该协调器不解算用于确定CAV剖面的集中式联合问题。相反它作为一个参考点维护一个名为 R 的时空预留表而CAV以去中心化方式优化其剖面。预留表 R(t) 在时间上以分辨率 Δt 离散化并将二维道路网络映射到空间网格分辨率为 Δs。在任何离散时间步 tR(t)⊂R2 代表所有已授权代理预留的空间坐标集合。当车辆 i 接近受管理区域时它查询协调器以检索 R 的当前状态。给定 R(t)车辆 i 本地计算一个可行的移动性剖面确保其预期的足迹序列 Qi​{Fi​(si​(t)),∀t≥tin,i​} 不与现有预留冲突计算出此最优且可行的剖面后车辆将其足迹序列提交给协调器。协调器随后提交该序列并通过追加车辆足迹来更新预留表R(t)←R(t)∪Qi​其中 Qi​ 对应一个预留请求包含车辆 i 随时间占据的空间单元集合。协调预留的示意图见图1。3.3 问题表述交通管理框架的主要目标是优化受管理城市区域的整体交通效率同时保证无碰撞导航。我们将此任务表述为一个多智能体优化问题旨在最小化所有穿越网络的车辆的总旅行时间。为形式化此目标设 tout,i​ 表示车辆 i∈V 成功到达其预期路径 Pi​ 终点的到达时间步满足 si​(tout,i​)≥Di​。给定所有车辆 i∈V 的轨迹 Pi​ 和初始速度 vin,i​该优化问题可表述为一个混合整数非线性规划MINLP其中决策变量为 a{ai​(t)}∀i∈V​受限于所有 i∈V 和 t≥tin,i​ 的约束(1)、(2)和(3)。在此表述中(4)最小化系统总延迟代表每辆车请求进入时间 tin,i​ 与其最终目的地到达时间 tout,i​ 之间经过的总时间。由(4)定义的优化问题是非凸且高度复杂的因此同时计算全局联合解是不切实际的。这一计算挑战激发了对去中心化解的需求我们在第4节中提出。4 VeloCity框架为解决第3.3.3节中阐述的全局协调问题我们提出了VeloCity一个将(4)中的多智能体优化问题分解为一系列分布式时空规划任务的框架。VeloCity的核心原则是让每辆车独立计算其自身的可行移动性剖面同时仅通过由交通协调器维护的共享时空预留表 R 进行协调。本节剩余部分详细介绍了算法这些算法在算法1和算法2中呈现。算法1 协调器循环1: 预留表 ℛ ← ∅ 2: for 每辆在 tin,i 时刻进入协调区域、速度为 vin,i、轨迹为 i、动力学边界为 amin,i, amax,i, Vmax,i 的车 i do 3: 检索当前预留表 ℛ 4: i ← LocalPlan(ℛ, tin,i, vin,i, i, amin,i, amax,i, Vmax,i) 5: ℛ ← ℛ ∪ i ▷ 提交轨迹 6: end for算法2 LocalPlan1: 输入: 预留表 ℛ, 进入时间 tin,i, 速度 vin,i, 轨迹 i, 动力学边界 amin,i, amax,i, Vmax,i 2: 输出: 预留请求 i 3: _i^0 ← (s_i^0, v_i^0, tin,i) 4: g(_i^0) ← 0 5: f(_i^0) ← h(_i^0) ▷ 式(18) 6: Open ← {_i^0} ▷ 按 f(·) 排序的优先队列 7: Closed ← ∅ 8: while Open ≠ ∅ do 9: _i(t) ← arg min_{∈Open} f() 10: 从 Open 移除 _i(t), 加入 Closed 11: if s_i(t) ≥ D_i then ▷ 目标测试 12: Π_i ← 回溯路径到 _i^0 13: 将 Π_i 转换为预留请求 _i {(ℱ_i^k, t_k)}_{k0}^{M_i} 14: return _i 15: end if 16: for 每个可容许的 a_i(t) ∈ [amin,i, amax,i] do 17: v_i(tΔt) ← v_i(t) a_i(t)·Δt ▷ 式(11) 18: if 0 ≤ v_i(tΔt) ≤ min(Vmax,i, Vmax(γ_i(s_i(t)))) then 19: s_i(tΔt) ← s_i(t) v_i(tΔt)·Δt ▷ 