自动驾驶~电动汽车节能驾驶_自动驾驶节能

这是电车全面且系统的综述

蓬勃发展的自动驾驶研究大部分追求安全和通行效率。然而，自动驾驶带来的另一个好处是，全面自动化的驾驶可以通过控制技术实现节能，特别是对于自动驾驶电动汽车。在碳中和和交通电气化的背景下，电动汽车的节能驾驶(亦称生态驾驶)显得尤为意义非凡。自动控制的车辆往往能比人类司机更稳定的进行节能驾驶，且由于与周围车辆或基础设施互联的信息，自动驾驶能比人类获得更多信息，从而提前做出决策与规划，施行节能驾驶控制。本文对自动驾驶电动汽车进行了全面且系统的节能驾驶综述，旨在为对该领域感兴趣或从事该领域的研究人员提供有价值的思路和可行的详细解决方案。

文章来源：IEEE Transactions on Transportation Electrification, 09 November 2023, early access
作者：Wei Li, Haitao Ding, Nan Xu, Jianwei Zhang
作者单位：吉林大学汽车仿真与控制国家重点实验室
原文链接：https://doi.org/10.1109/TTE.2023.3331727

意义

全球变暖以及碳排放引发的一系列环境恶化问题引起了世界各国政府的关注。截至 2022 年 9 月，占全球碳排放量 83% 的 136 个国家已锁定未来几十年的碳中和和净零排放目标。交通电气化被广泛认为是交通部门实现碳中和和提高能源效率的关键途径，因为依赖化石燃料的内燃机车辆 (ICEV) 不环保并且与生俱来的能源效率低。不少国家制定了淘汰电动汽车的目标和时间表，旨在促进电动汽车的快速普及，以取得更好的经济和环境效果。

现阶段，电池技术尚不成熟，里程焦虑是电动汽车普及的一大障碍。生态驾驶作为一项旨在提高车辆能源效率、减少排放的技术，近年来在电动汽车领域受到广泛关注和研究。该技术获取路线信息（例如与前车的车头时距、道路坡度、交通灯的信号相位和配时等），然后计算并执行能量最优的运动轨迹。特别地，生态驾驶具有成本低的特点，提高能源效率的潜力巨大，甚至可以减少能源使用47.5%。值得注意的是，由于电能节省与减排呈正相关关系，电动汽车生态驾驶技术在经济和生态方面都具有良好的效果。因此，电动汽车生态驾驶技术是提高能源效率、促进交通电气化的关键途径。尽管一些研究发表了与ICEV相关的生态驾驶综述，但据我们所知，很少有研究对电动汽车的生态驾驶进行全面的综述。电动汽车和内燃机汽车不仅在技术上存在显着的区别（如不同的经济速度、制动能量回收、动力总成等），而且在生态驾驶技术对它们的影响方面也存在显着差异。因此，有必要对电动汽车的生态驾驶进行单独广泛、系统的总结，这也是本文的研究范围。本文的主要贡献和创新点如下：

• 对电动汽车生态驾驶进行了广泛而系统的综述，以填补该领域的研究空白。

• 通过对大量文献进行统计分析，量化多因素、不同场景下的能源增益。

• 通过对文献的分析和总结，寻找有价值和高潜力的电动汽车生态研究方向, 并介绍不同的可执行研究方法。旨在为有兴趣或正在从事该领域的学者提供有价值的思路和可行的解决方案，以推动交通电气化的发展，实现碳中和的目标。

#生态驾驶的主要影响因素

本文利用下列电动汽车能耗模型的公式，探讨其根本节能机制：

根据式（1-7），根本因素包括速度、加速度、制动力、空气阻力、环境温度和辅助设备等。下面将从生态驾驶角度对这些影响因素进行详细分类和分析。

最优行驶速度

无论是电动汽车还是内燃机汽车，最佳能量效率的速度始终是所有车辆所固有的。一般来说，每公里能耗随着行驶速度的增加而减少，达到最佳点，然后随着速度的提高而增加，呈现出U形曲线。我们的目的是调查所有可用的文献以发现电动汽车的最佳行驶速度范围，并添加ICEV进行比较，如图1所示。根据箱线图的分布，统计电动汽车的最佳行驶速度范围为43.26至60 km/h，而ICEV的最佳行驶速度范围为43.26至60 km/h是 60-80 公里/小时。尽管不同类型的电动汽车和内燃机汽车的最佳速度存在差异，但大量研究表明，电动汽车的最佳速度通常远低于内燃机汽车。根本原因是电机的高效转速范围低于内燃机[21]。

