基于生態駕駛的智能網聯汽車協同跟車模型研究

摘 要：為提高道路通行能力、減少能源消耗，文章介紹了一種基于智能網聯汽車生態駕駛的協同跟車模型。該協同跟車模型由感知層、決策層和控制層3個層級組成，控制策略是將車輛動力學與無線通信技術相結合，在模擬的復雜交通環境中實現感知、控制和獲取周圍信息，集成了以最小化駕駛間距為模型的預測控制（MPC）策略，以改善交通流的可持續性。生態駕駛控制器的性能是通過車輛自身的速度和加速度2個狀態量進行燃油消耗和排放量的評估來實現。最后，驗證了控制器的動態特性具體體現在3個方面：跟車行為、燃油效率提高及減少二氧化碳排放，所提出的控制器能夠有效地減少跟車過程中的燃油消耗和排放。

關鍵詞：智能網聯汽車；生態駕駛控制器；交通環境；燃油消耗；碳排放

中圖分類號：U1 文獻標志碼：A

*基金項目：2022年省級大學生創新創業訓練計劃項目“基于圖像識別的產品表面缺陷自動化檢測裝置” （S202216209031）。

作者簡介：惠子文（2001-），男，漢族，甘肅天水，研究方向：機電一體化、設備故障檢測與診斷。

0 引言

隨著經濟的快速發展，汽車產量大幅增加，汽車尾氣排放對環境的影響也越來越大，引起了工業界和學術界的廣泛關注。在智能網聯汽車的駕駛系統中，由集成電路組成的集成傳感器、無線通信及控制技術可以解決上述問題。在該系統中，駕駛員駕駛的車輛是通過預定的速度進行駕駛控制，車輛行駛時駕駛員需要用眼睛觀察并通過大腦做出決定，駕駛的汽車必須與前面的車輛保持較大的間距，才能保證安全駕駛，而人們從觀察到思考再到決策需要耗費一定的時間[1]。汽車的行駛阻力越小，燃油消耗將減小，進而降低環境污染；而車輛在高速行駛時，保持較小的車間距可以使空氣阻力最小化[2]。Zachiotis和Giakoumis[3]提出了一種可持續駕駛的生態駕駛控制器來替代駕駛員進行車輛的駕駛操作，使得智能網聯汽車根據周圍交通信息進行自動控制，能減少系統響應時間，提高道路通行能力，進而減少燃料消耗，降低環境污染率。

此外，對智能網聯汽車行業內的上述熱點問題，國內外學者還結合具體實踐進行了廣泛的研究[4-5]。趙樹恩等[6]將無線通信技術應用于跟車模型，建立了基于分層控制的自適應巡航控制系統，該系統對期望驅動轉矩和制動壓力進行精確跟蹤，對前車頻繁加減速工況進行跟蹤控制，保證車輛安全行駛。Talavera 等[7]提出了一種結合精確定位和車聯網（V2X）通信的協同自適應巡航控制系統（CACC），這對密集交通條件下緩解擁堵有積極影響。Hao等[8]提出了一種考慮現場數據信息的駕駛汽車跟車模型。Lin等[9]根據駕駛員的真實駕駛數據，提出了一種混合模型來學習跟車行為。為了建立有效的車隊跟車模型，通過控制車輛速度來控制智能網聯汽車的速度，Yang等[10]提出了一種受限全速度差模型（c-FVD）來限制加速度，以解決特定交通場景下FVD模型的加速度超調問題，從而產生更平滑的車輛軌跡。

綜合分析發現，這些研究旨在通過各種機器學習來研究汽車跟車模型，以調整跟隨車輛的行為和動作。模型對數據信息的要求更高，在更多復雜場景應用時會受到限制，且大多數都沒有考慮自動駕駛技術和V2X通信技術，沒有完全考慮到其他前行車輛和環境對跟車的影響，沒有考慮能耗對車輛駕駛的影響以及如何通過優化車輛軌跡來減少燃料消耗等問題[11-13]，沒有充分利用智能網聯汽車的優點。

