王宙 褚端峰 高博麟 梅潤 鐘薇

摘 要： 為了提升隊列行駛的經(jīng)濟性，提出了一種高速公路場景下的云支持的隊列預測性巡航控制方法（CPPCC），并進行真實道路和車輛數(shù)據(jù)模型的仿真實驗。該方法采用了分層式結(jié)構(gòu)，上層為云端的隊列速度規(guī)劃層，下層為隊列穩(wěn)定控制層。云端的速度規(guī)劃層，考慮了道路坡度的滾動域的動態(tài)規(guī)劃（RDP）算法，實現(xiàn)隊列行駛的經(jīng)濟性目標。下層的車端隊列穩(wěn)定控制層，搭載了分布式模型預測控制器（DMPC），來跟蹤云端發(fā)送速度，同時考慮了隊列的穩(wěn)定控制。結(jié)果表明：與傳統(tǒng)的前車與領(lǐng)航車跟隨的定速巡航隊列（PLF-CC）方法相比，在行駛時間減小0.24% 的前提下，本文所提出的方法節(jié)省6.04% 的能源。

關(guān)鍵詞： 智能車輛；云支持的隊列預測性巡航控制（CPPCC）；滾動動態(tài)規(guī)劃（RDP）；分布式模型預測控制（DMPC）；前車與領(lǐng)航車跟隨的定速巡航隊列（PLF-CC）

中圖分類號： U 461.8 文獻標識碼： A DOI： 10.3969/j.issn.1674-8484.2023.05.008

道路運輸快速發(fā)展的同時，也帶來了一系列嚴峻的挑戰(zhàn)，例如交通安全問題和環(huán)境污染問題。而道路運輸?shù)闹髁樯逃密?，商用車的能源消耗問題和安全問題日益嚴重。在貨物運輸方面，商用車的燃油消耗量與碳排放量卻持續(xù)上升。由于運輸需求的不斷增加，在2015 年到2019 年全球貨物運輸總量增加了11%。其中，公路運輸占運輸總量的52%，其燃油消耗量增加了5.9%[1]，排放量增加了9.7%[2]。

事實上，商用車燃油花費的燃料成本大致占一個占重型車輛運營總成本的1/3 [3]。即使減少百分之幾的燃油消耗將帶來巨大的經(jīng)濟效益和環(huán)境效益，從而需要一種新的技術(shù)手段提升安全，減小能源消耗，提升道路運行效率。隨著通信技術(shù)的進步，各種路側(cè)設備的逐漸完善。車與車通信、車與路通信等技術(shù)的應用和快速進步[4-5]，為車輛隊列提供強大的技術(shù)支撐。隊列作為智能交通系統(tǒng)的重要的技術(shù)手段之一[6]，能夠通過縮短車輛間距，使得隊列內(nèi)車輛的運行風阻減小，從而達到節(jié)能的目的。文獻[7] 表明：隊列的車輛間距為10 m 時能夠節(jié)省10%～15% 的能源。將車輛組成隊列的方式能夠壓縮車輛間距，能夠提高整個道路的吞吐量，提升整個道路的通行效率。智能交通系統(tǒng)中的多車協(xié)同編隊技術(shù)對提高車輛的運輸效率、行駛安全性、節(jié)約能源及降低排放具有重大的社會和經(jīng)濟價值。

