大家读完觉得有帮助记得关注和点赞摘要—机动协同是网联自动驾驶的核心使能技术可支持车辆协商并执行原本难度高、效率低或安全性不足的机动动作。现有方法与用例通常假设仅与单个预设目标车辆协同极大限制了协同机会的挖掘。本文提出一种基于多目标选择的机动协同方法允许车辆在单次机动中选择并识别多个潜在协同车辆。多目标机动协同无需修改机动执行逻辑或底层协同协议仅扩展协同前的决策流程使车辆能够利用更广泛的可行协同交互场景。实验结果表明多目标机动协同可显著提升触发并成功执行的协同次数且计算开销极低——该方法无需分析大量潜在目标车辆即可实现性能增益。上述改进在维持协同成功率的同时支持更早发起机动动作。关键词机动协同、协同驾驶、网联自动驾驶车辆、CAV、车联网通信V2X、机动共享与协同消息、车载网络I. 引言网联自动驾驶车辆CAV可通过车联网V2X通信支持的协同能力提升交通安全性与通行效率。借助机动协同车辆可协商并协同执行原本难以完成、效率低下或不安全的机动动作车辆可交换行驶意图、未来轨迹与机动约束信息预判行驶冲突并主动协作化解。当前欧洲电信标准协会ETSITS 103 561标准与美国汽车工程师学会SAEJ3186标准正在推进机动协同的标准化工作定义了通用协同原则、消息类型及典型用例如协同换道、协同汇入、交叉路口相关机动等但大量影响协同有效性的关键设计细节仍未明确或未充分探索。现有机动协同研究多聚焦于协商协议定义[1][2]、消息交换机制[2][3]或特定协同机动执行[4]。这类研究中协同过程通常被建模为主动请求协同的主车HV与单个预设/隐式识别的远端协同车辆RV之间的双边交互。实践中该目标车辆通常是当前位置或轨迹直接阻碍主车期望机动的车辆[1]若与该车辆的协同不可行或失败机动将被推迟或放弃[3][4][5]。这种预设目标车辆的方案简化了协同问题但隐含假设任意时刻仅存在一个有价值的协同机会极大限制了协同机会总量。机动协同的本质是基于对未来一段时间交通演化趋势的预判而非仅对当前瞬时交通状态的被动响应。通过预判周边车辆未来数秒的移动规律可提前规划协同决策挖掘当前时刻尚不可用的替代协同机会。从这一视角看多辆周边车辆可能通过不同协同策略或不同未来时间点支持完成同一机动动作。例如拟换道的车辆既可与目标车道紧邻后方的车辆协同也可与更靠后的车辆协同在汇入或车道缩减场景中根据交通演化趋势不同车辆可提供差异化的机动支持机会。本文提出一种基于多目标选择的机动协同方法主车不再假定存在预设协同车辆而是在一组潜在目标车辆中识别并选择合适的协同对象。允许车辆从多个目标中择优可提升至少存在一个可行、高收益协同的概率进而增加可成功执行的机动协同总量。尽管潜力显著当前标准尚未明确支持多目标机动协同ETSI与SAE仅定义了机动协同的通用概念与典型用例未规范需协同车辆如何识别、评估与选择目标车辆现有研究也大多隐式假设目标车辆已预设未分析多潜在目标对协同有效性的影响[3][4][5]。本文针对多目标机动协同的潜力展开研究与验证量化其对成功协同次数的提升作用证明该方法可支持车辆做出更优的协同决策利用更广泛的可行协同交互场景在不降低协同成功率的前提下增加成功协同总量。II. 机动协同设计本文遵循ETSI与SAE的原则面向真实交通场景设计机动协同机制。A. 状态机、车辆角色与消息交互机动协同被实现为基于状态机的分布式协议图1车辆交换协同相关消息并在协同过程中承担特定角色[5]。未主动参与协同时车辆处于意图共享状态SAE术语中称为“预感知状态”周期性广播意图消息描述未来数秒的规划轨迹。这类消息支持周边车辆持续评估交通场景预判潜在冲突或协同机会。为平衡信道负载与场景感知能力意图消息的生成遵循[6]规范最大发送间隔为1秒。注也可传输协同感知消息CAM、集体感知消息CPM等其他消息。占位符当车辆判定需要发起协同时承担主车HV角色启动协同流程主车尝试协同的目标车辆称为远端车辆RV。协同过程分为协商与执行两个阶段协商阶段主车进入“主车协商状态”每100毫秒重复广播请求消息描述待协同机动及相关时间信息。主车持续停留在该状态直至收到远端车辆的接受响应、收到隐式拒绝协同的其他消息或协商超时触发。协商超时设置为协同触发时间后的固定时长。远端车辆侧收到请求消息后车辆判断是否可作为RV参与协同。若拒绝如已参与其他协同则保持当前状态、不修改规划轨迹立即广播下一条消息隐式拒绝请求若接受则进入“远端协商状态”每100毫秒发送响应消息直至收到主车的确认消息或协商超时。协商成功后两车进入执行阶段主车收到响应消息后进入“主车执行状态”每100毫秒广播确认消息告知协同执行正在进行远端车辆收到确认消息后进入“远端执行状态”每100毫秒广播协同状态消息确认自身执行进度。