💻 computer science

Controlling Traffic without Tolls: A Non-Monetary Framework for Autonomous Intersections

该论文提出了一种利用路边单元时间戳调度来引导自动驾驶车辆路径选择、无需收费的非货币交通控制框架，通过建立具有路径依赖节点成本的拥堵博弈模型证明了均衡流的唯一性，并在 Sioux Falls 网络实验中实现了用户均衡与系统最优之间效率差距高达 71% 的缩小。

原作者： Arda Kosay, Yusuf Saltan, Jyun-Jhe Wang, Chung-Wei Lin, Muhammed O. Sayin

发布于 2026-04-21

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Arda Kosay, Yusuf Saltan, Jyun-Jhe Wang, Chung-Wei Lin, Muhammed O. Sayin

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文提出了一种**“不花钱也能治堵”的聪明办法，专门针对未来的自动驾驶汽车和智能路口**。

想象一下，你开车去上班，遇到早高峰。传统的办法是：要么修更多的路（太贵太慢），要么收过路费（大家觉得不公平，穷人付不起）。

但这篇论文说：“我们不需要收钱，也不需要修路。我们只需要在路口的‘智能管家’（RSU）手里玩一点**‘时间魔法’**，就能让司机们自己选择更顺畅的路线。”

下面我用几个生活中的比喻来解释这个核心思想：

1. 核心比喻：路口不是红绿灯，而是“智能排队叫号机”

在传统的路口，车是排队等红绿灯的，不管你是开法拉利还是开拖拉机，大家都得按顺序来，或者按车道来。

在自动驾驶路口，每辆车都会提前跟路口的“智能管家”（RSU）打招呼：“我要在几点几分通过路口，请给我留个位置。”

以前的做法：管家按“谁先来谁先过”（先来先服务）的原则安排。
这篇论文的做法：管家手里有一根**“时间魔法棒”**。

2. 魔法棒怎么玩？（时间戳修改）

假设你开车走A 路线，这条路现在堵死了。如果你直接走，可能要等很久。

管家的操作：管家偷偷把你的“排队号码”（时间戳）往后推迟了 30 秒。
你的反应：你的车收到通知：“嘿，你的号码被推迟了，如果你坚持走 A 路线，你可能要多等一会儿。”
你的决策：你一看，心想：“哎呀，既然 A 路线要等这么久，那我改走旁边的B 路线吧，虽然 B 路线稍微绕一点点，但不用等那么久。”

关键点：管家并没有真的让你多等 30 秒（或者即使多等了，也是为了大局），它只是通过调整你的“预期等待时间”，像指挥交通的魔术师一样，把车流从拥堵的“热门路线”引导到相对空闲的“冷门路线”。

3. 为什么要这么做？（避免“公地悲剧”）

这就好比去网红餐厅吃饭：

现状：大家都觉得那家餐厅最好吃，结果全挤在那一家，排队排到腿软，体验极差。这就是**“用户均衡”**（大家都觉得自己选的路最好，结果大家都堵死）。
理想状态：如果大家都分散去几家稍微远一点但不用排队的餐厅，整体社会的吃饭效率最高。这就是**“系统最优”**。
论文的方案：不需要餐厅老板收“排队费”（收钱太俗气且不公平）。而是由一个**“总指挥”**（系统规划者）悄悄告诉那些想挤热门餐厅的人：“嘿，你现在的排队号被延后了，隔壁那家其实也不错。”
结果：大家为了省时间，自动分流了。总指挥不需要知道每个人具体要去哪，只需要在路口稍微“动动手脚”（调整时间），就能让整体交通变得顺畅。

4. 这个方案厉害在哪里？

不花钱（非货币）：不需要收过路费，不需要发代币，不需要大家掏腰包。
不修路（基础设施轻量）：不需要把路拓宽，只需要升级路口的软件（RSU）。
数学保证（独一无二）：作者用复杂的数学证明，这种“时间魔法”不会导致混乱。无论怎么调整，大家最终都会形成一个唯一的、最稳定的交通状态，不会出现“今天这样排好，明天那样排乱”的情况。
效果惊人：他们在著名的“苏福尔斯（Sioux Falls）”交通网络上做实验，发现这种方法能把**“拥堵带来的效率损失”减少高达 71%**。也就是说，原本大家因为堵车浪费的时间，有七成多被省回来了！

