行為可拓展式車輛隊列控制方法與實車驗證

主題詞：行為可拓展 車輛隊列控制實車驗證中圖分類號：U495 文獻標志碼：A DOI：10.19620/j.cnki.1000-3703.20240993

Behavior-ExtendableVehiclePlatooning Control Method andReal-VehicleVerification

ZhuWeizhen’，YangHaoyu2，Liu Chang3，LuoYugong2，KongWeiwei （1.CollegeofEngineering，ChinaAgricultural University，BeijingOoo83;2.ScholofVehicleandMobility，Tsinghua University，Beijing;3.Xiaomi Auto Co.，Ltd.，Beijing）

【AbstractITo addressthe limitations of existing vehicle platoning control methods，such as poor behavior-extendable capabilities，dificultiesinhandlingdiverseplatoonbehaviorsduringhighwaydriving，andthelackofreal-worldroadtesting， thispaperproposesabehavior-extendablevehicleplatooningcontrol method.Aditionally，aleadervehicleacceleration predictionmethodunderpacketlossconditionsisdesigned，andareal-vehicleplatooning testplatform isestablished.The proposed methodis implementedonthereal-vehicle platform，andreal-vehicle experimentsareconductedunder packetloss conditions to validate its effectiveness.Road test results，with a maximum speed of 80km/h and a cumulative distance of approximately1Oo kilometers，demonstratethattheproposedvehicleplatooningcontrolmethodcansafelyandefectively manage and extend various platoon behaviors.During stabledriving，theaverage speed errorsofthe follwing vehicles areless than 0.62km/h and 1.55km/h ，respectively，while maintaining stable inter-vehicle spacing. These resultsverify the effectiveness，real-timeperformance，androbustness oftheproposed controlmethodand thereal-vehicle platform.

Keywords：Behavior-extendable，Vehicleplatooncontrol，Real-vehicle verification

【引用格式】朱洧震，楊皓宇，劉暢，等.行為可拓展式車輛隊列控制方法與實車驗證[J].汽車技術，2025（7）：40-48.ZHUWZ，YANGHY，LIUC，etal.Behavior-ExtendableVehiclePlatooingControlMethodandReal-VehicleVerification[J]. Automobile Technology，2025（7）： 40-48.

1前言

智能交通系統旨在實現高安全性和交通效率，是未來交通發展的重要方向[-2]。在智能交通系統環境下，車輛以隊列形式在高速公路上行駛，研究表明，車輛隊列可保障行駛安全3、提高運輸能力[、節約能源消耗[5]

車輛隊列的研究起源于美國加州的PATH項目[6-7]，該項目首次提出了車輛\"隊列化\"的概念。隨著隊列技術的發展，各國研究者對車輛隊列進行了廣泛研究，涉及隊列跟隨穩定性、通信對隊列控制影響及隊列燃油經濟性改善等[]。

車輛隊列在行駛過程中需應對常規、緊急和故障容錯等行為，因此需要對隊列行為進行管理。現有研究通過提取隊列行為執行過程的共性部分，使管理策略更易實現。例如，Maiti等12利用網絡本體語言抽象出隊列行為基本構件，Ivanchev等[13]為自動駕駛車輛隊列設計了行為框架。現有研究還探討了隊列行為的執行過程，Badnava等4綜述指出，當前研究集中在組隊、人隊、離隊和換道四類行為，但這些方法難以靈活應對新增隊列行為類型。

在車輛隊列研究中，需通過仿真試驗和實車試驗進行驗證。徐明誠等[i5在Matlab/Carsim聯合仿真環境下對5車油電混合隊列進行仿真，驗證節能策略和控制方法。劉迪提出商用車隊列油耗與排放協調優化方法，并通過硬件在環試驗驗證效果。然而，仿真試驗真實性不足，因此學者們也采用了更具說服力的實車試驗，微型車方案較多使用實車試驗。溫國強等基于微型線控底盤構建智能網聯車輛隊列試驗系統，開展隊列跟隨、超車等試驗。邊有鋼等研究了過彎場景下車輛隊列的抗擾與協同路徑跟蹤方法，并進行了實車驗證。

車輛隊列通過無線通信技術實現信息交互，然而，網絡時延、丟包和錯序等特性可能影響控制效果，降低系統性能并引發協同不穩定。Zhang等將時延建模為馬爾可夫鏈，研究網絡控制系統穩定性；AZIMI-SADJADIB等2針對丟包問題，將其建模為切換線性系統，只有成功接收新數據時才更新數據。盡管已有處理方法，但實車驗證仍較少。

