智能网联车辆雾架构集群调度运行管理方法

苏建华，李留根

智能网联车辆雾架构集群调度运行管理方法

苏建华，李留根

（中国电子科技集团公司第二十七研究所，河南 郑州 450047）

为增强公安交通管理部门的交通管理能力，提升城市交通通行的效率，针对车联网环境下车辆智能管理工作，以城市区域内大规模智能网联车辆为研究对象，开展集群调度运行管理方法研究。首先，提出集群调度运行管理的车路协同管控与服务的雾架构，其主要由物理传感器数据生成层、实体雾节点雾计算层和数据管理信息服务中心远程云计算层三层组成。然后，以雾架构为纲详细介绍了雾节点的六种可能的通信路径以及雾引擎需配置具备的三种工作模式。接着，以智能网联车辆集群调度运行应遵循的四点原则为出发点，给出了雾编排器集群调度运行管理的方法，包括调度计划的制定、发布、集群调度运行以及效果评估四个步骤。最后，通过五车编队试验验证提出的雾架构及集群调度运行管理方法的调度原理，试验结果表明，可将五辆具有一定智能性的无人车辆运行到各自的指定区域，验证了雾架构及集群车辆的调度运行管理方法的可行性与可实施性。

交通管理；城市交通；智能网联车辆；雾架构

智能网联汽车产业是汽车、电子、信息通信、道路交通运输等行业深度融合的新兴产业，是全球创新热点和未来发展制高点。《车联网（智能网联汽车）产业发展行动计划》[1]为智能网联汽车产业相关的车辆、各级各类管理服务及信息系统平台、智能道路基础设施的发展指明了方向，这些都是车辆智能管理的基础。《国家车联网产业标准体系建设指南（车辆智能管理）》[2]指出智能网联汽车开展道路运行管理工作是车辆智能管理的核心所在，车路协同管控与服务工作是支撑车联网技术在道路交通管理领域应用的根本保障。车路协同管控与服务主要支撑车联网环境下道路交通管理设施信息交互及基于道路交通管理相关信息系统提供信息服务，其中道路交通管理信息服务指运用道路交通信号管控、道路交通违法取证、交通管理综合应用、指挥调度等系统及面向车联网的应用服务平台等手段实现道路运行管理。可见智能网联车辆在车联网环境下的指挥调度运行管理是车辆智能管理的重要组成部分。

智能网联车辆集群调度运行管理整合了信息通信、车辆控制、复杂环境感知和自主决策等体系化、网络化、人工智能协同应用的制高点技术是车辆智能管理的顶层应用方式，实现了人-车-路-云一体化的协调管控与服务应用，能充分发挥跨行业、跨部门的综合大数据及云平台、道路基础设施的效能，对破解道路拥堵、车辆事故等城镇化难题具有重要意义，尤其是极端暴雨灾害发生时，有效提升环境复杂区域交通通行效率，保障人民生命财产安全；又可应用到作业类车辆，借助集群优势发挥作业效能，达到倍乘效应，提升作业效率；亦可应用于作战环境中，大规模集群运用优势更为显著。同时对提升我国汽车产业水平，促进汽车工业化发展具有战略意义。因此,开展集群调度运行管理的研究工作非常必要，但当前这方面的研究还比较欠缺。

文献[3]给出智能交通应用的雾计算模型，并指出通过智能交通系统数据流的数据驱动分析来有效利用交通资源是最佳策略，为本文车路协同管控与服务的多层雾架构设计和雾编排管理方法提供了启发；文献[4]指出雾计算是解决车内外通讯机制、安全和隐私，以及车辆自主决策处理需求这四个汽车业未来挑战的有效方式，为本文智能网联汽车车载雾引擎的部署以及基于雾节点车辆架构设计提供了实施思路；文献[5]介绍了移动边缘计算系统的架构、基本构成以及路由子系统的数据转发路径，为本文雾节点通信链路及雾引擎工作模式的提出提供了引导支持；文献[6]、文献[7]和文献[8]聚焦于智能网联汽车架构、功能以及车联网组网、应用等关键技术，分别提出了智能网联车辆架构或车联网运行架构，但均未充分考虑集群规模应用场景需要的系统开放架构以及在终端用户或者靠近终端用户处大数据驱动的计算模型；文献[8]中提出的5G+MEC+V2X的车联网解决方案，为本文集群调度运行管理的车路协同交通路口基础设施的布置提供了借鉴；文献[9]、文献[10]、文献[11]和文献[12]研究多智能体系统的运行算法和原理，为本文提出集群调度应遵循的四点原则和群集的智能网联车辆调度运行提供了理论支持。

