融合V2X與邊緣計(jì)算的智能車輛決策支持系統(tǒng)

關(guān)鍵詞：智能車輛決策；V2X通信；邊緣計(jì)算

doi：10.3969/J.ISSN.1672-7274.2025.05.025

中圖分類號：TN92；TP3 文獻(xiàn)標(biāo)志碼：A 文章編碼：1672-7274（2025）05-0073-03

Abstract：With therapid developmentof inteligent andconnected vehicle technology，a single technology is difcult to meet the decision-making needs of intelligent vehicles in complex traffc scenarios.This paper proposes an intellgent vehicle decision support system integrating V2X and edge computing，aiming to break through the technical boteneck and improve the timelinessand reliabilityof vehicle intelligent decision-making.The system includes three core modules：real-time dataacquisition，edge computing processing and intelligent decision generation.The results showthatcompared with the traditionalsystem，the systemachieved significant improvement indecisiondelay， accuracy，communicationcostandresourceutilization.The research results provide anew idea for the decision control of intelligent connected vehicles，andare expected to be widely used in practical traffic scenarios.

Keywords： intelligent vehicle decision-making; V2X communication; edge computing

0 引言

隨著智能網(wǎng)聯(lián)汽車技術(shù)的快速發(fā)展，車輛正逐步演變?yōu)榫邆涓兄⒂?jì)算與決策能力的智能體。然而，單純依賴車載設(shè)備難以滿足復(fù)雜交通場景下智能車輛的決策需求[1]。車聯(lián)網(wǎng)（V2X）技術(shù)的出現(xiàn)為車輛提供了豐富的交通信息與協(xié)同機(jī)會，但其通信容量與時延仍面臨挑戰(zhàn)。另一方面，多接入邊緣計(jì)算（MEC）通過在網(wǎng)絡(luò)邊緣提供計(jì)算與存儲能力，可有效減少數(shù)據(jù)傳輸帶來的時延。因此，融合V2X與MEC技術(shù)構(gòu)建智能車輛決策支持系統(tǒng)，將車輛感知信息、V2X通信數(shù)據(jù)與MEC計(jì)算能力相結(jié)合，有望突破單一技術(shù)瓶頸。

1 V2X與邊緣計(jì)算的融合優(yōu)勢

V2X與邊緣計(jì)算是兩種在智能網(wǎng)聯(lián)汽車領(lǐng)域備受關(guān)注的關(guān)鍵技術(shù)。V2X技術(shù)通過車車通信（V2V）、車路通信（V2I）等方式，使車輛能夠與周圍環(huán)境進(jìn)行實(shí)時信息交互，獲取交通狀態(tài)、路況信息等，擴(kuò)展車輛感知范圍，提升車輛對復(fù)雜交通環(huán)境的感知能力[2]。然而，V2X通信受限于無線信道容量與傳輸時延，難以支撐數(shù)據(jù)密集型應(yīng)用。邊緣計(jì)算作為一種分布式計(jì)算范式，通過在網(wǎng)絡(luò)邊緣部署服務(wù)器，將計(jì)算、存儲等資源下沉至靠近用戶側(cè)，可顯著減少數(shù)據(jù)傳輸時延，提升服務(wù)質(zhì)量[3]。

V2X與邊緣計(jì)算的融合能夠充分發(fā)揮兩者優(yōu)勢，協(xié)同提升智能車輛的環(huán)境感知與決策能力。一方面，V2X通信將車輛采集到的實(shí)時道路交通數(shù)據(jù)傳輸至邊緣服務(wù)器，邊緣服務(wù)器可對多源異構(gòu)數(shù)據(jù)進(jìn)行匯聚、處理，提取關(guān)鍵信息，再通過V2X鏈路反饋給智能車輛，從而擴(kuò)展單車視角下的感知盲區(qū)，構(gòu)建全局交通環(huán)境感知；另一方面，智能車輛可通過V2X網(wǎng)絡(luò)將復(fù)雜的計(jì)算任務(wù)卸載至邊緣服務(wù)器執(zhí)行，邊緣服務(wù)器憑借其強(qiáng)大的計(jì)算與存儲能力，可快速響應(yīng)并返回決策結(jié)果，解決車載計(jì)算平臺能力受限的問題，支撐復(fù)雜交通場景下的智能決策4]。

2 融合V2X與邊緣計(jì)算的智能車輛決策支持系統(tǒng)

本文研究的融合V2X與邊緣計(jì)算的智能車輛決策支持系統(tǒng)采用模塊化設(shè)計(jì)，主要分為以下三個模塊（見圖1）。

融合V2X與邊緣計(jì)算的智能車輛決策支持系統(tǒng)實(shí)時數(shù)據(jù)采集模塊 邊緣計(jì)算處理模塊 智能決策生成模塊環(huán)境感知 數(shù)據(jù)處理 行車決策生成車間通信 計(jì)算任務(wù)分配 策略學(xué)習(xí)數(shù)據(jù)匯總 實(shí)時信息服務(wù) 軌跡規(guī)劃