綜上，本文針對現有車輛隊列研究中缺乏高速公路場景下的隊列行為控制方法和實車試驗驗證問題，提出開展一種可拓展的隊列控制方法，設計分層控制系統，重點開展隊列管理層和車輛控制層設計，并在通信正常與丟包條件下驗證方法的有效性。

2隊列控制系統分層架構

本文采用分層式控制系統架構，根據系統需要，總結出所使用的分層架構如圖1所示。

該架構從上至下依次是云端管理層、隊列通信層、隊列管理層、車輛控制層以及執行系統層。云端管理層實現更廣域和宏觀的功能，而隊列通信層、隊列管理層和車輛控制層進行多源信息的處理、隊列行為的執行，執行系統層實現對車輛的控制：

a.云端管理層。隊列控制系統的設計中假設有云平臺支持，該層可以通過相關車輛上的傳感器和路側基礎設施感知一定區域周圍當前的交通信息，在本文中通過通信設備模擬路側設施與3臺試驗車輛進行指令交互。此外，該層還可以獲取相關車輛出行規劃，接收車輛的加入或離開請求，從而負責優化出行時間和交通流量。該層決定了相關車輛是否應該加入或離開隊列以及何時執行該行為。

b.隊列通信層。隊列通信層主要負責在車對車通信（VehicletoVehicle，V2V）和車對基礎設施通信（VehicletoInfrastructure，V2I）的通信范圍內發送或接收必要的消息。具體來說，該層處理來自3個來源的信息：從云端接收的控制指令、來自其他相關車輛的V2V信息，以及來自車載傳感器的信息。

c.隊列管理層。隊列管理層包含隊列行為選擇和車輛角色確定的邏輯，并完成相應的行為執行過程。為了實現這一功能，本文設計了可拓展式隊列行為管理結構，在隊列行為執行過程中，會選擇需要使用的控制策略，并將控制器選擇指令發送給車輛控制層。

d.車輛控制層。車輛控制層負責使用隊列管理層選擇的縱向和橫向控制策略計算所需的期望扭矩或減速度以及期望轉向盤轉角。

e.執行系統層。執行系統層的主要作用是根據車輛執行機構的特點執行控制層輸出的縱、橫向控制命令，并直接操作車輛。每輛車的隊列通信層、隊列管理層和車輛控制層完全相同，但執行系統層因不同品牌的相關車輛之間動力學特性不同而有所不同。

其中，隊列管理層和車輛控制層是本文需要重點設計的內容。

3 隊列管理層設計

3.1可拓展式隊列行為管理結構

商用車隊列在高速公路實際行駛中需要處理多種隊列行為。在每種隊列行中，商用車隊列的不同角色會完成不同的執行過程。所有執行過程都將通過隊列管理層中的隊列行為管理結構來實施，如圖2所示。圖2中的隊列行為管理結構從隊列行為和車輛角色兩個維度對隊列行為執行過程進行解耦。其中縱向為高速公路典型隊列行為，橫向為隊列中的車輛角色。隊列行為包括但不限于圖中所列出的常規行為、緊急行為以及容錯行為3類。本文中暫不涉及緊急行為和容錯行為執行策略的研究，但在隊列管理層可拓展結構設計中需將緊急行為和容錯行為考慮在內，以保證所設計結構的完整性。

車輛角色包括頭車、跟隨車及自由車輛，其中頭車是指人類駕駛員駕駛的領航車輛，跟隨車是已經成為隊列車輛的車，自由車是指可以和隊列車輛通信但暫時沒有成為隊列車輛的車，自由車在沒有執行入隊行為前也由人類駕駛員駕駛。

隊列行為管理結構中含有行為選擇狀態機以及角色選擇狀態機，隊列管理層會結合控制信息選擇隊列行為，并從3種車輛角色中選擇一種。每輛車一次只能切換到一種隊列行為和一種車輛角色。隨后，車輛在特定的隊列行為和車輛角色下完成相應的執行過程。

在沒有發生切換時，車輛隊列的角色維持不變。所有相關車輛都是自由車，初始化后，頭車被選定，并由人類駕駛員駕駛。車輛角色的切換邏輯可以表示為一個有限狀態機，如圖3所示。