执行阶段两车按约定动作完成机动直至机动完成或执行超时。执行超时基于“协同预期完成时间CIF”加固定余量计算以容纳执行偏差。执行结束后两车返回意图共享状态。所有协同相关消息请求、响应、确认、状态均包含主车与远端车辆标识、机动ID、协同触发时间与协同预期完成时间确保多协同并发时的同步性与无歧义性。B. 机动协同触发与执行发起机动协同前车辆需持续评估协同的收益性与可行性基于自身对交通环境的感知及未来数秒的交通演化预判结合自身规划轨迹与收到的周边车辆意图共享信息估计相关邻居车辆的短时时域通常数秒未来轨迹。若判定某机动具备收益性但无协同则无法安全高效执行则进一步评估该机动是否可通过与其他车辆协同变得可行。仅当收益性与可行性同时满足时车辆才会触发机动协同流程。协同触发并协商成功后车辆执行机动动作主车与远端车辆的具体动作因机动类型而异但需预先定义以保证安全性与可预测性。一般而言主车执行期望机动远端车辆执行辅助动作如调整速度或位置以支持主车。以协同换道为例主车拟换道但被目标车道后方车辆阻挡远端车辆通过可控减速腾出空档使换道可行。协商完成后远端车辆短时1秒以-2 m/s²减速随后保持匀速主车持续监测换道的安全性与收益性待空档充足且满足安全效率条件后执行换道。该逻辑同样适用于汇入、交叉路口等其他场景仅执行模式存在差异。III. 多目标机动协同机动协同本质基于对交通未来演化的预判因此协同机会不应局限于单辆周边车辆多辆车辆可能通过不同协同策略或不同未来时间点支持完成同一机动。这一观察推动我们将机动协同从传统预设目标方案扩展为多目标选择方案。现有研究通常在判定需要协同时隐式假设仅存在单辆协同车辆——即当前位置或规划轨迹直接阻碍主车期望机动的车辆。若该车辆协同不可行则不触发协同机动被推迟或放弃。这种方案简单直观但将协同机会限制为单一选项忽略了随时间演化的交通场景中可能存在的替代协同机会。这一局限在图2的协同换道场景中尤为明显主车Vego​基于换道激励逻辑拟变道至相邻车道但其期望轨迹与目标车道紧邻后方的车辆Vbn1​的当前规划轨迹冲突。为化解冲突Vego​尝试与Vbn1​协同通过Vbn1​可控减速腾出换道所需空档。若Vbn1​无法实现所需减速如车速远高于主车则协同不被触发Vego​需等待交通条件变化。占位符然而在意图共享支持下Vbn1​并非唯一可支持该机动的车辆目标车道上的其他车辆如Vbn1​后方的Vbn2​、更靠后的Vbn3​、Vbn4​等均可能成为主车有效的协同伙伴。通过与其中一辆协同可更早腾出空档待主车行驶至合适纵向位置时加以利用。值得注意的是协同机动本身并未改变目标仍是目标车道上的某辆车通过可控减速腾出足够空档差异仅在于选择的目标车辆与机动执行时机。图3展示了这种替代协同策略Vego​判定与Vbn1​的协同无法安全化解轨迹冲突如需Vbn1​大幅减速转而评估与Vbn2​的协同可行性若Vego​期望轨迹与Vbn2​规划轨迹的冲突可化解则完成协同换道。占位符基于上述优势本文提出多目标机动协同方法支持主车从多个潜在协同车辆中选择最优对象而非局限于单辆预设车辆。多目标机动协同完全兼容第二章所述的协同协议无论选择哪辆目标车辆执行流程均保持一致差异仅存在于决策阶段需评估多辆潜在目标车辆并选择其一开展协同。目标车辆的选择准则因机动类型而异可能涉及可行性、时效性与交通影响的权衡。本文以协同换道为研究对象采用简单直观的选择策略主车优先评估与目标车道紧邻后方第一辆车Vbn1​的协同可行性该类协同通常可实现最早的机动执行若不可行则按顺序评估后方第二辆Vbn2​、第三辆Vbn3​、第四辆Vbn4​最多评估4辆该顺序完全兼容现有协同协议与标准同时拓展了协同机会。IV. 仿真框架本文采用集成交通与V2X仿真框架[5][7]评估多目标机动协同的性能V2X通信基于ns-3网络仿真器实现车辆移动性基于修改后的ns-3 VANET高速公路移动性模块[8]建模。仿真场景为6车道双向各3车道的5公里高速公路采用周期性边界条件驶出车辆从另一端以原车道、原车速重新进入。评估覆盖5种交通密度交通组成包含80%乘用车与20%卡车乘用车期望车速均匀分布在120km/h附近±20%卡车限制在中间与右侧车道行驶期望车速均匀分布在80km/h附近±20%。每个场景开展20次独立的200秒仿真以保证统计显著性。仿真聚焦协同换道场景规定活跃协同间的最小间距为400米避免相互干扰若某车辆400米范围内存在活跃协同则无法触发新的协同。