异构智能网联汽车编队延迟补偿控制研究

智能网联汽车多车编队行驶可有效缩短跟车间距和提升交通系统通行效率，但多车编队控制须解决异构编队控制器的普适性问题，且能够在执行器响应延迟和通讯延迟情况下保证车辆编队的弦稳定性。本文提出一种面向异构智能网联汽车编队的延迟补偿控制方法，在无须获取他车系统动力学参数及控制输入前提下，利用他车加速度信息即可实现车辆编队纵向跟踪控制；此外，提出一种基于Smith预测器的延迟补偿控制架构，分别消除和降低了执行器响应延迟和通讯延迟对车辆编队弦稳定性的影响。典型工况仿真结果表明，相较常见车辆编队控制方法，本文提出的异构车辆编队延迟补偿控制器的跟车误差降低了80.7%，有效减小了最小车头时距和跟车间距。     

智能网联汽车运动规划方法研究综述（双语出版）

分析了近年来智能网联汽车（Intelligent Connected Vehicle，ICV）运动规划方法的研究，根据规划时空尺度和任务目标，将ICV运动规划细分为路径规划、路线规划、动作规划和轨迹规划4级子任务，回顾了各级子任务中智能网联技术的研究和应用现状；探讨了ICV中驾驶人行为特性及其对运动规划结果的影响；从技术背景、研究场景、算法流程和应用理论4个方面，提出ICV运动规划方法研究的未来发展方向。结果表明：由于ICV主要依赖车辆网联信息规划运动路径，而路网中同时存在不同网联等级的ICV，这将增加路径规划问题的求解难度；现有ICV路线规划模型较少考虑周边多车运动状态以及路段车道设置情况，将现有算法与微观交通流模型相结合有助于解决此问题；ICV中人机协同及任务切换领域已出现诸多研究热点，如城市道路上换道与转弯动作规划、ICV引导非网联车辆行驶等问题；借鉴驾驶人行为模式规划ICV运动轨迹已成为研究共识，但是车-车、车-路网联信息在此领域的应用仍然有限；采用反馈-迭代的方法进行ICV运动路线和动作协同规划、运动规划和轨迹跟踪控制有助于获得全局最优的运动规划结果和车辆控制策略；根据具体规划任务特点选择构建ICV运动规划模型的基础理论，有助于发挥各类理论的优势，提升规划算法的灵活性和适用性。     

基于凸优化的燃料电池汽车节能驾驶研究

为实现燃料电池汽车在多信号灯场景下的节能驾驶，本文中提出一种基于分层凸优化的快速车速规划和能量管理方法。结合车辆静态氢耗图，运用动态规划获得车辆通过信号灯的最优绿灯窗口，并确定最优行驶路径的搜索区域。建立以车辆需求功率累计最小为优化目标求解车辆加速度的二次规划问题，并运用Matlab/OSQP求解器获取车辆最优行驶路径。根据最优行驶路径，采用基于交替方向乘子法的能量管理策略，实现各动力源输出功率的合理分配。针对9个信号灯场景的仿真结果表明，所提方法的电机工作点平均效率比智能驾驶员模型高10%，氢耗低45%。此外，该方法计算速度快，具备实时优化的潜力。     

面向城市道路的智能网联汽车多车道轨迹优化方法

为提高城市路网下智能网联汽车的通行效率以及燃油效率,提出面向城市道路的多车道时空轨迹优化方法。首先,结合多车道时空位置关系定义智能网联汽车状态与约束,综合考虑通行效率与燃油经济性构建时空轨迹复合优化模型,并采用庞特里亚金极大值算法进行求解。然后,本文设定协同换道的规则,并通过Q-learning算法获取最优的换道策略。最后,通过SUMO/Python联合仿真验证了该方法可以在不同车辆饱和程度、绿信比状态及最低通行速度条件下有效提高通行效率,且燃油效率得到明显改善。     

网联自动驾驶车辆通过信号交叉口的速度轨迹优化

以网联自动驾驶汽车(Connected Autonomous Vehicle,CAV)为研究对象,研究了CAV车队通过城市信号交叉口的速度轨迹优化控制策略.基于最优控制理论,采用CAV的自动驾驶模型描述车间相互作用,以所有CAV车辆在行驶过程中的总油耗为优化目标,根据信号灯的配时信息建立模型约束,通过优化CAV头车的速...     

