博士学位论文

智能网联环境下高速公路自动驾驶车辆
决策控制研究

专 业 名 称：交通运输工程

研究生姓名： 郑元

导 师 姓 名： 冉斌 教授

曲栩 副教授

本论文受国家重点研发计划项目（2018YFB1600600）资助。
RESEARCH ON DECISION CONTROL OF AUTOMATED
DRIVING VEHICLES ON FREEWAYS UNDER
CONNECTED AND AUTOMATED ENVIRONMENT

A Dissertation Submitted to

Southeast University

For the Academic Degree of Doctor of

Engineering

BY

ZHENG Yuan

Supervised by

Prof. RAN Bin

And

Associate Prof. QU Xu

School of Transportation

Southeast University

Date of Submit August 2020

 摘要

摘要

随着大数据、5G 通信和人工智能等新技术的迅猛发展，智能交通系统正逐
步从传统阶段向“智能网联”阶段过渡，以自动驾驶为核心的新一代智能交通系统
成为当前研究热点。因高速公路行驶环境相对封闭和稳定，以及具有较好的软硬
件设备基础，能够为自动驾驶技术的应用提供优先落地途径。作为新兴自动驾驶
技术，网联自动驾驶车辆近年来得到了学术界的广泛关注，并在理论和实践应用
中取得一定进展，如目前各大汽车企业采用自动化车辆控制系统为主的解决方案。
上述方案本质是在一定程度上车辆即可实现自动驾驶，不需要或少部分需要道路
基础设施协助（如交通控制中心）。但目前针对智能网联初级阶段环境下自动驾
驶关键技术的研究较少，由于通信技术未能大规模进行部署，不能获取全部自动
驾驶车辆状态信息，会增加交通决策复杂性，严重制约这一技术的应用。但在此
智能网联阶段下，高速公路系统通过改造和升级能够具有大范围感知和通信以及
决策优化的能力。在此发展趋势下，车路协同自动驾驶技术提供了一种解决自动
驾驶车辆混合交通流问题的全新思路和实施途径。

本文立足于智能网联初级阶段，以智能网联环境下自动驾驶车辆混合交通流
为研究对象，包括网联自动驾驶车辆（Connected and Automated Vehicle, CAV）、
非网联自动驾驶车辆（Automated Vehicle, AV）和网联自动驾驶车队（CAV Platoon,
CAVP）。介绍智能网联环境下基于自动驾驶的交通系统组成和应用流程，协同车
辆和道路的运营优势，基于反馈控制和最优控制算法，提出基于车路协同决策的
自动驾驶车辆跟驰和换道控制方法。结合 CAVP 中车辆降级/升级特征，设计涵
盖 AV 和 CAVP 驾驶模式切换的一体化 CAVP 分布式控制系统。分析通讯拓扑结
构和控制模式特征，提出基于车路协同决策的 CAVP 分布式和集中式控制方法，
为网联自动驾驶车队的实践应用提供多种解决方案。本文主要内容及成果包含如
下几方面：

第一，对智能网联环境下基于自动驾驶的交通系统组成及其应用架构进行研
究，考虑智能网联环境下道路的升级作用，协同车辆和道路的运营优势，应用基
于车路协同自动驾驶技术的解决方案。首先阐述智能网联环境下基于自动驾驶的
交通系统中道路、车辆和通讯三大关键子系统，以及感知、决策和控制三大自动
驾驶功能。参考国际汽车工程师协会对车辆自动化驾驶的等级定义，本文提出基
于道路的智能分级定义，包括无信息化/无智能化/无自动化（I0）至基于道路基
础设施的完全自动驾驶（I5）六个等级。分析车辆和道路技术水平和发展趋势，
明确本文研究的智能网联初级阶段环境，阐述系统具体的应用流程。

I
 东南大学博士学位论文

第二，提出基于车路协同决策的自动驾驶车辆跟驰控制方法。本文以交通流
量作为优化目标，以车队稳定性为约束条件，从控制模式和信息模式方面进行应
用，其中控制模式分为严格和宽松，信息模式分为车路通信和车路通信+可变信
息板。并考虑多种自动驾驶车辆混合交通流场景开展理论分析和仿真验证。研究
表明相比于严格控制模式，适当地松弛车队头尾稳定性条件，能够对多个 CAV
实现协同控制，从而提高交通流量和确保整体的头尾稳定性。通过增加信息模式
可促进 AV 执行控制指令，从而通过增加控制车辆数目提供更加有效地任务分配
方案，有利于改善交通效率。

第三，提出基于车路协同决策的自动驾驶车辆换道控制方法。适用于通信技
术应用受限的场景，通过道路感知周围车辆的运动状态和预测车辆的控制参数，
从安全、效率和舒适角度构建协同换道控制方法，并与非协同控制方法进行对比
分析。分析周围车辆运动状态存在感知误差情况下车辆轨迹的可达性集合，计算
不同情况下车辆的总运行成本并进行自动驾驶决策的调整。结果表明，结合道路
和车辆的运营优势，所提出的换道控制方法能够为车辆提供最优的自动驾驶决策，
并有效提高换道成功率。

第四，针对车辆汇入或通信中断导致车辆降级/升级等交通场景，提出涵盖
AV 和 CAVP 驾驶模式切换的一体化 CAVP 分布式控制系统，并应用稳定性理论
对本文提出的 CAVP 控制系统进行分析和仿真验证。结果表明与 Plog’s 控制系
统相比，提出的控制系统采用较好的稳定性表现。通过交通仿真实验，验证本文
提出的 CAVP 系统能够有效改善交通效率、安全和扰动。考虑决策主体的差异，
提出基于车路协同决策的 CAVP 分布式控制方法，分析两种控制方法对于道路交
通运行的控制效果。为 CAVP 分布式控制系统的优化设计提供科学支撑。

第五，基于集中式通讯拓扑结构，提出基于车路协同决策的 CAVP 集中式控

制方法。通过道路感知和预测周围车辆的运动状态和控制参数，拓展 CAVP 控制
系统的状态空间和控制向量，构建适用于自动驾驶混合流的 CAVP 集中式控制
方法。针对车道变窄或关闭场景对提出的控制方法展开仿真实验。结果表明，相
比于基于车辆决策的控制方法，基于车路协同决策的控制方法能够有效降低安全
风险和减少总旅行时间，其中协作控制相比于非协作控制模式具有更好的控制表
现。针对不同换道车辆组合案例分析可知，包括 CAV 的换道组合具有更好的交
通运行效果。

关键词：自动驾驶、高速公路、车路协同、决策控制、反馈控制算法、最优控制
算法、稳定性理论、控制策略、交通仿真、效果评价

II
 ABSTRACT

Abstract

With the rapid development of new technologies, such as big data, artificial 5G
communication and intelligence, Intelligent Traffic System (ITS) gradually upgrades
from traditional stage to “internet of mobility” stage, the new generation ITS with
automated driving as a core becomes the current research hotspot. Since the driving
environment on freeways is relatively closed and stable, and the freeways provide a
landing path for the application of automated driving technology, based on the better
foundations of software and hardware equipments. As a novel automated driving
technology, connected and automated vehicle (CAV) has drawn extensive attentions in
recent years, and has made some progress in theoretical and practical applications, such
as most automobile companies currently using the automation control systems as the
solutions of automated driving. The essence of the solutions is that the vehicle itself can
achieve automated driving to some extent, with no assistances and partial assistances
from road infrastructures (i.e. traffic control center). However, current few studies focus
on the key issues of automated driving on preliminary stage of internet of mobility
where the communication technology cannot be large-scale deployed. The complexity
of decision-making will be increased, due to the state information of automated vehicle
(AV) cannot be collected, which severely restricts the applications of CAV. However,
freeway systems can achieve large-scope sensing, communication and decision-making
on the preliminary stage. Under the development trend, vehicle-road infrastructure
(vehicle-infrastructure) collaboration automated driving technology can provide a new
way to solve the mixed traffic flow problem of automated driving vehicles.

The study considers the mixed traffic flow of automated driving vehicles as the
research object in an environment of internet of mobility, including CAV, AV and CAV
platoon (CAVP). The compositions and application architecture of the automated
driving-based traffic system in an environment of internet of mobility are introduced.
Combining the operational advantages of vehicles and road infrastructures, based on
the feedback control and optimal control algorithms, the vehicle-infrastructure
collaboration decision-based car following and lane change method of automated
driving vehicles are proposed. Considering the features of vehicle
degradation/upgradation in a CAVP, a new distributed control system of CAVP is
designed to cover the switching function between AV and CAVP driving mode.
Analyzing the features of communication topology and control mode, the vehicle-

III
 东南大学博士学位论文

infrastructure collaboration decision-based distributed and centralized control method

of CAVP are formulated, thereby providing multiple solutions for the practical
applications of CAVP. The main content and results of the study include the following
aspects:

First, the study focuses on the composition and application architecture of

automated driving-based traffic system in an environment of internet of mobility, and
consider vehicle-infrastructure collaboration automated driving technology as a
solution with the upgrading role of the road. Firstly, three key sub-systems of vehicle,
infrastructure and communication are described respectively, and three major functions
of sensing, decision-making and control are also presented. According to the definition
for driving automation proposed by society of automotive engineers international, the
study proposes the taxonomy and definition of road infrastructure-based automated
driving, including six stages from non-informatization, non-intelligence, non-
automation (I0) to fully automated driving based on road (I5). Finally, the technical
levels and trends of both vehicles and infrastructures are analyzed, the environment
connotation and application process on the preliminary stage are then determined.

Second, the vehicle-infrastructure collaboration decision-based car following

control method of automated driving vehicles is proposed. The study taking the traffic
throughput as the optimization variable and the string stability as the constraint, the
control method is implemented from the aspects of control mode and information mode.
The control mode is divided into strict and loose, and the information mode is divided
into Vehicle to Infrastructure (V2I) and V2I+Variable Message Board (VMS).
Theoretical analysis and simulation experiments of multiple mixed traffic scenarios are
conducted. The results show that relaxing the string stability conditions can enable
collaborative control between CAVs, thereby improving traffic throughput and ensuring
overall head-to-tail stability. For the implementation of V2I+VMS, it can promote AVs
to execute control instructions and then increase the number of control vehicles, thereby
provide more effective solutions to improve traffic operation performance.

Third, the vehicle-infrastructure collaboration decision-based lane change control

method of automated driving vehicles is proposed. It is suitable to the mixed traffic
scenarios where the communication technology is not deployed on a large scale. Based
on the perceived state information and predictive control parameters of the surrounding
vehicles by road infrastructure, a cooperative lane change control method is formulated

IV
 ABSTRACT

from the safety, efficiency and comfort aspect, and make a comparison with the non-
cooperative control method. The reachability set of vehicle trajectories under uncertain
sensing conditions are analyzed, and total running costs using the proposed method are
then calcualted to adjust the automated driving decisions. The results show that the
proposed control method by combining the advantages of vehicle and infrastructure can
provide the optimal decisions and improve the success rate of lane change.

Fourth, with respect to vehicle degradation/upgrade scenarios arising from the

vehicle cut-in or communication interruption, a new distributed control system of
CAVP is proposed to cover the switching function between AV and CAVP driving mode.
The stability theory is used to verify the effectiveness of the proposed control system.
The results show that the proposed control system can use a smaller desired time gap
to guarantee the string stability compared to the Plog’s control system. Through traffic
simulation experiments, the results demonstrate that the proposed control system can
effectively improve traffic operation and safety. Considering the differences of decision
maker, the vehicle-infrastructure collaboration decision-based distributed control
method of CAVP is proposed, and the impacts of the two control methods on traffic
operation and safety then analyzed. It can provide the scientific support for the optimal
design of CAVP distributed control system.

Fifth, the vehicle-infrastructure collaboration decision-based centralized control

method of CAVP is proposed. Based on the perceived state information and predictive
control parameters of the surrounding vehicles by road infrastructure, the state space
and control vector of CAVP contrl system can be re-detemined to formulate a CAVP
centralized control method, which is suitable in the scenarios of the mixed traffic flow
of automated driving vehicles. Simulation experiments under lane drop or closed are
conducted to evaluate the effectiveness of the proposed control method. The results
show that the vehicle-infrastructure collaboration decision-based control method can
effectively reduce the total travel time and collision risks compared to vehicle decision-
based method, and the cooperative control mode performs better than the non-
cooperative control mode in traffic operation and safety. Moreover, the vehicle group
of lane change including CAV has a better traffic operation and safety performance.

Key words: automated driving, freeways, vehicle-infrastructure collaboration, decision

control, feedback control algorithm, optimal control algorithm, string stability, control
strategy, traffic simulation, effect evaluation

V
 目录

目录
摘要................................................................................................................................ I
Abstract ........................................................................................................................ III
变量注释表..................................................................................................................XI
第一章 绪论.................................................................................................................. 1
1.1 研究背景与意义.............................................................................................. 1
1.2 国内外研究现状研究...................................................................................... 3
1.2.1 智能网联环境下高速公路自动驾驶车辆跟驰控制研究.................... 3
1.2.2 智能网联环境下高速公路自动驾驶车辆换道控制研究.................... 5
1.2.3 智能网联环境下高速公路网联自动驾驶车队控制研究.................... 6
1.2.4 现有研究总结........................................................................................ 8
1.3 研究目标和内容.............................................................................................. 9
1.3.1 研究目标................................................................................................ 9
1.3.2 研究内容................................................................................................ 9
1.4 研究方法和技术路线.................................................................................... 10
1.4.1 研究方法.............................................................................................. 10
1.4.2 研究技术路线...................................................................................... 11
第二章 智能网联环境下交通系统组成和应用架构................................................ 13
2.1 基于自动驾驶的交通系统组成..................................................................... 13
2.1.1 关键子系统.......................................................................................... 13
2.1.2 主要自动驾驶功能.............................................................................. 14
2.1.3 等级水平.............................................................................................. 15
2.2 基于车路协同的交通系统应用架构............................................................. 16
2.2.1 环境设定与基本假设.......................................................................... 16
2.2.2 应用流程.............................................................................................. 18
2.3 本章小结........................................................................................................ 20
第三章 智能网联环境下自动驾驶车辆决策控制理论............................................ 21
3.1 车辆控制理论算法......................................................................................... 21
3.1.1 反馈控制.............................................................................................. 21
3.1.2 最优控制.............................................................................................. 23
3.1.3 稳定性分析.......................................................................................... 24
3.2 最优控制求解算法........................................................................................ 25
3.3 道路交通系统评价指标................................................................................ 27
3.3.1 交通效率.............................................................................................. 27
3.3.2 交通安全.............................................................................................. 27
3.3.2 交通扰动.............................................................................................. 28
3.4 本章小结........................................................................................................ 28
第四章 智能网联环境下自动驾驶车辆跟驰决策控制............................................ 29
4.1 研究动机与思路............................................................................................ 29
4.2 基于车路协同的车辆跟驰控制方法............................................................. 30
4.2.1 车辆控制系统状态.............................................................................. 30
4.2.2 车队稳定性分析.................................................................................. 31
4.2.3 协同优化控制...................................................................................... 35
4.3 跟驰控制策略................................................................................................. 36

VII
 东南大学博士学位论文

4.3.1 功能应用............................................................................................... 36
4.3.2 决策步骤............................................................................................... 37
4.4 实验案例........................................................................................................ 38
4.5 实验结果........................................................................................................ 38
4.6 本章小结........................................................................................................ 43
第五章 智能网联环境下自动驾驶车辆换道决策控制............................................ 45
5.1 研究动机与思路............................................................................................ 45
5.2 基于车路协同的车辆换道控制方法............................................................ 46
5.2.1 车辆控制系统状态.............................................................................. 46
5.2.2 车辆换道成本函数.............................................................................. 48
5.2.3 车辆运动状态分析.............................................................................. 49
5.3 换道控制策略................................................................................................. 50
5.3.1 功能应用.............................................................................................. 50
5.3.2 决策步骤.............................................................................................. 51
5.4 实验案例........................................................................................................ 51
5.5 实验结果........................................................................................................ 53
5.5.1 不同控制方法的决策对比.................................................................. 53
5.5.2 不同车辆运动状态的决策对比.......................................................... 55
5.5.3 不同控制方法的换道成功率对比...................................................... 57
5.6 本章小结......................................................................................................... 59
第六章 智能网联环境下网联自动驾驶车队分布式决策控制................................ 61
6.1 研究动机与思路............................................................................................ 61
6.2 一体化车队分布式控制系统........................................................................ 62
6.2.1 控制系统状态...................................................................................... 62
6.2.2 驾驶模式切换...................................................................................... 66
6.3 分布式控制策略............................................................................................ 66
6.3.1 功能应用.............................................................................................. 66
6.3.2 决策步骤.............................................................................................. 67
6.4 实验案例........................................................................................................ 67
6.5 实验结果........................................................................................................ 68
6.5.1 不同控制系统的车队稳定性对比...................................................... 68
6.5.2 不同控制方法的控制效果对比.......................................................... 71
6.5.3 不同决策主体控制方法的控制效果对比.......................................... 72
6.6 本章小结........................................................................................................ 75
第七章 智能网联环境下网联自动驾驶车队集中式决策控制................................ 77
7.1 研究动机与思路............................................................................................ 77
7.2 基于车路协同的车队集中式控制方法........................................................ 78
7.2.1 车队控制系统状态.............................................................................. 78
7.2.2 车队控制成本函数构建...................................................................... 78
7.2.3 协同控制的系统状态和成本函数...................................................... 79
7.3 集中式控制策略............................................................................................. 80
7.3.1 功能应用.............................................................................................. 81
7.3.2 决策步骤.............................................................................................. 81
7.4 实验案例........................................................................................................ 83

VIII
 目录

7.5 实验结果........................................................................................................ 84
7.5.1 不同控制模式的控制效果对比.......................................................... 84
7.5.2 不同决策主体控制方法的控制效果对比.......................................... 85
7.5.3 不同换道车辆组合的控制效果对比.................................................. 87
7.6 本章小结........................................................................................................ 89
第八章 总结与展望.................................................................................................... 91
8.1 主要研究成果与结论.................................................................................... 91
8.2 主要创新点.................................................................................................... 92
8.3 研究展望........................................................................................................ 94
致谢.............................................................................................................................. 97
参考文献...................................................................................................................... 99
作者简介、在读期间发表论文及参与科研情况.................................................... 109

IX
 变量注释表

变量注释表

变量名 变量解释
SAE 国际汽车工程师协会
CAV 网联自动驾驶车辆
AV 非网联自动驾驶车辆
CAVP 网联自动驾驶车队
ACC 自适应巡航控制系统
CACC 协作式自动巡航系统
V2V 车辆和车辆通信
V2I 车辆和道路通信
I2I 道路和道路通信
VMS 可变情报板
TCC 交通控制中心
TCU 交通控制单元
RSU 路侧单元
OBU 车载单元
CTG 恒定期望车头时距策略
p 车辆位置
v 车辆速度
a 实际加速度
u 控制加速度
s* 目标平衡间距
L 车辆长度
s0 静止时的最小间距
τ 车辆恒定车头时距
T 控制器执行延误
s 前车和后车的车头间距
Δs 实际车头间距与目标间距的误差
Δv 前车和后车的速度差值
K 模型增益
ε 感知延误
ks 关于间距误差的反馈增益参数

XI
 东南大学博士学位论文

变量名 变量解释
kv 关于速度差值的反馈增益参数
x 控制系统状态
kf 前馈系数
TTT 总旅行时间
1/TTC 碰撞时间导数
SV 当前车辆
CL1 当前车道上当前前车
CF1 当前车道上当前后车
PL1 目标车道上目标前车
PF1 目标车道上目标后车
J 总成本
L 运行成本
M 末态成本
tf 预测时长
vd 车辆期望速度
d0 阈值距离
βsafe 安全成本系数
βeff 效率成本系数
βctrl 舒适成本系数
βrout 路径成本系数
β1 车队控制的间距误差成本系数
β2 车队控制的速度差值成本系数
β3 车队控制的舒适成本系数
CAVP_D_V 基于车辆决策的车队控制方法
CAVP_D_V+I 基于车路协同决策的车队控制方法

XII
 第一章 绪论

第一章 绪论

1.1 研究背景与意义

随着人工智能、通信、云计算、大数据、卫星导航等技术的日新月异，传统
智能交通系统正面临着重构和再造，需从全网覆盖的“动态感知”阶段，即实现动
态感知平台；过渡至具有主动规划、管理和服务功能的“主动管理”阶段，即实现
主动管控；进而为不同出行者提供高效出行服务的“智能网联”阶段，即实现车联
网、车路协同、自动驾驶等，其中以自动驾驶为核心的新一代智能交通系统成为
当前研究热点。由于高速公路行驶场景耗时长，高速公路行驶环境相对封闭和稳
定，以及高速公路具有较好的软硬件设备基础，能够为自动驾驶技术应用提供优
先落地场景和途径。因此如何在高速公路上应用自动驾驶技术并用于提升道路交
通效率和安全，成为亟待解决的问题。

自动驾驶车辆是指通过摄像头、雷达、定位、人工智能和控制等系统协同合
作，在没有任何人类驾驶员的主动的操作下，自动安全地实现机动车辆的行驶。
国际汽车工程师协会（Society of Automotive Engineers International, SAE）应用
SAE J3016 标准将车辆自动化区分为 6 个发展阶段，明确了其不同的自动化驾驶
等级[1]。2016 年，中国发改委和交通运输部联合印发《推进“互联网+”便捷交通
促进智能交通发展的实施方案》，决定加大车联网和自动驾驶技术的研发支持。
同年工信部提出了基于自动化与网联化两个轴向发展的智能网联汽车技术路线
图，可通过这两种方式来交互周围交通信息，提高车辆决策系统性能[2][3]。2015
年，美国交通运输部发布了智能交通系统战略规划，注重车辆网联化和自动化的
双重发展。2020 年，中国发改委等 11 部委提出智能网联汽车创新发展战略，为
其技术和产业的发展指明了方向。国内外学者和机构对不同的自动驾驶车辆定义
也不尽相同，国外将具有通信功能的自动驾驶车辆定义为网联自动驾驶车辆
（Connected and Automated Vehicles） [4] ，中国将其定义为智能网联驾驶车辆
（Intelligent Connected Vehicles）[2]。

谷歌 Waymo、特斯拉、Mobileye 等为主，皆通过高性能传感器和计算芯片
集成的自动驾驶方案，不断提升车辆感知和智能决策的能力，实现智能化驾驶的
跨越式发展。另外，以各大汽车企业为主采用控制系统的自动驾驶解决方案，即
应用自动化控制方法进行车辆决策和控制，通过软硬件升级渐进地提升智能化程
度，其中自适应巡航系统已广泛实现商用。基于车辆和车辆通信（Vehicle to
Vehicle, V2V）或车辆和道路通信（Vehicle to Infrastructure, V2I）技术，实现车辆

1
 东南大学博士学位论文

间相互通信，可形成自动化编队解决方案，如协作式自适应巡航系统。上述方案
其本质是在一定程度上单车即可实现自动驾驶，道路等基础设施（如交通控制中
心）对自动驾驶车辆不起作用或只起辅助作用，仅实现局部交通优化的控制效果。
作为新兴的自动驾驶技术，网联自动驾驶车辆近年来得到了学术界的广泛关注
[5][6][7]
，并在理论和实际应用中取得了一定成果。但目前针对智能网联初级阶段
自动驾驶技术的研究较少，由于通信技术未能大规模进行部署，即网联/非网联
自动驾驶车辆和网联自动驾驶车队共存的自动驾驶车辆混合交通流场景，不能获
取全部自动驾驶车辆状态信息，会增加交通决策复杂性，严重制约着网联自动驾
驶技术的发展。

高速公路设施作为车辆行驶的载体，结合感知、通讯、人工智能以及系统集
成技术的升级现状，在智能网联环境下通过增设智能化设备和升级管控系统软硬
两个方面可实现自动驾驶辅助或自动化驾驶[8][9][10]。高速公路系统可应用道路安
装的感知、通讯和计算等系统，能够大范围感知车辆状态信息（位置、速度和加
速度等）以及与车辆进行通信，整合路段或路网的车辆状态信息，从而进行决策
优化[11][12]。作为车路协同领域唯一的国家级“863 项目”智能车路协同关键技术研
究，已经在该方面做了初步的理论和应用探索[9]。2019 年，科技部在十三五规划
中对车联网与车路协同规模测试等方向进行重点资助。2019 年，欧洲道路交通
研究咨询委员会发布网联自动驾驶发展路线图，其中强调协同互联内涵，增加网
联自动驾驶的内容，提出基于数字化基础设施支撑的网联自动化驾驶[4]。2019 年，
中国发布的《交通强国建设纲要》也明确提出，加强车路协同技术的研发。其优
势体在于，相比考虑单一的车辆智能化出行问题，管理决策者从更高层次的道路
交通系统角度出发，计算大范围内系统最优的自动驾驶方案。因此，道路设施的
不断改造和升级，结合自动驾驶车辆技术，使得道路和车辆之间的耦合逐渐对自
动驾驶车辆起辅助甚至主导作用，从而弥补单车智能技术的瓶颈限制。在此发展
背景下，车路协同自动驾驶技术提供了一种解决自动驾驶车辆混合交通流难题的
全新思路和实施途径。

因此，本文立足于智能网联初级阶段，以自动驾驶车辆混合交通流为研究对
象，包括网联自动驾驶车辆（CAV）、非网联自动驾驶车辆（AV）和网联自动驾
驶车队（CAV Platoon, CAVP），协同车辆和道路的运营优势，基于感知和通信技
术实时感知和交互车辆运动状态信息和车辆控制参数，实现大范围交通环境和车
辆信息的精确监测和预测，提出基于车路协同决策的自动驾驶车辆跟驰和换道控
制方法，以及提出基于车路协同决策的网联自动驾驶车队分布式控制和集中式控
制方法，解决自动驾驶车辆混合交通场景下车辆与车队决策控制技术问题。从而
为实现自动驾驶技术在高速公路场景的应用，并用于改善道路交通效率和安全提
2
 第一章 绪论

供有力理论基础和技术支撑。

本文依托于国家重点研发计划：《车路协同环境下车辆群体智能控制理论与
测试验证》、江苏省自然科学基金：
《面向车路协同环境的高速公路可变限速优化
控制方法研究》项目进行理论研究。

1.2 国内外研究现状研究

1.2.1 智能网联环境下高速公路自动驾驶车辆跟驰控制研究

目前针对智能网联车辆技术进行广泛商用的为高级驾驶辅助系统，如自适应
巡航控制系统（Adaptive Cruise Control, ACC）。主要通过应用先进感知技术缩短
安全车头时距和驾驶员反应时间，从而实现车辆跟驰行为的自动化驾驶，进而提
升交通安全和舒适性[13]-[17]。自适应巡航控制作为一种自动驾驶系统，采用简单
的线性反馈控制原理，该方法已广泛应用于商用车市场[16][17]。尽管 ACC 系统已
广泛部署在车辆上，一个限制该系统发挥改善效果的问题是现有部分 ACC 系统
设计不能有效确保车队稳定性。其中车队不稳定性的结果为下游车辆产生一个交
通扰动，传递至上游车辆时该扰动影响不断增大。主要原因是 ACC 系统的控制
参数是在乐观交通条件下进行设计，即没有考虑系统延迟的影响）, 从而导致控
制系统的车队不稳定性[15][17]。近年存在一些研究考虑车辆系统延迟对于 AV 稳定
性分析的影响，包括分析传感器延迟[19][20]，执行器滞后延迟[18][21]以及两个延迟
[16][22][23]
等。

得益于通讯技术的发展，网联自动驾驶车辆（CAV）通过结合自动化和网联
化技术被用于改善道路交通效率、安全和稳定性[19][24][25][26][27][28]。更多，协作式
自动巡航系统（Cooperative-Adaptive Cruise Control, C-ACC）能够将 V2V/V2I 通
讯技术部署在 ACC 系统的车辆，使得 C-ACC 系统除了使用车载感知信息外，通
过 V2V/V2I 通信接收车队中头车、前车或多个前车发送的状态信息，进而来计
算车辆控制指令，从而大大拓展 ACC 系统的应用范围[29]-[36]。由于车队中车辆可
以交互更多状态信息，并将前车信息作为前馈项来补偿系统延迟，从而增强车队
稳定性[29][30][31]。车队系统在保证车队稳定性前提下还可缩短安全车头时距，进
而增加高速公路通行能力[32][33][34][35][36]。基于 V2V 技术考虑前后车辆的作用影响
构建一种协作式控制理论框架，能够有效缓解交通运动波的情况[34]。这种基于通
信的控制策略能够容易在全部为 CAV 的交通环境中进行应用。而对于自动驾驶
车辆混合交通流，目前研究只能通过假设 AV 广播其状态信息来进行稳定性分析
[20][24][28][37][38]
。此外，由于自动驾驶混合交通流对于实现车队稳定性具有严格的
标准，部分研究采用车队头尾稳定性标准去评价整体车队的稳定性[39][40]。提出的

3
 东南大学博士学位论文

头尾稳定性仅需扰动从车队中第一个车辆到最后一个车辆实现衰减即可[24]。但
在实际应用中，AV 不会发送和接收状态信息，并且 CAV 不会轻易与其它运营主
体的 CAV 进行通信。在近期通信技术不会立即在车辆实现大规模部署，道路交
通上将由 AV 和 CAV 都存在的混合交通流组成，其中具有通信功能的 CAV 有助
于缓解交通问题。

随着感知和通讯技术的发展，网联自动道路系统通过配备了路侧通信和传感
器设备，与当前的高速公路管理系统相比，智能网联环境中路侧和车辆设备可实
现基于车辆的状态感知和信息交互，交通控制中心根据收集的信息计算控制指令，
从而为通过车路协同实现自动化驾驶提供一种新的解决方案思路，因此引起了众
多学者和行业界的关注[41][42][43]。利用 V2I 技术，Grumertet et al. (2015) 拓展了传
统可变限速控制策略，通过路侧可变限速设备逐渐改变上游车辆个体速度，使其
到达下游达到可变信息发布的最优速度[44]。Khondaker et al. (2015) 应用车路通
信环境基于车辆个体实时和预测的运动轨迹，以车辆群体旅行时间、事故风险和
燃料排放最少为目标约束条件，对高速公路主线车辆群体的可变限速控制进行研
究[10][45]。Wang et al. (2016) 基于 V2I 构建具有网联化功能的可变限速控制方法，
结果表明该控制系统能够有效缓解交通振荡并提高交通效率[46]。Han et al. (2017)
提出可变限速协同控制和多个网联车协同控制策略，用来提高通行量[47]。Zheng
et al. (2019) 应用 V2I 技术从优化应用的角度，基于运动波传播机理提出一种最
优“拥堵吸收(Jam-absorbing)”行驶策略[48][49][50]，研究表明提出的控制策略能够有
效改善交通安全和提高运行效率[51]。还有提出了基于 ACC 的控制策略，通过车
路通信调整车辆的车头车距，在不同交通情况下对路段通行量进行管控[52][53]。

