智能网联车辆生态驾驶研究现状及展望*

陈志军 张晶明 熊盛光 苏紫鹏 胡军楠 吴超仲▲

（1.武汉理工大学智能交通系统研究中心 武汉 430063；2.武汉理工大学计算机与人工智能学院 武汉 430063；3.武汉理工大学汽车工程学院 武汉 430063）

0 引言

随着传统汽车工业和车辆网联化、轻量化、智能化等相关技术的蓬勃发展，全球汽车保有量保持着稳步增长，随之带来的环境污染、能源消耗，以及交通拥堵也成了影响人类社会发展的核心问题。《中国机动车环境管理年报》显示：北京、上海、杭州等城市的机动车排放已成为PM2.5的首要来源，机动车尾气污染已经成为中国空气污染的重要来源。有研究表明：在欧盟，23%的CO2排放来自交通运输业；而在美国，交通运输业的CO2排放量占总体CO2排放量的34%。温室气体的排放不仅会导致气候变化，还会引起土地和水资源的退化等问题[1]。因此，汽车技术的进步必须与生态环境保持和谐发展，才能保证人类社会的持续发展。生态驾驶旨在通过改善驾驶行为，在提升驾驶安全基础上有效缓解车辆保有量增加带来的能源消耗和排放污染等问题。生态驾驶是1种成本相对较低却可以立竿见影地降低能源消耗与排放污染的方法[2]。

为推进绿色交通发展，各国政府、研究中心、高校，以及企业等对生态驾驶展开了研究。美国加州大学河滨分校和沃尔沃北美集团的研究人员于2019年9月开发了互联生态驾驶（connected eco-driving）系统Eco-Drive，以减少交通能源消耗和温室气体排放；在日本，自2007年起，每年的11月定为“生态驾驶月”，以此号召人们改善日常驾驶技巧，减少汽车燃油消耗和尾气排放；在中国，2019年12月，大众汽车集团旗下思皓推出了“智能生态驾驶体验”活动，借助场景化试驾体现当代智慧、绿色出行的发展与需求；此外，无论是德国工业4.0还是中国“十四五”规划都提到了绿色生态发展的需求。

近年来，随着通信技术和自动驾驶技术的快速发展，智能网联车辆（connected automated vehicles，CAVs）也得到了迅猛的发展，由于CAVs具有减少能源消耗和尾气排放的巨大潜力，因此生态驾驶也需要从传统方式向CAVs下的生态驾驶方式转变[3-4]。CAVs是自主式智能车辆（autonomous vehicle，AV）和网联式智能车辆（connected vehicle，CV）二者的集合，可以说，CAVs就是智能车辆行驶在网络环境中，而与传统车辆（即人工驾驶车辆，human-powered vehicles，HPVs）相比，CAVs在车辆本身和行驶环境2个方面具有较大的不同，见图1。且CAVs具备了环境感知、路径规划与决策、协同控制等功能[5]，可以为出行提供更安全、更舒适、更节能，以及更高效的方式，已成是国际公认的车辆未来发展方向[6]。CAVs与HPVs的不同除了表现在车辆需要的自动驾驶技术和传感器等装置外，还表现在CAVs网络环境给予的支持，其网络环境一方面在于路侧感知设备的智能化与网联化，另一方面在于通过车用无线通信技术（vehicle to everything，V2X）进行车与车、车与路、车与人的实时信息交互。

图1 智能网联车辆（CAVs）示意图Fig.1 Schematic diagram of connected automated vehicles（CAVs）

随着5G通信技术的兴起，数据传输更加低延、高效，而CAVs与5G技术的结合，可以使得车与车、车与路、车与人之间的信息交互更加及时，进而能够获得更加精细的感知信息和决策规划信息，为减少交通事故、提高交通出行效率，以及促进生态驾驶的发展提供了技术加持。通过对CAVs与HPVs在车辆自身和行驶环境的不同点分析，可以总结出CAVs具有以下特点。

1）感知信息范围广。CAVs在车辆上搭载了摄像头、雷达、超声波等传感器，在车辆行驶过程中结合路侧感知设备和V2X通信技术等，除了能够捕捉到HPVs的四周环境信息外，还能够获得视野盲区环境、交通灯信号、周围车辆信息等网联信息。

2）决策判断智能化。基于车载感知设备和路侧感知设备，CAVs能够获取前方路况、交通信号灯等信息，车辆决策系统对数据综合分析后利用人工智能等技术提前预知前方路况并提前做出决策。

3）车辆控制时延低。由于CAVs能够提前获取前方路况并做出路径规划，且在一定条件下，CAVs具有车辆的控制权，能够提前对变化的工况做出相应的规划，并告知驾驶员，降低了驾驶员操作中的时延及急刹急减带来的更多能耗与排放。

CAVs在考虑生态驾驶实现过程中还有很多需要解决的关键科学及技术问题。虽然欧盟提出的生态驾驶黄金规律和日本提出的生态驾驶“十法”都给出了驾驶人进行生态驾驶的要求，但智能网联交通环境下的生态驾驶与传统生态驾驶相比发生了很大的变化，且智能网联交通环境与传统交通环境之间存在较大的差异，目前的相关研究对智能网联环境下的生态驾驶缺乏系统性的总结与归纳。基于此，从智能网联环境下生态驾驶影响因素出发，对网联环境下生态驾驶控制策略与驾驶应用的研究现状进行了总结分析，并对该领域下一步研究方向进行展望。

