多目标机动协同：释放网联自动驾驶中的协同潜力
大家读完觉得有帮助记得关注和点赞！！！
摘要—机动协同是网联自动驾驶的核心使能技术，可支持车辆协商并执行原本难度高、效率低或安全性不足的机动动作。现有方法与用例通常假设仅与单个预设目标车辆协同，极大限制了协同机会的挖掘。本文提出一种基于多目标选择的机动协同方法，允许车辆在单次机动中选择并识别多个潜在协同车辆。多目标机动协同无需修改机动执行逻辑或底层协同协议，仅扩展协同前的决策流程，使车辆能够利用更广泛的可行协同交互场景。实验结果表明，多目标机动协同可显著提升触发并成功执行的协同次数，且计算开销极低——该方法无需分析大量潜在目标车辆即可实现性能增益。上述改进在维持协同成功率的同时，支持更早发起机动动作。
关键词：机动协同、协同驾驶、网联自动驾驶车辆、CAV、车联网通信（V2X）、机动共享与协同消息、车载网络
I. 引言
网联自动驾驶车辆（CAV）可通过车联网（V2X）通信支持的协同能力，提升交通安全性与通行效率。借助机动协同，车辆可协商并协同执行原本难以完成、效率低下或不安全的机动动作：车辆可交换行驶意图、未来轨迹与机动约束信息，预判行驶冲突并主动协作化解。当前欧洲电信标准协会（ETSI）TS 103 561标准与美国汽车工程师学会（SAE）J3186标准正在推进机动协同的标准化工作，定义了通用协同原则、消息类型及典型用例（如协同换道、协同汇入、交叉路口相关机动等），但大量影响协同有效性的关键设计细节仍未明确或未充分探索。
现有机动协同研究多聚焦于协商协议定义[1][2]、消息交换机制[2][3]或特定协同机动执行[4]。这类研究中，协同过程通常被建模为主动请求协同的主车（HV）与单个预设/隐式识别的远端协同车辆（RV）之间的双边交互。实践中，该目标车辆通常是当前位置或轨迹直接阻碍主车期望机动的车辆[1]：若与该车辆的协同不可行或失败，机动将被推迟或放弃[3][4][5]。这种预设目标车辆的方案简化了协同问题，但隐含假设任意时刻仅存在一个有价值的协同机会，极大限制了协同机会总量。
机动协同的本质是基于对未来一段时间交通演化趋势的预判，而非仅对当前瞬时交通状态的被动响应。通过预判周边车辆未来数秒的移动规律，可提前规划协同决策，挖掘当前时刻尚不可用的替代协同机会。从这一视角看，多辆周边车辆可能通过不同协同策略或不同未来时间点，支持完成同一机动动作。例如，拟换道的车辆既可与目标车道紧邻后方的车辆协同，也可与更靠后的车辆协同；在汇入或车道缩减场景中，根据交通演化趋势，不同车辆可提供差异化的机动支持机会。
本文提出一种基于多目标选择的机动协同方法：主车不再假定存在预设协同车辆，而是在一组潜在目标车辆中识别并选择合适的协同对象。允许车辆从多个目标中择优，可提升至少存在一个可行、高收益协同的概率，进而增加可成功执行的机动协同总量。尽管潜力显著，当前标准尚未明确支持多目标机动协同：ETSI与SAE仅定义了机动协同的通用概念与典型用例，未规范需协同车辆如何识别、评估与选择目标车辆；现有研究也大多隐式假设目标车辆已预设，未分析多潜在目标对协同有效性的影响[3][4][5]。本文针对多目标机动协同的潜力展开研究与验证，量化其对成功协同次数的提升作用，证明该方法可支持车辆做出更优的协同决策，利用更广泛的可行协同交互场景，在不降低协同成功率的前提下增加成功协同总量。
II. 机动协同设计
本文遵循ETSI与SAE的原则，面向真实交通场景设计机动协同机制。
A. 状态机、车辆角色与消息交互
