陳志軍 張晶明 熊盛光 蘇紫鵬 胡軍楠 吳超仲▲

（1.武漢理工大學(xué)智能交通系統(tǒng)研究中心 武漢 430063；2.武漢理工大學(xué)計(jì)算機(jī)與人工智能學(xué)院 武漢 430063；3.武漢理工大學(xué)汽車工程學(xué)院 武漢 430063）

0 引言

隨著傳統(tǒng)汽車工業(yè)和車輛網(wǎng)聯(lián)化、輕量化、智能化等相關(guān)技術(shù)的蓬勃發(fā)展，全球汽車保有量保持著穩(wěn)步增長，隨之帶來的環(huán)境污染、能源消耗，以及交通擁堵也成了影響人類社會發(fā)展的核心問題?！吨袊鴻C(jī)動車環(huán)境管理年報(bào)》顯示：北京、上海、杭州等城市的機(jī)動車排放已成為PM2.5的首要來源，機(jī)動車尾氣污染已經(jīng)成為中國空氣污染的重要來源。有研究表明：在歐盟，23%的CO2排放來自交通運(yùn)輸業(yè)；而在美國，交通運(yùn)輸業(yè)的CO2排放量占總體CO2排放量的34%。溫室氣體的排放不僅會導(dǎo)致氣候變化，還會引起土地和水資源的退化等問題[1]。因此，汽車技術(shù)的進(jìn)步必須與生態(tài)環(huán)境保持和諧發(fā)展，才能保證人類社會的持續(xù)發(fā)展。生態(tài)駕駛旨在通過改善駕駛行為，在提升駕駛安全基礎(chǔ)上有效緩解車輛保有量增加帶來的能源消耗和排放污染等問題。生態(tài)駕駛是1種成本相對較低卻可以立竿見影地降低能源消耗與排放污染的方法[2]。

為推進(jìn)綠色交通發(fā)展，各國政府、研究中心、高校，以及企業(yè)等對生態(tài)駕駛展開了研究。美國加州大學(xué)河濱分校和沃爾沃北美集團(tuán)的研究人員于2019年9月開發(fā)了互聯(lián)生態(tài)駕駛（connected eco-driving）系統(tǒng)Eco-Drive，以減少交通能源消耗和溫室氣體排放；在日本，自2007年起，每年的11月定為“生態(tài)駕駛月”，以此號召人們改善日常駕駛技巧，減少汽車燃油消耗和尾氣排放；在中國，2019年12月，大眾汽車集團(tuán)旗下思皓推出了“智能生態(tài)駕駛體驗(yàn)”活動，借助場景化試駕體現(xiàn)當(dāng)代智慧、綠色出行的發(fā)展與需求；此外，無論是德國工業(yè)4.0還是中國“十四五”規(guī)劃都提到了綠色生態(tài)發(fā)展的需求。

近年來，隨著通信技術(shù)和自動駕駛技術(shù)的快速發(fā)展，智能網(wǎng)聯(lián)車輛（connected automated vehicles，CAVs）也得到了迅猛的發(fā)展，由于CAVs具有減少能源消耗和尾氣排放的巨大潛力，因此生態(tài)駕駛也需要從傳統(tǒng)方式向CAVs下的生態(tài)駕駛方式轉(zhuǎn)變[3-4]。CAVs是自主式智能車輛（autonomous vehicle，AV）和網(wǎng)聯(lián)式智能車輛（connected vehicle，CV）二者的集合，可以說，CAVs就是智能車輛行駛在網(wǎng)絡(luò)環(huán)境中，而與傳統(tǒng)車輛（即人工駕駛車輛，human-powered vehicles，HPVs）相比，CAVs在車輛本身和行駛環(huán)境2個方面具有較大的不同，見圖1。且CAVs具備了環(huán)境感知、路徑規(guī)劃與決策、協(xié)同控制等功能[5]，可以為出行提供更安全、更舒適、更節(jié)能，以及更高效的方式，已成是國際公認(rèn)的車輛未來發(fā)展方向[6]。CAVs與HPVs的不同除了表現(xiàn)在車輛需要的自動駕駛技術(shù)和傳感器等裝置外，還表現(xiàn)在CAVs網(wǎng)絡(luò)環(huán)境給予的支持，其網(wǎng)絡(luò)環(huán)境一方面在于路側(cè)感知設(shè)備的智能化與網(wǎng)聯(lián)化，另一方面在于通過車用無線通信技術(shù)（vehicle to everything，V2X）進(jìn)行車與車、車與路、車與人的實(shí)時信息交互。

圖1 智能網(wǎng)聯(lián)車輛（CAVs）示意圖Fig.1 Schematic diagram of connected automated vehicles（CAVs）

隨著5G通信技術(shù)的興起，數(shù)據(jù)傳輸更加低延、高效，而CAVs與5G技術(shù)的結(jié)合，可以使得車與車、車與路、車與人之間的信息交互更加及時，進(jìn)而能夠獲得更加精細(xì)的感知信息和決策規(guī)劃信息，為減少交通事故、提高交通出行效率，以及促進(jìn)生態(tài)駕駛的發(fā)展提供了技術(shù)加持。通過對CAVs與HPVs在車輛自身和行駛環(huán)境的不同點(diǎn)分析，可以總結(jié)出CAVs具有以下特點(diǎn)。

1）感知信息范圍廣。CAVs在車輛上搭載了攝像頭、雷達(dá)、超聲波等傳感器，在車輛行駛過程中結(jié)合路側(cè)感知設(shè)備和V2X通信技術(shù)等，除了能夠捕捉到HPVs的四周環(huán)境信息外，還能夠獲得視野盲區(qū)環(huán)境、交通燈信號、周圍車輛信息等網(wǎng)聯(lián)信息。

2）決策判斷智能化?；谲囕d感知設(shè)備和路側(cè)感知設(shè)備，CAVs能夠獲取前方路況、交通信號燈等信息，車輛決策系統(tǒng)對數(shù)據(jù)綜合分析后利用人工智能等技術(shù)提前預(yù)知前方路況并提前做出決策。

3）車輛控制時延低。由于CAVs能夠提前獲取前方路況并做出路徑規(guī)劃，且在一定條件下，CAVs具有車輛的控制權(quán)，能夠提前對變化的工況做出相應(yīng)的規(guī)劃，并告知駕駛員，降低了駕駛員操作中的時延及急剎急減帶來的更多能耗與排放。

CAVs在考慮生態(tài)駕駛實(shí)現(xiàn)過程中還有很多需要解決的關(guān)鍵科學(xué)及技術(shù)問題。雖然歐盟提出的生態(tài)駕駛黃金規(guī)律和日本提出的生態(tài)駕駛“十法”都給出了駕駛?cè)诉M(jìn)行生態(tài)駕駛的要求，但智能網(wǎng)聯(lián)交通環(huán)境下的生態(tài)駕駛與傳統(tǒng)生態(tài)駕駛相比發(fā)生了很大的變化，且智能網(wǎng)聯(lián)交通環(huán)境與傳統(tǒng)交通環(huán)境之間存在較大的差異，目前的相關(guān)研究對智能網(wǎng)聯(lián)環(huán)境下的生態(tài)駕駛?cè)狈ο到y(tǒng)性的總結(jié)與歸納?；诖耍瑥闹悄芫W(wǎng)聯(lián)環(huán)境下生態(tài)駕駛影響因素出發(fā)，對網(wǎng)聯(lián)環(huán)境下生態(tài)駕駛控制策略與駕駛應(yīng)用的研究現(xiàn)狀進(jìn)行了總結(jié)分析，并對該領(lǐng)域下一步研究方向進(jìn)行展望。