智能网联汽车节能优化关键问题与研究进展

汽车保有量的增加和能耗排放法规日益严格的限制给车辆节能减排提出了巨大挑战，网联化、智能化和电气化是提高未来交通效率和减少公路能源消耗的三大支柱。为了全面了解智能网联汽车节能减排的前沿问题与研究进展，对当前经济驾驶领域的重点问题进行了总体概述。首先，从广义的能量转换角度总结了智能车辆节能优化技术的本质和3个过程，其中Wheels to Distance环节的车辆系统优化是挖掘汽车节能潜力的重要一环，针对其介绍了智能网联汽车节能优化问题的基本数学原理；其次，从智能运输系统的各类非同源异构数据出发，分别从人-车交互、车-车通信、车-路感知三方面阐述来源于"人-车-路"交互体系的智能信息与数据；然后，针对单车智能网联环境下的多维度信息与先进控制技术相结合的关键问题，从考虑道路坡度预测巡航控制、跟车工况预测巡航控制、智能辅助驾驶和车道变换等应用场景进行具体介绍；针对"人-车-路-云"多源异构环境下车辆行为协同节能关键科学问题，从经济驾驶、多车协同节能、道路交叉口车路协同节能和车云协同节能等方面详细介绍研究现状；并进一步介绍电气化公路系统的前瞻性研究，说明融合智能化信息的E-highway节能潜力和智能重型商用车协同节能的未来发展趋势。最后，总结并梳理智能化信息对于提升车辆节能的重要影响，并展望了其在理论与实际层面遇到的挑战。     

通信时延与丢包下智能网联汽车控制性能分析

网联协同控制是智能网联汽车的重要应用场景，而车联网的通信时延与丢包可能导致控制性能下降，甚至影响行车安全。为了分析时延与丢包对网联车辆控制的稳态与瞬态性能的影响，设计了网联控制器，并开展了仿真与实车试验。基于车辆动力学特性，将通信时延与丢包下的网联车辆控制分解为纵向控制与横向控制，进行了统一建模，并设计了控制器进行试验分析；搭建了网联自动驾驶的CarSim-Simulink联合仿真平台，及集成可模拟时延与丢包的LTE-V原理样机的智能网联汽车试验平台；开展了不同时延与丢包率下网联跟车控制与网联路径跟踪控制的仿真试验与实车试验。试验结果显示：时延与丢包对控制误差的影响形态有相似性；时延或丢包率取系统及工况参数有关的小值时，如试验中时延小于200 ms或丢包率小于20%，工况随机因素对控制误差的影响可能超过时延与丢包的影响；在更大的时延或丢包率下，时延与丢包的出现方式（如出现时机等）对控制误差影响更大。研究结果表明：能实现针对网联车辆控制系统通信特性的控制器优化设计，使得当时延与丢包在工况相关阈值内时，系统控制误差有界。所揭露的规律一方面可用于对造成危险控制误差的时延与丢包工况进行预警，另一方面也可用于基于给定的稳态或瞬态控制误差边界，判定对应工况允许的时延与丢包率边界。     

基于分层式控制的混合动力汽车生态驾驶研究

智能交通系统技术的发展为进一步提高车辆驾驶性能带来了新的机遇。插电式混合动力汽车的生态驾驶涉及到3个问题，分别为如何利用动态交通信息对纵向行驶速度进行规划，动力电池SOC全局最优快速规划，以及动力系统实时能量管理。为此，本文中设计了一种结合通精度模型的兼顾计算效率与求解精度的分层式控制策略。上层控制融合了动态交通信号灯信息，通过对车辆行驶速度优化提高了驾驶舒适性，中层则通过对动力系统模型拟合近似，利用凸优化算法实现了SOC快速全局最优规划，为消除拟合模型产生的误差，下层则基于原始非线性模型，通过反馈控制，构建了一种自适应等效燃油消耗最小值策略（A-ECMS）。结果表明，车辆的驾驶舒适性相比于没有速度优化的策略提升了75.92%，且燃油经济性相比于两种常用的基于线性规划的策略分别提升了7.39%与10.91%。     

智能网联电动汽车经济性巡航速度规划

本文中在充分利用智能交通环境信息的前提下，提出一种基于滚动距离域近似动态规划的经济性巡航速度规划方法，实现了车辆在不同坡度道路上的经济性巡航，有效延长电动汽车的续航里程。首先，根据动态交通环境，设计了基于距离域的分段滚动形式，建立车速与道路坡度的映射关系；其次，采用了带有异步并行网络的近似动态规划算法，综合考虑安全性和通行效率，快速求解经济性巡航车速；最后，搭建智能网联汽车硬件在环仿真平台对所提方法进行了验证。结果表明，与传统定速巡航策略相比，本文中提出的方法在不增加通行时间的前提下，可有效降低车辆能耗，延长续航里程。     