基于此，文章提出了一種能夠有效減少廢氣排放的生態駕駛控制器，可實現實時數據橫向和縱向的控制，減少燃料消耗和廢氣排放。同時，介紹了一種基于智能網聯汽車生態駕駛的協同跟車系統，能夠極大地提高道路通行能力、減少能源消耗。

1 基于生態駕駛的協同跟車系統

協同跟車系統分別由感知層、決策層和控制層3個層級組成，層級之間的通信網絡如圖1所示。在該協同跟車系統中，感知層的功能是獲取車輛的當前運行狀態，交通信號燈的計時信息，以及通過V2X通信模塊、高分辨率相機和毫米波雷達等集成傳感器獲取周圍環境的信息。基于感知層獲取的信息，決策層根據當前車輛的交通狀態信息計算出車輛的所需間距、期望速度、期望加速度和期望前轉向角。最后，控制層將接收到的信息通過局域網總線（CAN）傳遞給車輛控制器，由車輛控制器轉換成相應的控制命令如操作油門、制動和轉向等進行車輛的控制。

1.1 智能網聯汽車的硬件結構

智能網聯汽車（ICV）的硬件結構主要由各類傳感器、控制器和跟車模型等組成，如圖2所示。其中，控制器主要包括處理加速度、安全距離和前轉向角的控制裝置；進行車輛剎車的制動控制裝置主要包括節流閥、剎車、氣源及氣路管件等。感知層通過各類終端裝置，如全球定位系統（GPS）定位模塊、速度和距離測量模塊、視覺處理模塊，以及用于與周圍智能網聯汽車進行網絡通信的V2X通信模塊等組成。跟車模型是以拓撲結構分布于各個聯網車輛之間。

1.2 協同跟車系統的通信網絡

在該協作式跟車系統中，兩輛車之間的信息流交互定義為車輛間的通信拓撲，車輛之間通過不同通信拓撲進行的信息交換網絡如圖3所示。

圖3顯示，智能網聯汽車通過感知層上的傳感器準確獲取自身車輛的位置、加速度、速度、間距和交通信號計時等實時信息，然后通過V2X的通信方式識別周圍智能網聯汽車的車輛運動信息，再將收集到的信息與周圍車輛進行共享。2個ICV之間的通信協議見表1。通過V2X的通信方式，前面的ICV將車輛的速度、加速度、位置和其他狀態度量傳遞給后面車輛。后面車輛收到前面車輛信息后，通過決策層將數據進行處理，進而計算出自身所需的最佳加速度。最后，決策層將得到的控制參數通過CAN總線傳遞給控制層上的車輛制動器，車輛制動器驅動汽車進行相應的動作。

1.3 基于生態駕駛的智能網聯汽車跟車模型

智能網聯汽車的決策層作為該協同跟車系統的核心控制部分，綜合考慮車輛的跟隨行為及相關動作后，為智能網聯汽車的決策層設計了生態駕駛控制器，用以實現車輛對動力能源及燃料的消耗排放等控制。

1.3.1 智能網聯汽車的間距策略

在智能網聯汽車的跟車模型中，為確保絕對安全，著重分析了前車和后車之間的相互影響。當前車的速度改變時，需要同步改變后車的速度。該跟車模型基于車輛運動制定了控制策略，并進行定量分析，從而保證兩輛車之間的最佳間距和最佳速度。如圖4所示，將車輛i作為前車，車輛i+1是后車，假設此跟車模型中的所有車輛間通過前文所述的V2X無線通信進行狀態共享并獲取其他車輛的狀態信息，可以得到智能網聯汽車的間距策略。

