CN108594830A - 一种基于空间域的网联智能车编队行驶控制方法 - Google Patents

Abstract

本发明涉及一种基于空间域的网联智能车编队行驶控制方法，受控车辆的控制系统采集受控车辆的前车信息，受控车辆与前车通讯获得前车信息，控制系统计算受控车辆和前车驶过受控车辆目前所在位置时的车头位置的车头时距和车头间距，控制系统计算受控车辆与前车当前的车头间距下，道路上每隔一定距离的前车信息，控制系统结合受控车辆信息与计算所得的前车信息，对受控车辆的加速、制动及转向过程进行优化，将优化结果传输至受控车辆的动力装置、制动装置及转向装置，利用最优化原理对车辆运行进行优化。本发明将网联智能车辆纵向控制和横向控制过程同时进行优化，提高优化精度，优化算法不需多次迭代，降低运算负荷。

Description

一种基于空间域的网联智能车编队行驶控制方法

技术领域

本发明涉及不同类型或不同功能的车辆子系统的联合控制；不与某一特定子系统的控制相关联的道路车辆驾驶控制系统的技术领域，特别涉及一种根据实时采集及传输车辆信息对网联智能车的加速、制动以及转向过程进行优化、使得车辆可以形成稳定编队的基于空间域的网联智能车编队行驶控制方法。

背景技术

网联智能车是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、云端等智能信息交换、共享，具备复杂环境感知、智能决策、协同控制等功能，可实现“安全、高效、舒适、节能”行驶，并最终可实现替代人来操作的新一代汽车。

对于网联智能车的协同驾驶，涉及到多车辆编队，在编队的过程中，车辆控制涉及纵向控制和横向控制两个过程，其中纵向控制是对车辆的加速和制动过程的控制，横向控制是对车辆转向过程的控制。在现有技术中，编队驾驶只实现了纵向控制的自动化，转向过程还需要人类驾驶员控制或者依靠车道保持来实现。为了实现这一驾驶任务，本技术采用车联网技术传输前车的车辆状态信息及驾驶信息，采用控制优化算法，控制本车的加速、制动及转向过程。

然而，现有的网联智能车协同编队控制方法存在以下明显缺陷：

1、现有控制方法对纵向控制和横向控制进行分离，不考虑控制过程中两个过程的耦合关系，降低控制精度；

2、现有控制方法忽略部分道路信息，降低控制精度；

3、现有控制方法依赖车道标线，局限使用场景和区域，具体来说，是指协同编队换道和车道标线不明的场景；

3、现有控制方法基于时间域，在工作过程中使得本车纵向运行状态与前车相似。当本车与前车所处道路状况差异较大时，后车的行驶安全不能满足；

4、现有控制方法在工作过程中需要对控制方案进行多次数的迭代计算，这将对计算系统造成较大压力；

5、现有控制方法计算时间具有不确定性，控制算法的计算延迟不能预先准确估计。

发明内容

本发明解决的技术问题是，现有技术中，网联智能车控制方法将纵向控制和横向控制分离，道路信息不被纳入控制模型，车辆的控制精度不能满足实际交通状况，基于时间域的控制方法无法保证车辆的行驶安全，高负荷运算会对车辆计算系统造成较大压力，不确定的计算时间使得计算延迟不能预先准确估计，无法实现高精度且快速的车辆控制。为此，本发明提供了一种优化的基于空间域的网联智能车编队行驶控制方法。

