【智能網(wǎng)聯(lián)汽車自主性換道決策機(jī)制探究6800字（論文）】

智能網(wǎng)聯(lián)汽車自主性換道決策機(jī)制研究目錄TOC\o"1-2"\h\u20741主要流程 1195902智能網(wǎng)聯(lián)汽車自主性換道決策機(jī)制分析 264752.1智能網(wǎng)聯(lián)汽車系統(tǒng)構(gòu)成 2219732.2車載決策單元 294322.3底層控制單元 387892.4環(huán)境感知單元 3166382.5網(wǎng)絡(luò)通信單元 4234483車輛動力學(xué)建模 4133714換道軌跡規(guī)劃 5195705控制方案設(shè)計 628455.1控制方案設(shè)計系統(tǒng)結(jié)構(gòu)設(shè)計 6123135.2基于改進(jìn)的神經(jīng)網(wǎng)絡(luò)滑?？刂?6310716實驗結(jié)果分析 1090426.1基于Matlab-Simulink的數(shù)值仿真 11186477結(jié)論 124120參考文獻(xiàn): 13摘要：智能網(wǎng)聯(lián)汽車的出現(xiàn)可以提高人們的交通出行效率、減少環(huán)境污染和降低事故發(fā)生概率，近年來，智能網(wǎng)聯(lián)汽車技術(shù)隨著人工智能、計算機(jī)、通信等技術(shù)的突破有了很大程度上的發(fā)展，是各領(lǐng)域?qū)W者研究的熱點，但要想完全實現(xiàn)智能網(wǎng)聯(lián)汽車在道路上安全高效行駛，還有許多問題需要解決。在智能網(wǎng)聯(lián)汽車的組成系統(tǒng)中，換道是車輛最基礎(chǔ)的主要駕駛行為之一，決策系統(tǒng)是車輛行駛的指揮中心，好的決策方法對于車輛來說十分重要，所以，本文根據(jù)智能網(wǎng)聯(lián)汽車的特征和優(yōu)勢，基于傳統(tǒng)的換道決策模型，提出適用于智能網(wǎng)聯(lián)汽車的自主性換道決策模型。結(jié)果表明：論文提出的單車自主性換道模型和車輛協(xié)同換道決策模型均減少了車輛行駛延誤、換道次數(shù)和緊急制動情況的發(fā)生，降低了車速的離散程度和車輛碰撞的危險性，提高了通行能力和交通流的效率、均質(zhì)性、安全性、舒適性。關(guān)鍵詞：智能網(wǎng)聯(lián)汽車；自主換道；行為決策1主要流程本次選題及論文主要研宂在高速公路單向雙車道的基本路段上，智能網(wǎng)聯(lián)汽車的自主性換道決策模型，研宄內(nèi)容包括以下三個方面：（１）智能網(wǎng)聯(lián)汽車換道決策機(jī)制分析根據(jù)已有研究中智能網(wǎng)聯(lián)汽車的功能設(shè)計和特征，針對本文的研究內(nèi)容，提出智能網(wǎng)聯(lián)汽車換道決策模型研究的前提假設(shè)?；诨炯僭O(shè)，提出一種智能網(wǎng)聯(lián)汽車的換道決策機(jī)制，并簡要地闡述智能網(wǎng)聯(lián)汽車換道決策的機(jī)制流程。（２）建立智能網(wǎng)聯(lián)汽車的換道決策模型基于研宄的前提假設(shè)，針對智能網(wǎng)聯(lián)汽車換道決策機(jī)制流程中的主要環(huán)節(jié)建立車輛協(xié)同換道決策模型。車輛協(xié)同換道決策模型中，考慮周圍兩輛車之間的換道需求沖突和換道決策協(xié)作。本文用博弈論模型，研宄兩輛車之間的協(xié)同換道決策。因此，文中提出的智能網(wǎng)聯(lián)汽車自主性換道決策模型由單車自主性換道決策模型和車輛協(xié)同換道決策模型構(gòu)成。（３）數(shù)值仿真及交通流影響分析基于Matlab軟件搭建一個微觀仿真環(huán)境，對本文提出的智能網(wǎng)聯(lián)汽車自主性換道決策模型進(jìn)行仿真實驗，分析其對交通流的影響。