CN111768616A - 混合交通场景下基于车路协同的车队一致性控制方法 - Google Patents

混合交通场景下基于车路协同的车队一致性控制方法 Download PDF

Info

Publication number
CN111768616A
CN111768616A CN202010414005.4A CN202010414005A CN111768616A CN 111768616 A CN111768616 A CN 111768616A CN 202010414005 A CN202010414005 A CN 202010414005A CN 111768616 A CN111768616 A CN 111768616A
Authority
CN
China
Prior art keywords
vehicle
consistency
fleet
traffic scene
mixed traffic
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010414005.4A
Other languages
English (en)
Other versions
CN111768616B (zh
Inventor
孙棣华
靳双
赵敏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University
Original Assignee
Chongqing University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chongqing University filed Critical Chongqing University
Priority to CN202010414005.4A priority Critical patent/CN111768616B/zh
Publication of CN111768616A publication Critical patent/CN111768616A/zh
Application granted granted Critical
Publication of CN111768616B publication Critical patent/CN111768616B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
    • G08G1/096708—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/166—Anti-collision systems for active traffic, e.g. moving vehicles, pedestrians, bikes
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/22—Platooning, i.e. convoy of communicating vehicles

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Atmospheric Sciences (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了混合交通场景下基于车路协同的车队一致性控制方法，网联智能汽车接收快速路上传统人驾车的状态信息；结合车辆的动力学特征以及混合交通场景下的通信拓扑结构，构建网联智能汽车的纵向控制策略和传统人驾车的轨迹预测模型；结合车队中车辆的一致性控制目标，构建混合车队误差动力学模型；获取保证系统稳定的最大时延条件和一致性约束条件；根据所述保证系统稳定的最大时延条件和一致性约束条件，调整所述网联智能汽车的纵向控制策略。本发明利用车路协同技术获得的传统人驾车的状态信息作为CAV的部分控制输入，设计纵向一致性控制方法，保证了混合车队的间距一致性和速度一致性；同时考虑了时变的通信时延，使得控制算法更符合实际，可以应用在未来自动驾驶汽车领域。

