智能网联车辆队列网络拓扑优化及协同控制

doi:10.19562/j.chinasae.qcgc.2026.03.008

汽车工程 ›› 2026, Vol. 48 ›› Issue (3): 578-588.doi: 10.19562/j.chinasae.qcgc.2026.03.008

• • 上一篇

智能网联车辆队列网络拓扑优化及协同控制

高俊^1,³,谭小波¹,朴昌浩¹(),万凯林²

^1.重庆邮电大学计算机科学与技术学院，重庆 400065
^2.重庆长安汽车软件科技有限公司，重庆 433000
^3.重庆电子科技职业大学智能制造与汽车学院，重庆 401331

收稿日期:2025-04-01 修回日期:2025-05-29 出版日期:2026-03-25 发布日期:2026-03-19
通讯作者: 朴昌浩 E-mail:piaoch@cqupt.edu.cn
基金资助:
国家重点研发计划项目(2022YFE0101000);重庆市自然科学基金面上项目(2024NSCQ-MSX1981);重庆市教委科学技术研究计划项目(KJON202403124);重庆市教委科学技术研究计划项目(KJQN202503125);重庆市教委科学技术研究计划项目(KJZD-M202503102);2025年教师自主创新“火花”计划(25XIJSCX12)

Network Topology Optimization and Cooperative Control of Intelligent Connected Vehicle Platoons

Jun Gao^1,³,Xiaobo Tan¹,Changhao Piao¹(),Kailin Wan²

^1.School of Computer Science and Technology，Chongqing University of Posts and Telecommunications，Chongqing 400065
^2.Chongqing Changan Automobile Software Technology Co. ，Ltd. ，Chongqing 433000
^3.School of Intelligent Manufacturing and Automotive Engineering，Chongqing Polytechnic University of Electronic Technology，Chongqing 401331

Received:2025-04-01 Revised:2025-05-29 Online:2026-03-25 Published:2026-03-19
Contact: Changhao Piao E-mail:piaoch@cqupt.edu.cn

摘要/Abstract

摘要：

针对智能网联汽车通信链路动态变换诱发车辆队列网络拓扑切换，以及传统人工设计拓扑使用场景受限的问题，以实现车辆队列稳定性、舒适性、能耗经济性均衡为目标，提出了一种基于帕累托优化拓扑切换的车辆队列控制方案。首先，基于非支配排序遗传算法，引入网络连通性作为约束条件，以车辆队列3种性能量化指标作为优化目标，离线搜索满足队列性能均衡的帕累托优化网络拓扑；其次，基于分布式非线性模型预测控制器，结合帕累托优化拓扑和马尔科夫链切换机制，设计了基于帕累托优化拓扑切换的车辆队列非线性协同控制器；最后，在3种场景下对车辆队列控制器、优化拓扑筛选方法及切换控制进行了仿真验证，实验结果展示了所提方法的有效性。其中，所提车辆队列控制方法与传统人工设计拓扑切换控制方法相比，其在跟踪稳定性、舒适性以及能耗经济性方面分别提升了30.1%、18.6%和2.2%，表明了本文所提车辆队列协同控制器在动态拓扑切换场景下的可行性和有效性。

关键词: 智能网联汽车, 车辆队列, 帕累托优化, 网络拓扑, 分布式模型预测控制

Abstract:

A Pareto-optimized topology switching control strategy is proposed for connected vehicle platoons to address two key challenges of dynamic changes in communication links that induce network topology switches and the scenario limitation of traditional manually designed topologies. The proposed approach aims to achieve a balanced trade-off among platoon stability， comfort， and energy efficiency. Firstly based on the Non-dominated sorting genetic algorithm， network connectivity is introduced as a constraint， while stability， comfort， and energy efficiency serve as optimization objectives to search offline for Pareto-optimized network topologies that effectively balance these performance metrics. Next， based on a distributed nonlinear model predictive controller， by integrating the Pareto-optimized topology with a Markov chain switching mechanism， a vehicle platoon nonlinear collaborative controller based on Pareto optimization topology switching is designed. Finally， simulation verification is conducted on the vehicle platoon controller， topology selection method， and switching mechanism. The experimental results show the effectiveness of the proposed method. The proposed approach outperforms traditional manually designed topology switching methods， improving tracking stability by 30.1%， comfort by 18.6%， and energy efficiency by 2.2%. These findings demonstrate the feasibility and effectiveness of the proposed cooperative control strategy in dynamic topology switching scenarios.

