Trajectory smoothing method for power-heterogenous CAV platoons at a signalized intersection （信号交叉口处动力异质网联自动驾驶车辆队列的轨迹平滑方法）
本文面向信号交叉口场景下动力异质的网联自动驾驶车辆（Connected and Automated Vehicle, CAV）队列控制问题，提出了一种基于编队控制的轨迹平滑方法。研究首先针对电动汽车与燃油汽车在纵向动力响应、尤其是惯性时滞方面的差异，构建了适用于异质车队的DMPC编队控制框架，框架以加速度调节为核心，实现了队列恒定车头时距的稳定保持。在此基础上，进一步以CAV队列而非单车作为最小控制单元，结合交叉口信号灯时序信息（SPaT）开展轨迹平滑控制，引导成形车队以更连续、更平顺的速度通过交叉口，减少停车与二次启动。仿真结果表明，该方法相较于无编队速度轨迹平滑的基准场景，有效减少了车辆延误与等待时间，尤其在交通需求较高时效果显著，同时实现了可观的能源节约。本研究聚焦于道路交通中普遍存在的动力异质性问题，为交通协同管理实践提供了重要参考，也为后续拓展至更复杂异质类型和混合交通环境奠定了基础。
科研团队由王正武教授领衔，长期深耕智能交通控制与管理、车路协同感知及鲁棒优化等领域，主持国家级自然科学基金4项，省部级科研项目8项，在高速公路合流区协同控制、车辆轨迹优化等方面取得系统性成果，发表高水平论文70余篇，获省部级奖励10余项。团队注重前沿技术研发，具备从理论建模到仿真验证的多维度科研能力。组内博士生吴锯强聚焦智能网联车辆编队控制与轨迹优化，在分布式预测控制方向形成扎实积累，为团队开展异质车队协同控制研究提供了有力支撑。
Trajectory smoothing method for power-heterogenous CAV platoons at a signalized intersection信号交叉口处动力异质网联自动驾驶车辆队列的轨迹平滑方法
作者：Zhengwu Wang1,2, Juqiang Wu1, Qiang Wen1, Rujie Zhou1
机构：1. School of Transportation, Changsha University of Science &Technology 2. Hunan Key Laboratory of Smart Roadway and Cooperative Vehicle-infrastructure Systems, Changsha University of Science & Technology
引用：Wang, Z., Wu, J., Wen, Q. et al. Trajectory smoothing method for power-heterogenous CAV platoons at a signalized intersection. Control Theory Technol. (2026). https://doi.org/10.1007/s11768-025-00308-z
摘 要
网联自动驾驶车辆的轨迹平滑技术为提升交叉口运行效率、降低车辆能耗提供了新的技术路径。然而，现有研究多聚焦于单车轨迹优化，或默认自动驾驶车队具有同质动力学特性，使得相关结论在面向实际交通场景时仍面临一定适用性挑战。本文提出一种面向信号交叉口处动力异质自动驾驶车队的轨迹平滑方法。首先，基于分布式模型预测控制，在显式考虑电动与燃油车辆惯性时滞差异的基础上，实现车队恒定车头时距控制，以抑制队内速度波动并保持编队稳定。进一步地，本文以CAV车队而非单车作为最小控制单元，结合信号相位与配时信息开展轨迹平滑控制，引导已成形车队以更平滑的速度时变通过交叉口，并减少停车与二次启动。基于SUMO平台的仿真实验表明，与未实施轨迹平滑的基准场景相比，所提方法能够有效降低总延误和等待时间、提高平均车速，且在较高交通需求下优势更为显著；同时还可实现可观的综合节能效果，彰显了先进自动驾驶技术对构建可持续城市交通系统的应用潜力。
引 言
模型随着交通技术的快速发展，出行在人类生活中的重要性日益凸显。与此同时，与出行相关的能源消耗和时空低效问题也日益加剧。据国际能源署报告，交通运输业的能源消耗占全球能源消耗总量的33%。此外，据估计，出行者每年在车内多花费近88亿小时。如何更有效地解决交通问题始终是一个值得探讨的课题。
信号交叉口是城市道路场景中最复杂且最具挑战性的交通场景之一，它涉及到多个方向的车辆行驶交汇，交通流量高且时空限制严格，导致车辆在通过交叉口区域时会频繁地产生启停、怠速行驶和疾驰等不良驾驶行为，这些不良驾驶行为会导致不容忽视的能源浪费和排放增加。网联自动驾驶车辆技术的产生与发展为解决上述问题、提升交通系统效率及安全性提供了新思路。其能够利用先进的感知、决策和通信技术，实现车辆之间、车辆与基础设施之间的智能化互动和协同控制。而随着该项技术的兴起，研究者们对城市路口CAVs的管理策略进行了深入的研究，其关键应用包括轨迹规划和队列行驶。