机动协同被实现为基于状态机的分布式协议（图1）：车辆交换协同相关消息，并在协同过程中承担特定角色[5]。未主动参与协同时，车辆处于意图共享状态（SAE术语中称为“预感知状态”），周期性广播意图消息，描述未来数秒的规划轨迹。这类消息支持周边车辆持续评估交通场景，预判潜在冲突或协同机会。为平衡信道负载与场景感知能力，意图消息的生成遵循[6]规范，最大发送间隔为1秒。
注：也可传输协同感知消息（CAM）、集体感知消息（CPM）等其他消息。
占位符
当车辆判定需要发起协同时，承担主车（HV）角色，启动协同流程；主车尝试协同的目标车辆称为远端车辆（RV）。协同过程分为协商与执行两个阶段：
协商阶段：主车进入“主车协商状态”，每100毫秒重复广播请求消息，描述待协同机动及相关时间信息。主车持续停留在该状态，直至收到远端车辆的接受响应、收到隐式拒绝协同的其他消息，或协商超时触发。协商超时设置为协同触发时间后的固定时长。
远端车辆侧：收到请求消息后，车辆判断是否可作为RV参与协同。若拒绝（如已参与其他协同），则保持当前状态、不修改规划轨迹，立即广播下一条消息隐式拒绝请求；若接受，则进入“远端协商状态”，每100毫秒发送响应消息，直至收到主车的确认消息或协商超时。
协商成功后，两车进入执行阶段：主车收到响应消息后进入“主车执行状态”，每100毫秒广播确认消息，告知协同执行正在进行；远端车辆收到确认消息后进入“远端执行状态”，每100毫秒广播协同状态消息，确认自身执行进度。执行阶段两车按约定动作完成机动，直至机动完成或执行超时。执行超时基于“协同预期完成时间（CIF）”加固定余量计算，以容纳执行偏差。执行结束后，两车返回意图共享状态。
所有协同相关消息（请求、响应、确认、状态）均包含主车与远端车辆标识、机动ID、协同触发时间与协同预期完成时间，确保多协同并发时的同步性与无歧义性。
B. 机动协同触发与执行
发起机动协同前，车辆需持续评估协同的收益性与可行性：基于自身对交通环境的感知及未来数秒的交通演化预判，结合自身规划轨迹与收到的周边车辆意图共享信息，估计相关邻居车辆的短时时域（通常数秒）未来轨迹。若判定某机动具备收益性，但无协同则无法安全高效执行，则进一步评估该机动是否可通过与其他车辆协同变得可行。仅当收益性与可行性同时满足时，车辆才会触发机动协同流程。
协同触发并协商成功后，车辆执行机动动作：主车与远端车辆的具体动作因机动类型而异，但需预先定义以保证安全性与可预测性。一般而言，主车执行期望机动，远端车辆执行辅助动作（如调整速度或位置）以支持主车。以协同换道为例：主车拟换道，但被目标车道后方车辆阻挡；远端车辆通过可控减速腾出空档，使换道可行。协商完成后，远端车辆短时（1秒）以-2 m/s²减速，随后保持匀速；主车持续监测换道的安全性与收益性，待空档充足且满足安全效率条件后执行换道。该逻辑同样适用于汇入、交叉路口等其他场景，仅执行模式存在差异。
III. 多目标机动协同
机动协同本质基于对交通未来演化的预判，因此协同机会不应局限于单辆周边车辆：多辆车辆可能通过不同协同策略或不同未来时间点，支持完成同一机动。这一观察推动我们将机动协同从传统预设目标方案扩展为多目标选择方案。现有研究通常在判定需要协同时，隐式假设仅存在单辆协同车辆——即当前位置或规划轨迹直接阻碍主车期望机动的车辆。若该车辆协同不可行，则不触发协同，机动被推迟或放弃。这种方案简单直观，但将协同机会限制为单一选项，忽略了随时间演化的交通场景中可能存在的替代协同机会。这一局限在图2的协同换道场景中尤为明显：主车Vego基于换道激励逻辑拟变道至相邻车道，但其期望轨迹与目标车道紧邻后方的车辆Vbn1的当前规划轨迹冲突。为化解冲突，Vego尝试与Vbn1协同，通过Vbn1可控减速腾出换道所需空档。若Vbn1无法实现所需减速（如车速远高于主车），则协同不被触发，Vego需等待交通条件变化。