式(12) 20: _i(tΔt) ← (s_i(tΔt), v_i(tΔt), tΔt) 21: if ℱ_i(_i(tΔt)) ∩ ℛ(tΔt) ∅ then ▷ 式(14) 22: if _i(tΔt) ∉ Closed then 23: g ← g(_i(t)) Δt 24: if _i(tΔt) ∉ Open 或 g g(_i(tΔt)) then 25: g(_i(tΔt)) ← g 26: f(_i(tΔt)) ← g h(_i(tΔt)) 27: parent(_i(tΔt)) ← _i(t) ▷ 用于计算 Π_i 28: 将 _i(tΔt) 插入/更新到 Open 29: end if 30: end if 31: end if 32: end if 33: end for 34: end while 35: return 不可行4.1 时空离散模型VeloCity在混合整数域中求解优化问题。因此它依赖于城市区域的离散时空表示。给定预定义路径 Pi​每条车辆轨迹以空间分辨率 Δs 离散化。相应地坐标 si​(t) 被映射到一个由 Mi​ 个空间单元组成的序列其中连续元素满足 sik1​−sik​Δs。每个空间单元通过轨迹映射 γi​(⋅) 关联到一个二维位置。为保持物理可行性每辆车被表示为一个占据的时空区域序列。设 Fik​ 表示当车辆参考位置为 sik​ 时车辆 i 占据的空间单元集合。对应的预留请求因此为这种表示允许将碰撞检查转换为离散的时空冲突测试其中 R(t) 是协调器维护的当前预留表。车辆轨迹的表示见图2。4.2 去中心化移动性优化VeloCity不求解(4)中的联合优化问题而是将问题分解为单个车辆优化。当车辆 i 进入协调区域时它检索当前预留表 R 并本地求解约束局部问题保留了原始MINLP的约束同时去除了所有车辆之间的耦合。因此每个CAV只需考虑先前已提交的轨迹而非整个车队状态。(8)中的局部优化通过在构建的状态空间上执行最佳优先搜索来求解。搜索图定义为一个带标签的有向图其中每个节点 xi​(t)∈Xi​ 代表一个可行状态。车辆 i 的状态定义为其中离散速度演化遵循位置演化遵循每条边是一个有向三元组代表从当前状态 xi​(t) 到后继状态 xi​(tΔt) 的转移由特定的可容许加速度命令 ai​(t) 驱动。可容许后继集进一步受预留表约束。仅当满足以下条件时转移才有效此条件防止与先前已提交的车辆发生冲突。最优解通过在 Gi​ 上求解最短路径问题获得。由于目标是最小化穿越时间转移成本定义为经过的时间因此一条路径的累积成本正好对应于到达时间为确定最短路径每个候选状态 xi​(t) 通过下式评估其中启发式项估计剩余旅行时间(18)中的启发式是可容许的因为它假设车辆可以立即以其最大允许速度行驶从而提供剩余穿越时间的下界。一旦达到目标条件 si​(t)≥Di​所得状态序列直接确定车辆移动性剖面计算出的剖面随后被转换为物理时空预留序列 Qi​并提交给协调器。收到后协调器执行因此后续车辆自动避免已提交的轨迹。协调器仅执行轻量级一致性检查而计算负担分布在CAV之间。4.3 计算复杂度分析通过将(4)中的MINLP分解为独立的局部搜索框架的计算复杂度大致随车辆数量线性增长因为每个CAV仅求解一个顺序最佳优先搜索。对于给定车辆 i第4.4.2节中介绍的局部搜索图 Gi​(Xi​,Ei​) 的大小由三个主要参数决定Mi​Di​/Δs沿预定义路径 Pi​ 的离散空间单元总数Vi​Vmax,i​/Δv由(11)中离散动力学导出的不同速度等级数b∣{amin,i​,…,amax,i​}∣分支因子代表可容许离散加速度集的基数。由于车辆不能向后行驶vi​(t)≥0且目标函数严格最小化到达时间算法被约束为在空间域中向前移动。因此算法可扩展的最大状态数受空间位置和速度等级组合的限制4.3.1 单车搜索复杂度为确定最优移动性剖面 Πi​算法2采用最佳优先搜索使用二叉堆开放列表和哈希索引封闭列表。考虑预留表 R 存储为按离散时空单元索引的哈希集单辆车的最坏情况时间复杂度为辅助内存占用不超过 O(∣Xi​∣)O(Mi​Vi​)。