智能网联汽车通用跨平台实时仿真系统架构及应用

为解决跨平台实时仿真测试过程中数据通信方式不通用、系统架构多样且难拓展、缺乏跨平台多软件数据同步方式的问题，本文中提出了一种面向智能网联汽车的跨平台实时仿真系统架构。首先借鉴车载以太网传输层通信协议设计多仿真平台间数据通信，构建通用数据通信交互方式；其次，根据智能网联汽车系统测试需求，确定所需的实时测试平台、车辆动力学仿真平台、传感器测试平台及以太网测试平台，参考汽车总线的分布式架构，设计通用且可拓展的跨平台实时仿真系统架构；最后，建立数据中转平台作为系统数据通信中枢，实现多软件、多平台运行同步。以前方侧翻智能避障算法为例进行应用验证，结果表明，基于跨平台实时仿真系统架构所设计的仿真测试系统，可通过数据中转模块调节被测算法及多平台、多软件的仿真速度，低时延的通信方式及实时硬件仿真平台，保证多平台、多软件实时同步运行，数据交互通信方式统一，系统架构具备通用性、拓展性。     

面向混合自动驾驶车流的协同自适应巡航控制EI北大核心CSCD

车联网V2V环境下能实时获取自车和周围车辆的运动状态、驾驶工况和道路环境,为汽车自适应巡航控制系统提供更准确的信息。为消除自动驾驶汽车(AV)和人工驾驶汽车(MV)混合行驶工况下的车头时距干扰对汽车纵向巡航控制的影响,提出了一种基于车联网V2V的协同自适应控制方法。通过车联网V2V实时采集车辆跟驰过程中车辆基本安全信息(basic safety message,BSM),进而获得车辆相对运动状态和驾驶行为序列;应用线性最优二次型方法建立驾驶操纵序贯链优化目标函数,再对扰动作用下的汽车运动状态改变量进行短时预测;在此基础上,以混合车流车头时距的最优均衡状态为目标,构建了车辆跟驰间距的滚动优化模型和协同自适应控制方法。实验结果表明,在头车加/减速行驶工况下,改进后的车辆控制器能更快响应前车运动状态的变化量,并在保证车辆安全跟驰间距的情况下,降低了车头时距,提高了道路通行能力。     

基于改进跟驰模型的混合车辆编队研究

现有的车辆编队控制研究多基于全智能网联环境，不适用于智能网联汽车(Connected and Automated Vehicle, CAV)与人工驾驶汽车(Human-Driven Vehicles, HDV)组成的混合交通场景，因此以混合交通环境下CAV和HDV组成的车辆编队为研究对象，引入头车及前车、后方HDV信息，提出一种改进的智能驾驶员模型(Intelligent Driver Model, IDM)。为更贴合驾驶员的操作行为，缓解优化速度模型(Optimal Velocity Model, OVM)受前车影响产生的速度波动，通过引入驾驶员误差，对OVM模型进行改进。为验证模型的有效性，分别对以上改进进行仿真对比分析，结果表明改进后的IDM模型和OVM模型组成的混合车辆编队在速度响应时间、跟驰间距、油耗、安全性、稳定性等性能方面得到明显改善。     

智能网联汽车制动系统的设计

制动系统对汽车的行驶安全十分重要,它是汽车结构中不可缺少的重要组成部分,智能网联汽车因其可以集合高端传感器,融合现代通信网络技术进行智能控制,可以实现更加安全、舒适、节能、高效的行驶,受到越来越多人的关注.本文介绍了一种智能网联汽车制动系统的设计,分析了智能网联汽车制动系统的使用现状,并对智能网联汽车制动系统的环境信息...     

智能网联技术对汽车维修行业的影响与应对办法

一、智能网联技术的普及速度 1.什么是智能化汽车 智能网联汽车,ICV(Intelligent Connected Vehicle),是指车联网与智能汽车的有机联合体.智能网联汽车搭载先进的车载传感器、控制器、执行器等装置,并融合现代通信与网络技术,实现车与人、车、路、后台等智能信息的交换共享,实现汽车的安全、舒适、节...     