本发明所采用的技术方案是，一种基于空间域的网联智能车编队行驶控制方法，所述方法包括以下步骤：

步骤1：受控车辆的控制系统采集受控车辆的前车信息，受控车辆与前车通讯；通讯失败，进行步骤2，否则，进行步骤3；

步骤2：出现数据包丢失，受控车辆的控制系统从数据库中读取上一次采集存入的数据包，视作当前时刻的前车信息；

步骤3：受控车辆的控制系统保存前车信息至数据库中；

步骤4：控制系统计算受控车辆和前车驶过受控车辆目前所在位置时的车头位置的车头时距和车头间距；

步骤5：控制系统计算受控车辆与前车当前的车头间距下，道路上每隔一定距离的前车信息；

步骤6：控制系统结合受控车辆信息与计算所得的前车信息，对受控车辆的加速、制动及转向过程进行优化，将优化结果传输至受控车辆的动力装置、制动装置及转向装置；

步骤7：受控车辆的动力装置、制动装置及转向装置根据优化结果行驶距离S或时间T，返回步骤1或停止。

优选地，所述前车信息包括前车状态信息和前车驾驶信息，所述前车状态信息包括车辆航向角及位置，所述前车驾驶信息包括车辆速度。

优选地，所述步骤4中，计算车头时距和车头间距包括以下步骤：

步骤4.1：取数据库中前车位置与受控车辆位置最近的两点P₁、P₂，所述前车对应驶过两点的时间分别为t₁、t₂；

步骤4.2：计算受控车辆位置距线段P₁P₂最近的位置P₃；

步骤4.3：计算前车驶过P₃的时间t₃，其中，||P₃P₂||、||P₁P₂||、||P₁P₃||和||P₁P₂||分别为两点之间的距离；

步骤4.4：车头时距g＝t₀-t₃，其中，t₀为受控车辆的车头驶过P₃的时间；

步骤4.5：车头间距其中，v(t)为前车在时刻t₃时车辆速度，△t为前车相邻两次信息传输的时间差。

优选地，所述步骤5中，计算方法包括以下步骤：

步骤5.1：取数据库中前车位置与受控车辆位置最近的两点P₁、P₂；

步骤5.2：计算受控车辆位置距线段P₁P₂最近的位置P₃；

步骤5.3：对前车位于两点的状态信息和驾驶信息根据距离进行线性插值，得到每隔一定距离的前车信息。

优选地，所述步骤6中，受控车辆信息包括受控车辆状态信息和受控车辆驾驶信息，所述受控车辆状态信息包括车辆航向角及位置，所述受控车辆驾驶信息包括车辆速度及转向轮偏角。

优选地，所述步骤6中，优化包括以下步骤：

步骤6.1：计算受控车辆的控制初态其中，g^*为期望车头时距，g₀为初态时刻的受控车辆车头时距，为前车经过受控车辆非转向轮的车轴中心位置的慢度，v_f,0为前车经过受控车辆非转向轮的车轴中心位置的速度，为受控车辆初态时刻的慢度，v₀为受控车辆初态时刻的速度，f₀为受控车辆非转向轮的车轴中心位置与计算车头时距时受控车辆非转向轮的车轴中心位置的距离，为前车非转向轮的车轴中心位置经过受控车辆非转向轮的车轴中心位置时前车的航向角，为受控车辆初态时刻的航向角，为受控车辆初态时刻的加慢度，a₀为受控车辆初态时刻的加速度，δ₀为受控车辆初态时刻的转向轮偏角；

步骤6.2：计算动态矩阵；

其中，L为受控车辆的轴距，τ_b为受控车辆动力系统和制动系统的一阶惯性延迟常数，τ_δ为受控车辆转向系统的一阶惯性延迟参数，x_r为车辆控制的空间间距；k为控制步序数；