轨迹规划策略即优化进入交叉口CAVs的速度曲线，以避免在停车区域停车和排队等待，降低车辆冷启动行为发生次数，提升信号交叉口的行驶效率及车辆通过信号交叉口时的能耗比。传统的轨迹规划方法可分为四类：基于图搜索的规划、基于采样的规划、基于插值曲线的规划和基于优化的规划。基于图搜索的规划方法即将场景表示为图，其中节点代表状态（位置、速度等），边代表从一个状态到另一个状态的转移，通过遍历网格中的状态并给出路径规划问题的解决方案。常用的图搜索算法包括用于路径规划的Dijkstra算法和A*算法。然而，这些方法计算复杂度高，尤其在动态环境中，可能降低实时应用的效率。基于采样的规划方法涉及随机生成或系统性地选择候选点（采样点），然后搜索并优化这些点之间的路径。典型的有快速探索随机树 (Rapid-exploring Random Tree, RRT)算法和其他变体。例如，研究人员将RRT应用于车辆运动规划，通过采样车辆转向角使CAV能够在路段上以较高速度行驶，从而提高交通效率。然而，这种方法的一个潜在缺点是所确定的路径可能不是全局最优的，且结果高度依赖于采样点的质量和密度。基于插值曲线的规划算法通过在先前定义的参考点范围内插入一组数据，将车辆轨迹表示为连续的曲线或多段曲线，使用典型示例（如贝塞尔曲线）为CAV生成连续轨迹。然而，这些连续生成的轨迹在复杂道路条件或潜在碰撞场景下可能存在安全问题。基于优化的规划通过优化速度、加速度和加速度变化率等参数来生成车辆轨迹。这种方法能够在给定约束下找到全局最优或接近最优的路径，并且合理的约束选择与算法简化相结合可以产生更好的控制效果。此外，近期的研究开始探索机器学习技术，特别是强化学习模型，在轨迹设计和改善CAV变道操作方面的巨大潜力。
在早期研究中，轨迹规划与控制大多以单个智能网联汽车为对象，通常通过算法遍历交叉口上游来车，并逐车生成生态驾驶速度建议。然而，这种逐车优化方式所形成的轨迹不仅可能存在相互冲突，还容易对后续车辆的轨迹规划产生连锁影响。基于这一问题，研究人员逐步将关注点转向车辆队列行驶。队列行驶是一种车辆之间以较小车间距紧密跟驰的协同运动模式。已有研究表明，队列行驶能够通过降低中间车辆的空气阻力、提升道路通行能力以及缩短车辆反应时间、增强交通安全等途径，显著降低道路网络整体能耗。近年来的相关综述进一步指出，在网联自动驾驶场景下，车辆以编队方式实现协同行驶与节能控制，已成为影响车辆能耗表现的关键因素之一。
目前，已有大量研究致力于CAV队列行驶纵向控制方法的开发。例如，PATH实验室提出的协同自适应巡航控制（Cooperative Adaptive Cruise Control，CACC）技术，使车辆能够平稳跟驰领航车并保持安全车距，从而提升交通运行效率与行驶安全性。与此同时，研究者还采用MPC等方法，通过对车间距及其他状态参数施加约束，保障车辆队列纵向运动的瞬态性能与稳定性。既有研究主要聚焦于同质车辆队列的控制，或针对高速公路无信号控制场景下的异质队列开展分析。然而，在现实交通环境中，车辆往往具有多维度异质性，包括车辆类型、动力来源，以及在高速公路和交叉口等不同场景下的驾驶行为差异。这类异质性会导致队列内部在动态响应、反应时间等方面存在显著差别，使传统统一控制策略难以直接适用。此外，信号交叉口具有更高的运行复杂性和更强的交通状态波动性，这也要求相应的CAV轨迹规划方法能够与交通信号等附加约束有效协同。
基于上述背景，本文聚焦于信号交叉口场景下一类较为常见的车辆异质性——动力异质性，针对队列行驶控制问题开展研究。为此，本文提出了一种面向动力异质CAV队列的分布式模型预测控制方法，以便在信号交叉口的入口车道上，使不同类型的CAV在保持恒定车头时距的同时，实现控制性能的高度同步。此外，在信号交叉口处，我们使用CAV队列作为最小控制单元，确保其在考虑信号灯等严格时空约束的情况下，以更平滑的轨迹通过交叉口。本研究的贡献如下：
1、提出了一种考虑动力异质性的DMPC队列控制方法。针对道路交通中常见、但相关研究相对有限的动力异质性问题，显式考虑电动汽车与燃油汽车在控制惯性时滞上的差异，使不同动力类型车辆在队列运行过程中实现更一致的控制响应，从而维持稳定的队列结构和相对一致的车头时距。
2、提出了一种面向信号交叉口的队列级轨迹平滑方法。该方法以CAV队列而非单个CAV作为最小控制单元，在满足信号控制约束的前提下，尽可能减少停车与二次启动，提升车队通过交叉口过程中的轨迹平顺性。仿真结果表明，所提方法能够在交通效率和能源利用方面取得较好的改善效果。
结 论