5. 总结

这就好比学校食堂打饭：
以前是大家都挤在窗口 A，因为那里菜最好，结果排长队。
现在，食堂阿姨（系统规划者）在窗口 A 的排号机上悄悄把某些人的号往后调了调，并告诉这些人：“你现在的号有点靠后了，要不要去窗口 B 试试？”
于是，大家为了早点吃上饭，自动分流到了窗口 B。
没有人多付钱，也没有人少给饭，但整个食堂的排队时间大大缩短了，大家都吃得更开心。

这篇论文就是为未来的自动驾驶城市设计了一套**“不花一分钱，只靠调整时间顺序”**的超级交通指挥系统。

这是一份关于论文《Controlling Traffic without Tolls: A Non-Monetary Framework for Autonomous Intersections》（无需收费的流量控制：自动驾驶交叉口的非货币框架）的详细技术总结。

1. 研究背景与问题定义 (Problem)

随着联网自动驾驶车辆（CAVs）和基础设施的集成，城市交通系统日益复杂。传统的交通控制方法（如固定信号灯或自适应信号）难以应对实时流量波动，而基于收费（Tolls）的激励方案虽然理论上有效，但存在公平性问题和实施阻力。

核心挑战：

局部与全局的冲突： 自动驾驶交叉口（Autonomous Intersections）允许路边单元（RSU）对每辆车进行单独调度（如基于先到先得 FCFS 协议）。然而，局部的调度决策（如谁先通过）会反过来影响驾驶员在网络层面的路径选择。如果局部优化不当，可能导致全局拥堵加剧（即“局部改善，全局恶化”）。
缺乏非货币激励手段： 现有的研究多集中在收费或信息引导，缺乏一种无需金钱交易、仅通过基础设施调度即可引导自私驾驶员走向社会最优路径的机制。
多均衡问题： 在博弈论模型中，用户均衡（User Equilibrium, UE）往往不唯一，且通常效率低于系统最优（System Optimal, SO），导致系统级优化设计困难。

研究目标：
设计一种系统化的交叉口控制框架，通过非货币手段（即调整车辆通过交叉口的时间顺序）来影响驾驶员的路由决策，从而在不收费、不增加基础设施的前提下，缩小用户均衡与社会最优之间的效率差距。

2. 方法论 (Methodology)

作者提出了一种分层非货币控制框架，核心思想是利用**时间戳修改（Timestamp Modifications）**作为路径依赖的“成本”来引导交通流。

2.1 分层架构设计

系统分为两层：

底层（局部控制）： 由 RSU 执行。RSU 接收车辆请求（包含 ID、时间戳、路线等），并根据预设策略（如 FCFS）调度车辆通过交叉口。
高层（网络级协调）： 由系统规划器（System Planner）执行。规划器不直接控制车辆，而是通过修改车辆请求的时间戳来间接干预。
- 机制： 如果某条路径拥堵，规划器可以人为延迟该路径上车辆的时间戳（使其在 RSU 看来“迟到”），从而增加其等待时间（负激励）；反之，对非拥堵路径提前时间戳（正激励）。
- 效果： 这种时间戳的偏移被转化为路径上的加性节点成本（Additive Node Costs），改变驾驶员的感知成本，从而引导其选择其他路径。

2.2 数学建模

网络模型： 将交通网络建模为有向图 $G=(V, E)$ ，其中节点 $V$ 代表自动驾驶交叉口，边 $E$ 代表道路。
成本函数：
- 边成本 $c_e(f_e)$ ：基于流量 $f_e$ 的旅行时间（如 BPR 函数）。
- 节点成本 $c_v^p(f_v, u_v^p)$ ：包含基础延迟 $c_v(f_v)$ 和由规划器设定的路径特定激励 $u_v^p$ 。
- 总路径成本： $c_p(f, u) = \sum c_e + \sum (c_v + u_v^p)$ 。
均衡分析：
- 驾驶员根据感知成本最小化选择路径，形成 Wardrop 均衡。
- 关键理论突破： 作者证明了在加性路径特定节点成本的设定下，该博弈可以转化为标准的拥堵博弈。通过构建势函数（Potential Function） $\Phi(f, u)$ ，证明了均衡流的存在性和本质唯一性（Essential Uniqueness）。
- 本质唯一性意义： 尽管可能存在多个均衡流，但它们产生的社会总成本是相同的。这消除了多均衡带来的歧义，使得双层优化问题变得可解且确定。

