基于WAVE的自动驾驶协作框架

基于WAVE和协作驱动的智慧城市交通拥堵缓解框架

摘要

自动驾驶车辆的迅速兴起预示着道路交通拥堵的检测、控制和缓解方式将发生巨大变革。为此，我们认为探索在现代道路基础设施支持下自动驾驶车辆之间的不同协作方式，以优化通勤者出行时间，具有重要意义。因此，本文提出了一种基于多方协作框架并建立在WAVE标准之上的新型解决方案，以优化道路网络的使用并缩短通勤者出行时间。我们的解决方案基于信念‐愿望‐意图架构，使自动驾驶车辆能够根据其目标和当前情况选择自私或协作行为。我们在三条代表性路线图上通过初步原型获得的结果表明，该方法在应对交通拥堵方面具有有效性。

一、引言

“智慧城市”的概念持续在全球范围内受到高度关注。其在阿姆斯特丹、巴塞罗那、米尔顿凯恩斯和斯德哥尔摩等多个城市中的成功实施，正激励着政府、产业界、学术界和社会各界共同协作，构建促进公民福祉和经济增长的可持续生态系统。“智慧城市”主要依托先进的泛在信息与通信技术（ICT），对城市的能源、水资源以及交通基础设施等资产进行监控。在智慧城市情境下，基于先进技术对关键基础设施进行高效监控至关重要，这有助于提升城市的可持续性，同时推动其经济发展。智能交通被视为实现此类增长的关键使能因素，因为许多其他服务的效率都依赖于交通系统的稳健性。而这种稳健性若不通过开发先进解决方案来应对交通拥堵问题及其对通勤者的出行体验和安全带来的影响，则无法实现。

在交通管理的情境下，通过利用智能传感器收集的实时数据来实现适当的车联网（车对外界）通信，正在应对交通拥堵问题。这些传感器通常部署在车辆上或沿道路精心选择的位置。尽管已取得重要进展，但交通拥堵仍然是一个长期存在的问题，特别是因为当前的交通基础设施扩建速度未能跟上现代城市日益增长的人流和物流需求。德克萨斯交通研究所的一项研究表明，2014年由于道路交通拥堵造成的额外出行延误和燃油消耗带来的经济损失接近1600亿美元[1]。在此期间，美国驾驶员因交通拥堵多行驶了69亿小时，并额外购买了31亿加仑的燃油。

拥堵通常发生在道路某一路段交通流量过大时，导致行程时间延长、车速减慢以及车辆排队变长。在进行道路维护期间，也会出现拥堵，使车辆难以正常通行。上述两种拥堵情况分别称为经常性拥堵和非经常性拥堵。非经常性拥堵尤其难以应对，因为它们发生在偶发事件（例如道路事故、环境事故、节日活动和道路维护）发生时。

由于全球城市化进程的快速推进，导致经常性拥堵和非经常性拥堵的数量和复杂性显著增加，因此需要更加合适的拥堵管理系统来满足智慧城市的具体需求。为此，本文提出了一种先进的系统，该系统将智能机制嵌入车辆中，以增强其决策过程，并优化协作，从而更好地控制交通拥堵并改善通勤者的出行体验。我们的贡献可以总结如下：（1）开发智能汽车与先进道路基础设施之间的新型协作机制；（2）通过提出扩展的信念‐愿望‐意图框架来支持该机制；（3）根据交通状况制定自适应驾驶策略。

本文的其余部分组织如下。第二节回顾了现有研究中关于道路交通拥堵管理的工作。第三节介绍了我们的解决方案的基本原理及其详细操作。在第四节中，我们评估了该解决方案的性能，并分析了获得的仿真结果。最后，我们在第五节进行总结。

II. 相关工作

减少反复出现的道路交通拥堵并缓解其严重影响，对于交通管理部门以及交通运输研究界而言仍然是具有挑战性的问题。例如，人们正在大力开展工作以消除拥堵原因、减轻拥堵影响、保持安全驾驶并降低环境影响。文献[2]中提出的解决方案涵盖了现代交通管理系统（TMSs）的各个阶段，从先进的数据收集技术与方法、路径规划和重新规划方案，到短期至中期交通预测方法以及智能停车预约与管理系统。在最近的重要研究成果中，Wang等人[3]设计了一种基于多代理的解决方案，称为下一路由重路由（NRR），该方案为驾驶员提供最合适的下一路段选择，从而在发生途中事件（如交通事故和其他不可预测事件）后最小化产生的延误。为进一步提高NRR的效率，作者提出了自适应NRR（A‐NRR）[4]方法，该方法利用基于变异系数的方法和K均值算法实现对NRR算法和操作参数的自动智能校准。此外，用通过车载自组织网络（VANETs）能力获取的交通信息取代了感应线圈的输入（因为VANETs能够覆盖更大的路网区域，并以更高的更新速率提供更丰富的交通信息）。为了确保针对自动驾驶车辆开发的未来交通拥堵解决方案能够得到更准确的评估，文献[5]提出了一种基于强化学习的计算框架。其主要目标是支持地面交通自主性的快速增长，并推动可靠控制器的发展，以解决复杂问题，例如在环形道路上控制混合自主性交通。