本文主要从以下几个方面进行组织：首先，详细介绍智能网联车辆集群调度运行管理的雾架构原理及范式，包括车路协同管控与服务的雾计算架构、雾节点通信路径、雾引擎的工作模式等；其次，重点阐释集群调度运行管理的实施步骤；再次，试验验证集群调度原理的可实施性；最后，得出结论并给出后续研究的意见建议。

1 雾架构设计

考虑到公安交通管理部门针对大规模智能网联车辆开展道路交通管理工作面临现实挑战，以及雾计算架构在认知、效率、敏捷性、时延等方面的优势，提出雾计算范式的智能网联车辆集群调度运行管理解决方案。

1.1 雾架构组成

集群调度运行管理的车路协同管控与服务雾计算架构，如图1所示。该架构包括物理传感器数据生成层、实体雾节点雾计算层和数据管理信息服务中心远程云计算层。

图1 智能网联车辆集群调度运行管理的雾架构

第一层为物理传感器数据生成层，主要包括智能网联车辆上装配的摄像头、激光雷达、毫米波雷达、超声波雷达、惯性测量单元（Inertial Measurement Unit, IMU）、全球定位系统（Global Positioning System, GPS）等及各交通路口部署的交通灯、广播、摄像头、毫米波雷达、激光雷达、5G CPE、5G RSU等分布在智能交通系统地理区域的智能传感器设备。这些传感器设备从智能交通系统的各种运行场景中获取情景信息，生成海量数据流作为一个连贯的整体进行处理，以增强集群智能网联车辆行驶的可靠性、安全性。数据生成层可能偶尔会过滤数据流以供本地使用，用于端点分析决策，同时通过专用网关将数据流与决策结果卸载到车载雾节点、路侧雾节点或通信雾节点。这些实体可以抽象成特定应用的逻辑集群，直接或间接受到智能交通系统操作控制模式的影响。在连接的智能网联车辆网络中智能传感器设备集群是由带雾引擎的车载雾节点组织形成，集群的智能网联车辆进一步自行组织形成集群的车辆雾。在各交通路口，部署的智能传感器设备及路侧单元集群由带雾引擎的路侧雾节点组织形成，与集群的智能网联车辆雾节点、智能手机、智能可穿戴设备等通信，结合路侧传感器集群生成的数据，完成存储、计算，并过滤卸载部分数据到通信雾节点或远程云。

第二层由实体雾节点构成雾计算层，包括车载雾节点、路侧雾节点和通信雾节点，通常由路由器、交换机、代理服务器、商品硬件等构成，这些智能雾节点具有存储能力、计算和数据包路由功能。通过软件定义网络将实体集群组装成虚拟集群间专用网络，该网络将生成的数据路由到跨越雾计算层的雾设备。雾设备及其相应的使用工具形成地理分布的虚拟计算快照或实例，这些快照或实例映射到较低层的设备，以满足处理和计算需求。每个雾节点都映射到覆盖一辆智能网联车辆、一个交通路口或小区域的本地传感器集群，负责实时执行数据分析。雾节点平行于层中位于下面的雾节点来执行任务，在主从模式中，雾节点可形成雾节点的进一步子树，树中每个较高深度的节点由较低深度的节点管理。数据分析结果反馈并报告给从交通路口雾节点到城市级综合管理服务平台，用于复杂的，历史的和大规模的行为分析和状态监控。第一层生成的海量数据中的很大一部分不需要发送到远程云，因此响应时延和带宽消耗问题可以很容易地解决。

第三层是最上层为数据管理信息服务中心远程云计算层，由大型数据中心组成，集群调度运行管理通常涉及城市级综合管理服务平台、公安交通管理信息系统中心、汽车企业管理平台、行业外车联网平台等，主要业务是完成城市级管理服务、智能交通监控、气象、自然灾害等数据的集中与发布，为城市综合智能网联车辆管理提供决策依据，而调度运行管理操作主要在公安交通管理信息系统中心完成，制定调度计划，由云-雾编排器统筹调度各种资源执行管理任务。这一层的计算元素集中于产生复杂的、长期的和全市范围的行为分析、如大规模事件检测、长期模式识别和关系建模，以支持动态决策。这将确保车辆智能管理系统在自然灾害或大规模服务中断的情况下执行广域态势感知、广域需求响应和资源管理。第二层雾计算层侧重于提供本地化、地理分布智能、低时延和环境感知支持，处理输出一般分为两个维度：第一个维度包括分析和状态报告以及相应的数据，这些数据需要大规模和长期的行为分析和状态监测，该类数据集通过高速广域网网关和链路卸载到位于第三层的远程云计算数据中心；第二个维度是对一致的数据使用者的推论、决策和快速反馈控制，不需要上传云计算数据中心。

