车辆队列的控制方法、装置、计算机设备和存储介质

1.本技术涉及自动驾驶技术领域，特别是涉及一种车辆队列的控制方法、装置、计算机设备、存储介质和计算机程序产品。


背景技术：

2.近年来，自动驾驶技术因其可在无驾驶员介入情况下提供安全可靠的驾驶性能备受关注。伴随网联化技术的发展，通过车对车通信技术(vehicle to vehicle，v2v)短距离车间信号通讯系统的安置，单个自动驾驶车辆可以接收并传输自车的状态参数，与其他自动驾驶车辆形成智能网联汽车队列。在智慧交通领域，智能网联汽车队列的应用意味着队列内车辆可以以较小的行车间距行驶，并通过不同的通讯拓扑结构交互信息，从而实现同时加速或制动。这将极大程度的提高道路运行效率和队列运行的能耗效率。
3.现有的车辆队列的控制方法假设智能网联汽车队列行驶在没有障碍物的空旷场景中，只考虑车辆队列纵向稳定性控制。其目的在于使队列中跟随车辆以一定的行车间距策略跟随领航车的运动轨迹，即保持队列的纵向稳定性。
4.然而，实际交通环境是复杂的，存在其他交通参与者和障碍物，会对智能网联汽车队列造成安全性影响。因此，现有的车辆队列的控制方法的控制效果不足以保障实际运行的稳定性和安全性，控制效果差。


技术实现要素：

5.基于此，有必要针对上述技术问题，提供一种能够提高控制效果的车辆队列的控制方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
6.第一方面，本技术提供了一种车辆队列的控制方法。所述方法包括：
7.根据车辆队列中的各目标车辆对应的行驶状态信息、车辆队列的车辆数量信息和车队预期行驶信息，确定所述各目标车辆对应的行驶参考信息；
8.针对每一个目标车辆，根据所述目标车辆的行驶状态信息和在所述车辆队列的预设范围内的障碍物的运动状态信息，确定所述目标车辆的行驶场景信息；
9.基于预先构建的模型预测控制器、所述目标车辆的行驶状态信息、行驶参考信息和行驶场景信息，确定所述目标车辆的控制信息。
10.在其中一个实施例中，所述根据车辆队列中的各目标车辆对应的行驶状态信息、车辆队列的车辆数量信息和车队预期行驶信息，确定所述各目标车辆对应的行驶参考信息包括：
11.基于车辆队列规划算法、车辆队列的车辆数量信息和车队预期行驶信息，确定所述车辆队列的反馈增益信息；
12.根据所述车辆队列中的各目标车辆对应的行驶状态信息、所述反馈增益信息和预先建立的车辆队列模型，确定所述各目标车辆对应的行驶参考信息；所述车辆队列模型基于通讯时变延迟构建。
13.在其中一个实施例中，所述根据所述目标车辆的行驶状态信息和在所述车辆队列的预设范围内的障碍物的运动状态信息，确定所述目标车辆的行驶场景信息包括：
14.针对在所述车辆队列的预设范围内的每一个障碍物，根据所述目标车辆的行驶状态信息和所述障碍物的运动状态信息，计算所述目标车辆与所述障碍物之间的纵向安全距离和横向安全距离；
15.根据所述纵向安全距离、所述横向安全距离、人工势场的形状参数和人工势场的强度参数，确定所述目标车辆与所述障碍物之间的人工势场信息；
16.其中，所述目标车辆与各所述障碍物之间的人工势场信息，构成所述目标车辆的行驶场景信息。
17.在其中一个实施例中，所述基于预先构建的模型预测控制器、所述目标车辆的行驶状态信息、行驶参考信息和行驶场景信息，确定所述目标车辆的控制信息包括：
18.根据所述目标车辆的行驶场景信息，确定所述目标车辆的行驶场景权重；
19.将所述目标车辆的行驶状态信息、行驶参考信息、行驶场景信息和行驶场景权重输入至预先构建的模型预测控制器，得到所述目标车辆的控制信息。
20.在其中一个实施例中，所述根据所述目标车辆的行驶场景信息，确定所述目标车辆的行驶场景权重包括：
21.根据所述目标车辆与各所述障碍物之间的人工势场信息和各所述障碍物对应的复杂度参数，计算所述目标车辆的动态调节系数；
22.将所述目标车辆的动态调节系数和所述目标车辆的低风险场景权重相乘，得到所述目标车辆的行驶场景权重。
23.在其中一个实施例中，所述车辆队列规划算法的构建过程包括：
24.基于所述通讯时变延迟，构建延迟对系统的干扰函数；
25.基于所述通讯时变延迟的界限值，构建延迟变化速率对系统的干扰函数；
26.基于原系统函数、所述延迟对系统的干扰函数和所述延迟变化速率对系统的干扰函数，构建车辆队列规划算法。
27.第二方面，本技术还提供了一种车辆队列的控制装置。所述装置包括：
28.行驶参考信息确定模块，用于根据车辆队列中的各目标车辆对应的行驶状态信息、车辆队列的车辆数量信息和车队预期行驶信息，确定所述各目标车辆对应的行驶参考信息；
29.行驶场景信息确定模块，用于针对每一个目标车辆，根据所述目标车辆的行驶状态信息和在所述车辆队列的预设范围内的障碍物的运动状态信息，确定所述目标车辆的行驶场景信息；
30.控制信息确定模块，用于基于预先构建的模型预测控制器、所述目标车辆的行驶状态信息、行驶参考信息和行驶场景信息，确定所述目标车辆的控制信息。
31.在其中一个实施例中，所述行驶参考信息确定模块，具体用于：
32.基于车辆队列规划算法、车辆队列的车辆数量信息和车队预期行驶信息，确定所述车辆队列的反馈增益信息；
33.根据所述车辆队列中的各目标车辆对应的行驶状态信息、所述反馈增益信息和预先建立的车辆队列模型，确定所述各目标车辆对应的行驶参考信息；所述车辆队列模型基
于通讯时变延迟构建。
34.在其中一个实施例中，所述行驶场景信息确定模块，具体用于：