相比于傳統的恒定安全間距（CS），恒定時間間隔（CTH）考慮了兩輛車之間的間距及實時速度。因此，該模型將CTH作為前車和后車之間的期望間距，所需間距表示為：

d tar （t）=d 0 +hν（t） （1）

式中：d 0 gt;0是兩輛車靜止時需要保持的最小安全間距，hgt;0是兩輛車之間需要保持的時間間隔，ν（t）表示車輛t時刻的速度。

1.3.2 智能網聯汽車的燃料消耗和排放模型

智能網聯汽車的燃油消耗和排放模型對于評估該生態駕駛控制器的性能非常重要，通過車輛自身的速度和加速度2個狀態量進行燃油消耗和排放量的評估，計算方法如等式（2）和（3）所示：

式中：C（t）表示瞬時燃油消耗， α 表示怠速燃油消耗， β 1 和 β 2 是恒定效率系數，P T （t）表示車輛發動機的總功率， m 是車輛的質量， d 1 、 d 2 和 d 3 是阻力系數，a（t）是車輛 t 時刻的加速度。

智能網聯汽車的實時排放率可以用有效性度量模型MOE[14]來表示， t 時刻車輛的實時MOE為實時速度ν（t）和加速度a（t）的函數關系式，MOE函數可表示為：

式中：MOE e 是實時排放率， K ei，j 表示 MOE e 的模型回歸系數， i 是速度的冪指數， j 是加速度的冪指數。

1.3.3 智能網聯汽車的生態駕駛控制器

生態駕駛控制器融合了多個智能網聯汽車的實時數據，這些實時數據包括縱向和橫向速度、期望加速度和前轉向角等。利用這些數據生態駕駛控制器可以快速響應并準確地反映前面車輛的位姿，從而減少車輛非必要的制動和加減速。

基于V2X通信中更多的道路數據信息，生態駕駛控制器使用了道路曲率的預測控制理論模型來優化智能網聯汽車的跟車行為。基于以上2個優點，考慮智能網聯汽車在復雜道路上的縱向和橫向速度，建立了一種新的生態駕駛目標函數使得汽車處于最佳能量消耗狀態，也使燃料消耗和二氧化碳的排放顯著減少。

定義Δr （t）和Δv（t）為第 i 輛車與其前車之間的車流間距和車速差值，則車流間距和車速差值的公式可以表示為等式（5）和（6）：

式中：r i （t）和r i-1 （t）表示第 i 輛車及其前車的位移，v i （t）與v i-1 （t）表示第 i 輛車及其后車的速度。當前間距Δr （t）和期望間距d tar （t）之間的誤差e r （t）可以公式化為如下方程：

速度誤差 e ν （t） 可表示為：

在該智能網聯汽車的生態駕駛控制器中，假設車輛在彎曲的道路上行駛，默認 ν y 為橫向速度， φ為偏航角的變化率， e y 為車輛與中心線之間的橫向距離， e φ 為偏航角的誤差， e r 為間距誤差， e ν 為速度誤差， δ f 和 a i代表前轉向角和加速度， ρ 和 a i-1表示道路曲率及前一車輛的加速度。 l f 和 l r 是前后輪胎重心的距離。 I z 表示車輛的偏航慣性矩， C f 和C r 表示輪胎的轉彎剛度。 m 是車輛的質量， ν x 指縱向速度。定義：

則跟隨車輛的模型可表示為：

從以上公式中可以看出，降低燃油消耗最有效的方法之一是根據等式（2）和（3）減小車輛的加速度。為了優化跟車行為并降低燃油消耗，結合方程式（2），將目標函數公式化為：

式中：P 和 Q 是權重矩陣， R 是權重因子。為了確保安全，車輛受到以下速度限制：

式中：ν min 和 ν max 分別表示車輛在駕駛過程速度的最小值和最大值。

加速度與發動機性能有關，并受以下約束條件限制：

式中：a min 和 a max 分別表示車輛在行駛過程中的最小加速度和最大加速度。

此外，車輛實際間距與期望間距之間的誤差應受到以下約束條件的限制：

式中：e r，max 為車輛間距和期望間距之間的最大誤差。

因此，該智能網聯汽車生態駕駛控制器的控制方程可歸結為以下方程：

方程（16）中的前兩項 x Tk Px k +U Tk QU k 用于優化跟車行為。方程（16）中的第三項 R ∫ k k+p-1 C（t）dt用于約束燃油消耗。為了最小化目標函數 J，控制器還需計算出車輛的加速度和前轉向角。