1.2 雾节点通信

图2给出了雾节点之间的数据转发通路，通常有如下六种情况。

1）智能网联车辆之间的通信。临近的智能网联车辆之间交互的数据主要包括经车辆初步处理后的传感器群采集信息及车辆运行状态信息等。集群调度运行过程中，智能网联车辆之间交换的数据都应由车辆自身或者通信的车辆之间的车载雾引擎进行数据分析、编排和存储，充分发挥智能网联车辆集群的计算、存储能力，减少数据对外传输量，降低对其他通信转发通路的依赖，保证响应的及时性。

2）智能网联车辆集群与路侧单元群之间的通信。该类通信指不同行驶方向的智能网联车辆集群通过作为簇头的车辆与行驶方向相关的最邻近路侧单元之间的数据交互。交换的数据主要包括行人及骑行人员的状态信息、路况信息、交通灯状态信息、车辆的行驶状态及调度目的地等。作为簇头的智能网联车辆从临近车辆接收数据进行分析处理，再将数据与路侧单元进行交换，充分利用路侧单元更强的计算、分析和存储能力，为集群调度运行管理提供、发布各类信息，确保集群调度的可实施性。

3）智能网联车辆集群与通信基站群之间的通信。该类通信指不同行驶方向的智能网联车辆集群通过作为簇头的智能网联车辆与同一个或不同的通信基站之间的数据交换。交换的数据主要是不同的智能网联车辆集群的车辆运行状态信息，如车辆调度目的地距离信息，智能网联车辆集群的分流或合并。因集群调度运行覆盖区域广，车辆数量也将非常庞大，存在同向或不同向临近的智能网联车辆集群同时与同一个或不同的通信基站进行数据交换，尤其是在非交通路口，此时应充分发挥通信基站雾节点的计算、存储和分析能力，并确保上下行数据传输的连续性和保密性。

4）路侧单元群与通信基站群之间的通信。该类通信指交通路口各点位作为簇头的路侧雾节点与通信基站之间的数据交互。交换的数据主要是路侧各点位布置的传感器采集的行人及骑行人员等非车辆通勤者的状态信息、路况信息、交通灯状态信息、各方向车流量状态信息等。同一交通路口各点位的多个路侧雾节点相互通信形成一个簇，其中的一个雾引擎作为簇头。

5）智能网联车辆集群经通信基站群与云之间的通信。

图2 雾节点间通信路径及雾引擎工作模式

该类通信指在智能网联车辆集群与通信基站群通信的基础上，经通信基站群与远程云进行的数据交换。交换的数据主要包括向每个智能网联车辆发布调度目的地信息、接管调度运行状态信息以及对作为簇头的智能网联车辆的操控命令等。

6）路侧单元群经通信基站群与云之间的通信。该类通信指在路侧单元群与通信基站群通信的基础上，经通信基站群与远程云进行的数据交换。交换的数据主要包括向各交通路口的行人、车辆广播发布的气象信息、车辆的调度运行管理模式信息、交通灯的运行状态控制信息以及路况状态信息等。

通过以上六种数据转发路径，既可以保证对生成位置附近的数据进行内部部署和实时预处理、分析，又可以以分布式和动态方式促进物理实体传感器群、智能网联车辆集群、路侧单元群、通信基站群与远程云之间的协作和交互。

1.3 雾引擎工作模式

各雾节点均集成雾引擎。雾引擎主要由数据分析和存储单元、编排单元、通信单元等模块化应用编程接口组成，如图2所示。在智能网联车辆集群调度运行环境中，需灵活配置为以下三种工作模式之一。

1）雾引擎作为代理。雾引擎经过配置作为代理，如智能网联车辆集群中不作为簇头的智能网联车辆，其车载雾引擎是作为代理的（如车载雾节点(2)）。传感器捕获的数据由该车辆雾引擎读取，过滤、清洗，然后传输到作为簇头的智能网联车辆的车载雾引擎，数据被直接传输，不做进一步处理，如与相邻车辆的距离信息、离隔离带或者花坛等障碍物的距离信息等。雾引擎作为代理的智能网联车辆的本体信息，由其雾引擎编排单元进行编排、分析、处理、存储，控制车辆行驶状态。