35.针对在所述车辆队列的预设范围内的每一个障碍物，根据所述目标车辆的行驶状态信息和所述障碍物的运动状态信息，计算所述目标车辆与所述障碍物之间的纵向安全距离和横向安全距离；
36.根据所述纵向安全距离、所述横向安全距离、人工势场的形状参数和人工势场的强度参数，确定所述目标车辆与所述障碍物之间的人工势场信息；
37.其中，所述目标车辆与各所述障碍物之间的人工势场信息，构成所述目标车辆的行驶场景信息。
38.在其中一个实施例中，所述控制信息确定模块，具体用于：
39.根据所述目标车辆的行驶场景信息，确定所述目标车辆的行驶场景权重；
40.将所述目标车辆的行驶状态信息、行驶参考信息、行驶场景信息和行驶场景权重输入至预先构建的模型预测控制器，得到所述目标车辆的控制信息。
41.在其中一个实施例中，所述控制信息确定模块，具体用于：
42.根据所述目标车辆与各所述障碍物之间的人工势场信息和各所述障碍物对应的复杂度参数，计算所述目标车辆的动态调节系数；
43.将所述目标车辆的动态调节系数和所述目标车辆的低风险场景权重相乘，得到所述目标车辆的行驶场景权重。
44.在其中一个实施例中，所述装置还包括：
45.第一构建模块，用于基于所述通讯时变延迟，构建延迟对系统的干扰函数；
46.第二构建模块，用于基于所述通讯时变延迟的界限值，构建延迟变化速率对系统的干扰函数；
47.第三构建模块，用于基于原系统函数、所述延迟对系统的干扰函数和所述延迟变化速率对系统的干扰函数，构建车辆队列规划算法。
48.第三方面，本技术还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的步骤。
49.第四方面，本技术还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述的步骤。
50.第五方面，本技术还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述第一方面所述的步骤。
51.上述车辆队列的控制方法、装置、计算机设备、存储介质和计算机程序产品，采用分层的控制架构，不仅建立顶层协调层收集车辆队列内各目标车辆对应的行驶状态信息和车辆队列的车辆数量信息，并根据这些信息，确定各目标车辆对应的行驶参考信息，实现纵向行车间距稳定性控制，还建立底层运动规划层采集队列外障碍物的运动状态信息，并针对每一个目标车辆，根据该目标车辆的行驶状态信息和各障碍物的运动状态信息，对这些障碍物进行建模，得到该目标车辆的行驶场景信息，再采用预先构建的模型预测控制器，综合考虑目标车辆的行驶状态信息、行驶参考信息和行驶场景信息，确定目标车辆的控制信息，综合考虑车辆队列的纵向控制和横向控制，综合保障车辆队列的队列稳定性和单车避
障，保障车辆队列实际运行的稳定性和安全性，控制效果好。
附图说明
52.图1为一个实施例中车辆队列的控制方法的流程示意图；
53.图2为一个实施例中确定各目标车辆对应的行驶参考信息的流程示意图；
54.图3为基于plf通讯拓扑结构的智能网联汽车队列的示意图；
55.图4为一个实施例中确定目标车辆的行驶场景信息的流程示意图；
56.图5为一个实施例中确定目标车辆的控制信息的流程示意图；
57.图6为一个实施例中确定目标车辆的行驶场景权重的流程示意图；
58.图7为一个实施例中车辆队列规划算法的构建过程的流程示意图；
59.图8为一个实施例中车辆队列的控制装置的结构框图；
60.图9为一个实施例中计算机设备的内部结构图。
具体实施方式
61.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
62.在一个实施例中，如图1所示，提供了一种车辆队列的控制方法，本实施例以该方法应用于终端进行举例说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。其中，终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备，物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。本实施例中，该方法包括以下步骤：
63.步骤101，根据车辆队列中的各目标车辆对应的行驶状态信息、车辆队列的车辆数量信息和车队预期行驶信息，确定各目标车辆对应的行驶参考信息。
64.在本技术实施例中，终端获取车辆队列中的各目标车辆对应的行驶状态信息、车辆队列的车辆数量信息和车队预期行驶信息。然后，终端基于预先建立的纵向协调模型、车辆队列中的各目标车辆对应的行驶状态信息、车辆队列的车辆数量信息和车队预期行驶信息，确定各目标车辆对应的行驶参考信息。
65.其中，车辆队列为多辆车辆组成的队列。目标车辆为车辆队列中的车辆。车辆队列可以为智能网联汽车队列。目标车辆可以为智能网联汽车。车辆队列可以为同构车辆队列，也可以为异构车辆队列，即车辆队列中的各目标车辆可以为相同类型的车辆，也可以为不同类型的车辆。行驶状态信息为表示目标车辆的行驶状态的信息。行驶状态信息包括车辆位置信息、行驶速度信息和行驶加速度信息。目标车辆的车辆位置信息可以为当前时刻目标车辆的质心坐标。目标车辆的行驶速度信息可以包括目标车辆的横向速度和纵向速度。目标车辆的行驶加速度信息可以包括目标车辆的横向加速度和纵向加速度。车队预期行驶信息用于表示对车辆队列的行驶状态的预期。车队预期行驶信息可以包括车队期望行车速度和车队期望行车间距，还可以包括车队期望行驶车道和车队期望横摆角。纵向协调模型