1 智能網(wǎng)聯(lián)環(huán)境下生態(tài)駕駛影響因素

影響車輛生態(tài)駕駛效果的因素眾多，車輛的結(jié)構(gòu)特征、駕駛?cè)笋{駛風(fēng)格、道路交通狀況等都能夠?qū)囕v的節(jié)能減排產(chǎn)生影響；隨著智能網(wǎng)聯(lián)技術(shù)的發(fā)展，生態(tài)駕駛迎來了新的發(fā)展契機(jī)，同時車輛的智能化、網(wǎng)聯(lián)化程度，以及CAVs的滲透率等都會對車輛的生態(tài)駕駛產(chǎn)生新的影響。

智能網(wǎng)聯(lián)環(huán)境下的生態(tài)駕駛影響因素可以按照傳統(tǒng)的影響因素歸納為車輛自身特征、駕駛?cè)藗€性特征、道路交通狀況，以及社會因素這4個方面，見圖2。

圖2 生態(tài)駕駛能源消耗的影響因素Fig.2 Factors influencing energy consumption of eco-driving

1.1 車輛自身特征影響

車輛自身特征主要包括發(fā)動機(jī)、自重、外形、輪胎等，這些車輛設(shè)計(jì)會直接影響能源消耗。在工況一定時，電動車輛的能耗和自重基本呈線性關(guān)系，因此，在滿足車輛剛度和強(qiáng)度的前提下，應(yīng)力求車身的輕量化，也可以考慮降低電池質(zhì)量。車輛在高速行駛時空氣阻力是影響能耗的重要因素。對于混合動力車輛來說，能量管理策略對于燃油消耗至關(guān)重要，Jiang等[7]對比了自適應(yīng)等效消耗最小化策略（A-ECMS）、最優(yōu)控制律（OCL）和隨機(jī)動態(tài)規(guī)劃（SDP）這3種實(shí)時的能量管理策略，結(jié)果表明：A-ECMS具有最好的節(jié)油效果。通過對車輛結(jié)構(gòu)進(jìn)行適當(dāng)修改可以提升生態(tài)駕駛效果，Giovanni等[8]根據(jù)車輛動力學(xué)特性通過適當(dāng)設(shè)置轉(zhuǎn)向不足特性和車輪轉(zhuǎn)矩制定生態(tài)駕駛策略能夠獲得的良好的能源效率收益。

因此在未來的CAVs上，基礎(chǔ)的車輛設(shè)計(jì)方面，可以通過減少車輛自重、外觀流線型設(shè)計(jì)，以及采用新型材料等方式減少車輛的能源消耗。但是，CAVs需要通過各種傳感器、相機(jī)、激光雷達(dá)等獲取環(huán)境信息，這些加裝設(shè)備也會帶來相應(yīng)的行駛阻力，影響生態(tài)駕駛效果，且需要強(qiáng)大的計(jì)算能力進(jìn)行數(shù)據(jù)處理，可能帶來額外的能量消耗，從而會增加車輛的能源消耗；另一方面，高等級的自動駕駛能夠減少甚至消除車輛事故，移除車輛的安全設(shè)備能夠減輕重量，從而降低能源消耗[1]。

1.2 駕駛?cè)藗€性特征影響

駕駛?cè)说膫€性特征對生態(tài)駕駛效果同樣會產(chǎn)生影響，對于相同的駕駛場景，不同的駕駛?cè)舜嬖谥煌纳砼c心理狀況，從而會產(chǎn)生不同的駕駛行為。Meseguer等[9]通過實(shí)驗(yàn)驗(yàn)證了駕駛員的駕駛風(fēng)格與車輛的燃油消耗直接相關(guān)，激進(jìn)型的駕駛風(fēng)格總是會導(dǎo)致更多的能源消耗和CO2排放，采取高能效的駕駛風(fēng)格能夠節(jié)約15%～20%的燃油。為了探究不同的駕駛風(fēng)格對燃油消耗的影響，部分學(xué)者按照正常型（駕駛員正常駕駛）、節(jié)能型（駕駛員在安全駕駛的前提下盡可能采取高能效的駕駛行為）和激進(jìn)型（駕駛員在安全駕駛的前提下采取使出行時間最少的駕駛行為）3種駕駛風(fēng)格設(shè)計(jì)實(shí)驗(yàn)并分析，發(fā)現(xiàn)激進(jìn)型駕駛員在采取了高能效的駕駛行為后能夠有效地降低駕駛循環(huán)的燃油消耗。駕駛風(fēng)格對混合動力車的燃油消耗也存在較大的影響，Thomas等[10]的研究表明：最大化地利用駕駛風(fēng)格能夠降低混合動氣車25%～68%的燃油消耗。對于電動車來說，駕駛員采取高能效的駕駛行為不僅可以降低能耗，還能夠增加行駛里程。駕駛行為還會對車輛的排放產(chǎn)生影響，CO2，CO，NOx，HC在交叉口上游的排放情況與駕駛風(fēng)格有關(guān)，各排放物的排放總量與減速段長度負(fù)相關(guān)，車輛越提前減速，各排放物的總排放量越少。

由于駕駛?cè)藢ι鷳B(tài)駕駛的了解程度不高，其日常的駕駛習(xí)慣可以影響到車輛的排放情況。因此，部分學(xué)者對駕駛員進(jìn)行培訓(xùn)或進(jìn)行操作建議，鼓勵駕駛員采取生態(tài)駕駛行為，如避免突然停車和過多的怠速運(yùn)行、溫和地加速等，能夠明顯降低車輛的能耗和排放；并且在生態(tài)駕駛說服策略去除之后，駕駛員仍能夠保持生態(tài)駕駛習(xí)慣[11]。但是目前多數(shù)駕駛個性的研究針對的是傳統(tǒng)車輛與駕駛?cè)?，而傳統(tǒng)車輛與智能網(wǎng)聯(lián)車輛的交通環(huán)境以及決策層并不重合，智能網(wǎng)聯(lián)汽車可以通過對不同工況下優(yōu)秀的生態(tài)駕駛行為進(jìn)行學(xué)習(xí)，完善自己的決策模型，在保證駕駛安全與駕乘舒適的基礎(chǔ)上，提升車輛的駕駛經(jīng)濟(jì)性。

1.3 道路交通狀況影響

道路交通狀況主要包括道路擁堵情況、道路類型、信號配時，以及交通主體等。車輛在信號交叉口頻繁的啟停和怠速都會增加額外的燃油消耗和排放[12]。因此，合理的信號配時能夠有效地降低車輛在有信號交叉口的排隊(duì)等待時間，從而可以降低能耗和排放[13]。道路類型在一定程度上會影響車輛的速度、加速度和減速度曲線。Wang等[14]對不同道路類型（高速公路、城市主干道、地方街道）的生態(tài)駕駛影響因素進(jìn)行研究，其中最節(jié)省燃油的道路是城市主干道，由于高速公路和快速路一般都是自由流，所以車輛具有更高的瞬時燃油消耗。CAVs由于能夠通過V2X與路側(cè)等單元進(jìn)行通信，因此能夠提前獲取信號燈配置，可以提前規(guī)劃速度和加速度策略，能夠以更加生態(tài)的方式通過交叉口，并且隨著CAVs滲透率的增加，交叉口的交通密度、平均行駛速度、停車延誤都顯著提高，從而可以降低車輛的燃油消耗和排放[13]。Jiang等[15]研究在部分智能網(wǎng)聯(lián)環(huán)境下的單交叉口生態(tài)駕駛系統(tǒng)，由于CAVs的滲透率不同，系統(tǒng)在非飽和條件下的節(jié)能效果可以達(dá)到2.02%～8.655%，在飽和條件下可以達(dá)到9.95%～44.02%，在過飽和條件下可以達(dá)到13.13%～58.01%。Rios-Torres等[16]設(shè)計(jì)了在匝道合流區(qū)場景的不同交通流量和滲透率條件下CAVs對燃油消耗的影響，在100%CAVs滲透率下，燃油消耗可降低40%～55%，在中、高交通流下，燃油消耗只在100%CAVs滲透率下才能實(shí)現(xiàn)，最高的節(jié)能效果（63%）是在中等交通流量下達(dá)到的。

