智能网联汽车协同生态驾驶策略综述

为了跟踪近年来智能网联汽车(CAV)协同生态驾驶策略的研究进展, 分析了车辆、驾驶行为、交通网络和社会这4类因素对CAV能耗的影响程度, 以车辆、基础设施和旅行者为对象对目前CAV生态研究进行分类, 重点分析了信号交叉口生态驶入与离开、生态协同自适应巡航控制、匝道合流区生态协同驾驶、生态协同换道轨迹规划和生态路由5种典型车辆协同生态驾驶应用场景的研究现状。分析结果表明: 相比人类驾驶方式, 在任何交通流量CAV 100%渗透率的条件下和低交通流量CAV部分渗透率的条件下, CAV油耗节省效果显著, 最高可达63%, 而具有部分智能化和网联化等级的CAV油耗可至少节省7%;现有研究较少考虑人机共驾情况下, 驾驶人反应延迟和自动控制器传输延迟导致的轨迹跟踪偏离; 现有研究将车车通信/车路通信假定为理想数据交互过程, 未考虑通信拓扑、传输时延、通信失效与基站切换等因素对CAV生态协同驾驶策略的影响; 现有研究较少探讨多车道、交叉口转向-直行共用车道和U型车道等交通场景, 以及不同智能网联等级CAV与人类驾驶汽车、行人、自行车等共存的混合交通条件下的生态驾驶策略; 受限于自动驾驶技术和基础设施尚未成熟和完善, 真实交通场景下的测试验证工作尚未开展; 车辆控制、车车通信、多车协同、混合交通流场景、半实物仿真测试和真实交通场景测试等方面将是CAV协同生态驾驶策略的进一步发展方向。      

新型混合交通交叉口信号与车辆轨迹协同控制方法

新型混合交通环境下的交叉口交通控制可通过信号灯控制与自动驾驶车辆的轨迹控制协同实现,能够极大地优化道路通行资源利用效率。已有研究中,信号配时与车辆轨迹集中优化的控制策略难以应用于车辆自组织控制的现实场景,且往往计算复杂度较高。本文提出一种无中心框架下基于逻辑的交叉口信号与车辆轨迹协同控制方法。基于协同理论中的快慢变量主动伺服控制原理,设计一种交叉口信号配时慢变量与车辆轨迹策略快变量协同框架,并分别提出基于逻辑的信号配时优化和网联自动驾驶车辆轨迹协同控制方法。协同控制方法可以在车辆自主控制的条件下,一方面,实现交叉口信号配时动态适应交通需求;另一方面,实现网联自动驾驶车辆主动优化驾驶速度,高效通过交叉口。而且网联自动驾驶车辆在进口道可引导混合车队高效通过交叉口,降低绿灯启动损失,提高交叉口通行效率。仿真实验表明,本文的协同控制方法相较于传统控制方法可显著降低交叉口车辆平均延误,同时,基于逻辑的决策模型可实现快速求解。通过对网联自动驾驶车辆控制策略关键参数的敏感性分析,进一步讨论新型混合交通流交叉口通行公平性,并比较在不同网联自动驾驶车辆渗透率下的控制效果。     

混合交通环境下网联自动驾驶车辆跟驰模型与优化策略

为进一步提高混合交通环境下车辆的行车效率与交通流的稳定性，在考虑后视效应的基础上，融合多辆前车速度与加速度等状态信息，以指数平滑方式构建了网联自动驾驶车辆(CAV)跟驰模型；在此基础上，研究了前后方车辆数和状态信息完整度对模型稳定性的影响，结合Lyapunov第一方法和线性谐波微扰法进行了线性稳定性分析，并确定了模型最优参数；利用混合交通环境特性，在考虑通信信息丢失的情况下提出了CAV在不同位置和状态下的跟驰策略，并在该策略支撑下进行了不同CAV渗透率的车辆启动、车辆刹车停止、环形道路3个典型场景下的数值仿真。研究结果表明：在刹车停止场景中，全部车辆的停止波速最大提高了26.1%;在车辆启动场景中，启动波速最大提高了15.5%,车辆加速度和速度变化更为平缓；在环形道路场景中，当混合交通流中CAV渗透率由40%提高至100%时，在较大扰动条件下车辆的平均速度波动时间相较于低CAV渗透率场景下降了44.8%,波峰下降了5.7%,波谷上升了19.4%,而CAV渗透率较低时提出的优化策略对混合交通流的改善并不明显。由此可见，在当前构建实际混合交通环境与开展CAV实车试验比较困难的情况下，该跟驰...     