Key words: intelligent connected vehicles, vehicle platoon, Pareto optimization, network topology, distributed model predictive control

高俊,谭小波,朴昌浩,万凯林. 智能网联车辆队列网络拓扑优化及协同控制[J]. 汽车工程, 2026, 48(3): 578-588.

Jun Gao,Xiaobo Tan,Changhao Piao,Kailin Wan. Network Topology Optimization and Cooperative Control of Intelligent Connected Vehicle Platoons[J]. Automotive Engineering, 2026, 48(3): 578-588.

图/表 13

图1

表1

NSGA-II算法伪代码"

NSGA-II算法

数据：

输入拓扑矩阵 T + P，代数n， $f 1 (x)$ ：CFI， $f 2 (x)$ ：CDC， $f 3 (x)$ ：CFC，连通性 $σ (G)$ 。

生成随机种群；

计算目标函数值 $f 1 (x)$ ， $f 2 (x)$ ， $f 3 (x)$ ；

去除不满足连通性 $σ (G)$ 的候选者；

初始种群排序；

计算目标函数值 $f 1 (x)$ ， $f 2 (x)$ ， $f 3 (x)$ 的排序；

给初始种群分配拥挤距离。

For

i=1：n

选择操作；

创建交配池（大小N/2）；

遗传算子：交叉、变异；

合并种群；

使用 $σ (G)$ 去除不连通的网络拓扑；

End

选择操作。

表1

表2

跟随车辆参数"

车辆编号	$m v e h, i$ /kg	$τ i$ /s	$C a e r o, i$ /（N·s²·m^-2）	$R v e h, i$ /m
1， 8	1 035.70	0.51	0.99	0.30
2， 9	1 849.10	0.75	1.15	0.38
3， 10	1 834.00	0.78	1.17	0.39
4， 11	1 678.70	0.70	1.12	0.37
5， 12	1 757.70	0.73	1.13	0.38
6， 13	1 743.10	0.72	1.13	0.37
7， 14	1 392.20	0.62	1.06	0.34