除了上述研究之外，许多简单和/或实用的解决方案已被提出并实施，以减少多个城市内部及周边的交通拥堵。在此背景下，停车现金补贴1和工作场所免费停车（例如，[6]）已被作为缓解交通拥堵方案的一部分，企业通过向员工提供经济激励，鼓励其将车辆留在家中，转而使用其他公共交通方式。帕特里克·齐格曼2进行了一项研究，收集了涵盖5万名员工的10个不同停车现金补贴案例的数据。对这些数据的分析显示，每月平均向每位员工支付46美元，可使停车需求平均减少25%。该研究还建议，如果适当地实施现金补贴方案，则有望降低交通拥堵。移动交通协会（MTC）提出，通过取消城镇中的汽车补贴（如免费停车），以鼓励使用替代性且环保的交通方式，从而减轻交通拥堵的影响。移动交通协会（MTC）还提议引入所谓的收费车道，即不再通过收取道路使用税（即通行费）的方式，而是由车辆用户安装一个“标签装置”，当车辆使用收费车道时，该装置会将车辆信息发送至路边的“读取器”。随后，驾驶员会收到一份月度账单，列明使用收费车道的总成本。在此机制中，读取器可根据车辆类别（如公交车、卡车、出租车、普通车辆等）应用不同的收费标准。最终，提出的解决方案旨在创建车流较少、出行时间较短但成本较高的车道。

尽管已有多种技术被用于应对道路交通拥堵，但人们很少关注通过加强智能汽车与道路基础设施之间的协作来更好地控制交通拥堵的潜力。这一不足之处正是我们当前工作的动机所在，我们提出了一种利用此类协作的解决方案，最终改善通勤者在拥堵道路上的出行体验。此外，如下所述，我们的解决方案还有潜力改进和扩展汽车制造商提供的某些现有应用。

德国汽车制造商宝马是首家推出名为EnLighten应用程序的公司，该程序可向驾驶员显示车辆前方交通信号灯的状态，并预测该信号灯何时会发生变化。在这种情况下，驾驶员可以提前开始制动，以避免在交通信号灯突然变化时进行急刹车。该应用程序通过减少不必要的加速/减速次数，必将使驾驶更加安全和经济。该应用程序利用iPhone的GPS数据以及某些城市的交通管理系统数据，以确保准确预测交通信号灯信号变更的剩余时间。如果配备了适当的智能交通信号灯，我们提出的解决方案（或至少其主要功能之一）可以轻松集成到该应用中，从而使未来的智能汽车（或自动驾驶汽车）的行程更加安全、快速和经济。事实上，这一目标在中期极具可实现性，因为自动驾驶汽车时代正在迅速到来，并在驾驶员群体中获得越来越广泛的认可，尤其是在中国和印度等新兴市场[7]。

III. 提出的解决方案

在本节中，我们将介绍我们解决方案的核心思想、操作细节以及所提出的多方协作框架。

A. 提出方案的基础

基本上，我们的主要思路是寻找智能汽车与先进道路基础设施（如先进的交通信号控制器（TLC））之间高效协作的方法。更具体地说，我们这一思路的最终目标是确保更好地缓解和监控由于途中随机事件（即非经常性拥堵）或道路网络中车辆过多（即经常性拥堵）所导致的道路交通拥堵。该思路基于一种类认知无线电方法，其灵感来源于无线网络中使用的认知无线电原理[8]。根据这一原理，无线设备凭借其智能收发器，能够检测并机会式地利用其周边未使用的频段。类似地，我们的方法使智能汽车能够在特定政策和特定情况下，机会式地使用道路上未充分利用的专用车道。在我们的设计中，交通信号控制器（TLC）承担了智能收发器的角色，负责监控道路交通，检测未充分利用的专用车道（例如公交专用道）以及普通车道，并采取或建议相应的行动，以最佳平衡道路交通，缓解可能发生的交通堵塞和瓶颈。