由于CAVs的智能感知、車路協(xié)同、V2X通信等網(wǎng)聯(lián)功能，可以通過智能感知設(shè)備提前獲取交通信息、道路信息、車輛信息等，從而做出個體和整體的規(guī)劃，合理分配資源，提升整個交通系統(tǒng)的運(yùn)行效率。因此，對于政府道路管理部門可以從宏觀角度提前為車輛行駛過程中的信號燈等交通環(huán)境進(jìn)行決策規(guī)劃，實(shí)現(xiàn)生態(tài)駕駛效果的最大化，減少整個城市的能源消耗。但目前對于宏觀交通的決策規(guī)劃方面的研究還比較少，并沒有比較完整及確定的決策方式，因此對于學(xué)者來說可以將研究方向立足于對于各種行駛工況的節(jié)能決策規(guī)劃，結(jié)合人工智能算法、機(jī)器學(xué)習(xí)等實(shí)現(xiàn)智能化的決策規(guī)劃，同時實(shí)現(xiàn)CAVs的生態(tài)駕駛普及。

1.4 社會因素影響

社會因素主要包括政府相關(guān)政策、經(jīng)濟(jì)手段刺激、社會宣傳等方面。社會需求、政府政策強(qiáng)制性的法律法規(guī)能夠促進(jìn)生態(tài)駕駛的執(zhí)行，歐盟的Directive 2006/126/EC和Commission Directive 2012/36/EU中規(guī)定駕校和駕駛員考試必須包含生態(tài)駕駛內(nèi)容；美國制定了Engine Idling Laws以限制不必要的怠速時間[2]。經(jīng)濟(jì)刺激手段也可以用來鼓勵生態(tài)駕駛。Lai[17]通過對比2個公交公司在執(zhí)行生態(tài)駕駛貨幣型獎勵前后的燃油效率數(shù)據(jù)，發(fā)現(xiàn)實(shí)施了獎勵之后公交的平均燃油消耗節(jié)省超過10%，碳排放也降低。Schall等[18]將貨幣型獎勵和非貨幣型獎勵引入到輕型商用車駕駛的生態(tài)駕駛獎勵，對6個月的實(shí)驗(yàn)數(shù)據(jù)進(jìn)行分析，結(jié)果表明：有形的非貨幣型獎勵能夠使平均燃油消耗降低5%，而同等價值的貨幣型獎勵帶來的燃油消耗降低較少。生態(tài)駕駛執(zhí)行的效果還受到人們對其的認(rèn)知和理解，駕駛員會將出行時間成本、便捷性作為首要選擇，通常不會將節(jié)省能源作為主要考慮因素。但是，生態(tài)駕駛并不會增加城市交通出行的時間，而且較為緩和的駕駛行為可以降低交通事故的發(fā)生，因此，宣傳和普及生態(tài)駕駛知識和技能是十分必要的[2]。

綜上，在智能網(wǎng)聯(lián)環(huán)境下，駕駛?cè)说鸟{駛習(xí)慣及道路的交通狀況是影響生態(tài)駕駛的重要因素。因此，對于駕駛員，擁有良好的駕駛習(xí)慣不僅有利于駕駛安全，同時也可以使得車輛的能耗最少；對于道路管理部門，合理的交通決策規(guī)劃也是減少車輛能耗的有效措施。當(dāng)然對于車輛自身?xiàng)l件的改良及社會層面的政策輔助也是促進(jìn)生態(tài)駕駛的有效措施，同時降低城市的空氣污染，創(chuàng)造良好的城市生活環(huán)境。對于生態(tài)駕駛研究，學(xué)者們可以針對于駕駛員駕駛習(xí)慣改善、生態(tài)駕駛培訓(xùn)，以及生態(tài)駕駛決策控制優(yōu)化進(jìn)行進(jìn)一步研究，促進(jìn)生態(tài)駕駛的發(fā)展。

2 網(wǎng)聯(lián)環(huán)境下生態(tài)駕駛控制策略

在保證安全的前提下，實(shí)現(xiàn)節(jié)能減排是生態(tài)駕駛控制策略的核心目標(biāo)。生態(tài)駕駛控制策略主要分為2類：經(jīng)驗(yàn)總結(jié)法與理論求解法。經(jīng)驗(yàn)總結(jié)法是依據(jù)真實(shí)道路實(shí)車測試的方法，通過分析、總結(jié)多車型、多駕駛風(fēng)格、不同駕駛工況下的駕駛數(shù)據(jù)，得出車輛節(jié)能駕駛策略。經(jīng)驗(yàn)總結(jié)法得出的駕駛策略并不一定具有最優(yōu)性，駕駛策略也并不能覆蓋到所有的場景和駕駛狀況，是對駕駛策略的定量描述。理論求解法是對生態(tài)駕駛策略的定性分析，通過建立車輛行駛模型和能耗模型，依據(jù)數(shù)學(xué)方法建立能耗最優(yōu)的駕駛行為優(yōu)化模型，得出最優(yōu)的生態(tài)駕駛策略。

傳統(tǒng)生態(tài)駕駛控制策略大多基于車輛自身運(yùn)動狀態(tài)的控制決策觸發(fā)，而網(wǎng)聯(lián)環(huán)境下的生態(tài)駕駛控制策略是基于傳統(tǒng)車輛控制策略結(jié)合網(wǎng)聯(lián)信息和智能決策形成的網(wǎng)聯(lián)生態(tài)駕駛控制策略，2種控制策略在研究對象和研究方法具有較大差異，見圖3。由于車輛網(wǎng)聯(lián)化并通過人工智能提取有效信息，生態(tài)駕駛控制策略的影響因素和駕駛工況變得更復(fù)雜，網(wǎng)聯(lián)信息、典型場景、評價標(biāo)準(zhǔn)，以及傳統(tǒng)生態(tài)駕駛控制策略也有所不同。

圖3 網(wǎng)聯(lián)環(huán)境下生態(tài)駕駛控制策略研究流程Fig.3 Research process of eco-driving control strategy in networked environment

