中圖分類(lèi)號(hào)：U469 收稿日期：2025-01-10 DOI： 10.19999/j.cnki.1004-0226.2025.07.019

Research on Optimization of Predictive Cruise Control Strategy for Connected and Automated Vehicles in Vehicle-road Cooperation Scenarios

Huang Haoping Beibu Gulf Vocational-Technical School，Qinzhou 535000，China

Abstract：Withthesupportofvehicle-roadcooperationcommuicationtechnologypredictivecruisecontrolforconnectedandautomatedvehiclescanobtainadvanceinformationaboutfutureroadconditionsandtraffcenvironment.Throughoptimizingvehicle speedtrajetorypgitaceeeetadiotallrendlygoweereeillln esineffectivelyutilzinguncertainpredictionsignals，stablisingontroltrategiesadaptedtocomplex traficsenarios，andesuring systemstabiltyandfeasibilityTispaperpropoesapredictivecuisecontrolstrategyforonectedandutomatedehiceseicle roadcooperationscenarios，addresingthechallngesofprdictioninformatonuncertantyandmult-jectiveoptimizationdecision makingdificulties.Thisenableseficientandenergysavingcruisecontrolofconnectedandautomatedvehiclesincomplexsenarios. The proposed strategycan significantly reduce fuelconsumptionand has promising engineeringapplicationprospects.

Keywords：Connected and automated vehicles;Predictive cruise control;Vehicle-road cooperation

1前言

隨著汽車(chē)智能化和網(wǎng)聯(lián)化技術(shù)的不斷發(fā)展，汽車(chē)行業(yè)正在經(jīng)歷前所未有的變革，傳統(tǒng)的汽車(chē)駕駛模式將被智能網(wǎng)聯(lián)汽車(chē)所取代。智能網(wǎng)聯(lián)汽車(chē)能夠通過(guò)車(chē)載傳感器采集行車(chē)數(shù)據(jù)，結(jié)合車(chē)路協(xié)同通信系統(tǒng)獲取實(shí)時(shí)路況信息，實(shí)現(xiàn)對(duì)復(fù)雜交通環(huán)境的感知、決策和控制，為提高交通效率、保障行車(chē)安全、減少能源消耗和環(huán)境污染奠定了基礎(chǔ)。其中，預(yù)測(cè)性巡航控制是智能網(wǎng)聯(lián)汽車(chē)的一項(xiàng)重要功能，能夠利用獲取的路況和交通信息，預(yù)判未來(lái)情況并優(yōu)化車(chē)輛行駛速度軌跡，避免不必要的加速和減速，從而達(dá)到節(jié)能減排的目的。但是，如何充分利用高度不確定的預(yù)測(cè)信息，設(shè)計(jì)魯棒的控制策略適應(yīng)復(fù)雜多變的實(shí)際交通場(chǎng)景，并兼顧能耗、時(shí)間成本等多種優(yōu)化目標(biāo)，是實(shí)現(xiàn)智能網(wǎng)聯(lián)汽車(chē)預(yù)測(cè)性巡航控制面臨的主要挑戰(zhàn)[1]。

2智能網(wǎng)聯(lián)汽車(chē)預(yù)測(cè)性巡航控制策略類(lèi)型比較

在智能網(wǎng)聯(lián)汽車(chē)的發(fā)展背景下，預(yù)測(cè)性巡航控制（predictivecruisecontrol，PCC）作為融合環(huán)境感知、路徑規(guī)劃與車(chē)輛控制的核心技術(shù)之一，已發(fā)展出多種類(lèi)型的控制策略，這些策略在控制目標(biāo)、輸入信息類(lèi)型、算法復(fù)雜度、適應(yīng)性與實(shí)用性等方面各具特點(diǎn)[2]。