我们的方法如图2所示（详见第III.C节），可通过将智能机制嵌入通信设备（包括汽车和道路交通监控设备）来实现。得益于车辆通信领域的最新进展，在多通道（即控制信道（CCH）和可用的服务信道（SCHs）集合）上使用车载环境中的多无线电无线接入（WAVE）设备，将显著提升车际通信的可靠性[9]。因此，可以实现更高效的邻近车辆之间的协调。这种协调尤为重要，因为它使车辆能够在恰当时机采取正确的行动（例如加速/减速、变道或改变方向），以满足其个人需求以及邻近车辆的需求，同时避免任何违反驾驶安全要求的情况（例如安全距离、速度限制等）。

为了实现高效的协调，应扩展车辆的情境感知能力。为实现这一目标，我们提议利用来自两种类型信标的信息：常规信标和TLC信标。常规信标由每辆车广播，以在其传输范围内与其他车辆共享其自身信息、目标和行动。它们以适当的发送速率和功率周期性生成。该速率会根据观察到的信道碰撞率和车辆密度持续调整，以确保更高的传输可靠性。TLC信标由每个交通信号控制器（TLC）定期广播，用于通告当前交通周期的剩余时间、驾驶策略的任何更新以及对车辆的任何建议。每个TLC信标对应一个特定的道路路段。它也按照以下规律在固定时间间隔内传输：

$$
I_{TLC} = \frac{l_{seg}}{R \times \text{max_speed}}
$$

其中 $I_{TLC}$ 是交通信号控制器信标的传输间隔，$l_{seg}$ 表示道路段长度，max_speed 表示该道路段允许的最高限速。R（即速率）是一个整数值，表示当车辆以最高限速行驶过道路段时，交通信号控制器信标被广播的最少次数。交通信号控制器信标的传输间隔是根据交通信号控制器所控制道路段的上下文信息（如长度和车辆平均速度）仔细选择的。这确保了每辆车在到达下一个道路交叉口（下一个交通信号控制器）之前，至少能接收到 R 次交通信号控制器信标。

在我们的解决方案中，我们假设车辆（即驾驶员）在其行动中倾向于协作。每辆车（最终是驾驶员）确实应该根据自身目标得以满足的情况，在可能的情况下调整其当前速度（即加速或减速），并变道至新车道，以尽可能多地响应邻近车辆的请求。为此，车辆的行动将根据我们在图1中提出的多方协作框架进行单独且协作式的决策。为了促进车辆间的协作，各车辆可识别出自私行为的邻近车辆，并通过将这些车辆的身份信息附加到常规信标消息中来交换相关信息，前提是存在一个 sophisticated 的声誉与信任管理系统，例如[10]中提出的 REPLACE。

B. 协作模型

技术的快速变化以及资源的稀缺性正在加剧我们对日益智能化生活的需要互联世界[11]。为了满足这一世界的需求，协作机制及相关设施已引起研发社区的广泛关注（例如，[12] 和 [13]）。关于协作的概念已有多种定义，但尚未形成统一共识。然而，我们坚持认为，协作是一个包含共享规则和互利互动的过程，在该过程中，自主或半自主参与者通过正式与非正式的协商进行互动，共同制定规范其关系的规则与结构，并就促使他们合作的问题共同采取行动或决策[14]。基于这一理念，我们提出了一种新模型，并在图1中予以说明。下文将概述该模型，并解释其在智慧城市情境下减少出行时间的相关意义。

1) 多方协作框架

为了使车辆能够对周围环境中发生的事件进行独立推理，我们在相关研究[2]中提出了一种信念‐愿望‐意图（BDI）架构，其中信念表示车辆关于自身（例如当前速度、位置以及到下一个交叉路口的剩余距离）及其环境（包括道路基础设施、邻近车辆以及关注事件，如前方公布的障碍物/碰撞）的本地信息，愿望反映车辆希望实现的目标或情况，意图则指车辆已选择执行的行动。在本文中，我们通过引入一些机制来支持车辆之间的协作，对该架构进行了扩展和重构。