學者們還關(guān)注研究隊列預測性巡航控制（platoonpredictive cruise control， PPCC）的控制架構(gòu)研究。包括了分層式和集中式，集中式的方案需要隊列內(nèi)的所有車輛的狀態(tài)信息，通過構(gòu)建線性二次最優(yōu)問題求解出隊列最優(yōu)的控制量，對通信要求高，設計難度大。而分層式的方案主要有基于誤差的線性控制器，缺點是不能顯式的處理約束問題。但是設計邏輯清晰，系統(tǒng)設計難度較低，易于實現(xiàn)，是現(xiàn)在主流的隊列控制架構(gòu)。其中上層進行隊列的決策規(guī)劃，其主要是隊列經(jīng)濟車速的規(guī)劃問題。在保證隊列安全穩(wěn)定的前提下，下層控制器完成對上層速度規(guī)劃的策略跟隨控制。GUO Ge等人[7] 研究了高速公路上商用車隊列的速度規(guī)劃與跟蹤控制問題，提出上層為路徑上的最優(yōu)速度規(guī)劃層和下層的速度跟蹤層。YANG Yu 等人[8] 提出的新型分層生態(tài)協(xié)同的自適應巡航控制（ecological cooperativeadaptive cruise control， ECACC）策略，與傳統(tǒng)的速度巡航控制相比，能源消耗可節(jié)省38.1% 以上。M. Maged等[6] 將最優(yōu)模型預測控制作為上層的速度規(guī)劃器，減小隊列的能源消耗。規(guī)劃的速度曲線發(fā)送到下層的比例—積分—微分（proportional integral derivative，PID）控制器中，進一步改善隊列車輛間距。V. Turri 等[9] 針對重型商用車隊列提出分層控制架構(gòu)，旨在提高隊列的節(jié)能和安全性表現(xiàn)。上層設計為基于預覽道路地形信息的動態(tài)規(guī)劃，預測隊列最優(yōu)行駛速度。下層為基于分布式模型預測控制的車輛控制層，控制車輛跟隨上層下發(fā)的最優(yōu)速度。

現(xiàn)有的隊列巡航控制研究，集中在隊列穩(wěn)定性和行駛安全性的控制領(lǐng)域，并且已經(jīng)取得了豐富的研究成果。針對隊列的預測性巡航控制，主要關(guān)注于結(jié)合靜態(tài)道路坡度信息和當前隊列狀態(tài)，進行隊列速度規(guī)劃。V. K. Lakshmanan 等[10] 提出節(jié)能駕駛優(yōu)化控制可為領(lǐng)航車節(jié)省能源，但隊列弦不穩(wěn)定，因此導致隊列其余車輛的整體能源消耗較大。因此，需要更復雜的生態(tài)駕駛分層方案來改善這兩個方面。而結(jié)合云平臺可以更加高效地解決隊列預測性速度規(guī)劃的問題，現(xiàn)有的研究也開始關(guān)注基于云平臺的預測性巡航控制，學者已經(jīng)開展將云端和車端做預測性巡航控制的研究。Li Keqiang 等[11] 在基于云控系統(tǒng)的一體化系統(tǒng)架構(gòu)的前提下，提出云控汽車節(jié)能駕駛系統(tǒng)（cloud economicdriving system， Cloud EDS）。E. Ozatay 等[12] 將密集計算放在云端，云端利用精確的車輛和油耗模型確定終點沿路線的最佳速度軌跡，并將軌跡下發(fā)車輛控制，該方法能夠節(jié)省5%～15% 的燃油消耗率。LI Shuyan等[13] 提出基于云控系統(tǒng)（cloud control system， CCS）的云計算預測巡航控制（cloud-based predictive cruisecontrol， CPCC），該方法相比傳統(tǒng)的定速巡航的節(jié)油率為6.17%。該團隊還提出基于CCS 的預測自適應巡航控制[14]（predictive adaptive cruise control， PACC）算法。

在自由巡航時消耗時間少的情況下，可實現(xiàn)8.16% 的節(jié)油，結(jié)果表明CCS 在智能網(wǎng)聯(lián)汽車應用方面具有巨大的潛力和可行性。

本文基于現(xiàn)有的隊列預測性巡航控制的研究現(xiàn)狀，提出云支持的分層式隊列預測性巡航控制，實現(xiàn)隊列行駛的安全，節(jié)能和高效的目標?；谠瓶叵到y(tǒng)提出云支持的分層式隊列預測性巡航控制架構(gòu)，上層的為基于坡度的云端速度規(guī)劃算法，下層為隊列穩(wěn)定控制算法。云端部署考慮車輛動力學模型、車輛油耗模型和隊列運行前方道路坡度信息的滾動動態(tài)規(guī)劃算法（receding dynamic programming， RDP），而車端搭載的隊列穩(wěn)定控制部署分布式模型預測控制器（distributedmodel predictive controller， DMPC）。

1 云支持的分層式隊列預測性巡航控制架構(gòu)

