云支持的分層式車輛隊(duì)列預(yù)測(cè)性巡航控制

王宙 褚端峰 高博麟 梅潤(rùn) 鐘薇

摘 要： 為了提升隊(duì)列行駛的經(jīng)濟(jì)性，提出了一種高速公路場(chǎng)景下的云支持的隊(duì)列預(yù)測(cè)性巡航控制方法（CPPCC），并進(jìn)行真實(shí)道路和車輛數(shù)據(jù)模型的仿真實(shí)驗(yàn)。該方法采用了分層式結(jié)構(gòu)，上層為云端的隊(duì)列速度規(guī)劃層，下層為隊(duì)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(dòng)域的動(dòng)態(tài)規(guī)劃（RDP）算法，實(shí)現(xiàn)隊(duì)列行駛的經(jīng)濟(jì)性目標(biāo)。下層的車端隊(duì)列穩(wěn)定控制層，搭載了分布式模型預(yù)測(cè)控制器（DMPC），來(lái)跟蹤云端發(fā)送速度，同時(shí)考慮了隊(duì)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(duì)列（PLF-CC）方法相比，在行駛時(shí)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(duì)列預(yù)測(cè)性巡航控制（CPPCC）；滾動(dòng)動(dòng)態(tài)規(guī)劃（RDP）；分布式模型預(yù)測(cè)控制（DMPC）；前車與領(lǐng)航車跟隨的定速巡航隊(duì)列（PLF-CC）

中圖分類號(hào)： U 461.8 文獻(xiàn)標(biāo)識(shí)碼： A DOI： 10.3969/j.issn.1674-8484.2023.05.008

道路運(yùn)輸快速發(fā)展的同時(shí)，也帶來(lái)了一系列嚴(yán)峻的挑戰(zhàn)，例如交通安全問(wèn)題和環(huán)境污染問(wèn)題。而道路運(yùn)輸?shù)闹髁樯逃密?，商用車的能源消耗?wèn)題和安全問(wèn)題日益嚴(yán)重。在貨物運(yùn)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(yùn)輸需求的不斷增加，在2015 年到2019 年全球貨物運(yùn)輸總量增加了11%。其中，公路運(yùn)輸占運(yùn)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(shí)上，商用車燃油花費(fèi)的燃料成本大致占一個(gè)占重型車輛運(yùn)營(yíng)總成本的1/3 [3]。即使減少百分之幾的燃油消耗將帶來(lái)巨大的經(jīng)濟(jì)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(yùn)行效率。隨著通信技術(shù)的進(jìn)步，各種路側(cè)設(shè)備的逐漸完善。車與車通信、車與路通信等技術(shù)的應(yīng)用和快速進(jìn)步[4-5]，為車輛隊(duì)列提供強(qiáng)大的技術(shù)支撐。隊(duì)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(guò)縮短車輛間距，使得隊(duì)列內(nèi)車輛的運(yùn)行風(fēng)阻減小，從而達(dá)到節(jié)能的目的。文獻(xiàn)[7] 表明：隊(duì)列的車輛間距為10 m 時(shí)能夠節(jié)省10%～15% 的能源。將車輛組成隊(duì)列的方式能夠壓縮車輛間距，能夠提高整個(gè)道路的吞吐量，提升整個(gè)道路的通行效率。智能交通系統(tǒng)中的多車協(xié)同編隊(duì)技術(shù)對(duì)提高車輛的運(yùn)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(huì)和經(jīng)濟(jì)價(jià)值。

學(xué)者們還關(guān)注研究隊(duì)列預(yù)測(cè)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(duì)列內(nèi)的所有車輛的狀態(tài)信息，通過(guò)構(gòu)建線性二次最優(yōu)問(wèn)題求解出隊(duì)列最優(yōu)的控制量，對(duì)通信要求高，設(shè)計(jì)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(diǎn)是不能顯式的處理約束問(wèn)題。但是設(shè)計(jì)邏輯清晰，系統(tǒng)設(shè)計(jì)難度較低，易于實(shí)現(xiàn)，是現(xiàn)在主流的隊(duì)列控制架構(gòu)。其中上層進(jìn)行隊(duì)列的決策規(guī)劃，其主要是隊(duì)列經(jīng)濟(jì)車速的規(guī)劃問(wèn)題。在保證隊(duì)列安全穩(wěn)定的前提下，下層控制器完成對(duì)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(duì)列的速度規(guī)劃與跟蹤控制問(wèn)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(yīng)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(yù)測(cè)控制作為上層的速度規(guī)劃器，減小隊(duì)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(jìn)一步改善隊(duì)列車輛間距。V. Turri 等[9] 針對(duì)重型商用車隊(duì)列提出分層控制架構(gòu)，旨在提高隊(duì)列的節(jié)能和安全性表現(xiàn)。上層設(shè)計(jì)為基于預(yù)覽道路地形信息的動(dòng)態(tài)規(guī)劃，預(yù)測(cè)隊(duì)列最優(yōu)行駛速度。下層為基于分布式模型預(yù)測(cè)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(duì)列巡航控制研究，集中在隊(duì)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(duì)隊(duì)列的預(yù)測(cè)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(dāng)前隊(duì)列狀態(tài)，進(jìn)行隊(duì)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(duì)列弦不穩(wěn)定，因此導(dǎo)致隊(duì)列其余車輛的整體能源消耗較大。因此，需要更復(fù)雜的生態(tài)駕駛分層方案來(lái)改善這兩個(gè)方面。而結(jié)合云平臺(tái)可以更加高效地解決隊(duì)列預(yù)測(cè)性速度規(guī)劃的問(wèn)題，現(xiàn)有的研究也開(kāi)始關(guān)注基于云平臺(tái)的預(yù)測(cè)性巡航控制，學(xué)者已經(jīng)開(kāi)展將云端和車端做預(yù)測(cè)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(jì)算放在云端，云端利用精確的車輛和油耗模型確定終點(diǎn)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(jì)算預(yù)測(cè)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(tuán)隊(duì)還提出基于CCS 的預(yù)測(cè)自適應(yīng)巡航控制[14]（predictive adaptive cruise control， PACC）算法。

