一种多虚拟头车结构下的长队列分级控制模型方法

技术领域

本发明涉及智能车应用技术领域，具体涉及一种多虚拟头车结构下的长队列分级控制模型方法。

背景技术

加强智能网联汽车研发，基于车路协同的无人驾驶技术受到了广泛的关注。借助新兴的C-V2X通信技术，高速公路车辆列队行驶已经逐步走向实际应用，其中控制方法包括自适应巡航控制系统(Adaptive Cruise Control System,ACC)和协同自适应巡航控制系统(Cooperative Adaptive Cruise Control,CACC)。基于传感器与控制器的配合，车队内各个车辆通过通信实现信息的实时共享，保证了列队行驶的稳定性。高速公路上自动驾驶车辆队列能够有效提高道路通行效率，并且降低车辆的行驶油耗。自动驾驶车辆编队行驶主要是将沿同一方向行驶的车辆进行合并控制，使同一组别的车辆保持一致的行驶速度，队列内相邻车辆保持期望间距行驶，其中队列车辆间距的有效控制提高了道路通行能力，减少了队列跟随车受到的空气阻力，进而降低了车辆行驶的能量损耗。现有研究提出队列车辆与单独车辆相比，能够减少接近5％的燃油消耗，因而自动驾驶车辆采用队列控制的策略比单车控制策略具备更高的经济效益。伴随C-V2X通信技术的发展，高速公路车辆长列队行驶成为新的发展方向，但自动驾驶车辆长队列在高速公路主线道路行驶时，当长队列头车发生速度变化，所产生的速度扰动会迅速影响到长队列所有跟随车，使跟随车处于速度波动状态。直到速度扰动完全消散，长队列才能恢复到稳定的匀变速状态。在速度扰动影响期间，长队列跟随车行驶速度处于不稳定状态，由于车速的反复抖动，此时车辆行驶消耗的能量更多。

现有队列控制方法均受限于通信范围的约束，往往通过将长队列划分为多个子队列的方式来确保队列运行可靠性，而每个子队列由虚拟头车进行控制引导。并且现有研究主要集中于基于虚拟头车所搭建的通信网络下车辆通信能力的提升，针对自动驾驶车辆虚拟头车在长队列内的最优分布，研究相对偏少。

发明内容

针对上述问题，本发明提供一种多虚拟头车结构下的长队列分级控制模型方法。

本发明采用下述的技术方案：

一种多虚拟头车结构下的长队列分级控制模型方法，包括以下步骤：

步骤1：路侧控制端采集长队列车辆行驶数据；

步骤2：将步骤1所述行驶数据载入最优虚拟头车序列计算模型；

步骤3：步骤2模型输出的结果是否满足遗传算法终止条件，若满足，则输出最优虚拟头车序列；若不满足，则继续依次进行选择操作、交叉操作和变异操作；

步骤4：车辆队列控制模型以步骤3最优虚拟头车序列为基础，将长队列相邻子队列头车的速度差、子队列跟随车与子队列头车的速度差分别引入控制层，得到子队列头车控制层模型和子队列跟随车控制层模型；通过对子队列头车与子队列跟随车的同步控制，更新长队列内所有自动驾驶车辆的运行状态，并用于下一时间步长的最优虚拟头车序列计算。

进一步的，所述最优虚拟头车序列计算模型为

式中C

进一步的，所述步骤3中遗传算法的具体步骤如下:

步骤3.1：初始化，将长队列内的子队列头车属性作为求解变量，采用二进制编码构建个体，生成符合要求的初代种群，确定算法参数；

步骤3.2：贪心修复，对不满足模型约束的个体进行编码修复，若所得结果中子队列头车属性被赋予连续多辆车，此时子队列车辆数量约束不成立，对不满足约束的各车辆的成本值进行对比，保留相邻车辆中成本值最优的车辆作为子队列头车，取消相邻车辆的子队列车属性，使求解结果满足模型约束；