最初的BDI架构侧重于每辆车的个人利益，车辆之间没有实现协作机制。因此，系统的运行未得到优化，也无法在超出车辆个体能力的任务上提供相互支持。在新架构中，我们为每辆车赋予了机制，使其能够决定是为自身收益行动，还是为其所属群体（即与该车存在某些关系的车辆群组，例如同一簇的成员）的收益行动。例如，车辆可以决定自私地行动（即按照初始架构的设定），也可以选择追求与其协作车辆的共同目标和收益。为此，车辆会与对等节点交换多种信息，包括上下文信息、正在进行的操作以及计划，并据此制定自身的计划。为了实现这一目标，我们增加了“行政管理模块”组件，使车辆能够评估自身的成本与收益，进行必要的数据分析，并检查其当前与对等节点之间的规则和承诺。

假设我们的系统由多个分布式自主实体（即车辆）组成。这些实体掌握有关自身以及周围环境中其他实体（例如，道路交通系统和邻近车辆）的知识。为了应对附近发生的任何感兴趣事件（例如，车辆碰撞、因降雨导致的积水等），它们需要进行协作。为此，每辆车将始终监听来自邻近车辆和交通信号控制器的信标和通信。当接收到新信息时，这些信息将被分析，并相应激活我们框架中描述的不同模块（见图1）。

如果一辆车要规划个体行为（例如加速、减速、变道等），它将生成自身的愿望（目标）以及自身的意图（行动）。如果该车辆要与第三方进行协作，则会生成共同愿望和共同意图。在此情况下，计划生成模块需要结合个体意图和共同意图，以生成能够实现共同目标（例如提高交叉路口的交通流通行量）并满足车辆个体目标的计划。在该计划执行后，车辆的信念将被更新，规范管理模块将评估对第三方对等体的信任，并且治理模块可能会创建新的协作规则。

根据我们的框架（图1），每个实体（即车辆）包含三个组件：行政管理模块（AM）、并发管理模块（CM）和执行管理模块（EM）。当从第三方（例如TLC或邻近车辆）接收到数据时，AM模块将过滤数据，并评估其个体行动与协作行动的成本和收益。为此，它会分析先前行动的结果，并参考当前的治理规范，以界定其预期行动的合法性与范围。随后，CM模块将并行实施用于个性管理的BDI架构（即服务于个体利益）和用于共同性管理的BDI架构（即服务于集体利益）。个性管理模块将采取必要行动来更新当前信念，生成个体选项（例如加速、减速、变道等），并识别仅服务于该车辆自身利益的行动。此外，基于AM模块的分析，如果需要协作，共同性管理模块将修订共享信念，生成共享选项以实现共享目标（例如提高交叉路口的交通流通行量），并确定能够服务于协作车辆利益的行动。在制定出个体与共同行动计划后，系统将检查这些计划是否存在冲突，并生成最终行动计划。该计划随后将发送至EM模块。一旦执行完成，个体与共同信念将被更新。某些治理规范也可能随之调整，根据车辆与其他车辆刚刚发生的交互经验进行修订。

C. 操作细节：不同的步骤

我们的解决方案的运行遵循图2中描述的步骤，其中我们区分了设计中的三个关键组件：主控TLC、智能自适应引擎和车辆集群（即当前在同一道路路段上行驶的车辆）。主控TLC控制一组进向和出向车道，负责评估这些车道的交通状况，具体包括道路占用率（RoL）和平均速度（AvS）。它还定期与其邻近交通信号控制器（从属）交换其获取的关于本地交通状况（即主控TLC所控制车道上的交通状况）的上下文数据。在接收到从属TLC发送的外部上下文数据后，主控TLC将接收到的信息与其本地知识（通过感应线圈以及其他输入如部署在相应道路交叉口的蓝牙传感器收集的数据）进行聚合，以构建对其所控制车道及其周边交通状况更准确的信息。这一聚合过程对于确保智能自适应引擎推荐措施的更高效率是必要的（见图2）。

智能自适应引擎是我们的解决方案中的主要组件，其输出将决定整个系统的性能。它由两个子组件组成：学习子组件（LSC）和自适应子组件（ASC）。LSC的作用是利用主控TLC收集的交通状况信息来构建并持续更新知识库。它还负责定义一组交通状况的配置文件，包括正常状况。这些配置文件的定义也考虑了从属交通信号控制器的感知/评估结果。LSC所构建和定义的这些知识与配置文件随后将作为ASC的输入，以推荐最合适的自适应措施。