出租汽车驾驶员生态驾驶行为培训方法--以北京市为例

驾驶行为是影响机动车能耗和尾气排放的主要因素之一,生态驾驶行为已在众多发达国家推广实施,并取得显著的节能减排效益。选取北京市同一车型的60名出租汽车驾驶员实施生态驾驶行为培训,利用OBD+北斗/GPS逐秒采集车辆油耗和运行数据。通过对比培训前后车辆平均百公里油耗改变量,明确生态驾驶培训的节能效果,形成面向出租汽车驾驶员行为矫正的生态驾驶培训方法。培训方案包括三种形式：基于培训手册和宣传视频的静态培训、基于驾驶模拟器的实操动态培训、先静态后动态的综合培训。培训结果表明：生态驾驶行为培训平均降低车辆百公里油耗8.6%;对出租汽车驾驶员实施动态生态驾驶培训更合理有效。由于车辆本身油耗的差异,生态驾驶行为培训对于改善公共交通、货运交通及长途客运汽车等行业的能耗现状可能更为显著。     

面向新型混合交通流的智能交叉口网络布局优化

考虑网联自动驾驶车辆(Connected Autonomous Vehicle, CAV)应用先进的车联网与自动驾驶技术，可以采用智能交叉口的组织形式，大幅提升交叉口的通行效率，为降低CAV与人工驾驶车辆(Human-driven Vehicle, HV)混行条件下城市交通系统的整体出行成本，提出智能交叉口在城 市交通网络中的布局优化问题，建立数学优化模型并求解。首先，基于对两类车辆行驶特性的分析，建立混合用户均衡模型，描述CAV与HV的路径选择行为；其次，从交通规划者的角度，以系统最优为目标，整合混合用户均衡模型，建立面向新型混合交通流的智能交叉口网络布局优化模型，并利用改进的遗传算法求解；最后，选取Sioux-Falls交通网络作为案例分析，验证模型与算法的有效性，并研究CAV渗透率变化对优化结果的影响。研究表明，智能交叉口在城市路网中的合理规划极大地提高了新型混行场景下城市交通系统的出行效率，同时，大幅降低了由于网联自动 驾驶单方面技术优势带来的CAV与HV的出行效率差距，增进了出行公平性。     

车路协同环境下群体车辆诱导与协同运行方法

为解决城市发展带来的交通拥堵问题,发掘道路交通的潜力,提高车路协同环境下车辆在路网中的行驶效率,面向群体车辆提出了一种诱导优化方法和协同控制策略;在车辆诱导分配方面,在起始点和目的地之间的可达路径中,以交通效率最优、车辆排放最小为目标,设计了基于道路饱和度、车辆行程时间和延误的群体车辆分配规则,建立了群体车辆诱导分配优化模型,并用多目标非支配排序遗传算法-Ⅱ(NSGA-Ⅱ)和多目标粒子群优化算法进行求解;在车辆协同运行控制策略方面,基于引力场思想建立了多车协同运行模型,并提出了多车协同加减速策略;通过仿真验证比较了不同网联自动驾驶车辆(CAV)渗透率下的车辆诱导优化结果,同时仿真了车辆协同加减速策略,并将诱导优化方法和协同控制策略进行了联合仿真。仿真结果表明:多目标诱导分配方法可以提升车辆速度和环境效益,且群体车辆平均速度与CAV渗透率正相关;在四车组队行驶环境中,车辆协同加减速策略能够将车辆在加速和减速时的初始平均加速度分别提高15.0%和8.2%,让车辆快速达到目标速度,保障行车安全;在联合仿真环境中,路网群体车辆的加速度平均提高了11.6%,速度平均提高了1.6%,碳氧化合物排放量减少约4.9%。由此可见,提出的方法能够提高路网通行效率,降低车辆能源消耗,减少对环境造成的不良影响。      