用于为车辆队列中的各目标车辆进行纵向协调。行驶参考信息用于表示为了保持车辆队列的纵向协调，对车辆队列中的目标车辆的期望状态信息。行驶参考信息可以包括行驶参考速度信息和行驶参考加速度信息。
66.在一个示例中，终端将车辆队列中的各目标车辆对应的行驶状态信息、车辆队列的车辆数量信息和车队预期行驶信息输入至预先建立的纵向协调模型，得到各目标车辆对应的行驶参考信息。
67.在一个示例中，终端通过车辆队列的传感器，获取车辆队列中的各目标车辆对应的行驶状态信息和车辆队列的车辆数量信息。同时，终端通过车辆队列的全局规划，获取车辆队列的车队预期行驶信息。
68.步骤102，针对每一个目标车辆，根据该目标车辆的行驶状态信息和在车辆队列的预设范围内的障碍物的运动状态信息，确定该目标车辆的行驶场景信息。
69.在本技术实施例中，针对每一个目标车辆，终端根据该目标车辆的行驶状态信息和在车辆队列的预设范围内的障碍物的运动状态信息，确定该目标车辆的行驶场景信息。其中，障碍物为非该车辆队列内的目标车辆的物体。障碍物包括该车辆队列外的其他车辆和道路的非车辆对象。运动状态信息用于表示障碍物的运动状态。运动状态信息可以包括障碍物位置信息、障碍物速度信息和障碍物横摆信息。障碍物位置信息可以为当前时刻障碍物的质心坐标。障碍物速度信息可以包括障碍物横向速度和障碍物纵向速度。障碍物横摆信息可以包括障碍物的横摆角和横摆率。行驶场景信息用于表示目标车辆的行驶场景是危险程度。行驶场景信息可以为目标车辆与各障碍物之间的人工势场信息。
70.在一个示例中，针对每一个目标车辆，终端基于人工势场算法、该目标车辆的行驶状态信息和在车辆队列的预设范围内的障碍物的运动状态信息，计算该目标车辆的行驶场景信息。
71.步骤103，基于预先构建的模型预测控制器、目标车辆的行驶状态信息、行驶参考信息和行驶场景信息，确定目标车辆的控制信息。
72.在本技术实施例中，终端将目标车辆的行驶状态信息、行驶参考信息和行驶场景信息输入至预先构建的模型预测控制器，得到目标车辆的控制信息。其中，控制信息用于表示对目标车辆的控制。控制信息可以包括实施在轮胎上的力和方向盘转角。模型预测控制(model predict control，mpc)器用于根据目标车辆的行驶状态信息、行驶参考信息和行驶场景信息，确定目标车辆的控制信息。
73.上述车辆队列的控制方法中，采用分层的控制架构，不仅建立顶层协调层收集车辆队列内各目标车辆对应的行驶状态信息和车辆队列的车辆数量信息，并根据这些信息，确定各目标车辆对应的行驶参考信息，实现纵向行车间距稳定性控制，还建立底层运动规划层采集队列外障碍物的运动状态信息，并针对每一个目标车辆，根据该目标车辆的行驶状态信息和各障碍物的运动状态信息，对这些障碍物进行建模，得到该目标车辆的行驶场景信息，再采用预先构建的模型预测控制器，综合考虑目标车辆的行驶状态信息、行驶参考信息和行驶场景信息，确定目标车辆的控制信息，综合考虑车辆队列的纵向控制和横向控制，综合保障车辆队列的队列稳定性和单车避障，保障车辆队列实际运行的稳定性和安全性，控制效果好。不仅如此，异构车辆队列的动力学系统是一个强非线性的横纵向耦合系统，车辆队列的横向运动对于其纵向运动会产生显著的影响，对车辆队列行车间距的保持
产生极大的挑战。因此，当车辆队列为异构车辆队列时，本方法综合考虑车辆队列的纵向控制和横向控制，效果显著提高。
74.在一个实施例中，如图2所示，根据车辆队列中的各目标车辆对应的行驶状态信息、车辆队列的车辆数量信息和车队预期行驶信息，确定各目标车辆对应的行驶参考信息的具体过程包括以下步骤：
75.步骤201，基于车辆队列规划算法、车辆队列的车辆数量信息和车队预期行驶信息，确定车辆队列的反馈增益信息。
76.在本技术实施例中，终端基于车辆队列规划算法、车辆队列的车辆数量信息和车队预期行驶信息，确定车辆队列的反馈增益信息。其中，反馈增益信息可以为正定反馈增益矩阵。车辆队列规划算法用于为车辆队列进行规划和性能约束。例如，车辆队列规划算法可以为h
∞
控制算法。
77.在一个示例中，终端根据期望行车间距、车辆队列的通讯拓扑结构和李雅普诺夫(lyapunov)稳定性原理，确定h
∞
控制算法的泛函。然后，终端根据h
∞
控制算法的泛函、车辆队列的车辆数量信息和车队预期行驶信息，计算车辆队列的反馈增益信息。其中，车辆队列的通讯拓扑结构可以为后车与前车间通讯(predecessor-follower，pf)、后车与前车及领航车间通讯(predecessor-leader follower，plf)、后车与前两车间通讯(two predecessors-follower，tpf)和后车与前两车及领航车间通讯(two predecessors-leader follower，tplf)。基于plf通讯拓扑结构的智能网联汽车队列如图3所示。
78.在一个示例中，终端基于h
∞
控制算法，确定车辆队列的车辆数量信息、车队预期行驶信息和车辆队列的反馈增益信息的映射关系。终端预先存储车辆队列的车辆数量信息、车队预期行驶信息和车辆队列的反馈增益信息的映射关系。然后，终端在车辆队列的车辆数量信息、车队预期行驶信息和车辆队列的反馈增益信息的映射关系中，根据该车辆队列的车辆数量信息和车队预期行驶信息，查询该车辆队列的反馈增益信息。
79.步骤202，根据车辆队列中的各目标车辆对应的行驶状态信息、反馈增益信息和预先建立的车辆队列模型，确定各目标车辆对应的行驶参考信息。
80.其中，车辆队列模型基于通讯时变延迟构建。