但在上述研究中，相关控制策略未考虑车队稳定性的影响，尤其对于 CAV
和 AV 同时存在的混合交通流场景。由于车队头尾稳定性在混合交通中更容易实
现和进行应用。Wang(2018)提出了一种 CAV 自适应驾驶策略，基于车路协同技
术来稳定车队的头尾稳定性[16]。Ge 和 Orosz (2014)提出了一种网联化控制方法，
通过车-车(V2V)通信技术采集多辆前车状态信息来计算目标车辆加速度并确保
头尾稳定性[24]。其控制策略核心是通过调整上游 CAV 的期望车头时距或控制参
数来缓解交通扰动，并在之前研究中进行应用[16][20][24]。即使 CAV 在保持车队稳
定性方面具有优势，CAV 车头时距调整策略会受到交通运行效率的约束。主要
因为增加 CAV 的车头时距能够提高车队稳定性，但会对交通流量产生负面影响。
尤其是在低市场渗透率的 CAV 应用场景，需要较大车头时距才能抑制一个车队
较大的交通扰动，但在智能网联环境下通过整体决策可以协调多个 CAV 的决策
命令[54]，能够改善控制策略应用的难题。

4
 第一章 绪论

1.2.2 智能网联环境下高速公路自动驾驶车辆换道控制研究

高速公路自动驾驶车辆换道行为，可分为自主性换道和强制性换道[54][55][56]。
其中自主性换道行为主要是追求更高的行驶速度，而强制性换道行为是按照目标
路线进行变道行驶[54][55][56]。现有研究主要针对网联化情况下的自动驾驶车辆自
主性和强制性换道算法等进行研究。

以往学者已提出大量模型来实现自动驾驶车辆换道行为 [57][58][59][60][61] 。
Talebpour et al. (2015) 通过 V2V 技术采集周围环境中的车辆信息并提出一种基
于博弈理论的车辆变道模型，该模型能够较好地仿真实际场景[60]。Nie et al. (2017)
利用智能网联汽车的网联化和自动化特征，提出一种车辆自主性协作式换道模型，
研究表明能够提升交通稳定性以及减少交通拥堵[61]。马媛媛提出了一种基于博
弈论的换道决策模型，同时考虑安全和时间收益作用，研究表明所提出的方法能
够在换道过程中辅助车辆实现安全与平稳的换道[62]。传统环境类似，变道车辆与
其周围车辆之间的相互影响将在智能网联环境中发生。在先前的研究中，通常采
用博弈论方法来刻画人工驾驶模式与推断的运动状态之间的相互作用[63][64]。近
期研究提出了一种基于 V2V 的控制方法，该方法通过最优控制应用来自周围车
辆的交换信息[54][65][66][67]。这表明变道车辆和周围车辆通过合作在共同目标下进
行协作以优化其跟驰/换道行为。党睿娜等(2013) 结合模型预测控制和多目标协
调换道 ACC 控制理论，构建了考虑周围车辆状态信息的换道与预警方法，从而
实现车辆换道过程中安全性和舒适性的局部优化[65]。Awal 等人(2013)基于 V2V
技术开发主动合流汇入算法，该算法通过设定的前导车来计算周围车辆合流汇入
的时机、位置和顺序[66]。Wang et al. (2015) 基于最优控制和博弈理论，利用 V2V
技术提出一种网联自动驾驶车辆自主性和强制性换道方法[54]。Atagoziyev et al.
(2015)和 Li et al. (2018)提出一种 CAV 的轨迹运动规划算法，能够在避免碰撞的
约束下进行协作换道[68][69]。

上述方法皆是基于完全通信环境下的车辆换道行为，但在智能网联初级阶段，
无法大规模实现网联化，具有网联化功能的自动驾驶车辆的渗透率有限，限制
ACC 系统应用的一个问题是无法保证自动驾驶车辆实现安全且有效的换道。当
前被汽车制造商采用的单车智能方案，针对涉及考虑周围交通情况的车辆换道问
题，部分方案采用传统模型或方法并不能实现自动换道，部分方案只能考虑周围
交通情况，制定保守和安全的策略实现换道操作[70][71]，但该方案都不利于周围交
通的运行表现。尽管可以保证安全，但如先前的研究[71][72]所示，由换道操作引起
的效率和舒适仍未有效解决。在实际交通中，由于 CAV 市场渗透率而限制车辆
之间交换状态信息[39][73]，Wang et al. (2015) 通过预测当前后车的跟驰行为，构建

5
 东南大学博士学位论文

了考虑周围车辆状态信息的协作控制算法[74]。表明自动驾驶车辆无 V2V/V2I 通
信技术条件下，也可具备换道控制的能力[75][76][77]。此外参考先前的研究[78]，考
虑延误的影响对 AV 系统进行设计，使其更加贴近实际应用。因此，应用协作控
制框架为具有不完善的车辆动力学和受限通信能力的换道执行和优化提供了潜
在的解决方案。

实际应用过程中，自动驾驶车辆的车载传感器感知的周围车辆状态信息不可
避免地出现测量误差[70][71][79]。测量误差导致不确定运动状态的存在，并对换道
过程中的交通安全和效率具有较大的影响。如果不考虑该因素，则会导致高估周
围车辆运动状态进而增加安全风险。近期一些研究考虑不确定性运动状态进行最
优控制。Zhou et al. (2017) 将系统动力学和状态信息测量的不确定性视为外部干
扰，从而构建最优随机控制方法并进行求解[79]。Li et al. (2017) 提出了一种预先
选择的比例系数，以反映不确定交通条件下的状态测量的变化，并开展仿真实验
进行分析[70]。Suh et al. (2017) 通过碰撞概率计算考虑不确定性影响下的状态集
合，然后将其应用于控制车辆，以确保车辆在换道过程中的安全性[71]。此外，部
分研究应用可达性分析不确定车辆运动状态下的控制问题[80][81][82]。由于该方法
考虑了运动状态的不确定性，并可以计算预测时长范围内所有车辆轨迹的可达性
集合，从而提供未来车辆轨迹的上限和下限阈值。因此，它提供了一种简单而有
用的计算方式，以确保在不确定运动状态情况下进行安全且有效的车辆换道操作。
1.2.3 智能网联环境下高速公路网联自动驾驶车队控制研究

网联自动驾驶车队作为智能网联环境下车辆系统的重要组成部分，在未来近
期将会与 CAV 和 AV 共同存在道路交通系统中。针对智能网联环境下自动驾驶
车辆混合交通流问题进行研究，便会涉及网联自动驾驶车队编队控制问题，如个
体自动驾驶车辆汇入车队或车辆驶离车队，尤其对于主线车道变窄或关闭以及主
线与进出口匝道所构成的合流/分流区域的强制性车辆换道行为。现有关于自动
驾驶车辆和车队间相互作用的研究主要集中在分布式控制和集中式控制方面。

现有大多数研究关注于车队分布式控制算法和效果分析，较少关注于车辆汇
入对于车队系统以及交通运营的影响[29]-[35]。分布式控制的信息传输主要采用前
车-后车或多前车-后车的通信结构，其中前车-后车对应当前车辆只获取前车的运
动状态信息，多前车-后车对应当前车辆可以获取多个前车的信息，从而应用前
车信息计算车辆的控制加速度。因此，对于不具备通信功能的车辆汇入能够导致
部分车辆降级或车队分解，严重影响分布式控制的实际应用。Xiao et al. (2018)研
究发现受到匝道混合流汇入的影响，导致 CACC 与 ACC 之间的进行模式切换，
从而对通行能力产生影响[35]。Milanés et al. (2013) 基于前车-后车通信结构提出

6
 第一章 绪论

一种分布式 CACC 系统，通过实验测试表明该控制系统能够处理车辆汇入和驶

离的能力，避免交通碰撞的发生[83]。Milanés et al. (2016) 根据车辆汇入产生的感
知信号突变，设计关于可以进行期望车头时距参数调整的过渡函数，使得目标后
车能够平滑调整车辆的期望车头时距并实现平滑汇入[84]。Tu et al. (2018) 研究在
CACC 车队中位于位于不同位置的车辆发生通讯中断情况下，分析车辆从 CACC
模式降级为 ACC 模式后对交通安全的影响[85]。Plog et al. (2011) 应用误差状态
函数构建了一个 CACC 系统，并对该降级后的 ACC 驾驶模式进行分析，结果表
明需较大车头时距才能保持车队稳定性[86]。对于车队集中式控制研究，部分研究
构建高速公路主线和匝道车辆协同控制模型来考虑匝道车辆汇入主线车队的影
响，进而计算整体最优控制指令。Ran et al. (1999) 基于集中式控制策略构建车
辆控制模型，然后将控制指令发送给主线和匝道车辆[87]。Pueboobpaphan et al.
(2010) 通过路侧设备将匝道车辆轨迹信息传输给主线车辆，主线车辆可以根据
安全区域调整加速度，使匝道车辆安全汇入主线，减少系统平均旅行时间[88]。
Scarinci et al. (2013) 提出协作式匝道控制策略，通过控制主线车辆使匝道个体和
成排车辆以较少延误的合流汇入主线[89]。Jiang et al. (2017) 通过映射方式产生的
主线和匝道车辆“虚拟轨迹”预测每个匝道车辆和主线车辆的汇合点，联合动态地
控制车辆的运动轨迹，结果表明该算法减少平均出行时间[90]。

另外部分研究是基于通信技术构建集中式控制方法，通过预测车辆运动状态
和计算最优成本实现整体控制，大多研究采用模型预测模型控制理论（Model
Predictive Control, MPC）实现匝道车辆汇入道路主线。Rios-Torres et al. (2015) 基
于 V2I 提出一种以加速度最小化作为优化目标的集中式控制方法，促进车辆实
现安全且节能的合流汇入，结果表明车辆油耗相比于无控制情况降低 49.8%[91]。
Cao et al. (2015) 提出一种基于模型预测控制的车辆协同汇入控制算法，实现车
辆行驶路径和物理合流汇入点的最优匹配[92]。Ntousakis 等人(2016) 开发一种轨
迹规划算法，通过包含加速度和加速度导数等指标的成本函数最小化，来创建平
滑的合流汇入过程，与 ACC 汇入相比该算法具有较大的改善效果[93]。Xie et al.
(2017) 构建了一个集中式纵向合流汇入控制方法，在决策步长内实现自动驾驶
车辆的速度最优化[94]。Letter et al. (2017) 基于 V2I 技术旨在平均行程速度最大
化的高速公路车辆纵向协同合流汇入算法，该算法能够减少旅行时间和增加交通
通行量，以及在拥塞交通状态实现安全汇入控制[95]。Scarinci et al. (2017) 针对主
线信号灯控制提出匝道与主线车辆控制算法，通过控制主线车辆为匝道车辆提供
合流汇入空间，能够有效减少拥堵发生和延后汇入车辆的数量[96]。罗孝羚和蒋阳
升(2019)基于智能网联车辆环境，针对高速匝道汇入场景构建车辆轨迹优化的两
阶段模型，先对车辆进入顺序进行优化，其次实现车辆轨迹的优化。实验结果表

7
 东南大学博士学位论文

明所提出的方法有效地减少车辆汇入延误和节约油耗[97]。Duret et al. (2019) 提出

了一种基于 MPC 的双层控制策略。其中上层是确定汇入后车辆群体的最佳排序
和期望车头时距。下层应用三阶纵向动力学模型计算最优的车辆加速度，并进行
有效性和可行性的仿真测试[98]。
1.2.4 现有研究总结

通过对以往研究的回顾与总结可以得出，智能网联环境高速公路场景下的自
动驾驶车辆决策控制技术引起了学术界的广泛关注，国内外学者提出了多种自动
驾驶车辆和车队的决策控制方法和策略，并对决策控制方法和策略对于车辆和道
路交通运行影响进行分析，取得了较多研究成果。但现有研究仍存在一些不足之
处：

（1）针对车辆和道路同时用于自动驾驶解决方案制定的研究较少

目前大部分研究集中在基于车辆的自动驾驶解决方案，即针对不同智能等级
的自动驾驶车辆，按照单车智能或车车通信模式构建自动驾驶车辆和车队的控制
方法和策略。另外，部分研究探析智能网联环境下的道路升级作用，进而提出一
种通过车路协同方式实现车辆自动驾驶的解决方案，能够收集车辆状态信息和控
制参数以及指令，对自动驾驶车辆进行辅助或主导决策以及优化，即通过车辆和
道路协同完成自动驾驶功能和任务，将其称为车路协同自动驾驶，但少有研究对
车路协同自动驾驶决策控制开展实验分析。并且针对车辆和道路协同作用对于自
动驾驶车队的实际应用，以及道路交通运行影响的相关研究都相对稀缺。因此，
对于智能网联环境下车辆和道路系统组成、驾驶功能和智能水平以及协同范围等
特征区别有待探究。

（2）缺乏针对自动驾驶车辆混合流的车辆决策控制方法的研究

目前研究主要基于反馈控制和最优控制理论针对自动驾驶车辆跟驰和换道
行为进行研究，其中最优控制方法基于车车通信环境下进行实现，无法有效应用
于自动驾驶车辆混合交通流场景。对于反馈控制方法探究主要关注自动化和网联
化技术对于车辆跟驰和道路交通的改善作用，并对车队稳定性开展大量分析。但
缺乏从交通效率和稳定性相互作用角度构建有效的跟驰控制方法，同时缺少对多
个网联自动驾驶车辆进行协同控制，以及自动驾驶车辆混合流的跟驰行为进行优
化。此外，针对自动驾驶车辆的换道研究，其仍采用传统方法或假设车辆能够实
现相互通信情况下执行换道，但实际应用过程中通信受限情况下自动驾驶车辆如
何与周围车辆进行协作，如何进行换道决策控制值得深入研究。

（3）针对自动驾驶车辆混合流的车队决策控制应用中问题的研究较少
8
 第一章 绪论

现大多研究针对网联自动驾驶车队分布式控制，虽然考虑了车辆汇入和车队
中车辆通信中断等降级场景，但都是对交通效率和安全的影响进行分析，较少对
CAVP 分布式控制系统的驾驶模式切换进行有效设计。导致从车队驾驶模式降级
为单车驾驶模式，车辆运动状态有较大的扰动，在实际应用中具有较大的安全风
险。针对 CAVP 集中式控制的研究，大多考虑在完全互联互通情况下提出控制方
法并分析对于道路交通运行的控制效果，但少有研究关注适用于自动驾驶车辆混
合流的 CAVP 集中式控制，并提出一个有效解决方案。此外，无论是 CAVP 分布
式或集中式控制研究，较少对决策主体和应用方法进行分析。

1.3 研究目标和内容

1.3.1 研究目标

针对相关研究领域的不足与缺陷，本文对智能网联环境下高速公路自动驾驶
车辆决策控制技术中关键问题开展研究，本文期望有助于理解智能网联环境下交
通系统组成和应用框架，针对自动驾驶车辆混合交通流问题，建立适用于车路协
同决策的自动驾驶车辆跟驰和换道控制方法，以及网联自动驾驶车队分布式和集
中式控制方法，理解自动驾驶车辆控制方法对于决策和控制影响，以及不同控制
方法对于道路交通效率和安全的影响。旨在为智能网联环境下车路协同自动驾驶
技术的理论研究与实践应用提供理论和技术支撑。
1.3.2 研究内容

基于以上研究目标，本文研究内容如下所示：

（1）智能网联环境下交通系统组成及其应用架构

分析智能网联环境下道路和车辆的运营特征，阐述智能网联环境下基于自动
驾驶的交通系统的关键子系统、主要驾驶功能及其等级水平。解析智能网联初级
阶段特征，设定本文研究环境和阐述系统的应用架构。

（2）智能网联环境下自动驾驶车辆跟驰决策控制

协同智能网联环境下道路和车辆运营优势，基于反馈控制方法，以交通流量
作为优化目标，以车队稳定性为约束条件，提出基于车路协同决策的自动驾驶车
辆跟驰控制方法，并对不同控制模式和信息模式的控制效果进行对比分析。

（3）智能网联环境下自动驾驶车辆换道决策控制

考虑周围车辆的影响，基于最优控制方法，提出基于车路协同决策的自动驾
驶车辆换道控制方法，并对控制方法设计和车辆运动状态估计方面进行对比分析。

9
 东南大学博士学位论文

（4）智能网联环境下网联自动驾驶车队分布式决策控制

针对车辆汇入或通信中断等车辆降级场景，以车队稳定性为约束条件设计驾
驶模式切换功能，构建适用于模式切换的网联自动驾驶车队分布式控制系统，与
之前控制方法进行对比，并对不同决策主体控制方法的控制效果进行分析。

（5）智能网联环境下网联自动驾驶车队集中式决策控制

基于集中式通信拓扑结构，应用最优控制方法，提出适用于自动驾驶车辆混
合交通流的网联自动驾驶车队集中式控制方法，并从不同控制方法、不同控制模
式和不同换道车辆组合方面进行对比分析。

1.4 研究方法和技术路线

1.4.1 研究方法

（1）控制理论与方法

论文讨论以往车辆微观行为控制方法，对比和分析反馈控制和最优控制理论
的控制机理与效果，根据不同场景控制目标构建不同控制方法，实现自动驾驶任
务控制目标，提升控制方法的控制效果。

（2）稳定性理论与分析

论文针对反馈控制和最优控制方法的稳定性定义和稳定条件进行分析，根据
不同场景自动驾驶任务的稳定性控制目标，结合不同场景的控制参数取值，求解
不同控制方法的稳定阈值范围，从而提升车辆控制以及道路交通系统稳定性。

（3）交通流仿真技术与方法

仿真分析自动驾驶车辆控制方法对交通效率和交通安全的影响，采用交通流
仿真技术对车辆微观控制算法以及设定的场景进行仿真，以准确模拟高速公路上
车辆跟驰和换道行为现象，以及不同控制方法的交通运行规律，评价控制方法的
有效性。

（4）目标优化理论与方法

论文基于目标优化理论提出控制方法，以最大程度改善高速公路交通效率、
安全以及扰动的目标，在确保车队稳定性前提下，求解最优的控制参数数值，对
比分析不同方法的控制效果。

10
 第一章 绪论

1.4.2 研究技术路线

本文研究的具体步骤如下所示：

步骤一：广泛阅读该领域相关文献，总结国内外研究现状，明确论文研究目
标，制定详细研究计划和论文技术路线；

步骤二：对智能网联环境下交通系统组成和应用架构进行研究，阐述关键字
系统和主要驾驶功能，明确本文研究的环境场景；为本文提供清晰的基本概念和
研究基础；

步骤三：调研和分析车辆控制理论和方法，梳理不同控制理论和方法的控制
原理以及求解方法，确定用于进行道路交通运行效果分析的评价指标；为本文提
供控制理论和方法基础；

步骤四：提出基于车路协同决策的自动驾驶车辆跟驰控制方法，考虑交通流
量和稳定性的相互作用，从不同控制模式和信息模式两方面进行对比和分析；提
出基于车路协同决策的自动驾驶车辆换道控制方法，从控制方法设计和运动状态
估计方面进行对比和分析；为智能网联环境下自动驾驶车辆跟驰和换道决策控制
提供技术支撑；

步骤五：构建适用于驾驶模式切换的一体化网联自动驾驶车队分布式控制系
统，仿真分布式控制系统对于道路交通运行的影响，并与之前方法的控制效果进
行对比和分析；构建适用于自动驾驶车辆混合交通流的网联自动驾驶车队集中式
控制方法，仿真集中式控制方法对于道路交通运行的影响，对不同场景的控制效
果进行对比与分析；为智能网联环境下网联自动驾驶车队分布式和集中式决策控
制提供技术支撑；。

步骤六：汇总研究成果，撰写论文。

本文的技术路线图如下图所示。

11
 东南大学博士学位论文

智能网联环境下自动驾驶车辆决策控制问题研究

智能网联环境下交通系统组成和应用架构

关键子系统 智能网联环境
系 应
统 用
主要驾驶功能
组 架
成 构
等级水平 系统应用流程

智能网联环境下自动驾驶车辆决策控制理论

反馈控制 车 车队稳定性
稳
辆
定
控
最优控制 性
制
理
理
求解算法 论
论 头尾车队稳定性

智能网联环境下自动驾驶车辆跟驰决策控制 智能网联环境下自动驾驶车辆换道决策控制

基于车路协同决策的自动驾 基于车路协同决策的自动驾 基于车路协同决策的自动驾 基于车路协同决策的自动驾

驶车辆跟驰控制方法 驶车辆跟驰控制策略 驶车辆换道控制方法 驶车辆换道控制策略

不同控制模式下控制效果分 不同通信模式下控制效果 协作与非协作控制方 确定与不确定运动状

换道成功率对比分析
析 分析 法对比分析 态对比分析

智能网联环境下网联自动驾驶车队分布式决策控制 智能网联环境下网联自动驾驶车队集中式决策控制

车队稳定性分析
基于车 基于车辆/车路协 基于车路协同决策 基于车路协同决策的车队集 基于车路协同决策的车队集
辆决策 同决策的车队分布 的车队分布式控制 中式控制方法 中式控制策略
车队分 式控制策略 方法
布式控
不同控制系统的 制系统
交通运行效果分 不同控制模式对比 不同决策主体的控制 不同换道车辆组合
析 不同决策主体控制方法的对 分析 方法对比分析 对比分析
比分析

研究总结和撰写论文

图 1-1 技术路线图

12
 第二章 智能网联环境下交通系统组成和应用架构

第二章 智能网联环境下交通系统组成和应用架构

自动驾驶车辆技术的迅猛发展，推动着道基础设施的不断改造和升级。为改
善单车智能实现自动驾驶任务的局限性，通过提升智能网联环境下的道路作用，
同时强调道路和车辆的耦合，形成以车路协同技术为主的自动驾驶解决方案，对
车辆起辅助或主导作用。由于道路和车辆协同作用所制定驾驶决策与以车辆为主
决策的过程和结果存在必然差异。因此，有必要对智能网联环境下基于自动驾驶
的交通系统组成和应用架构进行有效分析。本章研究为本文后续内容提供基本概
念和研究基础。

2.1 基于自动驾驶的交通系统组成

智能网联环境下基于自动驾驶的交通系统内涵是指在人工智能、5G 通信、
大数据和集成系统等技术支撑下，通过先进的车辆和道路部署的感知设备（如雷
达、摄像头和通信等）对交通环境和车辆状态进行高精度感知，基于通信技术实
现车辆和道路之间信息交互和共享，整个系统能够将收集的动静态信息进行融合、
深度分析和优化处理，提供交通网络内最优的交通出行指令，实现多交通场景下
的自动化驾驶。总结而言，基于车辆、道路和通讯系统等主要工作系统，通过车
辆和道路协同实现感知、决策和控制功能，进而高效执行自动驾驶任务。本小节
基于智能网联交通系统内涵，主要关键子系统、主要驾驶功能和子系统等级三大
方面进行描述。
2.1.1 关键子系统

智能网联环境下基于自动驾驶的交通系统主要包括道路系统、车辆系统、通
讯系统等关键子系统[42][43]。

（1）道路系统：包括交通控制中心（Traffic Control Center, TCC）、交通控制

单元（Traffic Control Unit, TCU）和路侧单元（Roadside Unit），用于信息处理、
优化决策、交通控制指令的制定。交通控制中心和交通控制单元能够处理收集数
据和计算并发送控制指令。路侧单元通过感知模块收集交通环境和车辆信息，数
据处理模块提供特定车辆运动状态数据，并通过通讯模块完成车辆与 TCU 进行
车辆状态信息和控制指令交互（发送和接收），并记录 TCU 与车辆间的传输数据。

（2）车辆系统：由自动驾驶车辆混合交通流组成，单个车辆主要包括车载
单元（Onboard Unit, OBU）、可移动设施、定位系统、摄像头、雷达检测器等设
备，实现车辆感知和识别功能。车辆由以下至少一个模块组成，其中包括交通检

13
 东南大学博士学位论文

测模块、数据采集和处理模块、车辆控制模块和通信模块。

（3）通信系统：由以下一个或多个模块组成，主要包括：通信操作器；通
信运营商；政府交通部门系统维护的公共机构。为整个系统中所有实体提供有线
或无线通信服务，主要包括：专用短程通信（Dedicated Short Range Communication,
DSRC）、4G（4th Generation Mobile Communication Technology）、5G 和蓝牙；有
线通信技术，如：以太网。
2.1.2 主要自动驾驶功能

本节主要介绍系统中可实现的主要自动驾驶功能。其中感知、决策和控制功
能的执行由道路系统和车辆系统共同实现。通讯功能贯穿于整体系统中信息和指
令传输过程。

（1）感知：车辆和道路利用摄像头和雷达等感知周围车辆和环境信息，为
车辆后续决策和控制提供基础信息依据。其中可实现车辆状态感知和定位（位置、
速度、加速度和所处位置的经纬度）及运动补偿、道路线形估计及环境感知和道
路基础设施检测等功能。通过道路与车辆系统的信息融合功能，实现车辆与车辆、
道路与车辆和道路等多方面感知信息的融合，能够提升整体系统的感知精度。

（2）决策：以安全、舒适、节能、高效为行驶目标，基于车辆和道路感知
的交通环境和车辆状态信息，车辆轨迹预测算法为核心，车辆和道路协同完成车
辆运动状态和控制参数的推理、规划、决策等，为车辆提供最合理的控制指令。
在宏观层面，对调控道路宏观交通流态势进行优化和决策；在中观层面，对车辆
和车队的路径规划、车队形成和车队拆分等行为进行优化和决策；在微观层面，
对车辆的跟驰和换道等行为进行优化和决策。

（3）控制：控制执行器根据将决策的控制指令解析为带有时间信息的轨迹
曲线，从而对自动驾驶车辆的行驶速度与方向进行有效控制。按照决策的控制指
令到车辆的控制单元，实现对车辆方向盘、油门、刹车等执行机构的控制。紧急
情况下，控制执行单元以安全为目标对车辆进行控制。

（4）通信：基于基础设施连接一切事物（Infrastructure to Everything, I2X）、

车辆连接一切事物（Vehicle to Everything, V2X）的通信标准，其中 X 代表可交
互信息的任何对象（人、车、路、云和网络等），采用先进通信等技术方案，实
现人-车-路-云等动静态信息的实时交互。用于实现各系统和驾驶功能间的多模式
信息和指令传输，为车辆的功能和任务实现提供支撑。对于所述的通信本文主要
关注车车通信（V2V）、车路通信（V2I）、路路通信（I2I）等三种方式。

14
 第二章 智能网联环境下交通系统组成和应用架构

2.1.3 等级水平

基于国际汽车工程师协会（SAE）的定义标准，车辆的自动化发展等级可以
从低到高可以分为驾驶辅助、部分自动化、有条件自动化、高度自动化和完全自
动化 5 个阶段[7]。

（1）V0：无自动化

由驾驶员完成所有驾驶操作。在行驶过程中可以得到警告和保护系统的辅助。

（2）V1：驾驶辅助

在给定的环境下，车辆系统可持续执行横向或纵向的驾驶任务（不能同时进
行执行），由驾驶员执行其它的动态驾驶任务。

（3）V2：部分自动化

在给定的环境下，车辆系统能够持续执行横向或纵向的驾驶任务，其中驾驶
员负责执行目标和意外检测与响应任务并监督车辆系统。

（4）V3：有条件自动化

在给定的环境下，车辆系统能够持续执行动态驾驶任务，在系统失效时驾驶
员需接受系统的干预请求并及时进行接管和控制。

（5）V4：高度自动化

在给定的环境下，车辆系统可以完成所有动态驾驶任务和任务支援，其中驾
驶员无需对系统请求做出回应。

（6）V5：完全自动化

车辆系统能在所有环境下能够完成所有动态驾驶任务和任务支援，其中驾驶
员无需接管和控制。

通过分析道路基础设施系统的发展趋势，从道路系统的信息化、智能化、自
动化角度出发，结合应用场景、混合交通、主动安全系统等情况，对道路系统进
行准确分级和定义[12]。在本文中道路基础设施概念代表道路。

（1）I0：无信息化/无智能化/无自动化

传统道路信息管理方式，即道路基础设施与单个车辆系统之间无交互。

（2）I1：初步数字化/初步智能化/初步自动化

道路基础设施具备微观传感和初步预测功能，可以支持低空间和时间解析度

15
 东南大学博士学位论文

的交通信息服务、交通管理和驾驶辅助。

（3）I2: 部分网联化/部分智能化/部分自动化

道路基础设施具备复杂传感和深度预测功能，通过与车辆系统进行信息交
互（包括 I2X），可以支持较高空间和时间解析度的自动化驾驶辅助和交通管理。

（4）I3：基于道路基础设施的有条件自动驾驶

高度网联化的道路基础设施可以在数毫秒内为单个自动驾驶车辆（自动化等
级 1.5 及以上）提供周围车辆的动态信息和控制指令，可以在包括专用车道的主
要道路上实现有条件的自动化驾驶。遇到特殊情况，需要驾驶员接管车辆进行控
制。其中要求车辆的自动化等级达到 1.5 或以上，即道路基础设施系统可实现对
车辆进行横向和纵向控制。自动化等级 1.5 是指其自动化功能位于 SAE 定义的
第 I 等级与第 II 等级之间，简述为自动化 1.5 等级。

（5）I4：基于道路基础设施的高度自动驾驶

道路基础设施为自动驾驶车辆（自动化等级 1.5 及以上）提供了详细的控制

指令，可以在特定场景/区域（如预先设定的时空域）实现高度自动化驾驶。遇到
特殊情况，由道路基础设施系统进行控制，不需要驾驶员接管和控制。

（6）I5：基于道路基础设施的完全自动驾驶

道路基础设施可以满足所有单个自动驾驶车辆（自动化等级 1.5 及以上）在

所有场景下完全感知、决策、控制和通讯以及优化等功能，从而实现完全自动驾
驶。完成自动驾驶功能和任务所需的子系统无需在车辆设置备份系统。提供全面
的主动安全功能。遇到特殊情况，由道路基础设施系统进行接管控制，不需要驾
驶员参与。