考虑二次排队的智能网联车生态驾驶策略

为避免车辆在交叉口的急加减速与启停现象,减少车辆燃油消耗和污染物排放,提出了一种考虑二次排队的智能网联车生态驾驶策略。首先构建了考虑驾驶员反应的交叉口处排队车辆的改进IDM跟驰模型,通过信号配时、车辆排队长度等信息估计排队车辆消散时间;其次,依据交叉口处是否出现车辆二次排队,将生态驾驶策略分类为“前方车辆在绿灯时间清空”和“前方车辆二次排队”两种情况,结合智能网联车与交叉口的距离等信息优化车辆行驶轨迹;最后将提出的生态驾驶策略与自由驾驶在不同排队长度场景下进行对比仿真实验。仿真结果表明：相较于自由驾驶,生态驾驶策略能够有效减少车辆的急加减速与停车行为,随着交叉口排队长度的增加,生态驾驶策略的优化效果更加明显;当排队车辆在第一个绿灯时间消散时,采用生态驾驶策略的车辆的总体油耗降低了9.98%,CO₂、CO、HC、NOx平均排放量分别降低了11.69%、20.14%、1.66%和29.09%;当交叉口处出现车辆二次排队时,采用生态驾驶策略的车辆总体油耗降低了15.0%,CO₂、CO、HC、NOx平均排放量分别降低了15.42%、27.51%、2....     

基于比功率的自动驾驶交通流油耗分析

鉴于油耗与节约能源和车辆尾气排放直接相关，探究自动驾驶车辆对油耗的影响. 以手动驾驶车队与自动驾驶车队为数值仿真对象，在交通震荡环境下设计数值仿真实验. 对车队的车辆数量，车队初始速度，以及自动驾驶车辆的车间通信延时做参数敏感性分析. 基于机动车比功率的油耗评价模型，对仿真结果进行统计；相比于手动驾驶车队，计算自动驾驶车队平均油耗率的降低. 从交通流稳定性角度考察油耗降低与稳定性状态转变之间的内在关联性. 研究结果表明，自动驾驶车辆对油耗的降低幅度与车队初始速度有关，与交通流稳定性之间存在定性的影响关系，交通流的平稳性有利于显著改善车辆油耗降低的幅度. 研究结果可为大规模自动驾驶背景下的油耗控制策略提供理论参考.     

网联自动驾驶车辆混合交通流专用道管控方法

分析了网联自动驾驶车辆(CAV)混合交通流中各车辆类型及其跟驰模式下的车头间距，从通用性混合交通流特征层面理论推导了各车头间距模式的概率表达式，从而对混合交通流进行了数学描述；以混合交通流整体通行流率最大为目标，计算了多车道混合交通流中一个CAV专用道的设置条件以及专用道设置后CAV交通流在专用道和混合道上的最优交通流分配比例，将一个CAV专用道情形推广至多个CAV专用道动态管控的一般性情形，构建了混合交通流专用道动态管控的分析方法；应用案例分析论证了CAV专用道管控方法的有效性。研究结果表明：在交通需求为2 000 veh·h^-1时，各CAV渗透率阶段均无需设置CAV专用道；在交通需求为3 000 veh·h^-1时，需在CAV渗透率为0.2～0.4的阶段下考虑设置CAV专用道；在交通需求为5 000 veh·h^-1时，需考虑在各CAV渗透率阶段下设置CAV专用道；提出的CAV专用道管控方法可根据交通需求和车道总数等条件定量化计算不同CAV渗透率阶段下的最优CAV专用道数量以及CAV交通流最优分配比例，且交通需求能够影响...     

