CN113192347B - 动态交通场景下智能网联车辆经济性驾驶控制方法 - Google Patents

Abstract

本发明涉及一种动态交通场景下智能网联车辆经济性驾驶控制方法，适用于城市道路环境中，考虑动态信号灯信息和网联车辆交通信息预测能力，基于最优控制，优化出能量最优的行驶车速；以能量消耗最小化为控制目标，构建基于车辆纵向动力学的最优控制问题，并采用极小值原理解析求解最优控制率，得到该问题的通用求解模型；采用双层滚动距离域车速优化策略，以预期终点目标为控制约束，进行上层经济车速规划，得到满足行驶目的上层车速轨迹，并以上层车速轨迹为引导层，结合实际获取的信号灯相位及路口建议车速等信息，进行下层经济车速规划，并采用通用求解模型进行解析求解，优化计算能耗最优的路口通行速度谱。

Description

动态交通场景下智能网联车辆经济性驾驶控制方法

技术领域

本发明涉及车速优化控制技术领域，尤其是一种动态交通场景下智能网联车辆经济性驾驶控制方法。

背景技术

交通信号灯作为控制车辆各向通行权限的重要交通标识，有效减少了城市路口的交通事故，保障了行人出行安全。但是由于人类驾驶员无法实时获取前方信号灯相位信息、准确避开红灯相位，在路口反复进行制动、停车，因此造成了不必要的能量损失。

现有技术中，基于规则的经济车速控制方法过于依赖人的驾驶经验，节能效果有限。此外，由于车辆模型的复杂性，以动态规划为代表的优化控制方法均以数值求解为主，计算复杂度高，不能实时应用。随着车路协同技术的发展，更多智能驾驶辅助系统应运而生，其中就包括信号灯信息系统以及绿波车速引导系统。前者可以使车辆实时获取信号灯相位信息和位置信息，后者可以提供通过前方路口的建议目标车速。已有研究表明，在车路协同环境下对车辆实施经济性驾驶具有较大的节能潜力。

发明内容

针对现有技术的缺陷，本发明提供了一种动态交通场景下智能网联车辆经济性驾驶控制方法，解决经济车速控制方法过于依赖人的驾驶经验导致节能效果有限的技术问题。

本发明采用的技术方案如下：

一种动态交通场景下智能网联车辆经济性驾驶控制方法，适用于城市道路环境中。考虑动态信号灯信息和网联车辆交通信息预测能力，动态交通信息获取方法基于V2X(车联网通信技术)和GLOSA(绿波车速引导)，在智能交通系统中获取信号灯相位和路口建议车速等信息，传输至车载控制器；以能量消耗最小化为控制目标，构建基于车辆纵向动力学的最优控制问题，并采用极小值原理解析求解最优控制率，得到该问题的通用求解模型；考虑到动态交通场景中车辆对未来交通信息的预测能力有限、信号灯条件多变等特点，采用双层滚动距离域车速优化策略：依据时间步长，将最优控制问题划分优化问题阶段，在每一子问题中，以预期终点目标为控制约束，进行上层经济车速规划，得到满足行驶目的的上层车速轨迹，并以上层车速轨迹为引导层，结合实际获取的信号灯相位及路口建议车速等信息，进行下层经济车速规划，并采用上述通用求解模型进行解析求解，优化计算能耗最优的路口通行速度谱。

具体包括以下步骤：

步骤S1：信息获取：获取受控网联车辆的初始位置信息、目的地信息、通行时间t_end、终点速度v_end和全程道路长度s_end，从而确定车辆当前状态及终点状态约束；

步骤S2：双层滚动距离域车速优化：划分滚动距离域；以车辆当前状态和终点状态为约束，按照最优控制问题规划出全路段最优车速轨迹；以所述全路段最优车速轨迹为引导层，并以车辆当前状态和路口信号灯信息为约束，按照最优控制问题规划出局部路段最优车速轨迹，实时记录当前最优车速；若未获得信号灯信息，则继续跟踪所述全路段最优车速轨迹；