1.1 分層式系統(tǒng)整體架構(gòu)

云支持的隊列預測性巡航控制（cloud-basedplatoon predictive cruise control， CPPCC）的車云分層架構(gòu)如圖1 所示。

邊緣云的應用平臺中部署了云端的隊列預測性巡航速度優(yōu)化算法，支撐平臺提供車輛的定位信息和行駛前方的道路坡度信息作為CPPCC 算法的數(shù)據(jù)支撐。通過云端解算出優(yōu)化的速度序列后下發(fā)到隊列的車輛控制端，隊列控制器將云端下發(fā)的速度序列進行解析，經(jīng)過車輛控制器解算后輸出最優(yōu)控制量控制車輛。

滾動時域優(yōu)化涉及預測系統(tǒng)未來的狀態(tài)和靜態(tài)的道路坡度信息，為了抵抗外界的干擾和預測的不確定性，采用模型預測的思路，通過滾動時域優(yōu)化去抵消系統(tǒng)的不確定擾動。滾動距離域優(yōu)化算法涉及預測系統(tǒng)未來的行為在外界的干擾如道路坡度時的系統(tǒng)變化。

1.2 分層式系統(tǒng)控制框架

CPPCC 的系統(tǒng)控制框架如圖2 所示的，主要分為了2 部分，2 部分別為云端和隊列車端。云端包括了模塊為車輛的發(fā)動機模型；相關(guān)支撐平臺的定位模塊；定位模塊后的道路坡度信息模塊；車輛縱向動力學模型模塊和云端的速度規(guī)劃算法模塊。車端包括隊列控制誤差模型、隊列穩(wěn)定控制器模塊和車輛隊列模型。該8 個部分實現(xiàn)CPPCC 方法。

本文使用領(lǐng)航車作為最優(yōu)速度規(guī)劃算法的狀態(tài)反饋。高速公路道路坡度的變化幅度較小，在整個車輛隊列的范圍內(nèi)可理想化為近似相同，并且假設優(yōu)化時刻隊列的狀態(tài)是穩(wěn)定的，通過該假設可以大大減小系統(tǒng)設計的難度和算法計算時間。

云端通過地圖定位模塊確定車輛隊列前方道路的高程信息，將靜態(tài)道路信息的道路坡度信息和領(lǐng)航車反饋的車輛狀態(tài)（位置、速度、加速度）信息作為云端速度規(guī)劃的輸入。最優(yōu)速度規(guī)劃算法還需要綜合考慮車輛的縱向動力學模型，車輛的油耗模型和車輛系統(tǒng)約束，云端速度規(guī)劃層通過預測性巡航算法解算出最優(yōu)的速度序列后下發(fā)到隊列中的所有車輛。

4 實驗及結(jié)果分析

4.1 仿真實驗設置

為了驗證CPPCC 方法的有效性， 基于Matlab/Simulink 和Trucksim 搭建實驗。其中Trucksim 負責提供車輛動力學模型，Matlab/Simulink 中部署CPPCC算法。本文選擇真實高速公路數(shù)據(jù)進行實驗仿真驗證，仿真路段為山東G22 高速沂源—諸葛段，實車數(shù)據(jù)為某車廠的真實車輛數(shù)據(jù)，實車參數(shù)如表1 所示，RDP成本函數(shù)的具體參數(shù)如表2 所示。

設置本文的對比方法為前車與領(lǐng)航車跟隨的定速巡航隊列（predecessor-leader followings cruise controlplatoon， PLF-CC），隊列為3 輛商用車組成的車輛隊列。為了避免因為車輛換擋而引入的變化，本文的研究將車輛的檔位設置為定6 檔運行。實驗關(guān)注的指標為車輛運行的油耗情況，運行時間，隊列穩(wěn)定性指標。穩(wěn)定性指標包括隊列的出車間距誤差和速度誤差。

設置的實驗路段包括了長下坡，長上坡和連續(xù)變化的坡度的路段，能夠?qū)⑺惴ㄔ诓煌范蜗逻M行仿真實驗的驗證。

4.2 仿真實驗穩(wěn)定性分析

隊列預測性巡航控制方法（CPPCC）算法下層為隊列的車端穩(wěn)定控制器，需要分析全程中隊列的車輛間距誤差和速度誤差的情況。如圖6 所示為全程的隊列穩(wěn)定控制效果圖。