图1: 电动汽车与内燃机汽车的最经济速度(数据来源于大量文献，具体参考论文原文)

图2: 相比于不同的非最经济车速，电动汽车在最经济车速下的节能率. (数据来源于大量文献，具体参考论文原文)

加速度

正加速度

能量消耗与正加速度呈现明显的线性关系。在高加速阶段，能量消耗将变得非常高。Galvin等通过测功机测试了8款市售电动汽车的能耗与正加速度之间的关系。如图3所示，结果表明，高加速度值会严重影响所有八辆电动汽车的能耗，可能导致超过十倍的能量耗散，这与Zhang等人的研究一致 。在这种情况下，应尽可能选择较小的加速度，以提高能量效率。

图3:八种电动汽车在45 km/h车速下能耗与正加速度的关系图.

减速与制动能量回收

电动汽车的一个本质特征是再生制动系统可以在减速阶段将电机用作发电机为电池充电时重新捕获动能[51]，这也是电动汽车更节能的自然原因之一比石油车辆。对制动能量回收产生的能量增益进行定量分析，可以帮助驾驶员更清楚地了解其意义。

为此，我们从三个方面统计了制动能量回收对能源效率的影响。如图4所示，再生制动平均可以回收整个制动过程动能的57.48%。与无再生制动相比，再生能量产生20.37%的能量增益，占总驱动能量的19.44%。

图4: 三个方面统计的制动能量再生的能量增益百分比:再生制动效率、与无再生制动相比，有再生制动的节能率、制动能量回收占总行驶能量的百分比。(数据来源于大量文献，具体参考论文原文)

队列(车队)

一组以小间隔行驶的跟随车辆（称为队列行驶,或车队行驶）可以减少空气动力阻力，有助于节省能源，特别是对于重型车辆。此外，队列行驶还具有另一种隐含的节能能力，即整个车队的所有车辆可以合作而不是竞争来实现均匀运动，从而有助于运动的和谐，提高移动效率和能源效率。

减少空气阻力

一个关键问题是确定哪些因素可以减少空气阻力，这是应用生态驾驶策略的基础。Hussein 和 McAuliffe 等人分析了不同车距对气动阻力和节能的影响。在较短的车辆间距下进行队列行驶可以降低整体空气动力阻力，从而提高能源效率。值得注意的是，在安全性和能源效率之间的权衡中，应调整各优化项的比例因子，以保证车辆之间的最小安全距离为优先，进而达到最佳的节能性能。Zabat 等人测试了队列尺寸的影响。结果表明，随着车辆数量的增加，整个排的气动阻力能耗可以进一步降低。Lee等人发现，将相同或更小尺寸的车辆分配到大型车辆的前后位置更有利于减少能源消耗。换句话说，具有钟形图案的队列配置有助于更大的节能潜力。

同质化移动

一组合作车辆通过互联和自动化车辆技术的信息共享形成一个队列。该队列可以采用分层策略，控制领先车辆以实现节能的速度曲线，并保证其余车辆跟随领先车辆。或者，排中的每辆车都可以优化共同的目标函数以达成共识。马等人的结论是，队列可以减少走走停停带来的交通波动，协调交通，从而能够产生全路网的节能效果。

环境温度

车辆的能耗还受到行驶时环境温度的影响。电动汽车和内燃机汽车的一个明显区别是电动汽车对低温极其敏感。其根本原因在于寒冷环境会降低电池的可用能量，增加电池的内部阻抗，并且在寒冷环境下也会发生阻碍电池性能的退化。因此，方程(1)中的放电效率受到影响。此外，相关研究人员还得出了一致的结论：电动汽车的能源效率与环境温度之间呈现出不对称的“U”型关系，其中低温条件下的能源效率远低于高温条件下的能源效率。为了确定电动汽车的最佳环境温度，我们从大量文献中提取和处理数据，并对数据进行处理。如图5所示，根据统计数据的正态分布，平均最佳能源效率出现在环境温度约为19.44°C时。

图5:能量最高效的环境温度统计图。(数据来源于大量文献，具体参考论文原文)

