基于C-V2X直連通信的車輛編隊行駛性能優化

（上海大學，上海200000）

(Shanghai University, Shanghai 200000, China)

1 智能網聯自動駕駛

車輛已經成為人類社會生產、生活的重要工具。近些年，車輛自動駕駛技術成為學術界、工業界研究的熱點：首先，自動駕駛技術可以大幅提高交通安全性，僅考慮現已大規模商用的、采用低等級輔助駕駛的車輛即可將事故發生率降低60%以上，而采用更高等級的自動駕駛將有望進一步大幅提高交通安全性。其次，自動駕駛可以提高社會效率。這一點可以從2個角度理解：自動駕駛可以提高交通效率；可以替代人工駕駛員，提高社會生產率。

現有的自動駕駛解決方案大部分聚焦在基于單車智能的感知和決策上，其主要限制因素包括感知能力的局限，例如雷達探測距離、建筑物和其他車輛遮擋的限制，攝像頭視頻、圖像認知能力的局限，以及單車處理非結構化數據（原始多源異構感知數據）時計算、通信能力受限等。而車聯網技術可以實現智能網聯輔助的自動駕駛，通過車聯網在路口的汽車之間建立快速、可靠的通信連接，形成結構化數據在車輛之間有效交互，大大降低了車輛自身的感知和處理需求，同時通過全局決策可以有效地提高交通效率、降低事故發生率。該技術的一個典型應用場景即高速公路的車輛編隊場景。

2 車輛編隊控制模型

車輛編隊，即多輛車以一定的車間間距形成穩定的隊列行駛。通過減小車輛與車輛之間的距離，車輛編隊技術可以提高道路容量，同時使每輛車受益于其前車而減少受到的空氣阻力，進而降低燃油消耗[1]。此前，瑞典皇家理工學院的學者A. A. ALAM等已經通過高速公路實車實驗證明，當2輛相同的標準載貨車以80 km/h的速度和25 m的間距行駛時，后方跟隨車輛所受空氣阻力將下降30 %，整體的燃油經濟將提升7 %[2]。而未來提出的車輛編隊性能要求隊列內車輛能在100 km/h的速度下仍然維持8～25 m的間距，同時節省7%～15 %的油耗。更大的速度和更小的間距意味著更大的碰撞風險，由此需要對車輛編隊技術進一步提升。

目前對車輛編隊的研究主要集中于研究如何確保車隊的串穩定性。所謂串穩定性，即隊列內車輛之間的距離誤差不會沿著隊列傳播而放大，并且所有的誤差保持相同的符號以避免碰撞[3]。確保串穩定性的方法根據對距離誤差的定義不同可被分為2類：恒定車頭時距法和恒定間距法。在基于恒定時距的方法中，距離誤差被定義為車輛與前車的實際車頭時距和目標時距的差值；為使其逐漸收斂為零且不沿隊列傳播，車輛往往只需實時探測與前車的間距即可。這種方法通常不需要來自其他車輛的大量數據，但其車間間距會隨速度變化而變化，可能會達到一個非常大的值；因此只能實現較低的道路容量。為了實現更高的容量和更低的燃油消耗，我們通常選擇第2種方法，即以頻繁進行車間通信為代價使車輛之間的距離保持恒定。

在恒定間距方法中，可以根據空間位置和功能，將隊列中的車輛分為頭車和成員車。其中成員車的行駛由頭車控制，控制公式（1）[4]所示，頭車通過該公式計算每個成員車應執行的加速度。

3 蜂窩車用無線通信（C-V2X）技術直連通信

3.1 C-V2X

車用無線通信技術（V2X）意為車輛到一切，其包含4種類型的通信：車到車（V2V）、車到基礎設施（V2I）、車到網絡（V2N）、車到行人（V2P），代表車輛與周圍環境中不同實體之間的信息交互。其中，有關車輛編隊的車輛控制方面，涉及的主要通信類型是V2V，用于在成員車和頭車之間交互狀態信息和控制信息。

用于V2X的通信技術主要有2種，一種是專用短程通信（DSRC）技術，一種是C-V2X技術。其中DSRC采用了電氣和電子工程師協會（IEEE 802.11p和 IEEE 1609） 等 系列標準，C-V2X目前采用了第三代合作伙伴計劃（3GPP）R14提出的長期演進（LTE）-V2X標準[5]。相對于DSRC，C-V2X主要有以下幾點優勢：

（1）標準可演進。DSRC所采用的IEEE 802.11p標準早在2010年已經停止更新了，而C-V2X的系列標準仍在不斷演進，從LTE移動寬帶業務（MBB）到LTE-V2X，再到未來的新空口（NR）-V2X。