81.在本技术实施例中，通讯时变延迟是一个变化的量，是一个时变有界随机量。例如，基于背景调研得到行业内现行车间通讯硬件可保证延迟在50ms-150ms之间，通讯时变延迟可以为50ms-150ms之间的一个时变随机量。车辆队列模型用于表示车辆队列中各目标车辆的运动状态。车辆队列模型可以为车辆队列状态空间方程。
82.终端基于车辆队列中的各目标车辆对应的行驶状态信息、车辆队列的车辆数量信息、车队预期行驶信息和通讯时变延迟，建立车辆队列模型。然后，终端将车辆队列中的各目标车辆对应的行驶状态信息和反馈增益信息输入至预先建立的车辆队列模型，得到各目标车辆对应的行驶参考信息。
83.在一个实施例中，车辆队列中的各目标车辆对应的行驶状态信息包括：当前时刻各目标车辆质心坐标、当前时刻各目标车辆的横向速度与纵向速度、以及当前时刻各目标车辆的横向加速度与纵向加速度。其中，车辆队列内第i辆目标车辆的质心坐标为(x
p，i
，y
p，i
)，车辆队列内第i辆目标车辆的纵向速度和横向速度为(v
x，p，i
,v
y,p，i
)，v
x，p，i
为纵向速度，v
y,p,i
为横向速度，车辆队列内第i辆目标车辆的纵向加速度和横向加速度为(a
x,p,i
，ay,p,i
)，a
x,p,i
为纵向加速度，a
y,p,i
为横向加速度。车辆队列的车辆数量信息为车辆队列的车辆数量n。车队预期行驶信息包括：车队运行期望行车间距和车辆控制响应时间常数。在车辆队列的车辆数量n的情况下，该车辆队列的车队运行期望行车间距为dn。车辆队列内第i辆目标车辆的车辆控制响应时间常数为τi。车辆队列中第i辆目标车辆的单车系统状态向量为车辆队列的状态向量为车辆队列状态空间方程为：
[0084][0085]
z(t)＝cx(t)
[0086]
其中，0
p,0
为车辆队列中的领航车的纵向质心坐标，v
x,p，0
为车辆队列中的领航车的纵向速度，a
x，p，0
为车辆队列中的领航车的纵向加速度，x(t)为在时间t的时候车辆队列的状态，a为车辆队列状态空间方程对应的状态矩阵，bu为车辆队列状态空间方程对应的输入矩阵，bw为车辆队列状态空间方程对应的干扰矩阵，c为车辆队列状态空间方程对应的输出矩阵，λ
t
为通讯时变延迟，w表示车辆队列受到的外界干扰参数，z(t)为车辆队列系统被控输出矩阵；k为正定反馈增益矩阵。
[0087]
上述车辆队列的控制方法中，基于h
∞
控制算法、不同的车辆队列的车辆数量信息和不同的车队预期行驶信息，确定不同的车辆队列的反馈增益信息，再根据车辆队列中的各目标车辆对应的行驶状态信息、得到的不同的反馈增益信息和预先建立的车辆队列模型，确定各目标车辆对应的行驶参考信息，考虑队列外车辆切入队列及队列内车辆切出队列的情况，更加符合实际应用场景，提高了功能性和控制效果，保障车辆队列实际运行的稳定性和安全性。不仅如此，相较于将延迟当作一个不变的常量或者直接理想化的忽略延迟的影响这样理想化的考虑延迟，本方法基于通讯时变延迟构建车辆队列模型，更加具体的考虑了延迟的影响，更加符合实际情况，能够提升车辆队列模型控制算法的鲁棒性。
[0088]
在一个实施例中，如图4所示，根据目标车辆的行驶状态信息和在车辆队列的预设范围内的障碍物的运动状态信息，确定目标车辆的行驶场景信息的具体过程包括以下步骤：
[0089]
步骤401，针对在车辆队列的预设范围内的每一个障碍物，根据目标车辆的行驶状态信息和该障碍物的运动状态信息，计算目标车辆与该障碍物之间的纵向安全距离和横向安全距离。
[0090]
在本技术实施例中，针对在车辆队列的预设范围内的每一个障碍物，终端根据目标车辆的横向速度、该障碍物的横向速度、目标车辆与障碍物之间的安全制动时间差和最小横向安全距离，计算目标车辆与该障碍物之间的横向安全距离。同时，终端根据目标车辆的纵向速度、该障碍物的纵向速度、目标车辆与障碍物之间的安全制动时间差和最小纵向安全距离，计算目标车辆与该障碍物之间的纵向安全距离。
[0091]
在一个实施例中，终端计算目标车辆与该障碍物之间的纵向安全距离和横向安全距离，可以表示为：
[0092]
[0093][0094]
其中，x
si
，y
si
分别代表了车辆队列中第i辆目标车辆与障碍物之间的纵向安全距离和横向安全距离；x
s0
，y
s0
分表代表了车辆队列中第i辆目标车辆与障碍物间的最小纵向安全距离和最小横向安全距离；v
x,p,i
，v
y,p,i
分别代表了车辆队列中第i辆目标车辆的纵向速度和横向速度；v
x,o,j
，v
y,o,j
分别代表了第j个障碍物的纵向速度和横向速度；t
s0
代表了目标车辆与障碍物间的安全制动时间差；an代表了考虑舒适性下的最大制动加速度。
[0095]
步骤402，根据纵向安全距离、横向安全距离、人工势场的形状参数和人工势场的强度参数，确定目标车辆与该障碍物之间的人工势场信息。
[0096]
其中，目标车辆与各障碍物之间的人工势场信息，构成目标车辆的行驶场景信息。
[0097]
在本技术实施例中，终端根据目标车辆的位置信息和该障碍物的位置信息，分别计算目标车辆与该障碍物之间的横向距离和纵向距离。然后，终端根据纵向安全距离、横向安全距离、目标车辆的航向角、该障碍物的横摆角、目标车辆与该障碍物之间的横向距离和纵向距离，计算目标车辆与该障碍物之间的安全距离。然后，终端根据目标车辆与该障碍物之间的安全距离、人工势场的形状参数和人工势场的强度参数，计算目标车辆与该障碍物之间的人工势场信息。其中，目标车辆的位置信息用于表示目标车辆的位置，可以为目标车辆的质心坐标。障碍物的位置信息用于表示障碍物的位置，可以为障碍物的质心坐标。
[0098]
在一个实施例中，终端确定目标车辆与该障碍物之间的人工势场信息，可以表示为：
[0099][0100][0101]