#生态驾驶的主要场景

跟车与换道场景

由于视野有限（通常被前车遮挡）、异质性（例如反应时间不一致）和自私，人类驾驶员在跟随其他车辆时通常无法做出合理的速度规划。著名的环路实验放大了不稳定速度模式造成的交通拥堵。即使是微小的速度波动也会变得更加剧烈，然后均匀的运动就无法持续。最后，出现拥堵簇并向后传播，即走走停停的交通波。因此，不稳定的驾驶模式往往会扰乱交通流量并浪费更多能源，如第 2 节所述。解决方案是预测道路事件。例如，如果自我车辆在行驶时通过Vehicle to everything（V2X，一种车辆无线通信技术）获得前车的意图和周围环境的信息，那么自我车辆就能够规划其速度推进，抑制速度振荡，提高能源效率。

此外， 据我们所知，无论是电动汽车、内燃机汽车还是其他车辆，通过变道或协作跟车和变道来节能的研究都很有限。因此，本节还介绍了其他车型的相关研究，以使研究人员对该领域有更全面的了解。表 3 总结了这些有限的研究和节能方面的结果。然而，由于变道产生更多的动作维度，我们预计变道以及协作式跟车和变道算法的广泛部署将具有相当大的节能潜力。在此基础上，如果能够在电动汽车跟车和变道过程中更详细地阐述制动能量再生，并提出一种新颖的算法，对于电动汽车的生态驾驶这个领域具有重要意义。

表3: 车道变换以及协同跟车和车道变换的研究总结。

 丘陵道路场景

研究表明，丘陵路线的能源效率比平坦路线低约15%至20%。丘陵道路与平坦道路的区别在于，在上坡阶段，车辆需要提供更大的动力来克服重力因素造成的坡度阻力；在下坡阶段，重力势能转化为动能，在大坡度的情况下需要制动以防止速度过快。研究证明，上坡方向坡度阻力消耗的能量大于下坡方向制动回收的能量。因此，在上坡时尽可能利用原始动能克服坡度阻力是一种更加节能的方式。具体节能机理在于，车辆在即将上坡或刚刚上坡时，通过调整车速和扭矩，实现经济行驶。在预测车辆能够顺利通过坡峰后，利用车辆原有的动能来克服坡度阻力，从而达到降低能耗的目的。下坡阶段，可利用重力势能适当提高速度，减少制动力矩过大造成的能量耗散。

 信号交叉口场景

信号交叉口的生态驾驶策略在此特定领域称为生态接近和离开（EAD）。在城市主干道上行驶时，红绿灯处反复启停，频繁加速、制动导致能量消耗，行驶效率和舒适度较低，对乘客造成不适。EAD的基本原理在于，在能够提前获取交通信号状态信息的情况下（例如通过车辆到基础设施技术），车辆将有可能通过生态系统及时改变其速度，顺利通过交通信号交叉口。由此可见，EAD对能源效率、出行效率和舒适度之间存在正向互动提升。之前的 EAD 研究主要集中于仅通过信号相位和定时 (SPaT) 数据生成最佳速度剖面。然而近年来，最先进的EAD算法也考虑了前车或周围车辆，这更符合实际交通状况。表 5 总结了已发表的信号交叉口电动汽车生态驾驶研究。

表5:在信号交叉口处的生态驾驶研究总结

无线充电车道场景

电动汽车无线充电是一项新兴技术，可以提供一种新的充电模式。特别是，动态无线充电车道可以在保持电动汽车移动性的同时提供能源供应。第一个商用动态无线充电交通系统由韩国科学技术院开发，并用于首尔大公园的电车系统。随后几年，韩国陆续建立了三套实用的无线充电系统。2015年，犹他州立大学修建了动态无线充电测试跑道，以推动这项技术的进步。由于无线充电的便利性以及相关充电技术的逐渐成熟，近年来，一些国家和汽车制造商开始加速电动汽车无线充电的发展。例如，中国政府于2021年出台政策，明确支持无线充电的发展。汽车集团 Stellantis 最近启动了“未来竞技场”计划，开发无线充电车道，并倾向于将其扩展到电动卡车和公共汽车。丰田正在开发“相邻取消线圈”技术来设计更先进的无线充电设施。

虽然这项技术仍处于发展的早期阶段，但它为电动汽车生态驾驶的研究开辟了新途径。考虑电动汽车无线充电的生态驾驶研究有限。这些研究主要集中在电动汽车通过附近配备无线充电车道的信号交叉口时，因为电动汽车在交通信号灯附近缓慢移动有助于充电。