（2）技術領先。C-V2X目前已實現了DSRC的2倍覆蓋范圍，1.4倍交通容量，0.8倍延遲和1.6倍可靠性。

（3）商業更優。C-V2X可實現更低的芯片成本（例如，芯片同時支持MBB和D2D）和更豐富的應用生態（借助于蜂窩網絡）。

在LTE-V2X中，有2種通信接口：一種是短距離直連通信接口——PC5，適用于待通信設備間距較近的情況；另一種是終端和基站之間的通信接口——Uu，主要適用于網絡通信，即設備間距較遠的情況。PC5接口又提供了2種資源分配方法：模式3為集中式資源分配，用戶設備（UE）從基站（eNodeB）請求傳輸資源，隨后eNodeB采用半持續、動態的調度方法分配資源；模式4為分布式資源分配，不涉及蜂窩基礎設施，用戶設備（UE）自主進行資源選擇[6]。在實際的車輛直接通信中，從延遲和開銷的角度來看，分布式資源分配通常比集中式資源分配更有利。與分布式資源分配相比，集中式資源分配除了覆蓋范圍有限外，還需要額外的基站與車輛之間的交互，這可能會導致更多的延遲和開銷。此外，如果連接到基站的車輛速度較大，則可能需要頻繁的切換。基于這些原因，在車輛編隊的V2V通信中，采用了與基站無關的PC5模式4技術。

3.2 直連通信模式4

模式4采用了半持續傳輸（SPT）機制進行資源選擇，該機制定義了一種資源重選計數器，當每個UE開始發送數據時均會被分配一個計數器，計數器的初始值根據3GPP規定應從[5，15]中隨機抽取。隨著UE每發送一次數據，計數器的值會逐漸遞減。在此期間UE會保持選擇同一個資源進行發送，直到該值減為零，則觸發重選，即UE可以重新選擇一個資源并重置計數器。因為模式4不具有IEEE 802.11p中的沖突避免機制，為減少資源沖突，模式4中定義了一個1 000 ms的感知窗口。每當UE要選擇資源時，都會打開如圖1所示的資源選擇窗口。此時，感知窗口會為其提供前1 000 ms的資源選擇歷史，結合SPT機制，可以幫助UE判斷哪些資源可能會被其他UE占用。從圖1還可以看出，模式4中信道可以被劃分成多個子信道并行傳輸數據。這也是其相對于IEEE 802.11p的優勢，而具體子信道的劃分數目取決于數據的大小和物理層采用的調制編碼方式。除了對信道進行劃分外，資源選擇窗口的時間長度也可以劃分成多個傳輸時間間隔（TTI）。根據協議規定，劃分數目應取值于[20，100]之間，每個TTI長度應取值1 ms[7]。

基于傳輸特性，模式4的可靠性將遠遠低于集中式分配方案，其原因有2個：（1）模式4僅基于感知并且是半持續的，一旦發生數據包沖突，相關車輛由于半雙工效應將無法意識到沖突，直到進入重新選擇之前半持續特性將會導致連續的沖突，并且發送端將一直無法意識。（2）盡管在半持續調度方案中的重選過程可以避免持續性數據包沖突，但其也可能以一定的概率導致額外的沖突。

顯然，模式4的這種低可靠性很難滿足超可靠低時延通信（URLLC）的要求——時延低至2 ms，可靠性高達99.999 %。目前實現的URLLC通常以犧牲寶貴的時間/頻率/空間資源為代價來降低延遲，提高可靠性，其實現往往基于總資源數高度理想化的假設。對于實際的車輛編隊場景，多輛車共享一段有限的時、頻資源，URLLC幾乎難以實現。由此，基于模式4傳輸的車輛編隊似乎永遠達不到URLLC，這是否等價于車輛編隊的性能會長時間難以提升呢？另外，假設實現了URLLC，是否就意味著性能達到最優了呢？

4 傳輸優化設計方案

本文中，我們設計的優化機制的實現目標分為2個層次：第1層通過對傳輸機制的優化實現最終編隊性能的提升；第2層通過觀察優化前后數據包可靠性的變化，得出包可靠性與實際性能的關系。

4.1 傳輸間隔優化

本文中，我們設計的傳輸間隔優化方案主要針對的優化目標是合作感知信息（CAM）的傳輸周期。車輛編隊過程中產生的合作信息主要有2種：一種是成員車的狀態信息，包含其當前的速度以及與前車的間距信息；一種是頭車的控制信息，包含每輛車應執行的理想加速度。我們對這2種信息的傳輸周期取值進行了優化，預得出了性能最優時的對應值。

▲圖1 蜂窩車用無線通信技術模式4資源選擇窗口

4.2 平行駕駛

每輛成員車均需要定期廣播狀態信息，狀態數據包占了編隊過程中總數據包的很大比重；因此，我們提出了一種平行駕駛機制來減少該類包的數量。該機制的核心思想即把成員車的運動模型同步到頭車，以便頭車預測成員車的運動狀態，從而減少成員車需要廣播的狀態包。通過以下人類交流的示例，我們可以簡單地理解該機制。

假設愛麗絲和鮑勃住在不同的城市，鮑勃每天都給愛麗絲寫一封信，告訴她那天鮑勃所在的城市是否下雨（這是典型的狀態更新設置，采用了固定的更新間隔——一天）。進一步假設鮑勃所在的城市很少下雨，并且他很快發現這一特點，然后與愛麗絲交流并定義了一個模型，該模型規定只要沒有信，就沒有雨，這樣使得狀態更新更加地有效（從發送更少的信的角度出發）。顯然，這個模型是一個基于時間序列的預測模型，模型輸出為“不下雨”，狀態為“是否下雨”。將其映射到平行駕駛機制中，對應的狀態即為當前車輛狀態，對應的模型輸出即如公式（2）所示。