“智能时代”应用型汽车专业人才培养

<正>1智能时代对应用型汽车专业人才培养的挑战1.1汽车技术发展对人才的需求"智能时代"的"智"是指信息化、数字化,"能"是指精益制造的能力,"智能时代"最核心的是智能人才的培养。智能网联汽车,即ICV(全称Intelligent Connected Vehicle)是把车辆所在的位置、行驶的速度、移动的轨迹路线等信息组合成的巨大交互信息网络和智能汽车的结合,是集成各种类型传感器、控制单元、执行机构等部件,并与通信技术、网络技术进行了有机融合,从而实现了     

V2X测试环境搭建研究与分析

V2X作为智能网联汽车的关键技术,可实现车与车、车与基础设施、车与行人、车与云等互联,将车辆信息与外界信息共享,增强车辆智能感知能力;本文主要研究分析了智能网联汽车V2X的相关测试以及复杂的V2X通信场景搭建,分析如何使用信号发生装置将真实通信环境复原测试区以及相应信号捕获解析。     

基于深度强化学习的智能网联车辆换道轨迹规划方法

以提高智能网联车辆换道安全和效率,降低燃油消耗为目的,该文提出了一种基于深度强化学习的智能网联车辆（ICV）换道轨迹规划方法。分析复杂交通场景智能网联车辆换道功能需求,设计了分层式智能网联车辆换道轨迹规划架构;兼顾车辆安全和换道效率,设计了基于完全信息纯策略博弈的换道行为决策模型;解耦车辆纵横向运动状态,构造了以燃油消耗和乘客舒适度为目标的联合优化函数,提出了基于双延迟深度确定性策略梯度（TD3）的智能网联车辆纵横向换道轨迹规划方法,得到了车辆纵横向优化换道轨迹,并利用搭建的3个典型换道仿真场景,验证了算法的有效性。结果表明：与深度确定性策略梯度（DDPG）算法相比,提出的方法在左换道和右换道实验中的训练效率平均提升了约10.5%,平均油耗分别减少了65%和44%,而且单步轨迹规划时间在10 ms内,能够实时获取安全、节能、舒适的换道轨迹。     

智能网联场景下纯电动客车车速规划算法研究

文章针对智能网联场景,在考虑交通信号灯SPAT信息的基础上,采用MPC模型预测控制算法对队列行驶的纯电动客车进行实时车速规划,实现了车辆交通路口前不停车跟驰行驶,同时保证了车队中各个车辆的行驶安全性、能耗经济性、驾驶平顺性及乘坐舒适性。     

复杂动态环境下智能汽车局部路径规划与跟踪算法研究

路径规划及路径跟踪控制是智能汽车研究的关键技术，而复杂、时变的交通环境给智能汽车的路径规划与跟踪提出严苛要求。针对现有局部路径规划方法只适用于较为简单的工况，无法应对多车道、多静/动态障碍等复杂工况的问题，提出一种基于离散优化思想的动态路径规划算法。该算法利用样条曲线曲率变化均匀的特性，在s-ρ曲线坐标系中生成了一组参数化候选路径簇；考虑动态碰撞安全影响，在碰撞带约束下结合道路法规限制及车辆动态安全要求，规划车辆速度；此外，综合考虑静态安全性、舒适性、目标车道、道路占用率等影响因素，以选择最优路径。在路径跟踪层面，基于预瞄理论设计鲁棒性好、跟踪精度高的分数阶PID路径跟踪控制器，以跟踪误差最小为目标，采用粒子群优化算法对分数阶PID控制器参数进行整定。最后，基于Simulink/CarSim建立联合仿真平台，设计多车道，多静/动态障碍的复杂工况以验证该算法的有效性。研究结果表明：由于在评价函数中引入动态安全评价指标、目标车道评价指标以及道路占用率指标，极大地提升了规划器性能，使车辆在行驶过程中根据驾驶环境自主调整速度，降低换道次数，从而保证智能汽车的主动安全性能，提升了通行效率，使该算法能够较好地处理复杂动态环境下的避障问题。     

考虑车车与车路通讯并存的路侧单元优化布设方法

路侧单元(Road Side Unit, RSU)作为车路协同系统(Cooperative Vehicle Infrastructure System, CVIS)中路侧感知控制网与网联化车辆自组网的重要节点,其布设方案对车路交互效能、系统建设成本与协同服务水平均产生较大影响。现有RSU优化布设研究主要基于车路(Vehicle to Infrastructure, V2I)通讯,忽视了车车(Vehicle to Vehicle, V2V)通讯的转发和中继作用,也缺乏对RSU设备及线网布设成本的相关考量。针对上述问题,面向V2V和V2I通讯并存环境,考虑信息覆盖正向收益与设备/线网布设负向收益,构建面向综合收益最优的RSU布设方案优化模型。首先结合信息流-交通流耦合模型获取传播时间矩阵,提出权重约束可达性算法,构建布设方案与信息覆盖正向收益之间的关系方程。然后针对动态最优布设方案条件下的最优线网布设问题,提出改进的最小生成树模型,并以此设计综合收益最优的RSU优化布设模型。最后,基于井字形算例路网,进行模型验证和关键系数敏感性分析;并基于Sioux Falls路网,将所提出的模型与现有未...