隊列行為的切換邏輯可以表示為另一個有限狀態機，如圖4所示。假設車輛在初始化后保持隊列穩定行駛狀態，在觸發常規行為、緊急行為和容錯行為后，隊列車輛的狀態將發生轉換。除了硬件故障行為外，其他隊列行為執行過程完成后，車輛均會返回到穩定行駛狀態。

3.2 隊列行為執行策略

經過車輛角色選擇后和隊列行為選擇后，隊列行為管理結構會執行特定行為和特定角色下的隊列行為執行過程。隊列行為執行過程通常包括以下動作：發送或接收消息、更新車輛隊列信息、等待特定事件、選擇合適的控制器以及切換隊列中的角色。不同角色的執行過程通過V2V通信來關聯和同步。本節對組隊、尾部人隊、穩定行駛和尾部離隊行為進行策略設計。

車輛組隊是指車輛由自由行駛狀態變成隊列行駛狀態的轉變過程。組隊僅針對兩輛車進行，兩車組隊完成后，其余車輛以入隊方式加入隊列。如圖5所示，路側單元發出組隊信息，待組隊車輛進行組隊。根據待組隊車輛的初始位置，可分為非換道組隊和換道組隊，考慮到實車的應用難度以及安全問題，本文中采用非換道組隊。

當自由車接收到云端發送的組隊指令并確認自己是組隊車輛后，需根據自車與另外一輛組隊車輛的相對位置來判斷自己為頭車或跟隨車。若為跟隨車，橫向控制器保持車道居中控制（LaneCenteringControl，LCC）不變，而縱向控制器切換為自適應巡航控制（AdaptiveCruiseControl，ACC），加速拉近與前車的距離。當距離達到期望閾值 d_des 時，發送組隊完成標志給頭車，并等待頭車完成隊列信息更新后，將縱向控制器切換為協同式自適應巡航控制（Cooperative Adaptive Cruise Control，CACC），角色由自由車切換為跟隨車，完成該流程；若為頭車，則在接收到云端入隊指令后也會進入組隊行為，等待另外一輛組隊車輛發送組隊完成標志后，更新隊列長度和ID序列，這里ID序列是隊列車輛物理ID的排序序列。隊列長度加1，在ID序列中的末尾添加入隊車輛的物理ID。之后會向自由車發送更新完成標志，結束該流程。

車輛入隊是指當已有至少兩輛車形成車輛隊列后，其他車輛繼續加入隊列、拓展隊列長度的轉變過程。根據入隊請求車輛進入隊列的位置，可分為尾部人隊和隊列中部入隊兩種情況，出于實車應用難度和安全考慮，本文采用尾部入隊，如圖6所示。

車輛入隊過程中待人隊車輛和頭車所執行的行為與組隊過程中兩輛待組隊車輛所執行的行為相同。

隊列穩定行駛場景是整個隊列行駛過程中最常見的場景。如圖7所示，3輛及以上車輛以期望的隊形、期望車間距和期望車速進行穩定行駛。

在穩定行駛過程中，頭車、跟隨車、自由車均無需執行任何行為。除頭車外，自車的前方車輛出于傳感器視野范圍內，整個隊列均可實現V2V通信，隊列內的車間距和相對速度滿足隊列穩定行駛的范圍，即車間距和相對速度波動不大，本文采用前車跟隨車通信拓撲結構，即每輛車同時接收頭車和前車的狀態信息。

車輛離隊是指隊列穩定行駛時，隊列中的車輛發出離隊請求，希望進入單車自由行駛狀態并離開隊列的轉變過程。如圖8所示，根據離隊請求車輛在隊列中所處的位置，可分為尾車離隊、頭車離隊和隊列中部跟隨車離隊3種情況，考慮實車應用難度和安全問題，本文只考慮尾車離隊一種情況。

自由車在尾車離隊時無需執行任何動作。跟隨車在接收到云端發送的離隊指令后會首先判斷自己是否為離隊車輛，如果不是，則無需執行任何動作，即可結束該行為執行過程。如果確認要離隊，首先會將縱向控制策略從CACC切換到ACC，拉開與前車的距離。當車間距大于設定閾值 d_des 后，車輛會提示駕駛員接管車輛。此時跟隨車會向頭車發送離隊完成標志，當收到頭車返回的隊列信息更新完成標志后，跟隨車會將角色切換為自由車，完成執行過程。

