之前曾經介紹過：車聯網和車路協同技術
其中介紹了軌跡預測、協作交通系統/駕駛（控制）等工作。
其中介紹了網聯自駕車、車輛編隊控制、交叉路口和高速公路匝道的網聯車協調、車聯網社交智慧城市等工作。
其中匯報Uber的車聯網感知融合網絡V2VNet和路由網絡VIN。
這裏繼續介紹幾個車聯網和自動駕駛結合的文章，重點是車隊協同的研究。
1 「A Novel Path Planning Algorithm for Truck Platooning Using V2V Communication「，2020， 12
這篇文章介紹卡車編隊（truck platooning）的路徑規劃的演算法，作者來自南韓大學和現代公司。
貨車編隊時，前車為人工駕駛，後車為自動駕駛，車距較短。在各種情況下做到成功地編隊，每輛卡車都必須保持動態穩定性，而且整個系統必須保持 串穩定性（string stability） 。然而，由於前視範圍較短，後續車輛的路徑規劃能力會顯著降低。
另外，在鉸接式貨車（articulated cargo trucks）編隊時，在彎路上出現的跑偏（off-tracking）現象使得後車很難跟蹤前車的軌跡。此外，在沒有全域座標系資訊的情況下，每輛卡車用於感知環境和動態訊號的局部座標系，很難彼此關聯。
為了解決這些問題，本文開發了鉸接式貨車編隊的路徑規劃演算法。使用卡爾曼濾波器、V2V（Vehicle-to-Vehicle）通訊和一種「更新-轉換」（update-and-conversion）方法，每個跟隨車輛都可以準確計算領先車輛前部（front part）的軌跡，並將其用作目標路徑（target path）。該演算法可以為卡車編隊提供橫向（lateral）串穩定性和魯棒性。
如圖是卡車編隊的架構：前車（leading vehicle，LV）由有經驗的駕駛員手動駕駛，後車（following vehicles，FV）由自動駕駛系統執行。
後車（FV）使用雷達、網絡攝影機等環境傳感器感知前方車輛和車道，透過車輛縱向和橫向控制進行自動駕駛。 FV 的自動駕駛演算法不依賴 GPS，因為車輛在某些情況下無法接收正確的 GPS 訊號，例如在隧道行駛。 在大型貨車編隊的情況下，車隊的長度可以輕松達到100 m。 因此，考慮到附近車輛的安全，一個編隊的卡車數量通常限制在 3 或 4 輛。
後車（FV）的縱向控制旨在與前車保持較短的距離，這基本上是透過采用成熟的ACC演算法來完成的，本文該演算法依賴於雷達。 較短的車輛間距離在卡車編隊中很重要，因為減少空氣阻力為 FV 提供了燃油經濟性。
後車的橫向控制旨在跟隨 前車（LV） 的行駛路徑，同時保持在自己的車道上。 後車 使用網絡攝影機進行車道保持，但成熟的 LKS演算法 無法使用，因為攝影機的前視範圍受到前面卡車 的嚴重限制。 後車的路徑跟隨控制將 前車所經過的軌跡設定為其目標。 因此，在卡車編隊中，需要比一般自動駕駛的橫向控制方法更高水平的技術。 有兩種主要的編隊橫向控制方法，「直接跟車（Direct vehicle-following）」和「車輛路徑跟隨（Vehicle path-following）」。
在 直接跟車 方法中，後車用與前車相對縱向和橫向距離進行操作，基於幾何原理計算轉向角。主車（subject vehicle）重心（CG）和前車後部中心（rear center）之間的相對位置和相對角度，可以用來計算其到前車後部的虛擬彎曲路徑。但是，用的是前車後方的相對位置資訊，而不是前車方向盤的軌跡，所以在轉彎時可能會出現在前車實際軌跡內行駛的問題。另外，在小曲率高速公路行駛時，由於與前車的相對橫擺角（yaw angle）很小，如果感知精度低或測量分辨率小，則無法保證跟隨前車虛擬彎曲路徑的可靠性。
另一方面， 車輛路徑跟隨 是一種跟隨前車軌跡的方法。 前車的軌跡可以用本車的運動參數並儲存前車後部位置座標來獲得。 由於可以控制位於前車軌跡內的前視距離（look-ahead distance），路徑跟蹤的效能得到提高。 但是，由於編隊行駛時車輛間距離較短，因此存在無法在高速獲得足夠前視距離的問題。 如果是半掛卡車（semi-trailer truck），在轉向過程中， 跑偏（Off-tracking）現象 ，即牽引車的轉向軸和拖車後部保險杠之間的路徑不同，會導致在跟隨前車時出現跟蹤錯誤。
如圖就是跑偏（Off-tracking）現象：（a）低速，（b）高速；在低速時，掛車後保險杠的軌跡形成在牽引車的軌跡內部；在高速時，由於橫向加速度的增加，掛車的軌跡行進比牽引車的軌跡朝外。 跑偏（Off-tracking）是損害編隊橫向動力學穩定性的主要因素，隨著它向編隊的尾部傳播，穩定性變差。
為了克服跑偏問題，後車需要用前車的牽引車而不是拖車的軌跡來確定自己的目標路徑。 但是，後車無法僅透過網絡攝影機感知前車牽引車的位置。 一項研究提出利用前車拖車位置軌跡的曲率，但只有當兩輛車之間的偏航角很小時才有效。 另一項研究提出基於動力學的RTK（DRTK）和 V2V 來存取前車牽引車的全球位置；但由於 GPS 訊號無法辨識，編隊卡車通常不使用 GPS，因為某些條件下，比如在開車經過隧道時，無法收到GPS訊號。
