生態(tài)駕駛在智能網(wǎng)聯(lián)汽車中的應(yīng)用綜述＊

吳官樸 楊昱 趙陽 馬芳武

（吉林大學(xué) 汽車仿真與控制國家重點(diǎn)實(shí)驗(yàn)室，長春 130022）

主題詞：智能網(wǎng)聯(lián)汽車 生態(tài)駕駛 交叉口 汽車編隊(duì)

1 引言

我國汽車保有量不斷增加，使得每年燃油消耗量持續(xù)增長。據(jù)統(tǒng)計(jì)，截至2019年6月，我國汽車保有量突破2.5億輛[1]，造成嚴(yán)重的能源消耗和環(huán)境污染。汽車節(jié)能減排一直是國內(nèi)外研究熱點(diǎn)，尋找新型清潔能源[2]，研發(fā)并推廣新能源汽車[3-4]，是汽車節(jié)能減排手段之一。除此之外，生態(tài)駕駛技術(shù)也是一個可以顯著提高汽車燃油經(jīng)濟(jì)性的重要方式。

生態(tài)駕駛技術(shù)是以適應(yīng)現(xiàn)代發(fā)動機(jī)技術(shù)為基礎(chǔ)的經(jīng)濟(jì)、綠色的駕車?yán)砟詈图寄躘5]。生態(tài)駕駛旨在通過一些輔助措施或者相關(guān)培訓(xùn)來改善、提高駕駛?cè)说鸟{駛行為，以達(dá)到節(jié)約能源、減少排放的目的。相比于研發(fā)推廣新能源汽車，生態(tài)駕駛技術(shù)成本低且見效快[6]，是實(shí)現(xiàn)車輛節(jié)能減排的有效方式。

隨著未來智能交通運(yùn)輸系統(tǒng)關(guān)鍵技術(shù)的不斷發(fā)展，汽車行業(yè)朝向智能化與網(wǎng)聯(lián)化發(fā)展，利用智能網(wǎng)聯(lián)技術(shù)研究車輛復(fù)雜工況下的生態(tài)駕駛策略也成為近年來研究的熱點(diǎn)[7]。智能網(wǎng)聯(lián)汽車基于車-車通信、車-路通信，可實(shí)時(shí)獲取車輛信息與路況信息，為實(shí)施生態(tài)駕駛策略，實(shí)現(xiàn)綠色出行提供了強(qiáng)大平臺。

基于以上技術(shù)背景，本文圍繞生態(tài)駕駛在智能網(wǎng)聯(lián)汽車中的應(yīng)用，介紹了生態(tài)駕駛和智能網(wǎng)聯(lián)汽車相關(guān)背景技術(shù)，總結(jié)了生態(tài)駕駛發(fā)展歷程和智能網(wǎng)聯(lián)汽車技術(shù)體系架構(gòu)。結(jié)合生態(tài)駕駛在智能網(wǎng)聯(lián)汽車中的應(yīng)用場景，綜述了國內(nèi)外研究現(xiàn)狀。并基于目前研究現(xiàn)狀，展望了智能網(wǎng)聯(lián)汽車促進(jìn)生態(tài)駕駛技術(shù)應(yīng)用的未來研究趨勢。

2 背景技術(shù)

2.1 生態(tài)駕駛

生態(tài)駕駛技術(shù)源自歐美，學(xué)者們?yōu)闇p少車輛燃油浪費(fèi)和污染物排放，成立駕駛員培訓(xùn)項(xiàng)目來培養(yǎng)良好的駕駛習(xí)慣[8]。后經(jīng)進(jìn)一步發(fā)展，成為當(dāng)下生態(tài)駕駛技術(shù)，其宗旨為根據(jù)不同行駛路況，基于車輛的動力學(xué)特性，通過控制車輛動力系統(tǒng)和優(yōu)化行駛速度，來實(shí)現(xiàn)車輛能耗降低，減少污染氣體排放[9]。

