随着城市现代化进程的加快, 车辆数量增加, 而道路资源有限引起了交通拥堵、交通安全、环境污染等一系列问题.近年来, 随着车载自组织网络 (vehicular ad hoc networks, VANETs)[1-3]和协同自适应巡航控制 (cooperative adaptive cruise control, CACC)[4]系统技术的快速发展, 解决交通拥堵的一个有效交通管理策略platoon被提出.Platoon主要用于自动化高速公路系统 (automated highway system, AHS), 它利用无线通信和车辆控制技术, 使部分车辆利用CACC技术自主/半自主地形成车辆的platoon形式.即在高速公路交通中, 车辆被组织成近距离跟随车辆组模型.Platoon最广泛的研究配置形式为汽车列队, 一组连续的车辆形成一个platoon, platoon内各车辆由CACC控制, 以保持相同的速度和相对于普通高速公路安全距离更小的车间距离在高速公路上行驶.其中每一个platoon有一个首车, 所有platoon的车辆成员统一跟随首车自动化地进行转向、制动和加速等操作.
Platoon是提高交通效率和安全性的一个有效途径, 来自美国交通运输部的一份报告表明, 高速公路上的platoon形式可以使道路车辆容量提高70%[5].同时由于空气减阻, 实现节能减排, platoon也被看作是一个解决环保驾驶策略的有效方案.从通信性能的角度来看, 车辆以一个相对稳定的platoon移动不仅可以提高安全信息的传送效率[6], 同时也可以将自己的多媒体信息分享给同一个platoon内的其他车辆以实现共享数据.因此, 更多的数据可以存储在platoon中, 提高数据可用性并减少数据访问延迟.
为了对platoon在道路性能和通信性能方面进行研究与分析, 本文设计了适用于platoon的交通移动模型, 并利用交通仿真软件SUMO进行仿真.同时设计了适用于platoon与自由车辆free的分簇算法对网络进行构建, 并利用网络仿真软件NS2 (network simulator, version 2) 对不同场景进行通信性能的分析, 进而讨论不同比例的platoon和free在道路容量和通信方面的性能.
1 Platoon体系结构图 1显示了platoon的一般体系结构.研究中, 车辆均具有CACC能力, 并且车与车能够通过VANET的通信进行信息共享和协同驾驶.在此体系结构中, 根据空间位置和功能, 每一个车辆都拥有一个独特id号.Platoon的成员可分为3个角色, 即领导车、成员车、尾车.功能分别如下:
1) 领导车leader:为了便于领导, 通常会将platoon首车设置为领导者, 负责创建和管理platoon.例如, 确定并定期广播platoon-id, 决定车辆是否可以加入或者离开, 然后分配车辆角色, 并确定platoon是否应拆分或合并.
2) 尾车tail:定位在platoon的尾部, 负责与下一个platoon的leader进行通信.
3) 成员车member:platoon内除了首车和尾车的其他车辆.这些车辆可以接收来自其他车辆发送的信息并分享信息, 这些车辆会遵守特定的行驶规则.
为了便于后续研究, 本文统称tail和member车辆为follower, 此外, 对于不具备CACC能力的车辆统称为free.为了对platoon进一步讨论, 定义intra-platoon为platoon内相邻车辆之间的距离, inter-platoon为前一个platoon的尾车与下一个platoon首车之间的距离.基于这些参数定义, platoon的参数设置如表 1所示:pi表示第i个platoon, cji是pi的第j辆车, sji表示第cji车和cj-1i车的间距, Di表示第i个platoon pi与第i-1个platoon pi-1的间距.
为了便于进一步讨论, 重要的符号总结在表 1中, 其中变量已按字母顺序排序.
2 Platoon管理系统Platoon管理系统分为platoon管理协议和platoon管理策略[7].Platoon管理协议负责车辆间的通信, platoon管理策略决定了platoon中成员角色以及在设计目标中的作用.本文针对platoon管理协议和管理策略进行了如图 2所示的设计.
本文主要从交通移动模型设计上对platoon管理策略进行实现.为了确保研究结果的准确性与可信度, 车辆仿真通常采用车辆移动模型来生成接近真实的车辆移动拓扑文件, 本文采用了SUMO提供的车辆移动模型对车辆进行仿真.但是, 由于SUMO本身未提供适用于platoon车辆的移动模型, 为了实现道路上能够使platoon与free车辆的同时存在, 本文在使用已有模型的基础上建立了适用于platoon的车辆移动模型.