1 智能网联环境下生态驾驶影响因素

影响车辆生态驾驶效果的因素众多，车辆的结构特征、驾驶人驾驶风格、道路交通状况等都能够对车辆的节能减排产生影响；随着智能网联技术的发展，生态驾驶迎来了新的发展契机，同时车辆的智能化、网联化程度，以及CAVs的渗透率等都会对车辆的生态驾驶产生新的影响。

智能网联环境下的生态驾驶影响因素可以按照传统的影响因素归纳为车辆自身特征、驾驶人个性特征、道路交通状况，以及社会因素这4个方面，见图2。

图2 生态驾驶能源消耗的影响因素Fig.2 Factors influencing energy consumption of eco-driving

1.1 车辆自身特征影响

车辆自身特征主要包括发动机、自重、外形、轮胎等，这些车辆设计会直接影响能源消耗。在工况一定时，电动车辆的能耗和自重基本呈线性关系，因此，在满足车辆刚度和强度的前提下，应力求车身的轻量化，也可以考虑降低电池质量。车辆在高速行驶时空气阻力是影响能耗的重要因素。对于混合动力车辆来说，能量管理策略对于燃油消耗至关重要，Jiang等[7]对比了自适应等效消耗最小化策略（A-ECMS）、最优控制律（OCL）和随机动态规划（SDP）这3种实时的能量管理策略，结果表明：A-ECMS具有最好的节油效果。通过对车辆结构进行适当修改可以提升生态驾驶效果，Giovanni等[8]根据车辆动力学特性通过适当设置转向不足特性和车轮转矩制定生态驾驶策略能够获得的良好的能源效率收益。

因此在未来的CAVs上，基础的车辆设计方面，可以通过减少车辆自重、外观流线型设计，以及采用新型材料等方式减少车辆的能源消耗。但是，CAVs需要通过各种传感器、相机、激光雷达等获取环境信息，这些加装设备也会带来相应的行驶阻力，影响生态驾驶效果，且需要强大的计算能力进行数据处理，可能带来额外的能量消耗，从而会增加车辆的能源消耗；另一方面，高等级的自动驾驶能够减少甚至消除车辆事故，移除车辆的安全设备能够减轻重量，从而降低能源消耗[1]。

1.2 驾驶人个性特征影响

驾驶人的个性特征对生态驾驶效果同样会产生影响，对于相同的驾驶场景，不同的驾驶人存在着不同的生理与心理状况，从而会产生不同的驾驶行为。Meseguer等[9]通过实验验证了驾驶员的驾驶风格与车辆的燃油消耗直接相关，激进型的驾驶风格总是会导致更多的能源消耗和CO2排放，采取高能效的驾驶风格能够节约15%～20%的燃油。为了探究不同的驾驶风格对燃油消耗的影响，部分学者按照正常型（驾驶员正常驾驶）、节能型（驾驶员在安全驾驶的前提下尽可能采取高能效的驾驶行为）和激进型（驾驶员在安全驾驶的前提下采取使出行时间最少的驾驶行为）3种驾驶风格设计实验并分析，发现激进型驾驶员在采取了高能效的驾驶行为后能够有效地降低驾驶循环的燃油消耗。驾驶风格对混合动力车的燃油消耗也存在较大的影响，Thomas等[10]的研究表明：最大化地利用驾驶风格能够降低混合动气车25%～68%的燃油消耗。对于电动车来说，驾驶员采取高能效的驾驶行为不仅可以降低能耗，还能够增加行驶里程。驾驶行为还会对车辆的排放产生影响，CO2，CO，NOx，HC在交叉口上游的排放情况与驾驶风格有关，各排放物的排放总量与减速段长度负相关，车辆越提前减速，各排放物的总排放量越少。

由于驾驶人对生态驾驶的了解程度不高，其日常的驾驶习惯可以影响到车辆的排放情况。因此，部分学者对驾驶员进行培训或进行操作建议，鼓励驾驶员采取生态驾驶行为，如避免突然停车和过多的怠速运行、温和地加速等，能够明显降低车辆的能耗和排放；并且在生态驾驶说服策略去除之后，驾驶员仍能够保持生态驾驶习惯[11]。但是目前多数驾驶个性的研究针对的是传统车辆与驾驶人，而传统车辆与智能网联车辆的交通环境以及决策层并不重合，智能网联汽车可以通过对不同工况下优秀的生态驾驶行为进行学习，完善自己的决策模型，在保证驾驶安全与驾乘舒适的基础上，提升车辆的驾驶经济性。