2.2 基于车路协同的交通系统应用架构

2.2.1 环境设定与基本假设

根据车辆和道路目前技术水平和发展趋势，从前瞻性和应用性角度出发，本
文对智能网联初级阶段环境进行设定：

（1）道路等级

对于道路系统的等级需达到 I2 等级及以上。除了 I1 中提供的功能外，道路

可以实现道路基础设施等静态数据在时空上的连续监测和更新，具备更高精度的
车辆运动检测和传感功能。
16
 第二章 智能网联环境下交通系统组成和应用架构

数据之间能够高度融合，信息采集、处理和传输过程的时延较低。部分数据
可以在车车和车路之间信息共享。

道路系统能够根据感知信息进行长期预测和深度分析，优化车辆驾驶决策。

道路和车辆之间能够进行实时信息交互，即道路系统为车辆提供横向和纵向
控制的建议或指令，同时，车辆向道路反馈其最新规划决策信息。

在有限场景内，道路基础设施系统可以对自动驾驶车辆进行接管与控制，实
现限定场景的自动化驾驶，但遇到特殊情况，需要驾驶员接管车辆进行控制。

（2）车辆组成及其等级

对于自动驾驶车辆系统由网联/网联自动驾驶车辆和网联自动驾驶车队（分
布式和集中式）组成，要求车辆等级需达到 V2 等级及以上。根据稳定性理论，
自动驾驶车辆可以区分为车队稳定和车队不稳定两种类型[16]。

非网联自动驾驶车辆（AV）为通过单车智能实现自动驾驶的车辆，车辆彼此
之间不能实现通信。即车辆基于周围环境的感知信息，具有一定自主计算和决策
的能力。根据车辆的自动化等级的设置，车辆能够同时对横向和纵向进行控制。

网联自动驾驶车辆（CAV）为自动驾驶车辆搭载通信设备，具有网联化通信
功能，能够与其它网联自动驾驶车辆和道路进行实时通信。即车辆具有感知、自
主计算和决策的能力，能够进行横向和纵向控制。并根据决策主体权限，可以选
择执行车辆或道路系统发布的控制指令。

网联自动驾驶车队（CAVP）是指与基于通信技术能够将多个 CAV 进行编队

并实现编队行驶，主要分区分布式控制和集中式控制两种控制模式。分布式控制
采用独立式通讯拓扑结构，即车队中 CAV 只能获取前车的加速度信息。集中式
控制采用集中式通讯结构，集中式控制根据车队中所有车辆运动状态信息，进行
整体控制。

（3）车辆横向运动状态

根据矢量分解方法，自动驾驶车辆的换道执行过程可分解为横向和纵向运动。
另外，在高速公路场景下车辆具有较高的运行速度，且车辆换道过程中构成的纵
向夹角较小[99]，因此，在本文研究中忽略自动驾驶车辆的横向状态对于车辆的速
度和加速度的影响，将车辆的纵向速度和加速度近似等价于车辆的速度和加速度。
后续文中所提及的车辆的速度和加速度概念均是代表车辆的纵向速度和加速度。

（4）车辆信息采集方式

17
 东南大学博士学位论文

对于非网联自动驾驶车辆，可根据自动驾驶车辆车载感知系统获取与前车的
相对位置和相对速度信息，但无法获取前车加速度信息；对于分布式网联自动驾
驶车队，依靠车载感知系统获取相对位置和相对速度信息，并基于通信技术交互
前车加速度信息；对于集中式网联自动驾驶车队，车辆的位置、速度和加速度等
信息可通信设备来获取，感知系统获取的相对位置和相对速度信息用于驾驶安全。
在本文中主要针对自动驾驶车辆决策控制方法进行研究，不考虑车辆和道路感知
和通信设备中通信延误和丢包的影响。
2.2.2 应用流程

S01-01
S01 控制中心TCC
道路系统
感知(V) F01 感知(V+I)
S01-02
控制单元TCU 控制单元TCU
车辆信息
S03-01
道路信息 S01-03/S02-04
环境信息
S03-02
感知(I)

F02 决策(V+I) S03-03

动态交互
决策(V)

信息融合
参数预测
CAV AV 通讯范围 路侧RSU
决策(I)
协作决策
I2I V2I V2V 通讯系统 S03
感知(V) 感知(I) 行驶方向

F03 S02 S02-01 S02-02 S02-03

控制(V) 控制(V)
CAV AV CAVP
车辆系统

反馈控制
最优控制
• 跟驰和换道 • 跟驰和换道 • 编队控制
控制(I) • 控制方法 • 控制方法 • 控制模式
反馈和最优控制
• 稳定性分析 • 稳定性分析 • 控制方法

图 2-1 智能网联环境下系统应用架构

第一，主要介绍智能网联环境下基于自动驾驶的交通系统组成，如图 2-1 所
示。包括道路系统（System 01, S01）、车辆系统（System 02, S02）和通讯系统
（System 03, S03），以及功能模块（Function Mode, F），可以实现感知（Function
01, F01）、决策（Function 02, F02）和控制（Function 03, F03）三大自动驾驶功
能。道路系统包括交通控制中心 TCC（System 01-01, S01-01）、交通控制单元 TCU
（System 01-02, S01-02）和路侧单元 RSU（System 01-03, S01-03）。车辆系统由
网联自动驾驶车辆（System 02-01, S02-01）、非网联自动驾驶车辆（System 02-02,
S02-02）和网联自动驾驶车队（System 02-03, S02-03）以及 RSU（System 02-04,
S02-04），其中网联自动驾驶车队可分为分布式和集中式控制模式。通信系统
（System 03, S03）需要区分不同的通信模式，包括道路与道路（System 03-01,
S03-01）、车辆与道路（System 03-02, S03-02）和车辆与车辆（System 03-03, S03-
03）。

第二，主要介绍子系统的具体内容。道路系统（S01）是由 TCC（S01-01）
和 TCU（S01-02）组成的交通控制整体，可以处理和计算 RSU（S01-03）通过感

18
 第二章 智能网联环境下交通系统组成和应用架构

知和通信获取的车辆信息和控制指令，并向 RSU 发送最优的控制指令。TCC

（S01-
01）是一个自动或半自动运算中心，覆盖一个通道及其相连匝道，具有数据采集、
信息处理、出入口控制和动态诱导的功能。TCU（S01-02）是一个自动或半自动
运算中心，覆盖一个通道的部分路段，根据控制范围和目标进行分段设置，具有
数据采集、信息处理和交通控制的功能。RSU（S01-03）具备处理交通感知、通
信、发布和接收控制指令的功能，根据通信权限进行指令传输。车辆系统（S02）
是执行自动驾驶任务的实施载体，其中由不同网联度和自动化程度自动驾驶车辆
和车队组成，具有感知、决策、控制、交互动静态信息以及控制指令的功能。通
信系统（S03）是一个具有本地和全球连接的通信载体，为各个系统和功能提供
通信服务。

第三，主要介绍系统的应用流程。通过车辆和道路道路协同实现感知功能，
两个系统中感知模块将所有车辆和道路感知的数据信息发送至协同功能模块。
RSU（S01-03）能够通过 V2I（S03-02）接收网联自动驾驶车辆（S02-01）的状态
信息，并感知非网联自动驾驶车辆（S02-02）状态信息。RSU 将车辆系统的数据
信息转变为交通信息，并通过 I2I（S03-01）发送至交通控制单元 TCU（S01-02）。
感知模块进行数据处理和融合后，所有数据传输至系统的决策模块进行计算和优
化。TCU 处理和计算所上传的信息，将交通信息和计算的控制指令上传 TCC
（S01-
01）。TCC 根据上传的交通信息和控制指令进行验证，识别整体交通状态并进行
优化处理，将生成的控制指令集合发送给 TCU。TCU 检查和记录下发的控制指
令后发送给 RSU，RSU 同样进行检查和记录控制指令，并向目标车辆发送指令。
车辆系统中网联自动驾驶车辆（S02-01），能够与道路和网联自动驾驶车辆进行
通信，根据决策主体的权限交互控制指令。若接收外部发布的控制指令，车辆部
署的车载 OBU 通过 V2I（S03-02）接收由 RSU 发布的控制指令；若执行本车计
算的控制指令，则由决策模块直接传输给控制模块。非网联自动驾驶车辆（S02-
02）能够感知周围环境信息和进行决策，然后向控制模块发布控制指令，并由车
辆完成控制。上述决策模块发布的控制指令由车辆的控制模块完成。

第四，主要针对网联自动驾驶车队分布式和集中式控制进行说明。如图 2-1
所示，对于网联自动驾驶车队集中式控制模式，是指 CAVP 中车辆状态信息全部
通过 RSU 上传至车队的集中式控制单元，车队集中控制单元根据上传的数据信
息进行处理和优化计算，确定全部最优的控制指令集合（控制加速度等），并根
据上述信息流传输过程，将控制指令下发至车辆。车队集中控制单元可部署在车
队中任一车辆或路侧，根据通讯和权限设置确定是否将车辆状态信息上传至
TCU 和 TCC。对于网联自动驾驶车队分布式控制，是指车队中车辆借助 RSU 通
过 V2V（S03-03）接收前车的加速度信息，进而计算车辆控制加速度，RSU 只作

19
 东南大学博士学位论文

为 V2V 传输载体，不会将车辆状态信息上传至 TCU 和 TCC。

2.3 本章小结

本章主要描述智能网联环境下基于自动驾驶的交通系统组成和应用架构。基
于自动驾驶的交通系统主要包括车辆系统、道路系统和通讯系统三大关键子系统，
并实现感知、决策和控制三大自动驾驶功能。首先介绍道路系统的组成部分，包
括交通控制中心、交通控制单元和路侧单元。车辆系统包括网联/非网联自动驾
驶车辆、网联自动驾驶车队（分布式和集中式）和路侧单元。通讯系统主要分为
车车通信、车路通信和路路通信模式。然后，介绍车辆和道路自动化分级的定义，
其中车辆系统采用 SAE 对自动化分级定义准则，而道路系统从信息化、智能化、
自动化角度出发，对道路的智能等级进行定义。根据目前自动驾驶技术和未来发
展趋势，本章明确本文研究的智能网联环境，并详细阐述智能环境下系统的应用
流程。本章内容为开展下文研究提供基本概念和研究基础。

20
 第三章 智能网联环境下自动驾驶车辆决策控制理论

第三章 智能网联环境下自动驾驶车辆决策控制理论

本章主要针对自动驾驶车辆决策控制理论进行研究，自动驾驶车辆是执行自
动驾驶任务的实施载体，控制算法是车辆决策控制执行的重要理论工具。基于反
馈控制和最优控制理论，应用一定数学公式对自动驾驶车辆执行过程进行描述，
可以动态准确地刻画其运动规律。通过对车辆个体状态信息进行交通层次集计，
分析控制方法对于道路交通运行的控制效果，从而评价提出控制方法的有效性。
本章内容为下文研究提供控制理论和方法基础。

3.1 车辆控制理论算法

在本部分，主要介绍反馈控制和最优控制理论算法，内容包括车辆控制系统
状态、控制规则以及成本函数构造等。之后介绍用于进行稳定性分析的理论方法，
包括稳定性定义和稳定条件等内容。
3.1.1 反馈控制

3.1.1.1 系统状态

根据国际汽车工程师协会（SAE）标准，自动驾驶车辆跟驰行为是根据恒定
期望车头时距策略（Constant Target Gap, CTG）进行控制。因此，连续两辆车间
的目标平衡间距可表示如下：

si* (t ) vi (t )τ i + s0
= (3-1)

si (t ) = pi −1 (t ) − pi (t ) − L (3-2)

其中，si*代表时间 t 的平衡间距，并作为目标控制间距，s0 代表静止时的最

小间距。L 代表车辆长度，v(t)和 p(t)分别代表车辆速度和位置。τi 代表自动驾驶
车辆的恒定车头时距。si(t)代表前车和后车的实际车头间距。实际车头间距 si(t)
与目标间距 si*的偏差以及与前车的速度差 Δvi(t)能够被定义为：

∆si (t ) = si (t ) − si* (t ) (3-3)

∆vi (t ) = vi −1 (t ) − vi (t ) (3-4)

为了贴近实际应用的控制，在车辆动力学中需考虑执行延误，对应车辆不能
立即执行加速度。参考之前的研究[100][101][102][103]，本文采用一阶近似方程模拟车
辆动力学，如下所示：
1 K
ai (t ) =
− ai (t ) + i ui (t ) (3-5)
Ti Ti
21
 东南大学博士学位论文

其中，ai(t)是实现的加速度; ui(t)代表的控制输出的加速度; Ki 是模型增益参

数; Ti 是实现加速度的执行延误; ai (t ) 代表是前后两个时刻的加速度之差。目标
车辆系统状态的导数被定义为：

xi (t ) =
[∆si (t ), ∆vi (t ), ai (t )]T (3-6)

其中，xi(t)代表目标车辆在时间 t 的系统状态。系统的平衡状态为 xe=[0, 0,

0]T。目标车辆的系统状态的导数如下所示：

xi (t ) = Ai xi (t ) + Bi ui (t ) + Ci (3-7)

0 1 0   0   0 
  
=
其中， Ai 0 0 −1  , Bi =  0  , Ci =  ai −1  .

0 0 −1 Ti   K i T i   0 

3.1.1.2 控制规则

对于通信受限的自动驾驶模式，通常采用线性控制规则来计算控制加速度
[23][100][102]
。具体来说，基于车载传感器测量的车头间距误差项和速度差值项，在
时间 t 第 i 个车辆的控制加速度应用反馈控制方法进行计算。其线性控制规则如
下公式所示：

) ki , s ( si (t ) − si* (t )) + ki ,v (vi −1 (t ) − vi (t ))
ui (t= (3-8)

图 3-1 车辆间不完全部署通信下信息交互示意图

其中，ki,s 和 ki,v 是形成控制闭环的反馈增益参数，其中分别对应的是 Δsi(t)，

Δvi(t)的反馈系数，用于调节系统状态不断接近目标平衡。

22
 第三章 智能网联环境下自动驾驶车辆决策控制理论

图 3-2 车辆间部署通信下信息交互示意图

相比于不完全通信情况下，对于前后两车实现相互通信时，可增设前馈项提
升控制效果。参考之前 Plog’s 的研究[86]，通过构建误差动态方程来设计车辆控制
规则。为此首先定义系统误差状态，获得三阶误差状态方程，通过引入变量 qi，
同时考虑误差动态和前车控制加速度 ui-1 的影响，从而准确计算当前车辆的控制
加速度，计算方式如下所示：

 ∆s1,i   ∆si 
    (3-9)
 ∆s2,i  =
 ∆si 
 ∆s   ∆ 
 3,i   si 

1 1 1
∆s3,i =− ∆s3,i − qi + ui (3-10)
T T T

qi τ ui + ui
= (3-11)

qi = ki , s ∆si + ki ,v ∆si + ki , f ui −1 (3-12)

其中，ki,s 和 ki,v 分别为 Δsi(t)及其导数的反馈系数。ui-1 代表前车的控制加速

度，ki,f 是前馈系数，表示能够考虑前车的状态信息设置提前控制项，并通过
V2V/V2I 通信技术采集前车的加速度信息。若前车为 AV，ki,f 数值为 0；若前车
为 CAV，则通信功能有效，ki,f 数值为 1。
3.1.2 最优控制

3.1.2.1 系统状态和动力学

本文中应用最优控制理论算法是为了控制 CAV 的轨迹，使得车辆能够以恒

定车头时距策略跟随前车行驶，达到最优运动效果。车辆系统的系统状态和动力
学可被定义为：

 p k (t )   vk (t ) 
    (3-13)
 vk (t )  =  ak (t ) 
 a (t )   (−a (t ) + u (t )) T 
 k   k k 

其中，三阶线性模型是应用近似化处理，将非线性车辆动力学模型转变为线
性模型[16][23]。T 代表执行延误，即车辆从期望加速度到实际加速度所需时间。

23
 东南大学博士学位论文

3.1.2.2 成本函数

车辆控制系统在有限的预测范围[t0, t0+tf)中，寻找从某个初始状态转移到指
定的目标状态期间最优的控制加速度和车辆轨迹，并实现运行成本函数最小化，
可以将其表达为以下数学等式：

t0 + t f t0 + t f
J min ∫ L(x(t ), u(t ))dt
= min ∫ L(xT (t )Qx(t ), uT (t )Ru(t ))dt (3-14)
u [ t 0 , t0 + t f ) t 0 u [ t 0 , t0 + t f ) t 0

x=Ax+Bu+C=
 f (x,u)

s.t. x(t=
0) x 0 x(t0 + t =
f ) x0 (3-15)

x ∈ X u ∈ U

其中，L 表示运行成本，Q 和 R 是正定矩阵，定义为：

 Q13×3   c1   c3 
  3×3   , n× n  
Q  , Qk =  c2  R = .
3 n×3 n
=  
 Q n 
3×3  0   c3 
  

上述式中最优控制问题除了加速/减速外，还能够实现间距误差和速度差值的
最小化，并还取决于控制系统的中系统动力学的初始和结束约束条件，以及包括
系统状态和控制变量的约束条件：x(t)∈X，u(t)∈U。其中对状态变量和控制加速
度的限制条件为：

X : {∆si (t ) > d 0 ; vi (t ) ∈ [ vmin , vmax ]} , ∀ i ∈ [1,..., n ] (3-16)

U : {ui (t ) ∈ [ amin , amax ]} , ∀ i ∈ [1,..., n ] (3-17)

该限制条件表明两车间车头间距必须大于最小安全间距，并且所有车辆速度
必须在[vmin, vmax]范围内行驶，控制加速度也被控制在[amin, amax]范围内。

通过使用迭代方案中的求解方法，可以求解目标车辆的最佳加速度轨迹。选
取预测时间内[t0, t0+tf)车辆的最小总运行成本，可得车辆的最优控制加速度序列：

u[*t0 ,t f ) = arg min J (x, u, t | x(t0 )) (3-18)

u

3.1.3 稳定性分析

之前研究定义了两种类型的车队稳定性，分为严格和半严格（头车-尾车稳
定性）[16][40][102][104]。严格车队稳定性代表的是车队中每一对前后车辆的传递函数
范数都小于等于 1。意味着下游交通扰动不会随车队向上游传播而增大，即能够
被上游车辆进行缓解。车队头尾稳定性关注的是头车和尾车之间对于下游扰动的
24
 第三章 智能网联环境下自动驾驶车辆决策控制理论

衰减能力，只要求尾车与头车之间的传递函数范数小于等于 1 即可。

Λ 表示为前车的输出项 Vi-1 和本车的输出项 Vi 之间的传递函数。可以选用不

同指标评价车队稳定性，可以为位置、速度或加速度等指标。如果满足以下条件，
则长度为 n 的车队则满足车队稳定性：

Vi (t ) L2
Sup Λ i ( jw)
= max ≤ 1, ∀w > 0,1 < i ≤ n (3-19)
Vi −1 ( t ) ≠ 0 Vi −1 (t ) L2

其中，V 可以代表位置、速度或加速度，||.||L2 表示 2 范数，车辆在车队中排

序为 i = 0, 1, …, n，其中 i = 0 表示整体车队的头车。j 是虚数的符号，w 代表拉
普拉斯域中的角速度。

相比于车队稳定性，车队头车-尾车稳定性只关注头车和尾车之间的衰减能
力，因此该稳定性更容易实现。车队头尾稳定性的定义如下所示：

Vn (t ) L2
Λ 0− n ( jw) max
Sup= , ∀w > 0 (3-20)
V0 ( t ) ≠ 0 V0 (t ) L2

其中 n 代表控制系统的大小。此外，通过传递函数的范数可以分析指标的波
动程度，车队稳定性的稳定条件如下所示：

Sup Λ i ( jw) ≤ 1, ∀w > 0, 0 ≤ i ≤ n (3-21)

车队头车-尾车稳定性的稳定条件如下所示：

Sup Λ 0− n ( jw) ≤ 1, ∀w > 0, 0 ≤ k ≤ n (3-22)

3.2 最优控制求解算法

对于时刻 t0，最优控制需要求解未来一段时长内最优的控制加速度序列数值。
可基于 Pontryagin 最小准则（Pontryagin’s Minimum Principle, PMP）构建求解算
法对最优控制问题进行求解[105][106]，该算法首先需定义汉密尔顿函数:

H (x=
, u, λ ) L(x, u) + λ T f (x, u) (3-23)

其中 λ=[λs,1, λv,2,…, λs,n, λv,n ]T 表示状态 x 的所谓的边际成本。使用汉密尔顿

公式，可以计算得到最优解的必要条件：

H (x, u* , λ ) ≤ H (x, u, λ ) (3-24)

25
 东南大学博士学位论文

d ∂H ∂Γ T ∂f
− λ= = +λ (3-25)
dt ∂x ∂x ∂x

并取决于预测时长结束时刻 t0+tf 的计算条件：

∂M
λ (t f ) = (xn (t f )) (3-26)
∂x

为了解决上述问题，Hoogendoorn et al. (2012)提出了一种迭代求解方法，通

过在时间上向前迭代求解状态动态方程，向后迭代求解协状态方程[106]，以下将
算法其称为 iPMP，求解算法的计算过程如下所示：

（1）选择权重因子 0<α<1 以平滑更新协状态，设置迭代次数 n = 1，并设置

最大误差阈值 γ max ；

（2）设置初始协状态， Λ (0) ( Λ (0)

k (t ) =
(0)
s , k (t ), Λ s , k (t )) =
T
(0, 0)T ；

（3）应用初始条件 x ( n ) (0) = x 0 求解状态动态方程：

d (n)
= x f (x( n ) , u(x( n ) , Λ ( n −1) )) (3-27)
dt

（4）应用初始条件方式(3-25)求解协状态动态方程：

d ( n ) ∂H ( n )
−= λ (x , u(x( n ) , Λ ( n −1) )) (3-28)
dt ∂x

（5）使用权重因子 α 更新协状态 Λ ：
(n)

(1 − α ) Λ ( n −1) + α λ ( n )
Λ(n) = (3-29)

（6）如果下述公式成立，则算法停止，则当前 u 即为目标车辆的最优控制
加速度；否则设置 n = n + 1 并转到步骤 3：

γ = Λ(n) − λ (n) ≤ γ max (3-30)

2

同理，鉴于此，自动驾驶车队在滚动时域内的最优控制策略均可由此进行计
算，根据前车计算的最优控制加速度以及运行状态，可以计算当前车辆滚动时域
的预测时间[t0, t0+tf)内的最优决策指令，进一步计算加速度、速度和位置等数值，
然后随着车辆和时间的变化不断进行迭代计算。

26
 第三章 智能网联环境下自动驾驶车辆决策控制理论

3.3 道路交通系统评价指标

3.3.1 交通效率

交通流量和总旅行时间（Total Travel Time, TTT）是评价交通系统运行效率

的指标[17]。交通流量定义为单位时间内经过同一断面的车辆数目。总旅行时间为
在统计时间内交通系统所有车辆运行的总时间。其中交通流量主要用于理论分析，
总旅行时间主要用于评价仿真实验效果。其中交通流量的公式，如下所示：

T = ∑ i =1τ i
n
(3-31)

m 1
=Q = (3-32)
∑
n
τ τ
i =1 i

其中，τ 是平均车头时距。Q 是单位时间内通过车辆数目。

TTTi = ∑ t =sim1 TTTi (t )

T
(3-33)

TTT=∑ i =1 TTTi
N
(3-34)

其中，t 是时间，Tsim 是仿真总时长，i 是车辆 ID，N 是车辆数量。

3.3.2 交通安全

在实际应用中很难采用碰撞计数和伤害严重性等指标来进行安全评价，因此
主要选用替代安全方法用于评估安全效果。碰撞时间（Time to Collision, TTC）
指标由 Hayward(1972)提出[107]，并且已在先前的研究中得到广泛应用[107][108][109]。
基于 TTC 指标，经常用 TTC 导数来评估车辆运动相关的安全风险。其中较低的
数值表示更安全的情况，数值越大表示情况风险越大的情况。计算公式为：

 xi −1 (t ) − xi (t ) − L
 , if vi (t ) > vi −1 (t )
TTCi (t ) =  vi (t ) − vi-1 (t ) (3-35)
∞, if v (t ) ≤ v (t )
 i i −1

1
∑
N
TIT (t )
= ∆t (3-36)
i =1
TTCi (t )

TIT=∑ t =1 TIT (t )
T
(3-37)

其中，L 是车辆的长度，Δt 是时间步长，i 是车辆 ID，N 是车辆数量。

27
 东南大学博士学位论文

3.3.3 交通扰动

由于加速度指标（Acceleration）与车辆油耗、排放以及稳定性等方面的评价
存在紧密联系[110]。尤其当车队稳定性作为控制方法的约束条件时，对于同样稳
定的情况下如何应用有效指标，评价扰动等方面的表现则显得尤为重要。本文采
用加速度用于衡量稳定情况下交通扰动情况，其计算公式为：

∑
T
TA(t ) = t =1
ai2 (t ) (3-38)

∑ ∑
N T
ai2 (t )
TA ==i 1 =t 1
(3-39)
N

其中，ai(t)是车辆 i 在时间 t 的加速度。

3.4 本章小结

本章首先介绍智能网联环境下自动驾驶车辆控制理论和方法。阐述反馈控制
理论算法的系统状态和控制规则定义，其次介绍最优控制算法的系统状态及其动
力学定义和成本函数内容，并对车队稳定性的定义和边界条件进行说明。然后阐
述最优控制的 iPMP 求解算法内容，其中涉及求解函数构造和算法求解流程。最
后，从道路交通效率、交通安全以及交通扰动方面，选取评价指标分析不同控制
方法对于道路交通运行的控制效果，用于评价提出控制方法的有效性。本章理论
和方法为后续章节中控制方法的制定和评价提供基础。

28
 第四章 智能网联环境下自动驾驶车辆跟驰决策控制

第四章 智能网联环境下自动驾驶车辆跟驰决策控制

本章主要针对智能网联环境下自动驾驶车辆跟驰决策控制进行研究，协同智
能网联环境下车辆和道路的运营优势，旨在改善交通流量并确保整体车队稳定性，
提出一种基于车路协同决策的自动驾驶车辆控制方法，并对多个自动驾驶车辆混
合流场景的控制效果进行分析。本章研究为智能网联环境下自动驾驶车辆跟驰决
策控制提供技术支撑。

4.1 研究动机与思路

以往主要针对智能网联环境下自动驾驶车辆混合交通流（AV 和 CAV）的交
通效率和车队稳定性进行研究，其中只有 CAV 可交互状态信息和控制指令，用
于保持车队稳定性或改善交通效率。无法同时考虑交通效率和稳定性的相互影响，
应用有限的 CAV 制定控制策略，未能实现对于混合交通流中多个 CAV 跟驰行为
进行协同优化。在未来近期智能网联初级阶段，道路系统通过配置先进设备（传
感器、摄像机、通信设备等）感知车辆的状态信息，能够与 CAV 进行通信，道
路系统并具有控制指令计算的能力。结合车辆和道路运营优势，本章采用车路协
同技术对自动驾驶混合交通流中跟驰问题进行研究。

如图 4-1 所示，本章以高速公路上自动驾驶车辆混合交通流的交通效率和车
队稳定性方面作为重点进行分析。自动驾驶车辆混合交通流包括 AV（车队不稳
定/稳定）和低渗透率 CAV（车队稳定），其中第六辆和第十辆为 CAV（车队稳
定）。其中两辆 CAV 能够分别保持由第 1-6 辆车组成的车队 j 和由第 7-10 辆车组
成的车队 j+1 的头尾稳定性。为了提高交通流量，可以考虑松弛两个车队的稳定
性标准。即两个车队（车队 j 和 j+1）整合为新的车队 j’ ，如图 4-1(a)中所示。
不论车辆顺序如何，新车队被视为一个整体系统，上游的第十辆 CAV 成为新车
队的尾车。这样，两个车队的稳定性标准整合为一个车队的标准，只需确保新车
队的稳定性即可。其中两辆 CAV 都可用于确保车队 j’的头尾稳定性。与之前研
究相比不同之处在于提出的控制方法可以兼顾交通流量和车队稳定性的影响。

此外，可利用道路系统中可变情报板（Variable Message Sign, VMS）的优势，

通过间接增加控制车辆的数目，确保混合流的车队头尾稳定性并提升交通流量。
道路系统根据收集的交通信息，计算并发送最佳控制指令。VMS 通过广播或可
变信息板进行指令发布。遵循 VMS 发送控制指令的 AV 可被视为新的控制车辆，
可以用来缓解交通扰动和提升交通效率。因此通过 AV 遵循 VMS 发布指令的方
式，能够产生 CAV 类似的控制效果，如图 4-1(b)中虚线所示。

29
 东南大学博士学位论文

交通控制中心

控制单元 控制单元
路侧RSU 路侧RSU
VMS VMS VMS

...

n 10 9 8 7 6 5 4 3 2 1 0
车队 j+1 车队 j
新车队 j’

CAV AV (稳定) AV (不稳定)

（a）
交通控制中心

控制单元 控制单元
路侧RSU 路侧RSU
VMS VMS VMS

...

n 10 9 8 7 6 5 4 3 2 1 0

车队 j+1 车队 j
CAV AV (稳定) AV (不稳定)

（b）
图 4-1 跟驰控制方法示意图：（a）控制模式；（b）信息模式

本章旨在提出基于车路协同决策的自动驾驶车辆跟驰控制方法，并对道路交
通运行的控制效果进行分析与评价。本章 4.2 节首先介绍车辆控制方法，4.3 节
介绍控制策略，4.4 节和 4.5 节阐述具体实施案例和分析实验效果，4.6 节对本章
进行了小结。

4.2 基于车路协同的车辆跟驰控制方法

4.2.1 车辆控制系统状态

采用上述定义的恒定车头时距控制策略和一阶方程车辆动力学，因此目标车
辆的系统状态被定义为：

xi (t ) =
[∆si (t ), ∆vi (t ), ai (t )]T (4-1)

目标车辆的系统状态的定义如下所示：

xi (t ) = Ai xi (t ) + Bi ui (t ) + Ci (4-2)

