面向智能交通的元数字孪生协同系统：感知、推理与资源调度新范式

《ARTIFICIAL INTELLIGENCE REVIEW》：A collaborative metaverse-digital twin system for traffic perception, reasoning, and resource scheduling

本文针对高动态高并发城市交通环境中智能系统面临的感知碎片化、推理浅层化和调度延迟等挑战，提出了一种融合数字孪生(Digital Twin, DT)与元宇宙(Metaverse)语义建模的协同框架。研究团队构建了包含物理基础设施层、虚拟孪生资源层和交通态势感知层的三层架构，形成了"感知-推理-调度"的闭环机制。通过设计元宇宙驱动的混合专家感知网络(MTMoE)和融合虚拟化资源映射的多智能体调度机制，实验证明该方法在任务接受率、长期收益和资源利用效率等关键指标上优于现有主流方法，显著提升了复杂交通场景下的系统适应性和智能决策水平。

　　

随着现代城市智能化进程加速，城市交通系统的复杂性和动态性日益增强。智能交通系统(Intelligent Transportation System, ITS)面临着准确感知交通资源变化、高效调度多层次计算资源、实时响应突发事件的重大挑战。一方面，交通运行受多种动态因素驱动，呈现出时空异质性、场景多样性和行为交互复杂性；另一方面，云边端计算基础设施在交通系统中的广泛应用，带来了大规模、异构、多源的计算环境，对统一资源感知和协同调度提出了更高要求。

然而，现有智能交通系统存在明显局限性。数字孪生技术虽能实现物理交通要素的高保真建模和实时映射，为资源状态评估、运行趋势预测和调度策略仿真提供可靠基础，但在语义理解、交互表征和闭环策略执行方面存在不足。传统DT系统遵循"物理感知-虚拟建模-策略生成"的线性流程，难以满足高频、多因素的智能交通场景需求。

为突破这些瓶颈，研究团队创新性地将元宇宙范式引入交通系统建模与感知架构。与传统DT系统侧重于物理映射不同，元宇宙强调虚拟环境中的语义建模、沉浸式交互和多智能体行为模拟，在沉浸式可视化、社会属性建模和智能体交互方面具有独特优势。元宇宙与智能交通的融合有望实现从结构映射到语义认知的范式转变，使交通系统从"被动重建物理世界"转向"主动理解多元行为场景"。

研究团队提出了一种元数字孪生协同系统，构建了三层协同架构：物理基础设施层负责采集交通环境原始数据；虚拟孪生资源层利用DT技术构建资源虚拟映射；态势感知层借助元宇宙交互可视化能力构建交通状态感知混合专家模型。这一架构形成了以"感知-推理-调度"为核心的闭环智能系统，解决了云边端设备资源碎片化和调度链条不完整的问题。

在虚拟孪生资源层，研究团队实现了异构计算资源的虚拟化建模，构建了资源拓扑图，其中节点和链路均带有加权属性以表示资源容量和使用情况。通过虚拟网络嵌入(Virtual Network Embedding, VNE)过程，将虚拟资源请求成功映射到物理节点和链路上，为上层模块的交通感知和智能决策提供支持。

态势感知层核心创新是MTMoE框架，该框架整合了元宇宙语义建模与混合专家架构。系统采用分层专家体系：云专家基于Transformer模型捕捉全局交通趋势，边缘专家应用图神经网络(Graph Neural Networks, GNNs)分析区域移动行为，终端专家使用轻量级LSTM模型处理实时局部异常。这些专家模块通过可训练的门控网络动态协调，集成元宇宙的上下文信息作为专家选择的关键因素。

云专家模型专注于全局交通信息和策略趋势建模。通过位置编码层注入绝对时间信息，时序依赖建模层提取层次化时间特征，输出层聚合时间维度为全局向量，输出区域负载情况和下一时间窗口资源预留大小。

边缘专家针对区域交通状态和交通监控，利用图神经网络处理路网拓扑约束下的场景信息。通过拓扑结构嵌入、动态关系感知和区域态势输出三个模块，生成包含区域拥堵和交通流预测信息的输出。