步骤3.3：个体评估，根据种群内的所有个体情况，计算得出每个个体的适应度；

步骤3.4：进化代数判断，当代数未达到终止代数时，对种群进行步骤3.4至步骤3.6的遗传操作；当达到终止代数，则选择当前种群内适应度表现最优的个体作为最优解，结束该时间步长下的最优虚拟头车序列求解；

步骤3.5：选择操作，根据种群内所有个体所表现出的适应度，通过轮盘赌选择方式确定优良个体，保留进入至下一代；

步骤3.6：交叉操作，在当前种群内以成对形式，通过单点交叉方式在随机交叉位置交换两个个体间的染色体，产生新的个体进入种群；

步骤3.7:变异操作，以变异概率使种群内所有个体中的部分基因发生改变以产生全新的个体，在经过遗传操作后，下一代种群重新进入步骤3.2的评估阶段。

进一步的，所述子队列头车控制层的模型为

式中j为长队列内虚拟头车所在的顺序位置，ei t为子队列头车i与前车i-1之间实际车距与期望车辆间距的偏差，ai t+1为子队列头车i在t+1时刻的加速度，vi t为子队列头车i在t时刻的速度，vi-1t为子队列头车的前车i-1在t时刻的速度，vj t为子队列头车前方相邻的子队列头车j在t时刻的速度，k

进一步的，所述子队列跟随车控制层的模型为

式中，ei t为子队列跟随车i与前车i-1之间实际车距与期望车辆间距的偏差，ait+1为子队列跟随车i在t+1时刻的加速度，vi t为子队列跟随车i在t时刻的速度，vi-1t为子队列跟随车的前车i-1在t时刻的速度，vj t为子队列跟随车所属子队列的头车j在t时刻的速度，K

本发明的有益效果是：

(1)引入子队列相邻头车间速度差参数、子队列跟随车与子队列头车的速度差参数后的自动驾驶车辆长队列控制模型，有效减弱了头车速度变化造成的速度扰动影响，使长队列车辆速度分布更加收敛，队列车辆提速过程更加平缓。所建模型在各类加减速场景下均能对头车速度波动做出合理应对，所有长队列车辆能够在20s内适应头车速度变化产生的速度扰动，在360s内实现了运行状态的再次稳定，有效改善了长队列车辆控制中速度波动造成的不良影响。

(2)长队列内由虚拟头车划分出的各子队列车辆未呈现出平均分布的现象，说明目前已有的子队列均匀分布方案未考虑队列车辆当前行驶状态下的影响。其次，当头车速度发生变化时，所建模型在同一时刻得出了适应当前速度变化的最优解，所建模型对头车变速具有较强的识别度。

(3)与现有控制模型相比，本文所建模型使跟随车速度震荡得到有效控制，减弱了长队列跟随车受到的速度扰动影响，降低了长队列车辆行驶过程中的车辆平均能耗，其中在头车急减速后60s内队列车辆平均能耗减少了17.00％。

(4)当长队列车辆总数增多时，长队列跟随车首次速度震荡的上升幅度更小，长队列车辆完成提速的平均延迟时间更少。当长队列头车速度变化速率越大时，所产生的速度扰动影响就越剧烈，该速度扰动在头车变速后10s时影响最大，其中头车加速行为所造成的速度扰动影响幅度要强于减速行为，但加速行为的速度扰动消散速率更快。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例的附图作简单地介绍，显而易见地，下面描述中的附图仅仅涉及本发明的一些实施例，而非对本发明的限制。

图1为本发明长队列分级控制模型框架示意图；

图2为a)队列平均速度变化情况；b)队列最优虚拟头车序列变化图；

图3为本发明头车加速状态下长队列车辆速度标准差对比图；

图4为本发明头车减速状态下长队列车辆速度标准差对比图；

图5为本发明头车急减速状态下长队列车辆速度标准差对比图；

图6本发明长队列车辆平均速度对比图；

图7本发明加速状态下长队列车辆标准差对比图；

图8本发明减速状态下长队列车辆标准差对比图

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例的附图，对本发明实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

除非另外定义，本公开使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本公开中使用的“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。