自动驾驶接管影响因素分析与研究进展

部分或有条件自动驾驶车辆允许驾驶员将驾驶任务移交给自动驾驶系统，但驾驶员仍需对驾驶环境进行监测，若发生紧急事件或驾驶环境超出系统运行设计域等情况，驾驶员需要及时接管车辆。影响驾驶接管过程的因素主要包括：人因、交通环境以及人-机交互系统。本文分析了驾驶员认知负荷特性等人因对接管过程和接管时间预算的影响。分析发现，驾驶员长时间脱离驾驶任务会导致其陷入被动疲劳或驾驶分心状态，从而降低接管绩效。适当的非驾驶任务可以使驾驶员保持一定的认知负荷，降低驾驶员的被动疲劳水平。结合网联技术的应用可以多次发出预警信号，提高接管绩效。本文讨论了交通密度、道路条件等交通环境对接管时驾驶员感知、认知及决策的影响，探讨混合交通下过渡区智能网联车辆控制权切换 (Transitions of Control, ToC) 的管理问题。在复杂道路交通下，驾驶员需要更多时间恢复对环境的感知，且驾驶员在弯道接管车辆时更容易出现较大横向偏差。在混合交通环境中，为防止过渡区出现集中的ToC，可以制定相应交通管理措施，以降低过渡区域中车辆之间的相互干扰。本文还分析了视觉、听觉、触 觉、嗅觉及其组合类型交互方式的优、缺点，讨论网联环境下人-机交互系统设计以及ToC形式。 单个的交互方式有其自身的优、缺点，多种类型相结合的交互形式能形成优势互补，及时地将接 管信息传递给驾驶员，并将其注意力集中于对环境的感知。网联技术发展使得可利用的行车信息的数量和种类都有所提高，网联信息需要更好地呈现策略，以保证人-机交互界面具有较高的可用性和接受性，为驾驶员提供更加准确的交互信息。同时，利用驾驶员状态识别技术实时监测驾驶员所处状态，并通过人-机交互系统提醒驾驶员，使其保持警觉，提高接管绩效。未来研究应该重点关注非驾驶任务对驾驶员认知特性的影响，结合接管时的驾驶环境，遵循预测算法辅助驾驶员实现控制权的平稳过渡。随着网联技术的不断应用，逐步改进现有人-机交互系统的设计和性能，对过渡区域ToC的管理问题展开深入研究。     

特种CAV优先的集中式匝道合流协同控制方法

为保障无人驾驶环境下特种车辆在典型Y型匝道合流区快速平稳通过,研究了全网联自动驾驶车辆(CAV)集中控制场景中考虑特种车辆优先通行的协同控制方法;通过博弈确定了控制区内合流序列排布,考虑特种CAV任务优先属性与车型特征,分别设计了与加速度关联的特种CAV车道优先属性、与时间关联的车种优先属性和与加速度变化率关联的车型稳...     

自动驾驶对交通运输系统规划的影响综述

车辆是交通运输系统的重要组成部分,伴随着自动驾驶技术的发展与应用,交通运输系统 将发生深刻变革。本文聚焦于自动驾驶技术对交通运输系统规划的影响,综述自动驾驶特点下 交通数据采集与管理手段、土地利用、停车需求、交通供需、交通需求预测、交通网络布局等方面 发生的新变化。在此基础上,从规划的角度出发,实现对自动驾驶环境下交通运输系统的再认 知,总结自动驾驶环境下交通需求预测、城市交通网络布局等新的交通规划方法与技术。通过对 交通运输系统的再认知发现：在自动驾驶环境下,交通数据具有细粒度、高鲜度的新特点;土地利 用模式将发生改变,城市将呈扩张和去工业化趋势,停车需求减小;交通系统供给能力和可靠性 提高,出行需求的时空分布将更为分散。交通系统规划方法的变化体现在交通需求预测和交通 网络布局两个层面：交通需求预测框架从“四步”框架转变为模型组合化和出行行为一体化的预 测框架,同时,需求预测的各阶段需引入对自动驾驶特征及其系统性影响的分析;交通网络布局 设计采用连续时域上的布局设计框架,有望解决传统交通网络布局设计的时滞性问题,可适应并 服务于动态变化的土地利用及交通需求。本研究认为,未来需重点研究自动驾驶对交通安全、交 通拥堵、公共交通规划、慢行交通规划等方面的影响。此外,解决自动驾驶实测数据缺乏的困境、 解析异构交通阶段交通系统的运作机理、应对交通需求反弹引起的供不应求、评估难以衡量的外 部成本等问题将是未来研究的难点。     

自动驾驶混合交通流的交通和环境效益评估

为研究自动驾驶混合交通流的交通和环境效益,利用VISSIM微观仿真模型和MOVES机动车尾气排放模型,搭建一套基于自动驾驶车辆的驾驶行为的综合仿真体系,对不同市场渗透率的自动驾驶车辆运行过程进行仿真模型研究.考虑不同交通流水平(高峰期、平峰期、低峰期),选用总出行时间、平均速度、平均停车次数和平均延误4个交通效益评估指标,PM2.5,NOx、CO污染物排放量和能源消耗量4个环境效益评估指标.研究结果表明:随着自动驾驶车辆市场渗透率的递增,混合交通流的交通和环境效益均呈递增趋势,且高峰期优于平峰期,平峰期优于低峰期;以交通效益为例,在高峰期时,当自动驾驶车辆的占比达到100％,可降低45.59％的总出行时间、98.77％的停车次数和96.46％的平均延误,提升122.73％的平均旅行速度;在平峰期时,可降低84.43％的平均延误和86.42％的停车次数;而在低峰期时,只降低了 1.62％的总出行时间,提升了 1.03％的平均旅行速度.     