生態(tài)駕駛影響因素眾多，總結(jié)起來可分為駕駛員個人因素、道路交通狀況、車輛行駛參數(shù)和自身特性[6，10]。駕駛員因素受駕駛員個性特征[11-12]和外界刺激[13]影響。隨著汽車行業(yè)朝向智能化與網(wǎng)聯(lián)化發(fā)展，自動駕駛輔助系統(tǒng)可有效輔助駕駛員完成車輛合理操控，進(jìn)而可減少駕駛員因素對車輛生態(tài)駕駛效果的影響[14]。

近年來，國內(nèi)外學(xué)者研究生態(tài)駕駛影響因素，主要集中在道路狀況與車輛行駛參數(shù)對生態(tài)駕駛策略的影響[15]。Mensing[16]等考慮了道路狀況和交通約束對生態(tài)駕駛的影響，并分析了3種不同汽車安全跟馳模型對車輛油耗的影響，結(jié)果表明，在交通限制情況下，生態(tài)駕駛在燃油消耗方面仍存在潛在收益。Wang[17]等研究了車輛速度與加速度對能耗的影響，分析了傳統(tǒng)公交車能耗最優(yōu)控制為繼電器式控制的不合理性，提出一種增強(qiáng)的公交車燃料消耗模型，模型結(jié)果表明最佳燃油經(jīng)濟(jì)性巡航速度在40～50 km/h之間。朱鵬興[18]研究了城市路況對生態(tài)駕駛策略的影響，通過采集實(shí)車道路試驗(yàn)數(shù)據(jù)，建立并驗(yàn)證了城市道路車輛在車路協(xié)同環(huán)境下的生態(tài)駕駛策略。Shankar[19]提出某款插電混合動力汽車能量最優(yōu)控制策略，并分析在不同程度的交通擁堵和不同道路類型情況下，同種初始狀態(tài)與速度工況下插電混動汽車的行駛里程變化。

生態(tài)駕駛國內(nèi)外應(yīng)用現(xiàn)狀主要包括生態(tài)駕駛輔助系統(tǒng)[14]和綠色生態(tài)智能交通系統(tǒng)[20]。綠色智能交通系統(tǒng)面向未來，從整個路網(wǎng)角度出發(fā)優(yōu)化城市交通，減少車輛制動與怠速，減少交通擁堵，進(jìn)而提高整個交通系統(tǒng)內(nèi)的交通效率。生態(tài)駕駛輔助系統(tǒng)則基于車-車通信與車-路協(xié)同技術(shù)，在駕駛途中實(shí)時(shí)采集行車數(shù)據(jù)和路況信息，為駕駛?cè)颂峁﹦討B(tài)生態(tài)駕駛建議，并在必要時(shí)對駕駛行為進(jìn)行適當(dāng)干預(yù)。據(jù)估計(jì)，生態(tài)駕駛輔助系統(tǒng)可減少10%～20%的能源消耗[21-22]。目前，對于生態(tài)駕駛輔助系統(tǒng)的研究，已有部分汽車企業(yè)如戴姆勒公司，將其應(yīng)用于實(shí)際。

2.2 智能網(wǎng)聯(lián)汽車

智能網(wǎng)聯(lián)汽車搭載先進(jìn)的傳感器與控制器，融合現(xiàn)代網(wǎng)絡(luò)通信技術(shù)，實(shí)現(xiàn)車與車、路、人、云等智能信息交換、共享，具備復(fù)雜環(huán)境感知、智能決策、協(xié)同控制等功能，可實(shí)現(xiàn)安全、高效、舒適、節(jié)能行駛[23]。智能網(wǎng)聯(lián)汽車可以提供更安全、更節(jié)能、更環(huán)保和更便捷的出行方式及綜合解決方案，是國際公認(rèn)的未來發(fā)展方向和關(guān)注焦點(diǎn)[24]。我國的智能網(wǎng)聯(lián)汽車已經(jīng)在國家戰(zhàn)略層面做出規(guī)劃，正逐步向智能化、集成化方向轉(zhuǎn)化[25]

