英语原文共 21 页，剩余内容已隐藏，支付完成后下载完整资料
A Survey on Cooperative Longitudinal Motion Control of Multiple Connected and Automated Vehicles
多联机自动车辆协同纵向运动控制综述
Ziran Wang，IEEE会员，吴国元，IEEE高级会员，Matthew J. Barth，IEEE会员 伯恩斯工程学院环境研究与技术中心(CE-CERT)，美国加州大学河滨分校，邮编92507。电子邮件:zwang050@ucr.edu;gywu@cert.ucr.edu;barth@ece.ucr.edu
Yougang Bian，Shengbo Eben Li，IEEE高级会员 中国北京清华大学车辆与移动学院，汽车安全与能源国家重点实验室，邮编100084。电子邮件:byg10@foxmail.com;lisb04@gmail.com
Steven E. Shladover，IEEE会员 美国加州大学伯克利分校交通研究所加州PATH项目，邮编94804 电子邮件:steve@path.berkeley.edu
摘要
车联网（CAVs）有解决我们当前交通系统的许多安全，流动性和可持续性问题的潜力。协同式纵向运动控制是网联自动车的关键技术之一即允许车辆以协同的方式驾驶来实现整个系统的效益。在这篇论文中，我们提供了一个由世界各地研究人员完成的，关于协同式纵向运动控制系统的多联机网联自动车的文献调查进展。特别地，回顾了各种协同式网联自动车（CAVs）系统的体系结构，以回答协同式纵向运动控制如何能在多个系统模块的帮助下工作。其次,对不同运行概念的协同式纵向运动控制应用进行审查，以回答在如今的交通系统中他们在何处可以实现。然后描述了不同的协同式纵向运动控制方法及其主要特点，以回答什么是关键的设计问题。本文最后描述了网联自动车（CAVs）协同式纵向运动控制的总体情况同时指出了未来研究和实验中存在的机遇和挑战。
一.简介
我国交通运输系统的迅速发展给我们的日常生活带来了极大的便利，使人与货物能够安全可靠地在国内外运输。据估计，全球有超过10亿辆机动车为人们所拥有，而且这个数字很可能在10到20年内翻一番[1]。但是，与这种增长有关的一些问题令人关切。在安全方面，美国每年有3万多人死于公路交通事故[2]。在交通方面，美国人每年因交通拥堵平均损失97个小时，2018年损失近870亿美元，平均每位司机损失1348美元[3]。在环境可持续性方面，2015年全球因交通拥堵浪费了443亿升燃料[4]。
为了解决上述问题，网联自动车(CAVs)技术在过去十年中经历了重大的发展。车辆内部的连接和自动化水平大大提高，使得这些“装备”车辆不仅能够利用车载传感器的信息在部分或完全自动化的情况下行驶，而且还能够通过车辆对一切(V2X)通信进行协作。作为该技术的核心，协同纵向运动控制技术在过去的几十年里被世界各地的研究人员进行广泛的研究和发展，让网联自动车（CAVs）互相合作形成或保持一定的纵向队形。这是通过利用依赖于车载传感器和车对车(V2V)和/或基础设施对车(I2V)通信的运动控制系统来实现的。V2V通信主要提供关于前车或车辆的实时状态信息(如加速度、速度、位置)，而I2V通信主要提供关于下游交通状况或局部速度建议的信息，作为主动交通管理方法的一部分。通过协同控制多个网联自动车（CAVs）的纵向运动，可以实现以下运输系统的部分或全部效益:
1)减少车辆间距，增加道路通行能力;
2)通过缩减对跟随车辆造成不必要的速度变化和气动阻力而减少能源消耗和污染物排放;
3)与手动驾驶车辆相比检测和驱动时间缩短，行车安全潜在的提高;此外，下游交通信息可以在上游快速传播;
4)由于系统行为对交通变化的响应能力较强，且后续间隙越短，可以阻止其他车辆的插入，从而提高客户满意度[5]。
文献报道的几项研究工作旨在从数学建模的角度，如[6]-[8]，来回顾网联自动车（CAVs）的协同控制策略。与此不同，本文不仅从理论角度，而且从实践的角度，论述了CAV纵向运动控制的不同方面。更通常地说，本文旨在回答关于协同式纵向运动控制的三个问题:
1)如何在CAV系统中利用多个模块?
2)在交通系统的哪些地方可以实施?