1.3 道路交通状况影响

道路交通状况主要包括道路拥堵情况、道路类型、信号配时，以及交通主体等。车辆在信号交叉口频繁的启停和怠速都会增加额外的燃油消耗和排放[12]。因此，合理的信号配时能够有效地降低车辆在有信号交叉口的排队等待时间，从而可以降低能耗和排放[13]。道路类型在一定程度上会影响车辆的速度、加速度和减速度曲线。Wang等[14]对不同道路类型（高速公路、城市主干道、地方街道）的生态驾驶影响因素进行研究，其中最节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，所以车辆具有更高的瞬时燃油消耗。CAVs由于能够通过V2X与路侧等单元进行通信，因此能够提前获取信号灯配置，可以提前规划速度和加速度策略，能够以更加生态的方式通过交叉口，并且随着CAVs渗透率的增加，交叉口的交通密度、平均行驶速度、停车延误都显著提高，从而可以降低车辆的燃油消耗和排放[13]。Jiang等[15]研究在部分智能网联环境下的单交叉口生态驾驶系统，由于CAVs的渗透率不同，系统在非饱和条件下的节能效果可以达到2.02%～8.655%，在饱和条件下可以达到9.95%～44.02%，在过饱和条件下可以达到13.13%～58.01%。Rios-Torres等[16]设计了在匝道合流区场景的不同交通流量和渗透率条件下CAVs对燃油消耗的影响，在100%CAVs渗透率下，燃油消耗可降低40%～55%，在中、高交通流下，燃油消耗只在100%CAVs渗透率下才能实现，最高的节能效果（63%）是在中等交通流量下达到的。

由于CAVs的智能感知、车路协同、V2X通信等网联功能，可以通过智能感知设备提前获取交通信息、道路信息、车辆信息等，从而做出个体和整体的规划，合理分配资源，提升整个交通系统的运行效率。因此，对于政府道路管理部门可以从宏观角度提前为车辆行驶过程中的信号灯等交通环境进行决策规划，实现生态驾驶效果的最大化，减少整个城市的能源消耗。但目前对于宏观交通的决策规划方面的研究还比较少，并没有比较完整及确定的决策方式，因此对于学者来说可以将研究方向立足于对于各种行驶工况的节能决策规划，结合人工智能算法、机器学习等实现智能化的决策规划，同时实现CAVs的生态驾驶普及。

1.4 社会因素影响

社会因素主要包括政府相关政策、经济手段刺激、社会宣传等方面。社会需求、政府政策强制性的法律法规能够促进生态驾驶的执行，欧盟的Directive 2006/126/EC和Commission Directive 2012/36/EU中规定驾校和驾驶员考试必须包含生态驾驶内容；美国制定了Engine Idling Laws以限制不必要的怠速时间[2]。经济刺激手段也可以用来鼓励生态驾驶。Lai[17]通过对比2个公交公司在执行生态驾驶货币型奖励前后的燃油效率数据，发现实施了奖励之后公交的平均燃油消耗节省超过10%，碳排放也降低。Schall等[18]将货币型奖励和非货币型奖励引入到轻型商用车驾驶的生态驾驶奖励，对6个月的实验数据进行分析，结果表明：有形的非货币型奖励能够使平均燃油消耗降低5%，而同等价值的货币型奖励带来的燃油消耗降低较少。生态驾驶执行的效果还受到人们对其的认知和理解，驾驶员会将出行时间成本、便捷性作为首要选择，通常不会将节省能源作为主要考虑因素。但是，生态驾驶并不会增加城市交通出行的时间，而且较为缓和的驾驶行为可以降低交通事故的发生，因此，宣传和普及生态驾驶知识和技能是十分必要的[2]。

综上，在智能网联环境下，驾驶人的驾驶习惯及道路的交通状况是影响生态驾驶的重要因素。因此，对于驾驶员，拥有良好的驾驶习惯不仅有利于驾驶安全，同时也可以使得车辆的能耗最少；对于道路管理部门，合理的交通决策规划也是减少车辆能耗的有效措施。当然对于车辆自身条件的改良及社会层面的政策辅助也是促进生态驾驶的有效措施，同时降低城市的空气污染，创造良好的城市生活环境。对于生态驾驶研究，学者们可以针对于驾驶员驾驶习惯改善、生态驾驶培训，以及生态驾驶决策控制优化进行进一步研究，促进生态驾驶的发展。

2 网联环境下生态驾驶控制策略

在保证安全的前提下，实现节能减排是生态驾驶控制策略的核心目标。生态驾驶控制策略主要分为2类：经验总结法与理论求解法。经验总结法是依据真实道路实车测试的方法，通过分析、总结多车型、多驾驶风格、不同驾驶工况下的驾驶数据，得出车辆节能驾驶策略。经验总结法得出的驾驶策略并不一定具有最优性，驾驶策略也并不能覆盖到所有的场景和驾驶状况，是对驾驶策略的定量描述。理论求解法是对生态驾驶策略的定性分析，通过建立车辆行驶模型和能耗模型，依据数学方法建立能耗最优的驾驶行为优化模型，得出最优的生态驾驶策略。

传统生态驾驶控制策略大多基于车辆自身运动状态的控制决策触发，而网联环境下的生态驾驶控制策略是基于传统车辆控制策略结合网联信息和智能决策形成的网联生态驾驶控制策略，2种控制策略在研究对象和研究方法具有较大差异，见图3。由于车辆网联化并通过人工智能提取有效信息，生态驾驶控制策略的影响因素和驾驶工况变得更复杂，网联信息、典型场景、评价标准，以及传统生态驾驶控制策略也有所不同。