2.1 傳統(tǒng)生態(tài)駕駛控制策略

傳統(tǒng)的生態(tài)駕駛控制策略研究主要通過對傳統(tǒng)車輛的速度、加速度進(jìn)行規(guī)劃，以達(dá)到減少燃油消耗、降低污染排放的目標(biāo)。有學(xué)者利用理論求解法，改善車輛動力傳輸結(jié)構(gòu)，更精確地制定出操作模型，從而對生態(tài)駕駛控制策略展開研究。Xu等[19]針對巡航場景中的燃油車輛能源消耗做了研究，發(fā)現(xiàn)車輛傳動系統(tǒng)的控制對能量消耗有顯著影響，基于齒輪傳動的具有無級可控發(fā)動機(jī)輸出脈沖與變速箱檔位選擇能夠最大幅度節(jié)省燃油。部分學(xué)者認(rèn)為生態(tài)駕駛策略最終體現(xiàn)在車輛速度規(guī)劃上，Heppeler等[20]采用離散動態(tài)規(guī)劃方法分析并聯(lián)混合動力電動車的節(jié)能潛力，并通過優(yōu)化轉(zhuǎn)矩分配、速度軌跡，以到達(dá)節(jié)能減排的效果。余倩雯[21]基于三角正弦函數(shù)設(shè)計(jì)了1種經(jīng)濟(jì)車速規(guī)劃方法，在車輛加速、減速時采取不同的正弦值，并進(jìn)行了有效性驗(yàn)證。相較于利用理論求解獲取生態(tài)駕駛策略，有學(xué)者更青睞于運(yùn)用統(tǒng)計(jì)學(xué)的方法去找尋生態(tài)駕駛規(guī)律。部分學(xué)者對駕駛?cè)诉M(jìn)行生態(tài)駕駛培訓(xùn)，包括盡快提升轉(zhuǎn)速至合適范圍、保持平穩(wěn)轉(zhuǎn)速、提前預(yù)測交通流等生態(tài)駕駛操作，發(fā)現(xiàn)訓(xùn)練后的油耗明顯下降，提前規(guī)劃速度和加速度具有更好的生態(tài)駕駛效果。Zhao等[22]基于駕駛模擬器開發(fā)了生態(tài)駕駛訓(xùn)練反饋系統(tǒng)，訓(xùn)練后駕駛?cè)丝梢缘玫江h(huán)保駕駛報(bào)告，該報(bào)告包括他們的燃油消耗等級、節(jié)油潛力和駕駛行為相關(guān)的生態(tài)駕駛建議，形成定性的生態(tài)駕駛策略。Schall等[18]則提出了獎勵手段，讓物流公司駕駛?cè)送ㄟ^6個月的自然駕駛，駕駛越生態(tài)獎勵越高，研究結(jié)果顯示，在獎勵刺激下，能使平均燃油消耗小幅度下降。也有學(xué)者利用人工智能先進(jìn)算法的理論求解法來研究生態(tài)駕駛控制策略，并且針對新能源車輛進(jìn)行研究。Qi等[23]提出了1種電動車能源消耗估計(jì)模型，并利用該模型開發(fā)了1種基于模型預(yù)測控制的生態(tài)進(jìn)出場系統(tǒng)，對比試驗(yàn)表明，在不同交通場景、不同信號燈、不同運(yùn)行速度等條件下，該系統(tǒng)能保持良好的節(jié)能效果。Mousa等[24]設(shè)計(jì)了1種針對生態(tài)駕駛行為的深度強(qiáng)化學(xué)習(xí)（DRL）算法，用于解決信號燈路口附近的生態(tài)行駛和進(jìn)出問題，以實(shí)現(xiàn)油耗最小化，仿真結(jié)果顯示：DRL算法能夠引導(dǎo)車輛順利合法地通過路口，燃油消耗量降低約13.02%。

傳統(tǒng)生態(tài)駕駛控制策略的研究主要體現(xiàn)在了能源系統(tǒng)硬件、速度規(guī)劃、外界刺激以及交通場景通行規(guī)劃等方面，但更多的研究都立足在燃油車之上，對于電動車和混動車研究較少。新能源車輛是未來車輛的主要發(fā)展方向，因此在能源系統(tǒng)硬件方面，研發(fā)更加節(jié)能、更加生態(tài)的能源系統(tǒng)硬件是較為重要的。傳統(tǒng)生態(tài)駕駛的控制策略主要集中在微觀層面的速度規(guī)劃方面，缺少了宏觀的交通場景控制規(guī)劃。原因在于傳統(tǒng)車輛的行駛速度由駕駛?cè)说闹饔^意識控制，可以較為容易地通過外界的刺激（如模擬駕駛培訓(xùn)、獎勵機(jī)制等）進(jìn)行糾正，因此學(xué)者們可以將后續(xù)的研究重心放在宏觀的決策控制層面，進(jìn)一步達(dá)到全局的生態(tài)駕駛，同時可以為網(wǎng)聯(lián)環(huán)境下的生態(tài)駕駛控制提供理論與數(shù)據(jù)上的基礎(chǔ)。

2.2 網(wǎng)聯(lián)環(huán)境下的生態(tài)駕駛控制策略

國內(nèi)外有關(guān)網(wǎng)聯(lián)環(huán)境下的生態(tài)駕駛策略研究主要集中在交叉口生態(tài)駕駛策略和車輛隊(duì)列生態(tài)駕駛策略2個方面。在交叉口駕駛生態(tài)策略研究方面，Wan等[25]研究網(wǎng)聯(lián)車輛在定時信號下的最小燃油消耗駕駛策略，網(wǎng)聯(lián)車輛通過V2X通信技術(shù)提前獲取交通信號信息，采取最大轉(zhuǎn)矩加速、讓發(fā)動機(jī)關(guān)閉或者怠速時滑行等駕駛策略，避免車輛在路口的急減速和發(fā)動機(jī)怠速時間，可以大幅降低燃油消耗。Jiang等[26]在單交叉口和部分CAVs條件下設(shè)計(jì)生態(tài)駕駛系統(tǒng)，優(yōu)先考慮通過性，其次考慮提升燃油效率，通過優(yōu)化CAVs的速度組合策略，燃油消耗可以降低2.02%～58.01%，CO2排放可以降低1.97%～33.26%。孟竹等[27]借助交叉口區(qū)域的車-基礎(chǔ)設(shè)施（vehicle to infrastructure，V2I）通信系統(tǒng)獲得自車的運(yùn)動信息以及信號燈狀態(tài)信息，以油耗建立優(yōu)化目標(biāo)函數(shù)，對生態(tài)駕駛車速進(jìn)行引導(dǎo)，結(jié)果表明：優(yōu)化后的生態(tài)駕駛策略可以降低10%～30%的燃油消耗。Zhang等[28]對網(wǎng)聯(lián)公交的生態(tài)駕駛進(jìn)行研究，通過V2I獲取交通信號和乘客信息，以尾氣排放最小和避免在交叉口額外停留為優(yōu)化目標(biāo)，設(shè)計(jì)了結(jié)合滾動水平優(yōu)化與分支定界方法的數(shù)值算法，求解得到公交車最佳駕駛速度并通過移動設(shè)備展示給駕駛?cè)?，可以提高生態(tài)駕駛效果。Ko等[29]設(shè)計(jì)了生態(tài)駕駛指導(dǎo)系統(tǒng)并在實(shí)車環(huán)境下驗(yàn)證，在單獨(dú)交叉口的實(shí)車實(shí)驗(yàn)表明生態(tài)駕駛指導(dǎo)系統(tǒng)可以節(jié)省燃油消耗20%～40%。Lin等[30]使用更接近真實(shí)情況的網(wǎng)聯(lián)車輛動力學(xué)和燃油消耗模型來研究2個信號路口的生態(tài)駕駛策略，近似最佳的速度行駛策略可以在多個交叉口達(dá)到節(jié)省燃油的效果。魏學(xué)新[31]分析車輛狀態(tài)和信號配時之間的關(guān)系建立生態(tài)駕駛策略模型，利用VISSIM進(jìn)行仿真獲取最佳生態(tài)駕駛策略，并驗(yàn)證了提出模型的有效性。魏濤[32]提出了1種最優(yōu)巡航車速的生態(tài)駕駛策略，保證網(wǎng)聯(lián)車輛在經(jīng)過信號燈路口時不發(fā)生停車現(xiàn)象，減少了車輛行駛過程中的燃油消耗。

