車路協(xié)同場景下智能網(wǎng)聯(lián)汽車預測性巡航控制策略優(yōu)化研究

中圖分類號：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

隨著汽車智能化和網(wǎng)聯(lián)化技術的不斷發(fā)展，汽車行業(yè)正在經(jīng)歷前所未有的變革，傳統(tǒng)的汽車駕駛模式將被智能網(wǎng)聯(lián)汽車所取代。智能網(wǎng)聯(lián)汽車能夠通過車載傳感器采集行車數(shù)據(jù)，結合車路協(xié)同通信系統(tǒng)獲取實時路況信息，實現(xiàn)對復雜交通環(huán)境的感知、決策和控制，為提高交通效率、保障行車安全、減少能源消耗和環(huán)境污染奠定了基礎。其中，預測性巡航控制是智能網(wǎng)聯(lián)汽車的一項重要功能，能夠利用獲取的路況和交通信息，預判未來情況并優(yōu)化車輛行駛速度軌跡，避免不必要的加速和減速，從而達到節(jié)能減排的目的。但是，如何充分利用高度不確定的預測信息，設計魯棒的控制策略適應復雜多變的實際交通場景，并兼顧能耗、時間成本等多種優(yōu)化目標，是實現(xiàn)智能網(wǎng)聯(lián)汽車預測性巡航控制面臨的主要挑戰(zhàn)[1]。

2智能網(wǎng)聯(lián)汽車預測性巡航控制策略類型比較

在智能網(wǎng)聯(lián)汽車的發(fā)展背景下，預測性巡航控制（predictivecruisecontrol，PCC）作為融合環(huán)境感知、路徑規(guī)劃與車輛控制的核心技術之一，已發(fā)展出多種類型的控制策略，這些策略在控制目標、輸入信息類型、算法復雜度、適應性與實用性等方面各具特點[2]。

從控制信息來源看，預測性巡航控制策略可分為基于本車感知的自主預測控制與基于車路協(xié)同的預測控制。從優(yōu)化模型構建方式看，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)驅動的智能控制三類[3]。啟發(fā)式控制策略依賴經(jīng)驗規(guī)則或預設邏輯（如“遇紅燈減速”“限速區(qū)域降速\"等）進行簡單的速度調整，算法實現(xiàn)簡單，易于部署，但其控制精度較低，難以應對多目標權衡與不確定環(huán)境變化，屬于最基礎的預測性巡航控制形式。模型優(yōu)化控制策略則基于車輛動力學模型與預測信息，構建約束優(yōu)化問題，通過線性規(guī)劃、模型預測控制（MPC）等方法求解車輛最優(yōu)速度軌跡，能夠實現(xiàn)對能耗、通行時間、舒適性等多目標的權衡優(yōu)化，該類方法具有較高的精度與可解釋性，是當前研究與產(chǎn)品化應用的主流方向[4]。但其計算量相對較大，對模型準確性與實時求解能力要求較高。數(shù)據(jù)驅動的智能控制策略則利用機器學習或深度學習方法，從歷史數(shù)據(jù)與環(huán)境狀態(tài)中“學習”出近似最優(yōu)的控制策略，如強化學習、神經(jīng)網(wǎng)絡預測控制等。這類方法具有較強的適應性與泛化能力，尤其適用于高度動態(tài)或非結構化交通環(huán)境，但其黑箱特性、收斂速度與安全驗證問題仍是制約其大規(guī)模應用的主要障礙。

表1不同類型智能網(wǎng)聯(lián)汽車預測性巡航控制策略比較

3構建基于車路協(xié)同的多源信息融合預測模型

針對智能網(wǎng)聯(lián)汽車預測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層面展開系統(tǒng)性研究，并提出創(chuàng)新的解決方案[5]。在車路協(xié)同場景下，智能網(wǎng)聯(lián)汽車的預測性巡航控制策略優(yōu)化依賴于高效的多源信息融合預測模型，這種模型的構建涉及從多種信息源獲取數(shù)據(jù)并將其有效融合，以用于精確預測未來道路和交通情況的過程，主要可以從“數(shù)據(jù)融合技術的應用”和“預測模型的構建與優(yōu)化”兩個方面進行詳細探討[6]。

數(shù)據(jù)融合技術的應用是構建有效的多源信息融合預測模型的基礎[7]。在車路協(xié)同系統(tǒng)中，車輛不僅可以從自身的傳感器（如雷達、攝像頭、GPS等）獲取數(shù)據(jù)，還能通過與道路基礎設施的通信獲取額外的交通信息，如交通信號狀態(tài)、鄰近車輛的行駛數(shù)據(jù)、道路狀況更新等，而將這些多源數(shù)據(jù)進行有效融合需要應用先進的數(shù)據(jù)融合算法，如卡爾曼濾波器（KalmanFilter），它能對來自不同源的數(shù)據(jù)進行加權融合，優(yōu)化信息的準確性與可靠性?？柭鼮V波的基本公式可以表示為：