图3 网联环境下生态驾驶控制策略研究流程Fig.3 Research process of eco-driving control strategy in networked environment

2.1 传统生态驾驶控制策略

传统的生态驾驶控制策略研究主要通过对传统车辆的速度、加速度进行规划，以达到减少燃油消耗、降低污染排放的目标。有学者利用理论求解法，改善车辆动力传输结构，更精确地制定出操作模型，从而对生态驾驶控制策略展开研究。Xu等[19]针对巡航场景中的燃油车辆能源消耗做了研究，发现车辆传动系统的控制对能量消耗有显著影响，基于齿轮传动的具有无级可控发动机输出脉冲与变速箱档位选择能够最大幅度节省燃油。部分学者认为生态驾驶策略最终体现在车辆速度规划上，Heppeler等[20]采用离散动态规划方法分析并联混合动力电动车的节能潜力，并通过优化转矩分配、速度轨迹，以到达节能减排的效果。余倩雯[21]基于三角正弦函数设计了1种经济车速规划方法，在车辆加速、减速时采取不同的正弦值，并进行了有效性验证。相较于利用理论求解获取生态驾驶策略，有学者更青睐于运用统计学的方法去找寻生态驾驶规律。部分学者对驾驶人进行生态驾驶培训，包括尽快提升转速至合适范围、保持平稳转速、提前预测交通流等生态驾驶操作，发现训练后的油耗明显下降，提前规划速度和加速度具有更好的生态驾驶效果。Zhao等[22]基于驾驶模拟器开发了生态驾驶训练反馈系统，训练后驾驶人可以得到环保驾驶报告，该报告包括他们的燃油消耗等级、节油潜力和驾驶行为相关的生态驾驶建议，形成定性的生态驾驶策略。Schall等[18]则提出了奖励手段，让物流公司驾驶人通过6个月的自然驾驶，驾驶越生态奖励越高，研究结果显示，在奖励刺激下，能使平均燃油消耗小幅度下降。也有学者利用人工智能先进算法的理论求解法来研究生态驾驶控制策略，并且针对新能源车辆进行研究。Qi等[23]提出了1种电动车能源消耗估计模型，并利用该模型开发了1种基于模型预测控制的生态进出场系统，对比试验表明，在不同交通场景、不同信号灯、不同运行速度等条件下，该系统能保持良好的节能效果。Mousa等[24]设计了1种针对生态驾驶行为的深度强化学习（DRL）算法，用于解决信号灯路口附近的生态行驶和进出问题，以实现油耗最小化，仿真结果显示：DRL算法能够引导车辆顺利合法地通过路口，燃油消耗量降低约13.02%。

传统生态驾驶控制策略的研究主要体现在了能源系统硬件、速度规划、外界刺激以及交通场景通行规划等方面，但更多的研究都立足在燃油车之上，对于电动车和混动车研究较少。新能源车辆是未来车辆的主要发展方向，因此在能源系统硬件方面，研发更加节能、更加生态的能源系统硬件是较为重要的。传统生态驾驶的控制策略主要集中在微观层面的速度规划方面，缺少了宏观的交通场景控制规划。原因在于传统车辆的行驶速度由驾驶人的主观意识控制，可以较为容易地通过外界的刺激（如模拟驾驶培训、奖励机制等）进行纠正，因此学者们可以将后续的研究重心放在宏观的决策控制层面，进一步达到全局的生态驾驶，同时可以为网联环境下的生态驾驶控制提供理论与数据上的基础。

2.2 网联环境下的生态驾驶控制策略

国内外有关网联环境下的生态驾驶策略研究主要集中在交叉口生态驾驶策略和车辆队列生态驾驶策略2个方面。在交叉口驾驶生态策略研究方面，Wan等[25]研究网联车辆在定时信号下的最小燃油消耗驾驶策略，网联车辆通过V2X通信技术提前获取交通信号信息，采取最大转矩加速、让发动机关闭或者怠速时滑行等驾驶策略，避免车辆在路口的急减速和发动机怠速时间，可以大幅降低燃油消耗。Jiang等[26]在单交叉口和部分CAVs条件下设计生态驾驶系统，优先考虑通过性，其次考虑提升燃油效率，通过优化CAVs的速度组合策略，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]借助交叉口区域的车-基础设施（vehicle to infrastructure，V2I）通信系统获得自车的运动信息以及信号灯状态信息，以油耗建立优化目标函数，对生态驾驶车速进行引导，结果表明：优化后的生态驾驶策略可以降低10%～30%的燃油消耗。Zhang等[28]对网联公交的生态驾驶进行研究，通过V2I获取交通信号和乘客信息，以尾气排放最小和避免在交叉口额外停留为优化目标，设计了结合滚动水平优化与分支定界方法的数值算法，求解得到公交车最佳驾驶速度并通过移动设备展示给驾驶人，可以提高生态驾驶效果。Ko等[29]设计了生态驾驶指导系统并在实车环境下验证，在单独交叉口的实车实验表明生态驾驶指导系统可以节省燃油消耗20%～40%。Lin等[30]使用更接近真实情况的网联车辆动力学和燃油消耗模型来研究2个信号路口的生态驾驶策略，近似最佳的速度行驶策略可以在多个交叉口达到节省燃油的效果。魏学新[31]分析车辆状态和信号配时之间的关系建立生态驾驶策略模型，利用VISSIM进行仿真获取最佳生态驾驶策略，并验证了提出模型的有效性。魏涛[32]提出了1种最优巡航车速的生态驾驶策略，保证网联车辆在经过信号灯路口时不发生停车现象，减少了车辆行驶过程中的燃油消耗。