这种效率源于(18)中定义的可容许启发式保证搜索最多扩展 Xi​ 中的每个可达状态一次从而最多进行 Mi​Vi​ 次扩展。每次扩展期间算法评估最多 b 个后继。对于每个后继它执行常数时间 O(1) 的运动学传播和通过(14)对 R 的 O(1) 冲突测试。因此每个状态的主导操作是在优先队列中的插入或键更新对于二叉堆开放列表复杂度为 O(log(Mi​Vi​))。搜索之后预留提交步骤R←R∪Qi​将时空足迹序列插入全局哈希集。由于路径长度根本上受空间单元数量限制此步骤最多需要 O(Mi​)这被(22)所主导。4.3.2 系统级复杂度在系统级算法1顺序处理进入的交通流。每个CAV针对其前驱已提交的预留求解其局部问题。对于总数为 N 的车队理论上的整体系统运行时间规模为其中 Mˉ 和 Vˉ 代表异构车队的上界。虽然(23)表明全局复杂度相对于 N 是严格线性的但这一理论最坏情况界限严重高估了现实城市场景中的实际计算负担。实际上在这些区域中车辆不会无限累积。随着CAV到达目的地并退出协调区域它们的时空足迹留在过去。由于预留表本质上是编码时间的在 tin,i​ 时刻进入网络的车辆仅针对其时间视野与自身重叠的当前活跃车辆的预留进行冲突检查。因此局部规划过程完全独立于历史车队。这种自然的时空解耦确保了对 R 的操作查找时间保持恒定并由瞬时交通密度所限制而非随累计车辆数 N 单调增长。4.4 VeloCity的关键特性VeloCity框架的架构选择为城市交通协调带来了若干有利特性该框架通过顺序和去中心化的优化解决了高度复杂的全局协调问题。当每辆车查询协调器、计算其局部移动性剖面并提交其预留时系统立即准备好迎接下一个进入的智能体。这种方法对于实时边缘计算部署非常现实且计算实用避免了昂贵的联合CAV车队优化。基于预留的表示独立于任何特定道路拓扑。由于碰撞避免直接在物理时空坐标中评估相同的数学公式原生支持任意城市布局包括复杂交叉口、环岛、车道合流和多支路交叉口无需自定义冲突解决规则。将车辆运动学显式集成到搜索空间中保证了生成的轨迹不仅无碰撞而且物理可执行。此外几何足迹 Fi​ 提供了额外灵活性它可以扩大以预留额外的空间余量有效缓冲与低级控制跟踪误差或物理执行延迟相关的不确定性。由最小化到达时间不施加硬截止时间的目标驱动框架获得了灵活性。车辆总是可以通过选择进入受管理区域、减速并无限等待直到下游拥堵消散来找到可行的移动性剖面。因此当且仅当车辆缺乏足够空间甚至无法安全进入并立即停下时才会触发规划故障。不可避免的死锁因此在边界处被瞬间检测到防止了基础设施核心内部的级联死锁。在严重拥堵场景中当立即的初始访问请求失败时框架易于扩展以支持放宽请求进入时间 tin,i​。通过允许车辆延迟其进入总能找到一个最优且无冲突的穿越计划。这种时间松弛特别适合从停车位出发或在控制区域周边结构化访问队列中等待的车辆。为容纳异构城市区域协调器可以在调度进入的CAV之前在 R 中预初始化静态或周期性预留。设 Rprior​(t) 表示预分配给非管理交通实体的时空空间。这包括公共交通资产如定时电车或公交车、确定性行人穿越窗口或任何预配置的用户。因此任何新进入的CAV必须找到一个与既有车辆分配和这些背景基础设施约束都兼容的移动性剖面满足∀t≥tin,i​其中 Rveh​(t) 表示先前已提交CAV的足迹并集。与需要连续V2V状态共享的分布式共识算法不同VeloCity保护隐私并最小化网络开销。车辆仅通过V2I链路与协调器交换一次其预期的时空足迹而不向整个车队暴露确切目的地、内部控制参数或完整路径规划意图。通过按到达协调器的顺序处理预留请求框架强制执行公平的顺序时空槽分配。这保证了确定性访问确保早期车辆不会被后续的高密度交通所饿死。5 数值结果在本节中我们在四个大规模真实世界城市场景中广泛评估VeloCity的性能。5.1 实验设置为评估所提出框架的性能和可扩展性我们在四个截然不同且高度异构的城市区域东京、曼哈顿、罗马、博洛尼亚中进行大量仿真。这些场景的地理道路网络如图3所示。为确保移动性建模的高度真实性每个场景的网络拓扑直接从OpenStreetMap导入包括车道定义、交叉口的明确限制、法定速度限制和详细的交叉口布局。