0 1 0   0   0 
  
=
其中， Ai 0 0 
−1  , Bi =  0  , Ci =  ai −1  .
0 0 −1 Ti   K i T i   0 

30
 第四章 智能网联环境下自动驾驶车辆跟驰决策控制

车辆采用广泛应用的线性控制规则，计算车辆的控制加速度，计算公式如下
所示：

i (t )
u= ki , s ( si (t − ε ) − si* (t − ε )) + ki ,v (vi −1 (t − ε ) − vi (t − ε )) (4-3)

其中，ki,s 和 ki,v 分别是偏离平衡间距和速度差的反馈增益参数。ε 是车载感

知系统存在的测量延误。
4.2.2 车队稳定性分析
根据公式(3-22)，可以计算车队头车-尾车稳定性的传递函数为：
Vn ( z ) Vn ( z ) Vn −1 ( z ) V ( z)
G0− n ( jw
=) = × × ... × 1 =H n ( z ) × H n −1 ( z ).. × H1 ( z ) (4-4)
V0 ( z ) Vn −1 ( z ) Vn − 2 ( z ) V0 ( z )

此外，根据上述公式，车队头尾稳定性标准（严格或非严格条件）分别表示
如下：

(1) 满足以下条件，可以确保车队的头尾稳定性：

∏
n
G0−n ( jw)
= k =1
H k ( jw) < 1, ∀w > 0 (4-5)

(2) 满足以下条件，可以确保严格的车队头尾稳定性：

H i ( jw) < 1, ∀w > 0, i ∈ [1, n] (4-6)

根据第三章稳定性定义公式(3-19)，通过拉普拉斯变换计算 AV 和 CAV 的速
度误差传递函数，并将频域中的速度误差传递函数改写为：

Vi ( z ) ( f s ,i + f vl ,i z )e −ε z
Hi ( z) =
= (4-7)
Vi −1 ( z ) Ti K i z 3 + 1 K i z 2 − f v ,i ze −ε z + f s ,i e −ε z

 f vl ,i = ki ,v

 f v ,i = − ki , v − ki , s ∗ τ i (4-8)

 f s ,i = ki , s

定理 4-1：车队头尾稳定性充分条件 1，即 A2 > 0 , A4 > 0 , A6 > 0 ;

证明：可以将 z =jω 插入上述传递方程的上下部分，进而重新改写速度误差

传递函数，如公式(4-9)所示。通过简化 cos 和 sin 函数项，可以得到关于参数 w
的系数项（部分证明过程，请参考研究[16]），计算其传递函数为：

31
 东南大学博士学位论文

f s ,i + f vl ,i w2
Hi = (4-9)
 Ti 2 6  1 2Ti  2 
 2 w + 2 + f v ,iτ i cos(ε w)  w4 + ( f s ,iTi + f v ,i ) sin(ε w) w3 
 Ki  Ki Ki  Ki 
  
 +  ( f v ,i ) 2 − 2 f s ,i cos(ε w)  w2 + ( f s ,i ) 2 
 K 
  i  

确保 AV/CAV 是车队稳定的，需要传递函数范数小于等于 1，通过整理可以

得到一个关于 w 的多项式：

Ti 2 6  1 2 2   2 
2
w + 2 + f v ,iTi + ( f s ,iTi + f v ,i )ε  w4 +  ( f v ,i ) 2 − f s ,i − ( f vl ,i ) 2  w2 > 0 (4-10)
Ki  Ki Ki Ki   Ki 

上述不等式等价于：

minY ( w) = A6 w6 + A4 w4 + A2 w2 > 0 (4-11)

w>0

其中多项式系数分别为：

2
A2 = ( f v ,i ) 2 − f s ,i − ( f vl ,i ) 2 (4-12)
Ki

1 2 2
=A4 2
+ f v ,iTi + ( f s ,iTi + f v ,i )ε (4-13)
Ki Ki Ki

Ti 2
A6 = (4-14)
K i2

当所有系数都大于 0 时候，该条件将成立，即完成证明，确保 AV/CAV 实现

车队稳定。

定理 4-2：车队头尾稳定性充分条件 2，即 A4 < 0 , A2 > A4 2 4 A6 ;

证明：对于 A6 的系数大于 0，通过对公式(4-11)进行求导，然后计算左边等

式的根解为：

w* =± − A4 2 A6 w* =0 (4-15)
去除 w 负根和零根并将 w∗带入 Y：
4 2
 − A4   − A4 
minY
= ( w) A6  
 + A4   + A2 > 0 (4-16)
w>0
 2 A6   2 A6 

32
 第四章 智能网联环境下自动驾驶车辆跟驰决策控制

由上述不等式可得，当 A2 > A4 2 4 A6 ，该公式成立，从而完成另一稳定性条

件的证明。

（a） （b）

（c） （d）
图 4-2 ks-kv 稳定可行域（红色和蓝色代表稳定区域）：
（a）车头时距 τ =1.2s；（b）τ =1.4s；（c）τ = 1.6s;（d）τ =2.0s

图 4-2 展示了对于不同期望车头时距参数的 ks-kv 稳定可行域。由图可知，反

馈增益参数对于稳定区域的影响不是单调的，当 ks 较小时，在一定范围内增加该
数值具有稳定作用，但当 kv 较大时，增大该数值不会实现车队稳定。关于速度差
值的增益参数也观察到类似现象。当车头时距低于某个阈值时（本文中参数设置
对应为 1.6s），当车头时距小于 1.6 s，车头时距的增加能够增大控制系统的稳定
性区域。但车头时距大于 1.6s，稳定区域不会显着增加，但稳定区域会发生变化，
两个稳定性条件组成的稳定区域重合线将会有所偏转并变得更陡峭。

33
 东南大学博士学位论文

（a） （b）

（c） （d）
图 4-3 ks-kv 稳定可行域（红色和蓝色代表稳定区域）：
（a）感知延误 ε =0.15；（b）ε =0.20；（c）ε = 0.25；（d）ε =0.30

图 4-3 展示了不同感知延误参数的 ks-kv 稳定可行域。由结果可知，随着感知

延误数值增大，车辆控制系统的稳定区域会等逐渐缩小。主要因为车载系统感知
的状态信息具有一定程度的延迟，导致控制加速度的计算与实际车辆状态所需要
的控制加速度存在偏差，因此导致车辆控制系统的稳定区域收缩。

（a） （b）

34
 第四章 智能网联环境下自动驾驶车辆跟驰决策控制

（c） （d）
图 4-4 ks-kv 稳定可行域（红色和蓝色代表稳定区域）：
（a）模型增益 K=1.0；（b）K=0.9；
（c）K=0.8；（d）K=0.7

图 4-4 展示了对于不同模型增益参数的 ks-kv 稳定可行域。由图可知随着模型

增益数值变大，车辆控制系统的稳定区域会等比例缩小。主要是因为模型增益参
与其它参数呈现反比关系，导致稳定区间数值成比例变化。因此，优先采用较大
数值对车辆控制系统进行应用。
4.2.3 协同优化控制

道路感知的 AV 状态信息和预测的车辆控制参数，并与路段上 CAV 进行信

息交互，CAV 结合提供的信息计算确保一个车队头尾稳定性的控制指令（如期
望车头时距）。因此，对于第 i 个车队头尾稳定性的稳定性条件为：

∏ H k ( jw) , k ∈ [1, N i ] , N i ∈ [1, N ]

Ni
( jw)
G1− Ni = k =1
(4-17)

∏ H k ( jw) , i ∈ [1, n ]
Ni −1
Pi (τ i* , ki , s , ki ,v ) ∈ H i ( jw) < 1 k =1
(4-18)

P1− n (τ i* , ki , s , ki ,v ) ∈ ( P1  Pi  ...  Pn ) (4-19)

其中，N 为所有车辆的总和，Ni 为第 i 个车队的总数目，n 代表 CAV 的数

目。Pi 是根据严格独立的车队头尾稳定性条件，计算的控制参数集合。基于多个
车队的稳定性条件，确定用于多个车队独立稳定性的参数集合 P1-n。

若 CAV 的控制指令对交通效率造成较大影响或不满足控制条件时，需权衡
交通流量和车队稳定性的相互影响，道路系统从利于交通系统角度出发进行控制
指令制定，代替车辆决策的控制指令。控制方法通过适度放松整体车队的稳定性
标准，从而提升交通流量并同时确保整体稳定性。因此，控制方法目标为求解最
小的总期望车头时距，其中总车头时距由多个控制车辆的车头时距组成，以如式
(4-21)所示。首先应用公式(4-22)计算所有控制 CAV 车头时距的可行解，作为初
始车头时距参数集合。对于总车头时距相等的初始集合，进一步比较相同集合中

35
 东南大学博士学位论文

单个车头时距的数值大小，找到每个相同集合中最大的单个车头时距数值，并在
此确定最大的车头时距集合中选取最小值，并选择具有最小的最大单个车头时距
的集合作为中间参数集合。将该集合中不同车头时距与对应的原始车头时距进行
比较，将具有最小差值总和的集合视为最优的控制参数集合。对于一个新的车队，
其宽松头尾稳定性和最优控制指令的计算公式如下所示：

∏ H k ( jw) , k ∈ [1, N ]
N
G0− N ( jw)
= k =1
(4-20)

min ∑ k =1τ k* , k ∈ [1, n ]

n
(4-21)
τk

s.t.

∏
N −n
Pi (τ i* , ki , s , ki ,v ) ∈ H i ( jw) < 1 k =1
H k ( jw) , i ∈ [1, n] (4-22)

P1− n (τ i* , ki , s , ki ,v ) ∈ min ( P1  Pi  ...  Pn ) (4-23)

P1− n (τ i* , ki , s , ki ,v ) ∈ min ( max( P1 , Pi ,..., Pn ) (4-24)

其中，根据 n 个车队组成的整体头尾稳定性标准，计算且服从整体稳定性的
车队控制参数集合，其中 Pi 是第 i 个车队中控制车辆的控制参数集合。最优控
制参数集 P1-n 是用来稳定由 n 个车队组成的整体头尾稳定性。

4.3 跟驰控制策略

基于上述的车队头车-尾车稳定性分析，提出的控制方法是通过适度放松整
体车队的稳定性标准，从而提升交通流量。首先阐述控制方法中车辆和道路所实
现的自动驾驶功能，然后描述控制方法的决策过程。
4.3.1 功能应用

道路和车辆都可以执行感知、决策、控制和通信等驾驶功能。对于道路系统，
包括交通控制中心（TCC）、交通控制单元（TCU）和路侧单元（RSU）。道路系
统中 TCC 和 TCU 侧重实现决策和通讯功能，RSU 主要实现感知和通讯功能。

感知：RSU 用于接收 CAV 的状态信息，感知 AV 的状态信息，并通过 V2I

或 VMS 向车辆发送目标指令。CAV 不仅可以交互状态信息，还能否通过 V2I 通
信从 RSU 接收信息和控制指令。AV 基于车载系统感知周围车辆的状态信息。

决策：基于 RSU 感知的状态信息，每一车队中尾车 CAV 都能够独立进行决

策，以确保该车队的头尾稳定性，该决策被设置为默认的控制指令。TCC 基于不
同的控制目标，根据 RSU 采集的 CAV 和 AV 状态信息，以及 CAV 控制指令，
进行优化计算来确定最优的控制指令。若满足控制策略的指令更改条件，TCC 根
36
 第四章 智能网联环境下自动驾驶车辆跟驰决策控制

据车队和控制车辆组成情况重新计算最佳控制指令。并 RSU 将向控制车辆发布

新的控制指令，以替换默认的控制指令。

控制：配备有车载显示器的 CAV 通过 RSU 和 V2I 接收 TCC 发布的控制指

令。RSU 通过 VMS 将信息发布或广播给 AV。车辆控制模块执行控制指令的操
作。本文研究假设车辆能够完全遵循通过 V2I 或 VMS 发布的控制指令。
4.3.2 决策步骤

控制策略的决策实施过程主要包括：首先，计算用于保持单个车队头尾稳定
性的稳定性条件，并将其作为默认的控制指令。其次，根据预设的阈值来判断控
制策略的切换条件。若满足切换条件，则连续的车队整合为一个新车队，从而构
建宽松的整体稳定性标准，用来提升交通流量。第三，受控车辆接收交通控制中
心分配的最优控制指令，实现车队整体的头尾稳定性。

（1）计算单个车队稳定性条件

基于道路感知的 AV 运动状态和预测的控制参数信息，CAV 能够计算最优

的控制指令（如期望车头时距）。这样，CAV 根据控制指令可以独立确保一个车
队的头尾稳定性。当 CAV 达不到协同优化条件情况下，车辆决策的指令将设置
为默认控制命令，以确保每个车队的稳定性。

（2）分析车队稳定性的切换条件

首先建立针对交通效率的稳定性切换条件，如设置期望车头时距的调控阈值。
若用于满足车队头尾稳定性的目标期望车头时距大于阈值设置，则满足稳定性标
准的切换条件。然后，启用控制策略来改善交通效率并同时保证整体车队稳定性。
控制策略可以将连续的车队整合为一个新的车队，从而将多个独立车队头尾稳定
性标准放宽为一个整体车队的头尾稳定性标准，其中车队的车辆组成发生变化。
这样，通过松弛头尾稳定性标准来确保整体稳定性并提升交通流量的目标。

（3）确定车辆的控制指令

基于切换后的稳定性标准，根据采集的车辆状态信息和控制指令，交通控制
中心可以重新计算最佳的控制指令，以实现整体车队控制目标。与多个车队独立
保持稳定性的不同之处是，切换后的车队稳定性标准变得更为宽松，并且所有
CAV 都可用于稳定新车队的头尾稳定性。CAV 通过 V2I 通信接收控制指令。AV
可通过 VMS 接收由广播和可变信息情报板发布的控制指令。因此，控制策略可
应用更多的控制车辆执行交通控制中心计算的最优控制指令，从而避免单个 CAV
进行较大的车头时距参数调整。

37
 东南大学博士学位论文

4.4 实验案例

表 4-1 实验的默认数值设置
参数名称 符号 数值
模型增益 K 1.0
期望车头时距 τ 1.2 s
感知延误 ε 0.2
执行延误 T 0.2
速度差值增益系数（稳定/不稳定） kv 0.6/0.40
间距误差增益系数（稳定/不稳定） ks 0.6/0.50

在本节设计具体案例对所提出基于车路协同决策的自动驾驶车辆跟驰控制
方法的有效性进行验证。其中从车辆市场渗透率、控制模式、信息模式四个角度
进行理论和仿真分析。其中包括 CAV（10％, 20％）和 AV(0％, 10％, 20％)，控
制模式分为严格和宽松，信息模式分为车路通信（V2I）+可变信息板（VMS）和
车路通信（V2I）。对于 AV 和 CAV，车辆控制参数包含速度差值增益、间距误差
增益、期望车头时距、模型增益、感知延误和执行延误。表 4-1 列出所有控制参
数的默认数值。在保证整体交通稳定性前提下，从交通流量方面对所提出的控制
方法进行评价。

4.5 实验结果

表 4-2 不同控制方法的车头时距变化量对比
CAV (%)
*
通信模式 控制模式 AV* (%) 车头时距集合 总和(s) 差值(s) 变化量(%)
10 V2I -- 0 (2.4) 2.4 1.20 --
10 V2I -- 10 (2.1) 2.1 0.90 25.0
V2I -- 20 (1.9) 1.9 0.70 41.7
10 V2I+VMS -- 10 (1.6,1.7) 3.3 0.90 25.0
V2I+VMS -- 20 (1.3,1.5,1.5) 4.3 0.70 41.7
20 V2I 严格 0 (2.2,1.2) 3.4 1.00 --
V2I 宽松 0 (1.6,1.7) 3.3 0.90 10.0
20 V2I 严格 10 (2.1,1.2) 3.3 0.90 10.0
V2I 宽松 20 (1.9,1.2) 3.1 0.70 30.0
20 V2I 严格 10 (1.4,1.7) 3.1 0.70 30.0
V2I 宽松 20 (1.4,1.4) 2.8 0.40 60.0
20 V2I+VMS 严格 10 (2.1,1.2,1.2) 4.5 0.90 10.0
V2I+VMS 宽松 20 (1.9,1.2,1.2) 4.3 0.70 30.0
20 V2I+VMS 严格 10 (1.3,1.5,1.5) 4.3 0.70 30.0
V2I+VMS 宽松 20 (1.35,1.35,1.3,1.2); 5.2 0.40 60.0
(1.4,1.4,1.2,1.2)
注: *代表车队稳定的车辆

表 4-2 展示不同控制方法下确保稳定性所需的总期望车头时距数值对比结

38
 第四章 智能网联环境下自动驾驶车辆跟驰决策控制

果。针对 CAV(10％)和 AV(0%, 10%, 20%)情况下，CAV 总车头时距数值增大至

2.4s, 2.1s 和 1.9s，才能够确保车队的头尾稳定性。由结果可知，CAV 车头时距的
调整对于保持车队稳定性具有显著作用，车队稳定 AV 也有助于保持车队的头尾
稳定性。此外，应用 V2I + VMS 信息模式的控制方法所需车头时距为 1.7s 和 1.6s，
其总车头时距减少 0.9s，且与 V2I 模式下的车头时距减少数值相同。但随着 AV
比例的增加，应用 V2I+VMS 信息模式能够出现不同的车头时距参数集合。表明
除控制模式外，控制方法能够通过增加信息模式，产生多种调整方案来提升交通
流量并保证车队稳定性。主要是因为在智能网联环境中 AV 通过遵循 VMS 发布
的控制指令。因此与 V2I 模式相比，V2I+VMS 模式可以有效地将总车头时距分
配给更多控制车辆（CAV 和转换后 AV），从而帮助车队整体实现稳定。如图 4-
5(a)所示，应用控制策略调整车头时距，可以使得传递函数范数小于 1，有效确
保车队头尾稳定性。

在 20％CAV 情况下，应用 V2I 信息模式的控制方法可以分为严格控制和宽

松控制模式。对于严格控制模式，为保证两个车队的稳定性，对于三个比例的 AV
情况下 CAV 总车头时距分别增加至 3.4s, 3.3s 和 3.1s。应用宽松模式的三种情况
下，总车头时距数值为 3.3s, 3.1s 和 2.8s。根据数值可知，相比于严格控制相比，
宽松控制模式具有较小的车头时距增量，能够在提升交通流量方面具有较好的控
制效果。这是因为宽松控制模式可以将连续两个车队整合为一个新的车队。将两
个车队独立标准放宽为一个车队整体标准，从而构建更为宽松的车队稳定性标准
实现新车队的稳定性，其中不需要考虑混合流的车辆排序对车队稳定性的影响。
此外，由于车队稳定 AV 自带的稳定控制效果，可以部分缓解具有线性不稳定性
AV 的不利影响，只需 CAV 应用一个较小车头时距就能确定整个车队的稳定性。
针对 20％CAV 应用控制策略，上述案例情况都能够保证车队的头尾稳定性，如
图 4-5(b)所示。

无论对于严格和宽松控制模式，对于 20％CAV 情况应用 V2I+VMS 信息模

式，与 V2I 信息模式相比，都具有相同的总期望车头时距数值。对于宽松控制，
应用 V2I+VMS 模式的控制策略能够产生更多的总车头时距集合。由于受限于严
格的稳定性标准，V2I+VMS 模式不会改变车头时距集合。此外，具有宽松模式
的控制策略能够有效改善目标车头时距的调整过程。主要得益于 VMS 的部署应
用，与 V2I 信息模式的控制策略相比，V2I+VMS 模式可以增加控制车辆的数目，
从而更合理地分配总车头时距。例如，对于相同的总车头时距集合，分别为(1.35,
1.35, 1.3, 1.2)和(1.4, 1.4, 1.2, 1.2)。由于前一组中最大的车头时距小于后一组中最
大的车头时距，使得在控制策略实施过程中每单位时间的变化调整量较小，因此
前一组以在相同过渡时间内能够实现更为平滑的调整。且基于 V2I+VMS 的控制

39
 东南大学博士学位论文

策略也可灵活地调整车头时距的分布顺序，可以根据控制方法的目标确定最合适
的集合和调整顺序。

（a）

（b）
图 4-5 不同控制方法的转移函数范数：（a）CAV (10%)；（b）CAV (20%)

本节开展仿真测试验证车队头车-尾车稳定性的理论分析结果。假设头车执
行周期性的加减速扰动，其扰动时长为 160s，步长为 0.1s，加速度上下限为
[0.5m/s2, -0.5m/s2]。车辆的初始速度为 15m/s，加速度为 0m/s2。此外，参考前者
的研究[83]，在本文中目标车头时距的调整时间设置为 60s，本文不涉及最佳调整
时间的选取问题。对于实验案例一，主要分析不同控制模式的控制效果，20％CAV
和 10％AV 分别具有严格和宽松控制模式，车队中第 8 辆和第 10 辆为 CAV，第
9 辆是车队稳定 AV，在此车辆顺序下则需要最大的车头时距来保持车队稳定性。
对于实验案例二，主要比较不同信息模式的控制效果，车队中包含 10％CAV 和
10％AV，其中第 8 辆是 AV，第 10 辆是基于 V2I 或 V2I+VMS 信息模式的 CAV，
用于确保不同信息模式下头尾稳定性。

40
 第四章 智能网联环境下自动驾驶车辆跟驰决策控制

（a）

（b）

（c）
图 4-6 不同控制方法下的仿真结果：（a）CAV(20%)+AV(10%)+无控制；（b）
CAV(20%)+AV(10%)+V2I+严格控制模式；（c）CAV(20%)+AV (10%)+V2I+宽松
控制模式

图 4-6 展示在 20％CAV 和 10％AV 情况下不同控制方法的实验仿真结果。

图 4-6(a)中可知，在无控制策略下两个车队受到外源性交通干扰，车队从头车至
尾车的加速度扰动幅度不断增大。对于应用严格控制模式的控制策略情况下，尾
车的加速度扰动幅度小于头车的扰动幅度，如图 4-6(b)所示。说明控制方法可通

41
 东南大学博士学位论文

过调整车头时距来稳定两个独立车队头尾稳定性。图 4-6(c)展示应用宽松控制模
式的控制方法，在此情况下与头车扰动相比，车队中尾车依然能够缓解的加速度
扰动。但是，宽松控制模式不能帮助第 8 辆 CAV 实现稳定，只能缓解其干扰的
扰动幅度。这表明，通过采用宽松控制模式的控制方法，能够确保整体车队的头
尾稳定性。结果表明，具有车头时距调整功能的 CAV 和稳定的 AV 以及宽松控
制模式的控制方法能够缓解头车至尾车的扰动，并能够有效改善交通效率。

（a）

（b）

（c）
42
 第四章 智能网联环境下自动驾驶车辆跟驰决策控制

图 4-7 不同策略下的仿真结果：（a）CAV (10%)+AV (10%)+无控制；（b）CAV

(10%)+AV (10%)+V2I；
（c）CAV (10%)+AV (10%)+V2I+VMS

图 4-7 展示在 10％CAV 和 10％AV 情况下不同控制方法的实验仿真结果。

图中由上到下分别应用的控制方法为：无控制、V2I 信息模式和 V2I+VMS 信息
模式。根据图 4-7(b)和图 4-7(c)中可知，与图 4-7(a)中无控制方法的控制效果相
比，尾车的加速度扰动幅度明显小于头车的加速度扰动。这是因为通过调整车头
时距来缓解周期性加速度扰动的影响，从而保持车队的头尾稳定性。此外，图 4-
7(c)中第 8 个 AV 和第 10 个 CAV 的加速度扰动幅度小于图 4-7(b)中对应车辆的
加速度幅度。结果表明执行控制指令后的 AV 产生有益的控制效果，可以有助于
保持车队稳定性。这是基于 V2I+VMS 模式的应用，AV 通过遵循 VMS 发布的指
令，能够将其视为车队中控制车辆，相比于 V2I 信息模式，可将控制指令（总期
望车头时距）更合理分配给多个车辆。综上所述，基于 V2I 模式 CAV 和 VMS 模
式转换后 AV 的组合部署，使得控制策略在保持稳定性方面具有更好的控制效果。

4.6 本章小结

本章针对智能网联环境下自动驾驶车辆跟驰控制进行研究，旨在提升交通流
量并确定整体车队稳定性。首先针对自动驾驶车辆混合交通流进行分析，其中由
车队稳定/不稳定 AV 和市场渗透率较低的 CAV 共同组成，应用稳定性理论计算
车辆控制参数的稳定区域，进而区分 AV 类型。协同智能网联环境下车辆和道路
的运营优势，以交通流量为目标和车队头尾稳定性为约束，从控制模式和信息模
式两个方面进行应用，其中控制模式分为严格和宽松，信息模式分为车路通信和
车路通信+可变信息板。并对多种组合场景下进行理论分析和仿真验证。研究表
明，适当地松弛车队头尾稳定性条件，宽松控制模式能够对多个 CAV 进行协同
控制，车队稳定的 AV 具有一定的稳定效果，并与 CAV 结合应用来缓解车队不
稳定情况，从而有效提高交通流量并确保整体头尾稳定性。通过增加信息模式增
加更多控制车辆，提供更为有效地分配方案，利于改善交通运行效率。本章研究
成果为智能网联环境下自动驾驶车辆跟驰决策控制提供理论与技术支持。

43
东南大学博士学位论文

44
 第五章 智能网联环境下自动驾驶车辆换道决策控制

第五章 智能网联环境下自动驾驶车辆换道决策控制

本章主要针对面向智能网联环境下自动驾驶车辆换道决策控制进行研究，首
先阐述智能网联环境下车辆和道路的协同作用，提出车路协同决策的自动驾驶车
辆换道控制方法，并从车辆控制方法设计和车辆运动状态估计方面进对控制方法
的控制效果进行分析。本章研究为智能网联环境下自动驾驶车辆换道决策控制提
供技术支撑。

5.1 研究动机与思路

以往研究集中在完全通信环境下实现自动驾驶车辆换道行为，缺乏对自动驾
驶车辆混合交通流的换道问题进行探究。在近期自动驾驶技术应用中，考虑智能
网联环境下道路系统的运营优势，道路能够感知车辆运动状态和预测车辆控制参
数，并具有与 CAV 进行信息交互的能力，改善了通信技术部署受限情况下换道
感知和决策问题。换道 CAV 能够与道路进行通信，交互周围车辆的状态信息和
控制参数，构建安全有效的换道控制方法。因此结合 CAV 和道路的优势，可以
为 CAV 换道问题提供一个有效的解决方案。

如图 5-1 所示，当前 CAV（SV）通过道路部署的感知设备（摄像机、雷达通

讯等）能够感知和预测周围车辆的运动状态和控制参数，包括：当前车道上当前
前车（CL1）和当前后车（CF1）以及目标车道上目标前车（PL1）和目标后车（PF1）。
目标车道前车相比于当前车道前车具有更高的行驶速度。因当前车辆受到前车的
运动状态影响，能够产生变道意图，通过换道来寻求更优的行驶环境。为了确保
换道的安全和效率，考虑目标后车和当前车辆的相互影响，因此本文需构建一个
协作控制方法，计算当前车辆换道和不换道所需的运行成本，通过比较确定最终
的换道决策。当前车辆能够结合道路感知的预测的车辆状态信息，应用跟驰模型
预测目标后车的运动状态。换言之，当前车辆能够预测目标后车根据当前车辆的
运动状态更新后车自身的运动状态。意味着由两车的相互作用产生了当前车辆在
未来一段时间内的控制加速度和运动轨迹。

在实际情况中，由于感知系统会产生测量误差，导致道路和车辆不能完全准
确感知周围车辆的运动状态和控制参数。为了确保换道操作的安全，本文提出的
换道控制方法需考虑换道决策中不确定交通状况的影响，其中本文主要关注车辆
运动状态和控制参数的误差。智能网联环境下高速公路路段当前车辆换道操作涉
及的车辆包括：
（1）当前车辆，即通过变道追求更高速度的目标车辆；
（2）目标
前车和当前前车，即目标车道和当前车道上当前车辆的第一个前导车辆；
（3）目

45
 东南大学博士学位论文

标后车和当前后车，即目标车道和当前车道上当前车辆的第一个跟随车辆。

路侧RSU 路侧RSU

PF1 PL1

CL1

CAV AV 感知

图5-1 潜在换道场景及其周围交通情况

本章旨在提出基于车路协同决策的自动驾驶车辆换道控制方法，促进车辆实
现安全、效率和舒适的自动化换道。本章 5.2 节首先构建车辆换道控制方法，5.3
节介绍换道控制策略，5.4 节和 5.5 节介绍具体实验案例和分析实验结果，5.6 节
对本章进行了小结。

5.2 基于车路协同的车辆换道控制方法

5.2.1 车辆控制系统状态

基于道路感知的周围车辆运动状态和控制参数，本章采用车头间距、相对速
度以及加速度定义系统状态空间，当前车道的前车和后车之间的车头间距以及与
速度差值被定义为：

ssv (t ) = pclv (t ) − psv (t ) − L (5-1)

∆vsv (t ) = vclv (t ) − vsv (t ) (5-2)

scfv (t ) = psv (t ) − pcfv (t ) − L (5-3)

∆vcfv (t ) = vsv (t ) − vcfv (t ) (5-4)

式中，下标‘sv’和‘clv’以及‘cfv’分别用来区别当前车辆、当前前车和当前后车
的相关变量，L 代表车辆长度，v(t)和 p(t)分别代表车辆速度和位置。当前车辆不
换道的系统状态如下所示：

, nlc (t )
xsv= [ ssv (t ), ∆vsv (t ), asv (t )]T (5-5)

46
 第五章 智能网联环境下自动驾驶车辆换道决策控制

其中，xsv(t)代表当前车辆在时间 t 的系统状态。s(t)代表车头间距，Δv 代表
T
车辆间的速度差值。系统的平衡状态为 xe =  ssv ,e , 0, 0  。采用第三章节定义的车
辆动力学方程，其中模型增益 K 取值为 1。

当前车辆换道的系统状态导数如下所示：

xsv , nlc (t ) = Asv xsv (t ) + Bsv usv (t ) + Csv (5-6)

0 1 0   0   0 
=
式中， Asv 0 0 −1  , Bsv =  0  , Csv =  aclv  .
0 0 −1 Tsv  1 Tsv   0 

在目标车道上车辆之间的车头间距以及与速度差值被定义为：

ssv (t ) = p plv (t ) − psv (t ) − L (5-7)

∆vsv (t ) = v plv (t ) − vsv (t ) (5-8)

s pfv (t ) = psv (t ) − p pfv (t ) − L (5-9)