在實驗中，將本文提出的單車換道決策模型、車輛協(xié)同換道模型分別與傳統(tǒng)的換道決策模型進(jìn)行比較。模型的比較從交通流效率、均質(zhì)性、安全性和舒適性等四個方面進(jìn)行分析。2智能網(wǎng)聯(lián)汽車自主性換道決策機(jī)制分析2.1智能網(wǎng)聯(lián)汽車系統(tǒng)構(gòu)成智能網(wǎng)聯(lián)汽車以汽車為載體，包括車載決策單元、底層控制單元、環(huán)境感知單元和網(wǎng)絡(luò)通信單元等四個主要功能單元，如表所示：單元車栽決策單元底層控制單元環(huán)境感知單元網(wǎng)絡(luò)通信單元構(gòu)成車輛微觀駕駛決策：跟馳換道制動與驅(qū)動電動助力轉(zhuǎn)向自動變速器電子穩(wěn)定系統(tǒng)車載傳感器控制器局域網(wǎng)總線技術(shù)專用短程通信技術(shù)移動通信技術(shù)2.2車載決策單元車載決策單元相當(dāng)于智能網(wǎng)聯(lián)汽車的大腦。車載決策單元根據(jù)環(huán)境感知單元檢測得到的車輛運動狀態(tài)信息和經(jīng)網(wǎng)絡(luò)通信單位傳輸?shù)闹車煌ōh(huán)境信息，做出滿足自身駕駛需求且適合當(dāng)前駕駛環(huán)境的車輛微觀駕駛決策。同時，制定與駕駛決策相匹配的車輛控制指令，下傳給車輛底層控制單元。車載決策單元還可以根據(jù)網(wǎng)絡(luò)通信單元上傳的大量、準(zhǔn)確、實時的信息，預(yù)測短期內(nèi)，周圍駕駛環(huán)境可能發(fā)生的變化。從而，提前做出應(yīng)對駕駛環(huán)境變化的駕駛決策。此外，每輛智能網(wǎng)聯(lián)汽車的車載決策單元能夠通過車載移動互聯(lián)網(wǎng)，接收來自云端等的上層控制指令。每輛智能網(wǎng)聯(lián)汽車服從并執(zhí)行來自上層的局部或全局性控制指令。2.3底層控制單元底層控制單元包括電子穩(wěn)定系統(tǒng)、自動變速器、電動助力轉(zhuǎn)向、制動與驅(qū)動等設(shè)備，負(fù)責(zé)執(zhí)行車載決策單元下達(dá)的車輛控制指令。底層控制單元能夠代替人的手腳，根據(jù)車載決策單元的指令，實施車輛的加速、制動、轉(zhuǎn)向、巡航等駕駛操作，從而實現(xiàn)智能網(wǎng)聯(lián)汽車的自動駕駛。2.4環(huán)境感知單元環(huán)境感知單元由多種車載傳感器構(gòu)成，能夠檢測車輛自身和相鄰車輛的運動屬性。利用(GlobalPositionSystem全球定位系統(tǒng))GPS，可以監(jiān)測得到車輛的位置、速度和車頭偏轉(zhuǎn)角度等信息，GPS的位置測量誤差在2cm以內(nèi)，因此，本文忽略GPS的測量誤差，認(rèn)為獲得的車輛位置信息是準(zhǔn)確的。車載慣性傳感器可以監(jiān)測車輛的縱向加速度、橫向加速度和偏航角度。車輪轉(zhuǎn)向傳感器可以監(jiān)測車輪的偏轉(zhuǎn)角度，油門（或剎車）踏板位置傳感器可以實時監(jiān)測踏板位置。根據(jù)車輪偏轉(zhuǎn)角度和油門（或剎車）踏板的位置，也可經(jīng)計算獲得車輛的縱向加速度、橫向加速度和偏航角度。遍布于車身的傳感器實時監(jiān)測的車輛狀態(tài)信息，再通過(ControllerAreaNetwork--BUS，控制器局域網(wǎng)總線技術(shù)）CAN總線技術(shù)（實現(xiàn)信息共享。像上述經(jīng)過兩種方式得到的車輛加速度信息，經(jīng)CAN總線技術(shù)傳輸，經(jīng)車載決策單位的數(shù)據(jù)中心比較、分析、處理和融合，可獲得較高精度的車輛加速度測量值。同理，亦可得到較高精度的車輛速度、位置等車輛自身運動狀態(tài)測量值。