盖世汽车讯 自动驾驶车辆编队（即多辆车在保持较短车间距的情况下协同行驶）因其在提升能效、降低空气阻力以及增加道路通行能力方面的潜力，正受到越来越多的关注。然而，在实际应用环境中部署车辆编队仍面临诸多挑战，这主要是由传感器不确定性、车辆模型的不完善以及执行器响应的非线性所致。

图片来源：期刊《Communications in Transportation Research》

据外媒报道，来自东南大学（Southeast University）和莫纳什大学（Monash University）的研究团队开发了一种“物理信息驱动”的编队控制框架，将传统的车辆控制方法与基于学习的优化技术相结合。该研究成果已发表在期刊《Communications in Transportation Research》上。

该框架首先引入了一种多源状态融合方法，整合了轮式里程计、惯性测量单元（IMU）以及全球定位系统（GPS）的测量数据。通过将连续运动信息与全局位置校正相结合，该方法能够为后续的控制决策提供更可靠的车辆状态估计。

基于所估计的车辆状态，研究人员开发了一种基于模型的控制器，该控制器结合了模型预测控制（MPC）与横向“前馈-反馈”控制（LFFC）。该控制器将纵向和横向控制任务分离开来，在确保实时性的同时，实现了对车辆速度和轨迹跟踪的高效优化。

为了进一步提高不断变化的驾驶条件下的适应性，研究团队引入了数据驱动的改进模块。使用离线保守 Q 学习 (CQL) 算法根据历史驾驶数据自动校准关键控制器参数。同时，设计了神经残差学习模型来补偿由执行器延迟和未建模动态引起的理论控制命令和实际车辆响应之间的差异。

使用配备多个传感器的基于 ROS 的两辆车平台，通过模拟实验和真实车辆测试对所提出的框架进行了评估。实验结果表明，该方法提高了车辆在实际操作条件下的队列稳定性和跟踪精度。基于学习的补偿模块有效减少了硬件不确定性引起的控制误差，展现了物理模型与人工智能相结合在自动驾驶应用中的潜力。

研究人员指出：“我们的工作为在实际自动驾驶车辆系统中整合‘基于物理的控制’与‘数据驱动的学习’提供了一种切实可行的方法。”该研究强调了智能算法如何在保持可解释性和安全性的前提下，增强传统的控制框架。

这项研究为开发稳健的自动驾驶车辆编队系统提供了新的见解。未来的研究可进一步探讨涉及异构车辆动力学、通信延迟以及更复杂道路环境的多车编队问题，从而提升协同自动驾驶技术的可扩展性与可靠性。