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

本文基于現(xiàn)有的隊(duì)列預(yù)測(cè)性巡航控制的研究現(xiàn)狀，提出云支持的分層式隊(duì)列預(yù)測(cè)性巡航控制，實(shí)現(xiàn)隊(duì)列行駛的安全，節(jié)能和高效的目標(biāo)?；谠瓶叵到y(tǒng)提出云支持的分層式隊(duì)列預(yù)測(cè)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(duì)列穩(wěn)定控制算法。云端部署考慮車輛動(dòng)力學(xué)模型、車輛油耗模型和隊(duì)列運(yùn)行前方道路坡度信息的滾動(dòng)動(dòng)態(tài)規(guī)劃算法（receding dynamic programming， RDP），而車端搭載的隊(duì)列穩(wěn)定控制部署分布式模型預(yù)測(cè)控制器（distributedmodel predictive controller， DMPC）。

1 云支持的分層式隊(duì)列預(yù)測(cè)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(duì)列預(yù)測(cè)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(yīng)用平臺(tái)中部署了云端的隊(duì)列預(yù)測(cè)性巡航速度優(yōu)化算法，支撐平臺(tái)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(guò)云端解算出優(yōu)化的速度序列后下發(fā)到隊(duì)列的車輛控制端，隊(duì)列控制器將云端下發(fā)的速度序列進(jìn)行解析，經(jīng)過(guò)車輛控制器解算后輸出最優(yōu)控制量控制車輛。

滾動(dòng)時(shí)域優(yōu)化涉及預(yù)測(cè)系統(tǒng)未來(lái)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(yù)測(cè)的不確定性，采用模型預(yù)測(cè)的思路，通過(guò)滾動(dòng)時(shí)域優(yōu)化去抵消系統(tǒng)的不確定擾動(dòng)。滾動(dòng)距離域優(yōu)化算法涉及預(yù)測(cè)系統(tǒng)未來(lái)的行為在外界的干擾如道路坡度時(shí)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(duì)列車端。云端包括了模塊為車輛的發(fā)動(dòng)機(jī)模型；相關(guān)支撐平臺(tái)的定位模塊；定位模塊后的道路坡度信息模塊；車輛縱向動(dòng)力學(xué)模型模塊和云端的速度規(guī)劃算法模塊。車端包括隊(duì)列控制誤差模型、隊(duì)列穩(wěn)定控制器模塊和車輛隊(duì)列模型。該8 個(gè)部分實(shí)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(gè)車輛隊(duì)列的范圍內(nèi)可理想化為近似相同，并且假設(shè)優(yōu)化時(shí)刻隊(duì)列的狀態(tài)是穩(wěn)定的，通過(guò)該假設(shè)可以大大減小系統(tǒng)設(shè)計(jì)的難度和算法計(jì)算時(shí)間。

云端通過(guò)地圖定位模塊確定車輛隊(duì)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(dòng)力學(xué)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(guò)預(yù)測(cè)性巡航算法解算出最優(yōu)的速度序列后下發(fā)到隊(duì)列中的所有車輛。

4 實(shí)驗(yàn)及結(jié)果分析

4.1 仿真實(shí)驗(yàn)設(shè)置

為了驗(yàn)證CPPCC 方法的有效性， 基于Matlab/Simulink 和Trucksim 搭建實(shí)驗(yàn)。其中Trucksim 負(fù)責(zé)提供車輛動(dòng)力學(xué)模型，Matlab/Simulink 中部署CPPCC算法。本文選擇真實(shí)高速公路數(shù)據(jù)進(jìn)行實(shí)驗(yàn)仿真驗(yàn)證，仿真路段為山東G22 高速沂源—諸葛段，實(shí)車數(shù)據(jù)為某車廠的真實(shí)車輛數(shù)據(jù)，實(shí)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(shè)置本文的對(duì)比方法為前車與領(lǐng)航車跟隨的定速巡航隊(duì)列（predecessor-leader followings cruise controlplatoon， PLF-CC），隊(duì)列為3 輛商用車組成的車輛隊(duì)列。為了避免因?yàn)檐囕v換擋而引入的變化，本文的研究將車輛的檔位設(shè)置為定6 檔運(yùn)行。實(shí)驗(yàn)關(guān)注的指標(biāo)為車輛運(yùn)行的油耗情況，運(yùn)行時(shí)間，隊(duì)列穩(wěn)定性指標(biāo)。穩(wěn)定性指標(biāo)包括隊(duì)列的出車間距誤差和速度誤差。