其中，apf
i,j
代表了车辆队列中第i辆目标车辆与第j个障碍物之间的人工势场信息；代表了车辆队列中第i辆目标车辆与第j个障碍物之间的安全距离；dx，dy分表代表了车辆队列中第i辆目标车辆与第j个障碍物间的纵向距离和横向距离；ai代表了人工势场的形状参数，bi代表了人工势场的强度参数；θ代表了朝向角，即目标车辆的车头与障碍物的夹角。当目标车辆行驶接近障碍物时，apf值会显著提升，并在根据障碍物的形状及强度，生成障碍物空间参数模型；反之，在运行域畅通无阻的情况下，apf值会维持在0值。
[0102]
上述车辆队列的控制方法中，针对在车辆队列的预设范围内的每一个障碍物，根据目标车辆的行驶状态信息和该障碍物的运动状态信息，计算目标车辆与该障碍物之间的纵向安全距离和横向安全距离，再根据纵向安全距离、横向安全距离、人工势场的形状参数和人工势场的强度参数，确定目标车辆与该障碍物之间的人工势场信息，再将目标车辆与各障碍物之间的人工势场信息，构成目标车辆的行驶场景信息。这样，基于通过人工势场建模道路障碍物的思想，通过设计用于车辆队列的人工势场算法，并采用该人工势场算法，对
车辆队列的障碍物进行建模，得到车辆队列内各目标车辆的行驶场景信息，进而确定目标车辆的控制信息，综合考虑车辆队列的纵向控制和横向控制，综合保障车辆队列的队列稳定性和单车避障，保障车辆队列实际运行的稳定性和安全性，控制效果好。
[0103]
在一个实施例中，如图5所示，基于预先构建的模型预测控制器、目标车辆的行驶状态信息、行驶参考信息和行驶场景信息，确定目标车辆的控制信息的具体过程包括以下步骤：
[0104]
步骤501，根据目标车辆的行驶场景信息，确定目标车辆的行驶场景权重。
[0105]
在本技术实施例中，终端根据目标车辆的行驶场景信息和目标车辆的低风险场景权重，计算目标车辆的行驶场景权重。其中，目标车辆的行驶场景权重用于表示在当前的行驶环境下目标车辆的行驶参考信息对控制信息的影响权重，可以为在当前的行驶环境下目标车辆的行驶参考信息的代价函数的控制权重。目标车辆的低风险场景权重用于表示在低风险的行驶环境下目标车辆的行驶参考信息对控制信息的影响权重。目标车辆的行驶场景权重可以小于或等于目标车辆的低风险场景权重。
[0106]
步骤502，将目标车辆的行驶状态信息、行驶参考信息、行驶场景信息和行驶场景权重输入至预先构建的模型预测控制器，得到目标车辆的控制信息。
[0107]
在本技术实施例中，终端将目标车辆的行驶状态信息、行驶参考信息、行驶场景信息和行驶场景权重输入至预先构建的模型预测控制器，得到目标车辆的控制信息。
[0108]
上述车辆队列的控制方法中，根据目标车辆的行驶场景信息，确定目标车辆的行驶场景权重，再将目标车辆的行驶状态信息、行驶参考信息、行驶场景信息和行驶场景权重输入至预先构建的模型预测控制器，得到目标车辆的控制信息。这样，根据目标车辆的行驶场景信息，确定当前的行驶环境下目标车辆的行驶参考信息对控制信息的影响权重，再也根据该权重，确定目标车辆的控制信息，实现在不同风险的场景下自适应调节行驶场景权重，即在低风险的场景下目标车辆优先跟随前车，更注重当前时刻的车辆队列的纵向稳定，在高风险的场景下目标车辆优先避障，更注重当前时刻的自车安全，实现了对保障车辆队列的队列稳定性和单车避障的合理均衡，实现了在实际运行域内车辆队列的安全行驶轨迹及控制参数的优化，能够进一步保障车辆队列实际运行的稳定性和安全性，能够进一步提高控制效果和安全性。
[0109]
在一个实施例中，模型预测控制器的建立过程包括以下步骤：根据车辆队列中各目标车辆的行驶状态信息，构建车辆队列内的单车动力学模型；根据车辆队列内的单车动力学模型，确定执行器性能局限；根据执行器的性能局限、车辆队列中各目标车辆的行驶状态信息和车辆队列中各目标车辆的行驶参考信息，确定代价函数；将车辆队列内的单车动力学模型、执行器的性能局限和代价函数，构成模型预测控制器。
[0110]
在本技术实施例中，车辆队列中各目标车辆的行驶状态信息包括目标车辆质心坐标(x
p,i
,y
p,i
)、横向速度与纵向速度(v
x,p,i
,v
y,p,i
)、航向角与横摆角速度状态向量控制向量控制向量为方向盘转角，f
x,i
为实施在轮胎上的力。终端依据单车动力学模型，建立分布式车辆队列内单车状态空间方程，即车辆队列内的单车动力学模型：
[0111]
[0112][0113][0114]vg,x,p,i
＝v
x,p,i
cosθ
p,ivy,p,i
sinθ
p,i
[0115]vg,y,p,i
＝v
y,p,i
cosθ
p,i
+v
x,p,i
sinθ
p,i
[0116][0117][0118]
其中，mi代表了车辆队列内第i辆车的质量；f
i,yf
，f
i,yr
代表了车辆队列内第i辆车前后轮的横向力；l
i,f
，l
i,r
代表了车辆队列内第i辆车质心到前后轮的距离；i
z,i
代表了车辆队列内第i辆车横摆转动惯量；v
g,x,p，i
，v
g,y,p,i
代表了全局坐标下的x、y轴上的速度；c
af
，c
ar
分别代表了车辆前轮与后轮的侧偏刚度。车辆队列内的单车动力学模型可以表示为：
[0119][0120]
其中，分别代表了车辆队列内单车的系统矩阵、控制输入矩阵与输出矩阵。执行器性能局限可以为：
[0121][0122][0123]vx,p,i,min
≤v
x,p,i
≤v
x,p,i,max
[0124]
其中，代表车辆队列内车辆最大转向角度；t
i,max
，r
w,i
分别代表了车辆队列内车辆最大推进力与车轮滚动半径；v