2.1實(shí)時數(shù)據(jù)采集模塊

融合V2X與邊緣計(jì)算的智能車輛決策支持系統(tǒng)中，實(shí)時數(shù)據(jù)采集模塊是感知車輛周圍環(huán)境的關(guān)鍵組件。該模塊通過集成多種車載傳感器，包括激光雷達(dá)、毫米波雷達(dá)、超聲波雷達(dá)、高清攝像頭等，全方位采集車輛周圍的交通環(huán)境數(shù)據(jù)。其中，激光雷達(dá)通過發(fā)射高頻激光脈沖并接收反射回波，可精確測量周圍物體的距離、速度等信息，典型的激光雷達(dá)系統(tǒng)如VelodyneHDL-64E可提供 120m 探測范圍，每秒生成130萬個3D點(diǎn)云數(shù)據(jù)，水平角分辨率達(dá)0.08度[5]；毫米波雷達(dá)利用高頻電磁波探測目標(biāo)，具有穿透能力強(qiáng)、抗干擾性好等優(yōu)點(diǎn)，工作頻率通常為 76GHz～81GHz ，探測距離可達(dá) 200m 以上；超聲波雷達(dá)適用于近距離物體檢測，通過發(fā)射與接收超聲波信號判斷障礙物距離，頻率一般為 40kHz～ 50kHz ；高清攝像頭可提供豐富的視覺信息，用于車道線檢測、交通標(biāo)志識別等，分辨率可達(dá)1 920×1080 及以上。

同時，該模塊還集成V2X通信單元，支持多種無線通信協(xié)議，如DSRC、C-V2X等。其中，DSRC工作于5.9GHz專用頻段，通信距離可達(dá) 1km ，傳輸速率為3Mbps＼～27Mbps;C-V2X基于蜂窩網(wǎng)絡(luò)技術(shù)，分為LTE-V2X與5G-V2X兩種，前者峰值速率可達(dá)數(shù)百M(fèi)bps，而5G-V2X在滿足超高可靠低時延通信（URLLC）需求的同時，速率可達(dá)數(shù)十Gbps。通過V2X技術(shù)，智能車輛不僅可獲取周圍車輛的行駛狀態(tài)數(shù)據(jù)，也能接收路側(cè)設(shè)施廣播的交通信息，大大擴(kuò)展感知范圍。車載傳感器采集的數(shù)據(jù)通過CAN總線等高速總線上傳至車載處理器，而V2X獲取的數(shù)據(jù)經(jīng)由相應(yīng)的通信接口送至數(shù)據(jù)處理單元。

2.2邊緣計(jì)算處理模塊

邊緣計(jì)算處理模塊是融合V2X與邊緣計(jì)算的智能車輛決策支持系統(tǒng)的核心組成部分。該模塊充分利用邊緣計(jì)算的分布式、近端化等特性，將數(shù)據(jù)處理、計(jì)算等任務(wù)從中心云卸載至車輛周邊的邊緣服務(wù)器，以緩解傳統(tǒng)集中式云計(jì)算模式下存在的高時延、低可靠等問題。具體而言，該模塊采用多層級的邊緣計(jì)算架構(gòu)，在靠近車輛的路側(cè)邊緣節(jié)點(diǎn)部署高實(shí)時性的任務(wù)，如交通標(biāo)志檢測、碰撞預(yù)警等，而在區(qū)域邊緣節(jié)點(diǎn)執(zhí)行對時效性要求相對寬松的任務(wù)，如交通流預(yù)測、路徑規(guī)劃等。各層級節(jié)點(diǎn)根據(jù)任務(wù)類型靈活配置計(jì)算、存儲資源，并通過容器化技術(shù)實(shí)現(xiàn)資源隔離與彈性伸縮，可根據(jù)車流量動態(tài)調(diào)整服務(wù)實(shí)例數(shù)，典型的邊緣節(jié)點(diǎn)可提供數(shù)十太字節(jié)（TB）的存儲能力，以及峰值數(shù)百TFLOPS的計(jì)算能力。同時，邊緣計(jì)算處理模塊還集成了高吞吐、低延遲的流數(shù)據(jù)處理框架，如ApacheFlink，利用其內(nèi)存計(jì)算、數(shù)據(jù)管道并行等技術(shù)，對車輛感知數(shù)據(jù)進(jìn)行實(shí)時處理。此外，該模塊采用基于DAG的數(shù)據(jù)處理流程編排，實(shí)現(xiàn)復(fù)雜任務(wù)的拆分與協(xié)同。如在多車協(xié)同感知中，利用DAG模型將點(diǎn)云數(shù)據(jù)分割、特征提取、目標(biāo)追蹤等任務(wù)劃分到不同邊緣節(jié)點(diǎn)，并通過消息機(jī)制實(shí)現(xiàn)任務(wù)間的數(shù)據(jù)交換，每秒可處理數(shù)十萬幀點(diǎn)云數(shù)據(jù)，顯著提升感知效率。值得一提的是，邊緣計(jì)算處理模塊充分發(fā)揮邊緣計(jì)算的地理鄰近性，使數(shù)據(jù)在網(wǎng)絡(luò)邊緣得到及時處理，避免了數(shù)據(jù)的長距離傳輸，端到端時延可控制在20ms 以內(nèi)，為智能車輛提供實(shí)時的信息服務(wù)。