Description

混合交通场景下基于车路协同的车队一致性控制方法
技术领域
本发明涉及网联智能汽车的控制领域，具体的，涉及混合交通场景下基于车路协同的车 队一致性控制方法。
背景技术
随着通信技术和自动化技术的快速发展，交通系统也在朝向智能化不断的升级。为 了提高现有道路条件下的交通安全和通行效率，自动驾驶车辆成为当前研究的热点。在可预见的未来，会有越来越多的自动驾驶车辆上路。然而，由于经济和技术的制约，不 可避免地会出现自动驾驶车辆与传统人驾车混行于同一交通道路的情况。因此，为了保 证混合交通情形下的交通效率和安全，需要借助路侧设备对道路上的车辆状态信息进行 感知和传输，在此基础上设计自动驾驶车辆的纵向控制策略，以保证混合车队在快速路 路段的纵向行驶过程中的间距一致性和速度一致性。
通过查阅相关专利和论文发现，目前的研究中，大多只考虑单一自动驾驶车辆的情 形，忽略了传统人驾车与自动驾驶车辆驾驶行为的差异问题。专利CN108973999A以自动驾驶车辆为研究对象，通过车载雷达和无线通信设备来获取前车的制动信息，从而实现 了车队中车辆之间的行驶间距控制。然而该方法只考虑了道路上全部是自动驾驶车辆的 情形，对混合交通并不适用。此外，该方法只针对车辆间距的调整，不能保证车队中车 辆速度的一致性。专利CN109532836A基于雷达和V2V通信技术，将前车的动力和制动信 息传输给后车，实现了车队中车间距的控制。但是该方法一方面没有考虑通信过程中的 信息传输时延，另一方面也不针对混合交通中的车间距和速度控制问题。
发明内容
有鉴于此，本发明的目的是是通过应用车路协同技术，以头车的位置和速度为目标， 并考虑信息传输时延和传统人驾车(HV)的驾驶行为，来设计网联智能汽车(CAV)的纵向控制器，实现混合车队中车辆间距和速度的一致性。
本发明的目的是通过以下技术方案实现的：
混合交通场景下基于车路协同的车队一致性控制方法，
网联智能汽车接收快速路上传统人驾车的状态信息；
结合车辆的动力学特征以及混合交通场景下的通信拓扑结构，构建网联智能汽车的纵向 控制策略和传统人驾车的轨迹预测模型；
结合车队中车辆的一致性控制目标，构建混合车队误差动力学模型；
获取保证系统稳定的最大时延条件和一致性约束条件；
根据所述保证系统稳定的最大时延条件和一致性约束条件，调整所述网联智能汽车的纵 向控制策略。
进一步，所述车辆的动力学特征为：
Figure BDA0002494370420000021
式中：Ti和τi分别是第i个跟随车辆的机械惯性系数和时间延迟，ui是车辆的控制输入,zi表示输出，(s)表示相应时域变量(t)的拉普拉斯变换。
进一步，所述网联智能汽车的纵向控制策略为：
Figure BDA0002494370420000022
Figure BDA0002494370420000023
式中：ci,n是车辆n到车辆i的通信连接，kc＞0,kc∈Rλc＞0,λc∈R和μc＞0,μc∈R表示控制增益；
αc n,βc n和γc n分别表示第n辆车对第i辆车的位置、速度和加速度的影响权重；hi,n＝zn(t)-zi(t),Δvi,n＝vn(t)-vi(t)和Δai,n＝an(t)-ai(t)分别表示第n辆车与第i辆车的车间 距、速度差和加速度差；
τi,n(t)表示通信时延。f(hi,n(t))是一个非线性函数，具体定义如下：
Figure BDA0002494370420000024
如果hi,n≤gl,第i辆车的期望速度为0；当gl≤hi,n≤gh时，期望速度随着hi,n的增加而增加； 当hi,n≥gh,车辆趋于最大速度vm。
进一步，所述传统人驾车的轨迹预测模型为：
Figure BDA0002494370420000025
式中，kh,λh和μh敏感系数，τi,n(t)表示驾驶员的感知时延。
进一步，所述车队中车辆的一致性控制目标为：
Figure BDA0002494370420000031
式中：hi0表示车辆i与头车的平衡间距，vi(t)和ai(t)分别表示车辆i的速度和加速度。
进一步，所述混合车队误差动力学模型为：
Figure BDA0002494370420000032
式中，
xmix(t)＝[x1 T(t) x2 T(t) x3 T(t)]T，
Figure BDA0002494370420000033
Figure BDA0002494370420000034
和
Figure BDA0002494370420000035
Figure BDA0002494370420000036
hi,0*是系统稳定时车辆i与头车之间的平衡距离，
其中
Figure BDA0002494370420000037
Figure BDA0002494370420000038
Figure BDA0002494370420000039
Figure BDA00024943704200000310
Figure BDA00024943704200000311
Figure BDA0002494370420000041
Figure BDA0002494370420000042
以及
Figure BDA0002494370420000043
Figure BDA0002494370420000044
Figure BDA0002494370420000045
Figure BDA0002494370420000046
Figure BDA0002494370420000047
Figure BDA0002494370420000048
进一步，所述保证系统稳定的最大时延条件和一致性约束条件为：
Figure BDA0002494370420000051
kmixδΗ/2-(1-η)Qm＜0
lmixδΗ/2-(1-ξ)Qb＜0
其中，P、Η、Qm和Qb为常数正定矩阵，
Figure BDA0002494370420000052
Figure BDA0002494370420000053
本发明的有益效果是：
本发明利用车路协同技术获得的传统人驾车的状态信息作为CAV的部分控制输入， 设计了纵向一致性控制方法，保证了混合车队的间距一致性和速度一致性；同时，考虑了时变的通信时延，使得控制算法更符合实际，可以在未来自动驾驶汽车领域得以应用。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且 在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一 步的详细描述，其中：