∆v pfv (t ) = vsv (t ) − v pfv (t ) (5-10)

式中，下标‘sv’和‘plv’以及‘pfv’分别用来区别当前车辆、目标前车和目标后车
的相关变量。s 和 Δv 分别代表目标前车与当前车辆、当前车辆与目标后车的车
头间距和速度差值。

s*pfv (t ) v pfv (t )τ + s0
= (5-11)

式中，spfv*代表时间 t 的平衡间距，并作为目标控制间距。τ 代表车辆的恒定

车头时距。s0 为静止时最小车头间距。当前车辆换道的系统状态如下所示：

xsv ,lc (t ) =
[ ssv (t ), ∆vsv (t ), asv (t ), s pfv (t ), ∆v pfv (t ), a pfv (t )]T (5-12)

目标后车采用线性控制规则计算车辆的控制加速度：

(t ) k pfv , s ( s pfv (t ) − s*pfv (t )) + k pfv ,v (vsv (t ) − v pfv (t ))

u pfv= (5-13)

式中，kpfv,s 和 kpfv,v 分别是偏离平衡间距和速度差的反馈增益参数。

当前车辆换道的系统状态导数如下所示：

xsv ,lc (t ) = Asv xsv (t ) + Bsv usv (t ) + Csv (5-14)

式中，将上述公式(5-12)带入，可得以下矩阵，

47
 东南大学博士学位论文

0 1 0 0 0 0 
0 0 0
 −1 0 0 0  0
 0 
 a 
 −1     plv 
0 0 0 0 0  1  0 
Tsv  B = T  ,  
Asv =   sv  Csv =  0 .
0 0 0 0 1 0  sv

  0  0 
0 0 1 0 0 −1     
   0  − k s td v plv 
kt ks kv + k s td −1  T 
0 s d 0   0 
 Tpfv Tpfv Tpfv Tpfv   pfv 

5.2.2 车辆换道成本函数

换道总运行成本是由运行成本和末态成本组成，其中末态成本为零，成本函
数公式如下所示：

∑
t0 + t f
=J t = t0
Ldt + M (5-15)

s.t. M =0 (5-16)

其中 J 是总成本，L 是运行成本，M 是末态成本，[t0, t0+tf)是预测时长范围。

在本文中，每辆车运行成本以二次方形式进行构建，总运行成本函数考虑安全、
效率、舒适和路径等成本项的影响[54]。由于周围车辆的通信能力受限，CAV 能
够应用与道路交互的车辆状态信息和控制参数，通过计算当前车辆的总运行成本，
确定车辆的最佳加速度。因此，用于协同换道控制的运行成本函数公式如下所示：

=Lsv β saf ssv ,σ ∆vsv ,σ Θ(∆vsv ,σ ) + β eff (vsv ,e − vsv ) 2 +β ctrl asv2 + β rout d 0 d sv ,end
(5-17)
+ β saf s pfv ,σ ∆v pfv ,σ Θ(∆v pfv ,σ ) + β eff (v pfv ,e − v pfv ) 2 +β ctrl a 2pfv + β rout d 0 d pfv ,end

1, ∆vi < 0

Θ(∆vi ) 
= i ∈ ( sv, pfv) (5-18)
0, ∆vi ≥ 0

vd , si > s f
ve ( si )=  i ∈ ( sv, pfv) (5-19)
 si td , si ≤ s f
其中，si 和 Δvi 分别为目标前车与当前车辆、当前车辆与目标后车的车头间
距和速度差值。 Θ 是关于相对速度的惩罚函数。vd 代表车辆的期望速度，s0 为
静止时最小车头间距，ve 为平衡速度，根据公式(5-18)进行计算。td, max 为期望车
头时距，sf =s0+vd *td, max 为与前车交互的距离阈值。βsafe, βeff , βctrl 和 βrout 为成本
的权重参数。 di=
, end pend − pi ，pend 是车道末端的位置，d0 为设定的阈值距离。为
简化起见，本研究未考虑车道切换成本的影响。运行成本的矩阵表达形式为：
T
Lsv = xsv β sv xsv (5-20)
48
 第五章 智能网联环境下自动驾驶车辆换道决策控制

 β eff 
 β saf 
 
 β ctrl 
其中， β sv
6×6
= .
 β eff 
 β saf 
 
  β ctrl 

用于非协同换道控制的运行成本函数公式如下所示：

=Lsv β saf ssv ,σ ∆vsv ,σ Θ(∆vsv ,σ ) + β eff (vsv ,e − vsv ) 2 +β ctrl asv2 + β rout d 0 d sv ,end (5-21)

运行成本的矩阵表达形式为：
T
Lsv = xsv β sv xsv (5-22)

 β eff 0 0 
其中， β sv
3×3
=  0 β saf 0  .
 0 0 β ctrl 

此外，车辆的速度和加速度具有上下限边界，并且车头间距必须大于预定义
的安全距离，如公式(3-16)和公式(3-17)所示。

对于多目标换道控制方法，当前车辆包括两种决策操作：换道和不换道。对
于变道操作，当前车辆需考虑控制方法和车辆状态以及控制参数方面的影响。在
不同情况下对应的计算成本集合如表 5-1 所示，其中 U11, … , U62 分别表示不同
情况下当前车辆换道决策和不换道决策对应的运行成本集合。
表 5-1 常规形式下运行成本的计算集合
当前车辆
换道 不换道
目标后车 控制方法 非协同/协同 (U11, U21) (U12, U22)
运动状态 确定/不确定 (U31, U41) (U32, U42)
控制系数 相同/不相同 (U51, U61) (U52, U62)
5.2.3 车辆运动状态分析

准确的感知周围车辆运动状态和预测车辆控制参数对于换道决策尤为重要，
其中主要影响感知精度的因素包括周围车辆运动状态以及系统状态矩阵的误差。
其中不确定性系统状态（运动状态和控制参数存在误差）的导数被定义为：

x ∈ Ax + Bu+C (5-23)

49
 东南大学博士学位论文

其中，x 为不确定的状态向量且具有不确定初始值 x(t0)，u 为不确定的控制

加速度。A, B 和 C 为不确定的状态矩阵并具有不确定数值。存在三个矩阵 A =
[Al, Au], B = [Bl, Bu]和 C = [Cl, Cu]，分别是不确定系统状态的矩阵，并具有上下
边界。

第 i 个车辆的系统状态存在误差情况下的计算公式如下所示：
ui ∈ (ui , min (t0 ), ui , max (t0 )) (5-24)

vi ∈ (vi ,min (t0 ), vi ,max (t0 )) (5-25)

pi ∈ ( xi , min (t0 ), xi , max (t0 )) (5-26)

∆vi ∈ (vi −1, min (t0 ) − vi,max (t0 ), vi −1,max (t0 ) − vi ,min (t0 )) (5-27)

si ∈ ( pi −1, min (t0 ) − pi , max (t0 ) − L, pi -1, max (t0 ) − pi , min (t0 ) − L) (5-28)

由于车辆需要一定执行时间来进行变道操作[80]，换道完成时间标记为 t0 +tf。
假定当前车辆的前车和目标前车在车辆换道过程中均保持恒定的速度。针对在 t0
时刻当前车辆的决策分析，需考虑在预测时间内目标前车和目标后车的未来运动
状态（即[t0, t0 + tf)时间内的运动状态）对其决策的影响。基于在 t0 时刻周围车辆
的感知信息，计算在 t0 +tf 时刻车辆运动状态的上限和下限边界，并同时计算在
预测周期内当前车辆在当前车道和目标车道的总运行成本。基于最小的总运行成
本，确定当前车辆的最优决策和控制加速度。本文采用离散方法计算车辆的运动
状态，因此车辆运动状态集合的计算公式如下所示：

=Re { p(t ),..., p(t),..., p(t =

0 + t ) p (t )
0 f p (t0 )+ ∫
t

t ' = t0 }
( Ae x(t ') + Beu (t ') + Ce )dt ' (5-29)

x(t0 ) ∈ X 0 , Ae ∈ A, Be ∈ B, Ce ∈ C , ∀t : u ∈ U (5-30)

5.3 换道控制策略

基于上述车辆控制理论和车辆运动状态分析内容，本文从控制方法设计和车
辆运动状态估计角度出发提出车辆换道控制方法，实现高效且安全的自动化换道。
首先，阐述所提出换道控制方法的功能应用。然后，介绍控制方法中具体决策步
骤。
5.3.1 功能应用

（1）感知：道路系统处理由 RSU 收集的信息并提供控制参数信息。RSU 用

于感知和交互车辆状态信息，并通过 V2I 通信向 CAV 发送控制参数。CAV 与道
路交互车辆状态信息。

50
 第五章 智能网联环境下自动驾驶车辆换道决策控制

基于道路感知和预测的车辆状态信息和控制参数并发送至 CAV，
（2）决策：
准备换道的车辆可应用协同控制方法计算当前车道和目标车道上运行成本。并且
分析计算不确定运动状态情况下车辆轨迹的可达性集合，计算不同情况情况下的
车辆运行成本，确定最优的决策和控制加速度。

（3）控制：当前车辆对比在当前车道与目标车道上行驶的运行成本，进行
换道或继续行驶的决策。配备车载显示器的 CAV 可以从决策模式接收控制指令。
车辆控制模块执行所提供的控制指令。本文研究假设车辆能够完全遵循发布的控
制指令。
5.3.2 决策步骤

换道控制方法的决策实施主要包括：首先，通过道路感知当前车辆的周围车
辆运动状态和预测其控制参数。其次，考虑当前车辆和目标后车的作用构建协同
换道控制方法。最后，为确保车辆换道的效率和安全，估计确定和不确定感知状
态下车辆轨迹的可达性集合，计算不同情况的总运行成本。

（1）状态感知和控制参数预测

针对于自动驾驶混合交通流，道路能够感知准备换道网联自动驾驶车辆的周
围车辆运动状态，交通控制中心和控制单元能够预测周围车辆的控制参数，通过
RSU 将状态信息和控制参数发送至换道车辆。

（2）协同控制方法构建

通过应用相同的车辆控制规则，当前车辆可预测目标后车的运动状态。目标
后车的预测信息和当前车辆的运动状态被纳入当前车辆控制的系统状态，从而计
算车辆在当前车道和目标车道上运行成本。此外，由于受限于通信能力，协同控
制方法只能优化当前车辆的控制加速度，并不能优化目标后车的控制加速度。

（3）车辆运动状态估计

由于车载感知设备存在测量误差，周围车辆的运动状态信息不能直接用于车
辆决策分析。需要分析计算在不确定交通状况下车辆轨迹的可达性集合，计算不
同情况下车辆对应的总运行成本。因此，基于最小的总运行成本，确定在不确定
状态下的最优决策和控制加速度，从而更好地实现安全、效率和舒适的换道目标。

5.4 实验案例

在本节中，开展实验来验证提出的基于车路协同决策的自动驾驶车辆换道控
制方法的有效性。在本次研究只考虑了自动驾驶车辆自主性换道行为。考虑控制

51
 东南大学博士学位论文

方法和车辆运动状态方面的影响，提出具体实验案例，主要包括三个部分：（1）
协同控制与非协同控制方法的决策对比分析；
（2）确定运动状态与不确定运动状
（3）不同控制方法的换道评价指标对比分析。图 5-2 展示了
态的决策对比分析；
实验案例场景以及车辆的初始运动状态信息。表 5-1 列出了车辆状态误差信息和
其它参数的数值。

(182m, 28m/s, 0m/s2) (228m, 21.5m/s, 0m/s2)

(181m, 28m/s, 0m/s2) (200m, 25m/s, 0m/s2) (238m, 20m/s, 0m/s2)

CAV AV 换道CAV 感知 通讯

图 5-2 实验案例场景
表 5-1 控制参数的设置
参数名称 符号 数值范围
在 t0 时刻目标后车被感知的速度区间 vpfv, e [28 m/s, 28.3 m/s]
在 t0 时刻目标后车被感知的位置区间 xpfv, e [182 m, 183.8 m]
在 t0 时刻目标后车被感知的加速度区间 apfv, e [0 m/s2, 0.2 m/s2]
在 t0 时刻目标前车被感知的速度区间 vplv, e [21.15 m/s, 21.5 m/s]
在 t0 时刻目标前车被感知的位置区间 xplv, e [225.2 m, 228 m]
在 t0 时刻目标前车被感知的加速度区间 aplv, e [-0.4 m/s2, 0 m/s2]
在 t0 时刻当前后车被感知的速度区间 vcfv, e [28 m/s, 28.3 m/s]
在 t0 时刻当前后车被感知的位置区间 xcfv, e [181 m, 182.9 m]
在 t0 时刻当前后车被感知的加速度区间 acfv, e [0 m/s2, 0.2 m/s2]
在 t0 时刻当前前车被感知的速度区间 vclv, e [19.5 m/s, 20 m/s]
在 t0 时刻当前前车被感知的位置区间 xclv, e [234.2 m, 238 m]
在 t0 时刻当前前车被感知的加速度区间 aclv, e [-0.4 m/s2, 0 m/s2]
最大加速度 amax 2 m/s2
最小加速度 amin -4 m/s2
换道持续时间 tf 4s
车辆长度 L 4m
模型增益 K 1.0
期望车头时距 τ 1.2 s
执行延误 T 0.2 s

52
 第五章 智能网联环境下自动驾驶车辆换道决策控制

成本函数权重系数 βsaf, βeff, βctrl, βrout 0.2, 0.02, 0.5, 0

速度差值增益系数 kv 0.3
间距误差增益系数 ks 0.5

5.5 实验结果

5.5.1 不同控制方法的决策对比
表 5-2 非协同和协同控制方法的总运行成本结果
成本 不换道 换道 决策
非协同控制 安全 3.40 (2.38 a, 1.02 b) 1.99 (0.80 a, 1.19 c) 不换道
效率 10.24 (0.19, 10.05) 12.76 (2.32, 10.44)
舒适 23.92 (2.20, 21.72) 25.22 (2.84, 22.38)
总和 37.57 (4.78, 32.79) 39.99 (5.96, 34.03)
协同控制 安全 3.40 (2.38, 1.02) 2.53 (1.93, 0.60) 换道
效率 10.24 (0.19, 10.05) 12.13 (5.23, 6.90)
舒适 23.92 (2.20, 21.72) 19.85 (1.52, 18.33)
总和 37.57 (4.78, 32.79) 34.51 (8.68, 25.83)
a
注: 代表当前车辆；b 代表当前后车；c 代表目标后车

给定上述参数设置后，表 5-2 分别展示应用非协同和协同控制方法，目标车

辆不换道和换道决策的总运行成本。结果表明，对于当前车辆应用非协同控制的
情况，不换道决策的总运行成本小于换道决策的总运行成本，对应当前车辆的决
策为不执行换道。主要是因为非协同控制仅基于前车的状态信息优化未来一段时
间内的运动状态。意味着当前车辆和目标后车都会根据前车的运动状态独立地进
行减速，其中两辆车对应的前车分别为目标车道上的目标前车和当前车辆。导致
换道决策能够降低安全成本，但也增加效率和舒适成本。

此外，当前车辆应用协同控制所对应的决策为执行换道，与不执行换道相比，
该决策结果的总运行成本较小。这是由于协同控制能够考虑当前车辆和目标后车
的运动状态协同优化其自身的运动状态。意味着通过当前车辆能够考虑目标前车
和目标后车的双向作用影响，使得当前车辆能够逐渐减速来执行换道。因此，协
同控制导致舒适和安全成本降低以及效率成本增加，但前两个成本项对最终的换
道决策有显著作用。

图 5-3 中展示了应用不同控制方法情况下，不换道和换道决策所对应的当前
车辆和当前/目标跟随后车的速度和加速度状态信息。从如图 5-3(a)所示，当前车
辆能够立即反应，以一个较大减速度进行减速，避免与前车发生碰撞。表明车辆

53
 东南大学博士学位论文

具有追求更高的行驶速度的换道意图，因受到前车状态的影响，当前车辆开始进
行大幅度减速。在图 5-3(c)中，与当前车辆和前车的车头间距相比，当前车辆与
目标前车的车头间距数值变小且具有显著作用，导致当前车辆以较大减速度对目
标前车的做出反应。图 5-3(e)所示，协同控制能够避免当前车辆进行突然减速，
而是通过缓慢减速方式执行换道。简而言之，与非协同控制相比，应用协同控制
的换道控制方法能够影响车辆换道的决策分析，考虑安全、有效和舒适的影响并
提供最优的自动驾驶决策。

（a） （b）

（c） （d）

（e） （f）
图 5-3 不同控制方法下不同决策的车辆状态结果：（a）和（b）分别代表非协同
不换道对应的加速度和速度；（c）和（d）分别代表非协同换道对应加速度和速
度；（e）和（f）分别代表协同换道对应加速度和速度
54
 第五章 智能网联环境下自动驾驶车辆换道决策控制

5.5.2 不同车辆运动状态的决策对比
表 5-3 不同车辆运动状态下总运行成本结果
成本 不换道 换道 决策
无误差 安全 3.40 (2.38 a, 1.02 b) 2.53 (1.93 a, 0.60 c) 换道
效率 10.24 (0.19, 10.05) 12.13 (5.23, 6.90)
舒适 23.92 (2.20, 21.72) 19.85 (1.52, 18.33)
总和 37.57 (4.78, 32.79) 34.51 (8.68, 25.83)
位置误差 安全 3.41 (2.23, 1.18) 2.74 (2.03, 0.71) 不换道
效率 11.77 (0.27, 11.50) 17.14 (8.19, 8.95)
舒适 25.48 (2.65, 22.83) 21.56 (1.59, 19.97)
总和 40.66 (5.15, 35.51) 41.44 (11.82, 29.62)
速度误差 安全 3.82 (2.61, 1.21) 3.26 (2.47, 0.79) 换道
效率 10.89 (0.21, 10.68) 13.52 (5.85, 7.67)
舒适 24.97 (2.48, 22.49) 21.00 (1.60, 19.40)
总和 39.68 (5.30, 34.38) 37.78 (9.92, 27.86)
加速度误差 安全 3.48 (2.43, 1.04) 2.69 (2.07, 0.62) 换道
效率 10.33 (0.19, 10.14) 12.36 (5.35, 7.01)
舒适 24.09 (2.26, 21.83) 20.03 (1.57, 18.46)
总和 37.90 (4.89, 33.01) 35.08 (8.99, 26.09)
注: a 代表当前车辆；b 代表当前后车；c 代表目标后车
本部分主要针对当前车辆在确定和不确定运动状态（运动状态存在感知误差）
情况下的车辆换道决策进行分析。实际上，低估前车的位置/速度/加速度和高估
后车的位置/速度/加速都可能导致换道决策的改变。通过分析能够计算不确定运
动状态的边界条件，以及车辆轨迹的可达性集合。因此，通过对比存在车辆运动
状态存在感知误差和无误差情况下的总运行成本，选取最优的驾驶决策。表 5-3
展示在不确定位置、速度和加速度状态情况下，执行不换道和换道决策所对应的
总运行成本。从结果可知，存在状态误差情况下的总成本总是高于无状态误差情
况下的总运动成本，主要是由于运动状态的误差引起，如低估了前车的位置或高
估了后车的位置。此外，与换道决策的总运行成本相比，目标车辆位置误差情况
下的不换道决策具有较小的运动成本，即对应自动驾驶决策为不执行换道。主要
因为不确定的位置状态导致效率成本增加以及安全和舒适成本减小，其中效率成
本占主导作用。此外，在速度和加速度存在感知误差情况下，当前车辆的决策为
执行换道。由于协同控制方法只是小幅度增加效率成本，并能够减少安全和舒适
成本。综上可知，在不确定车辆运动状态情况下，协同控制能够调整自动驾驶决

55
 东南大学博士学位论文

策，以确保安全有效地换道决策。
表 5-4 不同反馈增益参数的总运行成本结果
反馈增益参数（ks, kv） 成本 不换道 换道 决策
(0.5, 0.3) b, (0.5, 0.3) c 安全 3.40 (2.38 a, 1.02 b) 2.53 (1.93 a, 0.60 c) 换道
效率 10.24 (0.19, 10.05) 12.13 (5.23, 6.90)
舒适 23.92 (2.20, 21.72) 19.85 (1.52, 18.33)
总和 37.57 (4.78, 32.79) 34.51 (8.68, 25.83)
(0.5, 0.3) b, (1.0, 0.3) c 安全 3.40 (2.38, 1.02) 2.79(2.26, 0.53) 不换道
效率 10.24 (0.19, 10.05) 12.27(5.64, 6.63)
舒适 23.92 (2.20, 21.72) 24.22(2.48, 21.74)
总和 37.57 (4.78, 32.79) 39.29(10.39, 28.90)
(0.5, 0.3) b, (0.5, 0.3) c,位置误差 安全 3.41 (2.23, 1.18) 2.74 (2.03, 0.71) 不换道
效率 11.77 (0.27, 11.50) 17.14 (8.19, 8.95)
舒适 25.48 (2.65, 22.83) 21.56 (1.59, 19.97)
总和 40.66 (5.15, 35.51) 41.44 (11.82, 29.62)
(0.5, 0.3) b, (0.5, 1.0) c,位置误差 安全 3.41 (2.23, 1.18) 3.36 (2.78, 0.58) 换道
效率 11.72 (0.27, 11.45) 18.65 (9.74, 8.91)
舒适 28.47 (2.65, 25.82) 17.64 (2.03, 15.61)
总和 43.60 (5.15, 38.45) 39.65 (14.55, 25.10)
a
注: 代表当前车辆； 代表当前后车；c 代表目标后车
b

表 5-4 展示在不同反馈增益系数情况下，执行不换道和换道决策所对应的总
运行成本。其中不同反馈增益系数是指预测的目标后车与当前车辆具有不同的反
馈增益系数，如目标后车的反馈增益系数从(0.5, 0.3)变为(1.0, 0.3)。从结果可知，
不同反馈增益系数的总运行成本相比于相同参数发生较大的变化，能够改变自动
驾驶车辆的决策，其决策由执行换道变为不执行换道。主要是由于间距误差反馈
增益系数的增大能够使得控制加速度和加速度数值的增加，从而增加目标后车的
舒适成本，导致换道决策的总运行成本大幅度增加。更多，对于不同反馈增益系
数以及位置状态误差两个因素叠加的情况，对应目标后车的反馈增益系数从(0.5,
0.3)变为(0.5, 1.0)，当前车辆对于换道决策相比于不换道决策具有较小的总运行
成本，即对应自动驾驶决策为执行换道。主要是因为在预测步长内目标后车能够
大幅度进行减速，导致与当前车辆的相对速度数值从负转正，进而通过公式计算
得到目标后车具有相对较小的加速度数值以及舒适成本，如图 5-4 所示。由于速
度差值反馈增益系数的变大，不仅不会增加舒适成本，反而能够有效减小车辆的
舒适成本和总运行成本，参数变化即使会导致效率成本增加，但其中舒适成本的
56
 第五章 智能网联环境下自动驾驶车辆换道决策控制

变化占据主导作用。综上可知，不同的反馈增益系数对于自动驾驶决策有着显著
的作用，协同控制能够根据反馈增益系数情况调整并选取最优的自动驾驶决策。

（a） （b）

（c） （d）
图 5-4 不同反馈增益系数和位置误差的车辆状态结果：（a）和（b）分别代表反
馈增益系数(0.5, 0.3)和(0.5, 0.3)对应加速度和速度；（c）和（d）分别代表(0.5,
0.3)和(0.5, 1.0)对应加速度和速度
5.5.3 不同控制方法的换道成功率对比

57
 东南大学博士学位论文

（a）

（b）
图 5-5 不同交通流量情况下换道成功率：（a）流量为 1200 辆/小时；
（b）流量为 600 辆/小时

本文采用换道成功率（Success Rate, SR）指标来评价不同控制方法的换道效

率。图 5-5 中展示了对于不同控制方法和位置状态存在感知误差情况下的换道成
功率结果，其中图 5-5(a)和图 5-5(b)分别代表流量为 600 辆/小时和 1200 辆/小时
的换道成功率。从图 5-5(a)可知，与非协同控制方法相比，在 1200 辆/小时的交
通情况下协同控制能够有效提升换道成功率。当前车辆应用非协同控制 6s 内完
成换道的成功率仅在 75%左右，而采用协同控制能够达到 95%以上。主要是因为
协同换道机制能够考虑周围车辆作用并有效减少总运动成本数值，尽快实现自动
化换道。对于存在位置状态误差的情况下，应用非协同控制 6s 内能够完成换道
的成功率下降至 70%和 90%左右。能够进一步证明不确定车辆运动状态能够干

58
 第五章 智能网联环境下自动驾驶车辆换道决策控制

扰换道决策从而降低换道成功率。由图 5-6(b)可知，对于 600 辆/小时的交通情

况，协同控制相比非协同控制在车辆运动状态存在感知误差和无误差情况下都具
有更好的换道控制效果。当前车辆应用非协同控制对于无误差和存在误差情况下
6s 内完成换道成功率都在 85%以上，而应用协同控制对于存在误差和无误差情
况下 6s 完成换道成功率都在 95%以上。总体而言，通过评价指标分析能够验证
换道车道与周围车辆进行协同行为，能够有效减少总运行成本进而更快地做出最
优的换道操作。

5.6 本章小结

本章针对智能网联环境下自动驾驶车辆换道决策控制进行研究，旨在提出基
于车路协同决策的自动驾驶车辆换道控制方法，促进车辆实现自动化换道。首先，
道路感知车辆的运动状态和预测的车辆控制参数。然后，应用当前车辆和目标车
道上目标后车的状态构建系统状态，从安全、效率和舒适角度出发，构建了多目
标协同换道控制方法，进而计算车辆决策和控制加速度。最后分析和计算在不确
定感知状态下周围车辆轨迹的可到达集合，计算不同情况下车辆的总运行成本，
确定最小总成本进而对最优决策进行调整。结果表明，所提出的车辆换道控制方
法能够为车辆提供最优自动驾驶决策，并有效提升换道成功率。本章研究成果为
智能网联环境下自动驾驶车辆换道决策控制应用提供技术支撑。

59
东南大学博士学位论文

60
 第六章 智能网联环境下网联自动驾驶车队分布式决策控制

第六章 智能网联环境下网联自动驾驶车队分布式决策控制

本章针对面向网联自动驾驶车队（CAV Platoon, CAVP）中车辆降级/升级情

景，分析 AV 和 CAVP 驾驶模式及其切换特征，从一体化角度构建一种 CAVP 分
布式控制系统，其中包括 AV 和 CAVP 驾驶模式以及两种模式切换功能。根据决
策主体特征提出基于车辆/车路协同决策的 CAVP 分布式控制方法，并对不同控
制方法的控制效果进行对比与分析。本章研究为智能网联环境下网联自动驾驶车
队分布式决策控制提供技术支撑。

6.1 研究动机与思路

网联自动驾驶车队作为智能网联环境下车辆系统的重要组成部分，在未来近
期将会与 CAV 和 AV 共同存在交通系统中。以往研究主要考虑不同通讯拓扑结
构和控制目标下 CAVP 控制系统设计，从而提高 CAVP 控制系统的车队稳定性
和交通效率。较少研究考虑 CAVP 车队中通讯中断/恢复和车辆汇入/驶离等交通
场景，进而未有效考虑车辆降级/升级的影响，以及 CAVP 驾驶模式和 AV 驾驶
模式间的平滑切换。尽管部分自动驾驶车辆系统中存在切换模式功能，也分别针
对 CAVP 和 AV 特征设计了两套不同思路的独立系统。因此导致 CAVP 系统对降
级现象考虑不足，对降级场景抗干扰能力较差，严重影响 CAVP 系统的应用效
果。

此外，以往研究很少区分不同决策主体的 CAVP 分布式控制方法，主要是以

车辆自身为决策主体进行研究（CAVP_D_V），较少考虑基于车路协同决策的
CAVP 控制方法（CAVP_D_V+I），导致对 CAVP 系统应用的理解并不全面。两种
系统的信息传输方式不存在差异，都采用分布式通讯结构，但收集的信息数量、
范围以及决策主体确有不同。对于车路协同决策的 CAVP 控制方法，道路具有大
范围感知和决策能力，从道路交通系统角度帮助车队制定部分控制指令。实际应
用中，早期研究采用车辆决策的 CAVP 分布式控制具有一定局限性，无法根据交
通目标和范围灵活地设置稳定性条件和提出控制方法。

为了更好阐述本章研究动机，应用下图进行举例说明。图 6-1 序号展示

CAVP 分布式控制系统中出现通讯中断的场景，即前车通信出现中断或信息丢失。
当前车辆需从 CAVP 模式转变为 AV 模式，需要增大车头时距保证当前车辆控制
系统的车队稳定性。或在高速公路车道变窄和关闭等场景下，对于分布式通信结
构而言，当 AV 换道汇入 CAVP 系统后，目标后车无法获取前车的状态信息，也
需要从 CAVP 模式转变为 AV 模式，如图 6-1 中序号所示。该场景类似于与前

61
 东南大学博士学位论文

车通信出现中断场景，会导致目标车道上 CAVP 系统中驾驶模式发生改变。另

外，如图 6-1 所示，CAVP 系统只通过 RSU 向上游车辆传输前车状态信息，不会
将车辆状态信息上传至上层交通控制单元和控制中心，并由车辆自身完成决策。
在图 6-2 中，结合智能网联环境下道路的运营优势，可以采集整个车队范围内的
车辆状态信息，从道路交通系统角度设置稳定性条件并进行控制优化。通过上述
分析，可知不同 CAVP 分布式控制方法具有不同的决策流程和控制指令。

路侧RSU 路侧RSU
① ②

图 6-1 CAVP 分布式控制系统车辆降级场景

路侧RSU 路侧RSU

图 6-2 基于车路协同决策的 CAVP 分布式控制

本章旨在提出适用于模式切换的网联自动驾驶车队一体化分布式控制系统，
并对道路交通运行的控制效果进行分析与评价。本章 6.2 节提出一体化 CAVP 车
队分布式控制系统，6.3 节展示 CAVP 分布式控制策略，6.4 节和 6.5 节阐述具体
实验案例和分析实验效果，6.6 节对本章进行了小结。

6.2 一体化车队分布式控制系统

6.2.1 控制系统状态

本章采用上述定义恒定车头时距策略和车辆一阶动力学公式。因此第 i 个车
辆的系统状态被定义为：

xi (t ) =
[∆si (t ), ∆vi (t ), ai (t )]T (6-1)