當頭車接收到云端離隊指令后同樣會進人到尾部離隊行為，頭車等待離隊跟隨車發送離隊完成標志后，會更新隊列長度和ID序列。隊列長度減1，ID序列中將末端離隊車輛的物理ID清除。頭車將更新完成標志發給離隊車后，完成該過程。

4隊列控制層設計

隊列車輛在接收到隊列管理層發送的控制器選擇指令后，車輛控制層會調用相應的縱橫向控制策略，實現對車輛的縱橫向精準控制。本章對隊列控制層的控制策略進行介紹，包括車輛縱向控制策略和橫向控制策略，以及通信丟包時，基于卡爾曼濾波的頭車加速度預測方法。

4.1 縱向控制器

隊列控制系統縱向控制器包括CACC、ACC以及定速巡航控制（CruiseControl，CC），使用比例-積分-微分控制器（Proportional-Integral-Derivative，PID）對車輛進行控制，間距策略示意圖如圖9所示。

期望跟車間距可以表示為：

l_des=hv_i{l₀ （1）

式中： l_des 為兩車期望間距， h 為車頭時距， ?v_i 為自車速度，l₀ 為兩車間的最小安全間距。

CACC和ACC采用的是固定時距策略，通過間距策略計算得到期望跟車距離。

隊列穩定行駛采用的CACC控制器PID模型如圖10所示。圖中 a_l 為頭車加速度， v_r 和 l_r 分別為與前車的相對速度和相對距離， v_i 為自車速度， W_i 為誤差權重模塊， e_i 為加權后的誤差， H_i 為間距策略模塊， G_i 為車輛動力學模塊。

在車輛接收到人隊指令但還未進人隊列或者接收到離隊指令但未離開隊列時，需要使用ACC控制器縮短或拉開間距，同時也用作遇到他車插入隊列或是通信故障時暫時采取的控制策略，ACC控制器的PID模型如圖11所示。

在車輛進入自動駕駛模式后起步或者需要按照給定車速行駛時會使用CC控制器。此外，在較遠距離（大于 50m ）人隊時，為避免ACC控制器產生較大加速度，采用一個特殊的CC控制器，稱為速度偏置定速巡航控制器（Velocity-offsetCruiseControl，VCC），其期望速度Udes為：

v_des=v_l+n

式中： v_l 為頭車速度； n 為速度偏置常數，其為標定值，本文試驗中取 3m/s 。

CC控制器的PID模型如圖12所示。

4.2橫向控制器

本文中橫向控制器即為隊列車道保持控制器，即車輛隊列在沒有駕駛員操控，也不處于換道狀態時的默認橫向控制策略。

橫向控制器首先根據車載相機給出車道中心線方程，根據中心線方程計算出給定預瞄距離下的橫向偏差e_y ，用純跟蹤軌跡跟蹤算法來計算車輛轉向盤轉角。

相機獲取的車道線方程如下：

Y=C₀+C₁?X+C₂?X²+C₃?X³

式中： C₀ 為車輛距離車道線距離， C₁ 為車輛相對于車道線航向角， C₂ 為車道線曲率， C₃ 為車道線曲率變化率。

由于預瞄點與車輛之間的夾角 α 很小，近似預瞄距離 l_d 為縱向距離，可以求得橫向偏差 e_y 如下：

e_y=C₀+C₁?l_d+C₂?l_d²+C₃?l_d³

根據幾何關系推導軌跡曲率 ρ 與預瞄橫向偏差 e_y 和預瞄距離 l_d 之間的關系：

又根據阿克曼幾何關系，轉向盤轉角 δ 與軌跡曲率之間的關系滿足：

式中：i為轉向傳動機構傳動比 ?，L 為車輛軸距。

最終可以得到轉向盤轉角的計算公式：

4.2基于卡爾曼濾波的頭車加速度預測

隊列穩定行駛時的CACC控制器依靠V2V通信獲取頭車加速度，而通信丟包對其產生影響，因此為保證通信丟包條件下，隊列行駛過程中的跟隨穩定性，設計基于卡爾曼濾波的頭車加速度預測方法。