图1是混合车队控制框图；
图2是基于车路协同的混合车队一致性控制方法的流程图。
具体实施方式
以下将参照附图，对本发明的优选实施例进行详细的描述。应当理解，优选实施例仅为了说明本发明，而不是为了限制本发明的保护范围。
本实施例提出了混合交通场景下基于车路协同的车队一致性控制方法，以头车的位置 和速度为目标，并考虑信息传输时延和传统人驾车(HV)的驾驶行为，来设计网联智能汽车 (CAV)的纵向控制器，实现混合车队中车辆间距和速度的一致性。如图1和2所示，首先构 建考虑车辆物理系统的惯性特征的车辆动力学模型，具体如下：
Figure BDA0002494370420000061
式中：Ti和τi分别是第i个跟随车辆的机械惯性系数和时间延迟，ui是车辆的控制输入,zi表示输出，(s)表示相应时域变量(t)的拉普拉斯变换。
利用有向图，构建混合交通场景下的通信拓扑结构，具体的：
采用一个n阶有向图G＝(V,E,A)表示通信结构，其中，V＝{v1,…,vn}表示节点 集合，
Figure BDA0002494370420000062
表示有向边集合，A＝[cij]N×N∈RN×N表示节点与节点之间连接的非负邻接矩阵。具体而言，节点vi对应个体车辆i，有向边eij表示车辆i可以收到车辆j的信息。对应矩阵A中行向量i的入度定义为
Figure BDA0002494370420000063
那么图G的拉普拉斯矩阵为L＝D-A，其中 D＝diag(d1,…,di)。令F＝[fij]∈Rn×n矩阵表示跟随车与头车之间连接的非负邻接矩阵， 其中，仅当节点i可以与头车节点通信时fii＝1，且矩阵的其他元素为0。
构建车队中车辆的一致性控制目标，具体为：
Figure BDA0002494370420000064
式中：hi0表示车辆i与头车的平衡间距，vi(t)和ai(t)分别表示车辆i的速度和加速度。
在某一时刻，通过路侧设备感知快速路上传统人驾车的状态信息，并将该信息利用V2I 通信技术传送给CAV；
CAV接收到该信息后，结合混合交通场景下的通信拓扑结构和车辆动力学模型，构建网 联智能汽车的纵向控制策略和传统人驾车的轨迹预测模型，具体的，网联智能汽车的纵向控 制策略为：
Figure BDA0002494370420000065
Figure BDA0002494370420000066
式中：ci,n是车辆n到车辆i的通信连接，kc＞0,kc∈Rλc＞0,λc∈R和μc＞0,μc∈R表示控制增益；
αc n,βc n和γc n分别表示第n辆车对第i辆车的位置、速度和加速度的影响权重；hi,n＝zn(t)-zi(t),Δvi,n＝vn(t)-vi(t)和Δai,n＝an(t)-ai(t)分别表示第n辆车与第i辆车的车间 距、速度差和加速度差；
τi,n(t)表示通信时延。f(hi,n(t))是一个非线性函数，具体定义如下：
Figure BDA0002494370420000071
如果hi,n≤gl,第i辆车的期望速度为0；当gl≤hi,n≤gh时，期望速度随着hi,n的增加而增 加；当hi,n≥gh,车辆趋于最大速度vm。
传统人驾车的轨迹预测模型为：
Figure BDA0002494370420000072
式中，kh,λh和μh为敏感系数，τi,n(t)表示驾驶员的感知时延，同样也可以认为是一种特 殊的通信时延。
结合车队中车辆的一致性控制目标、网联智能汽车的纵向控制策略和传统人驾车的轨迹 预测模型，构建混合车队误差动力学模型，具体为：
Figure BDA0002494370420000073
式中，
xmix(t)＝[x1 T(t) x2 T(t) x3 T(t)]T，
Figure BDA0002494370420000074
Figure BDA0002494370420000075
和
Figure BDA0002494370420000076
Figure BDA0002494370420000077
hi,0*是系统稳定时车辆i与头车之间的平衡距离，
其中
Figure BDA0002494370420000078
Figure RE-GDA0002642623970000088
Figure RE-GDA0002642623970000091
Figure RE-GDA0002642623970000092
Figure RE-GDA0002642623970000093
Figure RE-GDA0002642623970000094
Figure RE-GDA0002642623970000095
以及
Figure BDA0002494370420000087
Figure BDA0002494370420000088
Figure BDA0002494370420000089
Figure BDA0002494370420000091
Figure BDA0002494370420000092
Figure BDA0002494370420000093
基于混合车队误差动力学模型，获取保证系统稳定的最大时延条件和一致性约束条件， 具体为：
Figure BDA0002494370420000094
kmixδΗ/2-(1-η)Qm＜0
lmixδΗ/2-(1-ξ)Qb＜0
其中，P、Η、Qm和Qb为常数正定矩阵，
Figure BDA0002494370420000095
Figure BDA0002494370420000096
根据所得的保证系统稳定的最大时延条件(由于驾驶员的时延可视作一种特殊的通 信时延，因此驾驶员时延和通信时延都应满足该时延条件)和一致性约束条件，进而调整网联智能汽车的纵向控制策略，从而实现混合车队间距及速度的一致性。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳 实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发 明的权利要求范围当中。