從控制信息來(lái)源看，預(yù)測(cè)性巡航控制策略可分為基于本車(chē)感知的自主預(yù)測(cè)控制與基于車(chē)路協(xié)同的預(yù)測(cè)控制。從優(yōu)化模型構(gòu)建方式看，已有控制策略主要可分為基于規(guī)則的啟發(fā)式控制、基于模型的優(yōu)化控制與基于數(shù)據(jù)驅(qū)動(dòng)的智能控制三類(lèi)[3]。啟發(fā)式控制策略依賴(lài)經(jīng)驗(yàn)規(guī)則或預(yù)設(shè)邏輯（如“遇紅燈減速”“限速區(qū)域降速\"等）進(jìn)行簡(jiǎn)單的速度調(diào)整，算法實(shí)現(xiàn)簡(jiǎn)單，易于部署，但其控制精度較低，難以應(yīng)對(duì)多目標(biāo)權(quán)衡與不確定環(huán)境變化，屬于最基礎(chǔ)的預(yù)測(cè)性巡航控制形式。模型優(yōu)化控制策略則基于車(chē)輛動(dòng)力學(xué)模型與預(yù)測(cè)信息，構(gòu)建約束優(yōu)化問(wèn)題，通過(guò)線(xiàn)性規(guī)劃、模型預(yù)測(cè)控制（MPC）等方法求解車(chē)輛最優(yōu)速度軌跡，能夠?qū)崿F(xiàn)對(duì)能耗、通行時(shí)間、舒適性等多目標(biāo)的權(quán)衡優(yōu)化，該類(lèi)方法具有較高的精度與可解釋性，是當(dāng)前研究與產(chǎn)品化應(yīng)用的主流方向[4]。但其計(jì)算量相對(duì)較大，對(duì)模型準(zhǔn)確性與實(shí)時(shí)求解能力要求較高。數(shù)據(jù)驅(qū)動(dòng)的智能控制策略則利用機(jī)器學(xué)習(xí)或深度學(xué)習(xí)方法，從歷史數(shù)據(jù)與環(huán)境狀態(tài)中“學(xué)習(xí)”出近似最優(yōu)的控制策略，如強(qiáng)化學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)控制等。這類(lèi)方法具有較強(qiáng)的適應(yīng)性與泛化能力，尤其適用于高度動(dòng)態(tài)或非結(jié)構(gòu)化交通環(huán)境，但其黑箱特性、收斂速度與安全驗(yàn)證問(wèn)題仍是制約其大規(guī)模應(yīng)用的主要障礙。

表1不同類(lèi)型智能網(wǎng)聯(lián)汽車(chē)預(yù)測(cè)性巡航控制策略比較

3構(gòu)建基于車(chē)路協(xié)同的多源信息融合預(yù)測(cè)模型

針對(duì)智能網(wǎng)聯(lián)汽車(chē)預(yù)測(cè)性巡航控制策略所面臨的挑戰(zhàn)，研究人員需要從理論和技術(shù)層面展開(kāi)系統(tǒng)性研究，并提出創(chuàng)新的解決方案[5]。在車(chē)路協(xié)同場(chǎng)景下，智能網(wǎng)聯(lián)汽車(chē)的預(yù)測(cè)性巡航控制策略?xún)?yōu)化依賴(lài)于高效的多源信息融合預(yù)測(cè)模型，這種模型的構(gòu)建涉及從多種信息源獲取數(shù)據(jù)并將其有效融合，以用于精確預(yù)測(cè)未來(lái)道路和交通情況的過(guò)程，主要可以從“數(shù)據(jù)融合技術(shù)的應(yīng)用”和“預(yù)測(cè)模型的構(gòu)建與優(yōu)化”兩個(gè)方面進(jìn)行詳細(xì)探討[6]。

數(shù)據(jù)融合技術(shù)的應(yīng)用是構(gòu)建有效的多源信息融合預(yù)測(cè)模型的基礎(chǔ)[7]。在車(chē)路協(xié)同系統(tǒng)中，車(chē)輛不僅可以從自身的傳感器（如雷達(dá)、攝像頭、GPS等）獲取數(shù)據(jù)，還能通過(guò)與道路基礎(chǔ)設(shè)施的通信獲取額外的交通信息，如交通信號(hào)狀態(tài)、鄰近車(chē)輛的行駛數(shù)據(jù)、道路狀況更新等，而將這些多源數(shù)據(jù)進(jìn)行有效融合需要應(yīng)用先進(jìn)的數(shù)據(jù)融合算法，如卡爾曼濾波器（KalmanFilter），它能對(duì)來(lái)自不同源的數(shù)據(jù)進(jìn)行加權(quán)融合，優(yōu)化信息的準(zhǔn)確性與可靠性?？柭鼮V波的基本公式可以表示為：

式中， x_k∣k 為當(dāng)前狀態(tài)估計(jì)； x_k∣k-1 為上一時(shí)刻的預(yù)測(cè)； y_k 是當(dāng)前觀測(cè)值; H_k 為觀測(cè)模型; K_k 為卡爾曼增益， P_?k|k 和P_k|k-1 分別為估計(jì)的協(xié)方差和預(yù)測(cè)的協(xié)方差； I 為單位矩陣。此算法通過(guò)迭代更新，提高了對(duì)環(huán)境的感知精度，是多源數(shù)據(jù)融合的關(guān)鍵技術(shù)之一。