其中，b_f为前车在每一位置的加慢度，ρ为前车轨迹在每一位置的曲率；

步骤6.3：计算成本函数矩阵

其中β_i对应车辆控制过程中的控制偏好，β_i为正数，i＝{1,2,3...,8}，N为控制计算总步数；

步骤6.4：计算末态伴随矩阵

步骤6.5：逆向计算伴随矩阵；

步骤6.6：顺向计算控制向量和状态向量。

优选地，所述步骤6.5中，逆向计算伴随矩阵包括以下步骤：

步骤6.5.1：令

其中，G_k为计算控制向量的一阶系数，H_k为计算控制向量的常系数项；

令S_k＝A_k+B_kG_k，T_k＝B_kH_k+C_k，其中，S_k为计算状态向量的一阶系数，T_k为计算状态向量的常系数项；

步骤6.5.2：计算

优选地，所述步骤6.6中，包括以下步骤：

步骤6.6.1：根据庞特里雅金极大值原理计算控制向量u(k)＝G_kx(k)+H_k，其中，g_k为当前时刻的受控车辆车头时距，为前车经过受控车辆非转向轮的车轴中心位置的慢度，v_f,k为前车经过受控车辆非转向轮的车轴中心位置的速度，为受控车辆当前时刻的慢度，v_k为受控车辆当前时刻的速度，f_k为受控车辆非转向轮的车轴中心位置与计算车头时距时受控车辆非转向轮的车轴中心位置的距离，为前车经过受控车辆非转向轮的车轴中心位置的航向角，为受控车辆当前时刻的航向角，为受控车辆当前时刻的加慢度，a_k为受控车辆当前时刻的加速度，δ_k为受控车辆当前时刻的转向轮偏角，u_b为受控车辆加慢度控制量，u_δ为受控车辆转向轮的转角控制量；

步骤6.6.2：当-u_b>u_a,max/v³，则-u_b＝u_a,max/v³，当-u_b<u_a,min/v³，则-u_b＝u_a,min/v³，其中，u_a,max为受控车辆的最大加速度，u_a,min为受控车辆的最小加速度；

步骤6.6.3：当u_δ>u_δ,max，则u_δ＝u_δ,max，当u_δ<u_δ,min，则u_δ＝u_δ,min，其中，u_δ,max为受控车辆的转向轮最大转角，u_δ,min为受控车辆的转向轮最小转角；

步骤6.6.4：计算状态向量x(k+1)＝S_kx(k)+T_k。

本发明提供了一种优化的基于空间域的网联智能车编队行驶控制方法，通过采集受控车辆的前车信息，得到前车的运行状态，获得控制初态，结合受控车辆信息与计算所得的前车信息，对受控车辆的加速、制动及转向过程进行优化，将优化结果传输至受控车辆的动力装置、制动装置及转向装置，利用最优化原理对车辆运行进行优化。

本发明的有益效果在于：

1、将网联智能车辆纵向控制和横向控制过程同时进行优化，提高优化精度；

2、优化算法不需多次迭代，降低运算负荷。

具体实施方式

下面结合实施例对本发明做进一步的详细描述，但本发明的保护范围并不限于此。

本发明涉及一种基于空间域的网联智能车编队行驶控制方法，所述方法包括以下步骤。

步骤1：受控车辆的控制系统采集受控车辆的前车信息，受控车辆与前车通讯；通讯失败，进行步骤2，否则，进行步骤3。

所述前车信息包括前车状态信息和前车驾驶信息，所述前车状态信息包括车辆航向角及位置，所述前车驾驶信息包括车辆速度。

本发明中，采用方法的整体系统包括置于前车的车辆信息采集装置、置于前车的通信装置、置于受控车辆的通信装置、置于受控车辆的控制装置、置于受控车辆的数据库，前车的通信装置连接至前车的车辆信息采集装置，受控车辆的通信装置通过前车的通信装置连接至前车的车辆信息采集装置，受控车辆的通信装置连接至受控车辆的控制装置，受控车辆的控制装置连接至受控车辆的数据库。