2）雾引擎作为数据分析引擎。雾引擎经过配置作为数据分析引擎，如路侧单元群中非作为簇头的路侧单元的雾节点（如路侧雾节点④）以及通信基站群中非向云传输数据仅用作计算、分析、存储功能的通信基站雾节点（如通信雾节点Ⅱ）。通过利用雾引擎的数据分析单元，数据经过分析并存储在本地存储中，雾引擎和云之间不需要实时数据流，雾引擎只需要定期向云或者其他存储单元卸载数据。数据在雾引擎中进行本地分析，这减少向云传输数据的高昂成本以及对稳定网络连接的依赖，降低了云分析时需要处理不同来源生成数据的复杂性。

3）雾引擎作为服务器。在第三种配置中多个雾引擎形成一个簇，其中一个雾引擎作为簇头，簇头雾引擎作为代理服务器，如车载雾节点(1)、路侧雾节点②、通信雾节点Ⅰ。簇头从传感器群、临近的作为代理的雾引擎、作为数据分析引擎的雾节点中接收并分析数据，再将数据传输到其他本地相关雾引擎或者云。在这种情况下，雾引擎的通信单元的传感器网络接口、对等网络应用程序编程接口（Application Programming Interface, API）、网络接口（网关）/云API三个部分都需啮合。该类配置的优点，作为簇头车载雾引擎管理临近的智能网联车辆集群，可充分发挥集群智能网联车辆的计算、分析、存储能力，扩大集群调度运行管理的车辆的数量，满足大流量集群调度需求。另一方面，只有作为簇头的智能网联车辆与路侧单元建立通信通道，传输数据量较少，避免对路侧单元的计算、分析、存储造成压力；作为簇头的路侧雾节点雾引擎管理所处交通路口其他点位的路侧雾节点雾引擎，且只与行驶方向相关的最邻近智能网联车辆集群簇头车载雾引擎进行数据交互（如车载雾节点(1)与路侧雾节点②），可发挥路侧单元群较强的计算、分析、存储能力，也减少对通信基站通信通道的过分依赖；作为代理服务器的通信基站雾引擎管理与云之间的信道，不需要在雾引擎和云之间建立多个独立信道，可有效保证数据的连续性，为大范围区域集群调度车辆提供了可行性。可见，雾引擎作为服务器配置的优势除了数据量较小之外，还可聚合从多种类、多用途传感器设备收集的数据，并将其通过作为簇头的雾引擎以一条信息的形式最终传输到远程云。同时可节省设备的存储空间和能耗，在集群调度运行过程中，以最小化信息量扩充允许的最大调度车辆数量，这减少了信息传输，降低了云应用成本。

2 集群调度运行管理方法

首先给出智能网联车辆集群调度运行应遵循的四点原则：第一，生命至上，以生命财产的安全为第一原则；第二，适应交通法规原则，避免因集群调度运行造成新的更大交通混乱，应迅速把混乱状态降低或消除；第三，接近原则，实施调度的目标地设置区域尽量接近其原本的运行目的地轨迹方向；第四，远离原则，集群调度运行完成后，智能网联车辆应远离目标运行地，且避免再次进入实施调度的区域，直到解除限制。

智能网联车辆集群调度运行管理的雾编排场景，如图3所示。公安交通管理信息系统中心工作人员综合评估雾编排器能调度的资源和状态监控等因素的基础上制定集群调度管理计划。由雾编排器将实施计划策略下发到调度区域内的各类聚合雾节点，确保不同聚合节点之间可接受的一致性。通讯聚合节点的本地编排器根据下发的计划调控交通路口的资源、发布实施集群调度命令，并结合雾代理服务器、雾数据缓存、雾数据存储等功能设施，将集群调度运行的雾计算、存储、分析靠近被调度实施的主体，也利于大区域内雾通信聚合节点处理多移动性目标的数据连贯性，达到智能车辆集群调度运行管理的目的。

图3 集群调度运行管理的雾编排场

集群调度运行管理的一般实施步骤如下：

步骤1：集群调度计划的制定。公安交通管理信息系统中心工作人员根据城市级综合管理服务平台传输下达的气象环境、交通调度要求以及交通管理信息系统中心监测的道路及交通通行状态等信息，以集群调度运行应遵循的四点原则为出发点，制定交通参与者下一步的运行计划，主要是行人及骑行人员、智能网联车辆集群调度管理的实施计划。如通过广播及智能手机提醒行人及骑行人员即将执行车辆集群调度管理及其下一步需执行的行动要求；通过声、光、文字等提醒驾乘人员外部环境的不安全状态及车辆即将进入的接管模式、目标运行地。调度管理计划通过公安交通管理信息系统中心服务器系统功能软件进行设置下发。