2.1.1 IDM模型对于free车辆类型的仿真, 本文采用了SUMO提供的智能跟随模型IDM模型 (intelligent driver model)[8-9]和默认车道变化模型LC2013[10]实现对车辆纵向与横向控制.为了实现车辆跟随模型, 车辆实际数值积分值[11]可以表示为
(1) |
(2) |
其中:xj是cj的坐标; Δt是更新时间间隔.因为研究的车辆均具备CACC装置, 所以这些操作都是自动化完成的, 通常更新时间Δt设置为100 ms.
IDM模型表示为
(3) |
(4) |
其中:s0和v0分别表示最小车间距离和最大车速; Sj*(t) 表示期望车间距离, 其他参数参见表 1.
2.1.2 Platoon模型在platoon车辆移动模型设计中, 由于实际道路不同车道具备限速, 设定每个platoon始终处于该车道的平衡点, 即考虑车辆纵向控制, 不考虑横向控制.基于platoon管理策略需求的参数设计如下:
1) intra-platoon间距.根据式 (3) 和式 (4) 得出intra-platoon计算公式为
(5) |
由于本文设计的实验中platoon始终处于platoon的平衡点e处, 即Δvj(t)=0, aj(t)=0, vj(t)=ve时, intra-platoon距离表示为
(6) |
2) platoon尺寸.为了保证platoon内任意两辆车通信距离保持在一跳范围内, platoon拥有车辆个数最大值mmax应满足mmaxL0+(mmax-1) se≤RT, 其中L0表示车辆长度, RT是车间通信最大半径, 因此得出:
(7) |
本文主要对车辆间相互交换信息的通信方式 (vehicle to vehicle, V2V) 进行研究, 其中MAC层采用了适用于V2V通信的IEEE802.11p协议, 网络层主要采用了基于VANET最大连接度分簇算法进行设计[11], 从而实现platoon和free车辆的通信.分簇算法设计如下:
1) 定义节点id.Platoon车辆id定义为pi-j, 其中pi表示第i个platoon, j表示该platoon的第j辆车.free车辆id定义为v1, v2, …, vn.
2) 初始化车道.设置每个platoon为一个簇, 其中j=0的点为该platoon的簇首 (cluster head), 并将状态更新为CH, platoon内其他车辆为簇成员节点 (cluster member), 状态更新为CM.所有free车辆均为孤立节点 (isolated node), 初始状态设置IN.
3) free车辆分簇.遍历所有状态为IN的节点, 比较所有孤立节点车辆的度值k, 选出度值最大的车辆vi为簇首并更新为CH, 然后将vi通信半径内的车辆设定为簇成员并更新为CM, 重复这个过程, 直到网络中不存在状态为IN的车辆为止.
4) 簇的维护.由于本文设定platoon内车辆处于平衡点状态, 并不会出现进车和出车的情况, 所以platoon车辆的状态不会发生改变.对于free车辆, 当一个CM脱离了它CH的通信范围, 它的状态更新为IN, 同时寻找其通信半径范围内的其他CH并请求加入, 加入新的簇后状态更新为CM, 如果其通信半径内不存在其他CH, 则该车辆自己独立成簇, 状态更新为CH.
3 实验 3.1 道路性能分析根据文献[7],道路容量的增大可以通过减小车辆的intra-platoon距离.文献[12]提供的道路容量公式为
(8) |
式中:S表示intra-platoon间距离; D表示inter-platoon间距离; v表示车辆稳定状态运行速度; n表示每个platoon内车的数量.为了探究platoon对道路容量性能的提升能力, 本文将从platoon不同尺寸和不同车速的综合角度对道路性能进行讨论.
图 3显示了不同车速时的道路容量随platoon尺寸的变化情况.其中设置L0=5 m, 车间距离s=30 m, 车速分别为60, 90和120 km/h.其中n=1时, 车间安全距离以实际高速公路为参考, 即反应距离在0.25~1.2 s之间时响应速度对应的安全距离.图 3表示不同车速对道路容量的影响, 从图中可以看出, 当车辆形成platoon后, 道路容量会随着platoon内车的数量、车速发生显著提高.从实验结果可以看出platoon内车辆小于10时, 道路容量会快速增长, 大于10时逐渐趋于平缓.为了保证所有车辆在leader通信范围内, 图 4仿真了platoon尺寸为10时, 道路容量随车速的变化情况, 从实验结果可以看出, 道路容量与车速增长成正比.因此platoon的小间距和高速特性可以提升道路容量.