步骤S3：将当前最优车速发送至车速控制器，实现最优车速执行；

步骤S4：当被控网联车辆到达目的地，结束对车辆控制；

所述最优控制问题以受控网联车辆能量消耗最小化为控制目标、基于车辆纵向动力学模型建立，通过解析求解获得通用求解模型。

其进一步技术方案为：

所述通用求解模型的求解过程如下：

选取车辆位移s和纵向速度v为状态量x＝(s，v)，车轮上的单位质量纵向力为控制输入u＝F_t/m，建立用于描述车辆运动状态转移的所述车辆纵向动力学模型，经简化后得：

其中，F_t为车辆纵向力，包括驱动力和制动力；m为车辆质量；g为重力加速度；f为滚动阻力系数；δ为旋转质量换算系数；

构成所述车辆纵向动力学模型的变量满足描述车辆能耗变化的汽车能耗模型，如下式所示：

式中，P_b为电池功率，P_m为电机功率，t₀为起点时刻，t_f为终点时刻，c＝c₁(r/i⁾2m²，c₁为电机特性参数，与电机内阻和转矩常数有关，i为传动系统传动比；r为车轮半径；

进而，将求解车辆在t₀-t_f时间段内能量最小化的最优车速轨迹的问题归纳为如下的通用求解模型：

其中，v₀、s₀分别表示车辆在t₀时刻的速度和位移，v_f、s_f分别表示车辆在t_f时刻的速度和位移。

所述通用求解模型的最优控制输入：u^*(t)＝at+b

式中，

v₀、s₀表示车辆在t₀时刻的速度和位移，v_f、s_f表示车辆在t_f时刻的速度和位移；

进而得到最优能量消耗如下式所示：

其中，

所述步骤S2具体包括以下步骤：

步骤S21：滚动距离域划分，将全程道路长度s_end平均划分为N段，以步长Δd＝s_end/N向前滚动优化，以k＝0，1，...N-1表示当前步数，并初始化k＝0；

步骤S22：上层优化，确定第k步的车辆状态x(k)＝[s(k)，v(k)]，以当前第k步的车辆状态为起点约束，以终点状态[s_end，v_end]为终点约束，按照所述通用求解模型规划全路段最优车速轨迹

其中，s(k)，v(k)为当前的车辆位移和纵向速度；

步骤S23：下层优化，跟踪经上层优化的所述全路段最优车速轨迹

靠近路口时且车辆在预测距离S_pre内，则获取信号灯信息，以当前车辆状态为起点状态约束，以获取的信号灯信息为终点状态约束，按照所述通用求解模型规划出局部路段最优车速轨迹

通过路口后，再次进入跟踪阶段，跟踪所述全路段最优车速轨迹

并实时记录当前最优车速v^*(k)；

步骤S24：滚动优化，令k＝k+1；

步骤S25：判断循环终止条件，若k＜N，则返回步骤S22；若k＝N，则循环终止；

步骤S26：获得最优车速序列v^*＝(v^*(0)，v^*(1)，...，v^*(N-1))。

通过信号灯信息系统获取绿灯相位开始时刻t_gre、信号灯位置s_lig，通过GLOSA系统获取建议目标车速v_lig，所述信号灯信息为[s_lig，v_lig]；若车辆在预测距离s_pre外，则无法获取信号灯信息，则继续跟踪上层车速。

上层优化总是以当前第k步的车辆状态x(k)＝[s(k)，v(k)]为起点状态约束，以[s_end，v_end]为终点状态约束，基于庞特里亚金极小值原理，利用所述通用求解模型解析求解出全路段的最优控制输入及最优状态轨迹，车辆初始状态x(0)＝[0，0]，将第k步的边界约束条件代入通用求解模型中，即得到全路段最优车速轨迹