终端专家处理高频、实时、小样本数据，基于LSTM实现短期感知和即时异常响应。通过时间序列感知模块和状态输出模块，获取设备状态和位置信息。

在多智能体系统设计方面，研究团队按照集中训练分散执行(Centralized Training with Decentralized Execution, CTDE)范式，设计了云、边缘和终端三类智能体。云智能体负责云边资源协同调度和长期资源预留；边缘智能体处理边端资源协同调度和终端任务处理；终端智能体负责任务分割策略和应急感知。通过差异化个体奖励机制和全局奖励函数，引导智能体高效协作。

研究团队引入TURRET结构迁移算法作为多智能体系统的核心调度方法。该算法专为多源任务、异构状态空间和结构不一致场景下的策略迁移而设计，采用基于图神经网络的联合策略迁移机制，为交通资源建模和分布式决策提供统一表达空间和动态策略组合方法。

实验评估采用GT-ITM仿真工具和PyTorch深度学习框架，构建包含100个物理节点和600条物理链路的网络拓扑，生成2000个虚拟网络请求。与MTCN、D-AMRA和Improved-A3C等现有算法对比，从接受率、长期平均收益、长期收益成本比等多维度评估算法性能。

在接受率指标上，本文模型表现出更强稳定性和适应性，相比D-AMRA、MTCN和Improved-A3C分别提升0.78%、1.76%和2.51%。这主要得益于MTMoE实现从云到边到端的多层次语义感知，使系统能够提前预判区域资源态势，引导智能体进行前瞻性资源预留。

长期平均收益方面，本文模型在整个时间段保持稳定高收益水平，相比基线方法提升2.6%-18.0%。优势在于面向长期系统演化的调度灵活性和收益优化机制，支持跨时间窗口策略调整，提高单位资源回报率。

长期收益成本比指标显示，本文模型始终维持较高R/C水平，相比对比算法提升0.6%-1.9%。这得益于面向未来资源动态的精益调度机制，通过结合任务延迟和拥堵状态动态优化资源分配。

云决策能力指数持续上升趋势验证了MTMoE中基于Transformer的时间建模准确性，能够精准捕捉动态交通规律。多智能体系统基于MTMoE态势预测，主动触发跨域资源协调和任务迁移，有效减缓SLA满意度下降速率。

边缘拥堵指数结果表明，本文模型表现出最优拥堵控制能力，最低且最稳定的ECI值。边缘专家通过图注意力网络预测拥堵时空传播，引导智能体在拥堵早期进行任务卸载和交通疏导，实现从被动应对到主动干预的策略转变。

区域负载均衡指数热图直观呈现了MTMoE生成的态势感知结果的空间色谱，协助识别跨区域资源调度失衡根源。颜色演变趋势显示高负载区域逐渐趋向平衡，验证了模型在跨区域资源协调和负载均衡方面的实际效果。

态势阈值偏差热图显示了MTMoE输出的多维度态势信息与系统设定阈值间的差距。大多数关键指标在多数区域波动相对较小且在预期范围内，反映了模型在多维资源协调和策略响应方面的稳定性。

消融实验进一步验证了MTMoE模块的核心作用。移除MTMoE后，模型性能下降，特别是在资源紧张的中后期，指标波动增大，SLA满意度约降低13%，ECI增加9.4%。这表明MTMoE在多层次协同系统中起到桥梁作用，其缺失导致系统退回基于低维可观测状态的局部驱动调度。

该研究通过数字孪生虚拟映射、元宇宙语义增强感知和多智能体协同决策的深度融合，推动了交通管理从被动监控转向主动认知、从结构感知转向语义推理、从分散决策转向闭环协同的范式转变。三层闭环协同架构整合物理感知、语义理解和资源调度三大功能模块，MTMoE多层专家模型有效增强复杂行为模式识别能力，基于图结构的TURRET结构迁移策略和多智能体优化机制实现异构资源条件下的高效自动调度和分布式执行，为交通系统应对突发流量激增、资源瓶颈等问题提供鲁棒框架。实验结果表明，所提系统在关键指标上优于选定基线算法，为下一代ITS提供了理论支撑和基础工程设计。

研究也存在一定局限性，包括计算开销和可扩展性挑战、对数据质量的敏感性以及仿真与现实间的差距。未来研究方向包括轻量化模型和混合云边架构、语义建模鲁棒性增强、高保真虚拟物理测试平台和人机协同协作等。这些工作将进一步提升系统在真实交通环境中的实用性和可靠性。