文献综述（或调研报告）：
智能车辆的纵向速度规划是根据一定范围内的期望路径信息对期望速度进行规划，使其达到局部最优。由于车辆在行驶过程中，期望路径上的信息不断变化，故需要根据每一采样周期的环境信息的规划出不同的期望速度。
在国内，对车辆纵向速度规划进行了以下研究：北京理工大学以前方有无障碍物进行分类，分别以期望减速度和障碍物距离，道路允许最高车速进行速度规划，并加入了横向动力学约束、期望加速度对于期望速度的限制，在期望路径上规划出平滑的速度分布[1]。夏天等提出了基于动态障碍物的梯形速度规划算法，同时考虑到了乘坐舒适性和车辆运行效率并通过CarSim/Simulink 联合仿真和实车实验验证了其可行性[2]。张凌莺等通过动态规划算法，分别对轨道列车的单列车和多列车追踪运行曲线进行优化并通过仿真验证了其有效性 [3] 。朱大吉等针对控制系统中存在的电机最大力矩、最大机械制动力矩约束，纵向车速约束等限制，并考虑车辆质量对纵向车速控制的影响，采用基于观测器的纵向车速滚动时域优化控制方法以实现纵向车速的控制，通过仿真验证了该方法的可行性[4]。李新燕等提出了模糊最优滑转率识别技术，制定了合理有效的牵引力控制策略，同时完成了牵引力控制策略的离线仿真和硬件在环仿真试验，验证了其控制策略的可行性[5]。山东大学杨福广以车辆最优滑转率为控制目标，通过遗传算法对控制变量进行自整定，设计出二阶自抗性牵引力控制系统并进行了仿真实验[6]。朱敏等建立了智能车辆纵向动力学模型并将控制系统分为上位控制器和下位控制器，根据仿真及实车试验平台控制特性设计下位控制器，基于模型预测控制滚动优化思想设计上位控制器；然后通过 Matlab/Simulink与 CarSim 联合仿真初步测试了系统性能[7]。王琼等基于油耗模型的优化指标构建车队速度优化问题, 提出一种滚动时域动态规划算法, 获得车队的参考速度。基于非线性车辆模型, 运用反步法设计车辆跟踪控制器, 并进行车队队列稳定性分析[8]。
图3 夏天等提出的梯形速度规划流程图 图4 张凌莺等提出的列车追踪模型
在国外，M.A.S.Kamal等学者基于模型预测控制算法对上下坡过程中的车速进行规划，有效地减少了刹车和急加速次数，从而降低了车辆油耗。[9] 英国伯明翰大学分别将动态规划、遗传算法和蚁群算法应用于单列车的运行曲线优化，并作算法效果比较，论证了三种算法对相同指标的优化力度。[10] 弗吉尼亚理工大学Hesham A. Rakha等学者采用动态规划算法，降低了车辆通过红绿灯的油耗和行驶时间。[11] Stankovic S S等提出基于迭代控制算法和最优控制理论的最优车队控制方法, 可使车辆跟随间距最小。[12] Kamal 在其经济型坡道巡航研究的基础上，基于V2X等车联网技术，准确获取前方信号灯配时，并将模型预测控制应用于城市交通环境的交通路口，实现路口的经济型通行[13]。Kaijiang YU等利用交通信号和道路坡度信息进行预测提高了燃油经济性，汽车通过接收来自智能交通系统(ITS)的交通信号信息，利用模型预测控制对交通信号和道路坡度信息计算从而达到最优的车辆控制输入，并通过计算机仿真结果分析了该方法的性能[14]。Vicente Milaneacute;s等设计并实现了一种CACC系统，它由两个控制器组成，一个用于管理前进车辆的接近操纵，另一个用于在车辆加入队列后调节车辆跟随，并在四台生产的英菲尼迪M56s车辆上进行测试[15]。提出了一种利用基于IVC和VII的轨迹预测的节省时间的动力系统优化策略的组合方法，有效的解决了HEV切换动力源时的最优性，驱动周期灵敏度，计算速度和电荷维持（CS）等问题，并通过仿真对有效性进行了验证[16]。
21世纪以来，智能交通系统受到各国政府的高度重视。智能化、网联化已成为未来汽车发展的必然之路，美、欧、日等发达国家和地区在此领域起步较早，美国最先提出了智能车辆高速公路系统，欧洲紧随其后，启动了“普罗米修斯”交通计划。日本则开展了先进安全车辆、先进道路运输系统等多项研究。国智能车辆的研究发展，相较于欧美等发达国家起步较晚。在国家“八五”和“九五”无人车项目的支持下，清华大学、北京大学、国防科技大学等高等院校和科研机构投入了智能车辆的研究工作之中，并在无人驾驶关键技术上取得了显著的成果。
参考文献
课题毕业论文、开题报告、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