本发明中，在实际控制过程中，受控车辆的控制装置连接至受控车辆的动力系统、制动系统及转向系统。

步骤2：出现数据包丢失，受控车辆的控制系统从数据库中读取上一次采集存入的数据包，视作当前时刻的前车信息。

本发明中，当通讯失败时，受控车辆的控制系统从数据库中读取上一次采集存入的数据包，视作此时刻前车信息与上一次进行通讯时的前车信息一致。

步骤3：受控车辆的控制系统保存前车信息至数据库中。

本发明中，本次数据传输结束后，保持本车与前车的通讯，同时针对数据库中的信息进行处理。

步骤4：控制系统计算受控车辆和前车驶过受控车辆目前所在位置时的车头位置的车头时距和车头间距。

所述步骤4中，计算车头时距和车头间距包括以下步骤：

步骤4.1：取数据库中前车位置与受控车辆位置最近的两点P₁、P₂，所述前车对应驶过两点的时间分别为t₁、t₂；

步骤4.2：计算受控车辆位置距线段P₁P₂最近的位置P₃；

步骤4.3：计算前车驶过P₃的时间t₃，其中，||P₃P₂||、||P₁P₂||、||P₁P₃||和||P₁P₂||分别为两点之间的距离；

步骤4.4：车头时距g＝t₀-t₃，其中，t₀为受控车辆的车头驶过P₃的时间；

步骤4.5：车头间距其中，v(t)为前车在时刻t₃时车辆速度，△t为前车相邻两次信息传输的时间差。

本发明中，前车的定位是按照时间定位的，一般情况下每隔一定时间进行定位，故在计算车头时距时需要取两点，即两次定位，需要的位置点处于两次定位的点之间。一般情况下，默认t₁、t₂为按照时间顺序排列。

本发明中，根据时间分配计算得到前车驶过P₃的时间t₃，进而计算得到车头时距。

本发明中，以△t为前车相邻两次信息传输的时间差，通过速度对时间的积分离散计算得到车头间距(距离)，即使在通讯失败后的情况，由于车辆的驾驶状态不可能突变(时间间隔很小)，故控制系统仍可以直接取上一次传输的数据进行计算。

本发明中，步骤4主要用于计算车辆在初态下的车头间距和车头时距。

步骤5：控制系统计算受控车辆与前车当前的车头间距下，道路上每隔一定距离的前车信息。

所述步骤5中，计算方法包括以下步骤：

步骤5.1：取数据库中前车位置与受控车辆位置最近的两点P₁、P₂；

步骤5.2：计算受控车辆位置距线段P₁P₂最近的位置P₃；

步骤5.3：对前车位于两点的状态信息和驾驶信息根据距离进行线性插值，得到每隔一定距离的前车信息。

本发明中，前车信息以一定时间间隔发送，受控车辆需要一定距离间隔的数据，如前车发送数据的时刻为1.1s和1.2s，此时所处位置分别为50.3米和51.4米，而需要的是50.5米和51米的数据，则需要进行此计算。

本发明中，在实际的线性插值过程中，比如每隔0.1米进行插值，则当所述一定距离为10米时，只需要插值100次，并不耗时，此时的计算时间在1ms左右。一般情况下，线性插值的过程耗时约8ms。

本发明中，线性插值涉及慢度、偏移量等，本领域技术人员可以依据需求自行插值，如在50.0米处速度为10.0m/s，在50.5米处速度为10.1m/s，则50.1米处速度插值为10.02m/s。

步骤6：控制系统结合受控车辆信息与计算所得的前车信息，对受控车辆的加速、制动及转向过程进行优化，将优化结果传输至受控车辆的动力装置、制动装置及转向装置。

所述步骤6中，受控车辆信息包括受控车辆状态信息和受控车辆驾驶信息，所述受控车辆状态信息包括车辆航向角及位置，所述受控车辆驾驶信息包括车辆速度及转向轮偏角。

所述步骤6中，优化包括以下步骤：

步骤6.1：计算受控车辆的控制初态其中，g^*为期望车头时距，g₀为初态时刻的受控车辆车头时距，为前车经过受控车辆非转向轮的车轴中心位置的慢度，v_f,0为前车经过受控车辆非转向轮的车轴中心位置的速度，为受控车辆初态时刻的慢度，v₀为受控车辆初态时刻的速度，f₀为受控车辆非转向轮的车轴中心位置与计算车头时距时受控车辆非转向轮的车轴中心位置的距离，为前车非转向轮的车轴中心位置经过受控车辆非转向轮的车轴中心位置时前车的航向角，为受控车辆初态时刻的航向角，为受控车辆初态时刻的加慢度，a₀为受控车辆初态时刻的加速度，δ₀为受控车辆初态时刻的转向轮偏角；