在車隊(duì)生態(tài)駕駛策略研究方面，徐麗萍等[33]基于車路協(xié)同交通環(huán)境開展了交叉口車輛列隊(duì)車速優(yōu)化研究，以引導(dǎo)車輛的停車通行交叉口時間為目標(biāo)，改進(jìn)了車輛列隊(duì)跟馳模型，結(jié)果使得車隊(duì)的最大排隊(duì)長度減少58.8%，燃油消耗減少36.4%。Wu等[34]提出了考慮前車狀態(tài)的動態(tài)生態(tài)駕駛模型，運(yùn)用非線性編程算法得到最優(yōu)車速組合和車隊(duì)的最優(yōu)行駛軌跡。He等[35]研究網(wǎng)聯(lián)條件下燃油車和電動車組成的異質(zhì)車隊(duì)生態(tài)駕駛策略，運(yùn)用優(yōu)化控制模型提供2種駕駛策略：加速度組合駕駛策略和巡航速度組合駕駛策略，研究結(jié)果表明：自動駕駛車輛領(lǐng)航的車隊(duì)適合第1種策略，而對于人類駕駛員領(lǐng)航的車隊(duì)，第2種策略更合適，2種生態(tài)駕駛策略都可以降低能源消耗。Wang等[36]以混合動力電動汽車研究對象，提出了1種在混合駕駛場景下的雙級生態(tài)駕駛控制策略，并以車-車、車-路的通信方式作為控制系統(tǒng)決策的主要數(shù)據(jù)來源，仿真結(jié)果表明：該策略可以降低34.10%的油耗，污染物排放（HC，CO和NOx）分別降低25.36%，72.30%和30.39%。

根據(jù)現(xiàn)有研究分析，表1總結(jié)了網(wǎng)聯(lián)環(huán)境下生態(tài)駕駛策略研究與傳統(tǒng)生態(tài)駕駛策略研究的差異，可以總結(jié)出網(wǎng)聯(lián)環(huán)境下的生態(tài)駕駛控制策略研究具備以下特點(diǎn)。

表1 網(wǎng)聯(lián)環(huán)境下與傳統(tǒng)生態(tài)駕駛控制策略的對比Tab.1 The comparison of eco-driving control strategies in conventional environment and in networked environment

1）網(wǎng)聯(lián)環(huán)境下的生態(tài)駕駛控制策略是在傳統(tǒng)生態(tài)駕駛的車輛控制決策基礎(chǔ)上綜合考慮了網(wǎng)聯(lián)信息的影響進(jìn)而做出的更具備全局性的策略。

2）對于網(wǎng)聯(lián)環(huán)境下生態(tài)駕駛控制策略研究，相較于傳統(tǒng)駕駛策略上的考慮單車生態(tài)駕駛策略，網(wǎng)聯(lián)環(huán)境下考慮了多車生態(tài)駕駛策略達(dá)到更高等級的節(jié)能與安全目標(biāo)。學(xué)者們多關(guān)注于多車在交叉口或編隊(duì)駕駛工況下的生態(tài)駕駛策略控制，其他如立交橋、環(huán)形交叉口等復(fù)雜的多車行駛工況還有待研究。

3）目前車路協(xié)同和自動駕駛的發(fā)展迅速，網(wǎng)聯(lián)環(huán)境下的生態(tài)駕駛決策能夠?yàn)槲磥碇悄芙煌ㄏ到y(tǒng)服務(wù)，因此傳統(tǒng)生態(tài)駕駛策略向網(wǎng)聯(lián)環(huán)境生態(tài)駕駛控制策略過渡是必然趨勢。

3 智能網(wǎng)聯(lián)車輛生態(tài)駕駛應(yīng)用現(xiàn)狀

隨著CAVs相關(guān)技術(shù)的不斷發(fā)展，生態(tài)駕駛同時迎來了前所未有的變革?；谲嚶穮f(xié)同技術(shù)，CAVs和智能路側(cè)設(shè)備可綜合感知路面信息和車輛行駛參數(shù)，為生態(tài)駕駛提供大量有效信息和計(jì)算數(shù)據(jù)，從而達(dá)到安全、高效和節(jié)能減排的效果。見圖4，智能網(wǎng)聯(lián)生態(tài)駕駛主要應(yīng)用于以下3個方面：駕駛輔助系統(tǒng)功能拓展、CAVs決策優(yōu)化與促進(jìn)智能交通綠色發(fā)展。

圖4 智能網(wǎng)聯(lián)生態(tài)駕駛應(yīng)用Fig.4 The application of eco-driving in networked environment

3.1 駕駛輔助系統(tǒng)功能拓展

在車-車、車-路協(xié)同環(huán)境下，駕駛輔助系統(tǒng)通?？梢垣@得大量車輛信息、路面信息等交通信息，同時可以利用豐富的信息為駕駛者提前規(guī)劃行駛路徑并對駕駛者的駕駛行為進(jìn)行評估，從而通過為駕駛員提供生態(tài)駕駛決策來達(dá)到節(jié)能、減排的效果。Ando等在日本豐田市開展了1項(xiàng)社會實(shí)驗(yàn)，結(jié)果顯示，影響駕駛員做出生態(tài)駕駛決策的因素包括：①從CO2排放量角度看，平均速度、平均行駛距離，以及個人特征是重要的影響因素；②當(dāng)以高頻率提供信息時，駕駛員可能會陷入困境，并且在開始某個時間段后不再受信息提供的影響；當(dāng)以中頻率提供信息時，駕駛員可以長期保持在生態(tài)駕駛狀態(tài)；③由于最終效果與個人特征有關(guān)，因此根據(jù)個人特征提供信息的駕駛輔助系統(tǒng)能夠?qū)崿F(xiàn)最佳的生態(tài)駕駛效果。

許多研究人員正致力于通過改善車輛與周圍環(huán)境的感知來幫助駕駛員做出更優(yōu)的決策進(jìn)而使車輛行駛更安全、更高效。Butakov等[37]研究發(fā)現(xiàn)交通信號燈和停車標(biāo)志往往會迫使車輛停車并重新啟動，令駕駛員感到沮喪，因此他們利用車輛與基礎(chǔ)設(shè)施的通信技術(shù)提出了1種在信號燈路口場景下的個性化速度優(yōu)化算法，該算法可用于駕駛輔助系統(tǒng)，在駕駛過程中可以學(xué)習(xí)駕駛員的個人偏好和特征，并利用這些數(shù)據(jù)計(jì)算出既能夠減少油耗和等待時間又更適合駕駛員偏好的駕駛策略。Neaimeh等[38]提出了1種基于智能網(wǎng)聯(lián)技術(shù)的生態(tài)型路線規(guī)劃系統(tǒng)，該系統(tǒng)可以根據(jù)地形和路網(wǎng)的交通狀況，并通過線性模型來確定能源消耗方程，然后利用Dijkstra圖搜索算法計(jì)算到達(dá)目的地的最小能耗路線，從而擴(kuò)展電動汽車的行駛路線；該項(xiàng)研究被用于更好地指導(dǎo)智能導(dǎo)航和生態(tài)駕駛輔助系統(tǒng)做出最優(yōu)決策。Sakhdari等[39]提出了1種生態(tài)駕駛輔助系統(tǒng)，該系統(tǒng)利用雷達(dá)、交通信號燈，以及車-車、車-路通信預(yù)測前方車輛未來的行駛軌跡，并利用此信息生成生態(tài)駕駛決策來引導(dǎo)、輔助駕駛員。實(shí)驗(yàn)表明：該系統(tǒng)可以使車輛能耗降低約17%。Meseguer等[40]在智能網(wǎng)聯(lián)環(huán)境下提出了基于Driving Styles架構(gòu)的智能駕駛輔助系統(tǒng)，該系統(tǒng)采用數(shù)據(jù)挖掘和神經(jīng)網(wǎng)絡(luò)技術(shù)分析和生成基于駕駛員個人特征的駕駛風(fēng)格和油耗分類；該系統(tǒng)同時可以根據(jù)從車輛的電子控制單元(ECU)獲取的數(shù)據(jù)來實(shí)時計(jì)算車輛的油耗和尾氣排放量，并利用算法表征駕駛員的駕駛風(fēng)格，從而協(xié)助駕駛員糾正不良的駕駛習(xí)慣，同時提供有益的決策信息來減少油耗，提高駕駛安全性。