Claims (7)

1.混合交通场景下基于车路协同的车队一致性控制方法，其特征在于：
网联智能汽车接收快速路上传统人驾车的状态信息；
结合车辆的动力学特征以及混合交通场景下的通信拓扑结构，构建网联智能汽车的纵向控制策略和传统人驾车的轨迹预测模型；
结合车队中车辆的一致性控制目标，构建混合车队误差动力学模型；
获取保证系统稳定的最大时延条件和一致性约束条件；
根据所述保证系统稳定的最大时延条件和一致性约束条件，调整所述网联智能汽车的纵向控制策略。
2.根据权利要求1所述的混合交通场景下基于车路协同的车队一致性控制方法，其特征在于：所述车辆的动力学特征为：
Figure FDA0002494370410000011
式中：Ti和τi分别是第i个跟随车辆的机械惯性系数和时间延迟，ui是车辆的控制输入,zi表示输出，(s)表示相应时域变量(t)的拉普拉斯变换。
3.根据权利要求2所述的混合交通场景下基于车路协同的车队一致性控制方法，其特征在于：所述网联智能汽车的纵向控制策略为：
Figure FDA0002494370410000012
Figure FDA0002494370410000013
式中：ci,n是车辆n到车辆i的通信连接，kc＞0,kc∈Rλc＞0,λc∈R和μc＞0,μc∈R表示控制增益；
αc n,βc n和γc n分别表示第n辆车对第i辆车的位置、速度和加速度的影响权重；hi,n＝zn(t)-zi(t),Δvi,n＝vn(t)-vi(t)和Δai,n＝an(t)-ai(t)分别表示第n辆车与第i辆车的车间距、速度差和加速度差；
τi,n(t)表示通信时延。f(hi,n(t))是一个非线性函数，具体定义如下：
Figure FDA0002494370410000014
如果hi,n≤gl,第i辆车的期望速度为0；当gl≤hi,n≤gh时，期望速度随着hi,n的增加而增加；当hi,n≥gh,车辆趋于最大速度vm。
4.根据权利要求2所述的混合交通场景下基于车路协同的车队一致性控制方法，其特征在于：所述传统人驾车的轨迹预测模型为：
Figure FDA0002494370410000021
式中，kh,λh和μh敏感系数，τi,n(t)表示驾驶员的感知时延。
5.根据权利要求3或4所述的混合交通场景下基于车路协同的车队一致性控制方法，其特征在于：所述车队中车辆的一致性控制目标为：
Figure FDA0002494370410000022
式中：hi0表示车辆i与头车的平衡间距，vi(t)和ai(t)分别表示车辆i的速度和加速度。
6.根据权利要求5所述的混合交通场景下基于车路协同的车队一致性控制方法，其特征在于：所述混合车队误差动力学模型为：
Figure FDA0002494370410000023
kmix≤N,lmix≤N(N-1)
式中，
Figure FDA0002494370410000024
Figure FDA0002494370410000025
Figure FDA0002494370410000026
和
Figure FDA0002494370410000027
Figure FDA0002494370410000028
hi,0*是系统稳定时车辆i与头车之间的平衡距离，
其中
Figure FDA0002494370410000029
Figure FDA00024943704100000210
Figure FDA0002494370410000031
Figure FDA0002494370410000032
Figure FDA0002494370410000033
Figure FDA0002494370410000034
Figure FDA0002494370410000035
以及
Figure FDA0002494370410000036
Figure FDA0002494370410000037
Figure FDA0002494370410000038
Figure FDA0002494370410000039
Figure FDA0002494370410000042
7.根据权利要求6所述的混合交通场景下基于车路协同的车队一致性控制方法，其特征在于：所述保证系统稳定的最大时延条件和一致性约束条件为：
Figure FDA0002494370410000043
kmixδΗ/2-(1-η)Qm＜0
lmixδΗ/2-(1-ξ)Qb＜0
其中，P、Η、Qm和Qb为常数正定矩阵，
Figure FDA0002494370410000045
Figure FDA0002494370410000046
CN202010414005.4A 2020-05-15 2020-05-15 混合交通场景下基于车路协同的车队一致性控制方法 Active CN111768616B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010414005.4A CN111768616B (zh) 2020-05-15 2020-05-15 混合交通场景下基于车路协同的车队一致性控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010414005.4A CN111768616B (zh) 2020-05-15 2020-05-15 混合交通场景下基于车路协同的车队一致性控制方法