首先定義車輛的狀態向量 x_k 和觀測向量 z_k 如下：

式中： p_k 為車輛位置， v_k 為車輛速度， a_k 為車輛加速度。

狀態轉移方程和觀測方程為：

x_k+1=Ax_k+Bu_k+w_k

z_k=Hx_k+v_k

式中：A為狀態轉移矩陣， B 為控制輸人矩陣（在無外部控制輸入的情況下可以忽略）， H 為觀測矩陣， w_k 和 v_k 分別為過程噪聲和觀測噪聲，矩陣形式為：

然后通過卡爾曼濾波進行預測和更新，預測步驟為：

更新步驟為：

K_k+1=P_k+1∣kH^T（HP_k+1∣kH^T+R）^-1

P_k+1=（I-K_k+1H）P_k+1|k

式中： 為估計的狀態向量， P_k 為狀態協方差矩陣， Q 為過程噪聲協方差矩陣， R 為觀測噪聲協方差矩陣， K_k 為卡爾曼增益矩陣 ，I 為單位矩陣。

最后通過預測步驟預測未來 （k+j） 時刻的頭車加速度：

隊列內通信正常時，使用V2V通信獲取的頭車加速度進行縱向隊列控制；當檢測到通信丟包時，使用預測的頭車加速度進行縱向隊列控制。

5實車試驗

5.1實車試驗平臺改裝

本節對3輛純電重載牽引卡車進行改裝，包括傳感器系統、執行系統、控制器以及人機交互系統的硬件改裝，各硬件之間通過CAN通信實現信息交互，其結構如圖13所示，硬件布置方案如圖14所示，3輛車布置方案相同。

其中，毫米波雷達安裝在車輛前保險杠面罩中心處，攝像頭安裝在前風窗玻璃中間，隊列控制器和通信終端的主機安裝在駕駛員后方臥鋪廂內，通信終端自帶天線安裝在車輛頂端。另外，隊列CAN和底盤A-CAN的2個CAN通道均預留調試接口，從臥鋪廂內接出，可以通過CAN卡連接筆記本電腦，方便進行調試和燒寫程序。

毫米波雷達用于檢測自車與前車的相對距離和相對速度，為跟隨車的縱向控制提供信息。隊列車輛需通過單目視覺相機獲取道路車道線信息，獲取車輛橫向控制所需的控制參數。

隊列內各車輛之間需通過通信終端進行V2V通信，各通信終端之間交互的信息主要包括指令信息和各車的狀態信息。指令信息如領航車發送的隊列整體行為變更信息；狀態信息既包括車輛的物理狀態，如自車編號、車速、加速度等，也包括自車隊列行為的狀態，如開始入隊、入隊完成等。云端OBU與車載終端之間交互的信息主要為云端通過通信終端下發的指令。

本文使用的執行系統為陜汽德創未來汽車科技有限公司生產的純電動重載牽引卡車，該執行系統為線性執行系統，包括VCU以及線性驅動系統、線性擋位系統、線性電動助力轉向系統和線性電子制動系統，負責車輛的驅制動、換擋以及轉向。

本文開發的車輛隊列試驗平臺支持駕駛員駕駛和自動駕駛2種模式，因此需設計人機交互系統，以滿足試驗過程中2種駕駛模式切換的需求，其相關交互邏輯如圖15和圖16所示。在自動駕駛模式下，可通過底盤VCU實現對商用車隊列執行系統的縱橫向控制。

5.2試驗方案

3輛隊列試驗車，按前后位置規定為1車、2車和3車，每輛車均需配備駕駛員，隊列1車在試驗過程中由駕駛員駕駛，隊列2車和3車在試驗前由駕駛員駕駛以將車輛居中停放至同一車道，調整初始間距，試驗開始時進入自動駕駛模式。給出多行為聯合試驗的流程如表1所示。

此外通過對通信終端天線的遮擋，影響其高頻通信信號來產生通信丟包，截取一段時間內2車發出信息的通信生命信號和接收來自1車、3車信息的通信生命信號如圖17所示。通信正常時，生命信號為從0到3的循環數，圖中2車發出信息的生命信號密集表示2車通信發送正常，而2車收到1車和3車信息的生命信號均出現間斷，表面該處出現通信丟包現象，如接收1車的209s和接收3車的223s等。