基于机非冲突近似网格风险评估的自动驾驶左转运动规划模型

为了提高自动驾驶车辆在复杂机非混行交叉口行车安全性、舒适性和效率,提出了一种基于机非冲突近似网格风险评估的自动驾驶左转运动规划模型,并进行模型泛化;设定静态离散序列交叉口网格区域的划分规则,根据多状态通行行为概率转换关系,预测非机动车在细分网格中的运动状态,并动态评估机非冲突区域的风险等级;在此基础上,采用模型预测方法设计自动驾驶车辆的横纵向控制算法,通过自适应调节航向与速度实现跟踪期望轨迹并同步规避网格冲突区域;结合车辆动力学与外部交互环境等约束条件,开发交叉口四相位信号控制交通仿真平台,采用模型在环测试的方式,从效率优度、舒适性优度、实际规划路径与参考路径的偏移量等方面,验证了对左转机非冲突区域运动规划的有效性。研究结果表明:所提出模型能够有效动态提取和预测网格风险信息,确保自动驾驶车辆与驶入交叉口非机动车的安全交互、高效通行与驾驶舒适性,其规划路径的偏移量与同类算法相比最大可降低17.1%,通行效率最大可提高26.6%,舒适性优度最大可提高39.3%,实际路径跟踪表现出高效通过交叉口机非冲突区域和规划路径占用空间低的明显优势。      

车联网环境下自动驾驶车辆动态障碍物协作避让模型

车路协同和车联网的发展为车辆群体之间的协作控制提供了可能.本文关注的是在车联网环境下,自动驾驶车辆群体避让动态障碍物的问题,目标是实现在不损失车辆个体效益的同时,可以达到车辆群体系统最优.本文提出了一种基于深度强化学习算法(DQN)的自动驾驶车辆群体协作避让动态障碍物的模型.模型在学习过程中考虑了车辆的安全性、单个车辆和车辆群体的行驶效率,并加入了车辆的换道协作机制.仿真验证结果表明,与现有的非协作避障模型相比,该模型可以显著地提高整体交通效率,在非常拥堵、比较拥堵和自由流三种给定的不同交通流状态下,车辆行驶效率(车辆平均速度)分别提高5.26％、21.44％、10.38％,整体车流量分别提高8.22％、34.47％、0％.     

混合交通流环境下单交叉口自动驾驶车辆轨迹优化

信号交叉口对城市道路的通行能力以及车辆的燃油消耗具有重要影响。本文提出一种在自动驾驶车辆和人工驾驶车辆混合交通流环境下的自动驾驶车辆的轨迹优化方法。基于交叉口信号灯的配时方案,构建车辆旅行时间估计模型,并以自动驾驶车辆燃油消耗最小以及通行效率最大为目标,构建自动驾驶车辆轨迹优化模型,对车辆进行动态轨迹规划和控制。车辆轨迹滚动优化模型采用高斯伪谱法进行离散化求解,并基于SUMO仿真平台对模型结果进行验证。仿真结果表明,自动驾驶车辆可以通过优化自身控制变量影响人工驾驶车辆的运行状态,减少交通流的排队以及时走时停现象。本文提出的车辆轨迹优化方法对于降低车队整体燃油消耗、提升车队平均速度、缩短平均行程时间具有重要作用。     

基于VISSIM仿真的生态驾驶行为对交叉口运行效率影响

机动车能耗与排放是造成现代社会能源短缺和大气污染的主要原因。除减少机动车使用、改进机动车能耗及排放等方法外,生态驾驶行为也是促进节能减排的有效手段。为分析生态驾驶行为对信号交叉口服务水平的影响,采用正交实验法对VISSIM仿真模型中的驾驶行为参数进行标定,并对仿真结果进行相应分析。结果表明:在自由流状态下,生态驾驶行为的运用能更好地达到减少燃油消耗和尾气排放的效果;在受限流状态下,生态驾驶行为则会对交通环境中机动车的燃油消耗和尾气排放起到负面影响。     