#生态驾驶的执行算法

第 2 节和第 3 节分别回顾了生态驾驶的主要因素和场景。需要注意的是，对于第3节中涉及两种或多种情景的一些研究，我们选择最重要的情景进行分类，以量化不同情景的节能潜力。本节根据这些因素和场景详细回顾了生态驾驶技术的实现方法，包括多种场景的解决方案。此外，还将讨论它们的机制、优缺点。

 最优控制

对于最优控制问题（OCP），其原理是找到一条可接受的控制轨迹 u : [ta, tb] → Ω ⊆ R m 生成相应的状态轨迹 x : [ta, tb] → R n 使得成本函数 J(u) 被最小化。由于最优控制具有很强的普适性，生态驾驶几乎可以定义为任何场景下的最优控制问题。Sciarretta 等人提出了最优控制问题的一般表述，可以覆盖几种不同的场景，只需很少的调整或无需调整。Han等人将ICEV和EV的节能驾驶表述为各种复杂性的最优控制问题。他们还提出了对三种不同生态驾驶情况下的状态约束的分析处理，包括（i）信号交叉口（ii）道路速度限制（iii）预期跟车，并描述了最佳解决方案的性质以及新的和有趣的内容见解。

如上所述，最优控制的优势在于其较强的普适性。然而，如果问题过于复杂（例如约束太多），最优控制的公式也会非常复杂，往往需要巨大的计算能力，因此最优解可能无法实时获得，不适用于机载实施。一般来说，解决计算复杂度问题有两种方法：庞特里亚金最小原理（PMP）和近似模型重构方法。PMP给出了最优性的必要条件，并通过哈密顿函数将OCP转化为边值问题(BVP)。如果 OCP 公式满足某些模式，则可以通过 PMP 导出纯解析且本质上非常快速的解决方案。通常采用两种方法来简化公式以满足某些模式：线性化能量成本或忽略车辆动力学中的空气动力阻力。显然，这两种方法都会降低模型的精度，因此PMP导出的解析解并不是全局最优的。Shen等人采用前一种方法（即，线性化能量成本）使生态驾驶的 OCP易于分析处理。该算法在三种不同的现实场景（自由流动的高速公路巡航、跟车和信号交叉口）的数值模拟中得到了验证。优化结果表明，与其他全局最优算法相比，该算法的性能不是最优的，但节省了大量的计算时间。Did等人忽略了空气动力阻力来推导生态驾驶OCP问题的解析解。由于是在城市条件下，车速较低，所以这个假设是合理的。然而，如果车辆在高速公路上高速行驶，则该假设不适用。

另一方面，通过近似模型的重构方法将 OCP 转换为决策变量少得多的非线性程序序列。具体来说，通过近似模型重构方法将控制阶段分为三个阶段：（i）以恒定速率加/减速，（ii）巡航，以及（iii）再次以恒定速率加/减速以逼近最佳速度计算负担较小的轨迹。

采用近似模型的重构方法非常适合信号交叉口场景，其中车辆在交叉口前面加速/减速、巡航穿过交叉口以及通过交叉口后加速/减速。类似地，对于重构方法，获得较少计算负担的代价是只能获得近似最优解。综上所述，生态驾驶 OCP 通常需要在算法复杂度和解决方案质量之间进行权衡。

 动态规划

动态规划（DP）算法的核心基于贝尔曼最优原理。贝尔曼最优性原理是，最优策略可以通过分段的方式构建，首先为涉及最后阶段的“尾部子问题”构建最优策略，然后将最优策略扩展到涉及最后两个阶段的“尾部子问题”阶段，并以这种方式继续，直到构建整个问题的最优策略。DP适用于处理始发地、目的地、轨迹固定的场景，例如：固定坡度道路或特定的多个信号交叉口道路等，并且能够导出最优解。Xu等人利用DP解决了排长在固定距离内的节能速度优化问题，并计算了最优全局解。

DP的一个显著优点是它可以在满足所有复杂约束的同时保证解的全局最优性。然而，DP的缺点在于其计算负担相当大，并且很难在车辆计算单元上进行实时计算，因为它需要遍历整个轨迹。为了解决这个问题，一种方法是在称为“云”的在线高性能计算平台上实现计算密集型计算。另一种考虑实时计算的方法是降低分辨率，以便在可接受的误差条件下获得解。