相比于傳統(tǒng)車輛，智能網(wǎng)聯(lián)汽車優(yōu)勢體現(xiàn)在高度自動化和網(wǎng)聯(lián)化[26]。自動駕駛技術(shù)體系主要由感知、決策與控制3部分組成，如圖1所示。在感知層面，智能網(wǎng)聯(lián)汽車搭載GPS、攝像頭與雷達(dá)等傳感器，應(yīng)用高精度地圖，并通過車-車、車-路通信，實(shí)現(xiàn)復(fù)雜環(huán)境的全面感知。決策層實(shí)現(xiàn)傳感器數(shù)據(jù)融合處理，依據(jù)感知信息來進(jìn)行決策判斷，制定相應(yīng)控制策略。先進(jìn)的決策理論基于人工智能技術(shù)，包括強(qiáng)化學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)等技術(shù)，實(shí)現(xiàn)復(fù)雜路況下的綜合判斷，并規(guī)劃路徑。控制層響應(yīng)決策層的決策規(guī)劃，依據(jù)決策結(jié)果對車輛進(jìn)行控制，通過應(yīng)用車輛底盤線控等技術(shù)，實(shí)現(xiàn)車輛穩(wěn)定控制和軌跡跟隨。智能網(wǎng)聯(lián)車輛集感知、決策、控制于一體，綜合人、車、路等信息，實(shí)現(xiàn)提高交通效率，最終實(shí)現(xiàn)智慧交通與未來出行系統(tǒng)。

圖1 智能網(wǎng)聯(lián)汽車系統(tǒng)組成

智能網(wǎng)聯(lián)車輛依靠車載通信實(shí)現(xiàn)車輛網(wǎng)聯(lián)化。通過無線通信技術(shù)，車載通信系統(tǒng)將更有效地獲得駕駛員信息、自車的姿態(tài)信息和汽車周邊的環(huán)境數(shù)據(jù)，進(jìn)行整合與分析。基于蜂窩網(wǎng)絡(luò)的車聯(lián)網(wǎng)通信技術(shù)C-V2X(Cellular-Vehicle to everything)是主要的車聯(lián)網(wǎng)通信代表技術(shù)之一。其中，車間通信長期演進(jìn)技術(shù)(Long Term Evolution-Vehicle，LTE-V)是4G通信技術(shù)在汽車通信領(lǐng)域的一個重要的演化版本[24]。隨著我國網(wǎng)絡(luò)通信技術(shù)的不斷發(fā)展，5G技術(shù)的出現(xiàn)必將會助力智能網(wǎng)聯(lián)汽車實(shí)現(xiàn)行業(yè)的發(fā)展，助力出行領(lǐng)域形成一種新的人、車、路、網(wǎng)、端、云大融合[27]。5G通信技術(shù)，以其低延遲(小于1 ms)、高效能(速度為4G通信的10倍以上)和大容量，為智能網(wǎng)聯(lián)汽車實(shí)現(xiàn)車與路、車與車、車與人之間的實(shí)時(shí)信息交互創(chuàng)造良好的環(huán)境，在此基礎(chǔ)上實(shí)現(xiàn)車輛高度自動化行駛，提高交通出行效率，減少交通事故，極大改善未來出行方式。

通過對生態(tài)駕駛和智能網(wǎng)聯(lián)汽車相關(guān)技術(shù)總結(jié)分析，可得出以下結(jié)論。

（1）面對能源和污染問題，車輛的行駛策略是影響車輛行駛能耗的重要因素。生態(tài)駕駛是一種相對成本較低和有效的措施，具有減少車輛行駛過程中能耗和污染排放的潛力，是實(shí)現(xiàn)未來綠色出行的有效手段之一。