因此，本文不考慮測量誤差。對于與相鄰車輛的相對運動關(guān)系，可通過雷達(dá)、微波、視頻等傳感器直接檢測。比如，利用雷達(dá)等傳感器可以實時監(jiān)測車輛自身分別與前導(dǎo)車、后隨車的車頭間距、相對速度等。根據(jù)環(huán)境感知單位獲得的自身車輛位置、速度、加速度，以及與相鄰車輛的相對運動關(guān)系等信息，有助于自身車輛做出合理的換道決策。2.5網(wǎng)絡(luò)通信單元能網(wǎng)聯(lián)汽車的網(wǎng)絡(luò)通信單元，借助車聯(lián)網(wǎng)技術(shù)，實現(xiàn)了在車內(nèi)網(wǎng)、車際網(wǎng)和車載移動互聯(lián)網(wǎng)三層網(wǎng)絡(luò)間的通信。車內(nèi)網(wǎng)是單車實現(xiàn)智能化、網(wǎng)聯(lián)化的基礎(chǔ)技術(shù)。車輛基于成熟的ＣＡＮ總線技術(shù)也有采用(LocalInterconnnectNetwork，局域互聯(lián)網(wǎng)絡(luò))LIN總線技術(shù)作為CAN總線技術(shù)的補充），實現(xiàn)車內(nèi)所有電器、電子單元的狀態(tài)信息和控制信息的傳輸、交換和共享，從而形成的一個標(biāo)準(zhǔn)化整車網(wǎng)絡(luò)，即車內(nèi)網(wǎng)。車輛自身的綜合運動狀態(tài)信息能夠在車內(nèi)網(wǎng)上實時、準(zhǔn)確的傳輸和共享?；谲噧?nèi)網(wǎng)的信息傳輸和共享，智能網(wǎng)聯(lián)汽車不僅能夠?qū)崿F(xiàn)狀態(tài)感知功能，還可以實現(xiàn)故障自動診斷和智能控制等功能。3車輛動力學(xué)建模針對車輛橫向的建模與控制問題，重點考慮車輛的側(cè)向以及橫擺運動，模型建立如下：式中：y是車輛側(cè)向偏移量，δ是車輛的橫擺角，m是車輛的質(zhì)量，Iz是車?yán)@z軸的轉(zhuǎn)動慣量，kf、kb為前后輪胎的側(cè)偏剛度，lf、lb為車輛前軸后軸到車輛質(zhì)心之間的距離，v是車輛的縱向速度，d(t)代表車輛受到的包括風(fēng)速、摩擦、坡度、通信干擾等造成的未知擾動，u為車輛的方向盤轉(zhuǎn)角。式(1)可簡化為4換道軌跡規(guī)劃合理的換道軌跡規(guī)劃，可以使目標(biāo)車輛舒適、安全地變換到目標(biāo)車道，提高換道效率。因此針對不同的換道場景，分別選擇余弦換道軌跡以及梯形加速度換道軌跡進(jìn)行軌跡規(guī)劃。余弦換道軌跡設(shè)計方便易于改動、換道軌跡最為平滑；在復(fù)雜環(huán)境下方便進(jìn)行連續(xù)換道；缺點是換道軌跡曲率存在突變。換道軌跡函數(shù)為：式中：lb為車道寬度，根據(jù)我國標(biāo)準(zhǔn)車道寬度規(guī)定，一般取lb=3.75m，ld為換道時目標(biāo)車輛的縱向位移。設(shè)定目標(biāo)車在t=5s完成一次換道，則得到連續(xù)換道的余弦換道軌跡，如圖1所示。比于其他換道軌跡，梯形加速度換道軌跡設(shè)計較為復(fù)雜，有多個未知參數(shù)需要設(shè)計。但該換道軌跡曲率連續(xù)無突變、可以良好地擬合實際換道路徑，是現(xiàn)實中常用的換道軌跡，但實現(xiàn)連續(xù)換道需要二次規(guī)劃。綜合考慮換道時間以及乘客舒適度，取橫向最大加速度為4m/s2，車道寬度為3.75m，對應(yīng)的換道軌跡方程為：(4)梯形加速度換道軌跡如圖2所示。5控制方案設(shè)計5.1控制方案設(shè)計系統(tǒng)結(jié)構(gòu)設(shè)計控制系統(tǒng)的最終目的就是通過控制方向盤轉(zhuǎn)角，使得車輛跟蹤期望的換道軌跡?？刂葡到y(tǒng)結(jié)構(gòu)如圖3所示。5.2基于改進(jìn)的神經(jīng)網(wǎng)絡(luò)滑?？