打开文本图片集
摘要：车载网络（VANET）在解决行车安全和提升交通效率方面有着良好的前景，但是由于构建真实场景进行性能测试将面临成本高昂、复杂的技术问题以及众多外界因素影响等问题，所以对VANET性能进行研究分析严重依赖于仿真测试。车辆作为车载网络移动节点，其移动性对VANET的网络拓扑结构有着显著的影响，在仿真测试中根据场景需求构建能恰当反映车辆移动特征的移动模型尤为重要。该文对现有的VANET移动模型进行分类分析，并探讨了真实车辆运动模式所遵循的架构。
关键词：车载网络；移动模型；交通模拟
中图分类号：TP393 文献标识码：A 文章编号：1009-3044（2016）16-0044-02
Abstract： Vehicular Ad Hoc Networks （VANET） have broad prospect with two types of application in mind： driving safety and improve the efficiency of traffic. To date， the majority of VANET research efforts have relied heavily on simulations， due to prohibitive costs、complex technical problems and external factors influence of employing real world tested . The vehicles mobility has serious effects on the VANET topology， build the scene of can properly reflect the characteristic of the vehicle movement is particularly important. In this paper， we first present the classification of VANET mobile model， then， we discuss the architecture of real vehicle movement pattern.
Key words：VANET； Mobility Model； Traffic Simulator
1 概述
车载网络（Vehicular Ad Hoc Networks， VANETs）[1] 是移动自组织网络（MANET， Mobile Ad Hoc Networks）的一种，由兼具终端和路由功能的车辆节点，通过无线链路形成无中心、多跳、临时性自制系统，不仅突破了传统无线蜂窝网络的地理局限性，而且能更加快速、高效、便捷的灵活部署，同时可以提供强大的实时交通数据信息，改善驾驶员的安全驾驶环境，减少交通事故伤亡人数以及缓解交通拥塞。
由于在现实世界中评测VANET的性能面临耗资巨大等因素的影响，所以目前对于VANET的研究工作主要依赖于仿真。虽然，随着研究的不断深入，现今的车载网络仿真环境相比早期的随机移动、圆形通信区域以及无干扰环境已经有了非常显著的进步，但是面临的主要问题依然是如何更准确的反映现实世界中车辆的移动特性以及外界环境的影响。
现今的车载网络仿真，主要包含三大模块：移动模型、网络模型以及信号传播模型。移动模型作为车载网络仿真的关键组成部分之一，是真实车辆的运动描述，用以反映车辆节点的移动方式。本文论述了车载网络移动模型的发展历程和研究现状，对VANET移动模型分类进行分析，探讨了VANET移动模型存在的问题以及未来的发展前景。
2 移动模型概述
由于车辆的移动性对VANET的网络拓扑结构有着显著的影响，所以在车载网络仿真研究中特别需要能够反映车辆交通真实行为的移动模型。
在建立移动模型的早期，人们更偏好随机移动模型[2]，但是由于其随机性（比如方向）使随机移动模型难以模拟比较真实的车辆运动场景。后来研究人员引入地理空间约束，构建基于图的移动模型GBMM[3]（Graph-Based Mobility Model）。但是，GBMM中车辆节点的速度产生后恒定不变，无法体现车辆之间的对于速度的相互影响，基于此问题，Seakar等人提出移动模型FTM[4]（Fluid Traffic Model），控制车辆行驶速度随车流密度的增减做相应的变化。Bettstetter等人考虑到车辆的运动状态具有连贯性，提出了平滑移动模型SMM[5]（smooth mobility）。Trieber等人则综合考虑了车辆行驶状态以及车辆之间的交互影响，提出智能驾驶员模型IDM[6]（Intelligent Driver Model）。
现今，对VANET移动模型的构建主要基于IDM模型进行拓展。如交通仿真器VanetMobiSim，为了在岔路口附近获取更贴近真实的车辆驾驶行为描述，VanetMobiSim在IDM模型的基础上对达到岔路口的车辆进行交通规则约束，通过交通标志以及其他车辆状态控制车辆的行驶行为。
3 VANET移动模型分类
根据范围和特性功能，通常将VANET移动模型分为5类[7]：随机模型、车流模型、交通模型、行为模型以及基于踪迹（trace）的模型。
随机模型：车辆的移动是随机的，车辆节点的方向、速率等参数从随机过程中采样。因为实现简单且容易再现结果，所以在车载网络发展初期作为仿真测试的主要选择。但是由于车辆的移动具有其固有特性，且受到道路约束以及交通规则的约束，所以目前已经很少采用随机移动模型对车载网进行车辆移动的建模。
车流模型：现实中的车辆移动受到多方面因素的影响，车流移动模型通过模仿自然现象，把车辆的移动性建模成车流，其研究方向主要从微观、宏观、介观三个方面进行考虑。微观建模主要反映车辆间交互影响（比如与前车需保持安全车距），典型的微观车流模型是车辆跟随模型（car following models， CFM）。宏观车流模型借鉴流体动力学的理论，可以反映车辆移动的总体特征，并极大地减少计算量。介观模型是对微观模型和宏观模型的折中。目前的车载网络路由协议仿真普遍选取微观车流模型。
