【研究】车路云一体化系统无线通信资源调度技术研究

微信扫码，打开到小程序

2026/02/DTPT —————————— 收稿日期：2026-01-09 1 概述 车路云一体化系统是交通、汽车和通信深度融合 的系统，它基于车载感知、路侧感知、边缘计算及 C- V2X和 4G/5G通信技术，实现车载智能、路侧智能和云 端智能的全方位协同配合，从而满足不同等级自动驾 驶车辆安全、高效行驶的需求 ［1］。 车联网是车路云一体化系统的基础支撑网络，目 前车联网的主要通信技术是基于蜂窝网络的车联网 通 信 技 术（Cellular Vehicle-to-Everything，C-V2X）。 C-V2X 系统内的信息交换由不同实体之间的接口实 现，如通过 C-V2X 的 PC5 口完成车对车（V2V）和车对 基础设施（V2I）的直通通信，使用 C-V2X 的 Uu 口完成 车对网络（V2N）的蜂窝通信。在 5G 技术的支持下，新 一代 C-V2X 还能够结合多接入边缘计算（MEC），支持 车载智能之间、车载智能和路侧智能之间的高吞吐 量、高可靠和低延迟的通信，实现如协同感知、协同决 策规划、协同控制等任务，以达到自动驾驶车辆性能 和交通全局最优化发展目标。 目前 C-V2X 的 PC5 口被分配了 5.9 GHz 频点 20 关键词： 车路云一体化；智能网联汽车；多智能体强化学习 doi：10.12045/j.issn.1007-3043.2026.02.006 文章编号：1007-3043（2026）02-0028-05 中图分类号：TN929.5 文献标识码：A 开放科学（资源服务）标识码（OSID）： 摘 要： 为了保证高等级自动驾驶的安全，车载智能需要通过车路协同扩展感知范围， 实现车路协同智能驾驶。这种车路之间的一体化协作具有时变性和复杂性，传 统物联网汇聚模式的无线通信资源调度已经难以满足需求。为了在复杂环境 下高效管理无线资源，提出适合高等级智能驾驶的车路协同无线通信资源调度 框架，将车载智能和路侧智能建模为多智能体系统，通过对协同需求和通信环 境的认知，实现智能体间的合作式资源分配，完成无线通信资源的最优调度。 Abstract： In order to ensure the safety of high-level automatic driving，in-vehicle intelligence needs to extend the perception range through vehicle-road collaboration to achieve vehicle-road collaborative intelligent driving. This kind of integrated collaboration between vehicle and road has time-varying and complexity，and the wireless communication resource scheduling of the traditional IoT convergence mode is already difficult to meet the demand. In order to efficiently manage wireless resources in complex environments，it proposes a wireless communication resource scheduling framework for vehicle-road collaboration suitable for high-level intelligent driving，which models vehicle intelligence and roadside intelligence as multi-agent systems， and achieves cooperative resource allocation among intelligences and optimal scheduling of wireless communication resources through the cognition of collaborative demands and communication environments. Keywords： Vehicle-road-cloud integration；Intelligent connected vehicles；Multi-agent reinforcement learning 车路云一体化 系统无线通信资源调度技术研究 Research on Wireless Communication Resource Scheduling Technology in Vehicle-Road-Cloud Integration System 陈 斌 1，邱佳慧 1，张香云 1，高 沛 1，李 洋 2，李静林 2（1. 