2.3 双层优化问题 (Bilevel Optimization)

上层（规划器）： 在约束条件（如时间戳调整幅度限制 $[-\tau, \tau]$ ）下，选择激励向量 $u$ ，以最小化社会总成本。
下层（驾驶员）： 给定激励 $u$ ，驾驶员调整路径选择以达到 Wardrop 均衡（即最小化势函数 $\Phi(f, u)$ ）。
求解： 利用本质唯一性，将问题转化为可计算的确定性双层优化问题。

3. 主要贡献 (Key Contributions)

可扩展的分层控制架构： 提出了一种将局部交叉口调度与网络级协调分离的架构。通过非货币的时间戳修改，避免了复杂的端到端集中控制，同时解决了局部决策对全局路由的负面影响。
基于时间戳的加性成本机制： 设计了一种利用 RSU 优先级调整来诱导路径特定加性成本的机制。
- 该结构保证了均衡流的本质唯一性，避免了多均衡选择带来的计算复杂性。
- 使得网络级控制可以转化为计算上可处理的双层优化问题。
实验验证与显著成效：
- 在Braess 网络上验证了理论模型，展示了如何通过延迟特定路径来消除“Braess 悖论”式的低效均衡。
- 在Sioux Falls 网络（24 个节点，76 条链路，552 个 OD 对）上进行了高保真微观交通仿真（SUMO）。
- 结果： 在现实约束下（如时间戳调整限制在 0-30 秒或 0-2 分钟），该方法将用户均衡与社会最优之间的效率差距减少了高达 71%。
- 无需额外基础设施： 该方法完全基于现有的 CAV 通信能力，无需建设新的物理设施或引入货币收费。

4. 实验结果 (Results)

Braess 网络实验：
- 通过仅对特定路径（ $p_2$ ）施加微小的时间延迟（0.2 单位），成功将流量从低效的均衡分布引导至社会最优分布（流量从 0.34/0.31/0.34 变为 0.5/0/0.5），社会成本显著降低。
Sioux Falls 网络实验：
- 仿真设置： 使用 SUMO 模拟 24 个交叉口的微观交通流，拟合了四阶多项式节点成本函数。
- 激励验证： 实验证实，时间戳的修改确实表现为节点成本函数的垂直平移（加性偏移），验证了理论假设。
- 优化性能：
  - 基准用户均衡（UE）社会成本： $8.04 \times 10^6$ 分钟。
  - 系统最优（SO）基准： $7.75 \times 10^6$ 分钟。
  - 高干预范围（0-2 分钟）： 优化后成本降至 $7.84 \times 10^6$ ，填补了 71.1% 的效率差距。
  - 低干预范围（0-30 秒）： 优化后成本降至 $7.89 \times 10^6$ ，仍填补了 51.3% 的效率差距。
- 流量分布： 热力图显示，激励措施成功缓解了中心走廊的拥堵，将流量分散到外围替代路径，实现了更均衡的网络利用。

5. 意义与展望 (Significance)

理论意义： 首次将自动驾驶交叉口的调度问题与网络路由博弈紧密结合，证明了通过简单的“时间戳偏移”即可实现复杂的网络级流量调控，并解决了多均衡带来的理论难题。
实践意义：
- 低成本部署： 不需要昂贵的收费系统或新的硬件，仅需软件层面的 RSU 调度策略调整。
- 公平性： 避免了货币收费对低收入群体的歧视，提供了一种更公平的交通管理手段。
- 可扩展性： 分层架构使得系统能够处理大规模城市网络，具有实际落地的潜力。
未来方向： 研究将扩展到混合交通流（人类驾驶与自动驾驶共存）、实时自适应控制（结合强化学习）以及结合信息引导的混合激励机制。

总结： 该论文提出了一种创新且实用的非货币交通控制范式，利用自动驾驶基础设施的调度灵活性，通过微小的时间戳调整引导自私驾驶员，显著提升了城市交通网络的整体效率，为下一代智能交通系统提供了重要的理论依据和技术路径。