⚡ 电气工程

Vehicle-to-Infrastructure Connectivity Improvement Based on Heterogeneous Networks in Intelligent Transportation Systems

本文提出了一种面向异构车载网络中路侧单元选择的业务质量感知框架，该框架优先考虑驻留时间和连接稳定性而非瞬时信号强度，从而在尽管存在适度吞吐量权衡的情况下，显著降低了切换频率并提高了动态环境中的连续性。

原作者： Hakimeh Azimi, Vahid sattari Naeini, Omid Abedi

发布于 2026-11-02

📖 1 分钟阅读☕ 轻松阅读

原作者： Hakimeh Azimi, Vahid sattari Naeini, Omid Abedi

原始论文采用 CC BY 4.0 许可（https://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

想象一下，你正驾车穿行于一座繁忙的城市，你的汽车不断地与路灯、交通摄像头以及其他车辆进行交谈。这种对话是未来交通运输的支柱，旨在防止事故、缓解拥堵，并引导自动驾驶汽车安全通过复杂的环境。为了让这场数字对话顺利进行，你的汽车必须保持与被称为“路侧单元”（roadside units）的道路设备相连，这些设备充当了局部的互联网枢纽。然而，由于汽车移动速度极快，且城市中障碍物重重，这些连接非常脆弱。当车辆驶过一个枢纽时，信号可能会中断，迫使汽车在对话丢失之前疯狂寻找新的连接。这种不断的切换，或称“切换”（handover），会造成通信间隙，这对于安全警报而言是危险的，对于试图观看视频的乘客来说也是令人沮丧的。工程师面临的挑战不仅是在某一瞬间找到最强的信号，而是要找到一个能够持续足够长时间以完成任务的连接。

来自谢里德·巴霍纳尔克曼大学（Shahid Bahar Bonar University of Kerman）的研究人员通过提出一种让汽车选择连接哪个路侧单元的新方法，解决了这一问题。该方法不再仅仅是抓取最近或最强的可用信号，而是提出了一个更深层的问题：这个连接能持续多久？在汽车驶出覆盖范围之前，我们实际能传输多少数据？在研究中，团队创建了一个具有前瞻性的框架，用于估算车辆在不同潜在枢纽覆盖区域内的停留时间。随后，他们将预测的持续时间与连接速度以及发送信息产生的延迟进行权衡。其目标是选择一个能够提供稳定、持久链路的伙伴，即使它在连接瞬间并非绝对最强。这种方法在“异构”网络中尤为重要，因为在这种网络中，汽车可能同时接触到几种不同的技术，例如短程 Wi-Fi 和远程蜂窝网络，并且必须决定针对特定任务使用哪一种。

为了测试他们的想法，研究人员构建了一个详细的城市网格计算机模拟系统，其布局类似于曼哈顿，其中分布着两百辆移动中的车辆。他们编写程序让这些汽车既能与固定的路侧单元互动，也能与安装在其他车辆上的移动式路侧单元互动，从而创造了一个动态且真实的运行环境。他们将这种全新的、具有前瞻性的选择方法与目前汽车使用的三种传统策略进行了对比。第一种策略只是连接到最近的单元；第二种选择预期在范围内停留时间最长的单元；第三种则使用了速度与时间的简单混合。结果显示出明显的权衡关系。传统方法，尤其是选择最近单元的方法，在连接完美时能达到更高的峰值速度和更低的延迟。然而，它们存在一个重大缺陷：汽车会不断地切换连接，在单次行程中甚至会发生数百次切换。这种“乒乓效应”导致了频繁的中断，并使整体数据流变得不稳定。

相比之下，研究人员提出的新方法显著减少了这些破坏性的切换。在模拟实验中，传统方法触发了 685 到 750 次切换，而新方法将这一数字减少到了 100 次以下。这代表了超过 85% 的连接变更减少。通过让单个稳定连接维持更长时间，该系统确保了数据可以连续流动，而不会因寻找新信号而产生中断。虽然在单次会话中传输的总数据量略低于那些激进的、快速切换的方法，但传输的数据是以一种更加平滑、可预测的流形式到达的。研究人员发现，对于视频流媒体或发送大文件等应用，这种稳定性远比瞬间的高速（紧随其后便是断开连接）更有价值。

研究还强调，并非所有数据都是相同的，最佳连接取决于传输的内容。需要即时交付的安全消息与乘客看电影的需求截然不同。研究人员的系统足够聪明，能够根据流量类型调整其优先级。对于安全警报，它优先考虑低延迟，以确保警告快速到达。对于多媒体内容，它优先考虑在汽车处于覆盖范围内期间可以传输的总数据量。这种灵活性使得网络能够同时服务于不同的需求，而无需强制每辆车都遵循相同的僵化规则。模拟证实，通过考虑汽车在覆盖范围内的停留时间，该系统可以避免困扰当前网络的这种不稳定性，使智能城市的数字基础设施更加可靠。

最终，这项研究表明，未来联网驾驶的关键在于耐心与规划，而非速度与反应。通过教导车辆在投入连接之前先评估连接的持久性，该系统可以在最混乱的城市环境中保持稳定的通信线路。这些完全基于计算机模拟的研究结果表明，牺牲一定的峰值速度是换取显著连接稳定性所付出的微小代价。随着城市变得更加密集、交通更加复杂，这种维持连续、不间断链路的能力，对于智能化交通系统的安全高效运行至关重要。这项工作提供了一个蓝图，指导车辆如何不仅作为快速移动的物体，而是作为重视连续性的网络中深思熟虑的参与者，来应对无线景观。