车辆系统状态的导数定义如下所示：

62
 第六章 智能网联环境下网联自动驾驶车队分布式决策控制

xi (t ) = Ai xi (t ) + Bi ui (t ) + Ci (6-2)

0 1 0   0   0 
=
其中， 
Ai 0 0   
−1  , Bi =  0  , Ci =  ai −1  .
0 0 −1 Ti  1 T i   0 

对于 AV 驾驶模式的控制规则，采用增强比例增益控制算法[111]，选用自身
车辆加速度和间距误差及其导数项作为反馈项，计算控制加速度的公式如下所示：

t ) ki , s ( si (t ) − si* (t )) + ki ,v (vi −1 (t ) − vi (t ) − ai (t ) *τ i ) + ki ,a ai (t )
ui , AV (= (6-3)

其中，ui, AV 是控制加速度输出，ki,s 和 ki,v 以及 ki,a 分别是间距误差、间距误

差导数和加速度的反馈增益参数，ai 是当前车辆的加速度。应用下标“AV”和
“CAVP”区分 AV 和 CAVP 驾驶模式。

基于 AV 驾驶模式的控制算法，能够考虑通信传输的前车状态信息构建
CAVP 驾驶模式的控制算法，其具体公式如下所示：

t ) ki , s ( si (t ) − si* (t )) + ki ,v (vi −1 (t ) − vi (t ) − ai (t ) *τ i ) + ki ,a ai (t ) + ki , f qi (6-4)

ui ,CAVP (=

τ i qi Ti Ti −1 (ui −1 − ai −1 )
qi += (6-5)

其中，变量 qi 的引入是将前车的控制加速度与加速度差值作为前馈信息，其
旨在消除前车控制加速度与实际加速度之间的差值。ki,f 是前馈系数，表示能够考
虑前车的状态信息设置提前控制项，并通过 V2V/V2I 通信技术采集前车的加速
度信息。若前车为 AV，ki,f 数值为 0；若前车为 CAV，则通信功能有效，ki,f 数值
为 1。

根据上述公式(6-3)，通过拉普拉斯变换计算 AV 驾驶模式的状态传递函数，
并将频域中的误差传递函数改写为：

P K i ( s )Gi ( s )
Λ i , AV ( s ) = i = , s =jw (6-6)
Pi −1 1 + K i ( s )Gi ( s ) H i ( s ) − Fi ( s )Gi ( s )

 K i ( s )=ki , s + ki ,v s
 2 3
G= i ( s ) 1 ( s + Ti s )
 (6-7)
 H i (s) = 1 + τ i s
 2
 Fi ( s ) = s

其中，Ki(s)是关于车辆控制加速度和间距误差的传递函数，Gi(s)是关于车辆
控制加速度和位置的传递函数，Hi(s)是关于车辆位置和间距误差的传递函数，Fi(s)

63
 东南大学博士学位论文

是关于车辆位置和加速度的传递函数。

通过拉普拉斯变换计算 CAVP 驾驶模式的状态传递函数，并将频域中的误差

传递函数改写为：

P K ( s )Gi ( s ) + Di ( s ) H i−1 ( s )Gi ( s )

Λ i ,CAVP ( s ) =i =i ,s =
jw (6-8)
Pi −1 1 + K i ( s )Gi ( s ) H i ( s ) − Fi ( s )Gi ( s )

 K i ( s )=ks ,i + kv ,i s
 2 3
G= i ( s ) 1 ( s + Ti s )

 H i (s) = 1 + τ i s (6-9)
 2
 Fi ( s ) = s
 D (s) = τ s3
 i i

其中，Ki(s)是关于车辆控制加速度和间距误差的传递函数，Gi(s)是关于车辆
控制加速度和位置的传递函数，Hi(s)是关于车辆位置和间距误差的传递函数，Fi(s)
和 Di(s)是关于车辆位置和加速度的传递函数。

（a） （b）

（c） （d）
图 6-3 Plog’s 控制下 AV 模式的 ks-kv 稳定可行域（红色代表稳定区域）：
64
 第六章 智能网联环境下网联自动驾驶车队分布式决策控制

（a）车头时距 τ =1.4s；
（b）τ =2.0s；（c）τ = 2.6s；（d）τ =3.2s

图 6-3 展示了应用 Plog’s 控制系统下不同期望车头时距参数的 ks-kv 稳定可

行域（需公式（3-10）的传递函数范数小于等于 1）。由图可知，车头时距参数对
于稳定性的影响是单调变化的，车头时距的增大能够导致控制系统的稳定区域显
著增加。当车头时距小于 1.4 s，该控制方法不会出现稳定区域。并且对于较小的
车头时距数值，为实现车队稳定需取较大的增益参数数值。

（a） （b）

（c） （d）

图 6-4 本文提出控制系统下 AV 模式的 ks-kv 稳定可行域（红色代表稳定区域）：

（a）车头时距 τ =0.6s；（b）τ =0.8s；（c）τ = 1.0s；（d）τ =1.2s

图 6-4 展示了应用本文提出控制系统下不同期望车头时距参数的 ks-kv 稳定

可行域（需公式（6-6）的传递函数范数小于等于 1）。由图可知，随着车头时距
取值的不断增大，从 0.6s 至 1.2s 对应的稳定区域显著增加。当车头时距小于 0.6s，
该控制方法不会出现稳定区域，而对于 1.2s 的车头时距数值，增益参数 ks 和 kv
取值能够实现大范围稳定。从图 6-3 和图 6-4 结果对比可知，本文提出的控制系
统能够应用较小的期望车头时距参数实现大范围的稳定区域，从而确保车队稳定
性。更多，由于 Plog’s 和本文提出的控制系统都能够确保 CAVP 模式的车队稳定
性恒成立，对应实现全参数稳定。

65
 东南大学博士学位论文

6.2.2 驾驶模式切换

基于上述分析，相比于 AV 驾驶模式，变量 Hi-1(s)对 CAVP 驾驶模式的车队

稳定性具有显著地作用。一方面，可以改善 CAVP 驾驶模式的车队稳定性。另一
方面，可以实现 AV 和 CAVP 驾驶模式的平滑切换。因此，通过添加模式切换的
功能，根据具体交通场景确定 AV 或 CAVP 驾驶模式。

（1）CAVP 模式：在该模式下，计算车队稳定性的边界条件，需要输入的传
递函数是 Ki(s), Gi(s), Hi(s), Fi(s), Di(s)和 Hi-1(s)。
（2）AV 模式：在该模式下，计算车队稳定性的边界条件，需要输入的传递
函数是 Ki(s), Gi(s), Hi(s), Fi(s)和 Hi-1(s)。

（3）模式切换：对于 CAVP 驾驶模式，当 V2V 通信中断并且前馈信息丢失

时，CAVP 系统中 CAVP 模式发生降级时，对应无法接受前馈信息，即激活 AV
驾驶模式，变量 H-1(s)从 1 设置为 0，对应中断了前馈信息，从而完成从 CAVP
到 AV 的驾驶模式转换；当 V2V 通信通道恢复时，CAVP 系统中 AV 驾驶模式需
要升级时，即关闭 AV 模式，输入参数 H-1(s)从 0 设置为 1，进而恢复了前馈信
息，从而完成从 AV 到 CAVP 驾驶模式的转换。

6.3 分布式控制策略

为了更好阐述 CAVP 分布式控制方法，本节提出 CAVP 分布式控制策略，从

实施角度进一步对方法进行阐述。其中包括驾驶功能应用和决策步骤两个方面，
一是能够进一步了解车辆如何完成自动驾驶功能和任务，二是对控制指令的决策
步骤进行解析。
6.3.1 功能应用

（1）感知：CAV 除了感知车辆的状态信息，可以与 RSU 进行通信实现 CAV

间的状态信息传递。道路系统中 RSU 感知 AV 的状态信息，并能够交互 CAV 的
状态信息和决策指令，根据通信权限设置，确实是否向道路系统的控制中心和控
制单元上传 CAV 的状态信息和控制指令。控制中心处理由 RSU 收集的状态信息
和提供控制指令。

（2）决策：通信中断等场景则会触发车辆降级/升级操作，导致车辆进行驾
驶模式切换。基于切换后的驾驶模式，根据车队稳定性理论计算降级/升级车辆
的基于车辆或车路协同的稳定控制参数。并根据 CAV 设定的通信权限，选用车
辆或道路计算的控制参数作为车辆实际应用参数，然后用于计算车辆的最佳控制
加速度。

66
 第六章 智能网联环境下网联自动驾驶车队分布式决策控制

（3）控制：根据通信权限和决策主体的权限要求，配备了车载显示器的 CAV
可以从 RSU 接受道路决策主体发布的控制指令，或从自身决策系统接收以车辆
决策主体发布的控制指令，进而车辆控制模块执行该控制指令。
6.3.2 决策步骤

车队分布式控制方法的决策步骤为：首先，确定 CAVP 系统是否存在车辆降

级/升级触发条件，确定是否进行驾驶模式切换；其次，基于切换后的驾驶模式，
根据稳定性理论计算车辆降级/升级的稳定控制参数；最后，判断分布式控制的
决策主体，确定应用的车辆控制参数。

（1）判断驾驶模式转换

记录车队中车辆的当前驾驶模式，若车队中出现存在车辆汇入或通讯中断等
交通场景，即通信受限导致车辆不能接收或通信恢复接收前车的状态信息时，此
时车辆开启车辆降级/升级条件，并进行驾驶模式切换，降级是从 CAVP 至 AV 驾
驶模式，升级则是 AV 至 CAVP 模式。

（2）分析车队稳定性

基于降级/升级后的驾驶模式，根据驾驶模式切换功能，调整稳定性分析的
输入变量，分别计算 AV 和 CAVP 驾驶模式的传递函数，基于车队稳定性理论计
算稳定控制参数。对于车辆和道路同时进行决策的控制模式，基于大范围感知信
息，采用车队头尾稳定性理论，求解确保车队稳定性的控制参数。将上述计算的
控制参数作为备选控制指令。

（3）确定车辆控制指令

首先判断 CAVP 分布式控制方法的决策主体，当决策主体是车辆个体时，降

级/升级车辆采用车路决策的控制指令进行调整，车队中其它车辆不需要参数调
整。对于决策主体为车辆和道路时，降级/升级车辆采用车路协同决策的控制指
令进行调整，降级/升级车辆接收交通控制中心发布的控制指令。车辆控制模块
执行控制指令的操作。本文研究假设车辆能够完全遵循控制指令。

6.4 实验案例

在本小节，通过开展实验来验证所提出 CAVP 分布式控制方法的有效性。本

文考虑高速公路车道变窄或关闭场景下车辆需强制性汇入主线，目标车道上存在
一个由 5 个 CAV 组成的 CAVP 分布式控制系统，其中采用分布式通信结构进行
传递信息，另一车道上 AV 汇入该 CAVP 系统以及换道汇入位置为 CAVP 系统中

67
 东南大学博士学位论文

第 1 辆和第 2 辆之间。从而导致换道 AV 与原有车队进行重新编队，原车队中的

目标后车（第 2 辆车）触发降级条件，需要从 CAVP 模式转变为 AV 模式。考虑
到控制系统设计、交通运行效果和不同决策主体的影响，进而开展以下实验。实
验包括三个部分： （2）对 Plog’s 控
（1）对不同控制系统的车队稳定性进行分析；
制方法与本文提出控制方法的控制效果进行分析；
（3）对不同决策主体分布式控
制方法的控制效果进行分析。表 6-1 列出了车辆控制参数的设置。
表 6-1 默认的参数设置
参数 符号 数值
仿真时长 Tsim 400 s
最大加速度 amax 2 m/s2
最小加速度 amin -2 m/s2
车辆长度 L 4m
模型收益 K 1.0
期望车头时距（AV/CAV） τ 1.2 s/1.0 s
执行延误 T 0.2 s
速度差值增益系数 kv 0.7
间距误差增益系数 ks 0.2

6.5 实验结果

6.5.1 不同控制系统的车队稳定性对比

针对车辆决策为主的 CAVP 分布式控制方法，根据上述表格中的参数设置，

基于稳定性理论计算不同控制系统的传递函数范数，其结果如图 6-5 所示。由图
6-5(a)可知，对于 Plog’s 控制系统采用 1.2s 的期望车头时距数值，导致 AV 驾驶
模式的传递函数范数大于 1，表明该控制系统不能确保车队的稳定性。而本文提
出的控制系统在同样参数设置情况下，AV 驾驶模式的传递函数范数小于 1，表
明能够确保车队的稳定性，如图 6-5(b)所示。然后根据车队稳定性的边界条件，
可以得到 Plog’s 控制系统的车头时距临界数值为 3.2s。当调整 Plog’s 控制系统的
车头时距参数为 3.2s，传递函数范数能够小于 1，从而实现控制系统的车队稳定
性，如图 6-5(a)所示。

68
 第六章 智能网联环境下网联自动驾驶车队分布式决策控制

（a）

（b）
图 6-5 AV 和 CAVP 模式的传递函数范数：（a）Plog’s 控制系统；
（b）本文控制系统

为验证车队稳定性分析的理论证明，因此本文开展了相关的仿真实验。实验
假设原车队中第一辆车作为前导车辆，并进行周期性加减速操作。仿真时间和步
长分别为 120s 和 0.1s，控制加减速扰动幅度为[-1.0m/s2, 1.0m/s2]。对于换道车
辆的目标后车为降级车辆（原车队中第 2 辆车）的情况，应用车头时距参数设置
(1.2s)导致加速度扰动幅度从头车至降级车辆不断扩大，表明该参数设置不能有
效保证车队的稳定性。当增加车头时距为 3.2s 时，降级车辆的加速度扰动幅度能
够小于换道车辆的加速度扰动幅度，表明该参数调整只能确保新车队的车队稳定
性。因此，仿真实验结果证明了上述稳定性理论分析的有效性。通过图 6-6(a)和
6-6(b)可知，Plog’s 控制系统不能确保整体车队的车队稳定性。此外，图 6-6(c)展
示的应用本文控制系统所得到的加速度仿真结果，其中加速度扰动幅度从头车到
尾车逐渐衰减，结果表明该参数设置能够有效确保整体车队的稳定性。通过上述

69
 东南大学博士学位论文

理论证明和仿真实验，相比于 Plog’s 控制系统，可知本文提出的控制系统能够应

用较小车头时距实现车队稳定性。

（a）

（b）

（c）
图 6-6 AV 和 CAVP 驾驶模式的加速度仿真结果：（a）Plog’s 控制系统
（1.2s）；（b）Plog’s 控制系统（3.2s）；（c）本文控制系统（1.2s）

70
 第六章 智能网联环境下网联自动驾驶车队分布式决策控制

6.5.2 不同控制方法的控制效果对比
表 6-2 不同控制方法的控制结果
评价指标 Plog’s 控制方法 本文控制方法
TTT 2040s 1961s
TTC-1 30.01 12.76
TA 84.27 56.68

基于上述控制参数的设置，表 6-2 展示在车辆汇入 CAVP 分布式控制系统的

交通场景下，应用不同 CAVP 分布式控制方法（Plog’s 控制和本文控制）所得到
的道路交通运行的控制效果。根据表中交通效率、安全和扰动的评价指标数值可
知，与 Plog’s 控制相比，使用本文提出的控制方法具有较好的控制效果，能够在
交通运行效率、安全和扰动三个方面都能带来明显改善，其中交通系统的总旅行
时间（TTT）减少 3.87%和安全风险（TTC）降低 57.48%以及扰动（TA）减少
32.74%。主要是因为本文控制方法考虑 CAVP 系统中车辆降级/升级的影响，从
一体化驾驶模式角度出发，设计了 AV 和 CAVP 可进行平滑切换的功能模块。如
图 6-7(a)和 6-7(b)所示，当 CAVP 车队中车辆发生降级时，降级车辆为了满足车
队稳定性要求，需调整车辆的期望车头时距参数，而本文提出控制方法所需的参
数调整数值较小，因此对上游车辆运动状态的影响也较小。

如图 6-7(c)和 6-7(d)所示，对于 Plog’s 控制的车头时距参数调整策略严重影

响到了上游车辆的运动状态，导致其具有较大的加速度扰动幅度。而对于本文控
制方法的应用，能够逐渐缓解上游车辆的加速度扰动幅度，进而导致交通整体的
加速度扰动变小，从而能够有效减少道路交通系统的总旅行时间。根据图 6-7(e)
和 6-7(f)可知，本文提出的控制方法也能够具有较小的相对速度扰动，从而能够
减少车辆碰撞风险和利于改善交通安全。因此，实验结果证明 Plog’s 控制在车队
稳定性的要求下完成车辆降级，会显著影响道路交通运行的表现。而本文提出涵
盖 AV 和 CAVP 模式切换的 CAVP 分布式控制方法既能保证车队稳定性，又能改
善道路交通系统运行的控制效果。

71
 东南大学博士学位论文

（a） （b）

（c） （d）

（e） （f）
图 6-7 基于车辆决策的不同控制方法下车辆运动状态结果：（a）Plog’s 控制的
轨迹；（b）本文控制的轨迹；（c）Plog’s 控制的加速度；（d）本文控制的加速
度；（e）Plog’s 控制的相对速度；（f）本文控制的相对速度
6.5.3 不同决策主体控制方法的控制效果对比
表 6-3 不同决策主体分布式控制方法的控制效果
评价指标 CAVP_D_V CAVP_D_V+I
车队稳定 (5/6) (4/6)

72
 第六章 智能网联环境下网联自动驾驶车队分布式决策控制

头尾车队稳定 √ √
车头时距集合 (1.0s, 1.2s, 1.7s, 1.0s, 1.0s, 1.0s) (1.0s, 1.2, 1.3s, 1.0s, 1.0s, 1.0s)
变化量 0.7s 0.3s
TTD 2048s 1985s
-1
TTC 37.15 12.76
TA 105.61 94.02

表 6-3 展示在不同决策主体下网联自动驾驶车队分布式控制方法对于道路
交通运行的控制效果。为了进行对比，两种方法采用相同的控制参数，其中 ks 和
kv 分别设置为 0.20 和 0.15。因此对于 AV 汇入车队的场景，目标车道上车队组成
将发生变化，目标后车作为降级车辆，将通过调整期望车头时距参数确保其控制
系统保持车队稳定性。但汇入车辆受限于自身车辆参数的设置，无法实现车队稳
定性，导致整体交通系统不能实现严格的车队稳定性。

当把车队稳定性放松至车队头尾稳定性时（只需要尾车扰动幅度小于头车即
可），上游的 CAV 车辆可以帮助线性不稳定的换道 AV，从而确保整体车队的头
尾稳定性。对于基于车路协同决策的 CAVP 分布式控制方法（CAVP_D_V+I），
由于道路可以感知所有车辆的状态信息，计算保持车队头尾稳定性的最优控制指
令，并将降级车辆的期望车头时距设置为 1.3s，因此总车头时距能够增加 0.3s。
对于基于车辆决策的 CAVP 分布式控制方法（CAVP_D_V），由于当前车辆只接
收前车的状态信息，并根据该信息进行决策，因此该参数设置无法确保车队头尾
稳定性。应用 CAVP_D_V 降级车辆所需的车头时距从 1.0s 增加至 1.7s，以保证
降级车辆的车队稳定性，该参数设置同时能够确保整体车队的头尾稳定性。因此，
从表 6-3 结果可知相比于 CAVP_D_V，CAVP_D_V+I 能够从整体交通角度确保
车队的头尾稳定性。

此外，基于上述参数设置进行道路交通系统仿真实验，并通过多个评价指标
对不同控制方法的控制效果进行对比分析。结果表明，应用基于车路协同决策的
CAVP_D_V+I 相比于基于车辆决策的 CAVP_D_V 具有较好的控制效果，能够在
交通效率、安全和扰动三个方面带来明显改善，其中交通总旅行时间减少 3.08%
和安全风险降低 65.65%以及交通扰动减少 10.97%，如图 6-8 所示。主要因为
CAVP_D_V 的目标是实现车队稳定性，并且针对分布式控制而言，无法感知上
游车辆的运动状态信息，因而只能实现本车控制系统的车队稳定性。而对于
CAVP_D_V+I，通过车路协同感知采集整体交通的状态信息，进而制定针对大范
围交通优化的控制指令。即提出的 CAVP_D_V+I，可以应用一个增量较小的车头
时距实现车队整体的稳定，在保证稳定性的前提下，针对稳定性的条件进行整体

73
 东南大学博士学位论文

优化，能够对总车头时距集合进行调整，避免车队中车辆出现较大的车头时距数
值，进而能够使得上游车辆缓慢地进行减速操作，从而改善道路交通效率、安全
和扰动。

（a） （b）

（c） （d）

（e） （f）
图 6-8 不同决策主体控制方法下车辆运行状态结果：（a）CAVP_D_V 的轨迹；
（b）CAVP_D_V+I 的轨迹；（c）CAVP_D_V 的加速度；（d）CAVP_D_V+I 的
加速度；（e）CAVP_D_V 的相对速度；（f）CAVP_D_V+I 的相对速度

74
 第六章 智能网联环境下网联自动驾驶车队分布式决策控制

6.6 本章小结

本章主要针对车辆汇入或通讯中断导致车辆降级/升级场景，旨在提出一种
实现驾驶模式平滑切换的网联自动驾驶车队分布式控制系统，其中包括 AV 和
CAVP 驾驶模式以及两者模式切换功能。协同车辆和道路运营优势，提出基于车
路协同决策的 CAVP 分布式控制方法，其中道路辅助车辆进行决策，提供控制参
数等控制指令。首先研究 AV 和 CAVP 驾驶模式特征，从切换角度出发构建一体
化 CAVP 分布式控制系统，并对控制系统的车队稳定性进行理论证明。结果表明
本文提出的控制系统相比于 Plog’s 控制系统能够采用较小的车头时距实现车队
稳定，并开展仿真实验进行验证。应用稳定性参数设置，对 Plog’s 控制方法和本
文控制方法进行道路交通系统仿真实验，分析不同控制方法的控制效果。最后，
分析不同 CAVP 分布式控制方法（车辆决策和车路协同决策）的应用区别，对两
种分布式控制方法的控制效果进行对比分析。因此，所提出的 CAVP 分布式控制
系统能够为智能网联环境下网联自动驾驶车队的应用提供技术支撑。

75
东南大学博士学位论文

76
 第七章 智能网联环境下网联自动驾驶车队集中式决策控制

第七章 智能网联环境下网联自动驾驶车队集中式决策控制

本章面向自动驾驶车辆混合交通流场景，提出一种基于车路协同决策的网联
自动驾驶车队（CAV Platoon, CAVP）集中式控制方法，针对 AV 或 CAV 换道汇
入 CAVP 控制系统进行案例分析，并从不同控制模式、不同决策主体控制方法和
不同换道车辆组合三个方面分析控制方法对于道路交通运行的控制效果。本章研
究为智能网联环境下网联自动驾驶车队集中式决策控制提供技术支撑。

7.1 研究动机与思路

根据控制结构的区别，CAVP 控制系统可细分为分布式和集中式控制。第六
章节主要针对基于车辆/车路协同决策的 CAVP 方法进行研究，从不考虑至部分
考虑道路系统的决策协助，形成以车路协同进行决策的分布式控制方法。在实际
应用中，由于集中式控制的通讯结构方式以及系统状态定义与分布式控制存在差
异。根据智能网联环境下车辆和道路运营特征，本章主要针对以车路协同进行决
策的集中式控制方法展开分析，其中道路能够全面感知车辆的状态信息和提供的
控制参数信息，如下图 7-1 所示。另一方面，以往研究主要关注 CAVP 集中式控
制算法构建和求解问题，较少关注自动驾驶混合流换道汇入的 CAVP 控制问题，
使得 CAVP 集中式控制方法对于混入 AV 的场景应用受到限制。为了更好阐述本
章研究动机，应用下图进行说明。在高速公路车道变窄和车道关闭等场景下，AV
或 CAV 受到道路结构的限制，将寻求换道操作继续行驶。此时目标车道上存在
一个网联自动驾驶车队，换道车辆的换道行为则将使得车队进行分解。以往研究
假设换道 AV 的汇入则会车队完全的分解，由于周围车辆不能有效感知其运动状
态信息。而在应用车路协同技术可以通过道路全面感知车辆的状态信息和提供的
控制参数信息，进而可以使得车队不进行分解，并进行车队整体的优化控制。

路侧RSU 路侧RSU

图 7-1 基于车路协同决策的 CAVP 集中式控制

77
 东南大学博士学位论文

本章旨在提出基于车路协同决策的网联自动驾驶车队集中式控制方法，并对
道路交通运行的控制效果进行分析与评价。本章 7.2 节提出 CAVP 集中式控制方
法，7.3 节展示集中式控制策略，7.4 节和 7.5 节阐述车辆汇入车队系统的具体实
验案例和分析实验结果，7.6 节对本章进行了小结。

7.2 基于车路协同的车队集中式控制方法

7.2.1 车队控制系统状态

网联自动驾驶车队集中式控制的系统状态和控制向量是由每个车辆的状态
和控制的向量集计组成，如下所示：

x n = [x1 , x 2 ,..., x n ]T (7-1)

u n = [u1 , u 2 ,..., u n ]T (7-2)

车队中第 i 辆 CAV 的状态和控制向量被定义为：

xi =∆
[ si , ∆vi , ai ]T (7-3)

ui = ui (7-4)

其中，Δsi 代表前后车辆和车头间距与目标间距的差值。Δvi 为前后车辆的速

度差值。下标 i 用来区别车队中的车辆排序。车辆的平衡状态为 xe=[0, 0, 0]T。ai
是当前车辆的加速度。ui 是当前车辆的控制加速度。

CAVP 集中式控制系统的系统状态的导数可以表示为：

x n = A n x n + B n u n + Cn a0 (7-9)

其中，a0 是车队中头车的加速度，

 A1 
A A2  0 1 −τ 
3 n×3 n  0  , A= 0 0 −1  , k ∈ 1, n ,
An =
    k   [ ]
  0 0 −1 T 
 A0 An 

0 0 0   B1   0  0
 
A0 = 0 0 1  , B 3 n× n 
=  = ,B  0  , k ∈ [1, n] , C3n×1 =  a  .
 k    0
0 0 0   Bn  1 T   0 

7.2.2 车队控制成本函数构建

网联自动驾驶车队总运行成本是由每辆车的运行成本和末态成本组成，其中

78
 第七章 智能网联环境下网联自动驾驶车队集中式决策控制

末态成本为零，成本函数公式如下所示：

∑
t0 + t f
=Jn t = t0
Ln dt + M n (7-10)

∑
n
=Ln = L; M
i =1 i n 0 (7-11)

其中，J 是总成本，L 是运行成本，M 是结束成本，[t0, t0+tf)是预测时长范围。

在本文中，每辆车的运行成本以二次方形式进行构建，运行成本函数考虑三方面
的影响[98]，第一项涉及间距误差，第二项涉及速度差，第三项涉及驾驶舒适性。

Li = β1 (∆si ) 2 + β 2 (∆vi ) 2 +β3ai2 (7-12)

其中，Δsi 和 Δvi 分别于前后两车的间距误差和速度差值。其中，β1, β2 和 β3

为权重参数且通常均为正数。

车辆运行成本的矩阵表达形式可被定义为：

Ln = xTn β n x n (7-13)

β 1 
 β2   β1 0 0
其中， β
3 n×3 n
=  , β 3×3 =  0 β 0  .
   k  2

  
 0 0 β3 
  β n

车辆的速度和加速度具有上下限边界，并且车头间距必须大于预定义的安全
距离，如公式(3-15)和公式(3-16)所示。
7.2.3 协同控制的系统状态和成本函数

针对 AV 换道汇入 CAVP 的场景，由于道路能够准确感知 AV 的车辆状态

和控制参数信息，CAVP 控制的系统状态能够被拓展定义为：

x n+1 = [x1 , x 2 , x m ,..., x n ]T (7-5)

u n = [u1 , u 2 ,..., u n ]T (7-6)

针对 CAV 换道汇入 CAVP 的场景，由于道路能够准确感知和交互 CAV 的

车辆状态和控制参数信息，CAVP 控制的系统状态能够被拓展定义为：

x n+1 = [x1 , x 2 , x m ,..., x n ]T (7-7)

u n +1 = [u1 , u 2 , u m , ..., u n ]T (7-8)

其中，下标“m”表示车队中换道汇入车辆，即 AV 或 CAV。与上述系统状态
定义不同的是，系统状态中需增加换道 AV/CAV 的运动状态。换道 AV 与 CAV

79
 东南大学博士学位论文

对于控制向量的增加过程存在区别。由于 AV 不能实现通信，因此控制加速度不
能够被集中计算，因此不会增加系统控制向量 un 的数目。而 CAV 能够进行通
信，换道 CAV 的控制加速度能够被纳入整体车队控制系统进行集中式控制，因
此会增加系统控制向量的数目。本文考虑对于车辆汇入后，CAVP 中 CAV 仍处
在通信范围内能够实现有效通信。

对于 AV 汇入的 CAVP 集中式控制系统的系统状态的导数可以表示为：

x n +1 = A n +1x n +1 + B n +1u n + Cn +1a0 (7-9)

其中，a0 是车队中头车的加速度，

 A1 
A A2  0 1 −τ 
3* ( n +1)×3*( n +1)  0
A n +1 =  , A= 0 0 −1  , k ∈ [1, n +1] , k ≠ m ,
    k 

A0

A n +1  0 0 −1 T 


0 0 0  0 1 −τ 
A0 = 0= 0 1  , Am , AV  0
 0 −1  ,
0 0 0   k s T kv T −1 T 

 B1   0  0
B3*( n +1)×n 
= ,B  0  , k ∈ [1, n + 1] , C3*( n +1)×1 =  a  .
  = k    0
 Bn +1  1 T   0 

针对 AV/CAV 换道汇入 CAVP 的场景，新车队整体的总运行成本函数的计

算公式如下所示：

m = Jn + Jm = ∑t t = Ln dt + M n + ∑ t0 t f Lm dt + M m
t +t t +t
J n+= 0 f
(7-14)
0 0

Ln ∑ i 1 = Lm ∑ i 1 Li ;=
n m
=
=
; M n 0;=
Li = Mm 0 (7-15)

