智能网联车辆队列行驶面临复杂的交通环境,所引发的时延、丢包等信息传输问题将导致队列车辆行驶稳定性降低而亟待解决.针对复杂交通环境,引入信息新鲜度(age of information, AoI)并提出了一种适应时变时延的智能网联车辆队列行驶稳定...智能网联车辆队列行驶面临复杂的交通环境,所引发的时延、丢包等信息传输问题将导致队列车辆行驶稳定性降低而亟待解决.针对复杂交通环境,引入信息新鲜度(age of information, AoI)并提出了一种适应时变时延的智能网联车辆队列行驶稳定性控制算法.该控制算法根据队列中多前车信息新鲜度来调整其对队列车辆车头间距影响的权重,同时依据时变时延信息预测队列中跟驰车辆与前车的车头间距,队列车辆按照请求周期向路侧单元(road side unit, RSU)实时发送请求,RSU依据车辆间距从小到大依次回应请求队列中的各个车辆,以控制其因时变时延可能造成的碰撞.数值仿真结果显示,相对智能驾驶员模型(intelligent driver model, IDM)而言,所提出的队列纵向稳定性控制算法具有更好的控制效果.针对时变时延发生概率20%的车车通信,队列车辆车头间距偏差的降低比例达6.4%,平均峰值信息新鲜度的降低比例达8.7%.同时,分析了队列车辆请求周期和回应请求车辆数量对队列纵向稳定性的影响,随着两者数值增加,控制算法给出的队列纵向稳定性分别呈现降低和增加的趋势.最后,实车测试了队列切出场景下车辆行驶数据和车辆接收信息的时延数据,将其引入数值仿真实验中.结果表明,车头间距偏差降低比例达15%.展开更多
针对通信中断下由智能网联车辆(Connected and Automated Vehicles,CAV)与人工驾驶车辆(Manually Driven Vehicles,MDV)所组成的混合编队的稳定性控制问题,考虑基于前车-领航车通信拓扑(Predecessor-Leader Following topology,PLF)和...针对通信中断下由智能网联车辆(Connected and Automated Vehicles,CAV)与人工驾驶车辆(Manually Driven Vehicles,MDV)所组成的混合编队的稳定性控制问题,考虑基于前车-领航车通信拓扑(Predecessor-Leader Following topology,PLF)和协同自适应巡航控制(Cooperative Adaptive Cruise Control,CACC)的混合编队,构建通信正常和通信中断状态下的车辆控制器.基于Routh-Hurwitz稳定性判据和频域分析方法设计稳定条件求解算法,计算控制器和MDV跟驰模型的稳定性条件,并提出针对两种控制器的平滑切换策略.案例分析表明:车队能够稳定安全行驶,各车速度标准差变化率均低于1.8%,平均加速度变化量和其平均值均低于0.016 m/s^(2),说明所提出的稳定性控制算法具有良好的有效性,可实现车辆及编队行驶状态的时空收敛;针对加速场景和减速场景,所提出的控制器切换策略能够分别减小车辆加速度波动幅度达37.1%和59.9%,控制器切换过程中的车辆状态稳定性得到显著提升.展开更多
文摘智能网联车辆队列行驶面临复杂的交通环境,所引发的时延、丢包等信息传输问题将导致队列车辆行驶稳定性降低而亟待解决.针对复杂交通环境,引入信息新鲜度(age of information, AoI)并提出了一种适应时变时延的智能网联车辆队列行驶稳定性控制算法.该控制算法根据队列中多前车信息新鲜度来调整其对队列车辆车头间距影响的权重,同时依据时变时延信息预测队列中跟驰车辆与前车的车头间距,队列车辆按照请求周期向路侧单元(road side unit, RSU)实时发送请求,RSU依据车辆间距从小到大依次回应请求队列中的各个车辆,以控制其因时变时延可能造成的碰撞.数值仿真结果显示,相对智能驾驶员模型(intelligent driver model, IDM)而言,所提出的队列纵向稳定性控制算法具有更好的控制效果.针对时变时延发生概率20%的车车通信,队列车辆车头间距偏差的降低比例达6.4%,平均峰值信息新鲜度的降低比例达8.7%.同时,分析了队列车辆请求周期和回应请求车辆数量对队列纵向稳定性的影响,随着两者数值增加,控制算法给出的队列纵向稳定性分别呈现降低和增加的趋势.最后,实车测试了队列切出场景下车辆行驶数据和车辆接收信息的时延数据,将其引入数值仿真实验中.结果表明,车头间距偏差降低比例达15%.