之前曾经介绍过：车联网和车路协同技术
其中介绍了轨迹预测、协作交通系统/驾驶（控制）等工作。
其中介绍了网联自驾车、车辆编队控制、交叉路口和高速公路匝道的网联车协调、车联网社交智慧城市等工作。
其中汇报Uber的车联网感知融合网络V2VNet和路由网络VIN。
这里继续介绍几个车联网和自动驾驶结合的文章，重点是车队协同的研究。
1 「A Novel Path Planning Algorithm for Truck Platooning Using V2V Communication「，2020， 12
这篇文章介绍卡车编队（truck platooning）的路径规划的算法，作者来自韩国大学和现代公司。
货车编队时，前车为人工驾驶，后车为自动驾驶，车距较短。在各种情况下做到成功地编队，每辆卡车都必须保持动态稳定性，而且整个系统必须保持 串稳定性（string stability） 。然而，由于前视范围较短，后续车辆的路径规划能力会显着降低。
另外，在铰接式货车（articulated cargo trucks）编队时，在弯路上出现的跑偏（off-tracking）现象使得后车很难跟踪前车的轨迹。此外，在没有全局坐标系信息的情况下，每辆卡车用于感知环境和动态信号的局部坐标系，很难彼此关联。
为了解决这些问题，本文开发了铰接式货车编队的路径规划算法。使用卡尔曼滤波器、V2V（Vehicle-to-Vehicle）通信和一种「更新-转换」（update-and-conversion）方法，每个跟随车辆都可以准确计算领先车辆前部（front part）的轨迹，并将其用作目标路径（target path）。该算法可以为卡车编队提供横向（lateral）串稳定性和鲁棒性。
如图是卡车编队的架构：前车（leading vehicle，LV）由有经验的驾驶员手动驾驶，后车（following vehicles，FV）由自动驾驶系统运行。
后车（FV）使用雷达、摄像头等环境传感器感知前方车辆和车道，通过车辆纵向和横向控制进行自动驾驶。 FV 的自动驾驶算法不依赖 GPS，因为车辆在某些情况下无法接收正确的 GPS 信号，例如在隧道行驶。 在大型货车编队的情况下，车队的长度可以轻松达到100 m。 因此，考虑到附近车辆的安全，一个编队的卡车数量通常限制在 3 或 4 辆。
后车（FV）的纵向控制旨在与前车保持较短的距离，这基本上是通过采用成熟的ACC算法来完成的，本文该算法依赖于雷达。 较短的车辆间距离在卡车编队中很重要，因为减少空气阻力为 FV 提供了燃油经济性。
后车的横向控制旨在跟随 前车（LV） 的行驶路径，同时保持在自己的车道上。 后车 使用摄像头进行车道保持，但成熟的 LKS算法 无法使用，因为摄像机的前视范围受到前面卡车 的严重限制。 后车的路径跟随控制将 前车所经过的轨迹设置为其目标。 因此，在卡车编队中，需要比一般自动驾驶的横向控制方法更高水平的技术。 有两种主要的编队横向控制方法，「直接跟车（Direct vehicle-following）」和「车辆路径跟随（Vehicle path-following）」。
在 直接跟车 方法中，后车用与前车相对纵向和横向距离进行操作，基于几何原理计算转向角。主车（subject vehicle）重心（CG）和前车后部中心（rear center）之间的相对位置和相对角度，可以用来计算其到前车后部的虚拟弯曲路径。但是，用的是前车后方的相对位置信息，而不是前车方向盘的轨迹，所以在转弯时可能会出现在前车实际轨迹内行驶的问题。另外，在小曲率高速公路行驶时，由于与前车的相对横摆角（yaw angle）很小，如果感知精度低或测量分辨率小，则无法保证跟随前车虚拟弯曲路径的可靠性。
另一方面， 车辆路径跟随 是一种跟随前车轨迹的方法。 前车的轨迹可以用本车的运动参数并存储前车后部位置坐标来获得。 由于可以控制位于前车轨迹内的前视距离（look-ahead distance），路径跟踪的性能得到提高。 但是，由于编队行驶时车辆间距离较短，因此存在无法在高速获得足够前视距离的问题。 如果是半挂卡车（semi-trailer truck），在转向过程中， 跑偏（Off-tracking）现象 ，即牵引车的转向轴和拖车后部保险杠之间的路径不同，会导致在跟随前车时出现跟踪错误。
