一种针对联网自动驾驶车辆的预测性巡航节能驾驶控制策略，该策略适用于混合城市交通流中的连续信号化路口

《Journal of Cleaner Production》：A predictive cruise eco-driving control strategy for connected autonomous vehicles through successive signalized intersections in mixed urban traffic flow

　　• 为连接自动驾驶车辆（CAVs）开发了一种分层式生态驾驶策略。• 绿灯速度规划考虑了多交叉口的时空约束。• 基于信息器的预测器提高了在混合交通条件下的适应性。• 基于预测模型（PMP）的速度跟踪通过实时计算实现了能源效率。

引言
随着节能紧迫性的增加和数据技术的进步，车辆功能不断更新和迭代。目前，自动驾驶技术是最有前景的发展领域之一。通过智能交通系统和路边单元的部署，连接自动驾驶车辆（CAVs）可以通过车对车（V2V）、车对基础设施（V2I）和车对云（V2C）通信获取交通信息（Gao等人，2024年）。它们还使用车载传感器自主调整行为，并与其他行驶中的车辆保持安全距离（Yang等人，2022年）。在此基础上，研究人员通过引入生态驾驶策略进一步优化了CAVs的速度和功率分配，旨在推动环保智能交通行业的发展（Chen等人，2026年）。通常，生态驾驶策略被设计为两层分级控制系统，包括上层速度规划层和下层功率分配（R. Liu等人，2023年，Yan等人，2025年）/速度跟踪控制层（Huang等人，2018年，Yang等人，2021年）。值得注意的是，这些策略在高速公路场景中表现优异。

与高速公路不同，城市道路上的交通流量经常受到红绿灯的干扰，这导致频繁的停车和启动，从而不必要地增加能源消耗。幸运的是，从道路和车辆的角度提出了多种环保方法来提高有信号灯交叉口的能源和交通效率。显然，通过控制信号时序来调整宏观交通流量是有效的（Hu等人，2024年），但成本也较高（Jiang等人，2022年）。从车辆的角度来看，利用车对一切（V2X）通信获取即将到来的信号相位和时序（SPaT）信息来经济地控制车辆速度，可以促进车辆顺利通过有信号灯的交叉口，避免停车和启动行为，从而提高能源效率（Shao和Sun，2021年；Han等人，2025年），这种方法被称为生态接近和离开（EAD）控制（Dong等人，2024年）。基于EAD控制，已经为单个CAV（Ye等人，2019年）和多个CAV在有信号灯的交叉口（Wang等人，2020年）开发了生态驾驶策略。然而，这些研究主要关注单个有信号灯交叉口的交通流量性能，由于多个红绿灯之间的时空相关性，限制了其在连续交叉口的适用性。

为了提高全局优化性能，研究人员开始将两个或多个连续交叉口的优化纳入规划中。例如，Lei等人（2023年）提出了一种实时分级生态驾驶方法，首先将从起点到目的地的路线按交叉口划分为多个段；上层负责为每个段的终点制定所需的速度和时间任务规划，下层则负责速度规划。S. Dong等人（2022年）考虑了来自前车的固有空间和时间约束、多个有信号灯的交叉口以及队列，设计了一种分层的高效控制策略，以减少CAVs的燃油消耗和行驶时间。Li等人（2025年）在一个云控制系统框架内提出了一种分层规划和控制生态驾驶策略，该策略将规划和控制分离，使规划层专注于效率指标，而控制层优先考虑安全性能，确保CAVs在多个交叉口中实现生态驾驶同时保持安全。Sun等人（2022年）提出了一种基于动态规划（DP）和内点法的实时规划系统，将优化问题分解为加权有向图和多阶段最优控制问题。H. Dong等人（2022年）引入了一种多目标生态驾驶方法，该方法使用A*算法和改进的DP来确定通过多个交叉口的最佳车辆轨迹。Wei等人（2022年）利用基于SPaT信息的离线DP算法建立了一个加权有向图，然后应用了两层DP方法进行在线速度规划。Sun等人（2020年）进一步创新地考虑了交通信号时序的不确定性，采用数据驱动的方法基于实证数据建立机会约束，将鲁棒性纳入生态驾驶控制问题中。这些结果表明，当考虑多个信号灯时，该方法的全局节能性能优于仅考虑单个信号灯的情况。然而，连续红绿灯之间的时空相关性仍然给优化问题带来了挑战。