Publications (2)

Publication Number Publication Date
CN111768616A true CN111768616A (zh) 2020-10-13
CN111768616B CN111768616B (zh) 2022-04-08

Family

ID=72719362

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010414005.4A Active CN111768616B (zh) 2020-05-15 2020-05-15 混合交通场景下基于车路协同的车队一致性控制方法

Country Status (1)

Country Link
CN (1) CN111768616B (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112255918A (zh) * 2020-10-21 2021-01-22 东南大学 汽车队列优化控制的方法及系统
CN112758105A (zh) * 2020-12-30 2021-05-07 上海汽车集团股份有限公司 一种自动驾驶车队跟车行驶控制方法、装置及系统
CN112907937A (zh) * 2021-02-03 2021-06-04 湖南大学 一种考虑后车信息的混合车辆队列控制方法及系统
CN113489793A (zh) * 2021-07-07 2021-10-08 重庆大学 一种混合交通场景下的快速路双车道协同控制方法
CN113823079A (zh) * 2021-10-27 2021-12-21 大连理工大学 一种基于车路协同的有人/无人驾驶车辆的编队控制方法
CN115440031A (zh) * 2022-08-09 2022-12-06 重庆大学 一种考虑路侧感知性能的车路协同混合车辆队列控制方法
CN116279475A (zh) * 2023-02-16 2023-06-23 东南大学 网联自动驾驶车辆队列运行速度一致性协同控制方法
CN116434603A (zh) * 2022-12-05 2023-07-14 东南大学 一种基于ssm的自动驾驶车队横纵向同步安全控制方法
CN116804852A (zh) * 2023-06-25 2023-09-26 北京交通大学 一种混合车队生态驾驶轨迹优化方法
CN117373235A (zh) * 2023-09-28 2024-01-09 合肥工业大学 一种行人与自动驾驶车辆的交互博弈均衡策略探究方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105501216A (zh) * 2016-01-25 2016-04-20 合肥工业大学 基于车联网的混合动力汽车的分层能量管理控制方法
CN107248276A (zh) * 2017-07-26 2017-10-13 北方工业大学 一种基于车路协同的智能网联汽车编队控制方法及装置
CN108415245A (zh) * 2018-01-26 2018-08-17 华南理工大学 一种异质车联网条件下自主车队运行的容错控制方法
CN109933021A (zh) * 2018-11-22 2019-06-25 湖南大学 考虑车辆动力学参数不确定性的车辆队列稳定性控制方法
CN110718074A (zh) * 2019-11-06 2020-01-21 清华大学 混合交通交叉路口的信号灯与车辆的协同控制方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105501216A (zh) * 2016-01-25 2016-04-20 合肥工业大学 基于车联网的混合动力汽车的分层能量管理控制方法
CN107248276A (zh) * 2017-07-26 2017-10-13 北方工业大学 一种基于车路协同的智能网联汽车编队控制方法及装置
CN108415245A (zh) * 2018-01-26 2018-08-17 华南理工大学 一种异质车联网条件下自主车队运行的容错控制方法
CN109933021A (zh) * 2018-11-22 2019-06-25 湖南大学 考虑车辆动力学参数不确定性的车辆队列稳定性控制方法
CN110718074A (zh) * 2019-11-06 2020-01-21 清华大学 混合交通交叉路口的信号灯与车辆的协同控制方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
杨良义 等: "自主队列行驶车辆纵向建模及仿真", 《第十一届中国智能交通年会》 *