如图就是跑偏（Off-tracking）现象：（a）低速，（b）高速；在低速时，挂车后保险杠的轨迹形成在牵引车的轨迹内部；在高速时，由于横向加速度的增加，挂车的轨迹行进比牵引车的轨迹朝外。 跑偏（Off-tracking）是损害编队横向动力学稳定性的主要因素，随着它向编队的尾部传播，稳定性变差。
为了克服跑偏问题，后车需要用前车的牵引车而不是拖车的轨迹来确定自己的目标路径。 但是，后车无法仅通过摄像头感知前车牵引车的位置。 一项研究提出利用前车拖车位置轨迹的曲率，但只有当两辆车之间的偏航角很小时才有效。 另一项研究提出基于动力学的RTK（DRTK）和 V2V 来访问前车牵引车的全球位置；但由于 GPS 信号无法识别，编队卡车通常不使用 GPS，因为某些条件下，比如在开车经过隧道时，无法收到GPS信号。
如图是现代牵引车：仪表板和前保险杠上分别安装了单目摄像头和雷达，用于感知前车保险杠的中心点。 V2V模块采用双天线，安装在左右后视镜内，最大限度地减少通信盲区的面积。
控制器是MicroAutoBox II, 作为CPU实现编队控制逻辑和路径规划算法。
如图是卡车的一些指标：车长16.66米。
如图是卡车编队横向控制器的架构图：V2V通信。
如图是主车驾驶员轨迹生成架构图：
如图是3DOF的铰接车辆模型图：
其运动方程如下：
一个卡尔曼滤波器，设计为每 10 ms 估计一次状态，这等于每辆车的 CAN 通信周期。
路径规划算法中，前车必须生成自己的驾驶轨迹，因为该轨迹使后车可以创建其目标路径。该轨迹分别由前后两个部分组成，各自保存300样本在缓存中。
如图是主车轨迹缓存：在卡车视角，轨迹表现的样子。红色前轨迹，蓝色后轨迹。
如图是后车横向控制器架构图：后车做路径规划，即计算目标路径，然后输入到路径跟踪控制模块。
其中前车给后车发送的消息如下表：轨迹参数和点坐标
如图是后车看到前车后保险杠的轨迹：通过摄像头和雷达观察。
如图是实现后车和前车的坐标匹配流程：这个将用于编队卡车的路径规划。
如图是路径规划流程图：需要坐标转换。
如图是后车坐标系下的前车轨迹：前车的牵引车转向轴中心
前后车坐标旋转的估计如图：参考点匹配
采用Kabsch算法，把V2V接收的前车轨迹转换到后车坐标系。
如下是路径规划算法的过程：
整个实验包括仿真和实际测试两部分，其中仿真基于 TruckSim 和Matlab/Simulink，实际部分在高速进行，长度7.7公里。
如图是三个实际测试结果：
2 「Deep Learning Based Intelligent Inter-Vehicle Distance Control for 6G Enabled Cooperative Autonomous Driving「，2020，12
该文是讨论6G网络下协同驾驶的智能车间距离控制，采用深度学习方法。
第六代蜂窝网络（6G）背景下，网联自动驾驶 (CAV) 是 一个关键垂直领域，在改善道路安全、道路和能源效率方面具有巨大潜力。然而，CAV 对可靠性、延迟和高速通信的要求将给 6G 网络带来巨大挑战。6G 支持的 CAV 需要新的通道接入算法和智能控制方案，用于网联车辆。
本文研究了 6G 支持的协同驾驶，这是一种通过信息共享和驾驶协调的先进驾驶模式。首先，用混合通信（hybrid communication）和通道接入（channel access）技术，采用常见的数学工具 Stochastic Network Calculus (SNC) 量化 6G V2V通信的延迟上限。
本文开发并训练深度学习神经网络，用于在实时操作中延迟界限的快速计算。然后，设计一种智能策略来控制协同自动驾驶的车距。此外，提出了一种基于马尔可夫链（Markov Chain）的算法来预测系统状态的参数，以及一种安全距离映射（safety distance mapping）方法来实现平稳的车速变化。