x,p,i,min
，v
x,p,i,max
代表了运行域内车辆队列行驶速度区间。这样能够保证控制器输出的控制信号被队列内车辆执行，提高了车辆队列控制的可靠性。模型预测控制器的代价函数可以为：
[0125][0126]
其中，y
di,t+k,t
＝[v
ref_i
,y
dp,i
,θ
dp,i
]
t
，y
i,t+k,t
、y
di,t+k,t
分别为当前输出状态和目标输出状态，u
i,t+k,t
为控制量信息，v
ref_i
、y
dp,i
、θ
dp,i
分别代表了参考速度、队列期望行驶车道和队列期望横摆角；n
p
与nc分别代表了预测范围与控制范围；ε代表了松弛变量；qi,p,r分别代表了其对应代价函数的算法权重，qi表示系统当前输出状态和目标输出状态的差值对应的权重，p表示松弛变量对应的权重，r表示控制变量对应的权重。
[0127]
在一个实施例中，终端还可以基于执行器性能局限和代价函数，将代价函数转化为标准形式的二次规划(qp)问题，可以表示为：
[0128][0129]
其中，j(k)为优化函数，δu(k)为控制增益向量，f
t
(k)为控制增益权重，h(k)为对称正定矩阵。这样，基于mpc模型预测控制器原理，选定预测范围n
p
与控制范围nc，滚动预测车辆队列内各目标车辆在未来n
p
步内的行驶状态信息，优化其在未来nc步内的控制率，得到目标车辆的控制信息。
[0130]
在一个实施例中，如图6所示，根据目标车辆的行驶场景信息，确定目标车辆的行驶场景权重的具体过程包括以下步骤：
[0131]
步骤601，根据目标车辆与各障碍物之间的人工势场信息和各障碍物对应的复杂度参数，计算目标车辆的动态调节系数。
[0132]
在本技术实施例中，针对每一个障碍物，终端将目标车辆与该障碍物之间的人工势场信息和该障碍物对应的复杂度参数相加。然后，终端对得到的这个和取倒数，得到目标车辆与该障碍物之间的目标倒数。然后，终端根据目标车辆与各障碍物之间的目标倒数的和，计算目标车辆的动态调节系数。其中，动态调节系数用于基于目标车辆的行驶场景的危险程度，动态调节目标车辆的行驶场景权重。复杂度参数用于表示障碍物的复杂程度。
[0133]
步骤602，将目标车辆的动态调节系数和目标车辆的低风险场景权重相乘，得到目标车辆的行驶场景权重。
[0134]
在本技术实施例中，终端将目标车辆的动态调节系数和目标车辆的低风险场景权重相乘，得到目标车辆的行驶场景权重。
[0135]
在一个实施例中，终端确定目标车辆的行驶场景权重，可以表示为：
[0136][0137][0138]
其中，qi代表目标车辆的行驶场景权重，q
i,0
代表目标车辆的低风险场景权重；σj代表了第j个障碍物的复杂度参数，σ0为无障碍物时的复杂度参数。
[0139]
上述车辆队列的控制方法中，根据目标车辆与各障碍物之间的人工势场信息和各障碍物对应的复杂度参数，计算目标车辆的动态调节系数，再将目标车辆的动态调节系数和目标车辆的低风险场景权重相乘，得到目标车辆的行驶场景权重。这样，在自适应调节行驶场景权重时，考虑每一个目标车辆与各障碍物之间的人工势场信息，还考虑各障碍物不同的复杂度参数，更加全面和符合实际情况，能够提高行驶场景权重的准确性，进一步提高控制效果和安全性。
[0140]
在一个实施例中，如图7所示，车辆队列规划算法的构建过程包括以下步骤：
[0141]
步骤701，基于通讯时变延迟，构建延迟对系统的干扰函数。
[0142]
在本技术实施例中，终端基于通讯时变延迟，构建延迟对系统的干扰函数。其中，延迟对系统的干扰函数用于表示延迟对系统的干扰。具体的，终端计算待求正定矩阵。然后，终端基于通讯时变延迟、通讯时变延迟变化速率的界限值和待求正定矩阵，构建延迟对
系统的干扰函数。
[0143]
步骤702，基于通讯时变延迟的界限值，构建延迟变化速率对系统的干扰函数。
[0144]
在本技术实施例中，终端基于通讯时变延迟的界限值，构建延迟变化速率对系统的干扰函数。其中，延迟变化速率对系统的干扰函数用于表示延迟变化速率对系统的干扰。通讯时变延迟的界限值可以为通讯时变延迟的上限值。具体的，终端计算待求正定矩阵。然后，终端基于通讯时变延迟的界限值和待求正定矩阵，构建延迟变化速率对系统的干扰函数。
[0145]
步骤703，基于原系统函数、延迟对系统的干扰函数和延迟变化速率对系统的干扰函数，构建车辆队列规划算法。
[0146]
在本技术实施例中，终端将原系统函数、延迟对系统的干扰函数和延迟变化速率对系统的干扰函数相加，构成李雅普诺夫泛函。然后，终端将得到的李雅普诺夫泛函，作为车辆队列规划算法的泛函。然后，终端基于车辆队列规划算法的泛函，构建车辆队列规划算法。
[0147]
在一个实施例中，李雅普诺夫泛函可以表示为：
[0148][0149]
其中，p、q1和z1为待求正定矩阵，λ
t
为通讯时变延迟，λ
t
∈[0,h1]，h1为通讯时变延迟的上限值，x
t
(t)px(t)为原系统函数，为延迟对系统的干扰函数，为延迟变化速率对系统的干扰函数，s为时间t的微分。
[0150][0151][0152]
其中，μ1为通讯时变延迟变化速率的上限值，为通讯时变延迟变化速率，γ为控制效果指数，通过计算φ1＜0,可以得出待求正定矩阵p、q1、z1。
[0153]
上述车辆队列的控制方法中，车辆队列规划算法的泛函不仅包括原系统函数，还包括基于通讯时变延迟构建的延迟对系统的干扰函数和基于通讯时变延迟的界限值构建的延迟变化速率对系统的干扰函数，结合了采用通讯时变延迟的优势，构建的车辆队列规划算法的泛函控制效果更好，进而提高最终控制效果和安全性。