在车队生态驾驶策略研究方面，徐丽萍等[33]基于车路协同交通环境开展了交叉口车辆列队车速优化研究，以引导车辆的停车通行交叉口时间为目标，改进了车辆列队跟驰模型，结果使得车队的最大排队长度减少58.8%，燃油消耗减少36.4%。Wu等[34]提出了考虑前车状态的动态生态驾驶模型，运用非线性编程算法得到最优车速组合和车队的最优行驶轨迹。He等[35]研究网联条件下燃油车和电动车组成的异质车队生态驾驶策略，运用优化控制模型提供2种驾驶策略：加速度组合驾驶策略和巡航速度组合驾驶策略，研究结果表明：自动驾驶车辆领航的车队适合第1种策略，而对于人类驾驶员领航的车队，第2种策略更合适，2种生态驾驶策略都可以降低能源消耗。Wang等[36]以混合动力电动汽车研究对象，提出了1种在混合驾驶场景下的双级生态驾驶控制策略，并以车-车、车-路的通信方式作为控制系统决策的主要数据来源，仿真结果表明：该策略可以降低34.10%的油耗，污染物排放（HC，CO和NOx）分别降低25.36%，72.30%和30.39%。

根据现有研究分析，表1总结了网联环境下生态驾驶策略研究与传统生态驾驶策略研究的差异，可以总结出网联环境下的生态驾驶控制策略研究具备以下特点。

表1 网联环境下与传统生态驾驶控制策略的对比Tab.1 The comparison of eco-driving control strategies in conventional environment and in networked environment

1）网联环境下的生态驾驶控制策略是在传统生态驾驶的车辆控制决策基础上综合考虑了网联信息的影响进而做出的更具备全局性的策略。

2）对于网联环境下生态驾驶控制策略研究，相较于传统驾驶策略上的考虑单车生态驾驶策略，网联环境下考虑了多车生态驾驶策略达到更高等级的节能与安全目标。学者们多关注于多车在交叉口或编队驾驶工况下的生态驾驶策略控制，其他如立交桥、环形交叉口等复杂的多车行驶工况还有待研究。

3）目前车路协同和自动驾驶的发展迅速，网联环境下的生态驾驶决策能够为未来智能交通系统服务，因此传统生态驾驶策略向网联环境生态驾驶控制策略过渡是必然趋势。

3 智能网联车辆生态驾驶应用现状

随着CAVs相关技术的不断发展，生态驾驶同时迎来了前所未有的变革。基于车路协同技术，CAVs和智能路侧设备可综合感知路面信息和车辆行驶参数，为生态驾驶提供大量有效信息和计算数据，从而达到安全、高效和节能减排的效果。见图4，智能网联生态驾驶主要应用于以下3个方面：驾驶辅助系统功能拓展、CAVs决策优化与促进智能交通绿色发展。

图4 智能网联生态驾驶应用Fig.4 The application of eco-driving in networked environment

3.1 驾驶辅助系统功能拓展

在车-车、车-路协同环境下，驾驶辅助系统通常可以获得大量车辆信息、路面信息等交通信息，同时可以利用丰富的信息为驾驶者提前规划行驶路径并对驾驶者的驾驶行为进行评估，从而通过为驾驶员提供生态驾驶决策来达到节能、减排的效果。Ando等在日本丰田市开展了1项社会实验，结果显示，影响驾驶员做出生态驾驶决策的因素包括：①从CO2排放量角度看，平均速度、平均行驶距离，以及个人特征是重要的影响因素；②当以高频率提供信息时，驾驶员可能会陷入困境，并且在开始某个时间段后不再受信息提供的影响；当以中频率提供信息时，驾驶员可以长期保持在生态驾驶状态；③由于最终效果与个人特征有关，因此根据个人特征提供信息的驾驶辅助系统能够实现最佳的生态驾驶效果。

许多研究人员正致力于通过改善车辆与周围环境的感知来帮助驾驶员做出更优的决策进而使车辆行驶更安全、更高效。Butakov等[37]研究发现交通信号灯和停车标志往往会迫使车辆停车并重新启动，令驾驶员感到沮丧，因此他们利用车辆与基础设施的通信技术提出了1种在信号灯路口场景下的个性化速度优化算法，该算法可用于驾驶辅助系统，在驾驶过程中可以学习驾驶员的个人偏好和特征，并利用这些数据计算出既能够减少油耗和等待时间又更适合驾驶员偏好的驾驶策略。Neaimeh等[38]提出了1种基于智能网联技术的生态型路线规划系统，该系统可以根据地形和路网的交通状况，并通过线性模型来确定能源消耗方程，然后利用Dijkstra图搜索算法计算到达目的地的最小能耗路线，从而扩展电动汽车的行驶路线；该项研究被用于更好地指导智能导航和生态驾驶辅助系统做出最优决策。Sakhdari等[39]提出了1种生态驾驶辅助系统，该系统利用雷达、交通信号灯，以及车-车、车-路通信预测前方车辆未来的行驶轨迹，并利用此信息生成生态驾驶决策来引导、辅助驾驶员。实验表明：该系统可以使车辆能耗降低约17%。Meseguer等[40]在智能网联环境下提出了基于Driving Styles架构的智能驾驶辅助系统，该系统采用数据挖掘和神经网络技术分析和生成基于驾驶员个人特征的驾驶风格和油耗分类；该系统同时可以根据从车辆的电子控制单元(ECU)获取的数据来实时计算车辆的油耗和尾气排放量，并利用算法表征驾驶员的驾驶风格，从而协助驾驶员纠正不良的驾驶习惯，同时提供有益的决策信息来减少油耗，提高驾驶安全性。