預(yù)測(cè)模型的構(gòu)建與優(yōu)化是實(shí)現(xiàn)高效預(yù)測(cè)控制的核心，在融合了多源數(shù)據(jù)后，研究人員需要構(gòu)建一個(gè)能夠預(yù)測(cè)未來(lái)交通情況的統(tǒng)計(jì)模型或機(jī)器學(xué)習(xí)模型。這些模型可以基于歷史數(shù)據(jù)和實(shí)時(shí)數(shù)據(jù)進(jìn)行訓(xùn)練，以預(yù)測(cè)交通流量、車(chē)速和可能的擁堵點(diǎn)。研究人員使用支持向量機(jī)（SVM）或神經(jīng)網(wǎng)絡(luò)來(lái)分析和預(yù)測(cè)道路狀況。這些模型能夠從復(fù)雜的輸入數(shù)據(jù)中學(xué)習(xí)到交通模式，并進(jìn)行有效預(yù)測(cè)。神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練過(guò)程可以表示為：

式中 ?I（x_i，θ） 為神經(jīng)網(wǎng)絡(luò)模型； x_i 為輸入的特征集（包括從多源融合的數(shù)據(jù)）； y_i 為目標(biāo)輸出（如未來(lái)的交通狀況）； L 為損失函數(shù)； R 為正則化項(xiàng)； θ 為模型參數(shù)； λ 為正則化系數(shù)。研究人員通過(guò)優(yōu)化這一目標(biāo)函數(shù)，可以使模型能夠準(zhǔn)確預(yù)測(cè)并適應(yīng)實(shí)際交通環(huán)境，從而提供更為精確的控制策略給預(yù)測(cè)性巡航控制系統(tǒng)。

在車(chē)路協(xié)同場(chǎng)景下構(gòu)建基于多源信息融合的預(yù)測(cè)模型需要復(fù)雜的數(shù)據(jù)處理和高級(jí)的算法支持，這對(duì)于提升智能網(wǎng)聯(lián)汽車(chē)預(yù)測(cè)性巡航控制系統(tǒng)的性能至關(guān)重要，這種模型不僅能夠增強(qiáng)車(chē)輛對(duì)未來(lái)路況的預(yù)測(cè)能力，還能優(yōu)化車(chē)輛的行駛策略，實(shí)現(xiàn)安全、高效的駕駛體驗(yàn)[8]。

4考慮個(gè)性化需求的多自標(biāo)協(xié)同優(yōu)化控制策略

在車(chē)路協(xié)同場(chǎng)景下，智能網(wǎng)聯(lián)汽車(chē)的預(yù)測(cè)性巡航控制需要綜合考慮個(gè)性化駕駛需求與多目標(biāo)優(yōu)化的復(fù)雜性，以實(shí)現(xiàn)安全、高效、節(jié)能和舒適的協(xié)同控制。由于駕駛者的個(gè)性化偏好和交通環(huán)境的多樣化，這種控制策略需結(jié)合個(gè)性化需求與多目標(biāo)權(quán)衡，通過(guò)動(dòng)態(tài)優(yōu)化實(shí)現(xiàn)最優(yōu)控制方案。

在多目標(biāo)協(xié)同優(yōu)化控制策略中，考慮駕駛者的個(gè)性化需求是設(shè)計(jì)精準(zhǔn)預(yù)測(cè)性巡航控制的重要前提。不同駕駛者對(duì)于駕駛體驗(yàn)的偏好可能存在顯著差異，例如，有些駕駛者更傾向于節(jié)能模式，優(yōu)先追求燃油經(jīng)濟(jì)性；而另一些駕駛者可能更看重行駛時(shí)間的最小化，偏好快速通行。為了滿(mǎn)足這些多樣化需求，控制策略需通過(guò)個(gè)性化參數(shù)建模來(lái)量化駕駛者的偏好。研究人員需通過(guò)用戶(hù)設(shè)定或駕駛行為數(shù)據(jù)分析，確定權(quán)重參數(shù)以反映駕駛者對(duì)安全、能效、舒適性和時(shí)間效率等目標(biāo)的優(yōu)先級(jí)，這些參數(shù)可以動(dòng)態(tài)嵌入控制模型中，使系統(tǒng)能夠根據(jù)駕駛者的個(gè)性化需求實(shí)時(shí)調(diào)整優(yōu)化目標(biāo)的權(quán)重。個(gè)性化參數(shù)模型還需結(jié)合交通環(huán)境與車(chē)輛特性進(jìn)行動(dòng)態(tài)調(diào)整，如在高速公路場(chǎng)景中，駕駛者傾向于更高的行駛效率，而在城市道路中則優(yōu)先考慮舒適性與安全性。通過(guò)結(jié)合駕駛場(chǎng)景、個(gè)性化需求與車(chē)輛狀態(tài)，系統(tǒng)可構(gòu)建多維度的個(gè)性化優(yōu)化自標(biāo)，為不同的駕駛環(huán)境提供定制化的巡航控制策略。

