考虑时延的网联车混合交通流基本图模型

由于智能网联车的不断发展,未来将出现智能网联车和人工驾驶车共同存在的混合交通流,因此,研究道路上的混合交通有助于解决交通拥堵等问题,具有一定的现实意义。为探究这类混合交通流的流量、密度和速度之间的关系,文中综合考虑智能网联车辆退化和车辆时延,建立了自动驾驶环境下混合交通流的基本图模型。首先,确定交通流中的车辆类型和不同类型车辆的比例,并考虑联网智能车辆跟随人工车辆时发生的车辆功能退化;然后,确定3种车辆的延迟时间并改进每种车辆的跟驰模型;在此基础上,同时考虑车辆时延和车辆功能退化两种因素,推导出交通流平衡时的基本图模型,并对模型中的自由流速度参数进行敏感度分析。研究结果表明,智能网联车对混合交通流的最大流量和最佳密度有积极影响,车辆时延有消极影响,自由流速度则对混合交通流的最大流量有积极影响,对最佳密度有消极影响。SUMO仿真结果表明,在不同场景下仿真得到的流量–密度分布点符合理论曲线,验证了文中理论模型的准确性。

车联雾计算中的异构接入与资源分配算法研究

随着智能交通的发展,自动驾驶、智能车载交互、安全预警等新型车载应用不断涌现,独立车辆依靠自身有限的计算资源难以运行这些种类繁多且具有大量计算需求和时延需求的应用。雾计算通过将计算任务分布在网络边缘的设备中,运用虚拟化、分布式计算和并行计算技术,使用户能够按需动态地获取计算能力、存储空间等服务。将雾计算架构应用于车联网能够有效缓解计算量大、低时延车载应用与车辆有限且不均的资源分布之间的矛盾。从分析车—车通信、车—基础设施通信以及车辆时延容忍网络通信的信道容量入手,建立车联网异构接入的多业务资源优化模型,通过联合调度各类车联雾资源,实现智能交通应用的高效处理。仿真结果表明,所提出的强化学习算法能够有效地应对异构车联雾架构下的资源优化。