RoboSense: Leveraging Robotaxi Fleets as Drive-by Sensors for Urban Traffic Monitoring
本文提出了一种新颖的动态无人驾驶出租车（robotaxi）路径规划框架，该框架利用车队车辆作为协同的随行传感器，以同时优化交通监测覆盖率和出行效率，证明了整合时空覆盖目标可以为城市交通管理和无人驾驶出租车移动性创造双赢局面。
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
交通监测是城市的神经系统，是一项不断理解车辆如何移动、在哪里发生拥堵以及行驶速度多快的持续努力。几十年来，这项工作一直由埋在路面下的固定传感器或安装在电线杆上的摄像头来承担。这些工具在特定地点表现良好，但在它们之间留下了巨大的空白，无法看到正在发生的情况。近来，城市开始使用配备 GPS 的普通汽车作为移动探测器，但这些车辆是由个人需求驱动的，这意味着它们往往会挤在相同的热门路线上，而让其他道路处于监控盲区。新一代自动驾驶出租车（被称为无人驾驶出租车或 robotaxis）提供了一种不同的可能性。与私家车不同，这些车辆是在中央管理器的控制下作为一个协调的机队运行的。它们已经配备了强大的传感器来观察道路，并且可以实时共享这些数据。研究人员提出的问题是：这个机队能否不仅仅是运送乘客；它们能否被引导成为一个移动的“眼睛”网络，在不减慢其服务效率的前提下，填补传统监测手段留下的盲点？
普渡大学的一个研究小组通过创建一个城市的数字孪生来测试一种新的无人驾驶出租车调度方式，以此来回答这个问题。他们构建了一个 5x5 网格网络的模拟系统——这是一个包含 25 个交叉路口和 40 条道路连接的简化城市布局，并加入了背景交通流量以模拟真实的城市。在这一混合体系中，他们引入了不同存在比例的无人驾驶出租车机队，比例从总车辆数的 2% 到 10% 不等。他们工作的核心是一个决定每辆无人驾驶出租车去向的计算机程序。该程序不仅仅是将每辆车发送到其目的地的最快路径，还被赋予了第二个目标：最大化机队观测到的道路空间。研究人员将道路视为一系列细小且易于管理的区块，程序计算如何移动机队，以便这些区块在时间上能尽可能均匀地被覆盖，确保网络中的任何部分都不会在过长时间内处于无人看管的状态。
这些模拟实验的结果揭示了在快速运送乘客的目标与观察道路的目标之间存在一种令人惊讶的动态关系。最初，研究人员预计要求机队监测城市会迫使车辆采取更长、效率更低的路线，从而降低速度并让乘客感到沮丧。然而，数据显示出更为微妙的情况。当研究人员仔细平衡这两个目标时，机队的平均行驶速度实际上变快了。这是因为更彻底地监测道路为系统提供了更准确、更高质量的信息。有了对交通状况积压情况更清晰的了解，路由计算机就能更精确地预测旅行时间，并引导车辆沿着避开拥堵的路径行驶。通过这种方式，观察城市的过程提高了穿行于城市的能力，创造了一种监测质量和行驶速度同时提升的局面。
然而，这种提升是有极限的。研究人员发现，如果过度强调监测目标，收益就会消失。当系统被迫将覆盖率置于一切之上时，车辆会为了访问特定的道路区块而采取不必要的长途绕道。这种行为降低了机队的行驶速度，也降低了整体传感网络的效率。研究确定了一个“甜点位”（sweet spot），即机队既足够多样化以实现良好的城市覆盖，又足够快速以保持有效性。这种平衡取决于机队的大小：规模更大的无人驾驶出租车机队可以在较少绕道的情况下实现更好的覆盖率。研究人员还测试了一种变体，即系统优先监测车辆最多的区域，而不是仅仅平等地监测每个道路区块。这种方法成功增加了被观测到的车辆数量，尽管它有时需要无人驾驶出租车驶经更拥堵的区域，从而略微增加了它们的行驶时间。
研究结论指出，无人驾驶出租车机队具有成为强大移动交通监测层的潜力，但前提是必须以特定的策略进行管理。仅仅让它们随心所欲地行驶，或者强迫它们进行长距离绕道，都是行不通的。相反，一种利用从监测中收集的数据来改进路由决策的协调方法，可以创造一个正向反馈循环。通过将机队转变为一个协作式传感网络，城市可以在不牺牲服务速度的前提下，获得对交通动态更丰富的理解。研究人员建议，这种双赢的局面可以为无人驾驶出租车运营商提供强有力的动力，促使他们将其车辆贡献给公共监测工作，从而将运营的副产品转化为整个城市的宝贵资源。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。