占位符
然而，在意图共享支持下，Vbn1并非唯一可支持该机动的车辆：目标车道上的其他车辆（如Vbn1后方的Vbn2、更靠后的Vbn3、Vbn4等）均可能成为主车有效的协同伙伴。通过与其中一辆协同，可更早腾出空档，待主车行驶至合适纵向位置时加以利用。值得注意的是，协同机动本身并未改变：目标仍是目标车道上的某辆车通过可控减速腾出足够空档，差异仅在于选择的目标车辆与机动执行时机。图3展示了这种替代协同策略：Vego判定与Vbn1的协同无法安全化解轨迹冲突（如需Vbn1大幅减速），转而评估与Vbn2的协同可行性，若Vego期望轨迹与Vbn2规划轨迹的冲突可化解，则完成协同换道。
占位符
基于上述优势，本文提出多目标机动协同方法，支持主车从多个潜在协同车辆中选择最优对象，而非局限于单辆预设车辆。多目标机动协同完全兼容第二章所述的协同协议，无论选择哪辆目标车辆，执行流程均保持一致，差异仅存在于决策阶段：需评估多辆潜在目标车辆并选择其一开展协同。目标车辆的选择准则因机动类型而异，可能涉及可行性、时效性与交通影响的权衡。本文以协同换道为研究对象，采用简单直观的选择策略：主车优先评估与目标车道紧邻后方第一辆车Vbn1的协同可行性（该类协同通常可实现最早的机动执行）；若不可行，则按顺序评估后方第二辆Vbn2、第三辆Vbn3、第四辆Vbn4（最多评估4辆），该顺序完全兼容现有协同协议与标准，同时拓展了协同机会。
IV. 仿真框架
本文采用集成交通与V2X仿真框架[5][7]评估多目标机动协同的性能：V2X通信基于ns-3网络仿真器实现，车辆移动性基于修改后的ns-3 VANET高速公路移动性模块[8]建模。仿真场景为6车道（双向各3车道）的5公里高速公路，采用周期性边界条件（驶出车辆从另一端以原车道、原车速重新进入）。评估覆盖5种交通密度，交通组成包含80%乘用车与20%卡车：乘用车期望车速均匀分布在120km/h附近（±20%），卡车限制在中间与右侧车道行驶，期望车速均匀分布在80km/h附近（±20%）。每个场景开展20次独立的200秒仿真，以保证统计显著性。
仿真聚焦协同换道场景，规定活跃协同间的最小间距为400米，避免相互干扰：若某车辆400米范围内存在活跃协同，则无法触发新的协同。协商超时设置为协同触发时间后500毫秒，轨迹预测时域为5秒，对应最大协同预期完成时间；执行超时在预测时域基础上增加3秒余量，因此从触发到完成的最大协同时长为8秒。执行阶段，远端车辆以-2 m/s²减速1秒，随后保持匀速；主车沿规划轨迹行驶，待空档充足且安全效率条件满足后执行换道。
图1. 机动协同状态机模型。
图2. 采用固定预设目标的机动协同。
图3. 多目标协同换道。
图4. 单目标与多目标机动协同下单车每小时触发的换道协同次数。
图5. 多目标协同下触发机动协同的目标车辆分布
图6. 单目标与多目标机动协同的成功率
V. 结果与讨论