式中， x_k∣k 為當前狀態(tài)估計； x_k∣k-1 為上一時刻的預測； y_k 是當前觀測值; H_k 為觀測模型; K_k 為卡爾曼增益， P_?k|k 和P_k|k-1 分別為估計的協(xié)方差和預測的協(xié)方差； I 為單位矩陣。此算法通過迭代更新，提高了對環(huán)境的感知精度，是多源數(shù)據(jù)融合的關鍵技術之一。

預測模型的構建與優(yōu)化是實現(xiàn)高效預測控制的核心，在融合了多源數(shù)據(jù)后，研究人員需要構建一個能夠預測未來交通情況的統(tǒng)計模型或機器學習模型。這些模型可以基于歷史數(shù)據(jù)和實時數(shù)據(jù)進行訓練，以預測交通流量、車速和可能的擁堵點。研究人員使用支持向量機（SVM）或神經(jīng)網(wǎng)絡來分析和預測道路狀況。這些模型能夠從復雜的輸入數(shù)據(jù)中學習到交通模式，并進行有效預測。神經(jīng)網(wǎng)絡模型的訓練過程可以表示為：

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

在車路協(xié)同場景下構建基于多源信息融合的預測模型需要復雜的數(shù)據(jù)處理和高級的算法支持，這對于提升智能網(wǎng)聯(lián)汽車預測性巡航控制系統(tǒng)的性能至關重要，這種模型不僅能夠增強車輛對未來路況的預測能力，還能優(yōu)化車輛的行駛策略，實現(xiàn)安全、高效的駕駛體驗[8]。

4考慮個性化需求的多自標協(xié)同優(yōu)化控制策略

在車路協(xié)同場景下，智能網(wǎng)聯(lián)汽車的預測性巡航控制需要綜合考慮個性化駕駛需求與多目標優(yōu)化的復雜性，以實現(xiàn)安全、高效、節(jié)能和舒適的協(xié)同控制。由于駕駛者的個性化偏好和交通環(huán)境的多樣化，這種控制策略需結合個性化需求與多目標權衡，通過動態(tài)優(yōu)化實現(xiàn)最優(yōu)控制方案。

在多目標協(xié)同優(yōu)化控制策略中，考慮駕駛者的個性化需求是設計精準預測性巡航控制的重要前提。不同駕駛者對于駕駛體驗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)濟性；而另一些駕駛者可能更看重行駛時間的最小化，偏好快速通行。為了滿足這些多樣化需求，控制策略需通過個性化參數(shù)建模來量化駕駛者的偏好。研究人員需通過用戶設定或駕駛行為數(shù)據(jù)分析，確定權重參數(shù)以反映駕駛者對安全、能效、舒適性和時間效率等目標的優(yōu)先級，這些參數(shù)可以動態(tài)嵌入控制模型中，使系統(tǒng)能夠根據(jù)駕駛者的個性化需求實時調整優(yōu)化目標的權重。個性化參數(shù)模型還需結合交通環(huán)境與車輛特性進行動態(tài)調整，如在高速公路場景中，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。通過結合駕駛場景、個性化需求與車輛狀態(tài)，系統(tǒng)可構建多維度的個性化優(yōu)化自標，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性化和多目標優(yōu)化的復雜性，控制策略還需設計高效的多目標協(xié)同優(yōu)化算法，以在滿足個性化需求的同時，實現(xiàn)多目標間的動態(tài)權衡與實時調整。常見的優(yōu)化目標包括燃油經(jīng)濟性（降低油耗和排放）駕駛舒適性（減少加速和剎車的波動）行程時間效率（縮短通行時間）以及駕駛安全性（保持合理車間距和速度）。由于這些目標之間可能存在沖突，系統(tǒng)需通過多目標優(yōu)化方法（如加權和法、Pareto最優(yōu)解等）對目標函數(shù)進行動態(tài)平衡，系統(tǒng)還須具備快速響應能力，能夠在突發(fā)交通事件（如臨時封路或緊急剎車）中快速調整優(yōu)化策略，優(yōu)先保障行駛安全。多目標協(xié)同優(yōu)化算法需綜合考慮車路協(xié)同系統(tǒng)提供的動態(tài)交通信息，例如車流密度、道路坡度、天氣條件等，結合個性化模型的權重參數(shù)，實時生成符合駕駛者偏好的最優(yōu)巡航控制方案。