中国联合网络通信集团有限公司，北京 100033；2. 北京邮电大 学，北京 100876） Chen Bin 1，Qiu Jiahui 1，Zhang Xiangyun 1，Gao Pei 1，Li Yang 2，Li Jinglin 2（1. China United Network Communications Group Co.，Ltd.， Beijing 100033，China；2. Beijing University of Posts and Telecommunications，Beijing 100876，China） 陈 斌，邱佳慧，张香云，高 沛，李 洋，李静林 车路云一体化系统无线通信资源调度技术研究 无线通信 Radio Communication 引用格式：陈斌，邱佳慧，张香云，等. 车路云一体化系统无线通信资源调度技术研究［J］. 邮电设计技术，2026（2）：28-32. 28 邮电设计技术/2026/02 MHz 的带宽提供安全信息服务、路侧信息服务等基于 短报文的安全保障服务，但这样的带宽难以满足车车 之间进行协同感知等对带宽需求较大的服务需求。 尽管面向短距离通信的 V2V/V2I链路可以复用基于蜂 窝通信的 V2N 链路所占用的频谱资源，从而提高频谱 利用率，但在复用频谱资源时会出现严重的干扰，从 而影响 V2V/V2I 链路的吞吐量 ［2］。此外，车辆的高速 移动和道路交通环境的复杂多变，导致无线通信资源 分配变得更加困难。如何合理地管理频谱资源分配 并动态控制车辆发射功率，从而优化车联网通信性 能，是一个亟待解决的紧迫问题和挑战。 2 车路云一体化系统无线通信资源调度框架 2.1 系统架构 针对车路云一体化系统中的车车、车路混合协同 场景，C-V2X提供 2种无线通信资源调度模式：管理模 式（PC5 Mode 3）和非管理模式（PC5 Mode 4）。在管理 模式下，基站参与车辆直通通信资源调度，由基站通 过 Uu 接口的控制信令辅助车辆进行流量调度和干扰 管理。在非管理模式下，车辆的无线资源由自己独立 控制，通过车辆间的分布式算法进行流量调度和干扰 管理。 基于 LTE-V2X 技术的 C-V2X 体系使用 5.9 GHz 专用频点，通过广播模式提供短报文类的 V2V 服务。 由于车辆渗透率不高，业务模式简单，基于非管理模 式进行无线通信资源管理能够满足车路协同要求。 但如果考虑复用 5G 频率资源支持 V2V 单播服务，就 会导致 PC5接口和 Uu接口产生较强的同频干扰，必须 采用管理模式优化无线资源。由于车辆的移动性和 场景的复杂性，大规模 V2X 资源调度存在实时性与效 率问题，需针对交通环境特点进行针对性优化设计。 在道路交通环境中，车辆需遵循车道、红绿灯等 交通约束，因此各车辆的运动趋势基本是可预期的， 在车道上形成由头车和跟驰车辆形成的虚拟编队 （Platoon），完成有秩序的行驶。在虚拟编队中，车辆之 间的相对位置具有一定稳定性，因此可以基于虚拟编 队提供头车 V2I/V2N 通信，头车与跟驰车辆间 V2V 通 信的无线通信资源规划。其中虚拟编队的头车被称 为编队队头（Platoon Leader，PL），其他车辆被称为编 队队员（Platoon Member，PM），具体如图1所示。 为了实现 V2X 无线通信资源的有效调度，需在车 载智能和路侧智能中增加无线资源分配模块，且车载 智能的无线资源分配模块与路侧智能的无线资源分 配模块进行交互，实现有管理的无线资源调度。 2.2 功能定义 车载无线资源分配模块主要包括通信性能监测、 通信主体监测、协同拓扑维护、通信资源协调决策功 能。其中通信性能监测主要完成 V2X 通信指标的收 集，供通信资源调度决策使用。通信主体监测则通过 V2X 通信内容探测周边可进行 V2X 协同的通信主体、 供协同拓扑维护可通信的 V2X 主体列表及通信拓扑 状态。协同拓扑维护还需要与智能驾驶的车路协同 决策协调，根据虚拟编队的协同认知/协同决策需求， 进行通信拓扑的规划。通信资源协调决策则根据路 侧通信资源管理策略和协同拓扑维护需求，完成 V2X 通信资源的智能调度。 