车路协同场景下智能网联汽车预测性巡航控制策略优化研究.docxVIP

车路协同场景下智能网联汽车预测性巡航控制策略优化研究

中图分类号：U469收稿日期：2025-01-10DOI：10.19999/j.cnki.1004-0226.2025.07.019

ResearchonOptimizationofPredictiveCruiseControlStrategyforConnectedandAutomatedVehiclesinVehicle-roadCooperationScenarios

HuangHaopingBeibuGulfVocational-TechnicalSchool，Qinzhou535000，China

Abstract：Withthesupportofvehicle-roadcooperationcommuicationtechnologypredictivecruisecontrolforconnectedandautomatedvehiclescanobtainadvanceinformationaboutfutureroadconditionsandtraffcenvironment.Throughoptimizingvehiclespeedtrajetorypgitaceeeetadiotallrendlygoweereeilllnesineffectivelyutilzinguncertainpredictionsignals，stablisingontroltrategiesadaptedtocomplextraficsenarios，andesuringsystemstabiltyandfeasibilityTispaperpropoesapredictivecuisecontrolstrategyforonectedandutomatedehiceseicleroadcooperationscenarios，addresingthechallngesofprdictioninformatonuncertantyandmult-jectiveoptimizationdecisionmakingdificulties.Thisenableseficientandenergysavingcruisecontrolofconnectedandautomatedvehiclesincomplexsenarios.Theproposedstrategycansignificantlyreducefuelconsumptionandhaspromisingengineeringapplicationprospects.

Keywords：Connectedandautomatedvehicles;Predictivecruisecontrol;Vehicle-roadcooperation

随着汽车智能化和网联化技术的不断发展，汽车行业正在经历前所未有的变革，传统的汽车驾驶模式将被智能网联汽车所取代。智能网联汽车能够通过车载传感器采集行车数据，结合车路协同通信系统获取实时路况信息，实现对复杂交通环境的感知、决策和控制，为提高交通效率、保障行车安全、减少能源消耗和环境污染奠定了基础。其中，预测性巡航控制是智能网联汽车的一项重要功能，能够利用获取的路况和交通信息，预判未来情况并优化车辆行驶速度轨迹，避免不必要的加速和减速，从而达到节能减排的目的。但是，如何充分利用高度不确定的预测信息，设计鲁棒的控制策略适应复杂多变的实际交通场景，并兼顾能耗、时间成本等多种优化目标，是实现智能网联汽车预测性巡航控制面临的主要挑战[1]。

2智能网联汽车预测性巡航控制策略类型比较

在智能网联汽车的发展背景下，预测性巡航控制（predictivecruisecontrol，PCC）作为融合环境感知、路径规划与车辆控制的核心技术之一，已发展出多种类型的控制策略，这些策略在控制目标、输入信息类型、算法复杂度、适应性与实用性等方面各具特点[2]。

从控制信息来源看，预测性巡航控制策略可分为基于本车感知的自主预测控制与基于车路协同的预测控制。从优化模型构建方式看，已有控制策略主要可分为基于规则的启发式控制、基于模型的优化控制与基于数据驱动的智能控制三类[3]。启发式控制策略依赖经验规则或预设逻辑（如“遇红灯减速”“限速区域降速\等）进行简单的速度调整，算法实现简单，易于部署，但其控制精度较低，难以应对多目标权衡与不确定环境变化，属于最基础的预测性巡航控制形式。模型优化控制策略则基于车辆动力学模型与预测信息，构建约束优化问题，通过线性规划、模型预测控制（MPC）等方法求解车辆最优速度轨迹，能够实现对能耗、通行时