5車路協(xié)同場景下智能網(wǎng)聯(lián)汽車預測性巡航控制策略優(yōu)化的最終方案及實踐效果

在完成多源信息融合預測模型構建與個性化多目標協(xié)同優(yōu)化控制策略設計的基礎上，本文提出了車路協(xié)同場景下智能網(wǎng)聯(lián)汽車預測性巡航控制策略的最終優(yōu)化方案，并通過仿真測試與實際道路場景對比驗證其工程應用效果。該方案融合了V2X車路協(xié)同通信、卡爾曼濾波預測、神經(jīng)網(wǎng)絡建模與模型預測控制（MPC）等關鍵技術，具備“全局感知 + 動態(tài)預測 + 個性化優(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重，形成動態(tài)可調的控制框架。系統(tǒng)通過V2I通信獲取未來 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，結合車輛自身狀態(tài)（速度、加速度、SOC等）構建狀態(tài)向量，輸人至預測控制模型中進行優(yōu)化求解。優(yōu)化目標函數(shù)設置為：最小能耗、最小行程時間與加速度變化率的加權和，權重系數(shù)可根據(jù)駕駛者偏好動態(tài)調整。仿真結果表明，相較于傳統(tǒng)ACC控制系統(tǒng)，該策略在城市復雜交通場景下可使平均油耗降低 12.6% ，平均制動頻次減少 18.3% ，整車平均速度提升 6.9% ，具有顯著的節(jié)能與駕駛平順性優(yōu)勢。

在實車測試中，系統(tǒng)展現(xiàn)出良好的穩(wěn)定性與響應性，研究人員選取典型城市路段進行5組對比試驗，其中搭載本文策略的測試車在早高峰擁堵工況中，平均通行時間縮短 9.4% ，車輛平均能耗下降至 12.1kW?h/100km ，優(yōu)于未使用預測策略的對照車（ 13.7kW?h/100km） ；在信號交叉口通行測試中，預測性控制策略可提前調整車速實現(xiàn)“綠波穿越”，綠燈通行率提升 15.2% 。此外，司機主觀評價顯示，在節(jié)能模式下的舒適性評分從3.8分提升至4.5分（滿分5分），表明該策略兼顧了效率、能耗與乘坐體驗，具備良好的工程應用前景。

6結語

智能網(wǎng)聯(lián)汽車預測性巡航控制技術融合了先進的車路協(xié)同通信、感知、預測與優(yōu)化控制技術，是實現(xiàn)未來交通系統(tǒng)智能化、低碳化和可持續(xù)發(fā)展的關鍵。本文針對現(xiàn)有預測性巡航控制策略面臨的預測信息不確定性及多目標優(yōu)化決策難度等重大挑戰(zhàn)，提出了基于車路協(xié)同場景的創(chuàng)新性解決方案，通過構建多源信息融合預測模型以提高預測精度，并設計考慮個性化需求的多目標協(xié)同優(yōu)化控制策略，平衡安全、能效、時間成本等多重優(yōu)化目標，形成高效的預測控制方案。未來，預測性巡航控制技術在持續(xù)深化與集成創(chuàng)新的過程中，必將促進汽車智能化與網(wǎng)聯(lián)化的加速發(fā)展，為人類社會帶來更安全、更綠色、更智能的出行體驗。

參考文獻：

[1]方新祥，陳榮杰.弱GPS信號下智能網(wǎng)聯(lián)汽車導航系統(tǒng)設計研究[J].汽車維修技師，2024（18）：12-13.

[2]相奇.智能網(wǎng)聯(lián)汽車導航即時通信應用研究[J].上海信息化，2023（6）：46-50.

[3]倪麗，劉冬東，杜文龍，等.重卡自適應巡航控制系統(tǒng)的標定測試設計及開發(fā)[J].專用汽車，2022（12）：23-25

[4]王澎斌.基于AR-HUD技術的智能網(wǎng)聯(lián)汽車路徑導航方法研究[J].汽車測試報告，2024（2）：31-33.

[5]馬可.基于智能網(wǎng)聯(lián)汽車的自適應巡航系統(tǒng)動力學模型研究[J].專用汽車，2023（7）：31-34.

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

[7]周少璇.基于自適應控制算法的新能源汽車驅動電機能耗優(yōu)化研究[J].專用汽車，2024（12）：62-64.

[8]徐傳康.基于MATLAB仿真的智能網(wǎng)聯(lián)汽車導航定位測試系統(tǒng)應用分析[J].時代汽車，2024（10）：18-20.