此外，当处理来自道路、车辆和红绿灯的大量数据时，车辆的车载感知和处理能力是有限的。幸运的是，云技术的出现可以有效解决这个问题，因为它在信息获取、宏观处理和计算效率方面具有优势（Gao等人，2024年）。目前，已经有一些基于云计算的车辆运动控制成果，例如基于边缘-云的车辆-道路协同交通信号控制（Zhang等人，2025年）、基于公共云的实时连接车辆速度建议应用（Deng等人，2025年）以及针对异构车辆车队的基于云-边缘的协同自适应巡航控制方案（Zhao等人，2024年）。当然，云控制可以显著提高计算效率，但它也引入了网络延迟、数据包丢失和攻击脆弱性等不确定性（Liu等人，2025年）。尽管如此，许多研究仍然更倾向于通过车对云（V2C）通信进行全局速度规划，尤其是在动态交通场景中，如交通交叉口（R. Liu等人，2023年；Han等人，2025年；Li等人，2025年），这可以克服车载控制器的计算能力限制，并结合车载能源管理（R. Liu等人，2023年；Han等人，2025年）或速度跟踪控制（Li等人，2025年），从而提高控制鲁棒性、能源效率和驾驶舒适性。

同时，研究人员已经广泛研究了包含人工驾驶车辆（HDVs）和自动驾驶车辆（CAVs）的混合交通控制策略（Wang等人，2023年）。当然，在现实世界的混合交通中，HDVs和CAVs的空间分布是随机的，实际交通流量通常表现出时间变化的特点，主要是由于HDVs的随机驾驶行为。因此，更全面和深入的生态驾驶控制研究应该考虑包含HDVs和CAVs的混合车辆车队的形成过程，从无序分布变为指定分布（Shi等人，2025年）。尽管如此，在拥挤的城市道路上，尤其是在CAVs渗透率相对较低的情况下，对于给定混合交通拓扑下的生态驾驶控制策略的研究仍然具有价值。研究通常集中在特定混合车队分布下CAVs的控制方案设计上，而对前车行为的不确定性进行假设。早期的控制器设计假设前车行为可以描述为恒定速度或加速度，或者作为概率模型，如马尔可夫链（Luo等人，2025年）。随着数据技术的进步，数据驱动模型被广泛用于预测预测范围内的HDV速度。例如，Y. Liu等人（2023年）构建了一个基于Transformer的车道变换交通条件预测器，以预测HDV在周围交通条件下是否会进行破坏性车道变换。Zhou等人（2024年）分别基于足够的车辆位置和速度历史信息以及由于通信失败而缺乏的前车信息，开发了两个深度长短期记忆（LSTM）模型来预测前车轨迹。Yang等人（2024年）利用实际驾驶数据开发了一个基于LSTM的前车加速度预测模型。Qi等人（2025年）提出了一个结合条件线性高斯速度预测模型和反向传播神经网络的前车随机速度预测模型，同时利用了车辆对一切（V2X）通信的前车信息。然而，利用额外的连接数据来改进对前车未来速度轮廓的预测还需要进一步的研究和讨论。此外，通过结合预测信息和数据驱动模型，MPC已被广泛采用作为速度跟踪控制策略，如Zhou等人（2024年）、Yang等人（2024年）和Qi等人（2025年）的研究所示。然而，由于多种需求条件之间的非线性耦合效应，确保MPC在CAV操作中的实时性能仍然是一个关键挑战。