路边单元 (RSU) 并非所有场景都可用，这里考虑协作驾驶网络的最坏情况，分布式 V2V 通信进行通信。 如 DSRC 和 3GPP LTE-V2V 技术规定，以随机方式车辆竞争访问广播通道做常规数据传输。 本文采用 指数退避协议（exponential back-off protocols） 作为通信性能建模和车距控制策略设计的随机访问协议。
需要注意的是，本文提出的理论模型也适用于现代 6G V2V 网络的随机接入协议。 此外，为了提高通信可靠性和数据速率，假设车辆在传统的 5G 无线接入设备之上还配备了 6G 无线接入设备，例如可见光通信单元。
射频相对较低的V2V通信，所有车辆的数据传输通过随机通道接入。而高频段（例如毫米波和太赫兹频段） 6G 通信，则假设车辆只能与紧邻车辆进行通信。不失一般性，以毫米波通信为例。为了区分低频通信和高频通信，分别称它们为 蜂窝V2V 和 6G通信 ，同时具有低频和高频通信的V2V网络称为 混合网络 。
如图是6G支持的不同天气条件下蜂窝网络例子：
作为 6G 通信链路的典型示例，这里考虑毫米波链路。 假设一个同构的毫米波通信环境，所有毫米波链路都遵循相同的衰落分布。一个衰减因子g的定义如下：
此外，毫米波通道是全双工的，因此考虑自干扰。其中参数mu定义发射器和接收器的耦合，干扰加噪声比 (SINR) r = Kwg，其中w定义为
为了确定车间安全距离，需要计算通信延迟上限，这里主要分析混合V2V网络的随机延迟上限，但是在这之前要分别讨论蜂窝V2V通信和6G毫米波通信。本文的排队均采用FIFO模式。
对蜂窝V2V通信，平均等待时间通过基本排队理论得到：
从SNC的级联（Concatenation）性质看，蜂窝V2V网络中一个节点服务曲线可以表示为：
这里随机接入通道的平均服务时间为：
上面公式中的碰撞发生概率pc，定义如下：
采用数值方法求解公式（3）中的非线性方程即可得到碰撞概率。
对于同构的毫米波通信网络，其上限随机到达过程（stochastic arrival process）定义为
毫米波网络中服务过程的矩生成函数（moment generating function）有一个上限：
最后得到毫米波网络服务曲线：
其中
最后，虚拟延迟定义为：
其计算方法是：
那么，全服务曲线可以获得：
这样，混合V2V网络的随机服务曲线上限为：
基于延迟上限，网联车的智能车间距离控制策略可以开发出来。这个策略要满足安全、交通效率和能源效率的要求。本文方法采用机器学习建模，整个策略分成两个部分： 安全距离和决策 。
如下是预测算法的全过程，采用深度神经网络估计转换概率：
安全距离可以定义为：
按照 Algorithm 1 ，可以逐个预测车辆的网络参数，然后通过公式（33）用训练好的神经网络计算延迟上限和安全距离，并根据最坏情况调整速度。
如图示意加速度-距离的关系：即 安全距离映射
而采用公式则表示为：
其中Aa是正数，Ad是负数。结合参数预测、距离映射和神经网络，可以计算延迟上限。
如下是整个智能车间距离控制策略：Algorithm 2
而Algorithm 2的框架图如下：
实验基于微软开源仿真软件平台AirSim，如图是仿真框架图：
如下是一个仿真器图像实例：
以下是智能车间距离控制策略的距离结果曲线：
如下是紧急刹车时最后一辆车速度曲线：
本文研究6G 车载网络混合通信和通道接入方案的通信性能界限。基于深度学习的方法旨在预测实时操作的 V2V 通信性能界限。最后作者提出一种用于协同驾驶的智能车距控制策略。最后采用仿真实验，进行验证。
3 「A Robust CACC Scheme Against Cyberattacks Via Multiple Vehicle-to-Vehicle Networks「，2020，4
该文讨论V2V网络支持的协同自适应巡航控制（ Cooperative Adaptive Cruise Control，CACC ）遇到的网络安全问题，作者来自新加坡、荷兰和澳大利亚三个大学。
CACC允许高速公路的车辆组形成紧耦合的自动化编队（platoons），可提高高速公路通行能力和安全性，并降低油耗和二氧化碳排放量。
CACC 背后的底层机制是V2V无线通信网络向编队中的相邻车辆传输加速命令。但是，V2V 网络的使用会导致通信通道增加面对故障和网络攻击的脆弱性。通信网络给降低编队性能甚至导致崩溃的恶意代理（malicious agents）提供了新接入点。