考慮到駕駛需求的個(gè)性化和多目標(biāo)優(yōu)化的復(fù)雜性，控制策略還需設(shè)計(jì)高效的多目標(biāo)協(xié)同優(yōu)化算法，以在滿(mǎn)足個(gè)性化需求的同時(shí)，實(shí)現(xiàn)多目標(biāo)間的動(dòng)態(tài)權(quán)衡與實(shí)時(shí)調(diào)整。常見(jiàn)的優(yōu)化目標(biāo)包括燃油經(jīng)濟(jì)性（降低油耗和排放）駕駛舒適性（減少加速和剎車(chē)的波動(dòng)）行程時(shí)間效率（縮短通行時(shí)間）以及駕駛安全性（保持合理車(chē)間距和速度）。由于這些目標(biāo)之間可能存在沖突，系統(tǒng)需通過(guò)多目標(biāo)優(yōu)化方法（如加權(quán)和法、Pareto最優(yōu)解等）對(duì)目標(biāo)函數(shù)進(jìn)行動(dòng)態(tài)平衡，系統(tǒng)還須具備快速響應(yīng)能力，能夠在突發(fā)交通事件（如臨時(shí)封路或緊急剎車(chē)）中快速調(diào)整優(yōu)化策略，優(yōu)先保障行駛安全。多目標(biāo)協(xié)同優(yōu)化算法需綜合考慮車(chē)路協(xié)同系統(tǒng)提供的動(dòng)態(tài)交通信息，例如車(chē)流密度、道路坡度、天氣條件等，結(jié)合個(gè)性化模型的權(quán)重參數(shù)，實(shí)時(shí)生成符合駕駛者偏好的最優(yōu)巡航控制方案。

5車(chē)路協(xié)同場(chǎng)景下智能網(wǎng)聯(lián)汽車(chē)預(yù)測(cè)性巡航控制策略?xún)?yōu)化的最終方案及實(shí)踐效果

在完成多源信息融合預(yù)測(cè)模型構(gòu)建與個(gè)性化多目標(biāo)協(xié)同優(yōu)化控制策略設(shè)計(jì)的基礎(chǔ)上，本文提出了車(chē)路協(xié)同場(chǎng)景下智能網(wǎng)聯(lián)汽車(chē)預(yù)測(cè)性巡航控制策略的最終優(yōu)化方案，并通過(guò)仿真測(cè)試與實(shí)際道路場(chǎng)景對(duì)比驗(yàn)證其工程應(yīng)用效果。該方案融合了V2X車(chē)路協(xié)同通信、卡爾曼濾波預(yù)測(cè)、神經(jīng)網(wǎng)絡(luò)建模與模型預(yù)測(cè)控制（MPC）等關(guān)鍵技術(shù)，具備“全局感知 + 動(dòng)態(tài)預(yù)測(cè) + 個(gè)性化優(yōu)化\"的完整控制閉環(huán)。

最終控制策略在綜合優(yōu)化模型中引入多源感知信息與駕駛偏好權(quán)重，形成動(dòng)態(tài)可調(diào)的控制框架。系統(tǒng)通過(guò)V2I通信獲取未來(lái) 300m 范圍內(nèi)的紅綠燈狀態(tài)、前方道路限速、交通流密度等信息，結(jié)合車(chē)輛自身狀態(tài)（速度、加速度、SOC等）構(gòu)建狀態(tài)向量，輸人至預(yù)測(cè)控制模型中進(jìn)行優(yōu)化求解。優(yōu)化目標(biāo)函數(shù)設(shè)置為：最小能耗、最小行程時(shí)間與加速度變化率的加權(quán)和，權(quán)重系數(shù)可根據(jù)駕駛者偏好動(dòng)態(tài)調(diào)整。仿真結(jié)果表明，相較于傳統(tǒng)ACC控制系統(tǒng)，該策略在城市復(fù)雜交通場(chǎng)景下可使平均油耗降低 12.6% ，平均制動(dòng)頻次減少 18.3% ，整車(chē)平均速度提升 6.9% ，具有顯著的節(jié)能與駕駛平順性?xún)?yōu)勢(shì)。