下层优化过程中，同样基于庞特里亚金极小值原理，利用所述通用求解模型解析求解出车辆当前位置到信号灯的局部路段最优控制输入及最优状态轨迹。

对于每个中间设置有信号灯的路段，车辆依次经历第一跟踪阶段、调整阶段和第二跟踪阶段；确定三个阶段的起点和终点状态约束，并在滚动优化过程中将每一步的起点、终点约束代入通用求解模型中，得到每一步的最优控制输入，进而得到能量消耗的解析表达式。

所述第一跟踪阶段的起点时间、起点速度、起点位移均为零，第一跟踪阶段的终点位移

如下：

式中，t_T、s_lig、s_pre分别为第一跟踪阶段结束时间、信号灯位置、车辆对信号灯信号的预测距离；

调整阶段的结束时间t_A，

t_A＝t_gre

其中，t_gre为绿灯相位开始时刻；

第一跟踪阶段结束时车辆的速度

和位移

分别为：

式中t_end为第一跟踪阶段的终点时刻。

总能量消耗记为J_F，其中第一跟踪阶段、调整阶段、第二跟踪阶段的能量消耗分别J_nFT1、J_nFA、J_nFT2，计算方程式如下：

本发明的有益效果如下：

本发明有效减少了车辆由于红灯相位造成的制动停车，缓解了车辆在信号灯控路口通行效率低、能量损耗大等问题，同时解决现有路口车速优化方法计算量大难以用于车载控制器中的问题，为车辆信号灯控路口的经济性驾驶提供了有效的解决方案。具体地本发明还具有如下优点：

本发明基于信号灯信息系统和GLOSA系统，提出一种双层滚动距离域车速优化策略，根据预测距离和信号灯约束将车辆在信号灯控路口的全路段能耗最优控制问题转化为局部路段能耗最优控制问题进行解析求解，考虑了受控网联车辆对交通信息的预测能力，使得优化结构更加准确。

本发明采用庞特里亚金极小值原理得到经济车速规划的通用解析解，结合双层滚动距离域车速规划方法，计算复杂度较传统数值解法大大减少，能够实现在线求解，更加符合实际车载控制器的应用。

附图说明

图1为本发明的流程图。

图2是本发明涉及的控制系统的示意图。

图3是本发明的双层滚动距离域车速优化策略原理示意图。

图4是采用本发明及其他车速优化方法的受控网联车辆速度变化仿真结果图。

图5是采用本发明及其他车速优化方法的受控网联车辆转矩变化仿真结果图。

图6是采用本发明及其他车速优化方法的受控网联车辆能量消耗变化仿真结果图。

具体实施方式

以下说明本发明的具体实施方式。

本实施例的一种动态交通场景下智能网联车辆经济性驾驶控制方法，如图1所示，包括以下步骤：

步骤S1：信息获取：获取受控网联车辆的初始位置信息、目的地信息、通行时间t_end、终点速度v_end和全程道路长度s_end，从而确定车辆当前状态及终点状态约束；

步骤S2：双层滚动距离域车速优化：划分滚动距离域；以车辆当前状态和终点状态为约束，按照最优控制问题规划出全路段最优车速轨迹；以所述全路段最优车速轨迹为引导层，并以车辆当前状态和路口信号灯信息为约束，按照最优控制问题规划出局部路段最优车速轨迹，实时记录当前最优车速；若未获得信号灯信息，则继续跟踪所述全路段最优车速轨迹；

步骤S3：将当前最优车速发送至车辆的车速控制器，实现最优车速执行；

步骤S4：当被控网联车辆到达目的地，结束对车辆控制；

上述实施例中，步骤S1中，根据出行需求确定通行时间t_end和终点速度v_end，借助车载定位设备确定车辆当前位置和速度信息，借助车载V2X通讯设备与智能交通云端进行通讯，从而获取全程道路长度s_end。