本文通过多个 V2V 网络和数据融合算法来提高 CACC 抵抗网络攻击的鲁棒性问题。想法是通过不同的通信网络（通道）多次传输加速命令，这样在接收端创建冗余。利用这种冗余，获得了加速命令的无攻击（attackfree）估计。为实现这一点，一种数据融合算法，从所有通道获取数据，返回对真实加速命令的估计，并孤立受损通道。
但是，估计数据进行控制会给循环带来不确定性，从而降低性能。为了最大限度地减少性能下降，本文提出了一种鲁棒的控制器，减少估计误差和传感器/通道噪声对编队性能，包括跟踪性能和串稳定性（string stability），造成的联合影响。
如图是网络攻击下配备CACC的车辆编队：每辆车配备多个通信通道，从前车获取信息。 请注意，某些频道受到攻击。
车队中每个车保持和前车一定距离：
其中车间距离加入的一个空间项 hv(k) 是为了改进车队的串稳定性。空间误差定义为：
这样车队控制的设计，遵循以下的车辆模型：
从公式（3）-（6）得到车编队的模型如下：
其矩阵形式为：
其实头车没有前车，这里称其跟从一个虚参考车（virtual reference vehicle）。虚车动力学方程为：
公式（7）-（9）的离散时间形式记为：
下面就是作者提出的数据融合算法，利用通信冗余得到前车加速命令的鲁棒估计：
定义所有通道传输的信号的均值：
定义最大差信号：
对序列：
融合的测量是：
如图是数据融合的算法：假设车编队的车载传感器数据是会有噪声的
对于编队的每辆车，设计了一个控制器来稳定其闭环动态，同时最小化1）融合算法引入的误差，以及最小化2）传感器噪声对串稳定性和跟踪性能的影响。
4 「 Multivehicle Cooperative Driving Using Cooperative Perception: Design and Experimental Validation「，2015，4
补一个相对旧的论文，比较有代表性，是关于协同感知的工作，作者来自新加坡和美国大学MIT。
本文提出了一种使用协同感知的多车辆协同驾驶系统架构。 首先提出了一种多模式协作感知系统，可为驾驶员提供透视、升降座椅、卫星和全方位视图。 基于这种系统的扩展信息，通过透视前方碰撞警告、超车/变道辅助和隐藏障碍物自动避撞来实现协同驾驶。
如图是系统架构图：由协同感知、视角可视化、协同驾驶三个子系统组成。
为了协作感知，每辆车都配备距离传感器，例如激光或雷达扫描仪、视觉传感器和无线电通信，如图最左边的方框所示。 里程计用于自我运动估计，例如移动方向和速度。距离传感器用于车辆检测和跟踪。视觉传感器用于车辆和行人的分类和识别，并提供对驾驶员友好的视觉交通信息。
车辆通过无线通信与其他车辆或基础设施交换本地传感信息。本文将信息的交换定义为消息。由于通信性能和信息量之间的权衡，根据应用程序要求和驱动程序偏好仔细选择消息配置文件，例如消息大小和传输周期。本文研究了几种消息配置文件，例如仅激光扫描数据、仅原始图像、仅压缩图像、仅点云、以及激光扫描和点云。
所有本地和遥感信息都在图中的协同感知框进行融合。 与车载传感信息的数据融合相比，道路遥感信息的数据融合包括许多实际挑战， 本文重点研究地图合并问题和传感器多模态融合问题。
在协同感知信息融合之后，融合信息可用于驾驶员的驾驶辅助和自主驾驶的运动规划器。此外，它可以交付给后面车辆或最近的基础设施。出于辅助驾驶的目的，该系统以透视可视化的方式表示融合信息，以提供直观的指导信息。
最后，协同驾驶子系统的主要目标之一是让驾驶员知道应该小心的时刻，例如隐藏障碍物检测或前方车辆在视线之外的突然制动。发出通知是通过视觉和声音警报执行的，这使驾驶员能够专注于驾驶，直到系统检测到任何危险情况。此外，当有任何车辆从后面或盲点驶来时，子系统会通知驾驶员，这有助于安全换道或超车。对于自动驾驶车辆，该通知会触发路径重新规划的自动换道任务。
如图是路上地图合并的算法流程：将来自不同车辆的两张地图作为输入参数，由算法生成合并地图。