生态驾驶在驾驶辅助方面的应用体现在交通规划、辅助驾驶建议、轨迹优化等多个方面，利用机器学习、人工智能算法等方法通过对驾驶人驾驶个性学习、道路环境感知预测、行驶轨迹动态规划等设计生态驾驶辅助系统，可以更加精确地计算交通环境，采用更加适应乘驾者感受的控制与提醒方法，起到更加有效的驾驶辅助功能，减少车辆的能源消耗，实现生态驾驶。

3.2 智能网联车辆生态驾驶决策优化

车辆通过交叉口和组队时经常发生车辆制动、怠速的情况，因此这2种驾驶场景下的驾驶行为是影响交通流量和能源消耗的重要因素。基于车-车、车-路协同的CAVs可以得到其他车辆的行驶参数以及交通信号、交通流状态等信息，利用诸多有益的交通信息制定、规划控制策略，结合生态驾驶技术优化决策，达到节能、减排的效果。

交叉口生态驾驶是生态驾驶技术中的重点也是难点。Zhao等[41]提出了1种实时协同的生态驾驶策略，首先车队中的领队车辆利用V2I获取交通信号和时间信息，车队中其他车辆利用V2V获取前车和车队的交通状态，然后利用退界模型预测控制方法以最小化车队能源消耗的方式通过交叉路口。仿真实验结果表明：该策略能降低整个交通系统的能耗。Zhang等[42]提出了1种基于智能网联环境的生态驾驶排队控制模型，该模型以排队通过时间和能耗最小化为目标，通过分排和速度引导得到交叉口排队放行计划和信号控制策略。仿真结果表明：车辆的平均等待时间减少了8.97%，总能耗减少了21.3%。Shi等[43]基于Q-Learning算法将CAVs视作1个智能体，选取车辆到交叉路口的距离、信号灯状态、车辆瞬时速度等参数来表征实时环境状态，将车辆排放的CO2总量作为奖励标准，并根据实时环境状态选择其驾驶行为。仿真结果表明：利用强化学习获得的驾驶行为可以有效的降低能耗。Wang等[44]研究了CAVs渗透率如何影响交通网络的整体能耗，提出了1种针对信号灯走廊的协同生态驾驶系统，并通过角色转换协议以实现领航车与跟随车辆角色的转换；利用PTV VISSIM对美国加州河滨市采集的真实交通数据进行了微观交通模拟评估，结果显示：随着CAVs渗透率的提高，整个交通系统的能耗和污染物排放量均有所下降，且当渗透率达到100%时，能耗量减少超过7%，尾气排放量减少高达59%。Kamalanathsharma等[45]认为当车辆速度偏离“最佳燃料速度”时会产生额外的能源消耗，并提出了1种生态协同自适应巡航控制（ECACC）模型，该模型通过接收基础设施发送的信号相位和定时（SPaT）数据来预测交通信号对车辆轨迹的约束，并提前优化车辆行驶轨迹，以最大限度地降低车辆能耗；该模型在美国30辆销量最高的车辆上进行了测试，实验表明：应用该模型的车辆通过信号灯交叉口时可节省5%～30%的燃油。

目前，虽有部分学者对生态驾驶实时控制方法开展了研究，但仅仅停留在交叉路口的控制决策。Lee等[46]提出1种生态驾驶咨询系统（EDAS），该系统结合了最大化吞吐量模型（MTM）、平滑速度模型（SSM）和最小化加减速模型（MinADM），并将独立交叉口模型拓展到连续交叉口模型，使车辆以最小的停车可能性通过连续交叉口来降低CO2的排放和能耗，最后与开放信号灯控制模型（OTLCM）和预测性巡航控制（PCC）模型进行了比较，结果表明：在单交叉口场景下，该模型相较与OTLCM，CO2排放量降低了25.1%，平均行驶时间减少了20.5%；在连续交叉口场景下，该模型相比于PCC模型，CO2排放量降低19.9%，平均行驶时间减少24.5%。Lin等[30]研究了在任意2个交叉路口之间CAVs能耗最优化通行规则，并提出了1个使发动机能耗最小化的控制问题。研究发现：2个红色信号灯路口之间的最优驾驶操作形式为2阶段解，即加速和减速，或3阶段解，即加速、定速巡航和减速，具体情况取决于路口之间的距离和限速。