其中，J 是总成本，L 是运行成本，M 是结束成本，[t0, t0+tf)是预测时长范围。

7.3 集中式控制策略

基于上述理论方法，本节从驾驶功能应用和决策步骤两个方面阐述所提出的
CAVP 集中式控制方法。功能应用主要用于描述车辆执行自动驾驶任务的功能实
施流程。决策步骤主要描述决策功能中对于具体驾驶任务的决策流程。

80
 第七章 智能网联环境下网联自动驾驶车队集中式决策控制

7.3.1 功能应用

（1）感知：AV 通过自身感知系统来感知周围车辆的状态信息。CAV 可以
感知状态信息，并与 RSU 进行通信。道路系统中 RSU 感知 AV 的状态信息，然
后向 CAV 提供车辆控制参数。

（2）决策：准备换道 AV/CAV 同时计算车辆在当前车道上的运行成本，以

及在目标车道上的运行成本，比较换道与不换道成本数值。调整 CAVP 集中式控
制系统的系统状态和控制向量，基于道路感知的车辆状态信息和控制参数，拓展
CAVP 系统状态和控制向量，通过预测换道 AV/CAV 的运行状态，计算 CAVP 的
总运行成本和确定车辆最优的控制加速度。

（3）控制：准备换道的 AV/CAV 对比在当前车道与目标车道上的运行成本。

当换道车辆的当前车道上的运行成本大于其在目标车道上运行成本，换道车辆则
执行换道操作，相反则保持在当前车道行驶。配备了车载显示器的 CAV 可以从
决策模块接收控制指令。车辆控制模块执行控制指令的操作。本文假设车辆能够
完全遵循控制指令。
7.3.2 决策步骤

LC1

（a）

LC1

（b）

81
 东南大学博士学位论文

（c）
图 7-2 集中式控制方法示意图：（a）车辆配对；（b）汇入调整;
（c）换道车辆汇入和车辆编队

车队集中式控制方法的决策步骤为：首先，准备换道 AV/CAV 计算不换道和

换道的运行成本差值，并进行运动状态调整；其次，根据协作权限考虑是否将
AV/CAV 纳入 CAVP 集中式控制系统中，对由 AV/CAV 和 CAVP 组成的车辆群体
重新进行排序，调整 CAVP 集中式控制的系统状态和控制向量；最后，预测
AV/CAV 的车辆运行状态，计算 CAVP 车队和 AV/CAV 的总运行成本，求解车辆
的最优控制加速度。

（1）调整换道 AV/CAV 的运动状态

准备换道 AV/CAV 计算在当前车道行驶的运行成本，并同时假定目标车道

上目标前车和目标后车，同时计算车辆在目标车道的运行成本。当不换道成本大
于换道成本时，换道车辆执行换道。若不换道成本大于换道成本时，则换道
AV/CAV 根据目标车道的目标前车运动状态进行运动状态的调整。

（2）调整 CAVP 控制系统的控制方法

基于道路系统中 RSU 感知的换道 AV/CAV 状态信息并进行上传，交通控制

中心和控制单元能够预测换道车辆的汇入位置以及其车辆控制参数。针对集中式
协作控制规则而言，在完成换道匹配后，CAVP 控制系统将换道 AV/CAV 纳入车
队整体进行集中式控制，从而调整控制状态和控制向量；而对于集中式非协作控
制规则，在换道车辆完成换道操作后，CAVP 控制系统才会将换道 AV/CAV 纳入
车队整体，并进行控制状态和控制向量的调整。

（3）确定车队的控制指令

根据调整后的系统状态和控制向量，计算预测时长内车队中 CAV 和换道

AV/CAV 的总运行成本，应用迭代求解方法 iPMP 确定车队中 CAV 的最优控制
加速度。通过最优控制加速度计算得到车队的运动轨迹，然后应用反馈控制方法

82
 第七章 智能网联环境下网联自动驾驶车队集中式决策控制

计算 AV 控制加速度以及运动轨迹。其中，中央控制单元向该路段上的 CAV 发
送最优控制指令，从而确保换道车辆汇入 CAVP 控制系统场景下的交通安全和效
率。

7.4 实验案例

在本节中，通过开展实验来验证所提出的 CAVP 集中式控制方法的有效性。

研究考虑高速公路车道变窄或关闭等交通场景，AV/CAV 需强制性换道汇入道路
主线车道，而目标车道上存在由 6 个 CAV 组成的 CAVP 集中式控制系统，采用
网联式通信结构进行传递信息，导致换道 AV/CAV 与原有车队进行重新编队，进
而使得 AV/CAV 驶出加速车道并汇入主线继续行驶。考虑控制模式、不同决策主
体控制方法和换道车辆组合方面的影响，进而开展以下实验。实验主要包括三个
部分：（1）分析协作控制与非协作控制模式对于道路交通运行的控制效果；（2）
分析不同决策主体的控制方法对于道路交通运行的控制效果；
（3）分析不同换道
组合对于道路交通运行的控制效果。图 7-3 展示了具体实验案例场景以及车辆的
初始运动状态信息。表 7-1 列出了所有车辆所需控制参数的默认值[98]。

路侧RSU 路侧RSU
(220m, 25m/s, 0m/s2)

LC1 (200m, 25m/s, 0m/s2)

图 7-3 实验案例场景
表 7-1 默认的参数设置
参数 符号 数值
仿真时长 Tsim 400s
初始速度 v 25 m/s
距离阈值和车辆变窄位置 d 350 m/750 m
最大加速度 amax 2 m/s2
最小加速度 amin -2 m/s2
预测周期 tf 4s
车辆长度 L 4m
模型收益 K 1.0

83
 东南大学博士学位论文

期望车头时距（AV/CAV） τ 1.2s /1.0 s

执行延误 T 0.2 s
速度差值增益系数 kv 0.3
间距误差增益系数 ks 0.5

7.5 实验结果

7.5.1 不同控制模式的控制效果对比
表 7-2 不同控制模式的控制结果
评价指标 非协作控制 协作控制
TTT 2338s 2335s
TTC-1 18.88 11.48

给定上述两辆 AV 换道场景及其车辆参数设置后，表 7-2 中展示了基于车路

协同决策的车队集中式控制方法，应用非协作控制和协作控制模式下的道路交通
系统运行结果。通过结果可知，在交通效率和交通安全方面，CAVP 采用协作控
制模式对于车辆换道汇入的控制效果都优于非协作控制模式，其中交通总旅行时
间（TTT）减少 0.13%和安全风险（TTC）降低 39.19%。主要是因为协作控制能
够在换道车辆确定换道位置后且汇入目标车道前，提前将换道车辆纳入 CAVP 系
统并将所有车辆视为一个整体。通过调整 CAVP 的系统状态和控制向量，并预测
换道车辆的运行状态和控制参数，计算车队整体最优的控制加速度，进而优化
CAVP 系统中车辆的运行状态。因此该协作控制能够使得换道车辆的目标后车调
整跟驰状态并提前进行减速，从而在目标车道上提供较大的目标间隙，让车辆更
加有效地执行换道操作，如图中 7-4(b)所示。对于非协作控制的应用，其仅在换
道车辆汇入目标车道后，才会预测换道车辆的运行状态，将换道车辆运行状态纳
入 CAVP 系统，进而优化整体车辆加速度。其中 CAVP 系统中目标后车在车队中
正常行驶，针对换道车辆的换道行为不会提前做出减速反应，如图中 7-4(a)所示。

通过图 7-4(c)和图 7-4(d)可知，相比于无协作控制，协作控制通过提前减速

能够缓解车辆汇入影响，进而导致目标后车及其上游跟随车辆具有较小的加速度
扰动幅度。如图 7-4(c)和图 7-4(d)可知，采用协作控制下相比于无协作控制具有
较小的相对速度变化幅度，其中车队中第 4 辆车（对应第 2 个换道 AV 的目标后
车）具有明显扰动变缓趋势，从而能够减少车辆碰撞风险和利于改善交通安全。
因此，实验结果表明 CAVP 采用的协作控制能够通过车队与换道车辆间的协作行
为，有效地改善整个道路交通系统的安全和效率。

84
 第七章 智能网联环境下网联自动驾驶车队集中式决策控制

（a） （b）

（c） （d）

（e） （f）
图 7-4 集中式不同控制模式下车辆状态结果：（a）非协作控制的轨迹；（b）协
作控制的轨迹；（c）非协作控制的加速度；（d）协作控制的加速度；（e）非协
作控制的相对速度；（f）协作控制的相对速度
7.5.2 不同决策主体控制方法的控制效果对比
表 7-3 不同控制方法的控制结果
评价指标 车辆决策 车路协同决策
TTT 2361s 2335s
TTC-1 14.46 11.48

图 7-6 中展示了不同控制方法下的所有车辆运动状态。表 7-3 中列出了不同

85
 东南大学博士学位论文

控制方法下的道路交通系统运行结果。由结果可知，在交通效率和安全方面，采
用基于车路协同决策的控制方法相比于基于车辆决策的控制方法具有较好的控
制效果，其中总旅行时间减少 1.14%和安全风险降低 20.61%。主要是因为协作控
制能够在换道车辆汇入目标车道后，提前将换道车辆纳入整体系统并将所有车辆
视为一个整体。通过调整车队的状态和控制向量，并预测换道车辆的运动状态，
计算整体最优的控制加速度，进而优化所有车辆的运动状态。因此该协作控制能
够考虑换道车辆汇入后整体车辆运动状态的影响，然后进行调整控制，如第 3 个
车辆考虑后车汇入的影响可进行缓慢减速操作，如图 2(b)中所示。对于基于车辆
控制的应用，换道 AV 汇入目标车道后车队，导致车队分解为不同的子车队，其
中 3 辆车因不能有效感知前车的状态信息，因此降级为 AV，无法被纳入整体控
制。由于无法考虑 AV 的汇入影响，该车只能跟驰换道 AV 进行大幅度减速控制，
如图中 7-6(a)标记所示。

如图 7-6(c)和图 7-6(d)所示，对于车辆控制能够导致部分车辆发生降级，影
响上游车辆的运动状态，导致降级车辆和上游车辆具有较大的加速度扰动幅度。
而对于车路协同控制，通过考虑 AV 汇入的影响能够不断进行驾驶调整，进而缓
解加速度扰动的幅度。从图 7-6(c)和图 7-6(d)可知，在相对速度变化幅度上，采
用车路协同控制下相比于车辆控制具有变缓趋势，从而能够减少车辆碰撞风险和
利于改善交通安全。因此，实验结果表明基于车辆和道路协同感知，能够采集整
体交通的状态信息，车路协同控制针对大范围交通优化目标制定控制指令，能够
显著改善改善交通安全和效率。

（a） （b）

86
 第七章 智能网联环境下网联自动驾驶车队集中式决策控制

（c） （d）

（e） （f）
图 7-6 集中式控制系统的车辆状态结果：（a）车辆决策的轨迹；（b）车路协同
决策的轨迹；（c）车辆决策的加速度；（d）车辆协同决策的加速度；（e）车辆
决策的相对速度；（f）车辆协同决策的相对速度
7.5.3 不同换道车辆组合的控制效果对比
表 7-4 不同换道车辆组合的控制结果
评价指标 换道车辆（AV） 换道车辆（AV 和 CAV）
TTT 2334s 2294s
TTC-1 11.48 9.33

应用 CAVP 集中式控制系统中协作控制方法，针对两种换道组合场景下，即
全部为 AV 组成的组合 1 和由 AV 和 CAV 组成的组合 2，表 7-4 列出不同换道车
辆组合的道路交通系统评价指标数值。结果表明，相比于全部由 AV 组成的换道
车辆组合，由 AV 和 CAV 组成的换道组合具有更好的控制效果，能够有效提升
交通效率和改善交通安全，其中总旅行时间减少 1.71%和安全风险降低 18.73%。
主要原因是相比于全部由 AV 组成的车辆组合，组合 2 中 CAV 确定目标车道的
汇入位置后，能够与 CAVP 进行通信，可以直接被纳入 CAVP 系统，不需要预测
换道车辆的运动状态。车队控制系统通过增加系统状态和控制向量数目，进而计
算车辆的控制加速度。相比 AV 的换道汇入，CAV 能够利用集中式控制优势实现

87
 东南大学博士学位论文

平滑跟驰控制，避免汇入引起振荡的情况进而影响上游交通运行状态，如图中 7-
6(c)-(f)所示。另外，CAV 换道进入 CAVP 系统后能够减小期望车头时距，使得换
道车辆的车头时距小于组合 1 中 AV 的车头时距参数，目标后车进行减速幅度也
变小，从而进一步缓解车辆换道带来的不利影响。因此，实验结果表明不同换道
车辆组合对交通运行效率和安全方面的影响具有显著区别。其中 CAV 换入目标
车道后，不仅不会增加车队其它控制规则的影响，反而能够与 CAVP 系统进行通
信，帮助系统实现车队进行整体控制，导致换道车辆组合（AV 和 CAV）相比于
车辆组合（全部 AV）具有较好的控制效果。

（a） （b）

（c） （d）

（e） （f）

88
 第七章 智能网联环境下网联自动驾驶车队集中式决策控制

图 7-6 不同组合下控制方法的车辆状态结果：（a）组合 1 的轨迹；（b）组合 2

的轨迹；（c）组合 1 的加速度；（d）组合 2 的加速度；（e）组合 1 的相对速
度；（f）组合 2 的相对速度

7.6 本章小结

本章主要针对高速公路车道变窄或车道关闭涉及 AV/CAV 强制性汇入 CAVP

等交通场景，协同车辆和道路系统运营优势，提出基于车路协同决策的 CAVP 集
中式控制方法，促进 AV/CAV 更有效实现换道汇入。首先，通过道路感知和预测
车辆的运动状态和控制参数，基于最优控制理论构建适用于自动驾驶车辆混合交
通流的 CAVP 集中式控制方法。从协作角度分析不同集中式控制模式的控制效
果，结果表明应用协作控制相比于非协作控制，能够有效地改善交通安全和效率。
并对基于车辆决策和基于车路协同决策的控制方法进行对比分析，结果表明基于
车路协同方法能够避免车辆降级操作，从而有效提升道路交通安全和效率。对于
不同换道车辆组合进行交通仿真实验，结果表明包括 CAV 的换道车辆组合具有
更好的控制效果。因此，所提出的 CAVP 集中式控制方法为智能网联环境下网联
自动驾驶车队的实践应用提供技术支撑。

89
东南大学博士学位论文

90
 第八章 总结与展望

第八章 总结与展望

8.1 主要研究成果与结论

论文依托国家重点研发计划（No. 2018YFB1600600）和江苏省自然科学基金
（No. BK20160685），针对智能网联环境下高速公路自动驾驶车辆决策控制技术
中关键问题开展研究，以自动驾驶车辆混合交通流为研究对象，旨在提出基于车
路协同决策的自动驾驶车辆跟驰和换道控制方法，以及基于车路协同决策的网联
自动驾驶车队分布式和集中式控制方法，应用车路协同自动驾驶技术提升高速公
路交通效率和改善交通安全。论文的主要研究工作和主要成果总结如下：

（1）对智能网联环境下交通系统组成及其应用框架进行研究

首先介绍智能网联环境下基于自动驾驶的交通系统组成，包括三大关键子系
统（车辆系统、道路系统和通讯系统）和三大自动驾驶功能（感知、决策和控制）。
道路系统包括交通控制中心（TCC）、交通控制单元（TCU）和路侧单元（RSU）。
车辆系统包括网联自动驾驶车辆（CAV）、非网联自动驾驶车辆（AV）、网联自动
驾驶车队（CAVP）和路侧单元。通讯系统包括车车通信（V2V）、车路通信（V2I）
和路路通信（I2I）模式。参考国际汽车工程师协会（SAE）针对车辆的自动化等
级定义，结合道路系统的信息化、智能化和自动化方面特征，提出了基于道路的
智能等级进行定义。然后提出智能网联环境下基于自动驾驶的系统应用架构，明
确本文研究的智能网联环境以及应用流程。

（2）对智能网联环境下自动驾驶车辆跟驰决策控制进行研究

考虑交通效率和车队稳定性的相互影响，旨在优化交通流量，以车队稳定性
为约束条件，协同车辆和道路的运营优势，提出基于车路协同决策的自动驾驶车
辆跟驰控制方法。从控制模式和信息模式方面进行应用，其中控制模式分为严格
和宽松，信息模式分为车路通信和车路通信+可变信息板。根据车队稳定性理论
方法，求解不同控制策略下最优车头时距的控制参数集合。然后针对不同混合交
通流场景进行理论分析和仿真验证，结果表明通过松弛车队稳定性条件能够对自
动驾驶混合交通流中多个 CAV 进行协同优化，从而提升交通流量并确保整体车
队头尾稳定性。通过增加信息模式能够促进 AV 执行控制指令，增加更多控制车
辆提供更为有效地分配指令方案，从而改善交通效率。

（3）对智能网联环境下自动驾驶车辆换道决策控制进行研究

旨在促进智能网联环境下自动驾驶车辆实现安全且有效的换道操作，提出基

91
 东南大学博士学位论文

于车路协同决策的自动驾驶车辆换道控制方法，从协同控制设计和车辆运动状态
估计方面分析控制方法的控制效果。通过道路感知车辆运动状态和预测车辆控制
参数，从安全、效率和舒适角度构建车辆协同换道控制方法，分析协同与非协同
控制方法的决策差异。针对周围车辆运动状态存在感知误差和无误差情况下，计
算不同情况下车辆的总运行成本，确定车辆的自动驾驶决策并进行对比分析。结
果表明，所提出的换道控制方法能够为车辆提供最优的自动驾驶决策，并有效提
升换道成功率。

（4）对智能网联环境下网联自动驾驶车队分布式决策控制进行研究

从分布式控制角度出发，针对自动驾驶车辆汇入或通信中断导致车辆降级/
升级等交通场景，构建涵盖驾驶模式切换的网联自动驾驶车队一体化分布式控制
系统，其中包含 AV 模式、CAVP 模式以及模式切换功能。并对本文提出的控制
系统车队稳定性进行理论证明，结果表明为实现车队稳定，提出的控制系统相比
Plog’s 控制系统具有更优的车头时距控制参数。通过交通仿真实验结果可知，本
文提出的 CAVP 系统能够有效改善交通效率、安全和扰动。考虑决策主体的差
异，提出基于车路协同决策的 CAVP 分布式控制方法，由车辆计算控制加速度以
及道路确定车头时距控制参数，分析不同分布式控制方法对于道路交通运行的控
制效果。为智能网联环境下 CAVP 分布式控制系统优化设计提供技术支撑。

（5）对智能网联环境下网联自动驾驶车队集中式决策控制进行研究

从集中式通讯和控制角度出发，通过道路全面感知车辆运动状态信息和控制
参数，旨在提出基于车路协同决策的网联自动驾驶车队集中式控制方法。针对 AV
或 CAV 换道汇入 CAVP 集中式控制系统的交通场景，构建适用于自动驾驶混合
交通流的 CAVP 集中式控制方法，并对多种场景下集中式控制方法的控制效果进
行分析和评价。结果表明应用基于车路协同决策的控制方法能够避免车辆混入引
起的车辆降级，对车辆整体进行集中式控制，从而有效降低安全风险和减少总旅
行时间。更多，相比于非协作控制模式，应用协作控制能够提前缓慢减速增加目
标间隙，促进车辆更有效地执行换道操作，从而改善交通安全和效率。考虑不同
换道车辆组合场景，结果表明包括 CAV 的车辆组合能够有效改善道路交通运行
效果。

8.2 主要创新点

总结本文创新点如下：

（1）应用车路协同技术解决智能网联环境下自动驾驶混合流问题

92
 第八章 总结与展望

以往研究主要基于车辆制定自动驾驶解决方案，对于自动驾驶车辆混合交通
流场景的应用具有一定局限性，通过考虑智能网联环境下的道路作用，协同车辆
和道路系统运营优势，应用以车路协同技术为主的自动驾驶解决方案，车辆和道
路能够高效协同完成自动驾驶功能和任务，改善基于车辆方案在自动驾驶混合流
下感知和决策等方面的局限性，对于加速自动驾驶的落地应用具有理论指导意义。
进一步明确智能网联环境下基于自动驾驶的交通系统组成内容，其中包括车辆系
统、道路系统和通讯系统三大子系统。道路系统包括交通控制中心、交通控制单
元和路侧单元。车辆系统包括网联/非网联自动驾驶车辆、网联自动驾驶车队和
路侧单元，其中网联自动驾驶车队分为分布式和集中式控制模式。通讯系统包括
车车通信、车路通信和路路三大通信模式。并阐述智能网联环境下车辆和道路系
统的感知、决策和控制三大自动驾驶功能的具体内容，以及智能网联环境下系统
和功能的具体应用流程。此外，参考 SAE 针对车辆的自动化等级定义，从道路
系统的信息化、智能化和自动化角度出发，结合应用场景和主动安全系统等因素，
首次对道路的智能等级进行定义和说明。有助于学术界和产业界理解车辆和道路
不同智能等级的内涵。此研究内容能够为解决智能网联环境下自动驾驶相关设计
和运营问题提供理论支撑。

（2）提出了基于车路协同决策的车辆跟驰和换道控制方法

以往针对自动驾驶车辆混合交通流问题侧重于交通效率或车队稳定性进行
研究，未能考虑交通效率和稳定性的相互作用影响，导致研究成果受到较大的应
用限制。而且对于交通优化角度的理解有限，因此未能对自动驾驶混合交通流中
多个 CAV 进行有效协同优化。本文以交通流量作为优化目标，以车队头尾稳定
性为约束条件，结合道路和车辆系统运营优势，提出一种基于车路协同决策的自
动驾驶车辆跟驰控制方法。通过多个自动驾驶车辆混合交通流的多场景案例分析，
适当地松弛车队头尾稳定性条件，有利于改善道路交通效率。以往研究较少关注
自动驾驶车辆混合交通流场景下车辆的换道问题，本文提出一种基于车路协同决
策的自动驾驶车辆换道控制方法，通过道路感知车辆运动状态信息和预测车辆控
制参数，从安全、效率和舒适角度构建协同控制方法，优化车辆的自动驾驶决策
和加速度。并考虑车辆运动状态和车辆控制参数存在误差情况下，分析协同控制
方法对于自动驾驶决策的影响，以及应用换道成功率指标进行评价。研究内容为
车路协同自动驾驶技术针对智能网联环境下自动驾驶混合流的车辆跟驰和换道
控制问题的实践应用提供技术支撑。

（3）提出了基于车路协同决策的车队分布式和集中式控制方法

以往研究主要独立关注 CAVP 和 AV 两种驾驶模式，未充分考虑自动驾驶车

93
 东南大学博士学位论文

辆汇入或通信中断导致车辆降级/升级问题，导致 CAVP 模式未能平滑切换至 AV

模式，严重影响 CAVP 控制系统的实际应用。针对面向车辆降级/升级等交通场
景，提出一种涵盖驾驶模式切换的 CAVP 分布式控制系统，其中通过调整 CAVP
和 AV 模式的输入变量，能够实现两种驾驶模式的平滑切换。相比之前控制系统，
一体化车队分布式控制系统的设计理念，能够有效改善控制系统的车队稳定性和
安全性。现有关于 CAVP 控制系统都是基于车辆进行决策的解决方案，无法实现
大范围的优化控制。考虑通讯结构和控制模式的差异，本文提出基于车路协同决
策的 CAVP 分布式和集中式控制方法。核心思想是通过道路感知车辆运动状态信
息和预测车辆控制参数，网联自动驾驶车队根据车队和道路感知和交互信息进行
自动驾驶混合流的优化控制，通过车路协同方式计算最优控制加速度和控制参数，
进而能够有效提升道路交通效率和安全。研究成果为解决网联自动驾驶车队技术
针对智能网联环境下自动驾驶混合流场景的重要实际问题，以及为该项技术在高
速公路上的推广与应用提供关键技术支撑。

8.3 研究展望

本文在智能网联环境下交通系统组成及其应用框架、智能网联环境下自动驾
驶车辆跟驰和换道决策控制、智能网联环境下网联自动驾驶车队分布式和集中制
决策控制等方面做了一定尝试和研究。但由于自动驾驶技术的复杂性，无法通过
一篇论文对所有相关问题进行全面剖析，故提出以下研究展望：

（1）现有研究尚未对如何量化人工驾驶行为等问题达成一致，因此本文在
控制方法制定过程中没有考虑人工驾驶车辆的影响，导致控制效果可能与实际交
通情况存在一定差异。近年随着感知和计算机视觉计算技术的迅速发展，使得大
规模获取车辆轨迹数据成为可能。在此大量数据前提下，如何结合人工驾驶车辆
历史轨迹数据和控制理论和方法对自动驾驶车辆进行决策和控制，甚至实现交通
系统的控制和优化都需进一步研究，将在未来研究继续完善。

（2）本文主要针对无感知和通讯延误情况下，对自动驾驶车辆和网联自动
驾驶车队的决策控制进行研究。虽然论文中提出了车辆跟驰和换道控制方法以及
车队分布式和集中式控制方法，并对控制效果有效性进行分析，但未考虑车辆感
知和通讯系统存在的时变延误。因此，未来研究需要对控制理论进行深入研究和
分析，提出可以补偿感知和通讯延误的控制方法，使控制系统和提出的控制方法
具有更强的车队稳定性与鲁棒性，更加贴近实际应用并有利于改善道路交通效率
和安全。

（3）不同通讯拓扑结构对于网联自动驾驶车队间信息传输方式具有影响，
94
 第八章 总结与展望

进而影响车队稳定性分析和控制方法效果。现有研究尚未对通信拓扑结构如何影
响车队控制和安全等问题达成一致，导致学者对网联自动驾驶车队的通讯拓扑结
构设计各有差异。本文针对分布式控制采用前车-后车的通信结构，以及针对集
中式控制采用网联化通信结构，对网联自动驾驶车队决策控制进行研究。未来研
究需对其它通讯拓扑结构进行深入探索，分析不同通讯方式对于车队稳定性及其
控制的影响。

95
东南大学博士学位论文

96
 致谢

致谢

行文至此，博士论文已接近尾声，即将完成自己的博士生涯。从本科、硕士
再到博士，回想起已在东南大学交通学院学习和生活十一年，我对这个城市、这
片校园有着太多美好的回忆，有着太多的不舍和留恋，在这十一年中有太多想要
感谢的老师、同学和朋友。

衷心感谢我的恩师冉斌教授，几年前成为您学生那一刻的兴奋之情仍然记忆
犹新，博士生涯期间时刻以作为冉老师的学生而自豪。每次与冉老师讨论交流或
聆听老师的报告发言都能学到新知识、领略到新思想，了解交通行业发展脉络和
趋势，和车路协同自动驾驶相关的新技术和新理念。冉老师拥有的卓越智慧、深
刻思想、开拓创新和博大胸怀等品质，永远是我学习的楷模，深知榜样的力量无
穷，将会始终激励着我奋勇前进。值此学位论文完成之际，谨向恩师表达最衷心
的感谢和崇高的敬意！

衷心感谢我的副导师曲栩副教授，自从博士入学以来一路对我的悉心教导和
帮助，给予我高水平研究课题的锻炼和众多参与科研实践项目的机会。在我开展
项目时候教我工作的方法和为人处事技巧，在学业上为我指点迷津和鞭策鼓励，
并且耐心帮助我修改完善论文。帮助我明确自己的奋斗方向和前进道路。曲老师
正直的品质、务实的作风和谦逊的风格都是我学习的榜样。

感谢智能网联交通研究院的所有老师们，感谢张健老师、李锐老师、杨帆老
师、张远老师、张小丽老师、芮一康老师等。感谢你们在我博士期间工作、生活
以及学业上的关怀和帮助。

感谢交通学院的所有老师们，感谢王炜老师、刘攀老师、过秀成老师、陆建
老师、邓卫老师、李文权老师、陈学武老师、程琳老师、陈峻老师、项乔君老师、
任刚老师、陈淑燕老师、叶智锐老师、杨敏老师、王昊老师、季彦婕老师、刘志
远老师、胡晓健老师、李志斌老师、谢远长老师、徐铖铖老师、张国强老师、李
豪杰老师、马永锋老师、陈茜老师、李大韦老师、张文波老师等教授我专业课程
以及给予过我帮助的老师们。

感谢这一路走来的同学朋友们，本科期间的 211092 班，硕士期间的 13 级交

规 2 班，以及博士期间的 16 级春博班，与你们一同学习和生活的日子是我最珍
贵和美好的回忆。感谢课题组师兄师姐胡永恺、顾海燕、何赏璐、展凤萍、聂建
强、钟罡、王翀、李林超的帮助和指导，感谢师弟师妹徐凌慧、李林恒、李汉初、
易紫薇、董翰萱、陆文琦、戴冠臣、陈信超、张雯靓、徐云霞、黄帅凤、季新凯、

97
 东南大学博士学位论文

洪阳、杜树樱、王晴、林祎、王涵、冒培培、董书洋、王姝，有了你们才有了课
题组这个大家庭，有了我博士研究生期间的多彩生活。

感谢赴美访学岁月里共事的伙伴们，感谢程阳、周扬、李深、李小天、陈天
怡、董硕煊、石坤松、衣然、石皓天、吴可书、姚轶凡、张羽等给予我生活和科
研上的帮助。感谢访学的何蜀燕，杨柳，高婷婷，张园园，李振龙，何永明，熊
萍，李彦瑾，吴浩然，姚志洪，卢佳，张雨泽，袁腾飞，林杨欣，凃强，赵佳昊
等给予我的陪伴和关照。麦屯冬天虽冷，但让我感受到无比温暖。

感谢我的父母和家人，从小到大你们一直给予我最大的支持，为我遮风挡雨，
因为有了你们的支持和鼓励，我才能够顺利的完成自己的学业，为自己的梦想而
奋斗。唯有今后加倍的努力能够报答你们的养育之恩和培养之情。

九龙湖到四牌楼，四牌楼回到九龙湖，从梦开始的地方圆了十一年的东大求
学之路，美妙而神奇。正如十一年前满怀理想和抱负，怀揣“止于至善”的校训信
念，开启我人生新的篇章。谨以此篇给所有曾经帮助、支持、陪伴过我的所有人。

郑元

2020 年 6 月 24 日

98
 参考文献

参考文献
[1] Society of Automaton Engineers, “SAE”, Taxonomy and Definitions for Terms
Related to Driving Automation Systems for On-Road Motor Vehicles [S], SAE
J3016(TM).
[2] 李克强, 戴一凡, 李升波, 等. 智能网联汽车(ICV)技术的发展现状及趋势[J].
汽车安全与节能学报, 2017, 8(01): 1-14.
[3] 节能与新能源汽车技术路线图战略咨询委员会和中国汽车工程学会．节能与
新能源汽车技术路线图[M]. 北京: 机械工业出版社, 2016, 51-53.
[4] European road transport research advisory council. ERTRAC Connected
Automated Driving Roadmap 2019 [EB/OL]. https://www.ertrac.org/index.php?
page=ertrac-roadmap, 2019-04-04.
[5] 李林恒, 甘婧, 曲栩, 等. 智能网联环境下基于安全势场理论的车辆跟驰模
型[J]. 中国公路学报, 2019, 32(12).
[6] Ploeg J, de Haan R. Cooperative automated driving: from platooning to
maneuvering. In 5th International Conference on Vehicle Technology and
Intelligent Transport Systems, VEHITS 2019 (pp. 5-10). SCITEPRESS-Science
and Technology Publications, Lda. 2019.
[7] 中国公路学会自动驾驶工作委员会. 车路协同自动驾驶发展趋势及建议[J].
智能网联汽车, 2019(04): 50-60.
[8] 冉斌, 程阳, 金璟, 等. 一种多维智能网联交通系统. 中国发明专利, ZL
201710660668.2[P]. 2018-01-19.
[9] 张毅, 姚丹亚. 基于车路协同的智能交通系统体系框架[M], 电子工业出版社,
2015.
[10] 冉斌, 谭华春, 张健, 等. 智能网联交通技术发展现状及趋势[J]. 汽车安全与
节能学报, 2018, 9(02): 5-16.
[11] 王翀. 车路协同环境下的高速公路匝道区域控制关键技术研究[D]. 东南大
学, 2019.
[12] 中国交通信息化. 【智能网联】中国自动驾驶道路分级或将有“标”可依： 《智
能网联道路系统分级定义及解读报告（征求意见稿）》发布[EB/OL]. http://gast-
auto.com/industrial-strategy/zs-cy-20190926-01.html, 2019-09-26.
[13] VanderWerf J, Shladover S., Kourjanskaia N, et al. Modeling effects of driver
control assistance systems on traffic.’ Transportation Research Record, 2001,
1748(1), pp. 167-174.
[14] Wang M, Daamen W, Hoogendoorn S P, et al. Rolling horizon control framework
for driver assistance systems. Part I: Mathematical formulation and non-
cooperative systems. Transportation research part C: emerging technologies, 2014,

99
 东南大学博士学位论文

40, pp. 271-289.