基于车辆行驶轨迹的道路不良驾驶行为实时辨识方法

为了提高道路交通安全主动防控能力, 以小汽车行驶轨迹数据为研究对象, 研究了不良驾驶行为的实时辨识问题; 基于无人机拍摄交通流视频提取海量车辆行驶轨迹数据; 提出了应用风险度量方法量化典型不良驾驶行为的理论; 使用大样本统计分布方法确定不良驾驶行为的特征参数阈值; 建立了结合交通环境信息的不良驾驶行为谱, 计算了不良驾驶行为谱特征值; 以车辆不良驾驶行为谱特征值为依据标定不良车辆样本; 以部分驾驶行为谱参数为输入, 使用不平衡类提升的人工智能算法建立了不良驾驶行为辨识模型; 为了验证方法的有效性, 使用无人机交通视频采集了上海市的车辆行驶轨迹数据, 分析了小汽车不良跟驰行为特征。分析结果表明: 使用四分位差法得到不良跟驰特征参数的阈值为0.19 s-1, 大部分样本处于正常跟驰状态, 约2%样本处于不良跟驰状态; 基于每辆车行驶轨迹中正常跟驰状态和不良跟驰状态的比例, 使用95%分位数将8 917 veh小汽车样本划分为不良跟驰车辆445 veh与正常跟驰车辆8 472 veh; 不平衡类提升算法CUSBoost辨识不良跟驰车辆达到了94.4%的召回率和85.9%的精确率, 平衡分数和精确率-召回率曲线下的面积为所有算法中最高。可见, 不良驾驶行为谱作为一种客观的不良驾驶行为量化表达方法, 与人工智能方法结合可以生成海量的不良驾驶行为谱库; 不平衡类提升算法可以解决不良驾驶行为数据的不平衡问题, 与常规算法相比具有更好的不良驾驶行为辨识能力。      

面向高速公路混合交通流的车辆协同合流策略

为提高高速公路匝道合流区的运行效率、减少交通事故的发生,面向网联自动驾驶车辆(Connected and Automated Vehicles, CAV)与人工驾驶车辆(Human Driven Vehicles, HDV)混行的交通场景,提出高速公路匝道分层协作合流框架,该框架集成合流序列调度算法和协作合流算法,并根据车辆类型与车辆状态进行实时调整。首先,提出一种基于启发式规则的高速公路合流序列实时调度算法,优化合流区车辆的合流顺序,解决了传统固定合流序列无法适应HDV驾驶行为随机扰动的问题。然后,根据合流序列调度算法及当前车辆位置,判断协作合流的车辆组及其车辆类型,分别建立CAV-CAV、CAV-HDV和HDV-HDV的协作合流控制算法。通过试验仿真发现：相较于无控制情况和“先进先出”策略,总延误分别降低了21.66%、39.88%;协作控制区长度对燃油经济性存在一定影响,能耗随着距离的增加而减小,并存在一个最小值,即300 m,到达该值后能耗将逐渐增大;车辆之间车头时距的增加,对减小车辆能耗存在一定的影响。其中,HDV之间车头时距的影响大于CAV之间车头时距的影响。     

网联环境下信号交叉口车速控制策略及优化

为实现车辆在信号交叉口区域的节能减排及提高道路通行效率,本文构建基于目标车速关联的油耗排放模型,建立生态驾驶诱导车速控制策略。在加减速通过场景下以油耗、排放和通行时间为优化目标,以道路限速和不停车通过车速为约束,利用多目标遗传算法优化生态驾驶目标车速;基于MATLAB与交通仿真软件VISSIM进行不同算法渗透率及道路饱和度场景下的联合仿真,将仿真结果导入微观排放模型MOVES测算能耗排放。仿真结果表明：控制策略与无控制时相比,在高算法渗透率、低道路饱和度场景下,车辆平均速度提高13.8%,怠速工况比例下降 33%,中速巡航工况比例上升18%,能耗及N2O、NOX、HC、CH4排放分别减少6.6%及12.2%、4.0%、 6.3%、2.9%,CO排放增加2.5%。最后,依据仿真得到不同控制策略下的速度轨迹在底盘测功机上完成实车实验,实验结果表明,基于交通流优化的控制策略与无控制场景相比,能耗及 CO、 CO2、PN排放分别减少53.1%及47.6%、50.4%、39.8%,NOX排放增加13.6%。