生態(tài)駕駛在駕駛輔助方面的應(yīng)用體現(xiàn)在交通規(guī)劃、輔助駕駛建議、軌跡優(yōu)化等多個方面，利用機(jī)器學(xué)習(xí)、人工智能算法等方法通過對駕駛?cè)笋{駛個性學(xué)習(xí)、道路環(huán)境感知預(yù)測、行駛軌跡動態(tài)規(guī)劃等設(shè)計(jì)生態(tài)駕駛輔助系統(tǒng)，可以更加精確地計(jì)算交通環(huán)境，采用更加適應(yīng)乘駕者感受的控制與提醒方法，起到更加有效的駕駛輔助功能，減少車輛的能源消耗，實(shí)現(xiàn)生態(tài)駕駛。

3.2 智能網(wǎng)聯(lián)車輛生態(tài)駕駛決策優(yōu)化

車輛通過交叉口和組隊(duì)時經(jīng)常發(fā)生車輛制動、怠速的情況，因此這2種駕駛場景下的駕駛行為是影響交通流量和能源消耗的重要因素?；谲?車、車-路協(xié)同的CAVs可以得到其他車輛的行駛參數(shù)以及交通信號、交通流狀態(tài)等信息，利用諸多有益的交通信息制定、規(guī)劃控制策略，結(jié)合生態(tài)駕駛技術(shù)優(yōu)化決策，達(dá)到節(jié)能、減排的效果。

交叉口生態(tài)駕駛是生態(tài)駕駛技術(shù)中的重點(diǎn)也是難點(diǎn)。Zhao等[41]提出了1種實(shí)時協(xié)同的生態(tài)駕駛策略，首先車隊(duì)中的領(lǐng)隊(duì)車輛利用V2I獲取交通信號和時間信息，車隊(duì)中其他車輛利用V2V獲取前車和車隊(duì)的交通狀態(tài)，然后利用退界模型預(yù)測控制方法以最小化車隊(duì)能源消耗的方式通過交叉路口。仿真實(shí)驗(yàn)結(jié)果表明：該策略能降低整個交通系統(tǒng)的能耗。Zhang等[42]提出了1種基于智能網(wǎng)聯(lián)環(huán)境的生態(tài)駕駛排隊(duì)控制模型，該模型以排隊(duì)通過時間和能耗最小化為目標(biāo)，通過分排和速度引導(dǎo)得到交叉口排隊(duì)放行計(jì)劃和信號控制策略。仿真結(jié)果表明：車輛的平均等待時間減少了8.97%，總能耗減少了21.3%。Shi等[43]基于Q-Learning算法將CAVs視作1個智能體，選取車輛到交叉路口的距離、信號燈狀態(tài)、車輛瞬時速度等參數(shù)來表征實(shí)時環(huán)境狀態(tài)，將車輛排放的CO2總量作為獎勵標(biāo)準(zhǔn)，并根據(jù)實(shí)時環(huán)境狀態(tài)選擇其駕駛行為。仿真結(jié)果表明：利用強(qiáng)化學(xué)習(xí)獲得的駕駛行為可以有效的降低能耗。Wang等[44]研究了CAVs滲透率如何影響交通網(wǎng)絡(luò)的整體能耗，提出了1種針對信號燈走廊的協(xié)同生態(tài)駕駛系統(tǒng)，并通過角色轉(zhuǎn)換協(xié)議以實(shí)現(xiàn)領(lǐng)航車與跟隨車輛角色的轉(zhuǎn)換；利用PTV VISSIM對美國加州河濱市采集的真實(shí)交通數(shù)據(jù)進(jìn)行了微觀交通模擬評估，結(jié)果顯示：隨著CAVs滲透率的提高，整個交通系統(tǒng)的能耗和污染物排放量均有所下降，且當(dāng)滲透率達(dá)到100%時，能耗量減少超過7%，尾氣排放量減少高達(dá)59%。Kamalanathsharma等[45]認(rèn)為當(dāng)車輛速度偏離“最佳燃料速度”時會產(chǎn)生額外的能源消耗，并提出了1種生態(tài)協(xié)同自適應(yīng)巡航控制（ECACC）模型，該模型通過接收基礎(chǔ)設(shè)施發(fā)送的信號相位和定時（SPaT）數(shù)據(jù)來預(yù)測交通信號對車輛軌跡的約束，并提前優(yōu)化車輛行駛軌跡，以最大限度地降低車輛能耗；該模型在美國30輛銷量最高的車輛上進(jìn)行了測試，實(shí)驗(yàn)表明：應(yīng)用該模型的車輛通過信號燈交叉口時可節(jié)省5%～30%的燃油。

目前，雖有部分學(xué)者對生態(tài)駕駛實(shí)時控制方法開展了研究，但僅僅停留在交叉路口的控制決策。Lee等[46]提出1種生態(tài)駕駛咨詢系統(tǒng)（EDAS），該系統(tǒng)結(jié)合了最大化吞吐量模型（MTM）、平滑速度模型（SSM）和最小化加減速模型（MinADM），并將獨(dú)立交叉口模型拓展到連續(xù)交叉口模型，使車輛以最小的停車可能性通過連續(xù)交叉口來降低CO2的排放和能耗，最后與開放信號燈控制模型（OTLCM）和預(yù)測性巡航控制（PCC）模型進(jìn)行了比較，結(jié)果表明：在單交叉口場景下，該模型相較與OTLCM，CO2排放量降低了25.1%，平均行駛時間減少了20.5%；在連續(xù)交叉口場景下，該模型相比于PCC模型，CO2排放量降低19.9%，平均行駛時間減少24.5%。Lin等[30]研究了在任意2個交叉路口之間CAVs能耗最優(yōu)化通行規(guī)則，并提出了1個使發(fā)動機(jī)能耗最小化的控制問題。研究發(fā)現(xiàn)：2個紅色信號燈路口之間的最優(yōu)駕駛操作形式為2階段解，即加速和減速，或3階段解，即加速、定速巡航和減速，具體情況取決于路口之間的距離和限速。