此外，还可以应用DP的两种更复杂的变体来降低计算复杂度，即迭代动态规划（IDP）和自适应动态规划（ADP）。IDP的主要机制是，IDP首先利用具有控制和状态网格粗分辨率的基本DP来解决OCP，然后以适当的速率对分辨率进行细化，并再次利用基本DP来解决OCP。董等人采用了IDP算法来优化多个信号交叉口的节能速度剖面。他们还证明，与基本DP相比，IDP可以将计算效率提高89%，而最优性仅牺牲3.88%。就ADP而言，它是一种基于学习的控制方法，利用函数逼近（即神经网络）来逼近成本函数，以规避DP的维数灾难并推进实时应用。具体来说，使用批评者网络来近似价值函数，而动作网络则呈现控制变量。而当前行动所产生的奖励则被用来强化该行动。Tang等人基于ADP实现了节能跟车行驶，并保证了实时速度规划。值得注意的是，与IDP类似，ADP在加快计算速度的同时也需要牺牲一些最优性。

 模型预测控制

模型预测控制（MPC）由于具有一定的预测性，能够处理多目标控制问题，在考虑系统响应和执行器等软硬约束的同时求解控制量，因此在现代控制工程中得到广泛应用 。请注意，尽管 MPC 也植根于最优控制，但由于其广泛的应用，有必要在本小节中单独讨论。模型预测控制过程分为三部分：预测模型、滚动优化和反馈校正。总体过程如下：(1) 在每个采样时刻，测量当前系统状态作为初始状态；(2)在未来应用控制量后的某个时域内预测系统状态，并与预测时域内期望的状态进行误差累计求和；(3)在线求解预测时域内的最优控制序列，并将该序列的第一组控制变量应用于受控系统；(4)返回步骤(1)，重复上述过程。

模型预测控制具有控制效果好、鲁棒性强等优点，能够有效克服控制过程的不确定性、非线性和相关性，能够轻松处理被控变量和操纵变量的各种约束。然而，模型预测控制作为一种基于模型的控制方法，依赖于系统的准确建模。一般情况下，数学模型的精度越高，控制器的实现效果就越好，但这还需要更高的硬件成本和计算成本，特别是对于非线性 MPC。此外，由于汽车控制系统硬件的低成本要求与非线性优化问题的高计算复杂度之间的矛盾，使用MPC进行现场试验并不容易。因此，有必要研究可执行的实时模型预测控制方法。

 强化学习

强化学习属于机器学习领域，它采取植根于马尔可夫决策过程（MDP）的顺序动作。强化学习作为一种自主进化学习方法受到了广泛的关注。其学习机制依赖于通过智能体与环境的交互不断学习以获得更高的奖励值，从而输出更理想的控制动作。

近年来，强化学习在包括生态驾驶在内的车辆运动控制中蓬勃发展已得到广泛认可。一个重要原因在于其在计算速度和处理复杂场景任务的能力上的巨大优势。Wang 等人证实 RL 的运行速度比 MPC 快得多（甚至快了 200 倍以上），而 Kendall 等人2019 年在世界驾驶实验中首次展示了强化学习在全尺寸自动驾驶车辆上的实际应用，这展示了实时实施的巨大前景。此外，由于基于单智能体和多智能体的强化学习的存在，强化学习不仅可以实现对单个车辆的控制，还可以实现对整个队列的控制。对于基于多智能体的强化学习，智能体共享相同的网络结构和相应的参数，并提供了结合多个智能体的观察结果的机会，以收集更多信息并有助于整个系统级别的决策，这特别适合队列控制。Li等人设计了一种新颖的多智能体强化学习算法来解决交通振荡中的节能队列控制问题。仿真结果表明，所提出的多智能体强化学习算法取得了优异的节能性能，并获得了更多的奖励。

此外，强化学习因其多种变体而适用于生态驾驶的所有场景。Qu等人设计了一种电动汽车跟车生态驾驶策略，并通过基于深度确定性策略梯度（DDPG）（一种针对连续动作空间的强化学习算法）抑制交通波动来提高交通效率。Wang等人使用深度Q网络（DQN）用于离散动作空间来学习和谐的变道。Lee等人通过基于模型的强化学习，同时考虑了道路坡度和跟车场景，实现了电动汽车的生态驾驶控制。实验结果表明，RL 算法可以通过考虑道路坡度和与前车的安全距离来调整速度，同时最大限度地减少能量。Li等人提出了一种分层强化学习框架，通过考虑前方交通流和多个信号交叉口场景，在降低能耗的同时保证电动汽车的驾驶安全。就在最近几年，基于参数化动作空间的强化学习算法被提出来解决离散连续混合动作空间的场景。Jiang等人提出了一种电动汽车生态驾驶策略，基于参数化DQN（P-DQN）联合优化信号交叉口的跟车和变道行为。