上述实施例中，最优控制问题以受控网联车辆能量消耗最小化为控制目标、基于车辆纵向动力学模型建立，通过解析求解获得通用求解模型，通用求解模型的求解过程如下：选取车辆位移s和纵向速度v为状态量x＝(s，v)，车轮上的单位质量纵向力为控制输入u＝F_t/m，建立用于描述车辆运动状态转移的所述车辆纵向动力学模型，如下式所示：

其中，F_t为车辆纵向力，包括驱动力和制动力；m为车辆质量；g为重力加速度；f为滚动阻力系数；α为道路坡度角；ρ为空气密度；C_D为空气阻力系数；A为迎风面积；v为车辆纵向速度；δ为旋转质量换算系数。

为了降低优化求解的复杂度，便于车载控制器的实时应用，做出如下假设：1)车辆在城市街区中行驶，车速较低，空气阻力可忽略；2)车辆在平直道路上行驶，道路坡度角为0。车辆纵向动力学模型可以简化为：

构成所述车辆纵向动力学模型的变量满足描述车辆能耗变化的汽车能耗模型，如下式所示：

式中，P_b为电池功率，P_m为电机功率，t₀为起点时刻，t_f为终点时刻，c＝c₁(r/i)²m²，c₁为电机特性参数，与电机内阻和转矩常数有关，i为传动系统传动比；r为车轮半径；

不失一般性，分别v₀、s₀分别表示车辆在t₀时刻的速度和位移，v_f、s_f分别表示车辆在t_f时刻的速度和位移，则求解车辆在t₀-t_f时间段内能量最小化的最优车速轨迹的问题可归纳为如下的通用求解模型：

通用求解模型的最优控制输入：u^*(t)＝at+b

式中，

v₀、s₀表示车辆在t₀时刻的速度和位移，v_f、s_f表示车辆在t_f时刻的速度和位移；

进而得到最优能量消耗如下式所示：

其中，

步骤S2具体包括以下步骤：

步骤S21：滚动距离域划分，将全程道路长度s_end平均划分为N段，以步长Δd＝s_end/N向前滚动优化，以k＝0，1，...N-1表示当前步数，并初始化k＝0；

步骤S22：上层优化，确定第k步的车辆状态x(k)＝[s(k)，v(k)]，以当前第k步的车辆状态为起点约束，以终点状态[s_end，v_end]为终点约束，按照上述通用求解模型规划全路段最优车速轨迹

其中，s(k)，v(k)为当前的车辆位移和纵向速度；

步骤S23：下层优化，跟踪经上层优化的所述全路段最优车速轨迹

靠近路口时若车辆在预测距离s_pre内则可获取信号灯信息，以当前车辆状态为起点状态约束，以获取的信号灯信息为终点状态约束，按照上述通用求解模型规划出局部路段最优车速轨迹

通过路口后，再次进入跟踪阶段，跟踪所述全路段最优车速轨迹

并实时记录当前最优车速v^*(k)；

步骤S24：滚动优化，令k＝k+1；

步骤S25：判断循环终止条件，若k＜N，则返回步骤S22；若k＝N，则循环终止；

步骤S26：获得最优车速序列v^*＝(v^*(0)，v^*(1)，...，v^*(N-1))。

通过信号灯信息系统获取绿灯相位开始时刻t_gre、信号灯位置s_lig，通过GLOSA系统获取建议目标车速v_lig，信号灯信息为[s_lig，v_lig]。步骤S23中如果车辆在预测距离s_pre外，无法获取信息号信息，则继续跟踪上层优化的车速。

受控网联车辆的交通信息预测能力受到车辆到前方信号灯距离的影响，预测距离s_pre表示信号可获取的距离范围。

如图3所示为双层滚动车速优化策略的原理示意图。

具体地，上层优化总是以当前第k步的车辆状态x(k)＝[s(k)，v(k)]为起点状态约束，以[s_end，v_end]为终点状态约束，基于庞特里亚金极小值原理，利用所述通用求解模型解析求解出全路段的最优控制输入及最优状态轨迹，车辆初始状态x(0)＝[0，0]，将第k步的边界约束条件代入通用求解模型中，即得到全路段最优车速轨迹

具体地，针对车辆对未来交通信息的预测距离有限，当信号灯位于车辆预测距离s_pre之外时，下层优化首先进入跟踪阶段，跟踪上层优化根据终点状态约束规划出基于全路段的最优车速轨迹

即上层优化为引导层，下层优化作为跟踪调整层；当信号灯位于车辆预测距离s_pre之内，接收到信号灯的信息，则下层优化进入调整阶段，根据信号灯约束条件调整车辆速度轨迹，同样基于庞特里亚金极小值原理，利用所述通用求解模型解析求解出出局部路段(车辆当前位置距离信号灯这一路段)局部路段最优车速

同时解析出局部路段最优控制输入及最优状态轨迹。通过路口后，再次进入跟踪阶段，以期望的车速和时间到达目的地。在整个过程中，以Δd的距离步长向前滚动。

综上，对于每个中间设置有信号灯的路段，车辆依次经历第一跟踪阶段、调整阶段和第二跟踪阶段；同样需要确定三个阶段的起点和终点状态约束，并在滚动优化过程中将每一步的起点、终点约束条件代入通用求解模型中，得到每一步的最优控制输入，进而得到能量消耗的解析表达式。

第一跟踪阶段的起点时间、起点速度、起点位移均为零，第一跟踪阶段的结束时间t_T，

第一跟踪阶段的终点位移

如下：

式中，t_T、s_lig、s_pre分别为第一跟踪阶段结束时间、信号灯位置、车辆对信号灯信号的预测距离；

调整阶段的结束时间t_A，

t_A＝t_gre

t_gre为绿灯相位开始时刻；

得第一跟踪阶段结束时车辆的速度

和位移

分别为：

式中t_end为跟踪阶段的终点时刻；

总能量消耗记为J_F，其中第一跟踪阶段、调整阶段、第二跟踪阶段的能量消耗分别J_nFT1、J_nFA、J_nFT2，计算方程式如下：

以下通过仿真实验对上述实施例的控制方法的方案加以验证：

如图1所示，实施数值如下：道路全长s_end＝2400m，通行时间t_end＝200s，终点速度v_end＝12m/s，电动汽车整车质量m＝1421kg，滚动阻力系数f＝0.016，传动系统传动比i＝9.81，车轮滚动半径r＝0.325m，旋转质量换算系数δ＝1.022，电机特性参数c₁＝0.8730。

在双层滚动距离域车速优化策略中，设置两种预测距离s_pre分别为300m和无穷大，无穷大表示受控网联车辆具有理想的交通信息预测能力，滚动步长Δd＝1m，整个行驶路程划分为N＝2400段。从GLOSA系统获取的路口建议车速v_lig＝10m/s，通过信号灯信息系统获取信号灯相位信息，绿灯相位开始时刻t_gre＝100s，信号灯位置信息s_lig＝900m，重力加速度g＝9.8m/s²。

通过上述求解方式，并带入具体的实施数据，进行仿真实验，得出的仿真结果如图4-图6所示。DRVS表示所实施例的双层滚动距离域车速优化策略，其中DRVS-I表示预测距离为300m，DRVS-F表示预测距离为无限大，EOC策略用于模拟道路中无信号灯控路口的情况，ACB策略用于模拟驾驶员在信号灯控路口进行加速-匀速-制动的操作。

仿真结果表明，在信号灯控路口传统加速-匀速-制动策略全程能耗是742.5kJ，本实施例的控制方法在有限预测距离和无限预测距离的情况下，能耗分别为674.2kJ和666.1kJ，减少了9.2％和10.3％。相较传动加速-匀速-制动策略，本实施例的方法可以有效地减少车辆在信号灯控路口的制动、加速操作，避免了转矩的大幅度变动，能够有效降低能量消耗，同时能够保证车辆在绿灯相位到达信号灯控路口，避免了在路口的制动停车，提高了交通通行效率。