3)在设计过程中会遇到哪些问题?需要指出的是，这篇调查论文的范围仅限于对多组CAVs的协同控制，并没有涉及针对单个CAV(可能涉及基础设施)的各种控制方法的许多现有工作。
本文的其余部分组织如下:第二部分回顾了CAV系统的总体结构，回答了协同式纵向运动控制如何工作的问题。第三节回顾了在各种交通场景中采用CAV技术的现有文献，讨论了协同纵向运动控制在何处实现的问题。第四部分回答了在设计协同纵向运动控制时会遇到的问题。为此，我们将现有文献中描述的主要控制问题分为三类:动态异构性、通信问题和队列稳定性。第五部分对全文进行了总结，并提出了今后研究和开发中需要解决的一些问题。
二.CAV系统的体系结构
虽然本文主要研究CAV系统的“控制”方面，但是控制系统的工作离不开其他模块的参与。一般我们会考虑如图1所示的通信模块、感知模块、定位模块和规划模块。在这一部分，我们总结了基于现有文献的CAV系统的体系结构，旨在回答协同纵向运动控制在子系统模块集成环境下是如何工作的。我们正在开发硬件和软件以实现协同自动化功能，其中CAV系统总是作为一组不同的附加组件安装在工厂标准的车辆生产中。在设计CAV系统的体系结构时，通常考虑两个主要的工程需求:1)系统体系结构中的每个功能都应该是一个自包含的单元，除了接收其输入之外，不依赖于其他同级别的功能;2)所开发的系统架构对现有车辆架构的干扰最小[9]。
基于国际上对CAVs协同自动化的深入研究，开发和实现了许多应用实例。我们已经回顾了几种现有的用于协同自动化目的的CAV设计和实现，例如来自协同驾驶大赛(GCDC)[9]-[12]、加州大学伯克利分校的道路项目[13]和联邦公路管理局(FHWA)的CARMA平台[14]。在此基础上，我们总结了一个CAV系统的一般架构，如图1所示。
A:感知模块
安装在CAV系统上的感知传感器，如摄像机、雷达和/或激光雷达，是有关周围车辆和道路环境的主要信息来源。该传感器信息通常被集成，然后提供给规划模块。
当从V2V/I2V无线通信获取其他网联自动车或基础设施的信息时，感知传感器在获取有关驾驶环境的信息方面也起着至关重要的作用。注意，本文的研究范围仅限于CAVs的纵向运动控制，现有的相关实施大多为SAE一级自动化[15]。像保持车道和变道这样的侧向控制动作被认为是由人类驾驶员进行的。因此，此类CAV系统的感知传感器需要重点提供前面车辆的信息和/或交通信号的信息，如前面车辆的速度、与前面车辆的相对间隙、信号相位和定时(SPaT)信息。
B.通信模块
CAV系统的通信模块实现了实时可靠的无线V2V/I2V通信。从图1的通信模块可以看出，安装在网联自动车本车上的硬件通信设备接收其他网联自动车的信息，同时通过V2V通信将自己的状态信息发送给他人。此外，它还可以通过I2V通信与路边的基础设施交换信息。CAV系统的通信模块可以提供感知传感器无法检测到的附加信息，通常比传感器检测和处理提供的信息更快。这包括：
■来自其他车辆的信息超出传感器范围，或被中间车辆遮挡视线，或由于水平/垂直道路曲率。
■其他车辆无法通过远程传感器感知到的车辆状态信息(车轮速度、故障状态、性能等)。
■在另一辆车的执行机构接到速度变化或转向指令后，即使是在车辆的运动开始改变之前，也要立即通知执行机构。
■协同车辆之间关于所需机动(合并、变道)的协商，以便更安全、更有效地进行。
信息流拓扑定义了网联自动车与基础设施之间信息传输的起点和终点，在信息交换和共享中起着非常重要的作用[16]。一些典型的信息流拓扑结构如图2所示。前四种是仅使用v2v的信息流拓扑，其中没有涉及到任何道路基础设施元素。后三种是V2V/ i2v混合信息流拓扑结构，其中道路基础设施元素(例如:交通信号，限速等)，或将其信息发送给一个车流的领导者，或广播给该流的所有车辆。红颜色的车辆表示网联自动车处于“广播”模式，它不仅直接将自己的参数发送给直接的追随者，而且还共享给流中其他的追随者。需要注意的是，不同的信息流拓扑可能会引入与通信和队列稳定性有关的各种问题，这些问题将在第四节中进行讨论。
C.本地化模块
CAV系统的定位模块通常由两个不同的硬件组件组成:GNSS和INS(即全球卫星导航系统和惯性导航系统)和耦合地图匹配组件。