智能自适应引擎的输出可能是以下决策之一：
- 在双向均有多条车道的道路上，如果观察到一个方向交通拥堵程度高，而另一方向交通负载正常，则可根据情况（在适用时）决定增加拥堵方向的专用车道数量，前提是可容忍对相反方向交通状况的影响。
- 如果发生的途中事件阻塞了道路，智能自适应引擎将应用重新路由机制以找到合适的替代路线。为此，可以采用类似于[3]和[4]中的解决方案。
- 通过允许普通汽车使用额外的非应急车道，临时启用特殊驾驶策略（例如最初为公交车或拼车预留的车道）如果这些车道使用率较低或完全空闲。为此，我们提出一种类认知无线电策略，根据车辆档案（如环保型、碳排放等）以及驾驶员档案（如警察、医生、上学时段的教授等），选择可临时允许使用专用车道的车辆。在某些情况下，驾驶员/车辆也可向交通信号控制器发送对专用车道的访问请求，该请求将根据这些车道的使用情况被批准或拒绝。

在接收到由智能自适应引擎发出决策（建议）的交通信号控制器信标后，根据当前交通周期的剩余时间，车辆在考虑各自的上下文信息和个体目标的情况下采取相应的行动。每个行动均按照我们在第三节.B中描述的扩展BDI框架（见图1）执行。

D. 基于多无线电的信标传输

为了在确保安全驾驶行动的同时实现车辆间的可靠协调，我们假设每辆车都配备了两个无线电收发器；其中一个调谐用于在控制信道（CCH）上传输周期性信标和紧急消息，另一个则针对可用的服务信道（SCH）上发送其他类型的IP消息进行了优化。这样，控制信道（CCH）将始终可用于承载邻近车辆之间的消息交换，而无需像配备单个无线电收发器的车辆那样在控制信道（CCH）和服务信道（SCH）之间进行周期性切换[9]。选择专为车载环境无线接入（WAVE）设计的电气与电子工程师学会IEEE 802.11p标准作为MAC协议。这一选择得益于该标准协议在现实场景中的高普及度，尤其是在美国和欧盟地区。此外，实际场景中的通信在5.9 GHz的许可频段内进行。

为了实现我们的方法，我们提出了一种新的信标格式。除了IEEE802.11 MAC帧的标准头部外，我们还将在可用的2312字节数据字段中划出一部分用于车辆和交通信号控制器的信标负载。如有需要，该负载将包括：

)
)

交通信号控制器信标携带有关发送方交通信号控制器（其ID）、当前交通信号灯状态（即绿灯或红灯）以及该状态改变前的剩余时间（以秒为单位）的信息。它还包含前方未计划事件（如车辆碰撞或事故）或计划内事件（如音乐会或体育赛事）的相关信息。从属交通信号控制器将把这些信息转发给其所辖路段内的车辆，使车辆能够自适应地应对任何潜在延误，例如做出更优的重新路径规划决策。当智能自适应引擎推荐新的驾驶策略时，该策略将通过交通信号控制器信标进行广播，标明策略代码、适用的行驶方向、涉及的车道（当某一方向有多个车道时）以及其有效时间（以秒为单位）。

车辆广播的常规信标主要用于邻近感知以及共享个人的愿望和意图。例如，类型字段用于识别发送车辆的特殊属性，因为某些类别的车辆可能需要采取特定的行动/决策，如救护车和警车。其余字段用于存储重要信息，包括车辆识别码（VIN）、当前速度、在指定车道中的位置以及目的地。最后一个字段通过公布最多八个期望的行动来共享车辆意愿和意图。每个行动由其代码和对应的值来识别。行动值标识要执行的动作类型（如加速、减速和变道），而其代码可以是0、1或2。动作代码等于0表示车辆无意执行该行动或该行动已经完成，代码1表示车辆有意愿执行该行动（意愿），2表示车辆决定采取该行动（意图）。为了保护车辆隐私并防止其位置被追踪，车辆识别码（VIN）并非固定值，而是根据强健的假名生成方案（如[15]）频繁变化的假名。

IV. 性能评估

在本节中，我们展示了我们的解决方案在三种不同代表性道路布局下的性能评估结果：曼彻斯特、洛杉矶和东京（见图4）。主要目的是测试道路布局对我们的解决方案性能的影响。

我们使用交通模拟器SUMO和TraCi客户端应用程序实现了所提出的解决方案的原型。在我们的仿真中，每张路线图都在不同的车辆密度下进行测试：400辆车（低密度）、600辆车（中等密度）和800辆车（高密度），并且每辆车都被分配了一条随机路线。在仿真中，我们生成了小汽车、公交车和卡车的混合车流，以模拟真实世界道路网络中的交通状况。在运行仿真以评估我们解决方案的效率之前，我们首先生成了一个基线测试，用于测量三种路线图在相同三个交通密度水平下的平均出行时间。该基线测试代表由常规TLCs控制的道路网络，这些TLCs不运行我们的解决方案，彼此之间也不交换任何与交通相关的信息，这意味着在运行基线测试时，无法执行如第三节-C中所述的智能自适应引擎所建议的任何自适应操作。所有仿真均运行20次，每次使用不同的随机种子值，以获得具有统计意义且可复现的结果。总共我们使用了20个不同的种子值，每个仿真运行对应一个值。