协商超时设置为协同触发时间后500毫秒轨迹预测时域为5秒对应最大协同预期完成时间执行超时在预测时域基础上增加3秒余量因此从触发到完成的最大协同时长为8秒。执行阶段远端车辆以-2 m/s²减速1秒随后保持匀速主车沿规划轨迹行驶待空档充足且安全效率条件满足后执行换道。图1. 机动协同状态机模型。图2. 采用固定预设目标的机动协同。图3. 多目标协同换道。图4. 单目标与多目标机动协同下单车每小时触发的换道协同次数。图5. 多目标协同下触发机动协同的目标车辆分布图6. 单目标与多目标机动协同的成功率V. 结果与讨论图4展示了不同协同配置下单车每小时触发的换道协同次数基线配置为传统预设单目标方案仅尝试与目标车道紧邻后方的Vbn1​协同其余曲线对应潜在协同目标为Vbn1​Vbn2​、Vbn1​Vbn2​Vbn3​、Vbn1​Vbn2​Vbn3​Vbn4​的配置。结果显示单目标协同与包含Vbn2​的多目标协同相比触发协同次数有显著提升大量与Vbn1​不可行的协同机会在考虑第二辆潜在目标车辆后变为可行。相比之下纳入Vbn2​以外的更多车辆未带来显著增益纳入Vbn3​的提升幅度极小纳入Vbn4​后无进一步增长。这是由于绝大多数协同最终仅涉及Vbn1​与Vbn2​图5的多目标协同目标分布显示70%-80%的触发协同是与Vbn1​完成的20%-30%是与Vbn2​完成的Vbn3​参与的协同仅占总量约0.5%未观测到与Vbn4​的协同。这一现象的原因是当前仿真场景下车道间平均车速差异有限目标车道远处车辆腾出的空档在5秒的预测时域内无法向前传播至主车位置因此与远距离车辆的协同难以满足触发可行性条件。多目标机动协同在无需主车分析大量潜在目标的前提下实现了触发协同次数的提升。图6对比了传统单目标方案与考虑4辆潜在目标车辆Vbn1​-Vbn4​的多目标方案的机动协同成功率。结果显示多目标协同的成功率与单目标方案相当说明与更远距离车辆协同并未显著增加执行失败的概率——尽管远距离协同受交通波动导致的轨迹误差影响更敏感目标车道上游腾出的空档更容易受中间车辆行为偏差或交通动态变化的影响但多目标协同仍保持了与单目标方案相当的成功率。图4与图6的结果共同体现在图7中多目标协同带来的触发协同次数增长几乎按比例转化为成功协同次数的增长证明多目标带来的额外协同机会并未降低执行可靠性。总体而言多目标协同同时提升了触发与成功完成的机动次数。图8展示了协同预判时间定义为协同预期完成时间与协同触发时间的平均差值反映协同平均提前发起的时长对比了传统单目标方案与多目标方案的表现其中多目标方案进一步区分了与Vbn1​、Vbn2​及其他车辆的协同。结果显示协同预判时间随目标车辆的后移显著上升与Vbn1​的协同预判时间最短说明这类协同通常在临近可执行时刻才触发而与Vbn2​、Vbn3​、Vbn4​的协同发起时间显著更早预判时间更长。这一行为是协同策略的直接结果与目标车道更靠后车辆协同时需要更早启动空档创建过程使空档能够向前传播至主车位置因此这类协同天然依赖更强的预判能力。该结果表明多目标协同不仅能增加协同次数还能支持更早触发协同通过更充分的预判进一步强化协同收益。我们在更高负载的场景下进一步评估多目标协同的性能在每条车道的右侧车道设置静止障碍物迫使右车道车辆换道提升换道需求更依赖长预判协同。图9展示了该场景下多目标协同的目标车辆分布与无障碍物场景的图5格式一致。结果显示障碍物场景下协同目标分布略有偏移Vbn3​参与的协同占比升至约1%并观测到少量与Vbn4​的协同说明障碍物的存在确实会催生涉及更远距离车辆的协同机会。尽管如此整体趋势与无障碍物场景一致Vbn1​与Vbn2​仍为协同主体其余指标无显著差异。图7. 单目标与多目标机动协同下单车每小时成功协同次数。图8. 协同预判时间。图9. 障碍物场景下多目标协同触发机动的目标车辆分布。VI. 结论本文提出并分析了多目标机动协同的性能影响支持车辆从多个潜在目标车辆中选择协同对象。实验证明考虑多目标候选可显著提升触发与成功执行的机动协同次数且不会降低协同可靠性——多目标协同的成功率与传统单预设目标方案相当。结果同时表明绝大多数性能增益仅需考虑少量目标车辆即可实现大幅降低了实现复杂度。此外多目标机动协同支持更早触发机动为应对交通动态与不确定性提供了更充裕的时间裕度。本文采用的顺序选择准则是简单直观的初步方案已展现出显著收益未来可进一步探索适配特定交通条件或机动类型的更先进选择策略。总体而言多目标机动协同是一种简单高效的增强方案无需修改底层协议或机动实现即可放大协同收益为后续协作者选择策略、复杂多机动场景的研究打开了大门。