[0154]
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个
阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
[0155]
基于同样的发明构思，本技术实施例还提供了一种用于实现上述所涉及的车辆队列的控制方法的车辆队列的控制装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个车辆队列的控制装置实施例中的具体限定可以参见上文中对于车辆队列的控制方法的限定，在此不再赘述。
[0156]
在一个实施例中，如图8所示，提供了一种车辆队列的控制装置800，包括：行驶参考信息确定模块810、行驶场景信息确定模块820和控制信息确定模块830，其中：
[0157]
行驶参考信息确定模块810，用于根据车辆队列中的各目标车辆对应的行驶状态信息、车辆队列的车辆数量信息和车队预期行驶信息，确定所述各目标车辆对应的行驶参考信息；
[0158]
行驶场景信息确定模块820，用于针对每一个目标车辆，根据所述目标车辆的行驶状态信息和在所述车辆队列的预设范围内的障碍物的运动状态信息，确定所述目标车辆的行驶场景信息；
[0159]
控制信息确定模块830，用于基于预先构建的模型预测控制器、所述目标车辆的行驶状态信息、行驶参考信息和行驶场景信息，确定所述目标车辆的控制信息。
[0160]
可选的，所述行驶参考信息确定模块810，具体用于：
[0161]
基于车辆队列规划算法、车辆队列的车辆数量信息和车队预期行驶信息，确定所述车辆队列的反馈增益信息；
[0162]
根据所述车辆队列中的各目标车辆对应的行驶状态信息、所述反馈增益信息和预先建立的车辆队列模型，确定所述各目标车辆对应的行驶参考信息；所述车辆队列模型基于通讯时变延迟构建。
[0163]
可选的，所述行驶场景信息确定模块820，具体用于：
[0164]
针对在所述车辆队列的预设范围内的每一个障碍物，根据所述目标车辆的行驶状态信息和所述障碍物的运动状态信息，计算所述目标车辆与所述障碍物之间的纵向安全距离和横向安全距离；
[0165]
根据所述纵向安全距离、所述横向安全距离、人工势场的形状参数和人工势场的强度参数，确定所述目标车辆与所述障碍物之间的人工势场信息；
[0166]
其中，所述目标车辆与各所述障碍物之间的人工势场信息，构成所述目标车辆的行驶场景信息。
[0167]
可选的，所述控制信息确定模块830，具体用于：
[0168]
根据所述目标车辆的行驶场景信息，确定所述目标车辆的行驶场景权重；
[0169]
将所述目标车辆的行驶状态信息、行驶参考信息、行驶场景信息和行驶场景权重输入至预先构建的模型预测控制器，得到所述目标车辆的控制信息。
[0170]
可选的，所述控制信息确定模块830，具体用于：
[0171]
根据所述目标车辆与各所述障碍物之间的人工势场信息和各所述障碍物对应的复杂度参数，计算所述目标车辆的动态调节系数；
[0172]
将所述目标车辆的动态调节系数和所述目标车辆的低风险场景权重相乘，得到所
述目标车辆的行驶场景权重。
[0173]
可选的，所述装置800还包括：
[0174]
第一构建模块，用于基于所述通讯时变延迟，构建延迟对系统的干扰函数；
[0175]
第二构建模块，用于基于所述通讯时变延迟的界限值，构建延迟变化速率对系统的干扰函数；
[0176]
第三构建模块，用于基于原系统函数、所述延迟对系统的干扰函数和所述延迟变化速率对系统的干扰函数，构建车辆队列规划算法。
[0177]
上述车辆队列的控制装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0178]
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图9所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过wifi、移动蜂窝网络、nfc(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种车辆队列的控制方法。该计算机设备的显示单元用于形成视觉可见的画面，可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
[0179]
本领域技术人员可以理解，图9中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0180]
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
[0181]
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述各方法实施例中的步骤。
[0182]
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
[0183]
需要说明的是，本技术所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
[0184]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，