路侧无线资源分配模块主要包括区域通信性能 监测、通信主体监测、协同拓扑维护、通信资源调度决 策功能。其中区域通信性能监测主要完成多个基站 覆盖范围内 Uu 口通信指标的收集和车辆上报的 PC5 口通信指标的收集，供通信资源调度决策使用。通信 主体监测则通过车辆 Uu 口上报信息汇聚基站覆盖范 围内可进行 V2X 协同的通信主体、供协同拓扑维护可 通信的 V2X 主体列表及通信拓扑状态。协同拓扑维 护还需与路侧车路协同控制智能的车路协同意图感 知进行协调，根据路侧智能发现和识别的虚拟编队， 预测可能进行协同认知/协同决策的需求，并进行通信 拓扑的规划。通信资源调度决策则制定通信资源管 理策略，并根据协同拓扑维护需求，对区域内的虚拟 编队队头车辆下发V2X通信资源的智能调度策略。 图1 车路云一体化系统中的通信资源调度架构 车载环 境感知 智能驾 驶决策 通信主 体监测 通信性 能监测 车辆智能 驾驶决策 无线资源 分配 车载C-V2X 无线通信 通信资源 协调决策 车路协 同决策 协同拓 扑维护 通信主 体监测 无线资源 分配 通信资源 协调决策 协同拓 扑维护 车载C-V2X 无线通信 V2I/V2N 车路协同 意图感知 虚拟车队 管理 路面交通 状态感知 车路协同 态势认知 虚拟车队 PM PL 基站 区域通信 性能监测 V2V 驾 驶 控 制 器 车 载 智 能 资 源 调 度 控 制 器 路 侧 边 缘 计 算 陈 斌，邱佳慧，张香云，高 沛，李 洋，李静林 车路云一体化系统无线通信资源调度技术研究 无线通信 Radio Communication 29 2026/02/DTPT 3 无线通信资源调度模型 3.1 车路云一体化系统的通信与干扰模型 根据车路云一体化系统的无线通信资源调度框 架，路面的车辆可被划分为多个虚拟编队，编队队头 与编队队员进行 V2V 通信以完成协同感知和决策，编 队队头与路侧基站进行 V2I/V2N通信以完成无线通信 资源感知与调度策略同步（见图2）。 设集合P = {1，2，...，p }，p ∈ N表示多个虚拟编 队的集合，Ni = {1，2，...，ni}，ni ∈ N，i ∈ P表示第i个 虚拟编队所包含的车辆，从队头（PL）开始依次编号。 车联网采用正交频分复用（OFDM）技术，多个连 续的子载波被划分成一个频谱子信道。对于每帧资 源分配，∆t 表示时间间隔，t ∈ N 为第 N 个时间间隔，N 为正整数。通信系统的带宽被分成若干个正交的子 信道。所有子通道的大小为 W。所有子通道的集合表 示为 M = {1，2，...，m }。假设在一个子信道内的信 道衰落大致相同且和不同的子信道相独立，在一个相 干时间周期内，编队在子信道中的信道功率增益同时 考虑与频率无关的大规模衰落效应（路径损失和阴 影）和小尺度衰落的功率分量（假设其呈指数分布）。 定义 αt i,m ∈ { 0,1}为在时间段 t 内子信道 m 是否分 配给了第 i个编队。二进制变量 β t i ∈ { 0,1}表示编队如 何为该子信道选择通信模式。当 β t i = 0 时，表示该编 队决定利用该子信道进行队间 V2I 通信；当 β t i = 1 时， 表示该子信道将用于队内V2V通信。 对于第 i 个编队与基站在 t 时段的 V2I 通信，链路 上接收到的信噪比（SINR）的计算表达式为： ζt i,R[ ] m = αt i,m × ℎt i,R[ ] m × Pt i[ ] m × ( ) 1 − β t i ∑ i' αt i,m × ℎt i',R[ ] m × Pt i'[ ] m σ2 ，i ≠ i'（1） 将其他编队产生的干扰视为无关信号，用 Pt i [ m ] 表示 PLi在子信道 j 上的传输功率，ℎt i,R [ m ]表示第 i 个 PL 与子信道上基站之间的传输增益。σ2 表示正态分 布的噪声功率。I t i [ m ]表示其他编队对第 i 编队的总 干扰功率，有： I t i [ m ] = ∑i'αt i',m × ℎt i',R [ m ] × Pt i'[ m ]，i ≠ i' （2） 根据香农理论，可以将第 i编队与基站之间 V2I通 信的瞬时速率（信道容量：bit/s）表示为： Ct i,R [ m ] = log2 (ζt i,R [ m ] + 1) （3） 同理，在时间段 t 内，编队中编队领头以 V2V 方式 与后续车辆通信，链路上收到的信号的信噪比为： ζt i,j[ ] m = β t i × αt i,m × ℎt i,j[ ] m × Pt i[ ] m σ2 +∑i'αt i',m × ℎt i',j[ ] m × Pt i'[ ] m ，i ≠ i'，j ∈ Ni （4） 其中，Pt i [ m ]为编队的发射功率，ℎt i,j [ m ]为编队 Ni 中的编队成员通过子信道 m 通信时的信道增益。