在實(shí)車(chē)測(cè)試中，系統(tǒng)展現(xiàn)出良好的穩(wěn)定性與響應(yīng)性，研究人員選取典型城市路段進(jìn)行5組對(duì)比試驗(yàn)，其中搭載本文策略的測(cè)試車(chē)在早高峰擁堵工況中，平均通行時(shí)間縮短 9.4% ，車(chē)輛平均能耗下降至 12.1kW?h/100km ，優(yōu)于未使用預(yù)測(cè)策略的對(duì)照車(chē)（ 13.7kW?h/100km） ；在信號(hào)交叉口通行測(cè)試中，預(yù)測(cè)性控制策略可提前調(diào)整車(chē)速實(shí)現(xiàn)“綠波穿越”，綠燈通行率提升 15.2% 。此外，司機(jī)主觀評(píng)價(jià)顯示，在節(jié)能模式下的舒適性評(píng)分從3.8分提升至4.5分（滿(mǎn)分5分），表明該策略兼顧了效率、能耗與乘坐體驗(yàn)，具備良好的工程應(yīng)用前景。

6結(jié)語(yǔ)

智能網(wǎng)聯(lián)汽車(chē)預(yù)測(cè)性巡航控制技術(shù)融合了先進(jìn)的車(chē)路協(xié)同通信、感知、預(yù)測(cè)與優(yōu)化控制技術(shù)，是實(shí)現(xiàn)未來(lái)交通系統(tǒng)智能化、低碳化和可持續(xù)發(fā)展的關(guān)鍵。本文針對(duì)現(xiàn)有預(yù)測(cè)性巡航控制策略面臨的預(yù)測(cè)信息不確定性及多目標(biāo)優(yōu)化決策難度等重大挑戰(zhàn)，提出了基于車(chē)路協(xié)同場(chǎng)景的創(chuàng)新性解決方案，通過(guò)構(gòu)建多源信息融合預(yù)測(cè)模型以提高預(yù)測(cè)精度，并設(shè)計(jì)考慮個(gè)性化需求的多目標(biāo)協(xié)同優(yōu)化控制策略，平衡安全、能效、時(shí)間成本等多重優(yōu)化目標(biāo)，形成高效的預(yù)測(cè)控制方案。未來(lái)，預(yù)測(cè)性巡航控制技術(shù)在持續(xù)深化與集成創(chuàng)新的過(guò)程中，必將促進(jìn)汽車(chē)智能化與網(wǎng)聯(lián)化的加速發(fā)展，為人類(lèi)社會(huì)帶來(lái)更安全、更綠色、更智能的出行體驗(yàn)。

參考文獻(xiàn)：

[1]方新祥，陳榮杰.弱GPS信號(hào)下智能網(wǎng)聯(lián)汽車(chē)導(dǎo)航系統(tǒng)設(shè)計(jì)研究[J].汽車(chē)維修技師，2024（18）：12-13.

[2]相奇.智能網(wǎng)聯(lián)汽車(chē)導(dǎo)航即時(shí)通信應(yīng)用研究[J].上海信息化，2023（6）：46-50.

[3]倪麗，劉冬東，杜文龍，等.重卡自適應(yīng)巡航控制系統(tǒng)的標(biāo)定測(cè)試設(shè)計(jì)及開(kāi)發(fā)[J].專(zhuān)用汽車(chē)，2022（12）：23-25

[4]王澎斌.基于AR-HUD技術(shù)的智能網(wǎng)聯(lián)汽車(chē)路徑導(dǎo)航方法研究[J].汽車(chē)測(cè)試報(bào)告，2024（2）：31-33.

[5]馬可.基于智能網(wǎng)聯(lián)汽車(chē)的自適應(yīng)巡航系統(tǒng)動(dòng)力學(xué)模型研究[J].專(zhuān)用汽車(chē)，2023（7）：31-34.

[6]吳晨.基于模糊理論對(duì)智能汽車(chē)定速控制的研究[J].小型內(nèi)燃機(jī)與車(chē)輛技術(shù)，2023，52（5）：77-80+86.

[7]周少璇.基于自適應(yīng)控制算法的新能源汽車(chē)驅(qū)動(dòng)電機(jī)能耗優(yōu)化研究[J].專(zhuān)用汽車(chē)，2024（12）：62-64.

[8]徐傳康.基于MATLAB仿真的智能網(wǎng)聯(lián)汽車(chē)導(dǎo)航定位測(cè)試系統(tǒng)應(yīng)用分析[J].時(shí)代汽車(chē)，2024（10）：18-20.