所选区域提供了多样化的拓扑特征从高度结构化的网格布局到不规则的历史街道。为量化这种多样性每个评估场景的具体空间指标总结于表1。所有数值实验在SUMO[21]中模拟一小时的交通运行。利用SUMO仿真器提供的randomTrips.py工具生成逼真的交通需求。该工具自动生成随机但物理有效的路线跨越导入的OpenStreetMap网络确保车辆在有效的分布边缘生成并被分配到控制区域边界内可达的目的地。为刻画生成的交通需求图4报告了四个城市场景中车辆路径长度的经验PMF。在SUMO中离散时空模型以时间分辨率 Δt0.5 秒和空间分辨率 Δs0.5 米运行。为反映典型城市驾驶行为所有CAV的最大速度设为 Vmax,i​50 公里/小时。加速度受限于最大能力 amax,i​1 米/秒²最大减速度 amin,i​−2 米/秒²。所有生成的车辆长5米宽2米。此外为确保鲁棒的碰撞避免并考虑物理执行不确定性如第4.4节第三点所述几何足迹 Fi​ 的定义包含严格的安全裕度。因此在时空分配过程中每辆车边界周围2.5米的区域被预留。5.2 基准模型为评估所提出的VeloCity框架的性能我们将其与SUMO中原生实现的一组已建立的跟驰模型进行比较。具体而言我们考虑以下模型KraussSUMO中的默认跟驰模型。它基于前车的速度和可用间隙计算安全速度并引入随机不完美参数以模拟真实的人类驾驶行为和反应延迟[18]。IDM一个连续时间跟驰模型在自由道路加速和碰撞避免减速之间切换。它由期望目标速度和安全时间间隔参数控制[37]。EIDM经典IDM的增强版专门针对亚秒级仿真分辨率校准。EIDM引入了明确的反应时间、驾驶员估计误差和加加速度限制以在密集城市交通中产生更准确的加速度剖面[32]。CACC一个确定性模型代表利用V2V通信的网联自动驾驶车辆。通过共享加速度和速度数据CACC车辆可以安全地维持紧密的车间时距和队列稳定性[25]。这些基线模型的评估在仿真网络中分为两种不同的运行设置信号化控制受管理城市区域内的交叉口可能由交通信号灯TLS控制根据其OpenStreetMap数据。在基线跟驰模型下运行的车辆除了对前车做出反应外还必须对周期性的红/绿相位做出反应。自主优先控制交通信号灯完全禁用。交叉口基于先行权优先级规则如让行和停车机制运行。依赖基准模型的车辆必须在继续前进之前动态识别交叉交通流中的安全空间间隙。相反VeloCity固有地覆盖了传统交通信号灯和静态优先级规则。在所提出框架下运行的车辆通过完全依赖第4节中介绍的去中心化时空算法来导航相同的无信号灯网络布局。总体而言我们的实验分析将所提出的方法与八种替代方案进行了比较。5.3 旅行时间和能耗分析为全面评估所提出的框架我们评估了CAV车队的旅行时间和能耗指标。对于能耗分析我们假设车队完全由电动汽车组成。实验通过改变交通需求以每小时车辆数定义进行。为确保统计稳健性每个场景-密度组合在五次独立仿真运行中使用不同随机种子进行评估。总的旅行时间结果如图5所示数据以每辆车平均旅行时间和95%置信区间报告。在所有四个城市区域中VeloCity表现出卓越的效率并且随着密度增加而保持显著的稳定性。事实上对于每个城市由VeloCity管理的车辆的平均延迟在整个测试密度范围内几乎保持恒定。例如在东京场景中即使交通需求从250急剧增加到2,500辆/小时VeloCity仍保持约80到81秒的稳定平均旅行时间。这种平坦趋势在曼哈顿、罗马和博洛尼亚场景中一致地重复出现。相比之下所有基线模型都表现出明显的性能快速退化随着交通量增长。这些基准的曲线迅速上升并在图中被截断。这种截断的发生是因为在足够高的交通量下基线模型可能进入死锁状态其中相互阻塞的车辆阻止通过一个或多个交叉口的进一步进展。发生这种情况的最大交通需求高度依赖于场景。图6展示了一个代表性的局部死锁事件。此类事件的发生是因为反应式跟驰和间隙接受机制可能导致队列传播到相邻路口最终形成相互阻塞的交通流。VeloCity对此问题固有地具有鲁棒性。通过利用顺序分布式规划架构每辆车提前计算其时空轨迹预先预留通过复杂交叉口的清晰路径。图7展示了每个场景在基线模型安全支持的最大密度下的旅行时间实际分布。