設(shè)置的實(shí)驗(yàn)路段包括了長(zhǎng)下坡，長(zhǎng)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(jìn)行仿真實(shí)驗(yàn)的驗(yàn)證。

4.2 仿真實(shí)驗(yàn)穩(wěn)定性分析

隊(duì)列預(yù)測(cè)性巡航控制方法（CPPCC）算法下層為隊(duì)列的車端穩(wěn)定控制器，需要分析全程中隊(duì)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(duì)列穩(wěn)定控制效果圖。

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

隊(duì)列穩(wěn)定性指標(biāo)中的隊(duì)列控制誤差的結(jié)果如下表3所示，隊(duì)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(duì)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(duì)列經(jīng)濟(jì)性分析

分析全程的隊(duì)列運(yùn)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(shí)時(shí)預(yù)測(cè)隊(duì)列行駛的速度，對(duì)測(cè)試路段全程的隊(duì)列預(yù)測(cè)性巡航控制方法（CPPCC）的能耗和隊(duì)列的控制效果進(jìn)行說(shuō)明。如圖7 所示為全程的運(yùn)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(duì)列的速度波動(dòng)情況較小。隊(duì)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(shè)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(jì)本文提出方法（CPPCC）和前車與領(lǐng)航車跟隨的定速巡航隊(duì)列（PLF-CC）的車輛油耗情況，如表5 所示。在保證整個(gè)隊(duì)列在行駛時(shí)間相比較PLF-CC 提升效率0.24% 的前提下，達(dá)到了6.04% 的節(jié)油率。

5 結(jié) 論

提出隊(duì)列預(yù)測(cè)性巡航控制方法（CPPCC），將隊(duì)列預(yù)測(cè)性巡航控制方法和云端結(jié)合，進(jìn)一步釋放隊(duì)列預(yù)測(cè)性巡航控制的優(yōu)勢(shì)，實(shí)現(xiàn)節(jié)能和高效的目標(biāo)。設(shè)計(jì)CPPCC 架構(gòu)，通過(guò)滾動(dòng)迭代的方式抵消隊(duì)列未來(lái)運(yùn)行的不確定性。然后在云端的部署速度規(guī)劃算法，通過(guò)考慮道路坡度的滾動(dòng)動(dòng)態(tài)規(guī)劃算法（RDP）求解出隊(duì)列行駛的經(jīng)濟(jì)車速。最終在云端下發(fā)最優(yōu)速度序列后，隊(duì)列穩(wěn)定控制器綜合當(dāng)前隊(duì)列車輛的速度誤差和間距誤差，通過(guò)分布式模型預(yù)測(cè)控制器（DMPC）實(shí)現(xiàn)隊(duì)列的控制。經(jīng)過(guò)真實(shí)道路和真實(shí)的車輛數(shù)據(jù)模型仿真實(shí)驗(yàn)發(fā)現(xiàn)，CPPCC 設(shè)計(jì)的隊(duì)列穩(wěn)定控制器能夠保證隊(duì)列的速度誤差范圍為[-0.25，0.1] （m/s），隊(duì)列的間距誤差范圍為[-0.3，0.5] m 。在保證隊(duì)列穩(wěn)定的前提下，相比較于傳統(tǒng)的PLF-CC，整體運(yùn)行效率提升0.24%，節(jié)油率達(dá)到6.04%。

在本文的研究工作中，將隊(duì)列視為理想的，無(wú)干擾運(yùn)行的整體。而前方存在干擾車輛對(duì)于隊(duì)列的控制的影響是十分巨大的，在隊(duì)列的預(yù)測(cè)性巡航控制中如何將隊(duì)列前方的環(huán)境干擾車輛進(jìn)行考慮仍然是一個(gè)充滿挑戰(zhàn)的問(wèn)題。結(jié)合云端，能夠給傳統(tǒng)的隊(duì)列預(yù)測(cè)性巡航控制帶來(lái)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(shì)，將整個(gè)隊(duì)列的狀態(tài)進(jìn)行的一體化的決策規(guī)劃將更進(jìn)一步提升隊(duì)列預(yù)測(cè)性巡航控制的優(yōu)勢(shì)。

參考文獻(xiàn)（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(qiáng)， 李家文， 常雪陽(yáng)， 等. 智能網(wǎng)聯(lián)汽車云控系統(tǒng)原理及其典型應(yīng)用[J]. 汽車安全與節(jié)能學(xué)報(bào)， 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.