论文标题：Large-Scale Vehicle Platooning: Advances and Challenges in Scheduling and Planning Techniques

期刊：Engineering

DOI：https://doi.org/10.1016/j.eng.2023.01.012

微信链接：点击此处阅读微信文章

在智能交通系统的研究领域中，车辆编队调度和规划技术正逐渐成为提升交通效率、降低能源消耗的核心要素。同济大学陈广教授带领的科研团队在中国工程院院刊《Engineering》发表的题为 “Large-Scale Vehicle Platooning: Advances and Challenges in Scheduling and Planning Techniques” 的综述性文章，聚焦大规模车辆编队调度和规划关键技术展开深入探讨。该团队成员来自多所高校和科研机构，他们全面梳理了车辆编队调度和规划技术的发展进程，详细剖析了各类相关技术及其应用场景，深入探讨了当前面临的挑战并展望未来发展方向，为推动该技术的研究与应用提供了极具价值的参考 。

图1. 文章的研究范围和章节安排。研究范围包括编队宏观调度和规划的概念、技术、应用项目与未来发展。GCDC：协同驾驶挑战赛；EnergyITS：能源智能交通系统；PATH：先进运输技术合作伙伴。

1. 车辆编队研究历史

技术发展历程：从早期专注编队控制算法收敛性分析，发展到复杂场景仿真，再到如今多个现实项目试运行。

相关综述研究：现有综述多集中于编队控制、通信等微观层面，缺乏对调度和规划技术的宏观总结。

实践项目综述：以EnergyITS、KONVOI等项目为例，分析其应用技术、影响和不足，凸显宏观调度和规划对编队技术的重要性。

2. 调度规划通用技术

基于规则的方法：包含启发式方法、有限状态机和人工势场法。启发式方法利用经验构建函数获取次优解，实时性好；有限状态机描述智能体状态切换，但处理复杂环境能力有限；人工势场法模拟势场规划路径，易陷局部最优，常与其他技术结合。

基于模型的方法：车辆系统动力学模型为控制算法提供理论支持，用于估算行驶时间等；模型预测控制（MPC）依据模型进行控制，计算时间长，但性能精确，应用时需平衡精度与速度。

优化方法：整数线性规划（ILP）和动态规划（DP）是常见的优化方法。ILP可解决路径规划等问题，大规模场景下需结合启发式方法；DP分解问题求解，可用于车辆加入编队的路径规划等。

数据驱动的学习方法：监督学习用于编队车辆控制、交通流模型学习等；强化学习适用于编队调度决策，可减少行驶时间和油耗，但存在训练效率低、依赖仿真环境等问题。

多智能体系统：博弈论用于编队成组匹配、资源调度等；共识算法实现车辆间速度、轨迹等的共识；多智能体强化学习（MARL）用于多智能体协调调度，但训练难度大。

3. 编队调度和规划的应用

地图级编队成组调度：通过DP、MILP等方法规划车辆合并路径，减少油耗，但目前多在仿真环境测试，未来需解决大规模车辆信息共享和网络路由问题。

编队成组速度规划：研究车辆编队成组时的速度规划，考虑油耗、时间等因素，开发了相关逻辑协议和仿真平台，但实验存在局限性，需进行大规模非均匀车辆实验。

信号交叉口处的编队调度：操纵车辆方法通过调整速度、分离编队等策略使车辆在绿灯期间通过交叉口；操纵交通灯方法调整信号灯偏移量等，目前多数研究处于仿真阶段，未来需扩展到大规模交叉口网络。

编队变道规划：利用V2V通信和多种方法实现编队变道，如MPC规划轨迹保证稳定性，但现有研究多基于仿真，需考虑实际问题和混合交通情况。

编队的资源分配调度：包括通信资源和计算资源分配。通信资源分配优化性能与带宽平衡，保障网络安全；计算资源分配通过RL等方法确定任务卸载和恢复方案，但存在通用性不足等问题。

使用调度技术的编队项目：EnergyITS、GALVP等项目开展实际测试，在货运和客运领域应用，如矿山运输、公共汽车编队调度等，但仍面临通信协议不统一、法规不完善等问题。

图2. 车辆编队在交叉路口附近运行的场景说明。（a）车辆编队可以使用 V2X 与交通灯设备通信，传递空间维度信息，快速通过交叉路口。（b）在有信号灯的交叉路口处的车辆编队在时间维度上的规划速度轨迹。较粗的红色虚线表示交通灯的红色时间窗口，较粗的绿色虚线表示交通灯的绿色时间窗口。

4. 仿真平台和数据集

仿真平台：交通仿真平台如SUMO、VISSIM用于模拟车辆行驶；网络仿真平台如NS - 3、OMNET++模拟信息交互；集成仿真平台如iTETRIS、Veins结合两者功能，为算法测试和训练提供环境。

数据集：美国、欧洲和亚洲记录了相关数据集，用于验证算法性能，但目前专门用于编队的数据集相对不足，随着项目开展有望改善。

5. 挑战与讨论

缺乏大规模的真实车辆验证：现有算法难以适应复杂环境，货物调度和编队成组算法无法有效验证，且缺乏统一评价体系和实际数据集。

实际调度中的通信挑战：实际通信存在延迟、安全隐私等问题，需采用分布式控制和人工智能解决方案处理动态通信信道。

编队中的人机交互模式：编队驾驶模式下人机交互研究少，人类接管编队驾驶存在风险，未来需加强相关研究。

基于学习的方法的应用：强化学习算法在训练效率和迁移应用方面存在瓶颈，需改进经验回放策略、提供特定数据集等。

高效的计算资源调度：车辆编队计算量增加，现有计算资源调度方法需改进，座舱计算是新兴的有效方法。

经济效益的分配：车辆编队经济利益分配未得到充分研究，需用博弈论设计规则，合理分配利益，激励各方形成编队。

智能编队运输系统：编队技术有望应用于城市客运，提高运输效率，但需解决车辆编队的组织和分离等问题。

现实世界中编队项目的未来发展：现有项目需迭代更新，统一通信协议和测试标准，突破法律法规限制，推动编队技术广泛应用。

6. 结论：

车辆编队调度和规划技术对编队发展至关重要，虽取得进展，但仍存在缺陷。未来应加强实际道路测试，改进算法，推动技术统一协调发展，提高运输效率。

引用：

Jing Hou, Guang Chen, Jin Huang, Yingjun Qiao, Lu Xiong, Fuxi Wen, Alois Knoll, Changjun Jiang. Large-Scale Vehicle Platooning: Advances and Challenges in Scheduling and Planning Techniques. Engineering, 2023, 28(9): 26–48

开放获取论文：

https://doi.org/10.1016/j.eng.2023.01.012

更多内容

新型控制框架为智能网联汽车编队安全保驾护航

汽车主动悬架系统研究进展

速看！2025全球十大工程成就征集启动

周婷婷教授、王广基院士团队发现减轻栀子苷肝毒性新靶点，提出药源性肝损伤防治新方向

Engineering征稿启事：人工智能赋能工程科技