步骤6.2：计算动态矩阵；

其中，L为受控车辆的轴距，τ_b为受控车辆动力系统和制动系统的一阶惯性延迟常数，τ_δ为受控车辆转向系统的一阶惯性延迟参数，x_r为车辆控制的空间间距；k为控制步序数；

本发明中，当控制精度设置为0.1米时，即每0.1米确定一个控制量，则当k为50时，即是第50个控制步，则需要计算第5米处的动态矩阵，也包括后续的成本函数矩阵。

其中，b_f为前车在每一位置的加慢度，ρ为前车轨迹在每一位置的曲率；

步骤6.3：计算成本函数矩阵

其中β_i对应车辆控制过程中的控制偏好，β_i为正数，i＝{1,2,3...,8}，N为控制计算总步数；

步骤6.4：计算末态伴随矩阵

步骤6.5：逆向计算伴随矩阵；

所述步骤6.5中，逆向计算伴随矩阵包括以下步骤：

步骤6.5.1：

其中，G_k为计算控制向量的一阶系数，H_k为计算控制向量的常系数项；

令S_k＝A_k+B_kG_k，T_k＝B_kH_k+C_k，其中，S_k为计算状态向量的一阶系数，T_k为计算状态向量的常系数项；

步骤6.5.2：计算

步骤6.6：顺向计算控制向量和状态向量。

所述步骤6.6中，包括以下步骤：

步骤6.6.1：根据庞特里雅金极大值原理计算控制向量u(k)＝G_kx(k)+H_k，其中，g_k为当前时刻的受控车辆车头时距，为前车经过受控车辆非转向轮的车轴中心位置的慢度，v_f,k为前车经过受控车辆非转向轮的车轴中心位置的速度，为受控车辆当前时刻的慢度，v_k为受控车辆当前时刻的速度，f_k为受控车辆非转向轮的车轴中心位置与计算车头时距时受控车辆非转向轮的车轴中心位置的距离，为前车经过受控车辆非转向轮的车轴中心位置的航向角，为受控车辆当前时刻的航向角，为受控车辆当前时刻的加慢度，a_k为受控车辆当前时刻的加速度，δ_k为受控车辆当前时刻的转向轮偏角，u_b为受控车辆加慢度控制量，u_δ为受控车辆转向轮的转角控制量；

步骤6.6.2：当-u_b>u_a,max/v³，则-u_b＝u_a,max/v³，当-u_b<u_a,min/v³，则-u_b＝u_a,min/v³，其中，u_a,max为受控车辆的最大加速度，u_a,min为受控车辆的最小加速度；

步骤6.6.3：当u_δ>u_δ,max，则u_δ＝u_δ,max，当u_δ<u_δ,min，则u_δ＝u_δ,min，其中，u_δ,max为受控车辆的转向轮最大转角，u_δ,min为受控车辆的转向轮最小转角；

步骤6.6.4：计算状态向量x(k+1)＝S_kx(k)+T_k。

本发明中，加慢度为慢度关于距离的求导。

本发明中，计算受控车辆的控制初态，设定动态矩阵和成本函数矩阵，确认末态伴随矩阵，逆向计算伴随矩阵后，经过再次顺向计算得到控制向量和状态向量，整个过程考虑到受控车辆的初态和末态，以纵向控制和横向控制过程同时控制受控车辆在轨迹方向上的动向。

本发明中，车型确定后，受控车辆动力系统和制动系统的一阶惯性延迟常数及受控车辆转向系统的一阶惯性延迟参数可以通过实验得到，而车辆控制的空间间距x_r为主动设定。

本发明中，b_f为前车在每一位置的加慢度，以10m的总间距为例，当计算间距为0.1米时，即需要以每个0.1米为每一位置，计算100个b_f。

本发明中，状态向量包括车辆的状态信息和驾驶信息，以为例，第一项为控制下的车头时距差值，第二项是慢度差值，第三项是车辆的横向偏差的相反数，第四项为航向角修整差值，第五项为车辆的加慢度，第六项为车辆的前轮偏角；同时，步骤6.6.1使用了状态向量，故只有步骤6.6.4更新了状态向量后，才能继续进行步骤6.6.1的迭代。

