A Collision-Aware Predictive Rerouting Framework for Connected and Automated Vehicles

📄 arXiv: 2610.17505v1 📥 PDF

作者: Tony Kinchen, Ting Bai, Andreas A. Malikopoulos

分类: eess.SY

发布日期: 2026-10-13

备注: 15 pages

💡 一句话要点

提出一种碰撞感知的预测重路由框架以缓解城市交通拥堵问题

🎯 匹配领域: 支柱四：生成式动作 (Generative Motion) 支柱八：物理动画 (Physics-based Animation)

关键词: 交通拥堵 自动驾驶 重路由 时空预测 碰撞感知 智能交通系统 城市交通管理

📋 核心要点

  1. 现有方法在城市交通网络中难以有效缓解非经常性拥堵，尤其是在复杂的交通环境中。
  2. 论文提出了一种碰撞感知的预测重路由框架，结合了多种先进技术以优化CAV的路由决策。
  3. 实验结果显示，所提框架在保持网络效率的同时，显著降低了重路由的频率，提升了操作稳定性。

📝 摘要（中文）

本文研究了通过预测和自适应路由来缓解城市交通网络中的非经常性拥堵问题，针对联网和自动驾驶车辆（CAVs）提出了一种碰撞感知的预测重路由框架。该框架整合了微观SUMO仿真、基于DCRNN的时空交通状态预测、碰撞窗口前瞻和多目标路线评分。路由控制器利用预测的拥堵、实时排放信息、路线长度惩罚和事件窗口约束来决定何时让CAVs偏离当前路线。通过在三个城市网络场景、五个CAV渗透率、三个随机种子和多种基准重路由策略下进行的完整仿真实验表明，所提框架在整体旅行时间、距离或排放方面并未完全优于所有基线，但其主要优势在于操作稳定性：在显著减少重路由频率的同时，保持了网络级效率的可比性。这些结果展示了将基于图的预测和碰撞感知嵌入实时CAV重路由的潜力与权衡，并激励了对预测校准、不确定性感知预测和CAV与非CAV交通系统级公平性的进一步研究。

🔬 方法详解

问题定义：本文旨在解决城市交通网络中非经常性拥堵的问题，现有方法往往无法有效应对复杂的交通状况，导致拥堵加剧。

核心思路：提出的框架通过整合微观仿真与时空预测，结合碰撞感知机制，优化CAV的路由选择，旨在提高交通流的稳定性与效率。

技术框架：整体架构包括四个主要模块：微观SUMO仿真模块、DCRNN时空预测模块、碰撞窗口前瞻模块和多目标路由评分模块，协同工作以实现动态路由决策。

关键创新：最重要的创新在于将碰撞感知与时空预测相结合，形成了一种新的重路由策略，与传统方法相比，能够更好地适应实时交通变化。

关键设计：在设计中，路由控制器考虑了多个因素，如预测的拥堵情况、实时排放数据、路线长度惩罚和事件窗口约束，确保了决策的全面性与准确性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，所提框架在重路由频率上显著低于基线方法，同时在网络级效率上保持了可比性，展示了其在实际应用中的潜力。具体而言，框架在多个场景下的表现均显示出较高的操作稳定性。

🎯 应用场景

该研究的潜在应用领域包括智能交通系统、自动驾驶车辆的导航与调度、城市交通管理等。通过优化CAV的路由决策，可以有效提高城市交通的流动性，减少拥堵和排放，具有重要的实际价值和社会影响。

📄 摘要（原文）

In this paper, we investigate the problem of mitigating non-recurrent congestion in urban transportation networks through predictive and adaptive routing for connected and automated vehicles (CAVs). We propose a collision-aware predictive rerouting framework that integrates microscopic SUMO simulation, DCRNN-based spatiotemporal traffic-state forecasting, collision-window lookahead, and multi-objective route scoring. The routing controller uses predicted congestion, live emission information, route-length penalties, and incident-window constraints to decide when CAVs deviate from their current routes. The completed simulation campaign across three urban network scenarios, five CAV penetration levels, three random seeds, and multiple benchmark rerouting strategies shows that the proposed full framework does not dominate all baselines in aggregate travel time, distance, or emissions. Instead, its principal advantage is operational stability: it maintains comparable network-level efficiency while substantially reducing rerouting frequency relative to active rerouting baselines. These results demonstrate both the promise and the tradeoffs of embedding graph-based prediction and collision awareness into real-time CAV rerouting, and they motivate further work on forecast calibration, uncertainty-aware prediction, and system-level fairness between CAV and non-CAV traffic.