5.3試驗結果

本文進行了300余次不同速度間距下的實車道路調試和測試，給出最高時速 80km/h 的測試結果如下。

圖18展示了試驗中云端指令、行為完成標志、隊列信息更新標志、隊列長度以及隊列ID序列的變化。同時圖18也展示了試驗中頭車所管理的隊列信息的變化，隊列信息的每次變化都是與隊列信息更新標志同步的。初始時刻隊列長度為1，ID序列僅在第一位有1車物理ID信息。在 t₁ 和 t₂ 時刻，云端分別發送1車2車組隊和3車尾部入隊指令，行為完成后，均有行為完成標志和隊列信息更新標志跳變，隊列長度增加，ID序列也相應擴充，隊列進入穩定行駛狀態。在 t₄ 和 t_s 時刻，云端分別發送3車和2車尾部離隊指令，同樣地，行為完成后，也有行為完成標志和隊列信息更新標志跳變，隊列長度減小，ID序列也相應清零，隊列內各車進入自由行駛狀態。

圖19將2車和3車的特征變化放在同一張圖進行展示，以更好的展現兩車的切換同步關系。在組隊 （t₁） 和入隊 （t₂） 指令發出后，由于距離前車距離超過 50m 2車和3車控制器首先由CC控制器切換為VCC拉近0與前車距離，然后依次切換為ACC和CACC，進人穩定行駛狀態，2車和3車角色由自由車切換為跟隨車。云端下發離隊指令，即 t₄ 和 t₅ 時刻，離隊車輛控制器切換為ACC拉開與前車間距至閾值后完成離隊，控制器切換為CC，角色由跟隨車切換為自由車。圖18和圖19的結果表明，所研發的商用車隊列控制系統可以應對多種隊列行為的連續進行，并保證每種隊列行為執行過程的正確性。

圖20展示了聯合試驗過程中速度和距離的變化曲線，圖21展示了2車和3車相對于頭車的速度誤差和間距誤差。 t₃ 之前，3輛車處于起步、組隊以及尾部入隊階段。在組隊和尾部入隊階段，3車、2車均加速縮短與前車間距，與圖中各自車速和車距曲線對應。t₃ 之后，隊列內3輛車開始穩定行駛，頭車進行階梯加減速，以驗證所設計的商用車隊列控制系統對于車速波動和不同車速下的控制效果。車速和車速誤差曲線表明，對于頭車 20～80km/h 的階梯式加、減速，2輛跟隨車均可以較好地跟隨，穩定行駛狀態下3輛車車速基本保持一致，2車速度平均誤差為 0.62km/h ，最大誤差為 4.2km/h;3 車速度平均誤差為 1.55km/h ，最大誤差雖為 7.75km/h ，但其可以迅速減小。而車距曲線表明，隨著車速增大，期望車距按照間距策略隨之增大，且可以很快保持穩定。

6結束語

本文提出可拓展式隊列控制系統分層架構，適用于包括常規行為、緊急行為和容錯行為在內的隊列行為，使車輛隊列控制系統具有可拓展性和通用性。通過對隊列行為執行過程的解耦，設計可拓展式隊列行為結構和常見隊列行為執行策略，并設計車輛隊列縱橫向控制器和頭車加速度預測方法，滿足通信丟包條件下隊列行為的決策和精準控制。最后，搭建隊列實車試驗平臺，將所提出的控制方法應用到實車平臺上，在通信丟包條件下進行實車道路測試，結果表明：所提出的車輛隊列控制方法可以安全有效地完成組隊、尾部人隊等常見隊列行為，且穩定行駛過程中的控制誤差較小，驗證了所提出控制方法在實車試驗平臺上的有效性、安全性和實時性。

參考文獻

[1]張哲，丁海濤，張裊娜，等.智能網聯電動汽車經濟性巡航 速度規劃[J].汽車工程，2022，44（4）：609-616+637. ZHANG Z，DING H T， ZHANG N N，et al. Economic Cruising Speed Planning for Intelligent Networked Electric Vehicles[J]. Automotive Engineering，2022，44（4）： 609-616+ 637.

[2]覃光毅.隧道群環境下智能車輛隊列跟馳模型建立與跟 馳行為安全評價[D].南寧：廣西大學，2020. QING G Y.Establishment of Intelligent Vehicle Platoon Following Model and Safety Evaluation ofFollowing Behavior in Tunnel Group Environment[D]. Nanning： Guangxi University，2020.

[3] XUL，WANG L Y，YIN G，et al. Coordinated Control and Communication for Enhanced Safety of Highway Vehicle Platoons[C]// 2O13 International Conference on Connected Vehicles and Expo （ICCVE）. Las Vegas，NV，USA： IEEE， 2013.