步骤7：受控车辆的动力装置、制动装置及转向装置根据优化结果行驶距离S或时间T，返回步骤1或停止。

本发明通过采集受控车辆的前车信息，得到前车的运行状态，获得控制初态，结合受控车辆信息与计算所得的前车信息，对受控车辆的加速、制动及转向过程进行优化，将优化结果传输至受控车辆的动力装置、制动装置及转向装置，利用最优化原理对车辆运行进行优化。本发明将网联智能车辆纵向控制和横向控制过程同时进行优化，提高优化精度，优化算法不需多次迭代，降低运算负荷。

Claims (8)

1.一种基于空间域的网联智能车编队行驶控制方法，其特征在于：所述方法包括以下步骤：

步骤1：受控车辆的控制系统采集受控车辆的前车信息，受控车辆与前车通讯；通讯失败，进行步骤2，否则，进行步骤3；

步骤2：出现数据包丢失，受控车辆的控制系统从数据库中读取上一次采集存入的数据包，视作当前时刻的前车信息；

步骤3：受控车辆的控制系统保存前车信息至数据库中；

步骤4：控制系统计算受控车辆和前车驶过受控车辆目前所在位置时的车头位置的车头时距和车头间距；

步骤5：控制系统计算受控车辆与前车当前的车头间距下，道路上每隔一定距离的前车信息；

步骤6：控制系统结合受控车辆信息与计算所得的前车信息，对受控车辆的加速、制动及转向过程进行优化，将优化结果传输至受控车辆的动力装置、制动装置及转向装置；

步骤7：受控车辆的动力装置、制动装置及转向装置根据优化结果行驶距离S或时间T，返回步骤1或停止。

2.根据权利要求1所述的一种基于空间域的网联智能车编队行驶控制方法，其特征在于：所述前车信息包括前车状态信息和前车驾驶信息，所述前车状态信息包括车辆航向角及位置，所述前车驾驶信息包括车辆速度。

3.根据权利要求2所述的一种基于空间域的网联智能车编队行驶控制方法，其特征在于：所述步骤4中，计算车头时距和车头间距包括以下步骤：

步骤4.1：取数据库中前车位置与受控车辆位置最近的两点P₁、P₂，所述前车对应驶过两点的时间分别为t₁、t₂；

步骤4.2：计算受控车辆位置距线段P₁P₂最近的位置P₃；

步骤4.3：计算前车驶过P₃的时间t₃，其中，||P₃P₂||、||P₁P₂||、||P₁P₃||和||P₁P₂||分别为两点之间的距离；

步骤4.4：车头时距g＝t₀-t₃，其中，t₀为受控车辆的车头驶过P₃的时间；

步骤4.5：车头间距其中，v(t)为前车在时刻t₃时车辆速度，△t为前车相邻两次信息传输的时间差。

4.根据权利要求1所述的一种基于空间域的网联智能车编队行驶控制方法，其特征在于：所述步骤5中，计算方法包括以下步骤：

步骤5.1：取数据库中前车位置与受控车辆位置最近的两点P₁、P₂；

步骤5.2：计算受控车辆位置距线段P₁P₂最近的位置P₃；

步骤5.3：对前车位于两点的状态信息和驾驶信息根据距离进行线性插值，得到每隔一定距离的前车信息。

5.根据权利要求1所述的一种基于空间域的网联智能车编队行驶控制方法，其特征在于：所述步骤6中，受控车辆信息包括受控车辆状态信息和受控车辆驾驶信息，所述受控车辆状态信息包括车辆航向角及位置，所述受控车辆驾驶信息包括车辆速度及转向轮偏角。