（2）隨著車輛自動化程度提高，應(yīng)用生態(tài)駕駛輔助系統(tǒng)，可減少駕駛員因素對生態(tài)駕駛效果影響，使道路狀況和車輛本身特性成為影響生態(tài)駕駛效果的主要因素，這也是國內(nèi)外學(xué)者目前研究的焦點(diǎn)。

（3）智能網(wǎng)聯(lián)汽車為實(shí)現(xiàn)生態(tài)駕駛技術(shù)提供了良好平臺。由于生態(tài)駕駛必須考慮交通環(huán)境，如道路輪廓、周圍車輛和交通信號燈。智能網(wǎng)聯(lián)汽車使環(huán)境信息的實(shí)時(shí)采集和共享成為可能，是實(shí)現(xiàn)生態(tài)駕駛的強(qiáng)大平臺。

（4）5G通信技術(shù)的低延遲、大容量和高效能特點(diǎn)，不僅推動了智能網(wǎng)聯(lián)汽車技術(shù)發(fā)展，同時(shí)也為生態(tài)駕駛在智能網(wǎng)聯(lián)車輛中的應(yīng)用提供了技術(shù)支持。

3 實(shí)際應(yīng)用

智能網(wǎng)聯(lián)汽車相關(guān)技術(shù)為生態(tài)駕駛的實(shí)際應(yīng)用提供了一定技術(shù)基礎(chǔ)。基于車-車和車-路協(xié)同，智能網(wǎng)聯(lián)汽車可綜合感知路況信息和車輛行駛參數(shù)，并應(yīng)用生態(tài)駕駛輔助系統(tǒng)和自動駕駛技術(shù)，實(shí)現(xiàn)車輛間協(xié)同駕駛，綜合減少能源消耗。根據(jù)生態(tài)駕駛的實(shí)際應(yīng)用場景，可將生態(tài)駕駛的實(shí)際應(yīng)用分為交叉口生態(tài)駕駛和車輛組群生態(tài)駕駛。

3.1 交叉口生態(tài)駕駛

城市路況下交叉口是車輛多制動、怠速發(fā)生場景[6]。應(yīng)用智能網(wǎng)聯(lián)車-路協(xié)同技術(shù)，可提前獲取信號燈相時(shí)信息[28]，進(jìn)而制定相應(yīng)的駕駛策略，規(guī)劃出車輛通過路口時(shí)的生態(tài)速度軌跡，控制車輛，達(dá)到減少能耗與排放的效果。

車輛通過交叉口時(shí)，頂層規(guī)劃決策系統(tǒng)結(jié)合車輛動力學(xué)模型和油耗模型，根據(jù)獲取的路口信號燈相時(shí)信息和路口距離，應(yīng)用相應(yīng)的速度軌跡規(guī)劃算法，綜合規(guī)劃出生態(tài)速度軌跡，再結(jié)合底層控制，實(shí)現(xiàn)車輛在交叉口的生態(tài)駕駛。綜合國內(nèi)外學(xué)者研究，速度軌跡規(guī)劃算法主要分為數(shù)值法和解析法[15，29]。

圖2 交叉口生態(tài)駕駛[30]