[15] Milanés V and Shladover S E. Modeling cooperative and autonomous adaptive
cruise control dynamic responses using experimental data.Transportation Research
Part C: Emerging Technologies, 2014, 48, pp. 285-300.
[16] Wang M. Infrastructure assisted adaptive driving to stabilise heterogeneous vehicle
strings. Transportation Research Part C: Emerging Technologies, 2018, 91, pp.
276-295.
[17] Goñi-Ros B, Schakel W J, Papacharalampous A E, et al. Using advanced adaptive
cruise control systems to reduce congestion at sags: An evaluation based on
microscopic traffic simulation. Transportation Research Part C: Emerging
Technologies, 2019, 102, pp. 411-426.
[18] Bian Y, Zheng Y, Ren W, et al. Reducing time headway for platooning of connected
vehicles via V2V communication. Transportation Research Part C: Emerging
Technologies, 2019, 102, pp. 87-105.
[19] Talebpour, A, Mahmassani H S. Influence of connected and autonomous vehicles
on traffic flow stability and throughput. Transportation Research Part C: Emerging
Technologies, 2016, 71, 143-163.
[20] Di Vaio M, Fiengo G, Petrillo A, et al. Cooperative shock waves mitigation in
mixed traffic flow environment. IEEE Transactions on Intelligent Transportation
Systems. 2019.
[21] Xing H, Ploeg J, Nijmeijer H. Smith predictor compensating for vehicle actuator
delays in cooperative ACC systems. IEEE Transactions on Vehicular Technology,
2018, 68(2), 1106-1115.
[22] Xiao L, Gao F. Practical string stability of platoon of adaptive cruise control
vehicles. IEEE Transactions on intelligent transportation systems, 2011, 12(4), pp.
1184-1194.
[23] Zhou Y, Ahn S. Robust local and string stability for a decentralized car following
control strategy for connected automated vehicles. Transportation Research Part B:
Methodological, 2019a, 125, pp. 175-196.
[24] Jin I G, Orosz G. Dynamics of connected vehicle systems with delayed acceleration
feedback. Transportation Research Part C: Emerging Technologies, 2014, 46, pp.
46-64.
[25] Shladover S E. Connected and automated vehicle systems: Introduction and
overview. Journal of Intelligent Transportation Systems, 2018, 22, (3), pp. 190-200.
[26] Zhou M, Qu X, Jin S. On the impact of cooperative autonomous vehicles in
improving freeway merging: a modified intelligent driver model-based approach.
IEEE Transactions on Intelligent Transportation Systems, 2016, 18, (6), pp. 1422-
1428.

100
 参考文献

[27] Li L, Li X. Parsimonious trajectory design of connected automated traffic.

Transportation Research Part B: Methodological, 2019, 119, pp. 1-21.
[28] 徐成. 部分车辆联网条件下多车协同避撞算法研究[D]. 清华大学, 2015.
[29] Ploeg J, Shukla D P, van de Wouw N, et al. Controller synthesis for string stability
of vehicle platoons. IEEE Transactions on Intelligent Transportation
Systems, 2014, 15(2), 854-865.
[30] Ploeg J, Van De Wouw N, Nijmeijer H. Lp string stability of cascaded systems:
Application to vehicle platooning. IEEE Transactions on Control Systems
Technology, 2014, 22(2), 786-793.
[31] Zhang Y, Bai Y, Wang M, et al. Cooperative Adaptive Cruise Control With
Robustness Against Communication Delay: An Approach in the Space Domain[J].
IEEE Transactions on Intelligent Transportation Systems, 2020.
[32] Van Arem B, Van Driel C J G, Visser R. The impact of cooperative adaptive cruise
control on traffic-flow characteristics[J]. IEEE Transactions on Intelligent
Transportation Systems, 2006, 7(4): 429-436.
[33] Shladover S E, Su D, Lu X. Impacts of cooperative adaptive cruise control on
freeway traffic flow. Transportation Research Record, 2012, 2324(1), 63-70.
[34] Wang M, Daamen W, Hoogendoorn S P, et al. Cooperative car-following control:
Distributed algorithm and impact on moving jam features[J]. IEEE Transactions on
Intelligent Transportation Systems, 2016, 17(5): 1459-1471.
[35] Xiao L, Wang M, Schakel W, et al. Unravelling effects of cooperative adaptive
cruise control deactivation on traffic flow characteristics at merging bottlenecks.
Transport. Res. Part C: Emerg. Technol. 2018, 96, 380-397.
[36] 秦严严.智能网联环境下异质交通流特性分析方法研究[D]. 东南大学, 2019.
[37] Monteil J, Bouroche M, Leith D J. Stability Analysis of Heterogeneous Traffic
With Application to Parameter Optimization for the Control of Automated Vehicles.
IEEE Transactions on Control Systems Technology, 2018, 27(3), pp. 934-949.
[38] Qin Y, Wang H. Analytical framework of string stability of connected and
autonomous platoons with electronic throttle angle feedback. Transportmetrica A:
Transport Science, 2018, pp. 1-22.
[39] Ngoduy D. Analytical studies on the instabilities of heterogeneous intelligent
traffic flow. Communications in Nonlinear Science and Numerical Simulation,
2013, 18, (10), pp. 2699-2706.
[40] Zhou Y, Ahn S, Wang M, et al. Stabilizing mixed vehicular platoons with connected
automated vehicles: An H-infinity approach. Transportation Research Part B:
Methodological. 2019b.
[41] An S H, Lee B H, Shin D R. A survey of intelligent transportation systems. In

101
 东南大学博士学位论文

proceeding of 2011 Third International Conference on Computational Intelligence,

Communication Systems and Networks. Bali, Indonesia, August, 2011, pp. 332-
337. IEEE.
[42] Ran B, Cheng Y, Li S, et al. Connected automated vehicle highway systems and
methods. U.S. Patent Application No. 15/628, 331, 2018.
[43] Ran B, Cheng Y, Li S, et al. Intelligent road infrastructure system (iris): systems
and methods. U.S. Patent Application No. 16/135,916, 2019.
[44] Grumert E, Ma X, Tapani A. Analysis of a cooperative variable speed limit system
using microscopic traffic simulation[J]. Transportation research part C: emerging
technologies, 2015, 52: 173-186.
[45] Khondaker B, Kattan L. Variable speed limit: A microscopic analysis in a
connected vehicle environment[J]. Transportation Research Part C: Emerging
Technologies, 2015, 58: 146-159.
[46] Wang M, Daamen W, Hoogendoorn S P, et al. Connected variable speed limits
control and car-following control with vehicle-infrastructure communication to
resolve stop-and-go waves[J]. Journal of Intelligent Transportation Systems, 2016,
20(6): 559-572.
[47] Han Y, Chen D, Ahn S. Variable speed limit control at fixed freeway bottlenecks
using connected vehicles[J]. Transportation Research Part B: Methodological,
2017, 98: 113-134.
[48] Beaty W J. Traffic Waves Frequently-Asked Questions[J]. 2013.
[49] Nishi R, Tomoeda A, Shimura K, et al. Theory of jam-absorption driving[J].
Transportation Research Part B: Methodological, 2013, 50: 116-129.
[50] He Z, Zheng L, Song L, et al. A jam-absorption driving strategy for mitigating
traffic oscillations[J]. IEEE Transactions on Intelligent Transportation Systems,
2017, 18(4): 802-813.
[51] Zheng Y, Zhang G, Li Y, et al. Optimal jam-absorption driving strategy for
mitigating rear-end collision risks with oscillations on freeway straight
segments. Accident Analysis & Prevention, 2019, 105367.
[52] Li Y, Xu C, Xing L, et al. Integrated cooperative adaptive cruise and variable speed
limit controls for reducing rear-end collision risks near freeway bottlenecks based
on micro-simulations. IEEE transactions on intelligent transportation systems,
2017, 18(11), pp. 3157-3167.
[53] Spiliopoulou A, Manolis D, Vandorou F, et al. Adaptive cruise control operation
for improved motorway traffic flow. Transportation research record, 2018, 2672,
(22), pp. 24-35.
[54] Wang M, Hoogendoorn S P, Daamen W, et al. Game theoretic approach for
predictive lane-changing and car-following control. Transportation Research Part
102
 参考文献

C: Emerging Technologies, 2015, 58, pp. 73-92.

[55] Zheng Z. Recent developments and research needs in modeling lane
changing. Transportation research part B: methodological, 2014, 60, 16-32.
[56] Zheng Y, Ran B, Qu X, et al. Cooperative Lane Changing Strategies to Improve
Traffic Operation and Safety Nearby Freeway Off-Ramps in a Connected and
Automated Vehicles Environment. IEEE Transactions on Intelligent Transportation
Systems. 2019.
[57] Park H, Smith B L. Investigating benefits of intellidrive in freeway operations:
Lane changing advisory case study[J]. Journal of Transportation Engineering, 2012,
138(9): 1113-1122.
[58] Park H, Su S, Hayat M T, et al. A Prototype Freeway Merging Control Algorithm
Under a Connected Vehicle Environment[C]//Transportation Research Board 93rd
Annual Meeting. 2014 (14-5021).
[59] Guériau M, Billot R, El Faouzi N E, et al. How to assess the benefits of connected
vehicles? A simulation framework for the design of cooperative traffic
management strategies[J]. Transportation research part C: emerging technologies,
2016, 67: 266-279.
[60] Talebpour A, Mahmassani H S, Hamdar S H. Modeling lane-changing behavior in
a connected environment: A game theory approach. Transportation Research Part
C: Emerging Technologies, 2015, 59, 216-232.
[61] Nie J, Zhang J, Ding W, et al. Decentralized Cooperative Lane-Changing Decision-
Making for Connected Autonomous Vehicles[J]. IEEE Access, 2016, 4: 9413-9420.
[62] 马媛媛. 基于博弈论的网联车辆换道辅助决策方法研究[D]. 长安大学, 2019.
[63] Liu H X, Xin W, Adam Z, et al. A game theoretical approach for modelling merging
and yielding behaviour at freeway on-ramp sections. Elsevier, London, 2007, 197-
211.
[64] Arbis D, Dixit V V. Game theoretic model for lane changing: Incorporating conflict
risks. Accident Analysis and Prevention, 2019, 125: 158-164.
[65] 党睿娜. 具有换道辅助功能的车辆自适应巡航控制[D]. 清华大学, 2013.
[66] Awal T, Kulik L, Ramamohanrao K. Optimal traffic merging strategy for
communication-and sensor-enabled vehicles[C]//Intelligent Transportation
Systems-(ITSC), 2013 16th International IEEE Conference on. IEEE, 2013: 1468-
1474.
[67] Zhou Y, Wang M, Ahn S. Distributed model predictive control approach for
cooperative car-following with guaranteed local and string stability. Transportation
research part B: methodological, 2019, 128, 69-86.
[68] Atagoziyev M, Schmidt K W, Schmidt E G. Lane change scheduling for

103
 东南大学博士学位论文

autonomous vehicles. IFAC-PapersOnLine, 2016, 49(3), 61-66.

[69] Li B, Zhang Y, Feng Y, et al. Balancing computation speed and quality: A
decentralized motion planning method for cooperative lane changes of connected
and automated vehicles. IEEE Transactions on Intelligent Vehicles, 2018, 3(3),
340-350.
[70] Li L, Peng X, Wang F Y, et al. A situation-aware collision avoidance strategy for
car-following. IEEE/CAA Journal of Automatica Sinica, 2018, 5(5), 1012-1016.
[71] Suh J, Chae H, Yi K. Stochastic model-predictive control for lane change decision
of automated driving vehicles. IEEE Transactions on Vehicular Technology, 2018,
67(6), 4771-4782.
[72] Zhao C, Xing Y, Li Z, et al. A Right-of-Way Assignment Strategy to Ensure Traffic
Safety and Efficiency in Lane Change. 2019. arXiv preprint arXiv:1904.06500.
[73] Monteil, J, Bouroche, M, Leith, D J. Stability Analysis of Heterogeneous Traffic
With Application to Parameter Optimization for the Control of Automated
Vehicles. IEEE Transactions on Control Systems Technology, 2018, 27(3), pp.
934-949.
[74] Wang M, Daamen W, Hoogendoorn S P, et al. Rolling horizon control framework
for driver assistance systems. Part II: Cooperative sensing and cooperative
control. Transportation research part C: emerging technologies, 2014, 40, 290-311.
[75] Wei J, Dolan J M, Litkouhi B. Autonomous vehicle social behavior for highway
entrance ramp management[C]//Intelligent Vehicles Symposium (IV), 2013 IEEE.
IEEE, 2013: 201-207.
[76] Milanés V, Godoy J, Villagrá J, et al. Automated on-ramp merging system for
congested traffic situations[J]. IEEE Transactions on Intelligent Transportation
Systems, 2011, 12(2): 500-508.
[77] Sivaraman S, Trivedi M M, Tippelhofer M, et al. Merge recommendations for
driver assistance: A cross-modal, cost-sensitive approach[C]//Intelligent Vehicles
Symposium (IV), 2013 IEEE. IEEE, 2013: 411-416.
[78] Ploeg J, Semsar-Kazerooni E, Lijster G. Graceful degradation of cooperative
adaptive cruise control. IEEE Transactions on Intelligent Transportation Systems,
2014, 16, (1), pp. 488-497.
[79] Zhou Y, Ahn S, Chitturi M, et al. Rolling horizon stochastic optimal control strategy
for ACC and CACC under uncertainty. Transportation Research Part C: Emerging
Technologies, 2017, 83, 61-76.
[80] Meng F, Su J, Liu C, et al. Dynamic decision making in lane change: Game theory
with receding horizon. In 2016 UKACC 11th International Conference on Control
(CONTROL) (pp. 1-6). IEEE. 2016.
[81] Althoff M, Stursberg O, Buss M. Reachability analysis of linear systems with
104
 参考文献

uncertain parameters and inputs. In 2007 46th IEEE Conference on Decision and
Control (pp. 726-732). IEEE. 2007.
[82] Zhang T, Zou Y, Zhang X, et al. A Cruise Control Method for Connected Vehicle
Systems Considering Side Vehicles Merging Behavior. IEEE Access, 2019, 7,
6922-6936.
[83] Milanés V, Shladover S E, Spring J, et al. Cooperative adaptive cruise control in
real traffic situations[J]. IEEE Transactions on Intelligent Transportation Systems,
2013, 15(1): 296-305.
[84] Milanés V, Shladover S E. Handling cut-in vehicles in strings of cooperative
adaptive cruise control vehicles[J]. Journal of Intelligent Transportation Systems,
2016, 20(2): 178-191.
[85] Tu Y, Wang W, Li Y, et al. Longitudinal safety impacts of cooperative adaptive
cruise control vehicle's degradation[J]. Journal of Safety Research, 2019, 69: 177-
192.
[86] Ploeg J, Scheepers B T M, Van Nunen E, et al. Design and experimental evaluation
of cooperative adaptive cruise control[C]//2011 14th International IEEE
Conference on Intelligent Transportation Systems (ITSC). IEEE, 2011: 260-265.
[87] Ran B, Leight S, Chang B. A microscopic simulation model for merging control on
a dedicated-lane automated highway system[J]. Transportation Research Part C:
Emerging Technologies, 1999, 7(6): 369-388.
[88] Pueboobpaphan R, Liu F, van Arem B. The impacts of a communication based
merging assistant on traffic flows of manual and equipped vehicles at an on-ramp
using traffic flow simulation[C]//Intelligent Transportation Systems (ITSC), 2010
13th International IEEE Conference on. IEEE, 2010: 1468-1473.
[89] Scarinci R, Heydecker B, Hegyi A. Analysis of traffic performance of a ramp
metering strategy using cooperative vehicles[C]//Intelligent Transportation
Systems-(ITSC), 2013 16th International IEEE Conference on. IEEE, 2013: 324-
329.
[90] Jiang X, Jin P J, Wan X, et al. A V2I (Vehicle-to-Infrastructure) based Dynamic
Merge Assistance Method based on Instantaneous Virtual Trajectories: A
Microscopic Implementation of Gap Metering[R]. 2017.
[91] Rios-Torres J, Malikopoulos A, Pisu P. Online optimal control of connected
vehicles for efficient traffic flow at merging roads[C]//Intelligent Transportation
Systems (ITSC), 2015 IEEE 18th International Conference on. IEEE, 2015: 2432-
2437.
[92] Cao W, Mukai M, Kawabe T, et al. Cooperative vehicle path generation during
merging using model predictive control with real-time optimization[J]. Control
Engineering Practice, 2015, 34: 98-105.

105
 东南大学博士学位论文

[93] Ntousakis I A, Nikolos I K, Papageorgiou M. Optimal vehicle trajectory planning

in the context of cooperative merging on highways[J]. Transportation research part
C: emerging technologies, 2016, 71: 464-488.
[94] Xie Y, Zhang H, Gartner N H, et al. Collaborative merging strategy for freeway
ramp operations in a connected and autonomous vehicles environment[J]. Journal
of Intelligent Transportation Systems, 2017, 21(2): 136-147.
[95] Letter C, Elefteriadou L. Efficient control of fully automated connected vehicles at
freeway merge segments[J]. Transportation Research Part C: Emerging
Technologies, 2017, 80: 190-205.
[96] Scarinci R, Hegyi A, Heydecker B. Definition of a merging assistant strategy using
intelligent vehicles[J]. Transportation research part C: emerging technologies,
2017, 82: 161-179.
[97] 罗孝羚, 蒋阳升. 智能网联车环境下高速匝道汇入车流轨迹优化模型[J]. 交
通运输系统工程与信息, 2019, 019(004):94-100.
[98] Duret A, Wang M, Ladino A. A hierarchical approach for splitting truck platoons
near network discontinuities[J]. Transportation Research Part B: Methodological,
2020, 132: 285-302.
[99] 聂建强. 高速公路车辆自主性换道行为建模研究[D]. 南京: 东南大学, 2017.
[100] Bai Y, Zhang Y, Wang M, et al. Optimal control based CACC: Problem
formulation, solution, and stability analysis[C]//2019 IEEE Intelligent Vehicles
Symposium (IV). IEEE, 2019: 7-7.
[101] Morbidi, F, Colaneri P, Stanger T, et al. Decentralized optimal control of a car
platoon with guaranteed string stability. In proceedings of 2013 European Control
Conference (ECC). Zurich, Switzerland, December, 2013, pp. 3494-3499, IEEE.
[102] Naus G J, Vugts R P, Ploeg J, et al. String-stable CACC design and
experimental validation: A frequency-domain approach. IEEE Transactions on
vehicular technology, 2010, 59(9), 4268-4279.
[103] Xing H, Ploeg J, Nijmeijer H. Compensation of Communication Delays in a
Cooperative ACC System. IEEE Transactions on Vehicular Technology. 2019.
[104] Feng S, Zhang Y, Li S E, et al. String stability for vehicular platoon control:
Definitions and analysis methods. Annual Reviews in Control.2019.
[105] Pontryagin, L S. Mathematical theory of optimal processes [M]. Routledge,
2018
[106] Hoogendoorn, S, Hoogendoorn, R, Wang, M, et al. Modeling driver, driver
support, and cooperative systems with dynamic optimal control. Transportation
research record, 2012, 2316(1), 20-30
[107] Li Z, Ahn S, Chung K, et al. Surrogate safety measure for evaluating rear-end

106
 参考文献

collision risk related to kinematic waves near freeway recurrent bottlenecks.

Accident Analysis & Prevention, 2014, 64, 52-61
[108] Rahman M, Abdel-Aty M. Longitudinal safety evaluation of connected
vehicles’ platooning on expressways. Accident Analysis & Prevention, 2018, 117,
381-391.
[109] 秦严严, 王昊. 智能网联车辆交通流优化对交通安全的改善[J]. 中国公
路学报, 2018, 031(004):202-210.
[110] Ahn K, Rakha H, Trani A, et al. Estimating vehicle fuel consumption and
emissions based on instantaneous speed and acceleration levels. Journal of
transportation engineering, 2002, 128(2), 182-190.
[111] Zhou J, Peng H. String stability conditions of adaptive cruise control
algorithms. IFAC Proceedings Volumes, 2004, 37(22), 649-654.
[112] Parks P C. A new proof of the Routh-Hurwitz stability criterion using the
second method of Liapunov. In: Mathematical Proceedings of the Cambridge
Philosophical Society. Cambridge University Press, 1962, pp: 694-702.

107
东南大学博士学位论文

108
 作者简介、在读期间发表论文及参与科研情况

作者简介、在读期间发表论文及参与科研情况

作者简介

郑元，男，1992 年 02 月生，内蒙古通辽人，2016 年 3 月入学，现为东南大

学交通学院交通运输工程专业博士生，于 2018 年 10 月至 2019 年 11 月赴美国威
斯康星大学麦迪逊分校联合培养。研究方向为智能网联交通、车路协同、自动驾
驶、交通流理论与分析等。

教育经历

2009.08-2013.06 学士 东南大学 交通工程

2013.08-2016.01 硕士研究生 东南大学 交通运输管理与规划

2016.03-至 今 博士研究生 东南大学 交通运输工程

2018.10-2019.11 联合培养博士 威斯康星大学麦迪逊分校 土木工程与环境

已发表或录用的论文

[1] Zheng Y., Zhang Y., Ran B., Qu X., Xu Y. Cooperative control strategies to
stabilize the freeway mixed traffic stability and improve traffic throughput in an
intelligent roadside system environment. IET Intelligent Transport Systems, 2020,
14(9), 1108-1115. (SCI)
[2] Zheng Y., He S., Yi R., Ding F., Ran B., Lin Y. Categorizing Car Following
Behaviors: A Wavelet Based Time Series Clustering Approach. Journal of
Transportation Engineering, Part A: Systems, 2020, 146(8), 04020072. (SCI)
[3] Zheng, Y., Ran, B., Qu, X., Zhang, J., Lin, Y. Cooperative Lane Changing
Strategies to Improve Traffic Operation and Safety Nearby Freeway Off-Ramps in
a Connected and Automated Vehicles Environment. IEEE Transactions on
Intelligent Transportation Systems. 2019. Published Online (SCI)
[4] Zheng, Y., Zhang, G., Li, Y., Li, Z. Optimal jam-absorption driving strategy for
mitigating rear-end collision risks with oscillations on freeway straight
segments. Accident Analysis & Prevention, 2020, 135: 105367. (SCI)
[5] Zheng Y., Ran B., He S., Zhang J. Survival analysis of the bus running time near
bus stop areas. Journal of Transportation Engineering, Part A: Systems, 2019,
145(4), 04019010. (SCI)
[6] Liu Z., Wang S., Chen W., Zheng Y. Willingness to board: a novel concept for
modeling queuing up passengers [J]. Transportation Research Part B:

109
 东南大学博士学位论文

Methodological, 2016, 90: 70-82. (SCI)

[7] Zheng Y., Ran, B., Qu, X., Zhang, J., Lin, Y. Development of cooperative lane
changing strategies to improve traffic operation and safety near freeway off-ramps
with the connected and automation technology. TRB 98th Annual Meeting,
Washington, D.C. 2019. (TRB Conference)
[8] Zheng Y., Ran B., Zhang J., Li Z. Optimal Jam-Absorption Driving Strategy for
Mitigating Traffic Oscillations Considering Secondary Waves. TRB 97th Annual
Meeting, Washington, D.C. 2018. (TRB Conference)
[9] Zheng, Y., Ran, B., Lu, Z., Qu, X., Zhang, J. Research and Application on Highway
Traffic Index System. In CICTP 2018: Intelligence, Connectivity, and Mobility (pp.
1475-1484). Reston, VA: American Society of Civil Engineers. 2018. (EI)
[10] Zheng Y., Zhang J., Zhang G., et al. Survival Analysis on Passing Time of Minor
Vehicle’s Road Crossing at Un-Signalized Intersection in China. In International
Conference on Green Intelligent Transportation System and Safety 2016 July (pp.
819-835). Springer, Singapore. (EI)
[11] Zheng Y., Qu X., Ran B., Zhang J., Dai G. Operation Efficiency and Safety
Analysis of Integrated Ramp Metering and Mainstream traffic flow control via
Variable Speed Limits on Freeway. The 17th COTA International Conference of
Transportation Professionals. 2017. (EI)
[12] Li, L., Zhang J., Zheng Y., Ran B. Real-Time Traffic Incident Detection with
Classification Methods. Presented in International Conference on Green Intelligent
Transportation System and Safety 2016 July (pp. 777-788). Springer, Singapore.
(EI)

已投稿论文

[1] Zheng Y., Ding W., Ran B., Qu X. Collaborative decisions of discretionary lane
change between connected and automated vehicles on freeways: A game theory-
based lane change strategy. IET Intelligent Transport Systems. (SCI 二轮)

[2] Zheng Y., Zhang Y., Ran B., He S., Qu X. A Cooperative Controller to Facilitate
Lane Changes for Automated Vehicles under Uncertain Conditions. KSCE Journal
of Civil Engineering. (SCI 一轮)

发明专利

[1] 一 种 公 交 站 台 毗 邻 区 公 交 车 运 行 状 态 评 价 验 证 方 法 . 国 家 发 明 专 利 .
2017.11.03（授权公告号 CN105513362B，排名第 1）；
[2] 一路一线公交网信号交叉口车路协同避免公交车冲突方法. 国家发明专利.
2016.06.08（授权公告号 CN104183143B，排名第 1）；

110
 作者简介、在读期间发表论文及参与科研情况

[3] 一种信号交叉口车路协同避免公交车冲突方法. 国家发明专利. 2016.09.21

（授权公告号 CN104200681B，排名第 1）；
[4] 一种基于公交站点信息化的多形式公交动态调度方法. 国家发明专利.
2019.06.18（授权公告号 CN106485912B，排名第 1）；
[5] 一 种 基 于 公 交 站 点 信 息 化 的 普 通 公 交 动 态 调 度 方 法 . 国 家 发 明 专 利 .
2019.03.12（授权公告号 CN106485912B，排名第 2）；
[6] 一种高速公路交通指数数值确定方法. 国家发明专利. 2019.04.30（授权公告
号 CN 106652450B，排名第 1）；
[7] 基于生存分析参数分布的公交车旅行时间模型构建方法. 国家发明专利.
2019.12.10.（授权公告号 CN 106845768B，排名第 2）；
[8] 一种面向用户的高速公路交通指数发布系统. 国家发明专利. 2019.03.12（授
权公告号 CN 106530709B，排名第 2）；
[9] 一种面向管理者的高速公路交通指数预测方法和系统. 国家发明专利.
2019.02.05（授权公告号 CN 106530710B，排名第 1）；
[10] LOCALIZED ARTIFICIAL INTELLIGENCE FOR INTELLIGENT ROAD
INFRASTRUCTURE. US Patent. (Application No. 62/870, 575, 排名第 6);

参与科研项目情况

1. 江苏省研究生科研创新计划项目，KYCX18_0136，智能网联高速公路主线与
匝道车辆群体协同控制策略研究，2018/10-2019/11，结题，主持

2. 国家重点研发计划项目，2018YFB1600600，车路协同环境下车辆群体智能控
制理论与测试验证，2019/01-2021/12，主要参与

3. 中国公路协会自动驾驶工作委员会项目，车路协同自动驾驶系统分级及车路
智能分配定义与解读报告，2019/10-2020/07，主要参与

4. 中国公路协会自动驾驶工作委员会项目，智能网联道路系统分级定义与解读
报告，2018/10-2019/09，结题，主要参与

5. 中国公路学会自动驾驶工作委员会项目，车路协同自动驾驶发展报告，
2019/01-2019/06，结题，主要参与

6. 江苏宁沪高速公路股份有限公司科技项目，2016Y21-2，高速公路交通指数
体系及基于车路协同的高速公路出入口交通流管控技术应用研究，2016/09-
2019/12，结题，主要参与

7. 江苏省自然科学基金项目，BK20160685，面向车路协同环境的高速公路可变

111
 东南大学博士学位论文

限速优化控制方法研究，2016/12-2019/12，结题，主要参与

112