2.3智能決策生成模塊

智能決策生成模塊是融合V2X與邊緣計(jì)算的智能車輛決策支持系統(tǒng)的關(guān)鍵組成部分，其核心目標(biāo)是根據(jù)車輛感知數(shù)據(jù)與邊緣計(jì)算處理結(jié)果，自主生成實(shí)時、可靠的行車決策。該模塊采用深度強(qiáng)化學(xué)習(xí)算法，將決策問題建模為馬爾可夫決策過程（MDP），通過端到端的策略學(xué)習(xí)，直接將車輛狀態(tài)映射到?jīng)Q策行為，避免了依賴人工設(shè)計(jì)規(guī)則的局限性。具體而言，該模塊采用基于Actor-Critic的深度強(qiáng)化學(xué)習(xí)框架，由兩個深度神經(jīng)網(wǎng)絡(luò)組成：Actor網(wǎng)絡(luò)負(fù)責(zé)根據(jù)當(dāng)前狀態(tài)生成行動策略，如轉(zhuǎn)向角、加速度等；Critic網(wǎng)絡(luò)則評估狀態(tài)一行動的價值函數(shù)，對Actor網(wǎng)絡(luò)的策略進(jìn)行優(yōu)化。在訓(xùn)練過程中，Actor網(wǎng)絡(luò)通過策略梯度法更新參數(shù)，使生成的策略能夠獲得更高的長期回報；而Critic網(wǎng)絡(luò)利用時序差分學(xué)習(xí)，估計(jì)當(dāng)前狀態(tài)一行動的Q值，并指導(dǎo)Actor網(wǎng)絡(luò)進(jìn)行策略改進(jìn)。該框架采用經(jīng)驗(yàn)回放與目標(biāo)網(wǎng)絡(luò)等機(jī)制，有效緩解了數(shù)據(jù)相關(guān)性與過擬合問題，實(shí)現(xiàn)了策略的穩(wěn)定學(xué)習(xí)。在模型設(shè)計(jì)上，Actor-Critic網(wǎng)絡(luò)采用卷積神經(jīng)網(wǎng)絡(luò)（CNN）提取車載傳感器數(shù)據(jù)中的特征，并引入長短期記憶網(wǎng)絡(luò)（LSTM）處理時序信息，使決策能夠考慮歷史觀測的上下文。例如，在處理連續(xù)10幀30萬點(diǎn)的激光雷達(dá)數(shù)據(jù)時，CNN可提取出道路邊界、障礙物等關(guān)鍵元素，準(zhǔn)確率達(dá) 95% 以上；而LSTM則能夠建模車輛軌跡、速度的動態(tài)變化，預(yù)測未來1秒內(nèi)車輛位置的均方誤差低于 0.5m 。同時，智能決策模型融合基于圖的交通環(huán)境表示，從地圖拓?fù)渲刑崛〉缆愤B通性、交通規(guī)則等先驗(yàn)知識，引導(dǎo)決策生成，有效提高決策的可解釋性和安全性。在實(shí)際應(yīng)用中，決策模型通過加載預(yù)訓(xùn)練的參數(shù)實(shí)現(xiàn)遷移學(xué)習(xí)，再結(jié)合車輛行駛的實(shí)時數(shù)據(jù)進(jìn)行在線調(diào)優(yōu)，使決策能夠適應(yīng)多變的交通環(huán)境。例如，在高速公路匯流場景下，模型可根據(jù)車輛速度、加速度、周車位置等信息，生成最優(yōu)的匯流決策，平均效率可提升 20% 以上。

3 實(shí)驗(yàn)驗(yàn)證

3.1實(shí)驗(yàn)設(shè)計(jì)