數(shù)值法基于車輛的動力學(xué)模型和能耗模型，應(yīng)用相應(yīng)的優(yōu)化算法，規(guī)劃出滿足相應(yīng)約束的車輛生態(tài)速度軌跡。靳秋思[31]等基于車輛排放模型，將車輛通過路口車速軌跡分為6種情況，并利用數(shù)學(xué)模型進(jìn)行定量表達(dá)，設(shè)定相應(yīng)參數(shù)進(jìn)行優(yōu)化，最終應(yīng)用MATLAB進(jìn)行仿真，結(jié)果表明優(yōu)化算法使車輛排放明顯降低。胡束芒[9]基于混合動力汽車，應(yīng)用遺傳算法和蟻群算法，分別對單車和多車通過連續(xù)信號燈通行速度曲線進(jìn)行求解，實(shí)現(xiàn)了多車通過連續(xù)紅綠燈路口通行效率優(yōu)化和能耗優(yōu)化。Barth[32]等提出一種動態(tài)生態(tài)駕駛速度規(guī)劃算法，首先根據(jù)距交叉口距離和信號燈相時(shí)計(jì)算出綠燈相時(shí)通過交叉口的期望速度，再利用三角公式推導(dǎo)當(dāng)前車速變化到期望車速的速度軌跡，通過仿真分析發(fā)現(xiàn)，車輛在約束范圍內(nèi)以最大加速度控制車速時(shí)，車輛能耗最低。Nunzio[33]等提出一種多路口車速優(yōu)化策略，首先根據(jù)城市限速應(yīng)用修建算法減少優(yōu)化域，然后在每個優(yōu)化域內(nèi)應(yīng)用優(yōu)化算法求解優(yōu)化問題，最終與動態(tài)規(guī)劃算法比較，所提出的算法在優(yōu)化能耗同時(shí)計(jì)算效率高。Li[34]等針對網(wǎng)聯(lián)化的燃油車，應(yīng)用勒讓德偽譜法，求解車輛行駛中發(fā)動機(jī)扭矩和檔位的最優(yōu)控制，并應(yīng)用于交叉口場景。

貝爾曼動態(tài)規(guī)劃算法是進(jìn)行多約束優(yōu)化的有效數(shù)值方法之一[35]，常用于車輛生態(tài)速度軌跡中，但動態(tài)規(guī)劃算法計(jì)算量隨離散程度、優(yōu)化距離增加，計(jì)算量呈指數(shù)增長[36]。基于此，學(xué)者們應(yīng)用數(shù)值方法對動態(tài)規(guī)劃算法進(jìn)行改進(jìn)，提高算法計(jì)算效率，以滿足算法實(shí)時(shí)性需求。Hesham[37]等應(yīng)用動態(tài)規(guī)劃優(yōu)化車輛速度軌跡，并提出一種改進(jìn)的A星算法來提高計(jì)算效率，滿足算法實(shí)時(shí)性的需求；Kishore等[38]提出一種動態(tài)規(guī)劃工具箱，通過結(jié)合A星算法提高了計(jì)算效率，并使算法能夠應(yīng)用于坡度、天氣等多參數(shù)輸入的優(yōu)化。Chen[39]等提出了一種滾動優(yōu)化和動態(tài)規(guī)劃方法，用于跟蹤單個車輛沿行程段的最優(yōu)引導(dǎo)速度，以減少動態(tài)規(guī)劃算法優(yōu)化距離，提高計(jì)算效率。

解析法應(yīng)用最優(yōu)控制理論，基于車輛能耗模型表達(dá)式，求解得出車輛能耗最低的最優(yōu)控制車速。相比于數(shù)值方法，解析法通常有更快的求解速度[40]，在得出車輛能耗最低的最優(yōu)控制同時(shí)，滿足車輛行駛過程中的動態(tài)約束（如交叉口車輛排隊(duì)、安全車距保持等約束）。Engin等[41]針對單交叉口場景，應(yīng)用哈密爾頓最優(yōu)控制理論計(jì)算車輛能耗最低的速度軌跡，通過水平路面和具有坡度的路面仿真分析，所提出的優(yōu)化模型不僅控制車輛能耗最低，還能減少交叉口的制動和怠速。郭露露[42]面向智能節(jié)能車輛最優(yōu)控制，應(yīng)用龐特里亞金最小值定理，結(jié)合模型預(yù)測控制，提出了融合周邊車輛動態(tài)和前方道路信息的經(jīng)濟(jì)性預(yù)測巡航控制方法。實(shí)驗(yàn)驗(yàn)證表面，相比較傳統(tǒng)自適應(yīng)巡航控制，達(dá)到8%～10%的節(jié)能效果。綜合數(shù)值法與解析法，生態(tài)速度軌跡規(guī)劃算法比較如表1所示。