箱线图显示VeloCity不仅降低了平均旅行时间还减小了方差。这证实了VeloCity提供了高度可预测和确定性的服务保证。最后在图8中我们评估了每辆车的平均能耗。由于VeloCity旨在优化旅行时间车辆以更高的平均速度穿越网络。因此持续较高的巡航速度可能导致与基线相比略高的总能耗。5.4 协调与规划分析为确保高计算效率和快速响应时间时空预留表 R 利用哈希映射数据结构实现其中每个已提交的足迹 Fik​ 在时间 tk​ 被映射到一个唯一的哈希键。本质上哈希映射作为一个高度优化的字典将唯一标识符即哈希键直接链接到存储的数据。在此上下文中足迹的空间坐标和时间戳通过数学方式转换为单个键使系统能够以常数时间O(1)立即检查特定位置的可用性。通过这种方式协调器仅存储活跃预留的离散时空单元而不是维护一个密集网格这会随区域大小和时间视野而扩展不良。图9展示了VeloCity在四个评估场景中预留表的活跃内存占用分别按各自基线密度的1倍、2倍、5倍和10倍缩放。哈希映射表示被证明是轻量级的在绝大多数情况下内存利用率保持在几兆字节的量级。最大内存占用仅在最具极端测试条件下达到特别是在曼哈顿场景的最大密度峰值期间。除了内存效率我们通过分析车辆完全调度所需的总规划时间来评估系统的时间可扩展性。如图10所示此总规划时间包括三个顺序步骤1协调器将当前预留表 R 传输给进入控制区域的CAV2CAV执行算法1中概述的局部优化3CAV将其计算出的预留请求 Qi​ 传回协调器。对于通信开销我们假设部署标准的5G V2I网络上行和下行传输的最大标称延迟为10毫秒[26]。局部计算步骤2在标准单线程Intel Core i7处理器上评估。在这些硬件和网络假设下VeloCity在大多数情况下成功地在仅几百毫秒内为每辆车解析了整个规划循环。例如在东京场景中平均规划时间从250辆/小时时的约180毫秒平滑扩展到2,500辆/小时时的343毫秒。然而我们的压力测试实验故意使框架承受极高的车辆需求以识别其理论操作极限。具体而言我们将曼哈顿场景推到15,000辆/小时罗马推到60,000辆/小时博洛尼亚推到25,000辆/小时。为防止未调度车辆积压每辆车的规划时间 tplan​ 不得超过车辆到达的平均时间间隔。给定交通密度 D以每小时车辆数计此约束要求 tplan​≤(3.6×106)/D以毫秒计。例如1,000辆/小时的密度产生每辆车最大3,600毫秒的规划窗口。虽然VeloCity在大多数交通密度下舒适地满足此阈值但在极端拥堵下在单线程上执行算法1最终会遇到计算瓶颈。值得注意的是采用专用硬件将显著减少规划时间。图10用红色圆圈标出了计算时间超过到达时间间隔的特定场景-密度对指示队列积累的开始。重要的是要强调此限制纯粹源于基线硬件假设和当前的单线程搜索实现。克服此计算瓶颈的一种方法可能是将算法1扩展到多线程并行搜索架构这种增强先前已被证明在类似领域中非常有效[3]。我们将并行化局部规划的集成留给未来工作。6 结论本文介绍了VeloCity一个专为管理跨任意城市道路拓扑的高密度自动化交通而设计的去中心化多智能体时空移动性剖面规划框架。VeloCity通过从集中式移动性剖面优化转变为直接在单个CAV处求解的去中心化优化有效绕过了集中式交通管理系统的可扩展性瓶颈。在SUMO中对四个大规模真实世界城市网络进行的大量仿真证明了该框架的卓越效率。与已建立的基线相比VeloCity保证了物理可执行且无碰撞的移动性剖面同时大幅降低旅行时间、最小化延迟方差并防止了即使在高峰车辆密度下的级联拥堵。尽管取得了这些非常有希望的结果仍有几个未来研究的途径。首先为进一步减少局部规划时间并消除超高交通需求下的计算排队可以将底层单线程搜索算法扩展到多线程并行搜索架构。其次预留框架可以扩展以动态容纳具有优先级的用户例如紧急车辆。这将涉及允许优先级实体覆盖现有的时空分配需要为受影响的CAV开发一个鲁棒且高效的重新调度机制。第三未来的迭代可以集成协作机制以安全处理混合交通场景允许非协作或人类驾驶车辆与管理车队共存。最后虽然当前目标函数旨在严格最小化系统级旅行时间但将能耗最小化纳入局部优化问题对于明确平衡穿越速度和整体能源效率之间的权衡至关重要。