刂圃O(shè)計滑模面為：式中：β=diag(β1，β2)，取為正對角矩陣；e為跟蹤誤差。為解決傳統(tǒng)滑模控制中存在的抖振現(xiàn)象和參數(shù)未知的問題，本節(jié)設(shè)計了新型自適應(yīng)非奇異快速終端滑模方法。該方法通過有界映射改進(jìn)的ＲBF自適應(yīng)神經(jīng)網(wǎng)絡(luò)算法來辨識系統(tǒng)參數(shù)，并使用干擾觀測器估計系統(tǒng)的外界干擾并擬合。由式(1)可知，車輛動力學(xué)模型中的參數(shù)D為固定值，而參數(shù)K隨縱向速度的變化而變化，假設(shè)可變參數(shù)K的估計值為K^，利用神經(jīng)網(wǎng)絡(luò)對可變參數(shù)K的估計輸出為：式中：為神經(jīng)網(wǎng)絡(luò)權(quán)值向量，n代表隱含層節(jié)點個數(shù)；φ=［φ1，φ2，…，φn］為隱含層輸出向量，隱含層中第i個節(jié)點的輸出為：式中：ci為隱含層第i個節(jié)點的中心向量，bi為隱含層第i個節(jié)點的基寬，i=1，2，…，n。通常，ＲBF神經(jīng)網(wǎng)絡(luò)選取誤差信號作為其輸入信號，但是誤差信號的范圍在控制器實施之前是無法確定的。因此，神經(jīng)網(wǎng)絡(luò)的基寬和中心沒有設(shè)置的參照標(biāo)準(zhǔn)，會嚴(yán)重影響神經(jīng)網(wǎng)絡(luò)的擬合效果?？梢允褂谜`差轉(zhuǎn)換函數(shù)將無界的誤差信號轉(zhuǎn)換為有界的輸入信號，從而提高了神經(jīng)網(wǎng)絡(luò)的靈敏度。在誤差轉(zhuǎn)換函數(shù)的設(shè)計過程中引入tanh(雙曲正切函數(shù))，完成ＲBF神經(jīng)網(wǎng)絡(luò)輸入信號的轉(zhuǎn)換，如圖4所示，tanh函數(shù)可表示為：通過tanh函數(shù)可以將輸入信號映射到［－1，1］范圍內(nèi)，保證了輸入信號的有界性，故ＲBF神經(jīng)網(wǎng)絡(luò)的中心和寬度的取值范圍更為準(zhǔn)確，提高了神經(jīng)網(wǎng)絡(luò)的擬合效果?；诟倪M(jìn)神經(jīng)網(wǎng)絡(luò)對車輛時變參數(shù)K進(jìn)行在線估計，使用估計值代替真實值，得到K矩陣的估計值為：神經(jīng)網(wǎng)絡(luò)的擬合誤差為：式中：ωi?(i=1，2，3，4)為神經(jīng)網(wǎng)絡(luò)理想權(quán)值ψi5.2.1前提1使用改進(jìn)ＲBF神經(jīng)網(wǎng)絡(luò)擬合參數(shù)矩陣K時，存在最優(yōu)權(quán)值與實際值之間的有界的擬合誤差。其中，ψim(i=1，2，3，4)為逼近誤差的上界，理論上擬合誤差ψ5.2.2定理1對于考慮的換道控制策略，設(shè)計車輛橫向換道策略如式(16)所示，可以保證被控系統(tǒng)的穩(wěn)定性。式中：λ為魯棒項增益；sgn(S)為符號函數(shù)。5.2.3干擾觀測器改進(jìn)方法為了增強(qiáng)系統(tǒng)的魯棒性，將干擾觀測器與改進(jìn)ＲBF神經(jīng)網(wǎng)絡(luò)相結(jié)合，完成對外界時變干擾的估計，可以有效減少由于魯棒項而引起的控制力抖振。干擾觀測器設(shè)計如下：式中：f=Dq+Kq。從式(20)和式(21)表示的干擾觀測器中可以看出，上述干擾觀測器中假定車輛所有參數(shù)都是已知的。但是，在實際應(yīng)用過程中，車輛系統(tǒng)參數(shù)多為未知參數(shù)或是與已知的參數(shù)存在一定的偏差。所以，將基于有界映射方法的改進(jìn)ＲBF神經(jīng)網(wǎng)絡(luò)估計的車輛參數(shù)應(yīng)用于干擾觀測器的設(shè)計中，完成控制設(shè)計。