在經(jīng)過對傳統(tǒng)小型汽油車生態(tài)駕駛決策的研究之后，部分學(xué)者開展了針對特種車輛以及電動汽車的生態(tài)駕駛決策研究。Johanson等[47]提出了1種基于動態(tài)規(guī)劃的最大加速度模型，對重型車輛車隊(duì)的減速情況進(jìn)行了最優(yōu)速度控制，顯著減少了燃油能耗。Li等[48]針對CAVs提出了1種周期切換的控制方法，使得在保證油耗最小化的同時也可以使得對車隊(duì)的控制具有良好的魯棒性。Zhao等[41]研究了1組混合CAVs和HPVs的實(shí)時協(xié)同生態(tài)駕駛策略的設(shè)計(jì)，可以進(jìn)一步平滑車輛的行駛軌跡，降低整個交通系統(tǒng)的燃油消耗。He等[35]提出了1種最優(yōu)控制模型，該模型為電動汽車和傳統(tǒng)汽油車的混合車隊(duì)提供生態(tài)駕駛建議。

協(xié)同自適應(yīng)巡航控制（cooperative adaptive cruise control，CACC）是基于互聯(lián)通信技術(shù)的自動駕駛速度控制系統(tǒng)，可極大地提高行駛安全性，減少交通擁堵和提高能量利用效率[49]。隨著CACC系統(tǒng)的提出，國內(nèi)外學(xué)者針對CACC車輛隊(duì)列的穩(wěn)定性與魯棒性控制做了一定的研究。在車-車協(xié)同高效穩(wěn)定的隊(duì)列行駛基礎(chǔ)上，提出了基于車路協(xié)同的生態(tài)協(xié)同式自適應(yīng)巡航控制（ecological cooperative adaptive cruise control，ECACC）對于解決實(shí)際能耗問題、交通效率問題有良好的效果。同時，王瓊等[50]充分考慮道路坡度以及車隊(duì)異質(zhì)性，提出了1種車輛隊(duì)列協(xié)同控制方法，該方法可保證車隊(duì)低能耗安全行駛。

在智能網(wǎng)聯(lián)環(huán)境下，生態(tài)駕駛的決策優(yōu)化是目前生態(tài)駕駛應(yīng)用中較為重要的方面，學(xué)者們大多數(shù)從單車控制規(guī)劃到隊(duì)列控制規(guī)劃再到獨(dú)立交叉口場景決策再到多交叉口場景決策，通過對CAVs車輛隊(duì)列的控制，可以提高車輛在行駛過程中的安全性，減小車輛行駛過程中的行駛間距和空氣阻力，從而可以減少行車過程中的能源消耗，達(dá)到生態(tài)駕駛的目的。同時，在各種復(fù)雜交通場景下，通過對車隊(duì)的協(xié)同跟馳控制，可以實(shí)現(xiàn)列隊(duì)整體能耗最優(yōu)，提高道路容載率和整體通行效率。但目前的控制規(guī)劃都還停留在理論研究階段，雖通過一系列仿真實(shí)驗(yàn)證明了其生態(tài)駕駛的作用，但是還未達(dá)到與實(shí)際交通場景結(jié)合的程度。因此在未來的研究方向上建議學(xué)者們首先可以通過智能網(wǎng)聯(lián)環(huán)境采集真實(shí)交通場景，將生態(tài)駕駛的研究立足于更多的交叉口場景等更加復(fù)雜的交通場景中，發(fā)揮出生態(tài)駕駛的實(shí)際效果；其次由于實(shí)際的交通環(huán)境是動態(tài)變化的，因此學(xué)者們可以通過與大數(shù)據(jù)交通流預(yù)測等研究進(jìn)行結(jié)合，將生態(tài)駕駛的決策優(yōu)化實(shí)時化，使其不僅停留于理論研究階段，促進(jìn)生態(tài)駕駛的進(jìn)一步發(fā)展。

3.3 智能交通系統(tǒng)綠色發(fā)展

隨著智能交通系統(tǒng)的發(fā)展，交通安全水平得到了大幅度提高，同時也提升了交通運(yùn)輸管理的效率，緩解了交通擁堵，節(jié)省了出行時間，減少了能源消耗和污染排放。

智能交通系統(tǒng)的特有屬性與生態(tài)駕駛天然契合，能有效促進(jìn)智能交通系統(tǒng)綠色發(fā)展，提高現(xiàn)有道路交通網(wǎng)絡(luò)的運(yùn)行效率，緩解擁堵、節(jié)約能源、減輕污染。智能交通能夠提高道路使用效率，使交通堵塞減少約60%，使短途運(yùn)輸效率提高近70%，使現(xiàn)有道路的通行能力提高2～3倍。車輛在智能交通體系內(nèi)行駛，停車次數(shù)可減少30%，行駛時間減少15%～45%，車輛的使用效率提高50%以上。通過智能控制，由于平均車速的提高帶來了燃料消耗量的減少和排出廢氣量的降低，油耗可降低15%。

促進(jìn)智能交通系統(tǒng)綠色發(fā)展作為未來智能交通發(fā)展的必經(jīng)之路，各國政府和學(xué)者對其進(jìn)行了大量研究和實(shí)踐。歐盟EcoMove項(xiàng)目通過優(yōu)化駕駛員的駕駛行為并引導(dǎo)駕駛員選擇最環(huán)保的行駛路徑；通過車隊(duì)管理系統(tǒng)，指導(dǎo)和鼓勵駕駛員選擇能耗更低的規(guī)劃路徑；在通過交通管理系統(tǒng)優(yōu)化交通信號燈科學(xué)分配的同時，提高整個路網(wǎng)車輛的運(yùn)行效率，減少能耗。美國IntelliDrive項(xiàng)目采用無線通信技術(shù)使車-車、車-路和用戶無線設(shè)備進(jìn)行互聯(lián)，將相關(guān)信息有效地傳遞給駕駛員，使交通運(yùn)輸更安全、更智慧、更綠色。日本SmartWay項(xiàng)目提供了1個開放共享的基礎(chǔ)平臺，強(qiáng)調(diào)基礎(chǔ)設(shè)施和車載裝置的互聯(lián)互通；該平臺可以提供與安全有關(guān)的信息，如前方道路狀況、大范圍擁堵等信息，從而提高道路交通效率和安全性。

Hsu等[51]開發(fā)了1種基于云的服務(wù)框架，以減少智能交通系統(tǒng)中的CO2排放量和燃料消耗。該框架通過云平臺、數(shù)字速記技術(shù)和路邊攝像頭來分別收集交通狀況、駕駛行為和交通視頻等，將其用來進(jìn)行高級數(shù)據(jù)分析，為駕駛員提供最小油耗路線導(dǎo)航和生態(tài)駕駛策略。支持車聯(lián)網(wǎng)（V2X）功能的基礎(chǔ)設(shè)施是智能交通系統(tǒng)的核心之一，Lee等[52]設(shè)計(jì)并實(shí)現(xiàn)了1種智能交通信號控制（STSC）系統(tǒng)，其支持多種智能城市交通應(yīng)用，包括緊急車輛信號搶占（EVSP）、生態(tài)駕駛支持、自適應(yīng)交通信號控制（ATSC）等。該系統(tǒng)可以為十字路口附近的所有CAVs提供行駛決策，從而使交通流變得更加順暢，有效降低油耗。

目前生態(tài)駕駛智能交通系統(tǒng)研究與應(yīng)用以國外居多，由于不同國家之間社會條件差異較大，中國的交通環(huán)境復(fù)雜多變，現(xiàn)有的研究成果不一定適用于中國的交通環(huán)境，需要根據(jù)中國實(shí)際條件進(jìn)行調(diào)研與研究，形成符合中國實(shí)際交通現(xiàn)狀的生態(tài)駕駛規(guī)范是十分有必要的，具體可以表現(xiàn)為符合中國法律法規(guī)，符合中國地形多變，符合中國跨緯度大，符合中國交通潮汐等交通規(guī)律。