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112255918A (zh) * 2020-10-21 2021-01-22 东南大学 汽车队列优化控制的方法及系统
CN112255918B (zh) * 2020-10-21 2022-04-08 东南大学 汽车队列优化控制的方法及系统
CN112758105A (zh) * 2020-12-30 2021-05-07 上海汽车集团股份有限公司 一种自动驾驶车队跟车行驶控制方法、装置及系统
CN112907937B (zh) * 2021-02-03 2022-10-14 湖南大学 一种考虑后车信息的混合车辆队列控制方法及系统
CN112907937A (zh) * 2021-02-03 2021-06-04 湖南大学 一种考虑后车信息的混合车辆队列控制方法及系统
CN113489793A (zh) * 2021-07-07 2021-10-08 重庆大学 一种混合交通场景下的快速路双车道协同控制方法
CN113489793B (zh) * 2021-07-07 2022-04-22 重庆大学 一种混合交通场景下的快速路双车道协同控制方法
CN113823079A (zh) * 2021-10-27 2021-12-21 大连理工大学 一种基于车路协同的有人/无人驾驶车辆的编队控制方法
CN113823079B (zh) * 2021-10-27 2022-08-16 大连理工大学 一种基于车路协同的有人/无人驾驶车辆的编队控制方法
CN115440031A (zh) * 2022-08-09 2022-12-06 重庆大学 一种考虑路侧感知性能的车路协同混合车辆队列控制方法
CN115440031B (zh) * 2022-08-09 2024-05-03 重庆大学 一种考虑路侧感知性能的车路协同混合车辆队列控制方法
CN116434603A (zh) * 2022-12-05 2023-07-14 东南大学 一种基于ssm的自动驾驶车队横纵向同步安全控制方法
CN116279475A (zh) * 2023-02-16 2023-06-23 东南大学 网联自动驾驶车辆队列运行速度一致性协同控制方法
CN116279475B (zh) * 2023-02-16 2024-02-23 东南大学 网联自动驾驶车辆队列运行速度一致性协同控制方法
CN116804852A (zh) * 2023-06-25 2023-09-26 北京交通大学 一种混合车队生态驾驶轨迹优化方法
CN116804852B (zh) * 2023-06-25 2024-03-22 北京交通大学 一种混合车队生态驾驶轨迹优化方法
CN117373235A (zh) * 2023-09-28 2024-01-09 合肥工业大学 一种行人与自动驾驶车辆的交互博弈均衡策略探究方法

Also Published As

Publication number Publication date
CN111768616B (zh) 2022-04-08

Similar Documents

Publication Publication Date Title
CN111768616B (zh) 混合交通场景下基于车路协同的车队一致性控制方法
CN113788021B (zh) 一种结合前车速度预测的自适应跟车巡航控制方法
CN110568762B (zh) 一种抗通信延迟的智能电动车编队自适应鲁棒控制方法
CN103153677B (zh) 车辆控制设备和车辆控制系统
CN109367537B (zh) 一种基于车联网的电动汽车自适应巡航控制系统及方法
US11794721B2 (en) Method and apparatus for controlling electric machines
CN104334431B (zh) 驾驶特性推定装置及驾驶支援系统
JP5494332B2 (ja) 車両制御システム
CN110435655B (zh) 一种考虑再生制动的电动汽车车队自适应巡航优化方法
US20150345621A1 (en) Systems and methods for dynamic gear state and vehicle speed management
CN112498351B (zh) 一种基于v2v的自动驾驶优化系统及方法
CN111332283A (zh) 用于控制机动车的方法和系统
CN110260872B (zh) 一种车路协同环境下基于gps的动态超车轨迹规划系统
CN109204297B (zh) 车速控制方法及装置
CN114285653B (zh) 网络攻击下智能网联汽车队列自适应事件触发控制方法
CN111243296A (zh) 一种基于合流时间优化的匝道合流协同控制方法及系统
CN115593411A (zh) 具有多个机动车辆的车辆列队的操作
CN113386777B (zh) 车辆自适应控制方法、系统、车辆及计算机存储介质
CN110456790B (zh) 基于自适应权重的智能网联电动汽车队列优化控制方法
CN115497281B (zh) 混合交通场景下多队列领航车的鲁棒模型预测控制方法
DE112020003601T5 (de) Fahrzeugsteuervorrichtung, Fahrzeugsteuerverfahren und Fahrzeugnachfolgesystem
CN111047853A (zh) 一种保障交通流稳定的车辆编队控制方法和系统
CN114995138A (zh) 一种近信号控制区混合车群的分布式协同控制方法
US20220219695A1 (en) Methods, systems, and apparatuses for behavioral based adaptive cruise control (acc) to driver's vehicle operation style
US20220176938A1 (en) System and method of controlling power distribution of hybrid electric vehicle

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant