CN113316121A

CN113316121A - 用于控制排内的机动的方法、计算机程序、装置、车辆和网络组件

Info

Publication number: CN113316121A
Application number: CN202110181701.XA
Authority: CN
Inventors: G·约尔诺德; A·普法德勒
Original assignee: Volkswagen AG
Current assignee: Volkswagen AG
Priority date: 2020-02-11
Filing date: 2021-02-10
Publication date: 2021-08-27
Also published as: EP3865966B1; US11698644B2; EP3865966A1; KR20210102114A; KR102447655B1; US20210247777A1

Abstract

实施例提供了用于控制多个车辆的排内的机动的方法、计算机程序、装置、车辆和网络组件。一种用于控制多个车辆（100；102）的排内的机动的方法（10）包括：接收（12）与该排的机动有关的信息；基于从初始状态机动到机动目标状态的燃料消耗来确定（14）关于该机动的燃料效率的信息，保持机动目标状态，以及从机动目标状态恢复到初始状态；以及基于关于燃料效率的信息来决定（16）是否执行该机动。

Description

用于控制排内的机动的方法、计算机程序、装置、车辆和网络组件

技术领域

本发明涉及用于控制多个车辆的排内的机动（maneuver）的方法、计算机程序、装置、车辆和网络组件，更具体地但不排他地涉及通过考虑机动的总体燃料效率来确定排机动是否被证明合理（justified）。

背景技术

车辆通信是研究和开发的领域。为了使得能够实现车辆的自主驾驶或半自主驾驶，期望车辆使用车辆到车辆通信（V2V）和车辆到网络（V2N）通信，例如，以协调驾驶机动和/或接收遥控操作的驾驶指令。该通信通常是无线的，即，车辆可以经由蜂窝移动通信系统与它们附近的其他车辆和/或与后端服务进行无线通信。

自动或自主驾驶也是研究和开发的领域。应对高交通负荷的一个概念是成排（platooning），其中将车辆分组，并且可以允许分别更有效地使用道路容量、降低燃料消耗。车辆的群组（也被称为车队或排）可以用于利用车辆之间的短的距离或前进间距（headway）来操作该排中的车辆，这是由于该排内的车辆可以在短时间延迟内反应或同时反应。这可以通过在该排的车辆之间有效的控制机制来实现。

在敏捷服务质量适配（AQoSA）的概念内，由通信系统支持的应用将其设置适配于可预见的服务质量（QoS）。当所讨论的应用是安全性相关的时间关键型应用时，这是尤其重要的，该安全性相关的时间关键型应用诸如高密度成排（HDPL），其中车辆间距离（IVD）低于15m，以便受益于减少的阻力，并且从而受益于更低的燃料消耗。在该IVD下，由于所需的检测和反应时间非常短，因此传感器系统可能需要由其他车辆传输的信息来支持。因此，通信链路的质量至关重要，这是因为应用的性能在很大程度上取决于它。例如，车辆减少其IVD以减少其燃料消耗。它们可以由于良好的通信条件来实现这种距离减少，关于该良好的通信条件，它们可能已经提前知道（预测性服务质量，PQoS）。然而，当QoS退化时，必须再次增加IVD。

文档DE 10 2017 204 326 A1提供了关于移动通信系统中的服务质量监测的进一步细节，特别是针对车辆应用、诸如针对成排。文档DE 103 56 256 A1描述了一种用于无线电接口的质量监测的概念。文档DE 10 2012 212 339 A1公开了一种用于车辆的分组概念。文档DE 10 2016 226 050 A1描述了一种概念，其用于对未来需要的无线电资源进行预先分配或预留，以确保一定的服务质量。文档DE 10 2016 006 523 A1公开了一种用于基于特定交通情形来设定车辆间距离的概念。

LIANG KUO-YUN等人的“Heavy-Duty Vehicle Platoon Formation for FuelEfficiency”（IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS, IEEE,PISCATAWAY，NJ，USA，vol. 17，no. 4，2016年4月1日（2016-04-01），第1051-1061页）研究了两个或更多个分散的车辆可以如何以燃料高效（fuel efficient）的方式协作以形成排。

FENGQIAO LUO等人的“Coordinated platooning with multiple speeds”（TRANSPORTATION RESEARCH. PART C，EMERGING TECHNOLOGIES，vol. 90，2018年5月1日（2018-05-01），第213-225页）提出了具有多个速度选项的协调成排模型，该模型集成了调度、路由、速度选择和排形成/解散。

KUO-YUN LIANG等人的“When is it Fuel Efficient for a Heavy DutyVehicle to Catch Up With a Platoon

”（7TH IFAC SYMPOSIUM ON ADVANCES INAUTOMOTIVE CONTROL，2013年1月1日（2013-01-01），第738-743页）研究了如下问题：为了赶上并加入一个排，重型车辆何时加速驾驶是有益的。

JORNOD GUILLAUME等人的“"Packet Inter-Reception Time Modeling forHigh-Density Platooning in Varying Surrounding Traffic Density”（EUROPEANCONFERENCE ON NETWORKS AND COMMUNICATIONS（EUCNC），IEEE，2019年6月18日（2019-06-18，第187-192页）涉及敏捷服务质量适配，其中应用和通信系统交换服务质量的要求和预测。

需要一种用于控制排机动的改进概念。

实施例基于如下发现：即可以基于机动目标状态的燃料效率和基于去往和来自机动目标状态的过渡机动的燃料效率来确定排机动的总体燃料效率。另一个发现是：对于过渡机动而言，在过渡机动的燃料效率与总体燃料效率之间存在折衷。例如，如果该机动要将IVD减少到某个值，那么可以通过对前部的车辆进行减速机动来减少IVD，直到到达IVD。可以通过对该排后部的车辆进行减速机动来增加IVD。减速机动比加速机动更加燃料高效。然而，该排的总体道路进展（way progress）会通过减速机动而减少，这也是实施例所考虑的。

发明内容

实施例提供了一种用于控制多个车辆的排内的机动的方法。该方法包括：接收与该排的机动有关的信息。该方法进一步包括：基于从初始状态机动到机动目标状态的燃料消耗来确定关于该机动的燃料效率的信息；保持机动目标状态；以及从机动目标状态恢复（revert）到初始状态。该机动进一步包括：基于关于燃料效率的信息来决定是否执行该机动。实施例提供了通过总体燃料效率评估来在排中进行高效的机动控制。

该机动可以是高密度成排机动，针对该高密度成排机动，基于车辆之间的通信等待时间来确定机动目标状态的车辆间距离。可以相对于给定时间帧（例如，所预测的时间帧）和目标状态（例如，由通信等待时间给出的最小IVD）来控制机动。可以避免燃料低效的机动，可以在机动的总体燃料效率方面改进或者甚至优化过渡机动。

在一些实施例中，该方法进一步包括：基于该排中的车辆间通信的预测服务质量来确定机动目标状态的车辆间距离。实施例可以进一步基于车辆间通信的通信质量来适配、改进或优化目标状态。

关于燃料效率的信息可以进一步基于：从初始状态机动到机动目标状态、保持/维持机动目标状态、以及从机动目标状态恢复到初始状态的总体持续时间。在去往和来自机动目标状态的过渡机动中对机动进行细分可以使得能够进一步改进燃料效率和评估，无论该机动的总体燃料效率是否照此证明该机动是合理的。

在一些实施例中，该确定可以包括：确定机动目标状态的有效时间。有效时间可以基于从初始状态到机动目标状态的机动、机动目标状态的保持、以及从机动目标状态到初始状态的恢复。实施例可以使用有效时间作为用于评估和适配该机动的高效模型。

该确定可以进一步包括：基于机动目标状态的有效时间和机动目标状态期间的燃料节省率来确定关于燃料效率的信息。然后，在实施例中，有效时间可以根据预测服务质量来对总体机动进行建模。

例如，确定机动目标状态的有效时间可以包括：确定从初始状态机动到目标状态的实际时间以及从初始状态机动到目标状态的补偿时间。确定机动目标状态的有效时间可以进一步包括：确定从目标状态恢复到初始状态的实际时间以及从目标状态恢复到初始状态的补偿时间。在实施例中，补偿时间可以用于以高效的方式来建模过渡机动对总体机动的积极和消极贡献。

在一些实施例中，该方法可以进一步包括：针对从初始状态到目标状态的机动以及针对从目标状态到初始状态的恢复来评估不同参考点的不同有效时间。参考点可以指示该排中的如下车辆：该车辆形成了对于该排中的其他车辆的机动参考。例如，如果该排中的最后一个车辆形成了机动参考，那么所有其他车辆可以减速以减少该排中的IVD。减速更加燃料高效，但是会损失该排的总体行驶距离。如果该排的领头车辆形成了参考，则所有其他车辆可以加速以减少该排中的IVD。同样地，如果最后一个车辆是参考并且将要增加IVD，则除最后一个车辆之外的所有车辆都将加速，并且行驶距离可能增加。加速是不太燃料高效的，但是该排的总体行驶距离可能增加。实施例可以考虑使用不同的参考车辆进行不同的过渡机动，并且由此改进总体燃料效率。

不同的有效时间可以导致不同的实际时间和不同的补偿时间，其中补偿时间中的至少一个是负的。因此，一些机动（例如，在最后一个车辆作为参考的情况下的加速机动）可以考虑有负补偿时间，这是因为可以增加该排的总体行驶距离。

多个车辆中的车辆可以使用移动通信系统来彼此通信。该机动的总体持续时间可以由移动通信系统中的预测服务质量来确定。这种预测可以在车辆、移动通信系统的基础设施组件处执行，或者可以涉及这两者。例如，可以获得关于服务质量的统计信息，预测可以基于该统计信息。例如，该机动的总体持续时间可以基于预测服务质量来确定。总体持续时间可以使得能够对该机动进行总体燃料效率评估。

实施例进一步提供了一种计算机程序，该计算机程序具有程序代码，该程序代码用于当在计算机、处理器或可编程硬件组件上执行该计算机程序时执行一个或多个上面描述的方法。进一步的实施例是一种存储指令的计算机可读存储介质，该指令在被计算机、处理器或可编程硬件组件执行时使得计算机实现本文中描述的方法之一。

实施例进一步提供了一种用于控制多个车辆的排内的机动的装置。该装置包括一个或多个接口，该接口用于与车辆的排中的一个或多个车辆进行通信。该装置进一步包括控制模块，该控制模块被配置成执行本文中描述的方法之一。

包括该装置的实施例的车辆和包括该装置的实施例的网络组件是进一步的实施例。

附图说明

将仅通过示例的方式并且参考附图、使用装置或方法或计算机程序或计算机程序产品的以下非限制性实施例来描述一些其他特征或方面，在附图中：

图1图示了用于控制排内的机动的方法的实施例的框图；

图2图示了用于控制排内的机动的装置的实施例以及车辆的实施例的框图；

图3图示了实施例中的距离投入（investment）的概念；

图4图示了场景快照：（a）测试轨迹设施的仿真模型、以及（b）对实施例中的五个卡车的排（five-truck platoon）的放大；

图5图示了实施例中的参考放置，其针对如下：在IVD闭合（closing）机动期间，与（c）在前部（front）的传统参考相比，（a）在参考处于后部（back）的情况下的燃料消耗优化、（b）在参考处于中心的情况下的机动持续时间优化；

图6图示了实施例中的排输入参数和时间目标；

图7图示了实施例中的作为时间的函数的图偏差（graph deviation）以及机动持续时间T_m的导出；

图8图示了实施例中的针对排中的五个卡车的作为IVD的函数的空气阻力比；

图9图示了实施例中的针对各种初始IVD的作为最终IVD的函数的相对燃料节省；

图10图示了实施例中的针对不同参数组合的（a）闭合间隙机动和（b）打开间隙机动的不具有阻力校正的性能评估；

图11图示了实施例中的针对不同参数组合的（a）闭合间隙机动和（b）打开间隙机动的具有阻力校正的性能评估；

图12图示了扩展的实施例仿真的所选结果：针对（a）前部参考、（b）中间参考和（c）后部参考的针对固定初始IVD d _i=30m的闭合机动；以及（d）针对固定最终距离d _f=5m的中间参考打开机动；

图13是实施例中的在成排到HDPL与从HDPL返回到成排之间的转换期间的IVD的说明性表示；

图14示出了实施例中的参考组合对最终距离预算的影响的图示；

图15图示了在使用Lasso回归模型的实施例中的通过机动的持续时间和相对燃料消耗的图形组合而创建的表面模型；以及

图16示出了实施例中的针对d _f=5m的作为有利时间（favorable time）的函数的燃料节省百分比。

具体实施方式

现在将参考其中图示了一些实施例的附图来更充分地描述各种实施例。在附图中，为了清楚，可以扩大线、层或区域的厚度。可以使用断线、短划线或虚线来图示可选的组件。

相应地，虽然示例性实施例能够有各种修改和替代形式，但是其实施例通过示例的方式在图中被示出并且将在本文中被详细地描述。然而，应当理解的是，不存在使示例性实施例限于所公开的特定形式的意图，而相反，示例性实施例要涵盖落入本发明的保护范围内的所有修改、等同方案和替代方案。相同的附图标记贯穿对图的描述指代相同或类似的元件。

如本文所使用的，术语“或”指代非排他性的“或”，除非以其他方式指示（例如，“要不然是”，或者“或可替换地”）。此外，如在本文中使用的那样，用来描述元件之间的关系的词应当被宽泛地解释成包括直接关系或中间元件的存在，除非以其他方式指示。例如，当元件被称为“连接”或“耦合”到其他元件时，该元件可以直接连接或耦合到其他元件或者可能存在中间元件。相比之下，当元件被称为“直接地连接”或“直接地耦合”到另一元件时，则不存在中间元件。类似地，诸如“之间”、“相邻”等词语应当以类似的方式来解释。

本文中所使用的术语仅出于描述特定实施例的目的并且不意图限制示例性实施例。如本文所使用的，单数形式“一”、“一个”和“该”还意图包括复数形式，除非上下文以其他方式清楚地指示。将进一步理解的是，术语“包括”、“包括有”、“包含”或“包含有”当在本文中使用时指定所陈述的特征、整数、步骤、操作、元件或组件的存在，但不排除一个或多个其他特征、整数、步骤、操作、元件、组件或其群组的存在或添加。

除非以其他方式定义，否则本文中所使用的所有术语（包括技术术语和科学术语）具有与示例性实施例所属领域的普通技术人员通常理解的含义相同的含义。将进一步理解的是，术语（例如，在常用词典中定义的术语）应当被解释为具有与其在相关领域的情境中的含义一致的含义，并且将不会以理想化或过于正式的含义来解释，除非在本文中明确地这样定义。

图1图示了用于控制排内的机动的方法的实施例的框图。用于控制多个车辆的排内的机动的方法10包括：接收12与该排的机动有关的信息。方法10进一步包括：基于从初始状态机动到机动目标状态的燃料消耗来确定14关于该机动的燃料效率的信息；保持机动目标状态；以及从机动目标状态恢复到初始状态。方法10进一步包括：基于关于燃料效率的信息来决定16是否执行该机动。

该排的机动的示例是用以向该排添加另一个车辆的打开机动；用于闭合离开车辆的间隙的闭合机动，从而在一定时间内将IVD减少到目标IVD等。排是车辆的群组或车队，该车辆例如被协调的机动车辆、汽车、卡车等。例如，车辆可以直接地或使用移动通信系统的基础设施彼此通信。例如，排中的车辆一起行驶在共同的道路区段上，并且利用以减少的IVD（燃料节省）来行驶。在某个点处，机动可能是必要的或可能的，并且在至少一些实施例中可以确定这种机动是否是有益的。实施例确定燃料效率，例如可以评估：如果执行某个机动，总体燃料消耗是更高还是更低。此外，机动或其一部分可以被修改，以便使该机动更加燃料高效。燃料效率（即，该排在该机动的情况下是否消耗了更多或更少的燃料）可以然后形成决定是否执行该机动的基础。。

图2图示了用于控制排内的机动的装置20的实施例以及车辆100的实施例的框图。装置20包括至少一个（一个或多个）接口22，接口22用于与多个车辆的排中的一个或多个车辆通信。装置20包括控制模块24，控制模块24耦合到至少一个接口22。控制模块24可以被配置成控制一个或多个接口22，并且执行本文中描述的任何方法。图2进一步图示了包括装置20的实施例的车辆/网络组件100的实施例。

装置20、车辆100和网络组件100可以通过移动通信系统400进行通信。如图2所示，移动通信系统400可以例如对应于第三代合作伙伴计划（3GPP）标准化移动通信网络之一，其中术语移动通信系统与移动通信网络同义地使用。因此，与机动有关的信息可以通过移动通信系统400、例如从如图2中指示的另一个车辆102来接收。在其他实施例中，该请求可以从至少在一定程度上控制车辆100、102的中央实体（网络组件）来接收。同样地，与是否执行该机动的决定有关的信息可以被提供给车辆102或网络组件。

移动通信系统400可以对应于第三代合作伙伴计划（3GPP）标准化移动通信网络之一，其中术语“移动通信系统”与“移动通信网络”同义地使用。移动或无线通信系统400可以对应于第五代（5G，或新型无线电）移动通信系统，并且可以使用毫米波技术。移动通信系统可以对应于或者包括例如长期演进（LTE）、高级LTE（LTE-A）、高速分组接入（HSPA）、通用移动电信系统（UMTS）或UMTS陆地无线电接入网络（UTRAN）、演进的UTRAN（e-UTRAN）、全球移动通信系统（GSM）或增强型数据速率GSM演进（EDGE）网络、GSM/EDGE无线电接入网络（GERAN）、或者具有不同标准的移动通信网络，例如全球微波接入互操作性（WIMAX）网络IEEE 802.16或无线局域网（WLAN）IEEE 802.11，一般是正交频分多址（OFDMA）网络、时分多址（TDMA）网络、码分多址（CDMA）网络、宽带CDMA（WCDMA）网络、频分多址（FDMA）网络、空分多址（SDMA）网络等等。

服务提供可以由网络组件100执行，网络组件100诸如基站收发器、中继站或UE，例如协调多个UE/车辆的集群或群组中的服务提供。基站收发器可以可操作或被配置成与一个或多个有源（active）移动收发器/车辆100进行通信，并且基站收发器可以位于另一基站收发器的覆盖区域中或邻近于另一基站收发器的覆盖区域，该另一基站收发器例如宏小区基站收发器或小小区基站收发器。因此，实施例可以提供包括两个或更多个移动收发器/车辆100和一个或多个基站收发器的移动通信系统400，其中基站收发器可以建立宏小区或小小区，作为例如微微小区、城域小区或毫微微小区。移动收发器或UE可以对应于智能电话、蜂窝电话、膝上型电脑、笔记本电脑、个人计算机、个人数字助理（PDA）、通用串行总线（USB）棒、汽车、车辆等等。移动收发器还可以被称为用户设备（UE）或符合3GPP术语的移动设备。车辆可以对应于任何可想到的运输手段，例如汽车、自行车、摩托车、货车、卡车、公共汽车、船舶、船、飞机、火车、电车等。

基站收发器可以位于网络或系统的固定或静止部分中。基站收发器可以是或者对应于远程无线电头、传输点、接入点、宏小区、小小区、微小区、毫微微小区、城域小区等。基站收发器可以是有线网络的无线接口，其使得能够将无线电信号传输到UE或移动收发器。这种无线电信号可以遵从如例如由3GPP标准化或一般地符合上面列出的系统中的一个或多个的无线电信号。因此，基站收发器可以对应于NodeB、eNodeB、gNodeB、基站收发信台（BTS）、接入点、远程无线电头、中继站、传输点等等，它们可以进一步被细分成远程单元和中央单元。

移动收发器或车辆100、102可以与基站收发器或小区相关联。术语“小区”指代由基站收发器（例如，NodeB（NB）、eNodeB（eNB）、gNodeB、远程无线电头、传输点等）提供的无线电服务的覆盖区域。基站收发器可以在一个或多个频率层上操作一个或多个小区，在一些实施例中，小区可以对应于扇区。例如，扇区可以使用扇区天线来实现，该扇区天线提供用于覆盖远程单元或基站收发器周围的角度部分的特性。在一些实施例中，基站收发器可以例如操作分别覆盖120°扇区（在三个小区的情况下）、60°扇区（在六个小区的情况下）的三个或六个小区。基站收发器可以操作多个扇区化的天线。在下文中，小区可以表示生成该小区的相应基站收发器，或者同样地，基站收发器可以表示该基站收发器生成的小区。

在实施例中，装置20可以被包括在车辆、基站、NodeB、UE、中继站或任何服务协调网络实体中。应当注意的是，术语网络组件可以包括多个子组件，诸如基站、服务器等。进一步的实施例是包括装置20的车辆100和/或包括装置20的网络组件。

在实施例中，一个或多个接口22可以对应于用于获得、接收、传输或提供模拟或数字信号或信息的任何部件，例如任何连接器、触点、引脚、寄存器、输入端口、输出端口、导体、通道等，其允许提供或获得信号或信息。接口可以是无线的或有线的，并且它可以被配置成与另外的内部或外部组件进行通信，即传输或接收信号、信息。一个或多个接口22可以包括另外的组件，以实现移动通信系统400中的相应通信，这些组件可以包括收发器（发射器和/或接收器）组件，诸如一个或多个低噪声放大器（LNA）、一个或多个功率放大器（PA）、一个或多个双工器（duplexer）、一个或多个天线共用器（diplexer）、一个或多个滤波器或滤波器电路、一个或多个转换器、一个或多个混频器、相应适配的射频组件等。一个或多个接口22可以耦合到一个或多个天线，这些天线可以对应于任何发射和/或接收天线，诸如喇叭天线、偶极天线、贴片天线、扇区天线等。天线可以以所定义的几何设置来布置，该几何设置诸如均匀阵列、线性阵列、圆形阵列、三角形阵列、均匀场天线、场阵列、其组合等。在一些示例中，一个或多个接口22可以用于传输或接收信息、或者传输和接收信息两者的目的，该信息诸如与能力、应用要求、触发指示、请求、消息接口配置、反馈有关的信息、与控制命令、QoS要求、QoS图有关的信息等。

如图2所示，相应的一个或多个接口22在装置20处耦合到相应的控制模块24。在实施例中，控制模块24可以使用一个或多个处理单元、一个或多个处理设备、用于处理的任何部件（诸如，处理器、计算机、或利用相应适配的软件而可操作的可编程硬件组件）来实现。换句话说，控制模块24的所描述的功能也可以用软件来实现，该软件然后在一个或多个可编程硬件组件上执行。这种硬件组件可以包括通用处理器、数字信号处理器（DSP）、微控制器等等。

图2还示出了系统400的实施例，系统400包括UE/车辆/网络组件100以及另一个车辆102的实施例，它还可以包括一个或多个网络组件/基站，网络组件/基站包括装置20的进一步实施例。在实施例中，通信（即传输、接收或其两者）可以直接地在移动收发器/车辆100、102当中发生，和/或在移动收发器/车辆100、102与网络组件（基础设施或移动收发器，例如基站、网络服务器、后端服务器等）之间发生。这种通信可以利用移动通信系统400。可以直接地执行这种通信，例如借助于设备到设备（D2D）通信，在车辆100、102的情况下，该设备到设备（D2D）通信还可以包括车辆到车辆（V2V）或汽车到汽车通信。这种通信可以使用移动通信系统400的规范来执行。

在实施例中，一个或多个接口22可以被配置成在移动通信系统400中进行无线通信。为了这样做，使用了无线电资源，例如频率、时间、代码和/或空间资源，它们可以被用于与基站收发器的无线通信以及用于直接通信。可以由基站收发器来控制无线电资源的指派，即确定哪些资源用于D2D而哪些资源不用于D2D。在这里以及在下文中，相应组件的无线电资源可以对应于可在无线电载波上想到的任何无线电资源，并且它们可以在相应载波上使用相同或不同的粒度。无线电资源可以对应于资源块（如LTE/LTE-A/非许可的LTE（LTE-U）中的RB）、一个或多个载波、子载波、一个或多个无线电帧、无线电子帧、无线电时隙、潜在地具有相应扩展（spreading）因子的一个或多个代码序列、一个或多个空间资源（诸如，空间子信道、空间预编码向量）、其任何组合等等。例如，在直接蜂窝式车辆到任何事物（C-V2X）（其中V2X包括至少V2V、V2-基础设施（V2I）等）中，根据3GPP Release（版本）14起的传输可以由基础设施来管理（所谓的模式3），或者在UE中运行。

如图2中进一步图示的，方法10可以在车辆100中的装置20处执行。车辆100可以例如从另一个车辆102、从控制网络组件、从排确定控制实体等接收与该排的机动有关的信息。车辆或网络组件100然后可以基于从初始状态机动到机动目标状态、保持机动目标状态、以及从机动目标状态恢复到初始状态的燃料消耗来确定14关于该机动的燃料效率的信息。车辆或网络组件100然后可以基于关于燃料效率的信息来决定16是否执行该机动。

在下文中，将针对一些实施例提供更多细节。为了应对服务质量上的变化，AQoSA提供了关于链路的未来质量的信息。该信息可能伴随有预测范围（prediction horizon），该预测范围是在未来结束的增量时间（从现在开始的持续时间），预测值适用于该预测范围。在一些实施例中，在知道了随时间的预测值、服务质量的成本的情况下，该应用可以计算出使用QoS来补偿机动成本和服务成本需要多长时间。

预测服务质量（PQoS）时间序列是表示链路的未来质量的值序列。例如，机动可以包括：闭合机动（从该排的初始车辆间距离（IVD）d _i（例如30m）进行到较小的最终IVD d _f）；维持该最终IVD d _f一段时间；并且然后执行打开机动（回到d _i）。该组机动受到有利QoS时段的长度T _F（未来QoS的持续时间，在该持续时间期间，该排可以以低IVD来驾驶）所限制。

在另一个实施例中，机动是高密度成排（HDPL）机动，针对该机动，基于车辆之间的通信等待时间来确定机动目标状态的车辆间距离。基于针对该排中的车辆间通信的预测服务质量来确定机动目标状态的车辆间距离。针对消息交换的预测等待时间确定了最小IVD，例如基于紧急制动机动。IVD需要针对紧急制动消息的通信提供足够的时间缓冲。

多个车辆中的车辆使用移动通信系统彼此通信，该移动通信系统例如使得能够实现V2V或C2C的移动通信系统。该机动由移动通信系统中的预测服务质量（PQoS）来确定。例如，PQoS的时间范围确定了机动的总体持续时间。因此，在本实施例中，基于PQoS来确定机动的总体持续时间。

在给定PQoS时间序列或具有时间范围的PQoS的情况下，针对HDPL的燃料节省可以被改进或（在理论上被最大化）。例如，可以尽可能快地减少IVD，以达到低空气阻力区域，并且最长时间地从HDPL中受益。

然后，可以由燃料节省率和HDPL的时间来确定燃料节省。

燃料节省 = 燃料节省率* HDPL的时间。

然而，执行闭合和打开机动需要燃料投入（改变IVD需要增加/降低速度，并且因此改变了燃料消耗）。实施例可以在选择机动策略时考虑这个发现。

关于燃料效率的信息可以进一步基于从初始状态机动到机动目标状态、保持机动目标状态、以及从机动目标状态恢复到初始状态的总体持续时间。确定14可以包括确定机动目标状态的有效时间。有效时间可以基于从初始状态到机动目标状态的机动、机动目标状态的保持、以及从机动目标状态到初始状态的恢复。

实施例可以将相对燃料节省（F _S）建模为有效HDPL时间（T _H）以及目标距离处的燃料节省率（

）的函数。

。

因此，确定14包括：基于机动目标状态的有效时间（F _S）和机动目标状态期间的燃料节省率（

）来确定关于燃料效率的信息。

有效HDPL时间的这种概念是计及了燃料和距离上的机动投入的HDPL时间。为此，可以引入机动燃料投入的补偿时间T _C。

其中C是闭合机动和打开机动之一的投入（过渡机动）。确定14机动目标状态的有效时间可以包括：确定从初始状态机动到目标状态的实际时间以及从初始状态机动到目标状态的补偿时间。同样地，确定14机动目标状态的有效时间可以包括确定从目标状态恢复到初始状态的实际时间以及从目标状态恢复到初始状态的补偿时间。

至少一些实施例可以针对从初始状态到目标状态的机动以及针对从目标状态到初始状态的恢复来评估不同参考点的不同有效时间。参考点指示该排中的如下车辆：该车辆形成了对于该排中的其他车辆的机动参考，如在图3中进一步详细描述的那样。不同的有效时间导致不同的实际时间和不同的补偿时间，其中补偿时间中的至少一个是负的。如果该机动已经节省了燃料（例如，所有卡车减速以减少IVD），则该时间可能是负的。

当闭合机动和打开机动造成了距离亏损（deficit）时，距离投入的概念就会介入。图3图示了实施例中的距离投入的概念。图3示出了三个车辆的排，针对该排，在第一时刻处，其被示出在最左侧，IVD是d _i。图3中矩阵表示的第一行描绘了不进行机动的进展。如从中间和最右侧可以看出的，三个车辆的IVD保持恒定。从第二行开始，示出了针对HDPL机动的随时间的发展。IVD在闭合机动中减少到d _f，并且结果被描绘在中间。然后，IVD增加回到d _i，这在右侧被示出。不同的参考点r _c、r _o被考虑用于闭合和打开机动。值0意味着领头车辆是参考点，值0.5指示中心车辆是参考点，并且值1指示最后一个车辆是参考点。不同的r _c、r _o组合被示出在最左侧。在第二行中，领头车辆是针对两个过渡机动的参考。如在最右侧可以看出的，在打开机动之后，该排取得了与不进行机动的第一行中的进展相同的进展。用基线来标记在这种情况下的第一车辆的位置。如通过这些组合可以看出的，一些机动配置增加了道路进展，而一些机动配置损失了道路进展。

因此，基线表示其中不执行任何机动的情况。在左侧，示出了初始状态，并且在中间，示出了HDPL（机动目标）状态。在右侧，示出了最终状态。与基线相比，一些机动引入了距离亏损（在基线后面（左边）的第一卡车/车辆），而一些机动引入了距离增益（在基线前面（右边）的第一卡车/车辆）。

在亏损的情况下，该排需要驾驶更长一点的时间来补偿基线，在实施例中，可以利用基线来计算相对燃料节省。在增益的情况下，这意味着该排随后需要较少地驾驶，从而意味着这可以转化成与基线相比的燃料增益。关于可以如何获得r _c、r _o的更多细节可以在申请EP 19 170 887.4中找到。

这可以恢复为

，

是计及了机动的距离亏损或增益的距离补偿时间。

总之，在实施例中，有效HDPL时间T _H可以通过以下方式来获得：

其中T _F是有利PQoS的长度。

相应地，

是闭合机动的机动时间（从初始状态IVD=d _i到机动目标状态IVD=d _f），

是闭合机动的燃料投入的补偿时间，

是打开机动的机动时间（从机动目标状态IVD=d _f到初始状态IVD=d _i），

是打开机动的补偿时间。

例如，如申请EP 19 170 887.4中所阐述的那样获得这些时间。这些时间是最终/目标IVD d _i、机动参考、最大速度偏差和其他控制参数（加速度偏差、控制增益等）的函数。

作为结果，至少一些实施例可以通过解决以下问题来最大化或改进HDPL的燃料节省：

其中r _c是闭合机动的参考，r _o是打开机动的参考，Δv _c是闭合机动的最大速度偏差，Δv _o是打开机动的最大速度偏差，并且d _f是最终IVD。可以选择这些参数，使得最大化或至少改进燃料节省。d _m是PQoS所允许的最小IVD。

实施例可以通过考虑针对闭合和打开机动的燃料投入的补偿时间以及距离亏损/增益来最大化或改进燃料节省。在实施例中，可以相应地选择HDPL参数。

可以以集中式或分布式方式来实现信令。例如，该排内的车辆可以执行方法10，并且通知/协调排成员。在其他实施例中，方法10可以在基础设施网络组件中的控制中心处执行，并且结果可以被传送给该排的成员或者该排的协调成员。在进一步的实施例中，可想到完全分布式的实现方式，其中至少部分地在每一个排成员处执行方法10。然后，可以在该排内的成员当中执行附加的协调或和解（reconcilement）通信，以确保团体的机动。

如已经提到的，在实施例中，相应的方法可以被实现为计算机程序或代码，它们可以在相应的硬件上执行。因此，另一个实施例是具有程序代码的计算机程序，该程序代码用于当在计算机、处理器或可编程硬件组件上执行计算机程序时实行上面的方法中的至少一个。进一步的实施例是存储指令的计算机可读存储介质，该指令在被计算机、处理器或可编程硬件组件执行时使得计算机实现本文中描述的方法之一。

实施例可以被总结如下。

在协作式驾驶的范围内，有前途的应用是高密度成排。该应用的主要目标之一是通过受益于由十米以下的车辆间距离所致的减少的空气阻力来减少燃料消耗。为了确保如此低的车辆间距离下的安全性，该应用强烈地依赖于车辆到车辆通信。为了支持这种类型的应用，最近的概念是敏捷服务质量适配，其中该应用从例如网络接收未来服务质量的预测，并且适配其设置以应对其变化。该概念中的重要参数是预测范围，即所提供的预测服务质量时间序列的长度。该参数驱动了作为机动时间序列的函数的减少的空气阻力益处的持续时间。事实上，可以使用短的预测范围，但是需要该应用的快速反应。这通常与适配机动期间的较高燃料消耗相链接，从而削弱了高密度成排的原始目标。

预测范围对燃料节省的影响是不同机动参数的函数。我们首先提出了三种策略来实现车辆间距离的变化。在实施例中，可以考虑机动持续时间与用于增加和减少车辆间距离的燃料消耗之间的关系。机动燃料投入可以与补偿时间相链接，在该补偿时间期间，该排将通过受益于减少的空气阻力来抵消（counterbalance）燃料消耗。一些实施例可以使用用于根据一些预测服务质量（PQoS）参数来最大化燃料效率的优化方法。为了从高密度成排中受益，五个卡车的排所需的预测范围的数量级可能最小为一百秒。

协作式驾驶的令人感兴趣且有前途的应用是高密度成排（HDPL）。为了减少其燃料消耗，HDPL中的车辆以小车辆间距离（IVD）——15m、10m或甚至5m进行驾驶。事实上，这种减少可以由于减少的空气阻力来实现，参见A. Al Alam、A. Gattami和K. H. Johansson的“An experimental study on the fuel reduction potential of heavy duty vehicleplatooning”（13th Int. IEEE Conf. on Intell. Transp. Syst. (ITSC)，2010. IEEE，2010，第306-311页）。

近年来，以能量效率为目标的卡车成排已经在协作式车辆自动化研究的领域中得到了许多关注，参见S. Tsugawa、S. Jeschke和S. E .Shladove的“A review of truckplatooning projects for energy savings”（IEEE Trans. on Intell. Veh.，vol. 1，no. 1，第68–77页，2016年3月）以及S. van de Hoef、K. H. Johansson和D. V.Dimarogonas的“Fuel-efficient en route formation of truck platoons”（IEEETrans. on Intell. Transp. Syst.，vol. 19，no. 1, 第102–112页，2018年1月）。

为了在保证安全性的同时实现这种效率，该应用需要以低延迟和高可靠性进行信息交换。车辆之间的协调通常由车辆到车辆（V2V）或车辆到任何事物（V2X）通信来支持。

安全性相关的时间关键型应用往往受限于其通信系统的服务质量（QoS）的下限。这可以通过在通信系统中应用最近的概念——敏捷服务质量适配（AQoSA）来避免，参见A.Pfadler、G. Jornod、A. El Assaad和P. Jung的“Predictive Quality of Service：Adaptation of Inter Vehicle Distance to Packet Inter-reception Time for HDPL”（IEEE 91st Veh. Technol. Conf. （VTC Spring）. IEEE，2020，审稿中）。

应用和通信系统分别周期性地交换QoS要求和PQoS。在应用侧上，QoS要求的适配与其功能设置的适配一起操作。

应用于HDPL，AQoSA允许该排规划其机动。这包括减少其IVD，维持小的IVD，以及增加IVD。这种规划强烈地依赖于通信系统提供的QoS。PQoS时间序列中的值驱动着最小IVD，这影响了燃料节省。其长度也会影响燃料节省，这是因为有利时间越长，燃料节省就越大。为了实现燃料节省，这种有利QoS的持续时间应该比阈值更长。根据该应用所选择的策略，对QoS的要求可能会有所不同，尤其是在预测范围方面。

该预测范围被定义为PQoS时间序列的总长度。因此，在HDPL机动中，它可能涵盖了IVD减少（闭合）机动、减少的空气阻力时段、以及IVD增加（打开）机动和一些补偿时间。

在该范围内的PQoS的挑战有两个方面：（i）该应用需要根据提供的PQoS时间序列来选择高效的策略；（ii）只有当PQoS时间序列足够长时，才能够评估该策略的效率。为了应对这些挑战，在实施例中可以使用用于高效策略构思的方法。此外，可以精确地导出对预测范围的要求。

在实施例中，可以考虑该系统的两个目标与控制策略之间的关系，即燃料消耗与机动时间之间的关系。为此，实施例可以提供针对群组控制、机动的相对参考、以及其他相关控制参数的概念。参考概念可以扩展用于闭合和打开机动的基于图的拉普拉斯控制算法，该算法被提出在I.Navarro、F. Zimmermann、M. Vasic和A. Martinoli的“Distributedgraph-based control of convoys of heterogeneous vehicles using curvilinearroad coordinates”（19th IEEE Int. Conf. Intell. Transp. Sys.（ITSC），2016年，第879–886页）中。在以下仿真中，将呈现仿真结果，该仿真使用SUMO，

P. A. Lopez、M. Behrisch、L. Bieker-Walz、J. Erdmann、Y.-P. Flötteröd、R.Hilbrich、L. Lücken、J. Rummel、P. Wagner和E. Wießner的“Microscopic trafficsimulation using SUMO”（21st IEEE Int. Conf. Intell. Transp. Syst. IEEE，2018年）以及

G. F. Riley和T. R. Henderson的使用IEEE 802.11p无线电接入技术的ns-3网络仿真器，Berlin，Heidelberg：Springer Berlin Heidelberg，2010年，第15–34页，

“Intelligent Transport Systems（ITS）；Performance evaluation ofselforganizing TDMA as medium access control method applied to ITS；Accesslayer part”，European Telecommunications Standards Institute，Tech. Rep. ETSITR 102 862 V1.1.1，2011年。

所仿真的卡车排可以从运行在任意节点上的预测算法获得PQoS信息。

已经研究了各种外部因素对不同无线接入技术所支持的HDPL性能的影响。这些因素是：周围节点的数量和天线间的距离（参见G. Jornod、T. Nan, M. Schweins、A. ElAssaad、A. Kwoczek和T. Kürner的“Sidelink technologies comparison for highwayhigh-density platoon emergency braking”，2018 IEEE 16th Int. Conf. Intell.Transp. Syst. Telecommun.（ITST），2018年10月，第1–7页）以及源自于传入流量的多普勒偏移（参见G. Jornod、R. Alieiev、A.Kwoczek和T. Kürner的“Environment-awarecommunications for cooperative collision avoidance applications”，2018 IEEE19th Int. Symp.“A World of Wireless，Mobile and Multimedia Networks”（WoWMoM），2018年6月，第588–599页；以及R. Alieiev、G.Jornod、T. Hehn、A. Kwoczek和T. Kürner的“Improving the performance of high-density platooning using vehiclesensorbased doppler-compensation algorithms”，IEEE Transactions on IntelligentTransportation Systems，第1–12页，2019年）。

这些研究可以推动针对QoS变化的适配的策略的发展。提供PQoS的预测算法可以在基站上运行，或者可以在节点上运行，诸如参见G. Jornod、A. El Assaad、A. Kwoczek和T. Kürner的“Packet interreception time modeling for high-density platooningin varying surrounding traffic density”（28th IEEE Eur. Conf. Net. Commun.IEEE，2019，已接受）。

SUMO的燃料消耗模型可以被适配成反映空气阻力减少。可以导出两个目标之间的类似帕累托边界的关系（Pareto frontierlike relationship）。使用空气阻力校正的消耗模型，燃料消耗投入可以转化成补偿时间。针对两个机动的机动时间/补偿时间的所得集合允许根据可用PQoS来执行燃料节省优化或改进。实施例可以扩展用于闭合和打开机动的分布式基于图的反馈车队控制器；根据控制策略来考虑燃料消耗与机动时间之间的关系，并且根据PQoS来改进或优化燃料节省。

在下文中，将介绍实施例中考虑的场景和所使用的控制模型。将详细描述在一些实施例中的用以评估针对HDPL的燃料消耗与机动时间之间的关系的方法。数值结果将被呈现和讨论。在实施例中，可以导出针对给定时间序列的所需预测范围。

实施例可以针对使用PQoS的HDPL提供燃料高效的方法。这可能需要通过对HDPL场景的仿真来导出机动时间与燃料消耗之间的关系。事实上，为了计算实际上实现燃料节省所需的时间，必须计及机动。闭合和打开机动时间必须从未来的有利QoS时间序列中被推导出。此外，如果机动消耗了燃料，实施例也可以通过扣除补偿时间来计及其补偿。机动时间和补偿时间的总和因此驱动了PQoS预测范围。这种方法的另一个重要特征是针对所涉及的两个机动的控制策略的开发。

为了导出关于AQoSA的预测范围要求，考虑了闭合回路上的标准化成排场景。这允许独立于实际机动时间来运行相同的场景，假设该排将在给予的时间内实现编队改变。场景被划分为五个阶段：（i）成排；（ii）IVD减少；（iii）HDPL；（iv）IVD增大；和（v）成排。在第一阶段（i）中，该排以与正常成排用例相关的IVD为目标，例如30m。然后，假设该排接收到关于未来有利QoS的信息，并且触发IVD的减少（ii），以便减少跟随者车辆所经历的阻力，其目的是减少总体燃料消耗。在HDPL阶段（iii）中，该排以5m的IVD为目标。然后，该排意识到QoS的退化，并且触发IVD的增加（iv）。当该机动实现时，也就是当IVD回到其原始值时，该排继续驾驶（v）。在实施例中，排由五个卡车组成，这五个卡车在测试回路上驾驶，如图4中图示。图4图示了场景快照：（a）测试轨迹设施的仿真模型、以及（b）对该实施例中的五个卡车的排的放大。

该场景被划分成100s的三个时段：（i）；（ii-iii）和（iv-v）。阶段（ii）至（iv）的实际持续时间取决于所实现的机动策略，并且是这些实验的结果。除了实现标准化的实验过程之外，阶段（I）和（iii）还提供了稳定时段。在该时间触发的实现方式中所收集的数据允许开发用以处理实际PQoS时间序列的策略。每个实验事实上产生了两个机动时间和两个机动燃料消耗。

在该研究中，在I. Navarro、F. Zimmermann、M. Vasic和A. Martinoli的“Distributed graph-based control of convoys of heterogeneous vehicles usingcurvilinear road coordinates”（19th IEEE Int. Conf. Intell. Transp. Sys.（ITSC），2016年，第879–886页）中提出的用于IVD适配的纵向控制器在机动时间和燃料效率方面被扩展。与传统协作式自适应巡航控制（CACC）相比，这种控制策略的优点是编队对不稳定的通信链路更加鲁棒。对使用这种控制策略以用于紧急制动的通信系统的要求的首次研究被提出在I. Llatser、G. Jornod、A.Festag、D. Mansolino、I. Navarro和A.Martinoli的“Simulation of cooperative automated driving by bidirectionalcoupling of vehicle and network simulators”（IEEE Intell. Veh. Symp.（IV），2017年，第1881–1886页）中。

在实施例中，分布式控制算法基于拉普拉斯控制原理，参见M.Mesbahi和M.Egerstedt的“Graph theoretic methods in multiagent network（多智能体网络中的图论方法）”（Princeton University Press，2010年，vol. 33）。

每个车辆使用以下等式来计算其目标速度：

其中s是Frenet-Serret框架中的位置向量，b是定义了编队的偏置向量，并且v _g是由标量目标群组速度组成的向量。L是拉普拉斯矩阵，其被定义为：

其中I和W分别是由车辆自组织网络（VANET）组成的图的关联矩阵和权重矩阵。该图的节点是车辆，并且其边缘是通信链路。

实施例可以增强偏移和偏置机制。在I. Navarro、F. Zimmermann、M. Vasic和A.Martinoli的“Distributed graph-based control of convoys of heterogeneousvehicles using curvilinear road coordinates”（19th IEEE Int. Conf. Intell.Transp. Sys.（ITSC），2016年，第879–886页）中提出的原始算法中，相对于作为前部车辆的参考车辆来计算该偏移和偏差。该定义适用于车队的创建和维护，甚至更多的是当车队由各种各样的车辆组成时。当涉及到IVD的修改时，根据所执行的机动（增加或减少IVD）、空气动力学参数和优化目标来优化该参考点的位置是令人感兴趣的。事实上，在一方面，使参考处于该排的中间会将机动时间除以二。在另一方面，在减少IVD时使参考处于后面并且在增加IVD时使参考处于前部是更加燃料高效的。图5图示了目标和机动的组合的简单示例。

图5图示了实施例中的参考放置，其针对如下：在IVD闭合机动期间，与（c）在前部的传统参考相比，（a）在参考处于后部的情况下的燃料消耗优化、（b）在参考处于中心的情况下的机动持续时间优化。针对每个参考示例，图5包括燃料消耗时间序列、速度时间序列、以及参考对机动的影响的图示。在燃料消耗时间序列中，简单曲线表示不考虑空气阻力情况下的瞬时消耗。在右上角，还给出了该排在50s实验内的总体消耗。考虑到在先的车辆所引起的空气阻力减少的瞬时燃料消耗由低不透明度曲线来表示。在速度时间序列中，指示了机动时间T_M。在参考图示（针对每个子部分的第三个）中，驾驶方向是从左向右，并且水平箭头表示加速度的方向。

在下文中，描述了实施例中的用于评估燃料消耗与机动时间之间的关系的可变参数。在实施例中，然后，在呈现用于突出显示HDPL的益处的燃料消耗模型评估之前，描述了针对这两个目标的计算方法。

在一些实施例中，控制策略具有三个独立的特征：（i）成排控制器、（ii）本地控制器和（iii）命令输入验证。随后将描述成排控制器，其使得能够实现群组行为。本地控制器将从成排控制器接收到的速度转换成加速度命令。最后，命令输入验证确保该速度和加速度命令不违反动力学约束。

图6图示了实施例中的排输入参数和时间目标。这些速度曲线所对应的机动采用中心卡车作为参考，因此r=0.5。针对卡车0和4描绘了控制增益k_l的影响。速度和加速度分别被限制到v_g±Δv和±a_max。虽然机动时间由偏差阈值定义，但是也可以在图6中观察到机动时间。

图6利用IVD改变的速度曲线图示了下文中描述的参数。在允许实现这两个目标之间的折衷的实施例中，可以应用不同的成排策略。在车辆数量为奇数的排中，三个示例策略是前部、中间、后部参考，它们进一步分别被称为

。该变量用于作为

来查找参考车辆索引，其中N _v表示该排中的车辆数量（该编号从0开始）。在一般情况下，参考点不限于车辆，并且可以被放置在该排内的任何地方。

控制增益是本地控制器的参数，并且决定了该算法对当前编队与目标编队之间的差异的容忍程度。在合理的值区间内，较大的控制增益k _l将以潜在的较大燃料消耗为代价来实现更快的机动。

该排中的车辆具有固有动力学限制，诸如最大速度和加速度能力，这是由于它们的机械属性引起的。除此之外，还施加了在目标排速度周围的一些最大和最小速度，以及最大和最小加速度。这两组参数决定了机动期间的速度曲线的形状，该形状是在平稳状态（plateau）的高度以及速度增加和减少的斜率方面。为了降低问题的复杂性，在目标速度v_g=25m/s周围使用对称值v_g±Δv，以及在0m/s²周围使用对称值±a_max。这两个参数对目标有不同的影响。例如，急剧加速在燃料消耗方面具有相对高的成本，但是减少了速度改变时间。此外，较小速度操作区域限制了加速阶段的消耗，但是产生了较长时间的机动。

一些实施例可以针对两个目标，最小化机动时间和最小化燃料消耗。前者对于通信系统是感兴趣的，这是因为它驱动了PQoS的预测范围。后者是成排系统的固有目标，即减少燃料消耗。

1）机动持续时间：机动时间T_m可以被定义为触发IVD改变（T_t）与达到该目标的时间之间的持续时间。这在以下情况时发生：

，

其中针对节点i的局部图，

（见等式（1）），并且ε是容差值（tolerance value），该容差值在所呈现的结果中是1m。

与针对每个车辆的IVD与目标IVD之间的平均偏差有关。持续时间的导出如图7中所图示。图7图示了实施例中的作为时间的函数的图偏差以及机动持续时间T_m的导出。为了表示的目的，已经夸大了ε的值。

可以观察到的波动（例如，针对卡车0和3的在12s左右的波动）对应于局部图中的节点数量的改变，通常是在IVD减少机动中的增加。在图6中还表示了机动持续时间，这是因为卡车速度的稳定性还对应于目标编队的实现。

2）机动成本：机动成本C是该排在该机动期间的总燃料消耗，被表示为与未执行该机动的相同排的燃料消耗的差。因此，每个参数的集合被第二次应用以获得基线。因此，在一些实施例中，相对燃料消耗被计算如下：

其中C是相对机动成本，C_k是机动期间的总燃料消耗，其中C_m和C_b分别对应于机动和基线。

类似地，C _i,k和c _i,k是卡车i的总燃料消耗和瞬时燃料消耗。为了计算卡车的瞬时消耗，一些实施例依赖于交通仿真器SUMO的燃料消耗模型，即在S. Hausberger和D.Krajzewicz的2014年2月的“COLOMBO Deliverable 4.2：Extended Simulation ToolPHEM coupled to SUMO with User Guide”中描述的HBEFA3/HDV_TT。

然后，其通过使用针对燃料消耗、速度、加速度和IVD的所记录的时间序列以及阻力模型针对空气阻力增益而被校正。

在下文中，将更详细地描述在一些实施例中针对HDPL使用的燃料消耗模型。卡车成排的预期增益是减少的总体燃料消耗。它是由每个排成员所经历的减少的空气阻力来实现的。集成在微观车辆仿真器中的燃料消耗模型通常会考虑诸如速度和加速度之类的个体车辆参数。在HDPL系统中，卡车所经历的空气阻力也强烈地依赖于其他排成员。因此，可以开发空气阻力校正策略，将如下各项作为针对每个卡车的输入：

（i）考虑了个体空气阻力的燃料消耗；

（ii）IVD；以及

（iii）该排内的位置。

首先，对Alam等人在[1]、[17]中提出的模型进行线性化，[1]是A. Al Alam、A.Gattami和K. H. Johansson的“An experimental study on the fuel reductionpotential of heavy duty vehicle platooning”（13th Int. IEEE Conf. on Intell.Transp. Syst.（ITSC），2010. IEEE，2010年，第306–311页），[17]是A. El Alam的“Fuel-efficient heavy-duty vehicle platooning”（Ph.D. dissertation，KTH RoyalInstitute of Technology，2014年），该线性化突出显示了与HDPL系统参数的关系。其次，解释了输入时间序列是如何被处理的以便考虑减少的空气阻力。

最后，获得可以用于上述等式（3）中的校正的燃料消耗。Alam的模型包含环境以及卡车特定的参数：

= F _牵引－F _滚动－F _重力－F _空气阻力－F _制动， (6)

其中加速度为a并且车辆质量为m。要注意的是，假设不能够同时经历主动牵引和制动力。滚动阻力、重力影响以及空气阻力由以下等式给出：

F _滚动 =

F _重力 =

F _空气阻力 =

其中，c _r、g和

分别是滚动阻力系数、重力常数以及道路坡度。此外，c _D是空气阻力系数，A _a是车辆的最大横截面积，并且

是空气密度。要注意的是，因为

在我们的仿真设置中为空，所以F _重力也为空。为了一般化起见，将继续在下文中表示它。非线性空气阻力比

是燃料节省的本质。

是IVD的函数，但是还考虑了车辆在该排内的位置。当没有经历任何阻力时，

→0；当车辆由于在先的卡车而无法从减少的空气阻力中受益时，

=1。其导出被提出在P. Vegendla、T. Sofu、R. Saha、M. M. Kumar和L.-K. Hwang的“Investigation of aerodynamic influence on truck platooning”（SAE TechnicalPaper，Tech. Rep.，2015年）中。

因此，瞬时空气阻力校正的燃料消耗c _i,k可以被表示为：

是仅考虑个体车辆的瞬时燃料消耗，即在恒定空气阻力

=1的情况下，

是来自IVD相关的空气阻力的节省：

ma + F _滚动 + F _重力 + F _空气阻力

在（12）中，

是通过将IVD、该排内的位置以及速度与空气阻力比的表相链接而获得的，该空气阻力比被提供在H. Wolf-Heinrich和S. R. Ahmed的“Aerodynamics of roadvehicles”（Society of Automotive Engineers，1998年）中并且由图8所图示。图8图示了实施例中的针对排中的五个卡车的作为IVD的函数的空气阻力比。假设第四和第五个卡车经历了与第三个卡车相同的空气阻力比。1的空气阻力比对应于单独驾驶的卡车，该卡车未经历来自其他成排卡车的任何好处。

要注意的是，由于

，因此

。分别利用平坦和透明的曲线在图5中图示了

和c _i,k。

则是对应曲线之间的垂直距离。通过使用等式（5）中引入的相对成本函数，可以研究HDPL的增益，并且可以比较不同的机动。使用该模型，可以根据初始和最终距离来计算在五个卡车的情况下执行HDPL的净增益，并且在图9报告了结果。图9示出了实施例中的针对各种初始IVD的作为最终IVD的函数的相对燃料节省。以百分比的近似对应关系作为次轴（secondary axis）而给出。

特别是地，在5个卡车的情况下，与以30m进行的成排相比，以5m来执行HDPL是2.2mL/s。这些值将用于计算接下来的场景中的针对机动燃料投入的补偿时间。这随后允许将燃料投入转化成补偿时间，并且反之亦然。当涉及到针对两个目标——最小化燃料消耗和机动时间的优化时，这是特别有用的。

首先，将描述仿真参数。将执行两组实验。第一组允许针对初始和最终IVD的一个组合来密切地研究机动持续时间与燃料消耗之间的关系。还研究了燃料消耗对这种关系的影响。利用从这些结果中收集的见解，可以概括出针对初始和最终IVD的多个组合的关系。

可以利用耦合的交通和网络仿真器来运行HDPL场景，该仿真器具有SUMO和ns-3。在ns-3的先前部分中直接描述了所实现的控制策略。利用ns-3的追踪能力，可以针对控制参数的组合来收集瞬时IVD、速度、燃料消耗和图偏差时间序列。

在第一阶段中，可以针对初始和最终IVD的特定组合来研究控制参数的影响。在第二阶段中，所收集的见解可以用于第一阶段中，以将结果扩展到初始和最终IVD的多个组合。这些参数被总结在下面的表1中，从而产生了总共1800个实验，包括基线，该表1如下：

。

然后，对这些时间序列进行处理，以便获得总燃料消耗和机动时间。选择将目标排速度设置为23m/s=90km/h，这是因为它允许提供与实际基线的公平比较。事实上，多个卡车在90km/h的速度下、以30m的IVD驾驶的情形可以在高速公路上观察到。它具有的缺点是：造成了卡车速度超过某些国家的最高法定速度的情形。考虑到尚未允许以30m的IVD进行自动驾驶，提供这些结果是出于揭示HDPL的潜力的目的。

一些实施例根据PQoS时间序列来导出针对闭合和打开机动的策略选择。这种选择是由两个同时存在的目标所驱动的，这两个目标即燃料消耗的最小化（减少）和机动时间的最小化。事实上，对于总体问题而言，机动时间越长，必须执行更早且更快的打开机动的风险就越高。由于所提供的PQoS中的低置信度，风险是较高的。

图10示出了当没有应用任何阻力校正时的针对两个机动的相对燃料消耗与机动时间之间的关系。图10示出了实施例中的针对不同参数组合的（a）闭合间隙机动和（b）打开间隙机动的不具有阻力校正的性能评估。不同的标记描绘了CACC算法的不同版本：相应地，弹丸形（bullet）代表传统的前部参考；正方形代表针对时间优化的中心参考；以及菱形代表后部参考，

。标记的大小与最大速度偏差

成比例。粗曲线指示近似的帕累托前沿（Pareto front），帕累托前沿即如下线：在该线上，一个目标的改进是随着另一个目标的恶化而获得的。

该组结果表明：以燃料消耗中的200mL增加为代价，可实现20s的闭合机动。相反的机动示出了类似的结果，其中最小机动时间为30s。该更大的最小机动时间是由控制器的固有性质造成的，当IVD较大时，控制器针对IVD偏差更加灵活。另一个值得注意的差别是：有可能在负的相对燃料消耗的情况下执行打开机动。这可能是由于一些卡车以低速度变化进行减速而造成的。然而，具有这种性质的机动是最慢的，持续时间超过50s。

针对相同的Δv，中间参考始终胜过其他两个参考，但以更大的燃料消耗为代价。如所预期的，用于将间隙闭合的“追赶”（前部参考）将比减速消耗更多的燃料，并且反之亦然。针对策略选择的令人感兴趣的结果是跨两个机动的前部与后部参考之间的近似对称性（在图10中用椭圆和罗马数字来突出显示）。例如，通过在两个参考之间切换，有可能在80秒内执行这两个机动，同时投入少于300mL。

允许更大的Δv通常会减少机动时间，同时增加燃料消耗。与最大加速度和控制增益相比，该参数对这两个目标具有最大和最显著的影响（为了可读性的目的，在图11中未突出显示这些参数）。针对第二组结果，在计算这些度量之前，将阻力校正模型应用在时间序列上。图11提供了针对两个机动的两个度量之间的关系。

图11图示了实施例中的针对不同参数组合的在（a）闭合间隙机动和（b）打开间隙机动的具有阻力校正的性能评估。标记形状和大小方案与先前的图相同。已经用虚线添加了未校正的结果的近似帕累托边界，以用于比较目的。一旦应用了上述校正，在前一组结果的描述和分析中突出显示的趋势通常会保持不变。

当减少IVD时，可以观察到针对最快机动的相对燃料消耗中的50mL差异。对于较慢的机动而言，该差异较小，较慢的机动达到了140mL。该表现是由于如下事实：当以较慢的方式达成其目标编队时，这些机动已经从减少的阻力中受益。如果计算固定时间段内的相对燃料消耗，则该差异将在很大程度上被补偿。另一个值得注意的特征是：针对前部参考数据点的差异大于针对后部参考的差异。事实上，当前部车辆首先靠近时，该益处更大。

打开机动示出了对机动时间的校正的较小依赖性。这些在中间和前部参考的50和60mL之间是稳定的。在这里，后部参考机动从HDPL中受益最大，这是因为前部卡车将小的IVD保持更长时间。图11还指示了补偿燃料投入（使用上述值2.92mL/s）所必要的HDPL时间。快速机动往往会产生非常高的补偿时间，从而促使找到考虑可用PQoS时间序列的折衷。

先前的仿真结果示出了HDPL机动参考和速度边界在打开和闭合机动中的持续时间和燃料消耗方面的重要性。这些结果的一个明显限制是如下事实：仅能够基于一个初始IVD和一个最终IVD来关于HDPL的益处做出决定。可以分别研究初始IVD和最终IVD、d _i和d _f的新组合：

{10, 15, 20, 25, 30}m和

{5, 10, 15, 20, 25}m，其中d _i＞d _f，如上面的表连同其他阶段II参数所报告的那样。该新的一组实验的所选结果被呈现在图12中。

图12示出了扩展的实施例仿真的所选结果：针对（a）前部参考、（b）中间参考和（c）后部参考的针对固定初始IVD d _i=30m的闭合机动；以及（d）针对固定最终距离d _f=5m的中间参考打开机动。标记形状对应于最终IVD（a-c）和初始IVD（d）。标记的大小与最大速度偏差

m/s成比例。

子图（a-c）示出了在d _i=30m情况下的针对闭合机动的相对燃料消耗与机动时间之间的关系。可以观察到这两个度量之间的依赖性中的一般趋势：度量对沿着每对{d _i, d _f}的前沿放置。该趋势类似于先前结果集合中描述的近似帕累托前沿。还可以观察到的是，参数Δv驱动了沿着前沿的值，即，增加Δv减少了机动时间，同时增加了相对燃料消耗。这三组结果也说明了参考的主要影响：与前部参考相比，后部参考减少了燃料消耗，同时对机动持续时间几乎没有影响，而中间参考略微减少了燃料消耗，但是将机动时间几乎除以二。

子图（d）提供了在固定d _f=30m情况下的针对中间参考打开机动的结果。尽管不太明显，但是上述趋势也成立。这些观察结果可以用作用于开发如下模型的动机：该模型将在给定{d _i, d _f}对、参考r和最大速度偏差Δv的情况下提供相对燃料消耗和机动持续时间。

在给定PQoS时间序列的情况下，计及闭合和打开机动的燃料消耗和持续时间，实施例可以针对HDPL提供最佳或改进的策略。第一步是将PQoS时间序列转化成考虑了排的安全性的最小允许IVD。这种转化的示例被提供在A. Pfadler、G. Jornod、A. El Assaad和P.Jung的“Predictive Quality of Service：Adaptation of Inter Vehicle Distanceto Packet Inter-reception Time for HDPL”（IEEE 91st Veh. Technol. Conf.（VTCSpring）.IEEE，2020年，审稿中）中，以用于分组间接收时间（PIR）QoS指示符。

该转化步骤的结果可以被表示为一对值——有利时间T _F和最小IVD允许d _m。T _F表示所允许的d _m的持续时间。目的是针对闭合和打开机动来选择最终IVD d _f以及对应的r和Δv。如果有可能在持续时间T _F内执行打开和闭合机动并且节省燃料，该排应当仅将其IVD改变成d _f，其中d _i> d _f≥ IVD _min。d _i表示初始IVD，并且是该排在开始机动之前的IVD。假设在HDPL机动之后，该排以同一距离为目标。

来自HDPL的主要益处之一是燃料节省。实施例可以旨在最大化该益处，同时注意由QoS时间序列所施加的约束，即d _m和T _F，它们是最小可驾驶IVD、以及在其期间有可能以最小可驾驶IVD来驾驶的时间。优化问题可以被公式化为：

其中F _S是扣除所有机动投入之后的有效燃料节省。F _S可以作为不同机动参数的函数而导出。可以提出针对机动燃料投入与时间之间的关系的连续模型。可以应用进化算法以解决该问题并且呈现其结果。

为了提供对（13）的解，需要研究F _S对机动参数的依赖性。F _S是所选目标IVD d _f的燃料节省率

以及有效燃料节省时间T _H的函数；

其中

，如图9所描述的那样。有效燃料节省时间T _H等于在其期间HDPL受益于小IVD的时间。它考虑了所有机动投入，例如将间隙闭合和打开的成本。考虑这些机动投入作为针对打开和闭合机动的补偿时间。补偿时间对应于如下时间：在该时间期间，HDPL必须维持其目标IVD以节省足够的燃料来补偿机动燃料投入。针对闭合和打开机动的补偿时间可以分别被表示为

和

。这两者是通过将机动相对燃料消耗C除以燃料节省率

来获得的，燃料节省率

取决于所选的d _f。

。

计及机动时间，T _H可以被表示为有利时间T _F的函数：

其中

和

分别是闭合和打开机动的持续时间。先前部分中呈现的结果支持：对于参数的某些组合，补偿时间可以为空或负。在机动期间，不消耗任何燃料或甚至节省燃料事实上是可能的，在这种情况下，T _H包括机动时间的一部分。下表总结了所涉及的不同持续时间，并且图13图示了它们对IVD的依赖性。

。

图13是实施例中的在成排到HDPL与从HDPL返回到成排之间的转换期间的IVD的说明性表示。它表示闭合和打开机动期间的IVD、每个机动补偿时间和燃料节省持续时间。为了计算相对燃料消耗，不执行任何机动的排可以用作基线。当针对打开和闭合机动的参考相同时，总体行驶距离保持与基线相同。然而，当使用不同的参考时，该行驶距离是不同的（见图3和14），并且需要被考虑。事实上，该排将消耗燃料以行驶正的距离差，或者在距离差为负时节省燃料。

图14示出了实施例中的参考组合对最终距离预算的影响的图示。该示例示出了三个卡车的排，该排在不同参考的情况下执行打开机动和闭合机动。取决于组合，与基线相比，该排将具有“赢”或“输”的距离，就像上面关于图3详细描述的那样。为了在分析中将其加以考虑，引入了行驶距离补偿时间

。其对应于如下时间：在该时间期间，HDPL必须维持其目标IVD以补偿与距离差有关的燃料。

具有与距离差相反的符号。负的

则等同于扩展T _H。

被计算如下：

其中

是卡车i在IVD d = d _f以及r _c、r _o = {0, 0.5, 1}下的基线瞬时燃料消耗。

根据先前部分中的结果，可以看出，机动时间和机动燃料消耗取决于参考、最大速度偏差、初始和最终IVD。与这两个参数相比，增益和最大加速度偏差具有可忽略不计的影响，并且在下文中被忽略。补偿时间取决于燃料消耗和燃料节省率，燃料节省率本身取决于初始和最终IVD。优化问题可以用以下形式被公式化：

其中索引c和o对应于闭合和机动。将d _i固定到该排的原始目标IVD，获得了

中的五个自由度。为了能够在给定PQoS时间序列的情况下优化燃料节省，参数需要与机动的持续时间和燃料消耗有关。在实施例中，可以计及燃料消耗作为补偿时间。可以导出针对

、

、

和

的连续模型。

在下文中，将针对实施例来描述机动性能建模。在描述仿真的扩展结果时、以及在先前段落中，促使了对产生相对燃料消耗和机动持续时间的模型的设计。该建模应当基于初始和最终IVD、参考和最大速度偏差。

在一些实施例中，参见R. Tibshirani的“Regression shrinkage and selectionvia the lasso”（Journal of the Royal Statistical Society（Series B），vol. 58，第267–288页，1996年）的最小绝对收缩（shrinkage）和选择算子（Lasso）模型被拟合到数据。Lasso是一种回归方法，该回归方法执行变量选择和正则化步骤来改进预测准确度。在最小二乘回归之上，Lasso在阈值下来约束系数绝对值的总和。作为结果，对所预测的变量具有小影响或没有影响的参数的系数被设置为零或接近零。该约束实现了正则化和变量选择两者。考虑p个协变量

、以及单个结果y，使用以下最小化来计算Lasso参数

：

其中β是系数向量，X是观察矩阵，并且λ是调整参数，即表示收缩惩罚的正的常数或空的常数。Lasso是一种单变量分析方法：因此，两个观察变量——持续时间和相对燃料消耗必须被分离地建模。

当执行闭合机动时，该排在机动结束时比在开始时节省了更多的燃料。这通过IVD时间序列的形状而被强化（这可以从图7中的图偏差时间序列中推导出）。事实上，该机动的更长时间部分由于控制器的成比例部分的行为而在小IVD的情况下发生。打开机动是相反的，这是因为它以最有利的IVD开始，然后迅速地远离它移动。在相同的条件（初始和最终IVD、以及参考）下，两个机动采用近似相同的持续时间，但是打开机动比闭合机动节省更多，如在比较图12（b）和12（d）时有可能注意到的那样。

在车辆移动方面，每个机动参考会引发不同的行为。这在一方面影响了空气动力学条件变化并且因此影响燃料消耗，并且在另一方面影响机动持续时间。前部和后部参考通常产生类似的持续时间和不同的消耗（其具有对称性，如图10中突出显示的那样）。中间参考通常产生最短时间的机动，如图11所示。

参考（前部、中间、后部）和机动类型（打开和闭合）可以被认为是分类变量。在Lasso模型中计及这些特征作为连续变量会极大地削弱该建模的性能。可以通过针对两个目标值拟合六个模型（三个参考乘以两个机动）来考虑这些分类变量。这导致了12个回归模型。

这些回归的输入是初始和最终IVD（分别是d _i和d _f）、以及速度边界Δv。观察先前部分中呈现的结果中的不同点的形状，目标变量示出了对速度边界的多项式依赖性（polynomial dependency）。考虑到Lasso回归的正则化特征，可以在没有过拟合的风险的情况下采用我们的特征的多项式组合。为了确立多项式组合的次数（degree）以及收缩惩罚λ，可以用k倍交叉验证来进行穷尽式网格搜索。确定系数r²可以用作评分函数，并且k=3。如果针对12个模型，多项式的次数几乎始终是3，则λ的最佳值是变化的。这加强了针对所有12个模型的网格搜索的使用，而不是仅在一个模型上拟合超参数。

针对分类变量、参考和机动类型的每个组合，可以获得将目标特征与三个预测因子相链接的连续模型。图15呈现了针对前部参考闭合机动和中间参考打开机动的示例性结果。

图15图示了在使用Lasso回归模型的实施例中的通过机动的持续时间和相对燃料消耗的图形组合而创建的表面模型。实线表示对d _i和d _f组合进行仿真的模型的结果。虚线表示未被仿真的机动的一些示例，并且该性能是使用连续模型来获得的。每个对应线的顶部（实线）或底部（虚线）上表示固定的d _i。（a）中的实线对应于该模型对图12（a）中表示的相同d _i和d _f组合的连续结果，并且（b）中的实线对应于该模型对图12（d）中表示的相同d _i和d _f组合的连续结果。

在该结果集合中，d _f=5m是固定的，以用于表示目的。为了说明所得模型的插值能力，除了针对所仿真的初始IVD值的结果之外，还示出了针对未知值对该模型的结果。取决于初始IVD的曲线位置的演进证实了在图12中呈现的结果的分析中所收集的见解。

所获得的Lasso回归可以允许获得针对机动（闭合和打开）、参考（前部、中间、后部）、以及初始和最终距离的每个组合的相对燃料消耗和机动持续时间，其中

，

，并且d _i>d _f。将等式（15）应用在所获得的燃料消耗上，可以针对输入参数

的任何组合来计算F _S。

为了验证后一个约束，所获得的回归模型可以用于计算燃料消耗和机动持续时间。出于功能安全性原因，可以假设在满足通信要求之前不应当开始闭合机动。类似地，在满足通信要求的同时应当完成打开机动。

在给定PQoS时间序列并且将其转化成最小IVD时间序列的情况下，该时间序列可以用两个值来描述，d _m和T _F。先前段落中描述的目标函数具有如下缺点：其在考虑不同参考时是不可微的。目标函数的该特性阻止了使用任何基于梯度的方法，诸如梯度下降和拟牛顿方法。为了在（18）中找到最大化燃料节省的五个参数，一些实施例使用密集搜索优化算法。

可以使用粒子群优化（PSO），这是一种执行迭代随机优化的进化算法，参见J.Kennedy和R. Eberhart的“Particle swarm optimization”（1995 Int. Conf. NeuralNetworks （ICNN’95），vol. 4，1995年11月，第1942–1948页 vol.4）、以及Y. Shi和R.Eberhart的“A modified particle swarm optimizer”（1998 IEEE InternationalConference on Evolutionary Computation Proceedings. IEEE World Congress onComputational Intelligence（Cat. No.98TH8360），1998年5月，第69–73页）。

在PSO中，候选解的集合被称为粒子群。粒子根据它们的位置和速度在多维搜索空间中导航。在每一步骤处，这些粒子是取决于它们自己的最佳经验、以及种群最佳经验和随机参数而更新的。全局和局部最优的组合、以及在更新中对随机性的使用尝试避免该搜索陷入局部极小值。然而，PSO是一种元启发式算法：它可以获得良好的解，但是无法保证全局最优解。

在每次迭代k时，根据以下等式来更新粒子位置向量x和速度向量v：

其中w是权重因子，并且对应于粒子的惯性；c ₁和c ₂是常数，并且分别确定粒子和群组经验的影响；r ₁和r ₂是两个随机数，它们是在每次应用等式（21）时从均匀分布U(0,1)中得出的；p _lb（相应地，p _gb）是其中粒子（相应地，粒子群）具有最佳性能的位置。w、c ₁和c ₂是需要预先设置的超参数。此外，PSO还需要定义种群大小N和迭代次数I。搜索空间维数D对于该优化问题是固有的。最后，在等式（20）和（21）中，位置被限制到边界框，并且每个速度分量被限制到绝对速度最大值。算法1总结了该算法的运作，具有位置、速度和最佳位置更新。