2 實驗結果和討論

實驗中設置了一段2 km長的彎曲路段，由1輛領先車輛和2輛跟隨車輛組成的一排車隊進行實驗驗證，兩輛車之間的間距變化從頂視圖觀察。選擇道路曲率、車輛速度和間距等參數作為生態駕駛控制器的關鍵輸入參數，所需加速度和每個跟隨車輛的期望前轉向角作為控制輸出。此外選擇了一組包含加速度、速度、位置、燃油消耗量和二氧化碳排放量的參數作為主要評估指標。其中，加速度、速度和位置是從ROS獲得，通過公式（2）—公式（4）二氧化碳排放量計算燃料消耗和碳排放。為了驗證生態駕駛控制器的有效性，提出了標準MPC的控制策略。而在考慮了生態控制器中的駕駛約束條件，以及基于可持續的環境目標的要求。對MPC策略進行了修訂，改進的MPC策略工作流程如圖5所示。

設車輛速度范圍為（15，30） m s，加速度（-3，3） m s2。假設領航車輛1以1 m s2的加速度行駛。當速度達到30 m s 時，車輛保持勻速行駛。將跟隨車輛2和3的速度和加速度根據標準和改進的MPC策略進行比較。當領航車輛1速度在30 s內逐漸由0 m s 加快至30 m s 并進行保持，加速度穩定在0 m s，跟隨車輛2和3在標準MPC策略下，開始時顯示出減速情況。而當領航車輛1加速時，跟隨車輛在改進的MPC策略下的加速度變化非常小，這有利于加速度的收斂。在標準MPC下，跟隨車輛1在相同狀態的加速度在10～20 s時出現波動，這是由10 s時加速度引起的。車輛1突然加速后車輛2的最大加速度可達1.7 m s2，體現出改進MPC策略對加速度控制的穩定性能。

圖6和圖7分別比較了跟隨車輛2和領航3的運動軌跡。曲線顯示跟隨車輛2、3和領航車輛1的運動策略一致。隨著速度的增加，在這2個圖中的位置均沒有交叉點，表明2輛車之間的間隔始終保持一致。通過該MPC策略得出，2輛車跟車時的燃油消耗量和二氧化碳排放量成正比，采用改進MPC策略的總油耗在80 s時為0.439 3 L，比標準MPC策略低約3.71%。與標準MPC策略相比改進的MPC策略減少了4.32%。標準MPC策略和改進MPC策略在95%置信水平下的置信區間為分別為0.400 625±0.000 008 9和0.373 505±0.000 009 7，達到了控制要求。

3 結論

根據車輛動力學系統特性，文章提出一種基于智能網聯汽車的生態駕駛控制器。該生態駕駛控制器采用改進的MPC策略，在減少燃油消耗和二氧化碳排放的同時，可優化后續車輛的加速度，確保車輛實時跟隨。實驗結果表明，在前一輛車保持恒定速度的情況下，文章提出的控制器可以減少3.71%的燃油消耗，減少3.42%的二氧化碳排放量。在前方車輛具有可變速度的情況下，控制器可以減少6.77%的燃料消耗，減少7.91%的二氧化碳排放量。

如果考慮傳統燃油車輛，智能網聯汽車生態駕駛控制器可能會受到影響。為探索該場景的有效解決方案，后續可通過考慮車輛間的相互影響來開發一種改進的生態駕駛控制器。此外，還可以研究如何控制燃油消耗和排放，并將變道情景引入模擬控制器的測試中。

參考文獻：

[1]Wang P W，Wang Y F，Deng H，et al. Multilane spatio?temporal trajectory optimization method（MSTTOM）for connected vehicles[J]. Journal of Advanced Transporta?tion，2020，2020（10）：1-15.

[2]王進，高敦升，李斌. 高速列車同向并行運動時線間距仿真研究[J]. 鐵路計算機應用，2012，21（11）：12-13+17.