基于上述对连续有信号灯交叉口的速度规划和城市道路上混合交通中CAV控制的研究，进一步深入研究的动机如下。首先，在城市主干道上实施CAVs的生态驾驶速度规划时，必须综合考虑实际要求，包括最小化行驶时间、实现高交通效率以及减少燃料消耗，同时解决这一多目标优化问题。其次，利用额外的V2X数据可以提高对前车行为的预测准确性，而将基于云的速度规划与实时交通条件有效集成可以提高分层控制策略在混合交通环境中的适用性。第三，鉴于CAV操作中对控制信号的严格要求，提高控制器的计算效率对于确保控制策略的实时性能至关重要。考虑到上述问题和车辆车载处理能力和感知的局限性，本文利用基于云的计算平台探索了一种结合云和车辆层的分层控制策略。本研究的主要贡献总结如下：
(1) 云层解决了具有多个时间和空间约束的连续信号交叉口的能量-时间协调速度规划问题，在速度规划过程中将能源消耗和行驶时间作为优化变量。与现有的基于强化学习和交通规则的方法（如Yan等人，2025年；Qi等人，2025年）相比，所提出的方法通过增加时间因素作为额外的优化变量进一步减少了燃料消耗。
(2) 车层利用前车和领先车辆的历史信息，基于信息器网络开发了一个速度预测模型。通过加入额外的相关时间信息，该模型相比LSTM等方法（Yang等人，2024年）提高了预测精度。同时，与相关现有结果（如R. Liu等人，2023年；Han等人，2025年；Li等人，2025年）不同，最终由车层调整云层的速度规划，使CAV能够缓解突然的速度变化，并在某种程度上减轻云通信延迟等不确定因素的负面影响，同时满足局部条件。
(3) 在车层中设计了一个结合PMP和二分算法的速度跟踪控制器，使其能够在MPC框架下快速满足实时要求。与传统的数值方法相比，所提出的方法在SpeedGoat平台上将计算时间减少了两个数量级。

本文的其余部分组织如下。第2节概述了研究场景和控制问题。第3节详细介绍云层，第4节讨论了车辆层的速度控制方案。第5节使用仿真和Speedgoat平台评估了所提出的策略。第6节总结了本文。

研究场景和控制问题
本文关注在高交通密度和低CAV渗透率的城市交通场景中CAVs的生态驾驶控制，其中CAVs通过连续的有信号灯交叉口行驶，同时面临前车带来的不确定性，并利用绿灯减少燃料消耗。因此，在研究中，CAVs在形成的混合车队中运行，仅考虑其纵向移动，忽略车道变换和超车。同时，由于CAVs的比例较低，它们在混合交通中处于少数地位。

云层中的CAVs速度规划
如图2所示，在云层中，首先构建了一个加权有向图，通过整合道路速度限制、交通信号状态和车辆动态来准确识别最佳绿灯间隔。接下来，使用多直接射击算法根据距离优化绿色波的速度，该算法同时考虑了时机和能耗。在车辆层中对CAV进行速度控制。如图2所示，由于计划速度会受到局部交通状况和HDV不确定性的影响，车辆层被划分为三个部分：预测模块、速度调整模块和跟踪控制器。首先，基于来自前面CHDV和前驱HDV的历史数据，利用信息网络设计了一个预测模型来预测前驱HDV的未来速度。同时，根据预测结果，ego CAV的计划速度会进行平滑调整。

仿真验证
本节展示了仿真结果以验证所提出的策略。车辆模型和燃油消耗参数的选择参考了Yang等人（2021年）和Lim等人（2017年）的研究：
m=1600kg, Cd=0.3, Cr=0.01, θ=9.8m/s2, Ad=2.5m2, ρ=1.225kg/m3, fr=4.438, Nfr=0.9, Ngr=0.9, rw=0.3m, Te,max=220N, gr(n)=2.563, 1.552, 1.002, 0.727, 0.52, Fb,max=4000N, β1=5.646×10??, β2=4.751×10??, γ1=1.625×10??, γ2=?5.968×10??。约束参数选择为：vmax=70km/h, vmin=10km/h, smin=5m, tth=1.8s。

结论
本文提出了一种基于云车交互的城市环境中CAV生态驾驶的分层控制策略。在设计过程中考虑了来自前车的约束以及连续信号化交叉口的约束。在云层中，行驶时间被视为CAV速度规划的优化变量。因此，规划轨迹是时间和能量元素协同作用的结果。

CRediT作者贡献声明
方佳怡：写作——审稿与编辑，方法论研究，概念化设计。
李新宇：写作——初稿撰写，验证研究，概念化设计。
唐文斌：写作——审稿与编辑，验证工作。
杨超：写作——审稿与编辑，监督指导。
庄明：写作——审稿与编辑，验证工作。

利益冲突声明
作者声明他们没有任何已知的财务利益冲突或个人关系可能影响本文报告的工作。