交通模型：交通模型主要针对行驶至岔路口的车辆的交通规则执行。其运动模型主要分为旅途模型和路径模型。路途模型对当前位置与目的点位置的移动进行建模，而路径规划通常基于最优化函数，比如最短行驶距离，所需的行驶时间最短，或者相对而言最畅通的道路等，根据行驶状况建立可拓展的动态算法。目前对于路径选择，大多采用Dijkstra图算法。
行为模型：人类行为具有极大的复杂性，不会在所有情况下都遵循理想化的特定行为反应。根据人类行为理论构建的行为移动模型，除了考虑对刺激的响应模式和物理影响，也会考虑社会关联关系甚至人工智能的学习过程，以便更好的近似模拟人类的运动模式。缺点的计算量过大。
基于踪迹（trace）的模型：通过收集车辆运动轨迹信息，提取通用的运动模式。但是推测通用运动模式过程极为复杂，推测所基于的数据并不全面，且仅能提供粗粒度的移动性描述，这导致其结果应用范围并不广泛。
4 实际车辆移动模型架构
移动模型的性能主要取决于三个方面：车辆的移动模式、车辆间的相互影响以及对交通规则的执行。车辆的移动模式包括道路对车辆的约束，车辆的基本行驶速度、加速度，对到达目的地的路径选择等；车辆间的相互影响主要体现在前车对当前车辆速度影响，例如在车辆拥挤状态下，保持安全车距跟随前车行驶。而交通规则的执行主要是根据车辆所通过的岔路口交通灯信号或路标进行车辆行驶控制。为了创建更贴近真实车辆运动模拟器以适应特定的应用场景，研究者们提出了真实车辆移动模型的全功能概念视图，如图1所示。
在图1中，移动模型分为了两大主要模块：运动约束和交通生成器。运动约束由拓扑地图和交叉路口管理构成，体现了多车道车流、吸引点/排斥点以及道路障碍对车辆行驶速度的影响。其中吸引点指的是车辆移动至相似的目的点所在地，排斥点指的是车辆出发以相似的起点所在地。而交叉路口管理是对交叉路口的交通规则执行进行建模。交通生成器由车辆生成器和驾驶员生成器构成。车辆生成器定义了车辆的类型以及车辆生成的初始位置。驾驶员生成器主要体现驾驶员与环境之间的交互。时间模式主要用以描述不同时间段的车流密度，比如上下班高峰期道路拥挤状态或者凌晨道路车辆稀疏等状态。外部影响用以主动建模一些运动模式，比如交通事故，临时道路施工等。
5 探讨与展望
VANET作为一种新兴的技术，近年来广泛受到研究机构和企业的关注。目前，车载网络的发展还处于萌芽阶段，并没有形成完整的产业链条和业界标准，无论是软件还是硬件，各大汽车厂商各自为战，其技术研究成果仅加载在自家品牌的高级车辆，各品牌车辆之间的车载通信并不兼容，很难构建大规模，可多次重复的现实评测场景。VANET的性能评测依旧严重依赖于仿真测试。
对车辆移动模型的建模，其直接目标是对车辆移动性对车载网络和应用协议的评估。在现实环境中，高速行驶中的车辆的精确定位、对信号传输造成衰弱或阻断的无线通信障碍都是需要考虑的问题。对于车载网络仿真来说，移动模型是其关键组成部分之一，网络模拟以及信号传播控制之间的相互融合达到每个参数都能有效的影响其他组成模块的效果是车辆移动建模未来发展的方向。
6 总结
VANET的运动模式具有高移动性和自由度受道路约束等特点。对于车载网络的仿真测试，要求所使用的移动模型能够尽可能的反映真实情况的车辆运动模式。本文根据范围和特性功能，探讨了VANET不同分类的移动模型特点，介绍了真实车辆运动模式应该遵循的架构，并简要讨论了目前VANET的发展状况以及未来可能的发展趋势。
参考文献：
[1] Hassanabadi B， Shea C， Zhang L， et al. Clustering in vehicular ad hoc networks using affinity propagation[J]. Ad Hoc Networks， 2014， 13： 535-548.
[2] 魏达，王沿锡，王健，等. 车载自组网移动模型综述[J].计算机学报，2013， 36（4）：677-700.
[3] Tian J，Hahner， Becker C，Stepanov I， Rothermel. K.Graph-based mobility model for mobile ad-hoc network simulation.Proceedings of the 35th Annual Simulation Symposium[C]. San Diego， California， USA. 2002. 337-344.
[4] Seskar T， Marie S， Holtzman J， Wasserman J. Rate of location area updates in cellular systems. Proceedings of the Vehicular Technology Conference[C]. Denver， CO， USA. 1992（2）： 694-697.
[5] Bettstetter C. Smooth is better than sharp： A random mobility model for simulation of wireless networks. Analysis and Simulation of Wireless and Mobile Systems[C]. New York， America. 2001. 19-27.
[6] Trieber M， Hennecke A， Helbing D. Congested traffic states in empirical observations and microscopic simulations[J]. Physical Review E-Statistical Physics. 2000， 62（2A）： 1805-1824.
[7] Hannes Hartenstein，Kenneth P Laberteaux. VANET车载网技术及应用[M].孙立民，何云华，周新运，等，译.北京：清华大学出版社，2013：93-131.