图4展示了不同协同配置下单车每小时触发的换道协同次数：基线配置为传统预设单目标方案，仅尝试与目标车道紧邻后方的Vbn1协同；其余曲线对应潜在协同目标为Vbn1+Vbn2、Vbn1+Vbn2+Vbn3、Vbn1+Vbn2+Vbn3+Vbn4的配置。结果显示，单目标协同与包含Vbn2的多目标协同相比，触发协同次数有显著提升：大量与Vbn1不可行的协同机会，在考虑第二辆潜在目标车辆后变为可行。相比之下，纳入Vbn2以外的更多车辆未带来显著增益：纳入Vbn3的提升幅度极小，纳入Vbn4后无进一步增长。这是由于绝大多数协同最终仅涉及Vbn1与Vbn2：图5的多目标协同目标分布显示，70%-80%的触发协同是与Vbn1完成的，20%-30%是与Vbn2完成的，Vbn3参与的协同仅占总量约0.5%，未观测到与Vbn4的协同。这一现象的原因是当前仿真场景下车道间平均车速差异有限：目标车道远处车辆腾出的空档，在5秒的预测时域内无法向前传播至主车位置，因此与远距离车辆的协同难以满足触发可行性条件。多目标机动协同在无需主车分析大量潜在目标的前提下，实现了触发协同次数的提升。
图6对比了传统单目标方案与考虑4辆潜在目标车辆（Vbn1-Vbn4）的多目标方案的机动协同成功率。结果显示，多目标协同的成功率与单目标方案相当，说明与更远距离车辆协同并未显著增加执行失败的概率——尽管远距离协同受交通波动导致的轨迹误差影响更敏感，目标车道上游腾出的空档更容易受中间车辆行为偏差或交通动态变化的影响，但多目标协同仍保持了与单目标方案相当的成功率。
图4与图6的结果共同体现在图7中：多目标协同带来的触发协同次数增长，几乎按比例转化为成功协同次数的增长，证明多目标带来的额外协同机会并未降低执行可靠性。总体而言，多目标协同同时提升了触发与成功完成的机动次数。
图8展示了协同预判时间（定义为协同预期完成时间与协同触发时间的平均差值，反映协同平均提前发起的时长），对比了传统单目标方案与多目标方案的表现，其中多目标方案进一步区分了与Vbn1、Vbn2及其他车辆的协同。结果显示，协同预判时间随目标车辆的后移显著上升：与Vbn1的协同预判时间最短，说明这类协同通常在临近可执行时刻才触发；而与Vbn2、Vbn3、Vbn4的协同发起时间显著更早，预判时间更长。这一行为是协同策略的直接结果：与目标车道更靠后车辆协同时，需要更早启动空档创建过程，使空档能够向前传播至主车位置，因此这类协同天然依赖更强的预判能力。该结果表明，多目标协同不仅能增加协同次数，还能支持更早触发协同，通过更充分的预判进一步强化协同收益。
我们在更高负载的场景下进一步评估多目标协同的性能：在每条车道的右侧车道设置静止障碍物，迫使右车道车辆换道，提升换道需求，更依赖长预判协同。图9展示了该场景下多目标协同的目标车辆分布，与无障碍物场景的图5格式一致。结果显示，障碍物场景下协同目标分布略有偏移：Vbn3参与的协同占比升至约1%，并观测到少量与Vbn4的协同，说明障碍物的存在确实会催生涉及更远距离车辆的协同机会。尽管如此，整体趋势与无障碍物场景一致：Vbn1与Vbn2仍为协同主体，其余指标无显著差异。
图7. 单目标与多目标机动协同下单车每小时成功协同次数。
图8. 协同预判时间。
图9. 障碍物场景下多目标协同触发机动的目标车辆分布。
VI. 结论
本文提出并分析了多目标机动协同的性能影响，支持车辆从多个潜在目标车辆中选择协同对象。实验证明，考虑多目标候选可显著提升触发与成功执行的机动协同次数，且不会降低协同可靠性——多目标协同的成功率与传统单预设目标方案相当。结果同时表明，绝大多数性能增益仅需考虑少量目标车辆即可实现，大幅降低了实现复杂度。此外，多目标机动协同支持更早触发机动，为应对交通动态与不确定性提供了更充裕的时间裕度。本文采用的顺序选择准则是简单直观的初步方案，已展现出显著收益，未来可进一步探索适配特定交通条件或机动类型的更先进选择策略。总体而言，多目标机动协同是一种简单高效的增强方案，无需修改底层协议或机动实现即可放大协同收益，为后续协作者选择策略、复杂多机动场景的研究打开了大门。