表1 生態(tài)速度軌跡規(guī)劃算法比較

解析法求解車輛的生態(tài)速度軌跡相比于數(shù)值法計(jì)算效率高、耗時(shí)少，且不需要過多的計(jì)算資源。但解析法求解存在一定難度，且算法適應(yīng)性差，需要結(jié)合具體問題場景做公式推導(dǎo)。在智能網(wǎng)聯(lián)背景下，云計(jì)算[35，43]的應(yīng)用為數(shù)值法求解生態(tài)速度軌跡提供了可行方案。

在應(yīng)用生態(tài)駕駛策略規(guī)劃車輛生態(tài)速度軌跡時(shí)，由于交叉口其他車輛的動態(tài)干擾，車輛行駛安全性是需要優(yōu)先考慮因素。智能網(wǎng)聯(lián)車輛通過車-車通信，獲取周圍車輛的車速信息，通過車輛的智能控制，實(shí)現(xiàn)與前車保持一定的安全車距行駛，避免與前車發(fā)生碰撞，以滿足安全性的需求。車輛行駛時(shí)的安全車距保持，可采用公式(1)來計(jì)算[44]：

式中，Δx為兩車車距；v為前車車速；α、β為常數(shù)。

在規(guī)劃車輛生態(tài)速度軌跡時(shí)，當(dāng)目標(biāo)車輛與前車車距小于安全車距時(shí)，需優(yōu)先調(diào)整車速滿足安全車距的需求。當(dāng)前車障礙解除時(shí)，再重新規(guī)劃速度軌跡[37，38]，或按照最初規(guī)劃的速度軌跡行駛[29]，以實(shí)現(xiàn)滿足車輛行駛安全的基礎(chǔ)上，減少能耗。

對于城市交叉口工況，車輛通過交叉口的時(shí)間是影響交通效率的很重要因素。由于能耗最優(yōu)的生態(tài)駕駛策略有時(shí)會增加行駛時(shí)間，因此改進(jìn)相應(yīng)的生態(tài)駕駛策略，使車輛盡快通過路口，對生態(tài)駕駛的實(shí)際應(yīng)用具有重要意義。如在車輛能加速通過路口時(shí)，采用車速允許范圍內(nèi)最高車速通過路口[37]，或優(yōu)化車輛通過路口時(shí)的車速[45]，通過增加少量能耗消耗，以減少車輛的通行時(shí)間，實(shí)現(xiàn)交通效率的提高。

3.2 車輛組群生態(tài)駕駛

基于車-車通信技術(shù)，智能網(wǎng)聯(lián)車輛可實(shí)現(xiàn)隊(duì)列協(xié)同駕駛控制。通過車輛隊(duì)列協(xié)同控制行駛，可提高車輛行駛的安全性，減小行車間距和空氣阻力，從而減少行車過程中能源消耗[46]。同時(shí)，面向不同場景，通過車輛隊(duì)列協(xié)同控制，可實(shí)現(xiàn)各工況下隊(duì)列整體能耗最優(yōu)，并提高增加道路容載率，提高整體通行效率和交通效率。