为了讨论platoon对于通信性能的提升, 实验讨论了不同platoon车辆比例对丢包率和吞吐量通信性能的影响.仿真实验设计如下:仿真进行了5组实验, 每组free与platoon的比例不同, free车辆数量比例分别为0, 20%, 40%, 60%, 80%, 100%.
交通层仿真场景设计如下:①采用三条车道的高速公路, 每条车道分别限速为60, 90和110 km/h.②free与platoon的车辆采用随机发车方式.③仿真车辆总数为100辆.④每个platoon中包含5辆车.仿真场景如图 5所示:其中[1]和[2]分别代表不同车道的platoon车辆, [0]代表free车辆.然后利用NS2对不同platoon比例的场景进行通信性能仿真, 其中参数设置见表 2.
图 6表示不同free车辆比例对于丢包率的影响.从实验结果看出, 当free比例小, platoon比例大时, 由于道路拓扑结构稳定, 前期簇首与簇成员的连接不会发生巨大变化, 因此丢包率的值较为稳定.但随着free车辆比例的不断增加, 道路车辆的拓扑变化加剧, 导致簇首不断发生变化, 并且簇首与簇成员的连接也随之改变, 从而导致丢包率随之变大.
图 7表示不同free车辆比例对于吞吐量的影响.在实验设置带宽相同的情况下, 由实验结果可以看出, free比例越小, platoon比例越大时, 网络利用效率更高, 吞吐量更大.由于随着free的增加, 网络拓扑结构以及簇分布变化加剧, 吞吐量也会随着不断降低.
本文设计了适用于platoon的交通仿真模型和platoon与free的分簇通信协议, 并应用于SUMO和NS2中进行道路与通信仿真.结果表明, 车辆形成platoon模式能够使车载自组织网络在道路容量和通信性能方面均得到提升.
[1] | Acarman T, Liu Y, Ozguner U.Intelligent cruise control stop and go with and without communication[C]//American Control Conference.New York, 2006:6. |
[2] | Bai F, Krishnamachari B. Exploiting the wisdom of the crowd:localized, distributed information-centric VANETs (topics in automotive networking)[J]. Communications Magazine IEEE, 2010, 48(5): 138–146. DOI:10.1109/MCOM.2010.5458375 |
[3] | Taleb T, Benslimane A, Letaief K B. Toward an effective risk-conscious and collaborative vehicular collision avoidance system[J]. Vehicular Technology IEEE, 2010, 59(3): 1474–1486. DOI:10.1109/TVT.2010.2040639 |
[4] | Jiang Y, Li S, Shamo D E. A platoon-based traffic signal timing algorithm for major-minor intersection types[J]. Transportation Research Part B:Methodological, 2006, 40(7): 543–562. DOI:10.1016/j.trb.2005.07.003 |
[5] | Hall R, Chin C. Vehicle sorting for platoon formation:impacts on highway entry and throughput[J]. Transportation Research Part C:Emerging Technologies, 2005, 13(2): 405–420. |
[6] | Jia D, Lu K, Wang J. On the network connectivity of platoon-based vehicular cyber-physical systems[J]. Transportation Research Part C:Emerging Technologies, 2014, 40(1): 215–230. |
[7] | Jia D, Lu K, Wang J. A disturbance-adaptive design for VANET-enabled vehicle platoon[J]. Vehicular Technology IEEE, 2014, 63(2): 527–539. DOI:10.1109/TVT.2013.2280721 |
[8] | Ge H X, Dai S Q, Dong L Y, et al. Stabilization effect of traffic fbw in an extended car-following model based on an intelligent transportation system application[J]. Physical Review E:Statistical Nonlinear & Soft Matter Physics, 2005, 70(6): 066134. |
[9] | Krajzewicz D, Erdmann J, Behrisch M, et al. Recent Development and applications of SUMO-simulation of urban mobility[J]. International Journal on Advances in Systems & Measurements, 2012(3/4): 128–138. |
[10] | Kesting A, Treiber M. How reaction time, update time, and adaptation time influence the stability of traffic flow[J]. Computer-Aided Civil & Infrastructure Engineering, 2008, 23(2): 125–137. |
[11] | Peng H, Li D, Abboud K, et al.Performance analysis of IEEE 802.11p DCF for inter-platoon communications with autonomous vehicles[J]// IEEE Transaction on Vehicular Technology, 2017, 66(3):2485-2498. |
[12] | Varaiya P. Smart cars on smart roads:problems of control[J]. IEEE Transactions on Automatic Control, 1993, 38(2): 195–207. DOI:10.1109/9.250509 |