下面结合附图和实施例对本发明进一步说明。

如图1所示，一种多虚拟头车结构下的长队列分级控制模型方法，包括以下步骤：

步骤1：路侧控制端采集长队列车辆行驶数据。

步骤2：将步骤1所述行驶数据载入最优虚拟头车序列计算模型。

最优虚拟头车序列计算模型作为上层模型，所考虑的目标函数应涵盖自动驾驶车辆长队列的行驶效率与长队列状态的稳定性，其中长队列行驶效率通过自动驾驶车辆长队列虚拟头车的行驶速度在指定时间步长处的偏离程度表示，当虚拟头车速度越趋近头车速度，长队列车辆行驶效率越高；长队列稳定性则通过自动驾驶车辆长队列虚拟头车与头车在指定时间步长范围内的加速度累积阻尼比进行表示。根据长队列运行过程中的车辆状态，得出最优虚拟头车序列计算模型计算成本函数的两项评价指标：长队列虚拟头车与头车速度偏差程度、长队列稳定性指标。第一项通过该时间步长处长队列虚拟头车和头车的速度差平方值与头车速度平方值的比值进行计算，第二项通过该时间步长前长度为T的时间段内长队列虚拟头车与头车的加速度累积阻尼比进行计算，计算公式如下：

式中，C

综合两项指标确定成本函数，其计算公式如下：

式中，Z

自动驾驶车辆长队列的核心在于长队列，处于长队列行驶状态的自动驾驶车辆总数至少为6辆，才能够形成一个长队列结构，因此长队列车辆总数N应满足：

N≥6 (4)

长队列内共计N辆自动驾驶车辆，其中存在n辆具有子队列头车属性的虚拟头车，将子队列头车属性通过0-1变量进行定义，即γi等于1时长队列内第i辆跟随车具有子队列头车属性，能够获取到长队列头车的状态变化信息，由此得出：

长队列头车作为整个队列的头车，同样具有子队列头车属性，可将其作为第一辆虚拟头车，所对应的子队列头车属性γ0始终等于1，即

γ

将式(4)，式(5)，式(6)结合，可得虚拟头车总数n应满足：

1≤n＜N(7)

车辆队列结构约束下，子队列内车辆数均应大于等于3，因此自动驾驶车辆长队列中的所有子队列内部车辆数均应大于等于3，即

为确保式(8)的约束，自动驾驶车辆长队列内第一个子队列与最后一个子队列均需要确保子队列头车后存在两辆及以上的跟随车辆，因此这两处子队列应满足：

γ

γ

自动驾驶车辆长队列内除第一个子队列与最后一个子队列外，其他子队列同样要确保子队列头车后存在两辆及以上的跟随车辆，即两辆虚拟头车至少间隔两辆跟随车辆，即

综上所述，建立最优虚拟头车序列计算模型如下，模型决策变量为子队列头车属性状态值。

步骤3：步骤2模型输出的结果是否满足遗传算法终止条件，若满足，则输出最优虚拟头车序列；若不满足，则继续依次进行选择操作、交叉操作和变异操作。

最优虚拟头车序列计算模型通过遗传算法进行求解，所述步骤3中遗传算法的具体步骤如下:

步骤3.1：初始化，将长队列内的子队列头车属性作为求解变量，采用二进制编码构建个体，生成符合要求的初代种群，确定算法参数，如表1所示。

表1遗传算法参数表

步骤3.2：贪心修复，对不满足模型约束的个体进行编码修复，若所得结果中子队列头车属性被赋予连续多辆车，此时子队列车辆数量约束不成立，对不满足约束的各车辆的成本值进行对比，保留相邻车辆中成本值最优的车辆作为子队列头车，取消相邻车辆的子队列车属性，使求解结果满足模型约束；

步骤3.3：个体评估，根据种群内的所有个体情况，计算得出每个个体的适应度；

步骤3.4：进化代数判断，当代数未达到终止代数时，对种群进行步骤3.4至步骤3.6的遗传操作；当达到终止代数，则选择当前种群内适应度表现最优的个体作为最优解，结束该时间步长下的最优虚拟头车序列求解；