協(xié)同自適應(yīng)巡航控制（Cooperative Adaptive Cruise Control，CACC），即組群智能車輛基于互聯(lián)通信技術(shù)的自動駕駛速度控制系統(tǒng)，作為智能網(wǎng)聯(lián)汽車的核心技術(shù)，可極大地提高行駛安全性，減少交通擁堵和提高能量利用效率[47]。國內(nèi)外學(xué)者針對CACC車輛隊(duì)列穩(wěn)定性與魯棒性控制做了一定研究[48-51]。在基于車-車協(xié)同高效穩(wěn)定的隊(duì)列行駛基礎(chǔ)上，基于車-路協(xié)同的生態(tài)協(xié)同式自適應(yīng)巡航控制（Ecological Coopera?tive Adaptive Cruise Control，ECACC）對于解決實(shí)際能耗問題、交通效率問題有了極大改善。王瓊等[52]充分考慮道路坡度以及車隊(duì)異質(zhì)性，提出一種車輛隊(duì)列協(xié)同控制方法，該方法可保證車隊(duì)低能耗安全行駛。He等[53]針對汽油車和電動汽車混合車隊(duì)提出了2種生態(tài)駕駛策略，一種是優(yōu)化頭車加速度控制，另一種是針對車隊(duì)提出一組目標(biāo)巡航速度，2種生態(tài)駕駛策略都以減少車隊(duì)整體能耗為目標(biāo)。Ma[54]等采用非線性模型預(yù)測控制方法設(shè)計(jì)了車隊(duì)跟車行駛過程中同時(shí)考慮綜合行駛穩(wěn)定性和車隊(duì)能耗的跟車策略。Li[55]等面向自動駕駛車隊(duì)提出一種周期切換的控制方法，使總油耗最小化同時(shí)，可使隊(duì)列控制具有良好的魯棒性。

針對城市交叉口工況，車輛的組群編隊(duì)行駛也是促進(jìn)生態(tài)駕駛實(shí)現(xiàn)的有效方式。Zhao[45]等考慮自動駕駛和人為駕駛混合的應(yīng)用場景，針對信號燈路口設(shè)計(jì)了一種能實(shí)現(xiàn)車隊(duì)適時(shí)分裂重組的生態(tài)駕駛策略，仿真驗(yàn)證了實(shí)現(xiàn)生態(tài)駕駛策略同時(shí)，不影響駕駛舒適性和交通效率。廖若樺[56]提出了一種以車頭間距和瞬時(shí)速度為主要參數(shù)的車路協(xié)同環(huán)境下的車隊(duì)識別方法，以車隊(duì)單車油耗和運(yùn)行時(shí)間為主要目標(biāo)參數(shù)，利用遺傳算法實(shí)現(xiàn)交叉口車隊(duì)生態(tài)駕駛模型。Wu[57]等針對交叉口場景，進(jìn)行了多車隊(duì)能耗協(xié)同優(yōu)化和多車分離優(yōu)化，結(jié)果表明，與單車能耗優(yōu)化相比，所有車輛的能耗協(xié)同優(yōu)化是減少能耗的更有效方法。Kundu[58]等引入使用車隊(duì)的概念，在微觀層面上提出了一種涵蓋多個交叉口生態(tài)速度控制方法，提出了3種啟發(fā)式算法減少車隊(duì)整體能耗。

圖3 車輛隊(duì)列生態(tài)駕駛[54]

綜合生態(tài)駕駛在智能網(wǎng)聯(lián)汽車中的實(shí)際應(yīng)用，可得出以下結(jié)論。

（1）智能網(wǎng)聯(lián)汽車相關(guān)技術(shù)為生態(tài)駕駛的實(shí)際應(yīng)用提供了技術(shù)支撐。基于車聯(lián)網(wǎng)技術(shù)，國內(nèi)外學(xué)者對于生態(tài)駕駛研究場景主要為城市工況下交叉口的生態(tài)駕駛和車輛隊(duì)列組群生態(tài)駕駛。

（2）城市交叉口工況是生態(tài)駕駛的典型場景之一，針對這一場景的生態(tài)駕駛策略主要關(guān)注車輛頂層速度軌跡規(guī)劃。車輛生態(tài)速度規(guī)劃方法主要有解析法和數(shù)值法，數(shù)值法模型簡單，適應(yīng)性好，引用智能網(wǎng)聯(lián)汽車使用云計(jì)算與5G通信技術(shù)，可大幅提高算法計(jì)算效率，滿足實(shí)時(shí)性要求。

