柯晔伟

福建船政交通职业学院汽车学院 福建省福州市 350007

汽车智能驾驶已经成为未来很长一段时间汽车工业、通信行业乃至互联网行业的研究方向和研发目标。汽车智能驾驶指的是利用通信设备和智能程序，提高汽车的智能化水平，在车辆行驶过程中逐步减少人员操作，分阶段向完全无人驾驶的方向发展。而要实现完全无人驾驶，智能汽车就必须具备对行驶路线的选择能力。在车路协同网路下，利用V2X技术能实现车辆对于道路状况的及时获知、分析判断、优化选择的能力。本文应用仿真分析和实物试验相结合的方法，研究V2X技术的应用对于车辆路线优化选择、缓解交通拥堵、提高出行效率的积极作用。

1 概述

V2X技术的指的是以汽车作为一个终端，通过5G网络和车联网与其他终端进行信息交换。此处所述的其他终端有着多样化的种类，既可以是其他的智能汽车，也可以是云平台，更可以是个人电脑或手机。这些终端在车联网平台内实现万物互联，成为智慧城市建设的重要组成部分[1]。V2X技术的原理如图1所示。

图1 V2X技术运行原理图

V2X技术有着诸多得天独厚的优势：①可以实现车辆对前方道路路况的及时掌握，规划、优化出行路线，有效降低交通拥堵的发生，提高出行效率；②可以为车辆提供“上帝视角”，弥补车辆在路况感知中存在的盲点，降低车辆发生交通事故的概率；③可以将车辆与非车辆终端连接，完成信息交换，既可以满足车上成员的信息化需求，也有利于控制中心的管理。

目前中国市场的V2X发展方兴未艾，以百度为代表的互联网公司和华为为代表的通信公司都已经着手V2X技术的研发，特别是随着5G网络的建设，V2X技术即将进入发展快车道[2]。

2 研究参数及优化指标的确定

本文借助仿真实验和实物试验，采用控制变量法和对比分析法，研究V2X技术的应用和推广对于智能汽车路线优化能力提升的效果。接下来分别说明仿真实验和实物试验所选择的变量和测试量。

（1）仿真实验：模型搭建设定3种基本场景：①完全没有V2X技术的道路；②有车路协同，且有50%的汽车使用V2X技术；③有车路协同，100%的汽车使用V2X技术。以上3种基本场景，将V2X技术作为唯一变量，除此之外的所有变量均相同。另外，设置3种测试量：①同样一辆车在某个时间段内到达相同目的地所花费的时间t(s)；②某个路口W的拥堵持续累积时间T路口（s）；③整个模型中所有车辆的事故率F（%）。分别在每个场景中采集3种测试量，并进行横向对比。

（2）实物试验：由于场地有限，仅设置2种场景：①所有小车均使用V2X技术；②所有小车均不使用V2X技术，因此仅将ROS小车小车是否使用V2X技术作为唯一变量，其他所有因素完全一致。设置1种测试量，智能小车出发并到达相同测试点所耗费的时间T台（s）。分别在每个场景中收集测试量，并进行对比。

3 基于VISSIM仿真软件的模型构建及实验

在确定了变量和测试量后，首先使用VISSIM仿真软件开展仿真实验。

3.1 VISSIM仿真软件概述

VISSIM仿真软件是德国PTV公司基于时间间隔和驾驶行为的微观交通仿真软件[3]。VISSIM软件既可以单独建模，也可以通过不同接口与其他仿真软件联合建模。VISSIM软件支持模拟场景的自定义，用户可依据需求对地图、车辆、交通设施、行人等诸多元素进行设计和定义，既可以将实际存在的某个城市的道路全部输入，从而对城市交通进行全面的优化分析，同时也支持用户根据研究需要设计地图场景，对单一道路或单一车辆进行驾驶策略的研究。

3.2 模拟城市构建及城市道路元素的确定

前文已经说明仿真实验的场景、变量以及测试量，因此首先要构建一个模拟的城市、道路，以及道路上的各种元素。部分模拟场景的效果图如图2所示。

图2 VISSIM仿真软件构建的虚拟场景效果图（部分）

（1）确定实验的场景为一个虚拟的城市的一部分，这部分的城市的总体轮廓近似于矩形，其中包含了30个形态不规则的街区，且街区排列随机分布，总体为3×10排列。

（2）道路设计参考中国大多数二线城市的道路设计。普通道路设计为双向6车道，设置有5座双向高架桥、5座多向立交桥，设置27个十字路口，每个十字路口分为左转、直行和右转车道。

（3）道路最高车速为60km/h，红灯和绿灯时长都为60s、黄灯5s，交通事故的平均处理速度600s。

（4）场景的运行时间模拟设置为18：30—19：00，因为这个时间段是中国大部分城市的下班高峰期，汽车数量最多、路况复杂。

（5）为给模拟道路设置通行难度，在模拟城市内设置5处交通拥堵点，即这5处周围的车流量高于其他位置3倍、行人数量为其他位置的5倍。这一设置是为了模拟写字楼聚集区或医院、学校附近附近的道路状况。