步骤2：集群调度计划发布。调度管理计划制定完成后自动下发到雾编排器，雾编排器结合调度区域内的可用资源，如通信聚合节点数量及其覆盖范围，将调度计划转化为各通信聚合节点的可执行操控命令，雾编排器协调实现各通信聚合节点调度运行管理可接受的一致性，如各交通路口各方向的智能交通灯应保持跨交通路口各方向车辆高效通行的连续性。本地编排器将执行命令统筹下发到各交通路口主聚合节点及其他聚合节点，然后交通路口聚合节点将具体的执行要求就近发送到行人骑行人员及每一辆智能网联车辆。此时行人及骑行人员具备了明确的执行要求，如某交通路口禁止通行，并需等待本地编排器实时下发的执行命令等。每一辆智能网联车辆则接收到明确的接管模式和目标运行地，此时驾乘人员不再具有车辆的通行控制权。

步骤3：集群调度运行。调度区域内各交通路口的智能网联车辆接收到各自的接管模式和目标运行地后将其转化设置为车辆的控制信息和实时数字路线导航引导，群集的智能网联车辆运行遵守集群运行控制策略的约束。为避免碰撞，把道路两旁及中间的绿化带、环岛、隔离带等固定物视为墙、圆形障碍物或两者的组合形式，不可通行。就近车辆之间与接近的交通路口各聚合节点实施通信，反馈、监测运行状态及下发运行控制命令等实行实时分析处理、上传通信聚合节点、雾编排器或远程云。雾编排器在不同通信聚合节点衔接地带协调数据的连续性。

步骤4：集群调度效果评估。公安交通管理信息系统中心实时监测集群调度运行的状态，并根据调度运行过程中出现的情况进行调度计划的调整和下发，确保实现集群调度管理的目标。在调度完成后应对各群集智能网联车辆各自调度目标的实现情况进行评估，形成评估报告，为后续公安交通管理信息系统中心智能网联车辆自动集群调度计划制定提供技术积累。

智能网联车辆集群调度运行管理场景是高度分布式的，在大范围区域内转化计划、发布控制命令和收集数据，雾编排器应精心编排并确保不同聚合点之间可接受的一致性，其对大区域大数量智能网联车辆的调度运行管理的实施至关重要。

3 试验验证

为验证提出的雾架构集群调度运行管理方法，搭建了试验平台，其原理如图4所示。其由遥控基站服务器分系统、无人某型指挥车车辆编队、信息收发通信链路分系统三部分组成。遥控基站服务器分系统包括多台服务器主机、显示器、通信组件等；无人某型指挥车分系统由5台具有一定智能的车辆组成。

图4 验证试验原理框图

验证试验服务中心，如图5所示。操作人员用一台服务器主机为5台车辆设置各自的运行目的地等执行计划并通过信息收发通信链路下发到每一辆车。

集群调度车辆运行状态，如图6所示。车辆自主从起始位置出发并持续行驶，图中可见标识77的车辆已运行17.07米，该试验验证了基于雾架构的智能网联车辆集群调度运行管理的可实施性。

图5 原理验证试验服务中心

图6 集群调度运行试验验证

4 结论

1）以城市区域内大规模智能网联车辆的集群调度运行管理方法为研究内容，深入探讨了智能网联车辆集群调度的雾计算原理及范式，提出集群调度运行管理的车路协同管控与服务的雾计算架构，详细介绍了远程云、交通路口、群集智能网联车辆及通信终端构成的数据管理信息服务中心远程云计算层、实体雾节点雾计算层、物理传感器数据生成层三层架构及各层的功能、配置和布置方式。以架构为纲深入介绍了各层雾节点之间的通信路径、雾引擎的三种工作模式以及云-雾编排器的原理及集群调度运行管理的工作步骤，形成了具备实施性的城市交通大规模集群智能网联车辆高效调度运行管理的理论基础和工程实践方案。

2）为验证提出的智能网联车辆集群调度雾计算架构以及运行管理方法的基本原理，构建了以遥控基站服务器分系统和五车编队为基础的试验验证平台。试验结果表明：将5辆具有一定智能的无人车辆调度运行到各自的指定区域，验证了雾架构和集群车辆的调度运行管理方法的可行性与可实施性。