[4] DAO T S，HUISSOON JP， CLARK C M.A Strategy for OptimisationofCooperativePlatoonFormation[J]. InternationalJournalofVehicleInformationand Communication Systems，2013，3（1）： 28-43.

[5] LI S E，LI R， WANG J，et al. Stabilizing Periodic Controlof AutomatedVehiclePlatoonwithMinimizedFuel Consumption[J]. IEEETransactionson Transportation Electrification，2017，3（1）： 259-71.

[6]SHLADOVER SE，DESOERCA，HEDRICKJK，et al. Automated Vehicle Control Developments in the PATH Program[J]. IEEE Transactions on Vehicular Technology， 1991，40（1）： 114-130.

[7] SHLADOVER S E. PATH at 2O—History and Major MileStones[J]. IEEE Transactions on Intelligent Transportation Systems，2007，8（4）： 584-592.

[8]SWAROOPD，HEDRICKJK.Direct AdaptiveLongitudinal Control of Vehicle Platoons[J]. 33rd IEEE Conference on Decision and Control，1994，1： 684-689.

[9] PLOEG J， VAN DE， WOUW N，et al. Lp String Stability of Cascaded Systems： Application to Vehicle Platooning[J]. IEEE Transactions on Control Systems Technology，2014， 22： 786-793.

[10] BIAN Y，ZHENG Y，REN W，et al. Reducing Time Headway for Platooning of Connected Vehiclesvia V2V Communication[J]. TransportationResearchPartC： Emerging Technologies， 2019，102： 87-105.

[11] ALAM A A，GATTAMI A，JOHANSSON K H. An Experimental Study on the Fuel Reduction Potential of IEEE Conference on Intellgent Transportation Systems. Funchal，Portugal： IEEE，2010.

[12] MAITI S，WINTER S，KULIK L. A Conceptualization of Vehicle Platoons and Platoon Operations[J]. Transportation Research PartC： Emerging Technologies，2017，8O：1-19.

[13] IVANCHEV J， DEBOESER C，BRAUD T， et al.A HierarchicalState-Machine-BasedFramework for Platoon Manoeuvre Descriptions[J]. IEEE Access，2021： 1.

[14] BADNAVA S，MESKIN N，GASTLI A，et al. Platoon Transitional Maneuver Control System：A Review[J].IEEE Access，2021，9： 88327-88347.

[15]徐明誠，徐利偉，殷國棟，等.燃油車和純電車混雜智能 網聯隊列系統的節能與穩定控制[J].汽車安全與節能學 報，2024，15（1）：71-82. XUMC，XIL W，YIN GD，et al. Stability Control and Energy-Saving of an Intelligent Networked Platoon System Composed of Fuel Vehicles and Pure Electric Vehicles[J]. Journal of Automotive Safety and Energy，2024，15（1）： 71- 82.

[16]劉迪.智能網聯環境下商用車油耗與排放協調控制方法 研究[D].長春：吉林大學，2022. LIU D.Research on Coordinated Control of Fuel and Emission for Commercial Vehicles Under Intelligent and Connected Environment[D]. Changchun： Jilin University， 2022.

[17]溫國強，關志偉，趙俊英，等.智能網聯車輛隊列協同控 制系統構建[J].國外電子測量技術，2023，42（7）：68-73. WEN G Q， GUAN Z W， ZHAO JY，et al. Construction the QueueCollaborativeControlSystemofIntelligent Connected Vehicles[J]. Foreign Electronic Measurement Technology，2023，42（7）： 68-73.

[18]邊有鋼，張田田，謝和平，等.車輛隊列抗擾抗內切協同 路徑跟蹤控制[J].汽車工程，2023，45（8）：1320-1332. BIANYG，ZHANGTT，XIEHP，et al.Anti-Disturbance and Anti-Corner-Cuting Control for Collaborative Path Tracking of VehiclePlatoon[J].Automotive Engineering， 2023，45（08）：1320-1332.

[19] ZHANG L Q， SHI Y， CHEN T W，et al. A New Method for Stabilization of Networked Control Systems with Random Delays[J]. IEEE Transactions on Automatic Control，2005， 50（8）： 1177-1181.

[20]AZIMI-SADJADI B.Networked Control Systemswith Intermittent Observation[C]//Proceedings of the 2005 American Control Conference（ACC）. Portland， OR，USA： IEEE，2005.

（責任編輯 王 一）

修改稿收到日期為2025年2月10日。