然而，强化学习的主要缺点是需要大量的试验（重复的经验）来学习最佳的控制策略，特别是当系统以较差的初始策略开始时，这通常需要大量的时间在这个过程中。

 其他方法

此外，为了解决多场景下的生态驾驶问题，一些研究设计了集成多种算法的分层方法。董等人用DP来确定节能速度剖面的总体趋势。在下层，MPC 计算短视野的显式解，同时确保安全的车距。Feng等人开发了一种三阶段控制策略来处理考虑排行的交叉路口场景，包括基于绿灯最佳速度咨询的车队领导车轨迹规划算法、基于强化学习的车队追随车速度规划和灵活的排管理协议，保证车队的顺利运行。     whaosoft aiot http://143ai.com

 可执行算法的总结与展望

表 6 概括了主要方法的优点和缺点。值得注意的是，对于多种场景，上述回顾总结了分层方法通常是很好的解决方案。此外，这些方法的一些高级变体已经出现，并且它们在性能上获得了相当大的改进。例如，Zhang等人提出了一种将RL与MPC中的滚动优化思想耦合的算法（RHRL），以解决生态驾驶中预测时域扩展产生的高维计算问题。RHRL充分利用了强化学习技术计算速度快和预测控制滚动优化能力的优势。仿真结果表明，RHRL 比 MPC 具有稍好的性能和更快的计算速度。提出了死区二次非线性模型预测控制（DQ-NMPC），其中用死区二次成本函数替换了制定的 NPMC 的 ℓ2norm 成本函数，以找到敏捷设定点跟踪之间的权衡和节能策略。在多弯道、山路等实际现场实验中，DQ-NPMC比NMPC计算效率更快，能效提高6.58%。此外，Kuba等人设计了多智能体强化学习中的第一个信任域策略优化，并提出了两种新颖的算法：异构代理信任域策略优化（HATRPO）和异构代理近端策略优化（HAPPO）。HATRPO/HAPPO 节省了为每个智能体维护集中批评家的成本，并且不要求智能体的同质性，也不要求对联合 Q 函数的可分解性做出任何其他限制性假设。他们将 HATRPO/HAPPO 与其他先进的多智能体 RL 算法进行了评估，结果明显证明了其最先进的性能。因此，如果我们能够根据自己的需求设计一种新颖的算法或者选择更合适的算法，对于电动汽车乃至其他类型车辆的生态驾驶将具有更加深远的研究意义。

表6: 生态驾驶主流算法的优势与缺点

#讨论与研究展望

如前所述，生态驾驶这项技术引起了全世界的兴趣。为了充分实现电动汽车生态驾驶的发展，我们设想了如图7所示的有价值的未来研究方向和挑战，并详细讨论如下： 

• 队列双重节能机制的集成：减少空气动力拖动和确保均匀运动是队列行驶的两种节能方式。相当一部分研究仅限于对上述两个方面的单独研究。因此，整合双重节能机制对于整个队列环保驾驶领域具有重要的研究意义。具体来说，对于领先车辆来说，节能控制与交通流预测相结合是一个很好的研究方向。如果准确预测前方交通流量，前车可以提前优化速度轨迹。另一方面，对于跟随车辆，大多数队列跟随控制研究都采用恒定间距或恒定时间车头时距策略。通过制定考虑气动减阻的新颖变时距策略，可以进一步增强节能潜力。

• 超越能源效率的综合性能：与传统的车辆控制问题一样，大多数与电动汽车生态驾驶相关的研究旨在最大限度地减少能源消耗，只考虑性能的其他小部分（例如安全性）。但在正常驾驶过程中，也追求通行效率和舒适度。因此，在满足电动汽车能效要求的同时，可以将其他类型的性能综合添加到目标函数中。特别是，就排而言，稳定性是排系统最重要的宏观性能之一。这是将排稳定性与能量导向控制策略相结合需要进一步考虑的问题。即使在更全面的场景中，设计一个创造性的通用框架，同时考虑单车稳定性、编队稳定性和交通流稳定性，基于生态驾驶的目标。上述理念有助于实现从微观到宏观层面的综合稳定性和节能潜力。