3）开展智能网联汽车集群调度运行管理的深入研究是非常必要的，尤其要重视大规模作业和作战领域的应用。后续将在提出的智能网联车辆集群调度雾计算范式的基础上开展远程通信的灵活性及低依赖度方面的研究；另一方面针对提出的车路协同管控与服务的雾计算架构在整个城市交通体系的应用进行深入探讨，希望能为推动车辆智能管理的进步提供指导和帮助。

[1] 工业和信息化部.关于印发《车联网（智能网联汽车）产业发展行动计划》的通知[EB/OL].(2018-12-28) [2022-08-28].http://www.gov.cn/zhengce/zhengceku/2018-12/31/content_5442947.htm.

[2] 工业和信息化部,国家标准化管理委员会.国家车联网产业标准体系建设指南（车辆智能管理）[EB/OL]. (2018-06-08)[2022-08-20]http://www.gov.cn/zhengce/zhengceku/2018-12/31/content_5440205.htm.

[3] 拉库马·布亚,萨蒂什·纳拉亚纳·斯里拉马.雾计算与边缘计算:原理及范式[M].北京:机械工业出版社,2020.

[4] 蒋濛,巴拉思·巴拉萨布拉曼尼安.雾计算:技术、架构 及应用[M].北京:机械工业出版社,2017.

[5] 俞一帆,任春明,阮磊峰,等.5G移动边缘计算[M].北京:人民邮电出版社,2017.

[6] 崔明阳,黄荷叶,许庆,等.智能网联汽车架构、功能与应用关键技术[J].清华大学学报(自然科学报),2022, 62(3):493-508.

[7] 马小婷,赵军辉,孙笑科,等.基于MEC的车联网协作组网关键技术[J].电信科学,2020,36(6):28-37.

[8] 中国联合网络通信集团有限公司,联想集团.5G+ MEC+V2X车联网解决方案白皮书[EB/OL].(2021- 03-18)[2022-07-25].https://laoyaoba.com/n/775447.

[9] 张毅,裴华鑫,姚丹亚.车路协同环境下车辆群体协同决策研究综述[J].交通运输工程学报,2022,22(3):1-18.

[10] OLFATI-SABER R.Flocking for Multi-agent Dynamic Systems:Algoritjms and Theory[J].IEEE Transactions on Automatic Control,2006,51(3):401-420.

[11] 李罗飞,罗禹贡,刘畅,等.智能网联车辆队列紧急工况控制策略设计[J].汽车工程,2022,44(3):299-307.

[12] 裴华鑫,杨敬轩,胡坚明,等.大规模路网中分布式车辆群体协同决策方法[J].交通运输工程学报,2022,22 (3):174-184.

Fog Architecture for the Dispatching Operation Management Method of Flocking for Intelligent Connected Vehicles

SU Jianhua, LI Liugen

( The 27th Reserach Institute of China Electronics Technology Group Corporation, Zhengzhou 450047, China )

In order to enhance the traffic management capacity of public security traffic management departments and improve the urban traffic efficiency,this paper focuses on the research of dispatching operation management method of flocking for intelligent vehicle management in the context of vehicle networking has been conducted with large-scale intelligent connected vehicles in urban areas as the research object. Firstly, a fog architecture for the coordinated control and service of vehicles and routes in scheduling and operation management is proposed, which is mainly composed of three layers: the physical sensor data generation layer, the entity fog node fog computing layer, and the data management information service center remote cloud computing layer. Then, taking the fog architecture as an outline, the six possible communication paths of the fog node and the three working modes that the fog engine needs to be configured with are detailed. Next, based on the four principles that should be followed in the flocking for the intelligent connected vehicles dispatching operation management, a method for managing the dispatching operation management of the fog arranger is presented, including four steps: the formulation and issuance of scheduling plans, the flocking scheduling operation, and the effectiveness evaluation. Finally, the scheduling principles of the proposed fog architecture and flocking scheduling operation management method are verified through a five-vehicle formation test. The test results show that five intelligent unmanned vehicles can be operated to their designated areas, verifying the feasibility and enforceability of the fog architecture and scheduling operation management method of flocking for vehicles.

Traffic management; Urban traffic; Intelligent connected vehicles; Fog architecture

U491.2

A

1671-7988(2023)11-57-09

苏建华（1982－），男，硕士，高级工程师，研究方向为智能网联特种车辆，E-mail:sujianhua918@163.com。

10.16638/j.cnki.1671-7988.2023.011.010