因 此，编队 i 中的编队成员与其他编队成员的 V2V 通信 的瞬时速率（信道容量：bit/s）为： Ct i,j [ m ] = log2 (ζt i,j [ m ] + 1) （5） 考虑到队列需要与基站保持实时通信以交换道 路信息和队列状态，引入信息年龄（Age of Information， AoI）对其实时性能进行评价。编队i的AoI用At i表示，t 为当前时间到最后一次 V2I 通信时间点之间的时间 段 ［3］。Cmin i,R 为 V2I 通信所需的最小容量。每当与基站 通信成功后，编队 i 的 AoI 值将被重置为∆t。编队 i 的 AoI按式（6）进行迭代更新： At + 1 i = ì í î At i + ∆t，当αt i,m (1 − β t i) × Ct i,R [ m ] < Cmin i,R ∆t，其他 （6） 至此得到了编队i的多目标优化问题模型： m α,β,P ì í î 1 T ∑ t = 1 T At i，− Prì í î ü ý þ ∑ t = 1 T ∑ m ∈ M min j { Ct i,j [ m ] } Δt⩾Bi ， ü ý þ 1 T ∑ t = 1 T ∑ m ∈ M Pt i [ m ] s.t. ì í î ï ïïï ï ïïï C1：Ct i,R [ m ] ≥ Cmin i,R，∀i ∈ P，∀m ∈ M C2：αt i,m，β t i ∈ { 0,1}，∀i ∈ P，∀m ∈ M C3：∑ m ∈ M β t i,m ≤ 1, i ∈ P，∀t ∈ N C4：Pt i [ m ] ≤ Pmax i ，∀i ∈ P，∀m ∈ M （7） 其中，Bi 为 PLi 生成的协同数据大小。优化目标 的第 2项为最大化协同数据传输成功概率。问题的优 化目标是在每个周期 T（传播周期必须小于 100 ms ［4］） 图2 车路云一体化系统通信与干扰示意 虚拟编队范围 虚拟编队队头 虚拟编队成员 V2I 信号 V2V 信号 干扰信号 基站 边缘计算 陈 斌，邱佳慧，张香云，高 沛，李 洋，李静林 车路云一体化系统无线通信资源调度技术研究 无线通信 Radio Communication 30 邮电设计技术/2026/02 内，最小化期望的 AoI和发射功率，同时最大化数据传 输成功率。约束 C3 表示每个编队在每个时间段内只 能访问一个正交子信道。约束 C4 表明每个编队队头 的发射功率应低于其最大功率。 3.2 通信与干扰优化模型 由于无线信道特性随着复杂交通环境的变化而 不断变化，对车路云一体化系统的通信与干扰模型求 取全局最优是一个挑战。 近年来，强化学习（RL）在解决不确定决策问题方 面表现出了优异的性能并日益受到关注。然而由于 交通场景的复杂性，无法将整个交通环境作为一个智 能体进行建模和训练，并且由于车辆之间的决策和行 为相互作用，常常难以获得最优策略。因此，可以将 交通场景中的虚拟编队建模为一个智能体，车联网的 无线资源状态及相互干扰是智能体的环境，通过多智 能体深度强化学习（MADRL）方法学习最优决策策略 以最大化系统性能。MADRL 方法能够处理多智能体 之间的相互影响，应对动态变化的环境。在此基础 上，可以使用基于 Actor-Critic 的 MADRL 算法来解决 编队场景中的频谱资源分配和发射功率选择问题。 考虑到不同虚拟编队的任务可能不同，即不同智 能体的预期不同，需针对不同的智能体设计不同的评 价策略。在 Actor-Critic 基础上，设计层次化和异构的 Critic，为具有不同任务的智能体提供异构的 Critic，消 除智能体之间的依赖关系，使每个智能体仅基于本地 观察选择动作。 训练完成的智能体模型，将由路侧边缘计算根据 交通环境挖掘出的虚拟编队类型、运行环境状态进行 智能体模型筛选，并作为无线资源调度策略下发到每 个虚拟编队的队头车辆，由其本地执行，完成 V2X 无 线资源的虚拟编队内调度。 4 无线通信资源调度效果验证 4.1 仿真环境与模型方法 为了验证车路云一体化无线通信资源调度效果， 本文根据文献［5-8］中定义的方法和城市道路场景搭 建了仿真环境，主要参数如表1所示。 选择的多智能体强化学习方法包括： a）传统 DDPG 算法。它是完全集中式算法，所有 的编队都被视为一个代理，边缘计算需要获取代理的 观察和动作信息，所有的计算和决策都在路