6.根据权利要求1所述的一种基于空间域的网联智能车编队行驶控制方法，其特征在于：所述步骤6中，优化包括以下步骤：

步骤6.1：计算受控车辆的控制初态其中，g^*为期望车头时距，g₀为初态时刻的受控车辆车头时距，为前车经过受控车辆非转向轮的车轴中心位置的慢度，v_f,0为前车经过受控车辆非转向轮的车轴中心位置的速度，为受控车辆初态时刻的慢度，v₀为受控车辆初态时刻的速度，f₀为受控车辆非转向轮的车轴中心位置与计算车头时距时受控车辆非转向轮的车轴中心位置的距离，为前车非转向轮的车轴中心位置经过受控车辆非转向轮的车轴中心位置时前车的航向角，为受控车辆初态时刻的航向角，为受控车辆初态时刻的加慢度，a₀为受控车辆初态时刻的加速度，δ₀为受控车辆初态时刻的转向轮偏角；

步骤6.2：计算动态矩阵；

其中，L为受控车辆的轴距，τ_b为受控车辆动力系统和制动系统的一阶惯性延迟常数，τ_δ为受控车辆转向系统的一阶惯性延迟参数，x_r为车辆控制的空间间距；k为控制步序数；

其中，b_f为前车在每一位置的加慢度，ρ为前车轨迹在每一位置的曲率；

步骤6.3：计算成本函数矩阵

k∈{0,1,2,…,N+1}，k∈{0,1,2,…,N}，其中β_i对应车辆控制过程中的控制偏好，β_i为正数，i＝{1,2,3...,8}，N为控制计算总步数；

步骤6.4：计算末态伴随矩阵

步骤6.5：逆向计算伴随矩阵；

步骤6.6：顺向计算控制向量和状态向量。

7.根据权利要求6所述的一种基于空间域的网联智能车编队行驶控制方法，其特征在于：所述步骤6.5中，逆向计算伴随矩阵包括以下步骤：

步骤6.5.1：令

其中，G_k为计算控制向量的一阶系数，H_k为计算控制向量的常系数项；

令S_k＝A_k+B_kG_k，T_k＝B_kH_k+C_k，其中，S_k为计算状态向量的一阶系数，T_k为计算状态向量的常系数项；

步骤6.5.2：计算

8.根据权利要求6所述的一种基于空间域的网联智能车编队行驶控制方法，其特征在于：所述步骤6.6中，包括以下步骤：

步骤6.6.1：根据庞特里雅金极大值原理计算控制向量u(k)＝G_kx(k)+H_k，k∈{0,1,2,…,N}，其中，g_k为当前时刻的受控车辆车头时距，为前车经过受控车辆非转向轮的车轴中心位置的慢度，v_f,k为前车经过受控车辆非转向轮的车轴中心位置的速度，为受控车辆当前时刻的慢度，v_k为受控车辆当前时刻的速度，f_k为受控车辆非转向轮的车轴中心位置与计算车头时距时受控车辆非转向轮的车轴中心位置的距离，为前车经过受控车辆非转向轮的车轴中心位置的航向角，为受控车辆当前时刻的航向角，为受控车辆当前时刻的加慢度，a_k为受控车辆当前时刻的加速度，δ_k为受控车辆当前时刻的转向轮偏角，u_b为受控车辆加慢度控制量，u_δ为受控车辆转向轮的转角控制量；

步骤6.6.2：当-u_b>u_a,max/v³，则-u_b＝u_a,max/v³，当-u_b<u_a,min/v³，则-u_b＝u_a,min/v³，其中，u_a,max为受控车辆的最大加速度，u_a,min为受控车辆的最小加速度；

步骤6.6.3：当u_δ>u_δ,max，则u_δ＝u_δ,max，当u_δ<u_δ,min，则u_δ＝u_δ,min，其中，u_δ,max为受控车辆的转向轮最大转角，u_δ,min为受控车辆的转向轮最小转角；

步骤6.6.4：计算状态向量x(k+1)＝S_kx(k)+T_k。