步骤3.5：选择操作，根据种群内所有个体所表现出的适应度，通过轮盘赌选择方式确定优良个体，保留进入至下一代；

步骤3.6：交叉操作，在当前种群内以成对形式，通过单点交叉方式在随机交叉位置交换两个个体间的染色体，产生新的个体进入种群；

步骤3.7:变异操作，以变异概率使种群内所有个体中的部分基因发生改变以产生全新的个体，在经过遗传操作后，下一代种群重新进入步骤3.2的评估阶段。

步骤4：车辆队列控制模型以步骤3最优虚拟头车序列为基础，将长队列相邻子队列头车的速度差、子队列跟随车与子队列头车的速度差分别引入控制层，得到子队列头车控制层模型和子队列跟随车控制层模型；通过对子队列头车与子队列跟随车的同步控制，更新长队列内所有自动驾驶车辆的运行状态，并用于下一时间步长的最优虚拟头车序列计算。

车辆队列控制模型以最优虚拟头车序列为基础，通过虚拟头车将长队列划分为多个子队列，根据当前长队列内自动驾驶车辆的子队列头车属性将长队列内的所有跟随车区分为子队列头车与子队列跟随车。长队列控制模型中的决策变量为长队列指定车辆的行驶速度、加速度与位置，其中子队列头车控制层控制长队列内所有子队列头车，子队列跟随车控制层控制自动驾驶车辆长队列内所有子队列内的跟随车辆。

目前队列车辆行驶以协同自适应巡航控制为主，其中由加州大学伯克利分校PATH实验室提出的CACC车辆跟驰模型结构简单，并且通过真车试验验证，该模型参数如下：

式中，ei t为车辆i与车辆i-1之间实际车距与期望车辆间距的偏差，xi t为车辆i在t时刻的位移量，ai t为车辆i在t时刻的加速度，vi t为车辆i在t时刻的速度，T

在此队列控制基础上，所建车辆队列控制模型将长队列相邻子队列头车的速度差、子队列跟随车与子队列头车的速度差引入模型控制层，通过虚拟头车划分出的多个子队列实现对长队列内所有自动驾驶跟随车辆的有效控制，在车辆状态更新后重新输入最优虚拟头车序列计算模型，在循环中对自动驾驶车辆长队列持续进行稳定控制，确保长队列内车辆的安全行驶。

根据最优虚拟头车序列计算模型，子队列头车属性为1时长队列内对应的自动驾驶车辆具有子队列头车属性，因此可通过该属性确定子队列头车前方相邻子队列头车的速度差控制参数，可得：

式中，j为长队列内虚拟头车所在的顺序位置，ei t为子队列头车i与前车i-1之间实际车距与期望车辆间距的偏差，ai t+1为子队列头车i在t+1时刻的加速度，vi t为子队列头车i在t时刻的速度，vi-1t为子队列头车的前车i-1在t时刻的速度，vj t为子队列头车前方相邻的子队列头车j在t时刻的速度，k

具体的，所述子队列头车控制层的模型为

式中j为长队列内虚拟头车所在的顺序位置，ei t为子队列头车i与前车i-1之间实际车距与期望车辆间距的偏差，ai t+1为子队列头车i在t+1时刻的加速度，vi t为子队列头车i在t时刻的速度，vi-1t为子队列头车的前车i-1在t时刻的速度，vj t为子队列头车前方相邻的子队列头车j在t时刻的速度，k

根据最优虚拟头车序列计算模型的输出结果，自动驾驶车辆长队列内跟随车辆均被划分进入各自所属的子队列内，在子队列头车的引导下进行相应的队列控制。子队列跟随车控制层控制对象为不具备子队列头车属性的长队列跟随车辆，在安全距离的约束下，子队列跟随车辆受到自身前车、所属子队列头车两方的状态影响。自动驾驶车辆长队列被虚拟头车划分为多个子队列，通过跟随车位置与虚拟头车序列可以确定跟随车所属的子队列编号，同属同一子队列的跟随车可以获取到子队列头车的运行状态信息。基于此，在车辆控制上引入子队列跟随车与子队列头车的速度差控制参数，通过前车与子队列头车的运行状态，子队列跟随车控制层能够得出下一时刻车辆应赋予的加速度，即：