GNSS和INS组件作为一个基于卫星和惯性的组合导航系统，可以通过地面参考站选择性地增强[10]。该组件可以提供精确的位置、运动和姿态测量，用于通过差动校正确定CAVs的自定位和姿态。需要注意的是，网联自动车本车与其他被装备对象之间的相对定位精度(其他网联自动车和/或基础设施的功能)不仅仅是由GNSS更新频率决定的。它还基于GNSS位置测量的准确性和通信延迟。考虑到上述因素，10hz的GNSS更新速率对于一般的协同自动化应用已经足够了，基于GNSS和INS集成测量的更快的采样速率将在更高的车辆速度下减少定位误差[17]。
地图匹配对CAV系统非常重要，特别是在网联自动车本车需要调整纵向速度以与其他来自十字路口车道或高速公路匝道的网联自动车合并的应用中。正确的分配网联自动车到车道，以及他们的相对纵向差距是很重要的。因此，可以预先构建实现环境的地图，并与从GNSS和INS组件接收的车辆坐标（如纵向，横向）匹配。为了计算本车与其他车辆、交通信号、合并点或其他对象之间的距离，这些对象需要通过检索最近的邻车GNSS轨迹顶点来调整到其最近的车道[10]。每个对象的坐标可以匹配到相关车道获得它的投影点,然后两个物体之间的相对纵向距离可以通过加法导出这些投影点之间的线段长度下降在同一GNSS跟踪(如果他们在同一车道),或通过计算不同距离来合并两个GNSS的痕迹。
D.规划模块
规划模块处理从通信模块、定位模块和感知模块接收到的数据，并向控制模块发送(本车的)运动命令。CAV系统的规划模型通常包括以下几个部分:传感器融合、车辆控制器区域网络(CAN总线)和状态估计器。
传感器融合组件处理从感知传感器和CAV系统通信模块接收到的所有感知数据，并将其发送到状态估计器组件。与高度自动化的车辆(AV)系统需要多个感知传感器精确测量整个周边环境不同，本文讨论的协同纵向运动控制需要较少的周边环境信息，因此在传感器融合组件中融合的数据较少。然而,这个组件至关重要的是在利用车辆的互补性传感器和通信系统,基于Kianfar等人时遇到的以下问题[11]:1)当网联自动车本车在隧道或桥梁下,来自GNSS的信息将不可靠。因此，除了INS之外，CAV的位置也可以通过使用感知传感器测量的传感数据来改善，如果它可以与参考地图相关联;2)当V2V通信受损时，感知传感器测量的数据仍可用于估计前车的相对位置、速度和加速度。
虽然GNSS和INS组件能够提供自适应网联自动车的速度，但其测量受到GNSS连接和精度的高度影响。例如，如果网联自动车本车通过隧道，那么GNSS将无法提供速度信息。更准确和及时的速度测量应该从车轮速度传感器，这是生产防抱死制动和牵引控制系统的一个组成部分。因此，用CAN总线上的防抱死系统来测量车轮速度是非常准确和可靠的。CAN总线还允许CAV系统的规划模块访问许多其他车辆传感器和状态。
状态估计器组件接收来自传感器融合的数据，CAN总线，以及map匹配，使用预先设置的过滤器处理数据，然后计算出控制模块要实现的网联自动车本车的期望运动。运动规划已经以各种方式发展为高级自动化的车辆，包括基于图形搜索的规划者，基于采样的规划者，插值曲线规划者，和数值优化方法[18]。然而，由于我们在本文中只关注网联自动车的纵向运动，在状态估计器组件中的规划过程变得更加简单:简单地选择何时以及以多大的速度来加速或减速，或者保持当前的纵向速度。如Martensson 等人在网联自动车系统发展中所述[9]，状态估计的准确性高度依赖于数据的质量(如准确性、延迟或中断GNSS测量或V2V通信的持续时间,和感知传感器在现有的环境条件下的性能),以及评估模型过程的质量。
E.控制模块
CAV系统的控制模块由软件部分和硬件部分组成:一个控制器组件，其中集成了CAV的运动控制算法，以及驱动控制器组件所产生的纵向和/或横向命令的CAV的物理执行器。虽然横向控制不在本文的讨论范围内，但为了使CAV系统架构更加完整，本文仍在图1中进行了说明。
控制器组件在此控制模块接收网联自动车本车从规划模块所需的运动,包括信息,如所需的网联自动车的参考轨迹或路径[19],决定是否加入或离开车流[9],网联自动车本车在车流中的期望位置[11],或预期的在一个特定的位置的到达时
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[237952]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