如图2所示，本实施例的一种动态交通场景下智能网联车辆经济性驾驶控制系统，用于实施上述实施例的动态交通场景下智能网联车辆经济性驾驶控制方法，控制系统包括信号灯信息系统、GLOSA系统、V2X通讯设备、受控网联车辆、车载定位设备以及车载控制器；所述信号灯信息系统提供动态交通信息，包括绿灯相位开始时刻t_gre，信号灯位置s_lig，以及通过所述GLOSA系统提供路口的建议目标车速v_lig，当信号灯位于车辆的预测距离之内时，通过V2X通讯设备，将所述提供动态交通信息发送至所述车载控制器；所述车载定位设备包括GPS设备或导航系统，用于向所述车载控制器提供车辆的位置信息；所述车载控制器基于车辆当前状态及动态交通信息，利用所述控制方法，计算包括信号灯路口在内的全路段范围内的最优速度轨迹，所述受控网联车辆执行所述最优速度轨迹，直至到达终点。

需要说明的是，本申请涉及到的智慧交通云端、GLOSA系统、信号灯信息系统是智慧交通的重要组成部分，为现有技术，只需要通过受控网联车辆的V2X通讯网络访问即可，根据通行需求获取交通数据；车载定位设备、车载控制器也可通过采购获得，车载设备均可通过CAN总线通讯。

本发明有效减少了车辆由于红灯相位造成的制动停车，缓解了车辆在信号灯控路口通行效率低、能量损耗大等问题，同时解决现有路口车速优化方法计算量大难以用于车载控制器中的问题。该方法利用现有成熟的技术条件，为车辆信号灯控路口的经济性驾驶提供了有效的解决方案。

Claims (5)

1.一种动态交通场景下智能网联车辆经济性驾驶控制方法，其特征在于，包括以下步骤：

步骤S1：信息获取：获取受控网联车辆的初始位置信息、目的地信息、通行时间t_end、终点速度v_end和全程道路长度s_end，从而确定车辆当前状态及终点状态约束；

步骤S2：双层滚动距离域车速优化，具体包括以下步骤：

步骤S21：滚动距离域划分，将全程道路长度s_end平均划分为N段，以步长Δd＝s_end/N向前滚动优化，以k＝0，1，...N-1表示当前步数，并初始化k＝0；

步骤S22：上层优化，确定第k步的车辆状态x(k)＝[s(k)，v(k)]，以当前第k步的车辆状态为起点约束，以终点状态[s_end，v_end]为终点约束，按照最优控制问题规划出全路段最优车速轨迹

其中，s(k)，v(k)为当前的车辆位移和纵向速度；

步骤S23：下层优化，跟踪经上层优化的所述全路段最优车速轨迹

靠近路口时且车辆在预测距离s_pre内则获取信号灯信息，则以当前车辆状态为起点状态约束，以获取的信号灯信息为终点状态约束，按照最优控制问题规划出局部路段最优车速轨迹

通过路口后，再次进入跟踪阶段，跟踪所述全路段最优车速轨迹

并实时记录当前最优车速v^*(k)；若未获得信号灯信息，则继续跟踪所述全路段最优车速轨迹；

步骤S24：滚动优化，令k＝k+1；

步骤S25：判断循环终止条件，若k＜N，则返回步骤S22；若k＝N，则循环终止；

步骤S26：获得最优车速序列v^*＝(v^*(0)，v^*(1)，...，v^*(N-1))；

所述最优控制问题以受控网联车辆能量消耗最小化为控制目标、基于车辆纵向动力学模型建立，通过解析求解获得通用求解模型；

所述通用求解模型的求解过程如下：

选取车辆位移s和纵向速度v为状态量x＝(s，v)，车轮上的单位质量纵向力为控制输入u＝F_t/m，建立用于描述车辆运动状态转移的所述车辆纵向动力学模型，经简化后得：