• 纳入整体场景：虽然有些研究考虑了多种场景，但这些场景都是局部的，而不是整体的（如信号交叉口与跟车、跟车与变道、道路坡度与跟车等）。实际的城市驾驶场景并不只包含部分因素，因为这些场景可能同时出现。如果能够根据实际路况综合考虑和融合这些场景（即跟车、变道、交叉路口、道路坡度、无线充电等现实融合场景）并提出一个大统一模型以解决这个问题，能为电动汽车的生态驾驶提供更多的实际应用价值。

• 强调制动能量回收：电动汽车和内燃机汽车的一个显着区别是制动能量回收，但大多数生态驾驶研究没有充分考虑或没有准确考虑电动汽车的这一特点。事实上，准确建立电动汽车的制动能量回收模型可以产生更准确的能量增益。此外，应积极寻求将精细制动能量回收策略纳入综合控制方案的生态驾驶框架，特别是低速再生制动截止点，这可以进一步提高电动汽车的能量增益。

• 建立更精确的能耗模型：几乎所有电动汽车环保驾驶研究都很少考虑影响能耗的温度和辅助系统等。忽视或过度简化能源消耗模型往往会使其在实践中难以实施。如果能够根据实际场景的要求综合考虑影响能源效率的因素，电动汽车的能耗模型将会变得更加精确。电动汽车精确的能耗模型可以对驾驶员或自动驾驶系统提前规划速度和路线产生影响，这有利于学术界和工业界生态驾驶的发展。

• 异构车队：异构车队的生态驾驶将是未来几年非常有意义的话题，其中异构车队涉及两个方面。一方面，在可预见的未来拥有完全互联和自动化的环境并不现实，由人类驾驶车辆、自动驾驶车辆以及互联和自动驾驶车辆组成的异构车队很可能会长期存在。不同自动化水平的车辆需要不同的模型或控制策略。制定一个整体框架来实现整个异构车队的能量优化，同时考虑不同自动化水平的车辆的数量和位置，这是具有挑战性但有吸引力的。另一方面，由于向电动汽车的转移将是渐进的，由不同类型的车辆（例如电动汽车、内燃机汽车、混合动力汽车和插电式混合动力汽车）组成的异构车队也是一个实践问题。不同类型的车辆具有不一致的最佳经济速度。在考虑不同类型车辆的数量和位置的同时，如何确定这种异构车队的均匀速度以达到整体最佳能源效率是一个有趣的问题。

• 引入更先进的算法：随着技术的进步和计算机性能的提高，许多最先进的方法不断被提出。如果研究人员能够针对电动汽车的某个生态驾驶问题提出或应用更有效的技术，可以在一定程度上提高性能结果或解决更复杂的问题。当打算设计一种新颖的算法时，确保解决方案的质量和计算效率是一个永恒的话题。一种方法是将两种或多种算法结合起来并发挥各自的优点。特别是，随着人工智能（AI）技术的兴起，传统控制方法与先进人工智能技术的结合正在成为趋势。另一个想法是找出某个算法缺陷的根本原因并提出改进方法。当旨在应用更有效的技术时，值得考虑一些高效的工具包，以提高研究效率。

• 执行现场试验：模拟或台架测试声称的好处通常比现场试验更好。需要努力将生态驾驶的潜在效益从理论研究转化为实际驾驶。假设实验条件有限，车辆在环(现实自我车辆和控制器与仿真模拟的环境实时交互)和硬件在环(现实控制器与仿真模拟的车辆和环境实时交互)是两个值得考虑的替代选项。

图7:未来研究方向与挑战

因为字数过多，参考文献请参考原文。

注:因该论文内容较丰富，本文仅选取该论文的部分重要内容，所有详细内容请查看原文。点击阅读原文可访问论文网址。本文禁止抄袭及盗用(包括盗用至学术论文)，违者追究法律责任。

本文译自下文的部分重要内容: 《Toward carbon–neutral transportation electrification: a comprehensive and systematic review of eco-driving for electric vehicles》

引用: W. Li, H. Ding, N. Xu and J. Zhang, "Toward carbon–neutral transportation electrification: a comprehensive and systematic review of eco-driving for electric vehicles," in IEEE Transactions on Transportation Electrification, doi: 10.1109/TTE.2023.3331727.