算法1：粒子群优化（PSO）

1 目标函数g(x)；

输入：N、I、D、v _max

输出：全局最佳位置p _gb

2 初始化位置和速度；

3 for 每次迭代k = 1……I do

4 for 每个粒子i = 1……N do

5 计算目标函数

；

6 实现全局和局部最佳位置；

7 for 每个维度d = 1……D do

8 计算速度

9 更新粒子位置

10 end

11 end

12 end

可以使用用于超参数优化的基于网格搜索的方法。目标函数可以被设置为评分方法。搜索网格可以被应用于有利持续时间T _F、初始IVD d _i和最小IVD的若干个组合。所选的超参数元组是使PSO最频繁地产生最佳解的元组。

在一些实施例中，最终目标可以是针对闭合和打开机动选择一组参数，该组参数将最大化燃料节省，并且进而导出预测范围值。为此，可以利用不同组的T _F和d _m来执行优化。可以作为针对不同值d _m的函数T _F来观察燃料节省，并且燃料节省获得预测范围的数量级。

图16示出了在最小IVD d _m=5m和初始IVD d _i=30m情况下的燃料节省优化的结果。图16示出了实施例中的针对d _f=5m的作为有利时间的函数的燃料节省百分比。每个曲线表示针对闭合和打开机动的参考的组合。可以观察到的是，在大多数时间处，中间参考的组合得到了最高的节省。就在其下面，在大多数时间处也是中间和后部参考的组合。最后，传统的前部参考表现得最差。

在这里，5m是最小约束，该排可以以d _m与d _i之间的任何IVD为目标。最大燃料节省通常可以通过包含所提议的中间参考策略的组合来实现。此外，当T _F=100s时，燃料节省非常接近于0%，从而针对有利时间和针对预测范围提供了近似最小值。一般来说，对于所有机动而言，所有策略都胜过利用前部参考的传统方法。最后，所有曲线趋于平稳状态。该平稳状态表示最大燃料节省百分比，当机动成本与在低IVD下节省的燃料相比变得可忽略不计时，就达到了该最大燃料节省百分比。这发生在600s周围，这意味着在90km/h的速度下，排需要在机动成本变得可忽略不计之前行驶15km。

实施例基于对机动策略的上述研究，以在进行高密度成排时实现燃料效率。实施例可以使用排控制系统中的参考放置的概念，以在该问题的两个目标——燃料消耗与机动持续时间最小化之间进行平衡。可以作为不同机动参数的函数来研究这两个度量之间的关系。实施例可能不仅考虑了通过以较小前进间距进行驾驶而实现的燃料节省，而且还考虑了通过开发燃料消耗校正方法而在机动期间实现的燃料节省。可以示出的是，一些策略在执行机动时实现了燃料节省，但以更长的机动持续时间为代价。该校正模型还允许将机动的燃料消耗与补偿时间相链接。

在一些实施例中，使用这些结果，可以计算对于预测性服务质量系统的所需预测范围。该时间取决于在未来有利的服务质量将出现多长距离，这是因为它驱动了最小机动时间。在一些实施例中，可以使用在分组间接收时间预测时间序列上的该预测范围导出的应用。可以示出的是，考虑到服务质量是在没有任何成本的情况下提供的，为了实际上以5m的最小IVD来实现燃料效率，排需要未来100s左右的推测（projection）。

这些结果针对高密度成排系统的范围内的服务质量预测系统提供了预测范围要求。与提供了考虑到未来服务质量的可行车辆间距离的系统相链接，该决策策略在一些实施例中将是针对敏捷服务质量适配的使能器。

本领域技术人员将容易地认识到，各种上面描述的方法的步骤可以通过经编程的计算机来执行，例如可以确定或计算时隙的位置。在本文中，一些实施例也意图涵盖程序存储设备，例如数字数据存储介质，该程序存储设备是机器或计算机可读的并且对机器可执行或计算机可执行的指令程序进行编码，其中所述指令实行在本文中描述的方法的步骤中的一些或全部。程序存储设备可以是例如数字存储器、诸如磁盘和磁带之类的磁存储介质、硬盘驱动器、或光学可读数字数据存储介质。实施例也意图涵盖被编程成执行在本文中描述的方法的所述步骤的计算机，或者涵盖被编程成执行上面描述的方法的所述步骤的（现场）可编程逻辑阵列（（F）PLA）或（现场）可编程门阵列（（F）PGA）。

说明书和附图仅说明了本发明的原理。因此将领会的是，本领域技术人员将能够设想尽管未在本文中明确地描述或示出但是体现了本发明的原理并且被包括在其精神和范围内的各种布置。此外，本文中记载的所有示例原则上明确地意图仅用于教学目的以协助读者理解本发明的原理、以及由（一个或多个）发明人推动本领域所贡献的概念，并且应被解释为不限于这种具体记载的示例和条件。此外，在本文中记载本发明的原理、方面和实施例以及其特定示例的所有陈述都意图涵盖它们的等同方案。当由处理器提供功能时，这些功能可以由单个专用处理器、由单个共享处理器、或由多个单独的处理器（它们中的一些可以是共享的）来提供。此外，不应当将术语“处理器”或“控制器”的明确使用解释成排外性地指代能够执行软件的硬件，并且可以隐含地包括但不限于数字信号处理器（DSP）硬件、网络处理器、专用集成电路（ASIC）、现场可编程门阵列（FPGA）、用于存储软件的只读存储器（ROM）、随机存取存储器（RAM）和非易失性存储装置。还可以包括常规的或定制的其他硬件。它们的功能可以通过程序逻辑的操作、通过专用逻辑、通过程序控制和专用逻辑的交互、或者甚至手动地来执行，特定技术可由实现者来选择，如根据上下文更具体地理解的那样。

本领域技术人员应当领会的是，本文中的任何框图都表示体现本发明的原理的说明性电路的概念上的视图。类似地，将领会的是，任何流程图、流程图解、状态转移图解、伪随机代码等等表示如下各种过程：该各种过程基本上可以在计算机可读介质中表示并且因此由计算机或处理器执行而不管这种计算机或处理器是否被明确示出。

此外，将以下权利要求在此结合到具体实施方式中，其中每个权利要求都可以独立作为单独的实施例。虽然每个权利要求都可以独立作为单独的实施例，但是要注意的是：尽管从属权利要求在权利要求书中指代与一个或多个其他权利要求的特定组合，但是其他实施例也可以包括从属权利要求与每个其他从属权利要求的主题的组合。本文中提出了这种组合，除非声明了特定组合不是所意图的。此外，意图将权利要求的特征也包括到任何其他独立权利要求中，即使不直接使该权利要求从属于该独立权利要求。

要进一步注意的是，在说明书中或在权利要求书中所公开的方法可以由一设备来实现，该设备具有用于实行这些方法的相应步骤中的每一个的部件。

附图标记列表

10 用于控制多个车辆的排内的机动的方法

12 接收与该排的机动有关的信息

14 确定关于该机动的燃料效率的信息

16 基于关于燃料效率的信息来决定是否执行该机动

20 用于控制多个车辆的排内的机动的装置

22 一个或多个接口

24 控制模块

100 车辆/网络组件

102 车辆

400 移动通信系统

Claims

1.一种用于控制多个车辆（100；102）的排内的机动的方法（10），所述方法（10）包括：

接收（12）与所述排的机动有关的信息；

基于从初始状态机动到机动目标状态的燃料消耗来确定（14）关于所述机动的燃料效率的信息，保持机动目标状态，以及从机动目标状态恢复到初始状态；以及

基于关于燃料效率的信息来决定（16）是否执行所述机动。

2.根据权利要求1所述的方法（10），其中所述机动是高密度成排机动，针对所述高密度成排机动，基于车辆之间的通信等待时间来确定机动目标状态的车辆间距离。

3.根据权利要求2所述的方法（10），进一步包括基于所述排中的车辆间通信的预测服务质量来确定机动目标状态的车辆间距离。

4.根据前述权利要求中的一项所述的方法（10），其中关于燃料效率的信息进一步基于从初始状态机动到机动目标状态、保持机动目标状态、以及从机动目标状态恢复到初始状态的总体持续时间。

5.根据前述权利要求中的一项所述的方法（10），其中所述确定（14）包括：确定机动目标状态的有效时间，其中所述有效时间基于从初始状态到机动目标状态的机动、机动目标状态的保持、以及从机动目标状态到初始状态的恢复。

6.根据权利要求5所述的方法（10），其中所述确定（14）包括：基于机动目标状态的有效时间和机动目标状态期间的燃料节省率来确定关于燃料效率的信息。

7.根据权利要求6所述的方法（10），其中确定机动目标状态的有效时间包括：确定从初始状态机动到目标状态的实际时间、以及从初始状态机动到目标状态的补偿时间，并且其中确定机动目标状态的有效时间包括：确定从目标状态恢复到初始状态的实际时间、以及从目标状态恢复到初始状态的补偿时间。

8.根据权利要求7所述的方法（10），进一步包括：针对从初始状态到目标状态的机动以及针对从目标状态到初始状态的恢复来评估不同参考点的不同有效时间，其中参考点指示所述排中的如下车辆：所述车辆形成了对于所述排中的其他车辆的机动参考。

9.根据权利要求8所述的方法（10），其中不同的有效时间导致不同的实际时间和不同的补偿时间，其中补偿时间中的至少一个是负的。

10.根据前述权利要求中的一项所述的方法（10），其中所述多个车辆中的车辆（100；102）使用移动通信系统（400）彼此通信，并且其中所述机动通过移动通信系统（400）中的预测服务质量来确定。

11.根据权利要求10所述的方法（10），进一步包括：基于预测服务质量来确定所述机动的总体持续时间。

12.一种计算机程序，所述计算机程序具有程序代码，所述程序代码用于当在计算机、处理器或可编程硬件组件上执行所述计算机程序时执行根据前述权利要求中的一项所述的方法（10）。

13.一种用于控制多个车辆（100；102）的排内的机动的装置（20），所述装置（20）包括：

一个或多个接口（22），用于与车辆（100；102）的排中的一个或多个车辆进行通信；以及

控制模块（24），被配置成执行根据权利要求1至11中所述的方法之一。

14.一种车辆（100），包括根据权利要求13所述的装置（20）。

15.一种网络组件，包括根据权利要求13所述的装置（20）。