在经过对传统小型汽油车生态驾驶决策的研究之后，部分学者开展了针对特种车辆以及电动汽车的生态驾驶决策研究。Johanson等[47]提出了1种基于动态规划的最大加速度模型，对重型车辆车队的减速情况进行了最优速度控制，显著减少了燃油能耗。Li等[48]针对CAVs提出了1种周期切换的控制方法，使得在保证油耗最小化的同时也可以使得对车队的控制具有良好的鲁棒性。Zhao等[41]研究了1组混合CAVs和HPVs的实时协同生态驾驶策略的设计，可以进一步平滑车辆的行驶轨迹，降低整个交通系统的燃油消耗。He等[35]提出了1种最优控制模型，该模型为电动汽车和传统汽油车的混合车队提供生态驾驶建议。

协同自适应巡航控制（cooperative adaptive cruise control，CACC）是基于互联通信技术的自动驾驶速度控制系统，可极大地提高行驶安全性，减少交通拥堵和提高能量利用效率[49]。随着CACC系统的提出，国内外学者针对CACC车辆队列的稳定性与鲁棒性控制做了一定的研究。在车-车协同高效稳定的队列行驶基础上，提出了基于车路协同的生态协同式自适应巡航控制（ecological cooperative adaptive cruise control，ECACC）对于解决实际能耗问题、交通效率问题有良好的效果。同时，王琼等[50]充分考虑道路坡度以及车队异质性，提出了1种车辆队列协同控制方法，该方法可保证车队低能耗安全行驶。

在智能网联环境下，生态驾驶的决策优化是目前生态驾驶应用中较为重要的方面，学者们大多数从单车控制规划到队列控制规划再到独立交叉口场景决策再到多交叉口场景决策，通过对CAVs车辆队列的控制，可以提高车辆在行驶过程中的安全性，减小车辆行驶过程中的行驶间距和空气阻力，从而可以减少行车过程中的能源消耗，达到生态驾驶的目的。同时，在各种复杂交通场景下，通过对车队的协同跟驰控制，可以实现列队整体能耗最优，提高道路容载率和整体通行效率。但目前的控制规划都还停留在理论研究阶段，虽通过一系列仿真实验证明了其生态驾驶的作用，但是还未达到与实际交通场景结合的程度。因此在未来的研究方向上建议学者们首先可以通过智能网联环境采集真实交通场景，将生态驾驶的研究立足于更多的交叉口场景等更加复杂的交通场景中，发挥出生态驾驶的实际效果；其次由于实际的交通环境是动态变化的，因此学者们可以通过与大数据交通流预测等研究进行结合，将生态驾驶的决策优化实时化，使其不仅停留于理论研究阶段，促进生态驾驶的进一步发展。

3.3 智能交通系统绿色发展

随着智能交通系统的发展，交通安全水平得到了大幅度提高，同时也提升了交通运输管理的效率，缓解了交通拥堵，节省了出行时间，减少了能源消耗和污染排放。

智能交通系统的特有属性与生态驾驶天然契合，能有效促进智能交通系统绿色发展，提高现有道路交通网络的运行效率，缓解拥堵、节约能源、减轻污染。智能交通能够提高道路使用效率，使交通堵塞减少约60%，使短途运输效率提高近70%，使现有道路的通行能力提高2～3倍。车辆在智能交通体系内行驶，停车次数可减少30%，行驶时间减少15%～45%，车辆的使用效率提高50%以上。通过智能控制，由于平均车速的提高带来了燃料消耗量的减少和排出废气量的降低，油耗可降低15%。

促进智能交通系统绿色发展作为未来智能交通发展的必经之路，各国政府和学者对其进行了大量研究和实践。欧盟EcoMove项目通过优化驾驶员的驾驶行为并引导驾驶员选择最环保的行驶路径；通过车队管理系统，指导和鼓励驾驶员选择能耗更低的规划路径；在通过交通管理系统优化交通信号灯科学分配的同时，提高整个路网车辆的运行效率，减少能耗。美国IntelliDrive项目采用无线通信技术使车-车、车-路和用户无线设备进行互联，将相关信息有效地传递给驾驶员，使交通运输更安全、更智慧、更绿色。日本SmartWay项目提供了1个开放共享的基础平台，强调基础设施和车载装置的互联互通；该平台可以提供与安全有关的信息，如前方道路状况、大范围拥堵等信息，从而提高道路交通效率和安全性。

Hsu等[51]开发了1种基于云的服务框架，以减少智能交通系统中的CO2排放量和燃料消耗。该框架通过云平台、数字速记技术和路边摄像头来分别收集交通状况、驾驶行为和交通视频等，将其用来进行高级数据分析，为驾驶员提供最小油耗路线导航和生态驾驶策略。支持车联网（V2X）功能的基础设施是智能交通系统的核心之一，Lee等[52]设计并实现了1种智能交通信号控制（STSC）系统，其支持多种智能城市交通应用，包括紧急车辆信号抢占（EVSP）、生态驾驶支持、自适应交通信号控制（ATSC）等。该系统可以为十字路口附近的所有CAVs提供行驶决策，从而使交通流变得更加顺畅，有效降低油耗。