其中，F_t为车辆纵向力，包括驱动力和制动力；m为车辆质量；g为重力加速度；f为滚动阻力系数；δ为旋转质量换算系数；

构成所述车辆纵向动力学模型的变量满足描述车辆能耗变化的汽车能耗模型，如下式所示：

式中，P_b为电池功率，P_m为电机功率，t₀为起点时刻，t_f为终点时刻，c＝c₁(r/i)²m²，c₁为电机特性参数，与电机内阻和转矩常数有关，i为传动系统传动比；r为车轮半径；

进而，将求解车辆在t₀-t_f时间段内能量最小化的最优车速轨迹的问题归纳为如下的通用求解模型：

s.t.

v(t₀)＝v₀、v(t_f)＝v_f

s(t₀)＝s₀、s(t_f)＝s_f

其中，v₀、s₀分别表示车辆在t₀时刻的速度和位移，v_f、s_f分别表示车辆在t_f时刻的速度和位移；

所述通用求解模型的最优控制输入：u^*(t)＝at+b

式中，

v₀、s₀表示车辆在t₀时刻的速度和位移，v_f、s_f表示车辆在t_f时刻的速度和位移；

进而得到最优能量消耗如下式所示：

其中，

步骤S3：将当前最优车速发送至车速控制器，实现最优车速执行；

步骤S4：当被控网联车辆到达目的地，结束对车辆控制。

2.根据权利要求1所述的动态交通场景下智能网联车辆经济性驾驶控制方法，其特征在于，通过信号灯信息系统获取绿灯相位开始时刻t_gre、信号灯位置s_lig，通过GLOSA系统获取建议目标车速v_lig，所述信号灯信息为[s_lig，v_lig]。

3.根据权利要求2所述的动态交通场景下智能网联车辆经济性驾驶控制方法，其特征在于，上层优化总是以当前第k步的车辆状态x(k)＝[s(k)，v(k)]为起点状态约束，以[s_end，v_end]为终点状态约束，基于庞特里亚金极小值原理，利用所述通用求解模型解析求解出全路段的最优控制输入及最优状态轨迹，车辆初始状态x(0)＝[0，0]，将第k步的边界约束条件代入通用求解模型中，即得到全路段最优车速轨迹

下层优化过程中，同样基于庞特里亚金极小值原理，利用所述通用求解模型解析求解出车辆当前位置到信号灯的局部路段最优控制输入及最优状态轨迹。

4.根据权利要求2所述的动态交通场景下智能网联车辆经济性驾驶控制方法，其特征在于，对于每个中间设置有信号灯的路段，车辆依次经历第一跟踪阶段、调整阶段和第二跟踪阶段；确定三个阶段的起点和终点状态约束，并在滚动优化过程中将每一步的起点、终点约束代入通用求解模型中，得到每一步的最优控制输入，进而得到能量消耗的解析表达式。

5.根据权利要求4所述的动态交通场景下智能网联车辆经济性驾驶控制方法，其特征在于，所述第一跟踪阶段的起点时间、起点速度、起点位移均为零，第一跟踪阶段的终点位移

如下：

式中，t_T、s_lig、s_pre分别为第一跟踪阶段结束时间、信号灯位置、车辆对信号灯信号的预测距离；

调整阶段的结束时间t_A，

t_A＝t_gre

其中，t_gre为绿灯相位开始时刻；

第一跟踪阶段结束时车辆的速度

和位移

分别为：

式中t_end为第一跟踪阶段的终点时刻；

总能量消耗记为J_F，其中第一跟踪阶段、调整阶段、第二跟踪阶段的能量消耗分别J_nFT1、J_nFA、J_nFT2，计算方程式如下：

Images