本技术所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(reram)、磁变存储器(magnetoresistive random access memory，mram)、铁电存储器(ferroelectric random access memory，fram)、相变存储器(phase change memory，pcm)、石墨烯存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器等。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。本技术所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本技术所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
[0185]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0186]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术的保护范围应以所附权利要求为准。

技术特征：
1.一种车辆队列的控制方法，其特征在于，所述方法包括：根据车辆队列中的各目标车辆对应的行驶状态信息、车辆队列的车辆数量信息和车队预期行驶信息，确定所述各目标车辆对应的行驶参考信息；针对每一个目标车辆，根据所述目标车辆的行驶状态信息和在所述车辆队列的预设范围内的障碍物的运动状态信息，确定所述目标车辆的行驶场景信息；基于预先构建的模型预测控制器、所述目标车辆的行驶状态信息、行驶参考信息和行驶场景信息，确定所述目标车辆的控制信息。2.根据权利要求1所述的方法，其特征在于，所述根据车辆队列中的各目标车辆对应的行驶状态信息、车辆队列的车辆数量信息和车队预期行驶信息，确定所述各目标车辆对应的行驶参考信息包括：基于车辆队列规划算法、车辆队列的车辆数量信息和车队预期行驶信息，确定所述车辆队列的反馈增益信息；根据所述车辆队列中的各目标车辆对应的行驶状态信息、所述反馈增益信息和预先建立的车辆队列模型，确定所述各目标车辆对应的行驶参考信息；所述车辆队列模型基于通讯时变延迟构建。3.根据权利要求1所述的方法，其特征在于，所述根据所述目标车辆的行驶状态信息和在所述车辆队列的预设范围内的障碍物的运动状态信息，确定所述目标车辆的行驶场景信息包括：针对在所述车辆队列的预设范围内的每一个障碍物，根据所述目标车辆的行驶状态信息和所述障碍物的运动状态信息，计算所述目标车辆与所述障碍物之间的纵向安全距离和横向安全距离；根据所述纵向安全距离、所述横向安全距离、人工势场的形状参数和人工势场的强度参数，确定所述目标车辆与所述障碍物之间的人工势场信息；其中，所述目标车辆与各所述障碍物之间的人工势场信息，构成所述目标车辆的行驶场景信息。4.根据权利要求1-3任意一项所述的方法，其特征在于，所述基于预先构建的模型预测控制器、所述目标车辆的行驶状态信息、行驶参考信息和行驶场景信息，确定所述目标车辆的控制信息包括：根据所述目标车辆的行驶场景信息，确定所述目标车辆的行驶场景权重；将所述目标车辆的行驶状态信息、行驶参考信息、行驶场景信息和行驶场景权重输入至预先构建的模型预测控制器，得到所述目标车辆的控制信息。5.根据权利要求4所述的方法，其特征在于，所述根据所述目标车辆的行驶场景信息，确定所述目标车辆的行驶场景权重包括：根据所述目标车辆与各所述障碍物之间的人工势场信息和各所述障碍物对应的复杂度参数，计算所述目标车辆的动态调节系数；将所述目标车辆的动态调节系数和所述目标车辆的低风险场景权重相乘，得到所述目标车辆的行驶场景权重。6.根据权利要求2所述的方法，其特征在于，所述车辆队列规划算法的构建过程包括：基于所述通讯时变延迟，构建延迟对系统的干扰函数；
基于所述通讯时变延迟的界限值，构建延迟变化速率对系统的干扰函数；基于原系统函数、所述延迟对系统的干扰函数和所述延迟变化速率对系统的干扰函数，构建车辆队列规划算法。7.一种车辆队列的控制装置，其特征在于，所述装置包括：行驶参考信息确定模块，用于根据车辆队列中的各目标车辆对应的行驶状态信息、车辆队列的车辆数量信息和车队预期行驶信息，确定所述各目标车辆对应的行驶参考信息；行驶场景信息确定模块，用于针对每一个目标车辆，根据所述目标车辆的行驶状态信息和在所述车辆队列的预设范围内的障碍物的运动状态信息，确定所述目标车辆的行驶场景信息；控制信息确定模块，用于基于预先构建的模型预测控制器、所述目标车辆的行驶状态信息、行驶参考信息和行驶场景信息，确定所述目标车辆的控制信息。8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。

技术总结
本申请涉及一种车辆队列的控制方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括：根据车辆队列中的各目标车辆对应的行驶状态信息、车辆队列的车辆数量信息和车队预期行驶信息，确定所述各目标车辆对应的行驶参考信息；针对每一个目标车辆，根据所述目标车辆的行驶状态信息和在所述车辆队列的预设范围内的障碍物的运动状态信息，确定所述目标车辆的行驶场景信息；基于预先构建的模型预测控制器、所述目标车辆的行驶状态信息、行驶参考信息和行驶场景信息，确定所述目标车辆的控制信息。采用本方法对车辆队列的控制效果好。好。好。


技术研发人员：王红 魏子淳 彭利明 于文浩 白先旭 杨凯
受保护的技术使用者：清华大学
技术研发日：2023.04.07
技术公布日：2023/7/25