我们模拟中获得的平均出行时间（ATT）和平均ATT改进结果分别在表I和图5中进行了总结。这些结果表明，尽管我们的解决方案在曼彻斯特地图的低密度场景下出行时间减少并不显著（仅为1.7%），但在中高密度情况下已提升至4.5%。由于曼彻斯特地图的模拟路段（著名的牛津路）是一条直线道路且交通信号灯数量有限，因此在最佳情况下ATT的改善（即减少）几乎仅限于5%。该结果证实了我们的预期：当交叉路口（交通信号灯）数量较多时，我们的解决方案的影响预计会更加显著。

图5所示的直方图反映出，在洛杉矶道路网络模拟路段测得的ATT与曼彻斯特地图的模拟结果具有相似的趋势。然而，本案例的结果显示出更高的改善程度，尤其是在中高密度场景下（最高达14%）。此处，交通信号灯的数量多于牛津路，这为主控TLC提供了更多机会，向车辆发送有关交通周期剩余时间、更新的策略等信息，车辆据此相应调整速度，并在可能的情况下采取行动，以减少前往目的地的出行时间。最后，在同一图中，我们观察到东京地图模拟道路路段的ATT结果即使在低密度场景下也显著降低（7.4%）。在中高密度情况下，ATT的降低进一步增加，分别达到19.35%和17.47%。我们认为，之所以实现如此显著的改进，是因为该道路网络密集且交通信号灯数量众多，因此车辆有更多机会从我们的解决方案中受益。

图6显示了使用我们的解决方案后，其平均行驶时间（秒）有所增加的车辆百分比。绘制的结果表明，在曼彻斯特受影响的车辆不超过3.5%，在洛杉矶为4.5%，在东京为5%。这些车辆通常是参与大量协作行为以牺牲个体收益来实现全局效益的车辆。由于我们的解决方案在三个路线图的所有场景中均实现了平均行驶时间（秒）的积极改善，因此这种对部分车辆个体效率的负面影响可以视为微不足道，因为至少95%的其他车辆的平均行驶时间（秒）已得到改善。

请注意，上述测试是在假设自动驾驶车辆渗透率为100%且所需智能基础设施已部署的前提下进行的。因此，如果这些假设不成立，所获得的结果可能会有所不同。自动驾驶车辆渗透率的任何变化以及已部署基础设施中任何组件的缺失，都将在不同程度上影响车辆之间的高效协作，以及它们与交通信号控制器（TLC）通信并解读其传输的驾驶策略更新的能力。此外，驾驶员行为（当自动驾驶车辆渗透率低于100%时）及其驾驶模式可能会显著影响所提出系统的效率和可行性。准确研究并量化此类影响需要多学科的努力，这超出了本工作的范围。

表I. 在三个路线图中实现的ATT（单位：秒）：基线 vs. 我们的解决方案

V. 结论

在本文中，我们研究了道路交通拥堵问题，并提出了一种旨在促进自动驾驶车辆协作并最终减少其出行时间的新型解决方案。我们的解决方案基于扩展的信念‐愿望‐意图（BDI）框架，使车辆能够采取协作行为，以实现个人和共同的收益。为实现这一目标，车辆由先进的道路基础设施提供支持，该基础设施能够智能地推理正在发生的事件和道路状况，以监控交通状况并向车辆推荐行动。我们的解决方案利用WAVE标准来优化现有道路基础设施的使用。它建议对自动驾驶车辆为邻近感知而周期性广播的标准信标格式进行轻微修改。同时，还提出使用一种新的信标，供交通信号控制器（TLC）传递相关信息以及驾驶策略的临时更新。我们在三条代表性路线图下对解决方案原型进行的初步测试结果证明了其高效性。未来的工作中，我们计划扩展该解决方案，以满足应急车辆的严格要求，同时将对道路网络交通状况的影响控制在可接受范围内，并降低任何潜在的事故风险。