其中，模型矩陣Model是車輛的運動模型，s1，v1是車輛的上一時刻狀態（與前車的間距、速度），ades是車輛從上一時刻到當前時刻執行的加速度（假設車輛在短時間內勻速），s2和v2為模型的輸出結果，也即車輛的當前狀態的預測值。該機制的具體運行過程主要如下：

（1）成員車定期（T1）將自身的前一段時間內的駕駛數據代入上述模型中，迭代訓練出運動模型矩陣Model，然后廣播給頭車；

（2）成員車定期（T2）檢測模型的預測結果與實測值的差值，若高于給定閾值則發送狀態更正信息（該閾值可根據信道狀態和編隊性能實時調整）；

（3）頭車定期（T3）利用模型進行狀態信息預測（若收到狀態更正信息，則用更正值代替預測值，并且下一次預測取此更正值作為輸入），并據此計算每輛成員車的理想加速度，然后廣播給成員車。

5 仿真實驗

5.1 場景與參數設置

我們模擬了一條雙向四車道的高速公路，長度為1 500 m，并在其上放置了6個隊列，它們在穩態下（即隊列形成后）在高速公路上彼此靠近行駛。其中每個隊列包含8輛車（7輛為成員車），車身長度均為5 m。我們僅考慮縱向驅動控制，即車輛沿直線行駛。隊列內車輛間的目標間距是預先設定的，我們取實際間距與目標間距的最大偏離值（最大間距誤差）作為性能指標，以評估隊列的串穩定性。

在每個隊列中，頭車均自由駕駛，而成員車均由頭車根據控制算法和無線信號進行控制，以和前車保持目標間距。頭車的速度配置如圖2，在第0 s，頭車以10 m/s的速度進入路網，然后在5 s內加速到22.2 m/s；從第15 s開始，頭車在5 s內減速至9.7 m/s，然后在15 s內加速至22.2 m/s；此后，頭車一直保持勻速直到仿真結束（第40 s）。仿真步長為1 ms。

5.2 仿真結果

方案1的仿真結果如圖3所示，其縱坐標為最大間距誤差，該值越大說明車輛在行駛過程中的間距偏離目標值越遠，隊列越不穩定，即編隊的性能越差。其橫坐標為CAM的傳輸周期，該值越大說明狀態和控制信息的傳輸間隔越長，即頭車和成員車獲取的信息是更早以前產生的（在沒有收到新的信息前它們只能利用上一次接收到的信息進行計算和控制），即信息延遲越大；反之其值越小，則說明數據包傳輸越頻繁，即數據包的總量越多，沖突也隨之增加，從而可靠性降低。從結果圖3來看，當CAM周期取值40 ms時，最大間距誤差取最小值2.01 m，對應編隊性能最佳。而從URLLC的角度來看，對應的最佳點應該在CAM周期取值200 ms時，即數據包可靠性最高時。由此可見，在考慮信息延遲的情況下，實際車輛編隊的性能與包可靠性并不成正相關，在選取傳輸間隔時應在可靠和延遲兩者之間進行權衡。

▲圖2 頭車的速度配置

▲圖3 最大間距誤差隨CAM周期的變化圖

▲圖4 引入平行駕駛機制前后的數據包數量和編隊性能對比

方案2的仿真結果如圖4所示，該圖截取了第15 s到第40 s的數據包數量和車間間距隨時間的相應變化，其中預設的目標間距為5 m。數據包的類型包括狀態更新/更正數據包和模型更新數據包，其中模型數據包的更新周期設置為500 ms（實驗測得該取值對應性能較佳）。從圖4中可以看出，加入平行駕駛機制后，狀態數據包的發送頻率大幅降低，總的包可靠性也隨之提升，對應的最大間距誤差也從0.24 m下降到了0.07 m，即性能也大幅提升。此時，由于減少包的數量只影響了包的可靠性（通過模型預測彌補了包減少帶來的信息延遲增加），編隊的性能與包可靠性成正相關。

6 結束語

針對車輛編隊所采用的PC5 模式4通信協議的可靠性低的特點，本文中我們提出了2種方案來彌補可靠性的不足，進而對車輛編隊性能進行優化。傳輸間隔優化方案驗證了一味提高可靠性并不一定能得到最優性能的觀點，通過權衡信息延遲和可靠之間的關系，獲得了最佳的編隊性能和對應的傳輸間隔取值。同時，該方案也減輕了對包可靠性的要求。平行駕駛方案減少了數據包的總數量，通過模型預測避免了信息延遲的增加，獲得了性能的提升。

對基于C-V2X的車聯網系統的提升，未來可以多從應用系統性能出發，而不局限于某一通信過程或單一參數的優化。在考慮通過增加可靠性來優化性能時，可以附加一些包含時延在內的其他約束。