式中，ei t为子队列跟随车i与前车i-1之间实际车距与期望车辆间距的偏差，ait+1为子队列跟随车i在t+1时刻的加速度，vi t为子队列跟随车i在t时刻的速度，vi-1t为子队列跟随车的前车i-1在t时刻的速度，vj t为子队列跟随车所属子队列的头车j在t时刻的速度，K

子队列跟随车控制层根据车辆是否属于长队列头车所在子队列，区分为两种情况。当车辆属于长队列头车所在子队列，不考虑子队列跟随车与子队列头车间的速度差参数，原因在于控制模型需要涵盖长队列单头车控制场景，而单头车控制场景下已考虑车辆速度差参数，且长队列内不存在其他子队列头车；当车辆不属于长队列头车所在子队列，则在车辆控制上加入子队列跟随车与子队列头车间的速度差，子队列加入速度差参数可以确保长队列内的跟随车能够更加贴合长队列头车的行驶状态。

具体的，所述子队列跟随车控制层的模型为

式中，ei t为子队列跟随车i与前车i-1之间实际车距与期望车辆间距的偏差，ait+1为子队列跟随车i在t+1时刻的加速度，vi t为子队列跟随车i在t时刻的速度，vi-1t为子队列跟随车的前车i-1在t时刻的速度，vj t为子队列跟随车所属子队列的头车j在t时刻的速度，K

实施例1长队列控制分析

采用SUMO构建高速公路主线道路仿真场景，通过长队列控制仿真实验确定了长队列车辆的最优控制参数权重值，并验证了虚拟头车序列计算模型对于队列速度扰动的及时反应。

为确认长队列控制模型内子队列头车控制层控制参数权重值，在现有队列控制模型控制基础上首先分析长队列加入单个子队列头车与头车的速度差是否能够使长队列控制更加稳定，将该参数权重值由0增至0.10，增幅为0.025，进行多次仿真试验。当子队列头车间速度差参数权重统一采用0.100时，长队列控制效果最优。

为确认长队列控制模型内子队列跟随车控制层控制参数权重值，在现有队列控制模型控制基础上对子队列跟随车与子队列头车的速度差参数进行权重衡量，将该参数权重值由0增至0.20，进行多组仿真试验。在综合考虑扰动影响与行驶效率的前提下，长队列分级控制模型内子队列跟随车与子队列头车的速度差参数所对应的权重值K3确定为0.100。

最优虚拟头车序列计算模型通过遗传算法求解得出最优虚拟头车序列，将长队列划分为多项虚拟头车引导下的子队列，使跟随车辆及时对长队列头车速度变动所造成的扰动效应做出反应。试验过程中，长队列头车于起始100s时进行加速度为2m/s2的匀加速运动，持续10个时间步长，于起始200s时进行减速度为3m/s2的匀减速运动，持续20个时间步长，记录自起始2500步长内长队列内所有自动驾驶车辆的运行状态，输出最优虚拟头车序列计算模型的结果，输出如图2所示。