由圖6 可知：全程隊列的穩(wěn)定控制保證在一定的范圍內(nèi)，隊列車輛的間距誤差為[-0.3，0.5] m，隊列車輛速度誤差為[-0.25，0.1] m/s，證明CPPCC 隊列穩(wěn)定控制器的有效性。

隊列穩(wěn)定性指標中的隊列控制誤差的結(jié)果如下表3所示，隊列中V2速度誤差的范圍為[-0.230，0.092]（m/s）。間距誤差的范圍為[-0.240，0.478] m。隊列中V3 速度誤差的范圍為[-0.235，0.097]（m/s），間距誤差的范圍為[-0.285，0.481] m。

4.3 隊列經(jīng)濟性分析

分析全程的隊列運行情況，云端的速度規(guī)劃算法能夠根據(jù)道路坡度的變化實時預測隊列行駛的速度，對測試路段全程的隊列預測性巡航控制方法（CPPCC）的能耗和隊列的控制效果進行說明。如圖7 所示為全程的運行情況。

由圖7 可知：CPPCC 能夠根據(jù)道路坡度變化完成全程的速度規(guī)劃，隊列的速度波動情況較小。隊列的3 輛車的油耗較為接近，證明使用領(lǐng)航車作為云端速度規(guī)劃算法的狀態(tài)反饋，其余車輛狀態(tài)可以理想化為基本一致，從而跟隨從云端下發(fā)的速度（the speed sentdown from cloud）的假設是成立的，跟隨車輛也能夠獲得和領(lǐng)航車相差不大的能耗。

統(tǒng)計本文提出方法（CPPCC）和前車與領(lǐng)航車跟隨的定速巡航隊列（PLF-CC）的車輛油耗情況，如表5 所示。在保證整個隊列在行駛時間相比較PLF-CC 提升效率0.24% 的前提下，達到了6.04% 的節(jié)油率。

5 結(jié) 論

提出隊列預測性巡航控制方法（CPPCC），將隊列預測性巡航控制方法和云端結(jié)合，進一步釋放隊列預測性巡航控制的優(yōu)勢，實現(xiàn)節(jié)能和高效的目標。設計CPPCC 架構(gòu)，通過滾動迭代的方式抵消隊列未來運行的不確定性。然后在云端的部署速度規(guī)劃算法，通過考慮道路坡度的滾動動態(tài)規(guī)劃算法（RDP）求解出隊列行駛的經(jīng)濟車速。最終在云端下發(fā)最優(yōu)速度序列后，隊列穩(wěn)定控制器綜合當前隊列車輛的速度誤差和間距誤差，通過分布式模型預測控制器（DMPC）實現(xiàn)隊列的控制。經(jīng)過真實道路和真實的車輛數(shù)據(jù)模型仿真實驗發(fā)現(xiàn)，CPPCC 設計的隊列穩(wěn)定控制器能夠保證隊列的速度誤差范圍為[-0.25，0.1] （m/s），隊列的間距誤差范圍為[-0.3，0.5] m 。在保證隊列穩(wěn)定的前提下，相比較于傳統(tǒng)的PLF-CC，整體運行效率提升0.24%，節(jié)油率達到6.04%。

在本文的研究工作中，將隊列視為理想的，無干擾運行的整體。而前方存在干擾車輛對于隊列的控制的影響是十分巨大的，在隊列的預測性巡航控制中如何將隊列前方的環(huán)境干擾車輛進行考慮仍然是一個充滿挑戰(zhàn)的問題。結(jié)合云端，能夠給傳統(tǒng)的隊列預測性巡航控制帶來更加豐富的信息，如何結(jié)合云端的多信息融合，超視距感知的優(yōu)勢，將整個隊列的狀態(tài)進行的一體化的決策規(guī)劃將更進一步提升隊列預測性巡航控制的優(yōu)勢。

參考文獻（References）

[1] EC-European Commission. EU transport in figuresstatisticalpocketbook [DB/OL]. （2022-02-22）. https//：transport.ec.europa.eu/media-corner/publications/statistical-pocketbook-2021_en.