本文提出了一种基于分布式模型预测控制的动力异质网联自动驾驶车辆队列控制方法。该方法以加速度调节为控制输入，显式考虑动力异质CAV在惯性时滞特性上的差异，以实现队列内恒定车头时距的保持。不同于以往依据车辆实时速度及与前车距离来决定CAV组队或离队时机的研究，本文利用CAV的可控性，在满足队列编组条件且尽量不影响领航车通行效率的前提下，尽可能将更多到达车辆纳入队列，以减少由频繁组队、离队带来的通行效率损失。此外，本文引入“虚拟车辆”以模拟人为驾驶车辆因跟驰间距波动和频繁变道所产生的扰动，从而检验所构建队列的稳定性。
在完成队列编组后，本文进一步提出了一种以CAV队列为最小控制单元的轨迹平滑方法。该方法结合信号交叉口的时空约束，对车队通过过程进行协同控制，以尽可能减少停车与二次启动，使车辆以更平滑的轨迹通过交叉口。更连续、平顺的速度轨迹有助于提升通行效率，并改善能源利用表现。
本研究聚焦于道路交通中一类较为常见的车辆异质性——动力异质性，相关结论可为交通管理与协同控制实践提供一定参考。未来研究可进一步考虑更多类型的车辆异质性，并将分析拓展至更加复杂的交通场景，例如包含多类异质车辆及其交互作用的混合交通环境，以及稳定驾驶模式的形成机制。同时，鉴于通信与计算资源对车辆交互过程具有重要影响，后续工作还需进一步提升相关方法的工程适用性与实际部署能力。
作者介绍
王正武（Zhengwu Wang），长沙理工大学二级教授。研究方向为交通信息工程及控制、智能交通系统。
吴锯强（Juqiang Wu） ，为长沙理工大学交通学院的在读博士研究生。于2024年获得长沙理工大学交通学院硕士学位。当前主要研究方向包括网联自动驾驶车辆轨迹规划与行为协同控制。
文强（Qiang Wen），为长沙理工大学交通学院的在读博士研究生。主要研究方向为智能交通系统中的网联车辆多队列协同控制。
周茹洁（Rujie Zhou），现为长沙理工大学交通学院在读硕士研究生。主要研究方向包括网联车辆队列控制与智能交通系统。
2024-2025刊期合集
Volume 23 (February - November 2025)
Issue 3, 2025 - Special issue on ADRC: New ADRC developments in Ibero-America
Volume 22 (February - November 2024)
Issue 3, 2024 - Special issue on analysis and control of complex systems in honor of the 90th birthday of Professor Huashu Qin
Issue 2, 2024 - Special issue on system identification and estimation
期刊简介
欢迎扫码进入期刊主页
Control Theory and Technology (CTT), 中文名《控制理论与技术》, 创刊于2003年，原刊名为Journal of Control Theory and Applications，2014年刊名更改为Control Theory and Technology。由华南理工大学与中国科学院数学与系统科学研究院联合主办，主要报道系统控制科学中具有新观念、新思想的理论研究成果及其在各个领域中的应用。目前被 ESCI (JIF 1.5)、EI、Scopus (CiteScore 3.2)、CSCD、INSPEC、ACM 等众多数据库收录, 并于2013–2018年获得两期中国科技期刊国际影响力提升计划项目资助。2017–2021年连续获得“中国最具国际影响力学术期刊”和“中国国际影响力优秀学术期刊”称号，获得广东省高水平科技期刊建设项目I期(2021-2024年)和II期，2022-2025年进入中国科协自动化学科领域高质量科技期刊目录。
官网：https://link.springer.com/journal/11768 (即http://www.springer.com/11768)
https://jcta.ijournals.cn/cta_en/ch/index.aspx
投稿：https://mc03.manuscriptcentral.com/ctt
微信：ControlTheoryTech （欢迎扫码关注期刊微信公众号）
X (Twitter): CTT_Journal
微博：ControlTheoryTech
Email：jcta@scut.edu.cn
Tel：020-8711 1464
转载本文请联系原作者获取授权，同时请注明本文来自邹铁枫科学网博客。
链接地址：https://wap.sciencenet.cn/blog-3635716-1528609.html?mobile=1
收藏