图2(a)为长队列车辆平均速度在三个阶段的变化情况，图2(b)为队列速度变化下所对应的各阶段最优虚拟头车序列结果，染色色块表示该时刻长队列内的子队列头车。如图2所示，第一阶段中长队列进入控制区间后，长队列跟随车速度逐渐趋近头车速度，长队列逐步进入稳定状态，在第1000步长前自动驾驶车辆长队列内子队列头车逐步移动至长队列的后半段，主要原因在于长队列内位置靠前的跟随车行驶速度已与长队列头车保持一致，而长队列位置靠后的跟随车仍在进行速度调整，证明本文所建模型基于长队列车辆当前行驶状态始终在进行优化求解。第二阶段，长队列头车进行了加速动作，在头车变速的同一时刻内最优虚拟头车计算模型得出了适应当前速度变化的最优解，使长队列及时被划分为8组子队列，使长队列跟随车均能对加速动作做出相应反应。其中每组子队列内车辆并不呈现平均分布的现象，长队列中部的子队列，如长队列内的6号子队列内保持有四辆子队列跟随车，说明子队列均匀分布方案未充分考虑车辆当前行驶状态下的影响。相较现有研究中虚拟头车均匀分布的方案，本文所建虚拟头车序列计算模型以车辆行驶状态为依据，将虚拟头车有效分布在长队列指定位置，使长队列跟随车受到的速度扰动被有效遏制，长队列车辆实现更优的控制效果。第三阶段，长队列头车进行了减速动作，本文所建模型同样及时做出反应，将长队列划分为了更加密集的9组子队列，使队列所有跟随车辆在第一时间内感知到长队列头车的速度调整，充分降低速度扰动造成的不良影响。

实施例2模型对比分析

基于SUMO设计高速公路仿真实验模拟环境，设定高速公路主线道路上处于长队列状态行驶的所有车辆以恒定的时间步长进行信息交互与状态更新，车辆行驶状态将通过核心控制端输入至长队列分级控制模型，通过遗传算法对最优头车序列展开求解。通过求解出的最优虚拟头车将长队列划分多个虚拟头车引导下的子队列，对子队列头车与子队列跟随车分别进行控制。在指定时间步长处，长队列头车将进行持续步长的加减速行为，长队列头车速度变化所产生的速度扰动会传递至长队列内所有跟随车，长队列内所有跟随车辆均会由于该速度扰动做出相应加减速反应。

通过对比现有PATH实验室模型与长队列分级控制模型的加速状态下的仿真对比结果验证本文所建模型的安全有效性。

仿真实验基础参数如表2所示：

表2模型对比仿真实验基础参数表

由图3可知，长队列分级控制模型控制下的队列车辆速度标准差均值与中位值明显低于现有队列控制模型，说明所建模型使长队列跟随车辆有效适应速度扰动，队列车辆以更加稳定的状态持续行驶。

长队列车辆行驶过程中的能耗作为最为直观的评价指标，需要纳入模型对比范畴。根据长队列车辆行驶过程中的各项数据，得出长队列头车提速后60s、120s与500s内队列车辆的平均能量损耗，如表3所示。从表3可以看出，在头车提速后的一分钟内，现有模型控制下队列平均能耗为1509326J，本文所建模型控制下平均能耗为1360339J，车辆平均能耗降低了9.87％；在头车提速后的两分钟内，现有模型控制下队列平均能耗为2444988J，本文所建模型控制下平均能耗为2296609J，车辆平均能耗降低了6.07％；在头车提速后的500秒内，现有模型控制下队列平均能耗为8970809J，所建模型控制下平均能耗为8797093J，车辆平均能耗降低了1.94％。

表3头车加速状态下队列车辆平均能量损耗对比表

因此，所建模型使长队列跟随车受到头车加速所产生的速度扰动的影响更小，使长队列整体表现出较强的扰动适应能力，同时速度扰动的削减使跟随车辆尽快摆脱了速度震荡过程，有效降低了长队列车辆行驶过程中的能量损耗。

将通过对比现有PATH实验室模型与长队列分级控制模型的加速状态下的仿真对比结果验证本文所建模型的安全有效性。

仿真实验基础参数如表2所示。

由图4可知，长队列分级控制模型控制下的队列车辆速度标准差均值与中位值明显低于现有队列控制模型，且速度标准差始终控制在1.90m/s以下，说明本文所建模型控制下长队列跟随车的速度分布更加集中，长队列车辆对于速度扰动的处理更加合理。