[2] Department of Transportation， Bureau of TransportationStatistics US. Freight facts and figures [DB/OL]. （2022-02-22）. https//： www.bts.gov/product/freight-facts-and-figures.

[3] Scania A B. Annual report for the year 2013 [R]. 556184-8564， S?dert?lje， Sweden， Aug. 2013.

[4] WU Qiong， ZHENG Jun. Performance modeling andanalysis of the ADHOC MAC protocol for vehicularnetworks [J] Wireless Networks， 2016， 22（3）： 799-812.

[5] WU Qiong， ZHENG Jun. Performance modeling andanalysis of the ADHOC MAC protocol for VANETs [C]//Proc IEEE Intl Conf Commu （ICC15）， London， UK，2015： 3646-3652.

[6] Maged M， Mahfouz D M， Shehata O M， et al. Behavioralassessment of an optimized multi-vehicle platoonformation control for efficient fuel consumption [C]// 2ndNovel Intell Leading Emerging Sci Conf （NILES）， Giza，Egypt， 2020： 403-409.

[7] GUO Ge， WANG Qiong. Fuel-efficient en route speedplanning and tracking control of truck platoons [J]. IEEETrans Intel Transp Syst， 2018， 20（8）： 3091-3103.

[8] YANG Yu， MA Fangwei， WANG Jiawei， et al. Cooperativeecological cruising using hierarchical control strategy withoptimal sustainable performance for connected automatedvehicles on varying road conditions [J]. J Cleaner Produ，2020， 275： 123-156.

[9] Turri V， Besselink B， Johansson K H. Cooperative lookaheadcontrol for fuel-efficient and safe heavy-duty vehicleplatooning [J]. IEEE Trans Contr Syst Tech， 2017， 25（1）：12-28.

[10] Lakshmanan V K， Sciarretta A， Ganaoui-Mourlan O E.Cooperative eco-driving of electric vehicle platoons forenergy efficiency and string stability： Science direct [J].IFAC-Papers Online， 2021， 54（2）： 133-139.

[11] 李克強， 李家文， 常雪陽， 等. 智能網(wǎng)聯(lián)汽車云控系統(tǒng)原理及其典型應用[J]. 汽車安全與節(jié)能學報， 2020， 11（3）：261-275.

LI Keqiang， LI Jiawen， CHANG Xueyang. Cloud controlsystem for intelligent and connected vehicles and itsapplication [J]. J Auto Safe Engi， 2020， 11（3）： 261-275. （inChinese）

[12] Ozatay E， Onori S， Wollaeger J， et al. Cloud-basedvelocity profile optimization for everyday driving： Adynamic-programming-based solution [J]. IEEE TransIntel Transp Syst， 2014， 15（6）： 2491-2505.

[13] LI Shuyan， WAN Keke， GAO Bolin， et al. Predictivecruise control for heavy trucks based on slope informationunder cloud control system [J]. J Syst Eng Elect， 2022，33（4）： 812-826.

[14] LI Shuyan， LI Rui， GAO Bolin， et al.， Predictive adaptivecruise control for heavy-duty vehicle based on cloudcontrol system [C]. //2022 IEEE 25th Intl Conf IntellTransp Syst （ITSC）， Macau， China， 2022： 2998-3003.

[15] ZHAI Chunjie， LIU Yonggui， FEI Luo. A switched controlstrategy of heterogeneous vehicle platoon for multipleobjectives with state constraints [J]. IEEE Trans IntelTransp Syst， 2019， 20（5）： 1883-1896.

[16] ZHOU Yang， WANG Meng， Ahn S. Distributed modelpredictive control approach for cooperative car-followingwith guaranteed local and string stability [J]. Transp ResPart B： Methodol， 2019， 128（1）： 69-86.

[17] Rakovic S V， Kerrigan E C， Kouramas K I， et al. Invariantapproximations of the minimal robust positively invariantset [J]. IEEE Trans Autom Contr， 2005， 50（3）： 406-410.