為驗(yàn)證融合V2X與邊緣計(jì)算的智能車輛決策支持系統(tǒng)性能，我們設(shè)計(jì)了一系列對比實(shí)驗(yàn)。實(shí)驗(yàn)環(huán)境采用SUMO交通仿真平臺與NS-3網(wǎng)絡(luò)仿真器相結(jié)合的聯(lián)合仿真環(huán)境，以模擬真實(shí)道路交通場景。實(shí)驗(yàn)設(shè)計(jì)包括三種典型場景：高速公路匯流、城市十字路口轉(zhuǎn)彎、緊急避讓。每種場景下分別測試本文提出的系統(tǒng)（A）、基于云計(jì)算的傳統(tǒng)V2X決策系統(tǒng)（B）和純車載決策系統(tǒng)（C）。B采用中心云處理架構(gòu)，通過蜂窩網(wǎng)絡(luò)傳輸數(shù)據(jù)；C僅依賴車載傳感器與處理器。實(shí)驗(yàn)方法為在相同交通流下，運(yùn)行三種系統(tǒng)100次，記錄關(guān)鍵性能指標(biāo)。評價指標(biāo)包括決策時延（從感知到?jīng)Q策輸出的時間）、決策準(zhǔn)確率（與人類專家標(biāo)注的最優(yōu)決策比對）、通信開銷（數(shù)據(jù)傳輸量）和計(jì)算資源利用率。通過這一全面的實(shí)驗(yàn)設(shè)計(jì)，旨在深入驗(yàn)證所提系統(tǒng)在決策效率、可靠性和資源利用等方面的優(yōu)勢。

3.2實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)結(jié)果表明，本文提出的融合V2X與邊緣計(jì)算的智能車輛決策支持系統(tǒng)（A）在多個關(guān)鍵指標(biāo)上顯著優(yōu)于傳統(tǒng)方法。表1總結(jié)了各場景下三種系統(tǒng)的平均性能指標(biāo)。在高速公路匯流場景中，A的決策時延僅為 23.5ms ，相比B和C分別減少了 68.7% 和 54.9% 。這得益于邊緣計(jì)算節(jié)點(diǎn)的低延遲處理能力，有效緩解了云計(jì)算的網(wǎng)絡(luò)傳輸瓶頸和車載系統(tǒng)的計(jì)算資源限制。決策準(zhǔn)確率方面，A在所有場景中均保持在 95% 以上，尤其在復(fù)雜的城市十字路口轉(zhuǎn)彎場景中，其準(zhǔn)確率達(dá) 98.2% ，較其他兩種系統(tǒng)高出 5%～10% 。這表明融合V2X與邊緣計(jì)算能夠有效整合多源信息，提升決策質(zhì)量。在通信開銷上，A較B平均減少了 62.3% 的數(shù)據(jù)傳輸量，體現(xiàn)了邊緣計(jì)算的數(shù)據(jù)本地化優(yōu)勢。計(jì)算資源利用率方面，A在各場景下均保持在 85% 以上，顯示出良好的負(fù)載均衡能力。值得注意的是，在緊急避讓場景中，A的決策時延進(jìn)一步降至 19.8ms ，凸顯了其在高度動態(tài)環(huán)境下的快速響應(yīng)能力。

A 結(jié)束語

本文提出了一種融合V2X與邊緣計(jì)算的智能車輛決策支持系統(tǒng)，旨在解決單一技術(shù)難以滿足復(fù)雜交通場景下智能車輛決策需求的問題。通過實(shí)時數(shù)據(jù)采集、邊緣計(jì)算處理和智能決策生成三個核心模塊的協(xié)同工作，該系統(tǒng)充分發(fā)揮了V2X通信的廣域感知優(yōu)勢和邊緣計(jì)算的低延遲特性。實(shí)驗(yàn)結(jié)果表明，相較于傳統(tǒng)系統(tǒng)，本系統(tǒng)在決策時延、準(zhǔn)確率、通信開銷和資源利用等方面均取得了顯著提升。未來研究可進(jìn)一步探索多邊緣節(jié)點(diǎn)協(xié)同、邊云協(xié)同決策等方向，以適應(yīng)更復(fù)雜的交通環(huán)境。

參考文獻(xiàn)

[1]顏曉鳳，盧寶嘉.基于云邊端協(xié)同的智能車輛監(jiān)控平臺研究與應(yīng)用[J].西部交通科技，2024（06）：201-203.

[2]董倩薇.V2X環(huán)境下智能網(wǎng)聯(lián)車輛協(xié)同換道策略研究[D].長春：吉林大學(xué)，2024.

[3]劉君臨.多接入邊緣計(jì)算中協(xié)同計(jì)算卸載策略研究[D].北京：北京郵電大學(xué)，2023.

[4]曹行健，張志濤，孫彥贊，等.面向智慧交通的圖像處理與邊緣計(jì)算[J].中國圖象圖形學(xué)報，2022，27（06）：1743-1767.

[5]胡峰，王文軒，顧紅.V2X異構(gòu)車載網(wǎng)絡(luò)下智能任務(wù)卸載策略研究[J].控制與決策，2022，37（11）：3003-3011.