4 生態(tài)駕駛研究總結(jié)與展望

本文基于近年來國內(nèi)外對智能網(wǎng)聯(lián)車輛生態(tài)駕駛研究方面的重要成果，系統(tǒng)梳理了智能網(wǎng)聯(lián)環(huán)境下生態(tài)駕駛的影響因素、控制策略以及應(yīng)用現(xiàn)狀，也對智能網(wǎng)聯(lián)環(huán)境下的生態(tài)駕駛研究進(jìn)行了總結(jié)，同時對未來研究方向提出了建議，見表2。

表2 對于未來生態(tài)駕駛研究方向的建議Tab.2 Suggestions for future research directions of eco-driving

4.1 生態(tài)駕駛的影響因素

CAVs生態(tài)駕駛影響因素和傳統(tǒng)HPVs影響因素相似，都可以分為自身特征、駕駛個性、道路交通狀況與社會條件的影響，但是CAVs增加了許多網(wǎng)聯(lián)傳感器，可以在車輛行駛過程中結(jié)合路側(cè)感知設(shè)備和V2X通信技術(shù)等，能夠獲得如視野盲區(qū)環(huán)境、交通燈信號、周圍車輛信息等網(wǎng)聯(lián)信息，因此通信條件在CAVs生態(tài)駕駛之中有較顯著的影響。隨著智能網(wǎng)聯(lián)技術(shù)的發(fā)展，為了進(jìn)一步促進(jìn)生態(tài)駕駛的發(fā)展，在網(wǎng)聯(lián)通信技術(shù)方面，可以利用5G通訊技術(shù)、北斗定位系統(tǒng)等，提高車-路、車-車之間的通信效率，保證數(shù)據(jù)之間的傳輸質(zhì)量，為智能網(wǎng)聯(lián)車輛的自主駕駛提供基礎(chǔ)數(shù)據(jù)上的保障；同時可以和政府企業(yè)合作研發(fā)高新技術(shù)，降低設(shè)備成本，促進(jìn)智能網(wǎng)聯(lián)車輛的發(fā)展，減少硬件設(shè)施因素對網(wǎng)聯(lián)環(huán)境下生態(tài)駕駛的影響效果。

目前，駕駛員對生態(tài)駕駛的影響已經(jīng)得到國內(nèi)外研究人員的普遍認(rèn)可。針對駕駛行為方面的研究主要側(cè)重于駕駛特性（即加速、減速、空轉(zhuǎn)和制動）；從駕駛風(fēng)格方面的研究可知不同駕駛風(fēng)格的駕駛員對生態(tài)駕駛的影響差異較大，因此，生態(tài)駕駛輔助系統(tǒng)、生態(tài)駕駛培訓(xùn)等應(yīng)充分考慮駕駛?cè)说鸟{駛風(fēng)格，以使得生態(tài)駕駛的效果更加明顯。

4.2 生態(tài)駕駛的控制策略

網(wǎng)聯(lián)環(huán)境下的生態(tài)駕駛控制策略是在傳統(tǒng)生態(tài)駕駛的車輛控制決策基礎(chǔ)上綜合考慮了網(wǎng)聯(lián)信息的影響而做出的更具備全局性的策略，分為經(jīng)驗(yàn)總結(jié)法與理論求解法2類。前者更具備普適性，而后者更具備獨(dú)特性；但基于經(jīng)驗(yàn)總結(jié)法的生態(tài)駕駛節(jié)能策略已經(jīng)在研究領(lǐng)域淡出了人們的視線，而基于理論求解法的生態(tài)駕駛節(jié)能策略因其定量性備受研究者的青睞。

盡管網(wǎng)聯(lián)環(huán)境下的生態(tài)駕駛控制策略取得了很大進(jìn)展，但大多數(shù)研究依賴于模擬駕駛來進(jìn)行有限場景的實(shí)驗(yàn)。為了實(shí)施生態(tài)駕駛控制策略，需要考慮車輛動力學(xué)、V2X連接等因素，同時也需要更多的現(xiàn)場實(shí)驗(yàn)來驗(yàn)證生態(tài)駕駛控制策略的性能；同時，學(xué)者們多關(guān)注于多車在交叉口或編隊(duì)駕駛工況下的生態(tài)駕駛策略控制，在立交橋、環(huán)形交叉口等復(fù)雜的多車行駛工況還有待研究。

4.3 生態(tài)駕駛的決策優(yōu)化

隨著車路協(xié)同和自動駕駛的發(fā)展迅速，網(wǎng)聯(lián)環(huán)境下的生態(tài)駕駛決策正在由單車生態(tài)逐漸過渡到群體協(xié)同生態(tài)駕駛。從駕駛決策方面的研究可知駕駛員應(yīng)充分考慮如何選擇路線、如何控制速度以及何時采取制動等問題以達(dá)到生態(tài)駕駛；且隨著智能網(wǎng)聯(lián)技術(shù)不斷發(fā)展，駕駛員操作車輛的機(jī)會將越來越少，因此，未來駕駛員對生態(tài)駕駛的影響比重將會逐漸降低。

從目前大部分的生態(tài)駕駛決策優(yōu)化研究中可以分析得出，各種措施都可以有效地減少車輛的能耗以及排放，但是這些研究僅僅聚焦在了駕駛過程中的外在影響，但是在生態(tài)駕駛過程中的主要影響因素也包括了駕駛?cè)说鸟{駛習(xí)慣，如果駕駛?cè)说闹饔^因素得以改善，那么生態(tài)駕駛的成效也會事半功倍。同時，得益于新能源發(fā)明探索與相關(guān)技術(shù)的持續(xù)進(jìn)步，汽車市場也逐漸由傳統(tǒng)燃油汽車向新能源汽車轉(zhuǎn)變，因此有關(guān)生態(tài)駕駛的研究主體也逐漸轉(zhuǎn)向新能源汽車。在新能源車輛生態(tài)駕駛的研究中，國內(nèi)外學(xué)者將更多的注意力放在能源管理和實(shí)際應(yīng)用方面，結(jié)合先進(jìn)技術(shù)，適應(yīng)行業(yè)發(fā)展，促進(jìn)生態(tài)駕駛的快速發(fā)展。

5 結(jié)束語

隨著智能網(wǎng)聯(lián)技術(shù)的快速發(fā)展，智能網(wǎng)聯(lián)車輛走進(jìn)了人們的生活中，智能網(wǎng)聯(lián)車輛是一門多學(xué)科融合的研究，離不開車聯(lián)網(wǎng)技術(shù)、自動駕駛技術(shù)、人工智能技術(shù)、通信技術(shù)等先進(jìn)技術(shù)的共同支撐。隨后隨著節(jié)能減排理念的提出，誕生了生態(tài)駕駛的概念，從而也衍生出了針對于智能網(wǎng)聯(lián)車輛生態(tài)駕駛的相關(guān)研究。本文旨在總結(jié)目前生態(tài)駕駛研究的現(xiàn)狀，結(jié)合傳統(tǒng)生態(tài)駕駛研究，分析目前智能網(wǎng)聯(lián)環(huán)境下的生態(tài)駕駛所存在的問題，并為學(xué)者們提供未來研究的方向與建議。生態(tài)駕駛是交通運(yùn)輸行業(yè)節(jié)能減排的重要措施，同時也關(guān)乎著整個世界綠色交通的發(fā)展，因此需要形成產(chǎn)學(xué)研政的集合，各行業(yè)共同努力、共同發(fā)展。