利用輸入信號有界映射改進(jìn)的ＲBF神經(jīng)網(wǎng)絡(luò)對f進(jìn)行擬合，可以表示為：神經(jīng)網(wǎng)絡(luò)的擬合誤差為：5.2.4前提2使用改進(jìn)ＲBF神經(jīng)網(wǎng)絡(luò)擬合參數(shù)矩陣f時，存在最優(yōu)權(quán)值與實際值之間的有界的擬合誤差。其中，ψ5m為逼近誤差的上界，由假設(shè)1可知，ψ故可以得到基于輸入信號有界映射改進(jìn)的ＲBF神經(jīng)網(wǎng)絡(luò)更新的干擾觀測器形式為：式中：f是系統(tǒng)整合不確定參數(shù)f的估計值；k1、k設(shè)計估計整合參數(shù)f的輸入信號有界映射改進(jìn)的ＲBF神經(jīng)網(wǎng)絡(luò)權(quán)值自適應(yīng)律為：式中：η5.2.5定理3對于考慮的干擾觀測器形式，在原本的滑模控制策略中加入干擾觀測器部分后，設(shè)計的車輛橫向控制率為式(27)，仍能保證被控系統(tǒng)的穩(wěn)定性。由上述證明過程可得，所設(shè)計的控制器可以正確估計車輛系統(tǒng)時變參數(shù)以及外界干擾。6實驗結(jié)果分析實驗分為兩部分：首先在Matlab-Simulink平臺對余弦換道軌跡跟蹤進(jìn)行數(shù)值仿真；然后在CarSim-Simulink聯(lián)合仿真平臺對多項式函數(shù)換道軌跡跟蹤進(jìn)行聯(lián)合仿真。CarSim能夠詳細(xì)地定義整車各系統(tǒng)的特性參數(shù)、駕駛員模型、路面參數(shù)等信息。通過兩次實驗以及2種換道軌跡綜合驗證該方法的可行性、準(zhǔn)確性和優(yōu)越性的要求。本次實驗采用C-ClassHatchback車型，車輛以及輪胎的參數(shù)如表1所示。車輛參數(shù)符號值質(zhì)量m/kg1723前輪側(cè)偏剛度k66900后輪側(cè)偏剛度k62700前輪距質(zhì)點距離l1.232后輪距質(zhì)點距離l1.468傳動比R1參數(shù)辨識部分自適應(yīng)參數(shù)取為：η1=50，η2=5，η3=5，η4=15；干擾觀測器部分自適應(yīng)參數(shù)取為：η5=25，干擾觀測器增益值取為：k1=5000，k26.1基于Matlab-Simulink的數(shù)值仿真了驗證被控車在高速以及強(qiáng)干擾的極限工況下的緊急避障效果，假設(shè)實驗場景為被控車以72km/h的速度高速行駛發(fā)現(xiàn)30m外存在障礙物需要換道，且目標(biāo)車道有車，這就需要被控車在4s內(nèi)完成2次換道操作，換道效果如圖5—8所示。圖5—8是車輛在勻速行駛時的橫向位移曲線、側(cè)偏角曲線以及對應(yīng)的誤差曲線?？梢钥吹皆诟咚偾彝饨绺蓴_較大的極限工況下，被控車實際行駛軌跡對理想軌跡的跟蹤誤差不超過0.02m，并隨著換道的進(jìn)行在1s內(nèi)誤差漸漸減小至0，滿足換道的安全性要求；側(cè)偏角曲線與理想曲線基本重合，誤差在0.005rad以內(nèi)，控制效果良好?？梢钥吹綑M向位移以及側(cè)偏角的跟蹤誤差基本存在于換道開始時曲率發(fā)生突變的時間點，證明曲率突變對跟蹤效果影響較大。7結(jié)論1)構(gòu)建了車輛二自由度動力學(xué)模型，并對系統(tǒng)方程進(jìn)行描述，直觀得到系統(tǒng)參數(shù)存在的不確定性原因。然后基于不同的需求設(shè)計了換道軌跡，滿足智能車實際換道要求。2)提出了帶有有界映射改進(jìn)的自適應(yīng)神經(jīng)網(wǎng)絡(luò)、干擾觀測器的滑模自主換道控制。通過輸入信號有界映射改進(jìn)的神經(jīng)網(wǎng)絡(luò)辨識系統(tǒng)參數(shù)，保證系統(tǒng)穩(wěn)定性，顯著減少誤差，可以有效地抑制抖振，保證被控系統(tǒng)的穩(wěn)定性。