表2

表3

图2

图3

图4

图5

图6

表4

图7

图8

图9

参考文献 25

[1]	BRAUN R， RANDELL R， et al. Futuramas of the present： the “driver problem” in the autonomous vehicle sociotechnical imaginary［J］. Humanities and Social Sciences Communications， 2020， 7（1）： 1-10.
[2]	于树友，冯阳阳，曲婷，等. 车辆队列协同控制综述［J］. 控制与决策， 2024， 39（12）： 3889-3909.
	YU S， FENG Y， QU T， et al. A review of vehicle platoon cooperative control ［J］. Control and Decision， 2024， 39（12）： 3889-3909.
[3]	FENG Y， YU S， SHENG E， et al. Distributed MPC of vehicle platoons considering longitudinal and lateral coupling［J］. IEEE Transactions on Intelligent Transportation Systems， 2024， 25： 2293-2310.
[4]	XU M， LUO Y， KONG W， et al. A distributed model predictive control method combined with delay compensator for multiple vehicle platoons［J］. IET Intelligent Transport Systems， 2022， 17： 357-372.
[5]	LI K， BIAN Y， LI S， et al. Distributed model predictive control of multi-vehicle systems with switching communication topologies［J］. Transportation Research Part C： Emerging Technologies， 2020， 118： 102717.
[6]	ZHENG Y， LI S， WANG J， et al. Stability and scalability of homogeneous vehicular platoon： study on the influence of information flow topologies［J］. IEEE Transactions on Intelligent Transportation Systems， 2016， 17（1）： 14-26.
[7]	HU M， LI C， BIAN Y， et al. Fuel economy-oriented vehicle platoon control using economic model predictive control［J］. IEEE Transactions on Intelligent Transportation Systems， 2022， 23： 20836-20849.
[8]	GRATZER A L， THORMANN S， SCHIRRER A， et al. String stable and collision-safe model predictive platoon control［J］. IEEE Transactions on Intelligent Transportation Systems， 2022， 23： 19358-19373.
[9]	于晓海，郭戈. 车队控制中的一种通用可变时距策略［J］. 自动化学报， 2019， 45（7）： 1335-1343.
	YU X， GUO G. A general variable time-gap strategy in platoon control ［J］. Acta Automatica Sinica， 2019， 45（7）： 1335-1343.
[10]	闫茂德，宋家成，杨盼盼，等. 基于信息一致性的自主车辆变车距队列控制［J］. 控制与决策， 2017， 32（12）： 2296-2300.
	YAN M D， SONG J C， YANG P P， et al. Autonomous vehicle variable distance platoon control based on information consistency［J］. Control and Decision， 2017， 32（12）：2296-2300.
[11]	GAO J， PENG Z， JANG S， et al. Platoon control leveraging network performance and state estimation under dynamic V2V network［J］. IEEE Transactions on Intelligent Transportation Systems， 2025，26（8）：12093-12105.
[12]	TIAN B， WANG G， XU Z， et al. Communication delay compensation for string stability of CACC system using LSTM prediction［J］. Vehicular Communications， 2021， 29： 100333.
[13]	XU L， ZHUANG W， YIN G， et al. Modeling and robust control of heterogeneous vehicle platoons on curved roads subject to disturbances and delays［J］. IEEE Transactions on Vehicular Technology， 2019， 68： 11551-11564.
[14]	LI K， LI Y. Fuzzy adaptive optimization prescribed performance control for nonlinear vehicle platoon［J］. IEEE Transactions on Fuzzy Systems， 2024，32（2）：360-372.
[15]	LAN J， ZHAO D， TIAN D. Data-driven robust predictive control for mixed vehicle platoons using noisy measurement［J］. IEEE Transactions on Intelligent Transportation Systems， 2023， 24： 6586-6596.
[16]	WU Y， LI S E， CORTES J， et al. Distributed sliding mode control for nonlinear heterogeneous platoon systems with positive definite topologies［J］. IEEE Transactions on Control Systems Technology， 2020， 28： 1272-1283.
[17]	WANG X， XU C， ZHAO X， et al. Stability and safety analysis of connected and automated vehicle platoon considering dynamic communication topology［J］. IEEE Transactions on Intelligent Transportation Systems， 2024， 25： 13442-13452.
[18]	YAN Y， DU H， HE D， et al. Pareto optimal information flow topology for control of connected autonomous vehicles［J］. IEEE Transactions on Intelligent Vehicles， 2023， 8： 330-343.
[19]	XU L， JIN X， WANG Y， et al. Stochastic stable control of vehicular platoon time-delay system subject to random switching topologies and disturbances［J］. IEEE Transactions on Vehicular Technology， 2022， 71： 5755-5769.
[20]	闫茂德，君萌萌，左磊. 马尔科夫链通信拓扑下的车辆队列最优能耗控制［J］. 控制与决策， 2024 （1）： 161-170.
	YAN M， JUN M， ZUO L. Optimal energy consumption control for vehicle platoons under Markov chain communication topology［J］. Control and Decision， 2024 （1）： 161-170.
[21]	何德峰，罗捷，李永福. 通信拓扑切换下车辆队列分布式多目标预测控制［J］. 中国科学：信息科学， 2024， 54（9）： 2263-2279.
	HE D， LUO J， LI Y. Distributed multi-objective predictive control of vehicle platoons with switching communication topologies［J］. Science China Information Sciences， 2024， 54（9）： 2263-2279.
[22]	王卓，秦博东，徐雍，等. 复杂无向网络连通性的一种高效判定算法［J］. 自动化学报， 2020， 46（10）： 2129-2136.
	WANG Z， QIN B D， XU Y， et al. An efficient algorithm for connectivity determination in complex undirected networks［J］. Acta Automatica Sinica， 2020， 46（10）： 2129-2136.
[23]	GONG S， ZHOU A， WANG J， et al. Cooperative adaptive cruise control for a platoon of connected and autonomous vehicles considering dynamic information flow topology［J］. arXiv.1807.02224， 2018.
[24]	WANG P， DENG H， ZHANG J， et al. Model predictive control for connected vehicle platoon under switching communication topology［J］. IEEE Transactions on Intelligent Transportation Systems， 2022， 23： 7817-7830.
[25]	罗捷，鲁良叶，何德峰，等. 通信拓扑切换下车辆队列分布式模型预测控制［J］. 控制理论与应用， 2021， 38（7）： 1-10.
	LUO J， LU L， HE D， et al. Distributed model predictive control for vehicle platoons under switching communication topologies［J］. Control Theory & Applications， 2021， 38（7）： 1-10.