（6）模拟场景中包含：汽车、行人、非机动车等3种交通要素，其中汽车10000辆、行人10万人、非机动车30000辆。

（7）所有道路均具备车路协同的沟通能力。

确定不变的因素后，载入路网、构建虚拟城市，并载入场景控制程序。

3.3 仿真实验车辆参数的配置

前文说明了本仿真实验中的不变量，唯一变量是车辆是否具备V2X技术，因此车辆参数的设置及车辆控制逻辑的设计至关重要。本次实验中出现的10000辆车均为自动驾驶车辆，每辆车均具备模拟城市内的路线记忆、自我感知路况、自动避险等功能。换言之，每辆车都可以根据用户的需求规划行驶路线，并完成自动驾驶，而选择路线的理由是行驶里程最短。

在其他变量和基础场景完全一致的情况下，按照具备V2X技术车辆的不同占比，分别进行3次仿真实验：第一次，具备V2X技术的车辆占0%；第二次，具备V2X技术的车辆占50%；第三次，具备V2X技术的车辆占比100%。在确定变量后，通过VISSIM软件的COM接口载入变量的控制程序。控制程序最核心的不同就是具备V2X技术的车辆，在一定区域内（此处区域设置为整个模拟城市）可以实现信息互通，同时还可以与路基中继基站交换信息。获得路况信息后，车辆可以利用自身自动驾驶功能重新规划路线，并将规划信息分享，避免多数车辆规划同一线路而导致的新的拥堵。以上假设均为理想状态，不考虑信息的承载能力和传递速度。路线选择的依据是里程和通勤时间的优选，利用函数L(x)计算得出，函数L(x)如公式（1）、（2）所示。

式（1）、（2）中，

S 行驶总里程；

t 车辆出发至到达目的地的总运行时间；

T车车辆发生拥堵的时间

依据《常见疾病的诊断与疗效判定标准》,医务人员可以在常规的术前检查活动后开始准备紧急腹部准备。针对急性阑尾炎的临床表现,做好术前剃须、预防手术感染、严格禁止术前进食、预防术后腹胀、避免OCC。术中恶心呕吐的发生,术前禁止灌肠,确保手术实行效益;用剑突、大腿外阴1/3、腋中线进行皮肤准备的范围是大腿的主要组成部分。常规的准备工作已经完成。提供应急设备以避免吸入性肺炎并改善患者的身体机能[6]。

P1、P2、P3加权系数

将公式（1）和公式（2）转换为程序后输入仿真软件，计算机根据用户选择的出发点和到达点计算总里程，并根据路况信息预测通勤时间和堵车时间，每条路线都能计算出一个L（x）值，取获得最小值的路线作为行驶方案。

3.4 仿真实验结果分析

在同样场景下，控制变量进行3次仿真实验，每次实验模拟城市下班高峰期18：30—19：00，持续时间都是30min（1800s）输出多项数据。对数据进行整理后，将实验测试量的实验结果列表对比，对比结果如表1所示。

表1 仿真实验数据分析表

在仿真实验中，V2X车辆的占比是唯一变量，除此之外的所有条件完全一致。模型中的所有汽车都具有自动驾驶功能，即有自主避险的能力。以下将针对三组实验数据进行分析。

（1）样车总通勤时间。三次仿真实验均选择相同的目标车辆，出发地和目的地也完全一致，且车发时间和路况设置也一模一样。第一次实验中目标车辆总通勤时间为1592s；当50%的车辆具备V2X技术后，通勤时间缩短至1032s，通勤效率提高35.18%；当100%的车辆具备V2X技术后，通勤时间明显缩短，为763s，通勤效率提高52.07%。分析以上数据可知，V2X技术的应用，可以有效缩短通勤时间，提高通勤效率。

（2）W路口拥堵累积时间。在整个模拟城市中，选一个地理位置最中的路口（W路口），作为监测对象。监测从18：30—19：00的时间段内，路口的拥堵时间总时长。仿真软件内的自带程序会对路口拥堵状况进行分析和定义，并计算处拥堵累计时长。当有50%的车辆具备V2X功能时，W路口的拥堵时长缩短45%；当所有车辆都具备V2X功能后，W路口的拥堵时长缩短79%。从数据分析可以看出，V2X技术的全面介入，通过提前预警、分散车流等措施，可以使单个路口的拥堵得到极大缓解，对整个路口的通勤效率提升有着极大的作用。

（3）模拟城市路况内事故率分析。由于模型中所有的车辆均具备自动驾驶、应急避险的功能，因此车辆自身具备极强的规避事故的能力。但是按照初始设定的程序，模型中的非机动车和行人依然具有交通行为的不确定性，因此模型中仍然有交通事故的发生。V2X技术介入程度的不同，模型计算出来的事故率分别为3.22%、2.14%、0.89%。分析可知，虽然3种情况下事故率都不高，但是V2X技术的应用，依然对降低事故率有着极大的促进作用。