3)在基于Matlab-Simulink的數(shù)值仿真中，對換道軌跡，驗證了設(shè)計方法的可行性、準(zhǔn)確性及優(yōu)越性。參考文獻(xiàn):PANICHPAPIBOONS，LEAKKAWP．Lanechangede-tectionwithsmartphones:Asteeringwheel-basedap-proach［J］．IEEEAccess，2020，8:91076－91088XINGY，TIANB，LVC，etal．Atwo-stagelearningframeworkfordriverlanechangeintentioninference［J］．IFAC-PapersOnline，2020，53(5):638－643．GUOY，ZHANGH，WANGC，etal．Driverlanechangeintentionrecognitionintheconnectedenvironment［J］．PhysicaA:StatisticalMechanicsanditsApplications，2021，575(9):126057．吳武飛，李仁發(fā)，曾剛，等．智能網(wǎng)聯(lián)車網(wǎng)絡(luò)安全研究綜述［J］．通信學(xué)報，2020，41(6):161－174．狄桓宇，張亞輝，王博，等．自動駕駛橫向控制模型及方法研究綜述［J］．重慶理工大學(xué)學(xué)報(自然科學(xué))，2021，35(7):71－81．楊煒，馬浩越，郭祥靖．基于TruckSim與Simulink聯(lián)合仿真的半掛汽車列車橫向穩(wěn)定性控制［J］．中國科技論文，2018，13(4):390－398．劉志強(qiáng)，張騰．基于車聯(lián)網(wǎng)信息的自動換道方法研究［J］．重慶理工大學(xué)學(xué)報(自然科學(xué))，2020，34(4):11－17．龔雪嬌，朱瑞金，唐波．基于ＲBF神經(jīng)網(wǎng)絡(luò)滑?？刂频能囕v橫向控制研究［J］．測控技術(shù)，2019，38(6):132－136．王博洋，龔建偉，高天云，等．基于高斯混合－隱馬爾可夫模型的速差轉(zhuǎn)向履帶車輛橫向控制駕駛員模型［J］．兵工學(xué)報，2017，38(12):2301－2308．張凱，劉軍，后士浩，等．基于Simulink的換道防碰撞預(yù)警建模與仿真分析［J］．重慶理工大學(xué)學(xué)報(自然科學(xué))，2018，32(2):46－53．王趙輝．智能網(wǎng)聯(lián)汽車高速公路自主換道控制研究［D］．哈爾濱:哈爾濱工業(yè)大學(xué)，2019．BaiH,ShenJ,WeiL,etal.AcceleratedLane-ChangingTrajectoryPlanningofAutomatedVehicleswithVehicle-to-VehicleCollaboration[J].JournalofAdvancedTransportation,2017,2017:1-11.NiJ,HanJ,DongF.Multivehiclecooperativelanechangecontrolstrategyforintelligentconnectedvehicle[J].JournalofAdvancedTransportation,2020.ChaiR,TsourdosA,SavvarisA,etal.Multiobjectiveovertakingmaneuverplanningforautonomousgroundvehicles[J].IEEEtransactionsoncybernetics,2020.HuX,SunJ.Trajectoryoptimizationofconnectedandautonomousvehiclesatamultilanefreewaymergingarea[J].TransportationResearchPartC:EmergingTechnologies,2019,101:111-125.DingJ,LiL,PengH,etal.Arule-basedcooperativemergingstrategyforconnectedandautomatedvehicles[J].IEEETransactionsonIntelligentTransportationSystems,2019,21(8):3436-3446.KhattakZH,SmithBL,ParkH,etal.Cooperativelanecontrolapplicationforfullyconnectedandautomatedvehiclesatmultilanefreeways[J].TransportationresearchpartC:emergingtechnologies,2020,111:294-317.劉志強(qiáng),韓靜文,倪捷.智能網(wǎng)聯(lián)環(huán)境下的多車協(xié)同換道策略研究[J].汽車工程,2020,042(003):299-306.李姍.車輛隊列間協(xié)同換道控制策略[D].清華大學(xué),2018.聶建強(qiáng).高速公路車輛自主性換道行為建模研究[D].東南大學(xué),2017.LiB,ZhangY,FengY,etal.Balancingcomputationspeedandquality:Adecentralizedmotionplanningmethodforcooperativelanechangesofconnectedandautomatedvehicles[J].IEEETransactionsonIntelligentVehicles,2018,3(3):340-350.YangD,ZhengS,WenC,etal.Adynamiclane-changingtrajectoryplanningmodelforautomatedvehicles[J].TransportationResearchPartC:EmergingTechnologies,2018,95:228-247XieDF,FangZZ,JiaB,etal.Adata-drivenlane-changingmodelbasedondeeplearning[J].TransportationresearchpartC:emergingtechnologies,2019,106:41-60.HuangL,GuoH,ZhangR,etal.Capturingdrivers’lanechangingbehaviorsonoperationallevelbydatadrivenmethods[J].IEEEAccess,2018,6:57497-57506.任吉偉.自主車輛超車控制方法研究[D].大連海事大學(xué).張美紅.基于相對位置信息的自主超車策略研究[D].哈爾濱工業(yè)大學(xué).冉斌，譚華春，張健，等.智能網(wǎng)聯(lián)交通技術(shù)發(fā)展現(xiàn)狀及趨勢[J].汽車安全與節(jié)能學(xué)報，2018,9（2）：119-130.左世全.解讀車聯(lián)網(wǎng)（智能網(wǎng)聯(lián)汽車）產(chǎn)業(yè)發(fā)展行動計劃[J].智能網(wǎng)聯(lián)汽車，2019，（1）：8-11.李克強(qiáng)，戴一凡，李升波，等.智能網(wǎng)聯(lián)汽車（ICV）技術(shù)的發(fā)展現(xiàn)狀及趨勢[J].汽車安全與節(jié)能學(xué)報，2017,8（1）:1-14.秦曉輝.多型通信拓?fù)湎萝囕v隊列分布式控制中的穩(wěn)定性問題[D].北京：清華大學(xué)，2016.譚云龍.快速路合流區(qū)微觀交通仿真車道變換模型研究[D].吉林：吉林大學(xué)，2014.LIANG