（3）生態(tài)駕駛策略制定中，交通安全與交通效率也是需要考慮的因素。通過保持車輛間安全車距，提高車輛通過路口時(shí)的車速，可在減少車輛行駛能耗的同時(shí)，保證車輛安全與交通效率的需求。

（4）智能網(wǎng)聯(lián)汽車基于車-車通信的協(xié)同式自適應(yīng)巡航控制（CACC），可有效提高車輛行駛的安全性，提高道路通行效率，減少車輛隊(duì)列能耗消耗。在基于車-車協(xié)同高效穩(wěn)定的隊(duì)列行駛基礎(chǔ)上，車-路協(xié)同的生態(tài)協(xié)同式自適應(yīng)巡航控制（ECACC）對于解決實(shí)際能耗問題和交通效率問題也有了極大提升。

4 總結(jié)和未來展望

本文基于生態(tài)駕駛和智能網(wǎng)聯(lián)汽車技術(shù)背景，結(jié)合國內(nèi)外研究現(xiàn)狀，得出以下結(jié)論：

（1）相比于研發(fā)推廣新能源汽車，生態(tài)駕駛成本低且效果明顯，具有較大的節(jié)能減排潛力，是未來實(shí)現(xiàn)綠色智能交通的有效手段。智能網(wǎng)聯(lián)汽車應(yīng)用車-車通信與車-路協(xié)同技術(shù)，可綜合感知路況信息與車輛行駛信息，為生態(tài)駕駛的實(shí)際應(yīng)用提供技術(shù)支持。

（2）應(yīng)用智能網(wǎng)聯(lián)汽車通信技術(shù)獲取路況信息，國內(nèi)外學(xué)者對于生態(tài)駕駛研究場景主要為城市工況下交叉口的生態(tài)駕駛和車輛隊(duì)列組群生態(tài)駕駛。

（3）城市交叉口是車輛制動、怠速多發(fā)場景，針對這一場景應(yīng)用生態(tài)駕駛技術(shù)，提前獲取路況信息和信號燈信息，規(guī)劃車輛的生態(tài)速度軌跡，能減少能耗與污染排放。車輛生態(tài)速度軌跡規(guī)劃方法分為數(shù)值法和解析法。智能網(wǎng)聯(lián)汽車云計(jì)算技術(shù)極大提高了算法的計(jì)算效率，以滿足實(shí)時(shí)性要求。

（4）應(yīng)用生態(tài)駕駛策略規(guī)劃速度軌跡時(shí)，車輛行駛安全與交通效率也是需要考慮的因素。通過優(yōu)先保證車輛間的安全車距，并優(yōu)化車輛通過路口時(shí)的車速，在滿足交通安全與交通效率的基礎(chǔ)上減少能耗，可實(shí)現(xiàn)生態(tài)駕駛與車輛行駛的安全性和交通效率的折中。

（5）協(xié)同自適應(yīng)巡航控制（CACC）技術(shù)應(yīng)用于車輛組群駕駛，在基于車輛隊(duì)列協(xié)同高效穩(wěn)定行駛的基礎(chǔ)上，生態(tài)協(xié)同式自適應(yīng)巡航控制（ECACC）對于解決實(shí)際能耗問題、交通效率問題有了極大改善，相比于單車生態(tài)駕駛，ECACC可實(shí)現(xiàn)隊(duì)列整體能耗最優(yōu)。

依托車聯(lián)網(wǎng)技術(shù)和自動駕駛技術(shù)，結(jié)合生態(tài)駕駛技術(shù)，建立智慧型交通系統(tǒng)，實(shí)現(xiàn)綠色生態(tài)交通系統(tǒng)，將是未來的發(fā)展趨勢。針對生態(tài)駕駛在智能網(wǎng)聯(lián)汽車的中的應(yīng)用，未來研究將主要集中在基于車輛隊(duì)列分離重組策略的組群行駛[45]和基于交通系統(tǒng)路網(wǎng)的生態(tài)駕駛策略研究[59]。