目前生态驾驶智能交通系统研究与应用以国外居多，由于不同国家之间社会条件差异较大，中国的交通环境复杂多变，现有的研究成果不一定适用于中国的交通环境，需要根据中国实际条件进行调研与研究，形成符合中国实际交通现状的生态驾驶规范是十分有必要的，具体可以表现为符合中国法律法规，符合中国地形多变，符合中国跨纬度大，符合中国交通潮汐等交通规律。

4 生态驾驶研究总结与展望

本文基于近年来国内外对智能网联车辆生态驾驶研究方面的重要成果，系统梳理了智能网联环境下生态驾驶的影响因素、控制策略以及应用现状，也对智能网联环境下的生态驾驶研究进行了总结，同时对未来研究方向提出了建议，见表2。

表2 对于未来生态驾驶研究方向的建议Tab.2 Suggestions for future research directions of eco-driving

4.1 生态驾驶的影响因素

CAVs生态驾驶影响因素和传统HPVs影响因素相似，都可以分为自身特征、驾驶个性、道路交通状况与社会条件的影响，但是CAVs增加了许多网联传感器，可以在车辆行驶过程中结合路侧感知设备和V2X通信技术等，能够获得如视野盲区环境、交通灯信号、周围车辆信息等网联信息，因此通信条件在CAVs生态驾驶之中有较显著的影响。随着智能网联技术的发展，为了进一步促进生态驾驶的发展，在网联通信技术方面，可以利用5G通讯技术、北斗定位系统等，提高车-路、车-车之间的通信效率，保证数据之间的传输质量，为智能网联车辆的自主驾驶提供基础数据上的保障；同时可以和政府企业合作研发高新技术，降低设备成本，促进智能网联车辆的发展，减少硬件设施因素对网联环境下生态驾驶的影响效果。

目前，驾驶员对生态驾驶的影响已经得到国内外研究人员的普遍认可。针对驾驶行为方面的研究主要侧重于驾驶特性（即加速、减速、空转和制动）；从驾驶风格方面的研究可知不同驾驶风格的驾驶员对生态驾驶的影响差异较大，因此，生态驾驶辅助系统、生态驾驶培训等应充分考虑驾驶人的驾驶风格，以使得生态驾驶的效果更加明显。

4.2 生态驾驶的控制策略

网联环境下的生态驾驶控制策略是在传统生态驾驶的车辆控制决策基础上综合考虑了网联信息的影响而做出的更具备全局性的策略，分为经验总结法与理论求解法2类。前者更具备普适性，而后者更具备独特性；但基于经验总结法的生态驾驶节能策略已经在研究领域淡出了人们的视线，而基于理论求解法的生态驾驶节能策略因其定量性备受研究者的青睐。

尽管网联环境下的生态驾驶控制策略取得了很大进展，但大多数研究依赖于模拟驾驶来进行有限场景的实验。为了实施生态驾驶控制策略，需要考虑车辆动力学、V2X连接等因素，同时也需要更多的现场实验来验证生态驾驶控制策略的性能；同时，学者们多关注于多车在交叉口或编队驾驶工况下的生态驾驶策略控制，在立交桥、环形交叉口等复杂的多车行驶工况还有待研究。

4.3 生态驾驶的决策优化

随着车路协同和自动驾驶的发展迅速，网联环境下的生态驾驶决策正在由单车生态逐渐过渡到群体协同生态驾驶。从驾驶决策方面的研究可知驾驶员应充分考虑如何选择路线、如何控制速度以及何时采取制动等问题以达到生态驾驶；且随着智能网联技术不断发展，驾驶员操作车辆的机会将越来越少，因此，未来驾驶员对生态驾驶的影响比重将会逐渐降低。

从目前大部分的生态驾驶决策优化研究中可以分析得出，各种措施都可以有效地减少车辆的能耗以及排放，但是这些研究仅仅聚焦在了驾驶过程中的外在影响，但是在生态驾驶过程中的主要影响因素也包括了驾驶人的驾驶习惯，如果驾驶人的主观因素得以改善，那么生态驾驶的成效也会事半功倍。同时，得益于新能源发明探索与相关技术的持续进步，汽车市场也逐渐由传统燃油汽车向新能源汽车转变，因此有关生态驾驶的研究主体也逐渐转向新能源汽车。在新能源车辆生态驾驶的研究中，国内外学者将更多的注意力放在能源管理和实际应用方面，结合先进技术，适应行业发展，促进生态驾驶的快速发展。

5 结束语

随着智能网联技术的快速发展，智能网联车辆走进了人们的生活中，智能网联车辆是一门多学科融合的研究，离不开车联网技术、自动驾驶技术、人工智能技术、通信技术等先进技术的共同支撑。随后随着节能减排理念的提出，诞生了生态驾驶的概念，从而也衍生出了针对于智能网联车辆生态驾驶的相关研究。本文旨在总结目前生态驾驶研究的现状，结合传统生态驾驶研究，分析目前智能网联环境下的生态驾驶所存在的问题，并为学者们提供未来研究的方向与建议。生态驾驶是交通运输行业节能减排的重要措施，同时也关乎着整个世界绿色交通的发展，因此需要形成产学研政的集合，各行业共同努力、共同发展。