其中模块「LeaderVehicleDetection」，采用基于蒙特卡罗定位的路缘交叉路口特征进行车道保持，用路径规划器进行换道操作；为了找到领车的位置，该系统会不断观察路面直线或略微弯曲的线，该方法考虑当前车道位置来推断领车的期望路径，与仅靠扫描匹配的方法相比，可以显着减少领车检测的搜索空间和误报的发生。
在模块「VirtualLeaderScan」，假设车辆无法扫描自身。 自车的地图有检测其领车的扫描点云，但领车交付的地图不包括领车本身的扫描点云。 由于传感器通常安装在固定位置，因此车辆知道如何在自己的地图上显示自己。 因此，车辆可以恢复反映其形状的虚拟扫描点，就像车辆检测到自己一样。 虚拟激光扫描点云是匹配最明显的特征之一，可以在提供良好匹配方面发挥重要的关键作用，尤其是在收集到几个扫描点云不明显匹配的时候。
在模块「Scan Matching」，采用ICP（iterative correlated point）和CSM（correlative scan matching）。
如图显示了自车及其前车的空间坐标，其中前车是领车。 我们假设距离传感器安装在 y 轴方向。 (lx, ly) 代表车的位置。
该系统支持用于协作感知的多种感知模式。 对于距离传感器，例如激光扫描仪，执行地图合并操作相对容易，因为其数据是一组记录了空间坐标的物理量。 然而，对于读取图像的视觉传感器，地图合并并不是一项简单的任务，因为视觉图像是透视投影的结果。 因此，图像应该映射到自车的空间坐标中。
如图是路上透视可视化的示例。 长方体旁边的两个数字分别是自车的距离及其速度。 灰色虚线代表车道。 长方体代表简化的车辆模型。 (a)、(b) 和 (c) 是辅助驾驶视觉警告标志的示例，其中 (a) 是前方碰撞警告，(b) 是超车辅助标志，(c) 是换道辅助标志。 这些视觉警告可以与音频或触觉警告一起激活。
如图是第三人视角的可视化示意图：虚拟摄像头安装在自车顶上方。 θ 是它的向下倾斜角度，D 是它的安装高度。 可以调整该虚拟摄像机的向下倾斜角度和安装高度，找到最佳视角可视化协同感知的数据。
如图是协同感知的实验结果实例：(a) 自车的合并地图，其中红色、绿色和蓝色点分别代表自车、第一和第二领车的激光扫描点云。 (b) 来自第二领车的原始视觉数据，其中四个绿色小圆圈代表 IPM （inverse perspective mapping）感兴趣区域。 (c) 来自第一个车的原始视觉图像。 (d) 自车的原始视觉图像。 (e) 第一个领车的透视图，其中长方体是简化的车辆模型。 与（c）相比，（e）中可以透明方式看到路面的交通标志。 (f) 自车的透视图，其中蓝色和绿色长方体分别代表第二领车和第一领车。 (g) 第一领车的第三人视角，驾驶座被抬离地面 4 米。 (h) 自车的第三人视角，其中驾驶员座椅距离地面 30米。
如图是另外一组驾驶上山路的实验结果：(a) 第二领车的相机视图，其中前车正从山顶下坡。 (b) 第一领车的相机视图。 (c) 正在上山自车的相机视图。 (d) 地面 30 米处高的第三人视角。 （e）是自车的卫星视图。 请注意，自车正在第一领车和后车之间移动。 （e）中，自车可以检测到从后面接近的车辆。 （f）和（g）分别是自车的正常视觉图像和透视图像。 (h) 是从后面看到的自车。
协同感知扩大了感知范围，使驾驶员甚至可以在视线之外或视野之外了解交通情况。实验结果定量表明，所提出的系统有助于提高驾驶安全性和非近视（non-myopic ）驾驶决策。此外，这些协同感知信息使自动驾驶车辆能够构建用于导航的在线透视地图，该地图可用于非近视和更安全的决策。
参考的综述论文：
- 「 Formation Control for a Fleet of Autonomous Ground Vehicles: A Survey 「，2018，11
- 「 Internet of Autonomous Vehicles: Architecture, Features, and Socio-Technological Challenges 「， 2019，6
- 「 Coordination of Autonomous Vehicles: Taxonomy and Survey 「，2020，1