根据长队列车辆行驶过程中的各项数据，得出长队列头车减速后60s、120s与500s内队列车辆的平均能量损耗，如表4所示：

表4头车减速状态下队列车辆平均能量损耗对比表

从表4可以看出，在头车减速后的一分钟内，现有模型控制下队列平均能耗为1338411J，所建模型控制下平均能耗为1164680J，车辆平均能耗降低了12.98％；在头车减速后的两分钟内，现有模型控制下队列平均能耗为1898788J，所建模型控制下平均能耗为1722914J，车辆平均能耗降低了9.26％；在头车减速后的500秒内，现有模型控制下队列平均能耗为5156930J，所建模型控制下平均能耗为4998436J，车辆平均能耗降低了3.07％。因此，所建模型使头车减速所产生的速度扰动得到有效削减，充分降低了长队列跟随车速度波动幅度，减少了长队列车辆行驶过程中的能量损耗。

通过对比现有PATH实验室模型与长队列分级控制模型的急减速状态下的仿真对比结果验证本文所建模型的安全有效性。

仿真实验基础参数如表2所示。

图5展示了长队列头车急减速下队列所有车辆的速度标准差对比，相比现有队列模型，本文所建模型控制下长队列车辆速度标准差均值与中位数更低，且全程速度标准差始终低于3m/s，说明长队列车辆受到速度扰动的影响更小，跟随车辆合理应对了头车急减速所造成的速度扰动。

根据长队列车辆行驶过程中的各项数据，得出长队列头车急减速后60s、120s与500s内队列车辆的平均能量损耗，如表5所示。

表5头车急减速状态下队列车辆平均能量损耗对比表

从表可以看出，在头车急减速后的一分钟内，现有模型控制下队列平均能耗为1549520J，所建模型控制下平均能耗为1286106J，车辆平均能耗降低了17.00％；在头车急减速后的两分钟内，现有模型控制下队列平均能耗为1942755J，所建模型控制下平均能耗为1673921J，车辆平均能耗降低了13.84％；在头车急减速后的500秒内，现有模型控制下队列平均能耗为3906202J，所建模型控制下平均能耗为3662872J，车辆平均能耗降低了6.23％。由上述数据可以看出，所建模型能够显著降低队列车辆行驶的能量消耗，尤其在车辆速度震荡过程中，本文所建模型能够为每个长队列车辆降低17％的能量损耗。

综上所述，相较现有队列控制模型，所建模型在各类加减速场景下均能对头车速度波动做出合理应对，在确保长队列行驶安全性的基础上，使跟随车速度震荡过程得到有效控制，有效减弱了长队列跟随车受到的速度扰动影响，降低了长队列车辆行驶过程中的车辆平均能耗，提高了长队列车辆行驶的稳定性。

实施例3长队列车辆数影响分析

自动驾驶车辆长队列在高速公路行驶过程中，整个长队列的车辆数量是分级控制模型控制的核心因素。

试验过程中，自动驾驶车辆长队列以时速25m/s匀速行驶，长队列头车于仿真起始后5s进行加速度为2m/s2的匀加速运动，持续20个时间步长，记录头车加速后4000步长内长队列内所有自动驾驶车辆的运行状态，长队列车辆总数由10辆增至30辆，增幅为5，进行多组仿真实验，仿真实验基础参数如表6所示。

表6队列车辆总数影响分析实验参数表

根据仿真所得数据，绘制不同长队列车辆总数下长队列车辆平均速度与时间的关系图，如6所示。

根据图6得出不同长队列车辆总数下队列车辆全部完成提速的时间，为了评估自动驾驶车辆长队列内车辆受到自身前方车辆的制约效果，求得长队列车辆完成提速的平均延迟时间，如表7所示。