通过对以上数据的分析可知，V2X技术的应用可以使一定区域内的汽车及车路协同设备形成局域网，高效率、无障碍的分享车况和路况信息。车载电脑接收这些信息后计算各种行驶方案，最终获得最优行驶路线，且随着道路状况的不断变化，最优路线也会改变，因此车辆始终保持最佳行驶状态。

4 基于ROS小车的实物试验

仿真实验的优势在于可以模拟整个城市的交通状况，但是实验过程中的路况设置都是计算机程序计算出来的，实验结果与实际情况可能存在偏差，因此需要通过简单的台架实物实验进行验证。仿真实验完成之后，利用ROS小车开展进一步研究，对比分析仿真实验的结果与台架实物试验结果之间的关系，验证仿真实验结果的有效性。

4.1 ROS智能小车简介

ROS智能小车是一款搭载行车电脑的运动底盘。智能小车上装有激光摄像头，用于采集路况图像；装有OTA天线，并接收其他车辆和路基信号器发出的路况信息，同时还能将路况信息的分析结果发送至局域网，与其他车辆分享。智能小车搭载了两个控制器，分别是树莓派和ROS小车控制器，两者之间通过串口通信来传输数据。其中树莓派上安装了Ubuntu,用于处理路况信息并对车辆的行驶形态进行计算和调整、对路况信息做出分析、规划最优路线；ROS小车控制器用于控制运动底盘和采集里程计信息、电池信息、IMU信息。另外，为了便于车辆识别和记忆路线，智能小车还配备了遥控器。

4.2 实物试验的设置

实物试验不能如仿真实验一样模拟整个城市，只能在有限的空间内搭建简易的试验现场，尽可能的模拟智慧道路的运行状况。通过控制变量法变更试验场景，测试智能小车对行驶路线的优选能力，证明V2X技术的应用的确能有效的提升车辆的通勤效率。

试验场景的基础是一张智能小车行驶的标准地图，在地图上放置纸箱，模拟建筑物，构建一条通行道路。地图勾画了小车可通过视觉分析进行识别的路线，同时小车还可以识别纸箱等障碍物。地图的外围放置3台车路协同的信号中转器，其信号范围足以覆盖地图区域内的所有ROS智能小车。试验具体布局如图所示，设途中近点A为目标小车始发点，远点B为目标小车终到点。

试验共使用6台ROS小车，每台小车时速不超过25km/h。所有车辆均具备记忆路线和自动驾驶功能；具备V2X技术，可通过车载收发器与3台车路协同信号中转器交换数据，从而实现有限区域内的局域网。设①小车为目标车，将1、2、3等三条路线全部记忆，小车可基于算法，优选最优路线；其余②-⑥号小车均为障碍车，行驶路线提前设定。①号目标小车的内置算法会根据目标路线的障碍车数量、路线长短、自身行驶速度计算处理论最短通行时长，从而选取最优通行路线。

4.3 实物试验结果分析

（1）情境1：当整个地图只有①号目标车1辆车时，①号目标车根据记忆和算法，优选路程最短的路线1 作为通行路线，通过时长为7.68s。

（2）情境2：当路线2和路线3各有2辆障碍车，路线1只有1辆障碍车时，①号目标车辆依旧选择路线1通行，通过时间为8.32s。试验设置如图3所示。

图3 情境2布置示意图

（3）情境3：当路线1有3辆障碍车，而路线2和路线3都只有1辆障碍车时，①号目标车选择路线3通行，通过时长为9.89s。试验设置如图4所示。

（4）情境4：当路线1有3辆障碍车，而路线2和路线3都只有1辆障碍车时，关闭所有车辆V2X功能、仅保留自动驾驶功能。①目标车依据记忆选择路程最短的路线1通行，通行时长为14.96s。

以上通行时长数据对比如表2所示。

表2 ROS小车实物试验数据分析表

对比分析表格数据可知，当所有ROS小车都具备V2X功能时，小车具备识别拥堵路况、计算最优路线的能力，实际通行效率下降不超过30%；当所有小车不具备V2X功能，仅具备自动驾驶功能时，实际通行效率下降超过90%，通行严重降低。

综上所述，V2X技术的应用，有助于提升ROS小车对于路况信息的掌握，有助于车辆规划最优路线、规避拥堵，从而有效提升通行效率。

5 结论

仿真实验和实物试验的结果都表明，V2X技术的普及和应用，有助于提升智能汽车对于行驶路线的规划水平，有助于增强车辆规避拥堵的能力，有助于提高车辆的通行效率。而随着5G技术的普及、车路协同技术的推广，V2X技术在智能汽车上的广泛应用指日可待。相信在不久的未来，完全无人驾驶的智慧汽车将会遍布大街小巷，人类可以享受智慧交通带来的出行红利。