[3]Zachiotis T A，Giakoumis G E. Non-regulatory parame?ters effect on consumption and emissions from a die?sel-powered van over the WLTC[J]. Transportation Re?search Part D，2019，74（9）：104-123.

[4]陳崢，張玉果，沈世全等. 城市郊區道路跟車條件下智能網聯汽車速度規劃[J]. 中國公路學報，2023，36（6）：298-310.

[5]Wang P W，Deng H，Zhang J，et al. Model predictive con?trol for connected vehicle platoon under switching communication topology[J]. IEEE Transactions on Intel?ligent Transportation Systems，2022，23（7）：7817-7830.

[6]趙樹恩，張亮，甘樺福，等. 智能電動汽車自適應巡航分層控制研究[J]. 重慶交通大學學報（自然科學版），2023，42（3）：135-142.

[7]Talavera E，Díaz-álvarez A，Jiménez F，et al. Impact on congestion and fuel consumption of a cooperative adap?tive cruise control system with lane-Level position es?timation[J]. Energies，2018，11（1）：194.

[8]Hao S X，Yang L C，Shi Y F. Data-driven car-follow?ing model based on rough set theory[J]. IET Intelli?gent Transport Systems，2018，12（1）：49-57.

[9]Lin Q，Zhang Y，Verwer S，et al. MOHA：A multi-mode hybrid automaton model for learning car-Following be?haviors.[J]. IEEE Transactions on Intelligent Transporta?tion Systems，2019，20（2）：790-796.

[10]Yang Y，Jiang R，Qu X. A modified full velocity differ?ence model with acceleration and deceleration confinement：Calibrations，validations，and scenario analyses[J]. IEEEIn?telligent Transportation Systems Magazine，2021，13（2）：222-235.

[11]李佳麗. 考慮燃油消耗量的自動駕駛汽車交叉路口生態駕駛行為決策研究[J]. 重慶交通大學，2023（8）：10-20.

[12]Mintsis E，Vlahogianni E I，Mitsakis E，et al. Enhanced speed advice for connected vehicles in the proximity of signalized intersections[J]. European Transport Re?search Review，2021，13（2）：1-14.

[13]毛晗，姚建盛，鄭南豆. 基于信號燈控制的交叉路口智能網聯車輛協同通行方法研究[J]. 太原學院學報（自然科學版），2022，40（4）：59-64.

[14]Mao F，Li Z H，Zhang K. A comparison of carbon diox?ide emissions between battery electric buses and con?ventional diesel Buses[J]. Sustainability，2020，27：123048.

Research of an Intelligent Connected Vehicle Collaborative Car-Following Model Based on Ecological Driving

HUI Ziwen 1 ，GUO Zhilong 1 ，WANG Weimin 2 ， ZHAO Hui 1 ，WANG Jie 1

（1.Lanzhou Petrochemical University of Vocational Technology，Lanzhou Gansu 730060，China；2.Gulang County Zhitan Junior High School，Wuwei Gansu 733100，China）

Abstract：：In order to improve road capacity and reduce energy consumption，this paper introduces a collabora?tive following system based on intelligent connected vehicle ecological driving. The collaborative vehicle following model consists of three levels： perception layer，decision-making layer， and control layer. The control strategy com?bines vehicle dynamics with wireless communication technology to achieve perception，control and obtain surround?ing information in a simulated complex traffic environment. It integrates a predictive control（MPC）strategy based on minimizing driving distance to improve the sustainability of traffic flow. The performance of the ecological driv?ing controller is achieved through the evaluation of fuel consumption and emissions based on two state variables：ve?hicle speed and acceleration. Finally， the dynamic characteristics of the controller are verified， which are embodied in three aspects： car following behavior， fuel efficiency improvement and carbon emission reduce. The proposed con?troller can effectively reduce fuel consumption and emissions during the following process.

Keywords：：intelligent connected vehicles;ecological driving controller;traffic environment; fuel consumption;carbon emission