网络拓扑	CFI	CDC	CFC/L
PF	1.437 4	0.224 5	1.258 7
PLF	1.171 5	0.263 5	1.291 3
TPF	1.974 7	0.211 2	1.279 2
TPLF	1.172 1	0.263 1	1.291 1
TOP 5	70.388 1	0.295 1	1.330 2
TOP 6	1.171 4	0.264 1	1.291 5
TOP 7	1.659 5	0.248 1	1.273 4
TOP 8	2.076 4	0.239 2	1.284 6
TOP 9	2.199 5	0.227 9	1.287 5

网络拓扑	CFI	CDC	CFC/L
传统拓扑切换	1.817 1	0.321 0	1.308 3
帕累托优化拓扑切换	1.270 8	0.261 4	1.279 5
性能提升	30.1%	18.6%	2.2%

智能网联车辆队列网络拓扑优化及协同控制

Network Topology Optimization and Cooperative Control of Intelligent Connected Vehicle Platoons

RichHTML

PDF (PC)

赞

可视化

摘要/Abstract

引用本文

使用本文

图/表 13

参考文献 25

相关文章 15

Metrics

本文评价

推荐阅读 0

[1]	刘佳慧,邹渊,吴金铭,杜国栋,孙文景. 边缘计算环境下ICV队列的任务卸载与资源分配[J]. 汽车工程, 2026, 48(1): 13-23.
[2]	张强,石琴,程腾,倪昊. 基于ChatGLM2大模型的座舱多模态拒识模型研究[J]. 汽车工程, 2025, 47(3): 412-417.
[3]	杨瑞新,蔡英凤,廉玉波,陈龙,孙晓强. 时滞条件下商用车队分布式MPC多目标优化控制[J]. 汽车工程, 2025, 47(3): 418-429.
[4]	张傲,李淑艳,高博麟,万科科,周光,曹通易. 基于云端地图的智能网联商用车质量估计算法研究[J]. 汽车工程, 2024, 46(6): 1006-1014.
[5]	周俊宇,李克强,任晗啸,于杰,罗禹贡. 基于场景划分的智能网联汽车协同换道避障方法[J]. 汽车工程, 2024, 46(5): 745-753.
[6]	胡林,谷子逸,王丹琦,王方,邹铁方,黄晶. 汽车安全性测评规程现状及趋势展望[J]. 汽车工程, 2024, 46(2): 187-200.
[7]	关书睿,李克强,周俊宇,石佳,孔伟伟,罗禹贡. 面向强制换道场景的智能网联汽车协同换道策略[J]. 汽车工程, 2024, 46(2): 201-210.
[8]	王庞伟,刘程,汪云峰,张名芳. 面向城市道路的智能网联汽车多车道轨迹优化方法[J]. 汽车工程, 2024, 46(2): 241-252.
[9]	左政,王云鹏,麻斌,邹博松,曹耀光,杨世春. 基于AFC-TARA的车载网络组件风险率量化评估分析[J]. 汽车工程, 2023, 45(9): 1553-1562.
[10]	李升波,占国建,蒋宇轩,兰志前,张宇航,邹文俊,陈晨,成波,李克强. 类脑学习型自动驾驶决控系统的关键技术[J]. 汽车工程, 2023, 45(9): 1499-1515.
[11]	刘济铮,王震坡,孙逢春,张雷. 异构智能网联汽车编队延迟补偿控制研究[J]. 汽车工程, 2023, 45(9): 1573-1582.
[12]	吴思宇,于文浩,邢星宇,张玉新,李楚照,李雪轲,古昕昱,李云巍,马小涵,路伟,王政,郝圳茂,王红,李骏. 基于关键场景的预期功能安全双闭环测试验证方法[J]. 汽车工程, 2023, 45(9): 1583-1607.
[13]	边有钢,张田田,谢和平,秦洪懋,杨泽宇. 车辆队列抗扰抗内切协同路径跟踪控制[J]. 汽车工程, 2023, 45(8): 1320-1332.
[14]	朱冰,姜泓屹,赵健,韩嘉懿,刘彦辰. 智能网联汽车协同感知信任度动态计算与评价方法[J]. 汽车工程, 2023, 45(8): 1383-1391.
[15]	关宇昕,冀浩杰,崔哲,李贺,陈丽文. 智能网联汽车车载CAN网络入侵检测方法综述[J]. 汽车工程, 2023, 45(6): 922-935.