技术摘要：基于异构网络的智能交通系统中车路协同（V2I）连接性的改进

问题陈述
在异构车载自组织网络（HetVNETs）中，维持车辆与路侧单元（RSU）之间的稳定连接是一项关键挑战，尤其是在高移动性的城市环境中。现有的关联方法通常依赖于贪婪准则，例如瞬时信号强度或最大数据速率。虽然这些方法可以最大化短期吞量，但往往会导致连接不稳定、过度切换（“乒乓效应”）以及随着车辆快速移出覆盖区域而导致的业务中断。作者指出，需要一种能够优先考虑连接连续性和业务稳定性，而非瞬时性能峰值的关联机制，并专门解决由包含固定式和移动式 RSU 的网络所带来的停留时间、通信延迟和数据传输容量之间的权衡问题。

方法论
本文提出了一种感知服务质量（QoS）的 RSU 关联框架，旨在根据预测的移动性和业务需求为车辆选择最合适的 Rulator RSU。该方法论结构如下：

移动性与停留时间估计：
该框架采用曼哈顿移动模型，其中车辆路径是可预测的。它计算“停留时间”（ $T_{dwell}$ ）——即车辆在候选 RSU（固定式或移动式）有效通信半径内停留的时长。该时长是通过根据车辆与 RSU 的相对位置和速度矢量求解二次方程得出的。
性能建模：
系统为每个候选 RSU 建模了三个关键指标：

可传输数据量 ( $D_i$ )： 在预测的停留时间内可以传输的最大数据量，计算方式为标称链路速率与有效连接时间（考虑了连接建立开销）的乘积。
通信延迟 ( $T_{delay}$ )： 一个复合指标，包括传输延迟（数据大小除以链路速率）和处理延迟（数据大小除以 RSU 边缘计算能力）。
有效链路速率 ( $r_i$ )： 应用层吞吐量，不同于标称物理层速率。

多准则选择算法：
选择过程采用两阶段过滤与排序机制：

可行性过滤： 首先根据物理约束（足够的停留时间以完成切换，以及具备传输所需数据量的容量）对 RSU 进行过滤。其次，应用针对特定业务类型（如安全、语音、多媒体）的严格 QoS 约束（最小速率和最大延迟）进行过滤。如果没有任何 Rulator RSU 满足严格的 QoS 要求，系统将退回到物理可行集，以优先保证连接性。
加权效用评分： 对于剩余的候选者，计算加权和效用函数。该评分结合了延迟、链路速率和可传输数据的归一化值。权重根据业务类型动态分配（例如，安全业务优先考虑低延迟，而多媒体业务优先考虑速率和停留容量）。
滞后控制： 为了防止不必要的切换，只有当新候选者的评分提升超过相对于当前 RSU 的特定滞后裕量（ $H^{(c)}$ ）时，才会触发切换。

核心贡献

上下文感知关联： 本文引入了一种超越瞬时信号强度的选择机制，将预测的停留时间、应用层吞吐量和处理延迟整合到一个统一的决策框架中。
混合 RSU 支持： 该框架旨在支持包含静态基础设施和移动式 RSU（如安装在公交车或应急车辆上的 RSU）的异构环境，并根据时空因素进行动态排名。
业务类型适应性： 算法根据不同数据流（安全、语音、文本、多媒体）的具体 QoS 要求，动态调整其选择准则和权重系数。
面向稳定性的设计： 通过显式建模连接持续时间并应用滞后控制，该方法旨在最大限度地减少切换频率和信令开销，这对于维持动态交通中的会话连续性至关重要。

结果
该框架在结合了 SUMO（用于交通移动性）和 ns-3（用于网络通信）的 1000m x 1000m 曼哈顿网格及 200 辆车的模拟环境中进行了评估。结果与三种基准方案进行了对比：最近 RSU（基于距离）、最大停留时间（基于停留时间）以及速率-停留（RD）启发式算法。

切换减少： 最显著的结果是，与基准策略相比，总切换次数减少了 85% 以上（从约 700 次减少到不足 100 次）。
连接稳定性： 所提方法实现了显著更长的连接持续时间。虽然基准方案中近 80% 的连接持续时间少于 100 秒，但所提方案保持了相当大比例的连接在 400–600 秒以上。
吞吐量与延迟的权衡： 研究承认存在一种权衡：所提方法产生的瞬时吞吐量较低（平均约为 8 Mbps，而贪婪基准方案为 15–20 Mbps），且端到端延迟较高（约 3–5 秒，而基准方案小于 2.6 秒）。然而，单次连接的数据传输量比基准方案高出约四倍，这表明已建立的会话利用效率更高。
可预测性： 累积分布函数（CDF）显示，虽然所提方法牺牲了峰值性能，但它提供了更具预测性和稳定性的数据流，避免了频繁切换带来的波动。

意义与主张
作者声称，对于连接连续性往往比最大化短期数据速率更重要的密集且高度动态的车辆环境，其方法提供了一种鲁棒的解决方案。通过减少切换频率，该框架最大限度地降低了信令开销和连接中断的风险，从而支持对时间敏感的业务和需要可靠链路的自动驾驶应用。论文得出结论，尽管在吞吐量和延迟方面存在适度的权衡，但整体连接稳定性的提升使得该方法更适用于智能交通系统中的可持续 V2I 通信。未来的工作确定为集成机器学习，以在不确定的城市环境中进一步优化轨迹和停留时间的预测。

类似论文