表7队列车辆提速消耗时间对比表

由6可知，当长队列头车速度发生变动时，长队列内跟随车辆均会受到速度扰动影响，队列车辆速度在第500时间步长内出现反复抖动的现象。如表所示，伴随着长队列内车辆总数的增加，长队列跟随车辆全部完成提速所消耗的时间逐渐增长，但队列车辆完成提速的平均延迟时间呈现下降的趋势，说明长队列控制提升了队列内车辆的行驶效率，跟随车辆能够以更快的速率达到头车当前速度。另一方面，图1中在长队列头车提速前100时间步长内，队列车辆数越少的长队列，其跟随车速度向上的振幅越大，但速度震荡结束的时间也越早，其主要原因在于车辆总数较少的长队列在速度扰动传递过程中受到速度震荡影响的跟随车数量少，速度扰动影响在队列尾车上集中体现，当队列车辆数较多时队列尾车会受到速度扰动传递中的叠加影响，反而制约了尾车速度向上波动的趋势。综上所述，当长队列车辆总数增多时，长队列跟随车首次速度震荡的上升幅度更小，长队列内跟随车辆完成提速的平均延迟时间更少

实施例4长队列头车加速度影响分析

自动驾驶车辆长队列在高速公路行驶过程中，头车加速度是引起长队列所有跟随车速度波动的关键，故以长队列头车加速度作为变量，通过仿真结果分析长队列头车加速度对长队列车辆行驶造成的影响效应。

第一部分为加速度为正值的情况，仿真实验基础参数如表8所示：

表8队列头车加速度影响分析实验参数表

根据仿真所得数据，绘制不同加速度情况下长队列车辆速度标准差与时间的关系图，如图7所示。根据图7得出不同加速度情况下队列速度标准差的极值情况，如表9所示。如图7所示，长队列头车的加速行为会引起队列跟随车的速度震荡，三条曲线所展示出的速度标准差变化趋势基本一致，当头车加速度越大时，队列车辆速度标准差增加的幅度更高。

表9头车加速状态下队列速度标准差极值表

如表9所示，在第100时间步长处，长队列车辆速度标准差达到最大值，其中当加速度为3.0m/s2时速度标准差最大值为2.58m/s，当加速度为1.0m/s2时速度标准差最大值为1.68m/s，说明越小的加速度造成的速度扰动影响就越小。在第660时间步长处，长队列车辆速度标准差出现极大值，说明在头车提速61s时速度扰动完全消散，长队列车辆进入稳定提速过程。在第3250步长处，队列车辆速度标准差均低于0.05m/s，此时刻后长队列车辆基本追平头车速度，长队列以稳定速度持续匀速行驶。

第二部分为加速度为负值的情况，仿真实验基础参数如表10所示。

表10队列头车减速度影响分析实验基础参数表

根据仿真所得数据，绘制不同加速度情况下长队列车辆速度标准差的关系图，如图8所示。

根据图8得出不同减速度情况下队列所示标准差的极值情况，如表11所示。

表11头车减速状态下队列速度标准差极值表

由图8所示，长队列头车的减速行为对队列跟随车造成了与加速行为下变化趋势相同的速度扰动影响，伴随着头车减速度逐渐增大，队列车辆的速度波动程度更加剧烈。如表11所示，在第100时间步长处，长队列车辆速度标准差达到最大值，其中当减速度为3.0m/s2时速度标准差最大值为2.29m/s，当减速度为1.0m/s2时速度标准差最大值为1.41m/s，说明减速度大小决定着速度扰动影响程度。在第660时间步长处，长队列车辆速度标准差同样出现极大值，说明在头车减速61s后长队列跟随车进入稳定减速过程。在第3285步长处，队列车辆速度标准差均低于0.05m/s，此时刻后长队列车辆基本追平头车速度，长队列以当前头车速度持续匀速行驶。结合头车加速行为下的队列数据，可以得出在100时间步长处头车加速行为所对应的速度标准差最值要高于头车减速行为，在660时间步长处队列速度标准差基本相等。

综上所述，当长队列头车进行变速行为时，加速度越大所产生的速度扰动就越剧烈，在头车变速后10s时速度扰动影响最大，变速66s后队列车辆速度标准差稳定下降，长队列跟随车行驶速度向头车速度持续靠拢。另一方面，长队列头车加速行为所造成的速度扰动影响在速度震荡过程要强于头车减速行为，但头车加速行为的速度扰动消散速率更快。

以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，当可利用上述揭示的技术内容作出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。