如圖是現代牽引車：儀表板和前保險杠上分別安裝了單目網絡攝影機和雷達，用於感知前車保險杠的中心點。 V2V模組采用雙天線，安裝在左右後視鏡內，最大限度地減少通訊盲區的面積。
控制器是MicroAutoBox II, 作為CPU實作編隊控制邏輯和路徑規劃演算法。
如圖是卡車的一些指標：車長16.66米。
如圖是卡車編隊橫向控制器的架構圖：V2V通訊。
如圖是主車駕駛員軌跡生成架構圖：
如圖是3DOF的鉸接車輛模型圖：
其運動方程式如下：
一個卡爾曼濾波器，設計為每 10 ms 估計一次狀態，這等於每輛車的 CAN 通訊周期。
路徑規劃演算法中，前車必須生成自己的駕駛軌跡，因為該軌跡使後車可以建立其目標路徑。該軌跡分別由前後兩個部份組成，各自保存300樣本在緩存中。
如圖是主車軌跡緩存：在卡車視角，軌跡表現的樣子。紅色前軌跡，藍色後軌跡。
如圖是後車橫向控制器架構圖：後車做路徑規劃，即計算目標路徑，然後輸入到路徑跟蹤控制模組。
其中前車給後車發送的訊息如下表：軌跡參數和點座標
如圖是後車看到前車後保險杠的軌跡：透過網絡攝影機和雷達觀察。
如圖是實作後車和前車的座標匹配流程：這個將用於編隊卡車的路徑規劃。
如圖是路徑規劃流程圖：需要座標轉換。
如圖是後車座標系下的前車軌跡：前車的牽引車轉向軸中心
前後車座標旋轉的估計如圖：參考點匹配
采用Kabsch演算法，把V2V接收的前車軌跡轉換到後車座標系。
如下是路徑規劃演算法的過程：
整個實驗包括仿真和實際測試兩部份，其中仿真基於 TruckSim 和Matlab/Simulink，實際部份在高速進行，長度7.7公裏。
如圖是三個實際測試結果：
2 「Deep Learning Based Intelligent Inter-Vehicle Distance Control for 6G Enabled Cooperative Autonomous Driving「，2020，12
該文是討論6G網絡下協同駕駛的智能車間距離控制，采用深度學習方法。
第六代蜂巢式網絡（6G）背景下，網聯自動駕駛 (CAV) 是 一個關鍵垂直領域，在改善道路安全、道路和能源效率方面具有巨大潛力。然而，CAV 對可靠性、延遲和高速通訊的要求將給 6G 網絡帶來巨大挑戰。6G 支持的 CAV 需要新的通道接入演算法和智能控制方案，用於網聯車輛。
本文研究了 6G 支持的協同駕駛，這是一種透過資訊共享和駕駛協調的先進駕駛模式。首先，用混合通訊（hybrid communication）和通道接入（channel access）技術，采用常見的數學工具 Stochastic Network Calculus (SNC) 量化 6G V2V通訊的延遲上限。
本文開發並訓練深度學習神經網絡，用於在即時操作中延遲界限的快速計算。然後，設計一種智能策略來控制協同自動駕駛的車距。此外，提出了一種基於馬可夫鏈（Markov Chain）的演算法來預測系統狀態的參數，以及一種安全距離對映（safety distance mapping）方法來實作平穩的車速變化。
路邊單元 (RSU) 並非所有場景都可用，這裏考慮協作駕駛網絡的最壞情況，分布式 V2V 通訊進行通訊。 如 DSRC 和 3GPP LTE-V2V 技術規定，以隨機方式車輛競爭存取廣播通道做常規數據傳輸。 本文采用 指數退避協定（exponential back-off protocols） 作為通訊效能建模和車距控制策略設計的隨機存取協定。
需要註意的是，本文提出的理論模型也適用於現代 6G V2V 網絡的隨機接入協定。 此外，為了提高通訊可靠性和數據速率，假設車輛在傳統的 5G 無線接入器材之上還配備了 6G 無線接入器材，例如可見光通訊單元。
射頻相對較低的V2V通訊，所有車輛的數據傳輸透過隨機通道接入。而高頻段（例如毫米波和太赫茲頻段） 6G 通訊，則假設車輛只能與緊鄰車輛進行通訊。不失一般性，以毫米波通訊為例。為了區分低頻通訊和高頻通訊，分別稱它們為 蜂窩V2V 和 6G通訊 ，同時具有低頻和高頻通訊的V2V網絡稱為 混合網絡 。
如圖是6G支持的不同天氣條件下蜂巢式網絡例子：
作為 6G 通訊鏈路的典型範例，這裏考慮毫米波鏈路。 假設一個同構的毫米波通訊環境，所有毫米波鏈路都遵循相同的衰落分布。一個衰減因子g的定義如下：
此外，毫米波通道是全雙工的，因此考慮自幹擾。其中參數mu定義發射器和接收器的耦合，幹擾加雜訊比 (SINR) r = Kwg，其中w定義為
為了確定車間安全距離，需要計算通訊延遲上限，這裏主要分析混合V2V網絡的隨機延遲上限，但是在這之前要分別討論蜂窩V2V通訊和6G毫米波通訊。本文的排隊均采用FIFO模式。
對蜂窩V2V通訊，平均等待時間透過基本排隊理論得到：
從SNC的級聯（Concatenation）性質看，蜂窩V2V網絡中一個節點服務曲線可以表示為：
這裏隨機接入通道的平均服務時間為：
上面公式中的碰撞發生概率pc，定義如下：
采用數值方法求解公式（3）中的非線性方程式即可得到碰撞概率。
對於同構的毫米波通訊網絡，其上限隨機到達過程（stochastic arrival process）定義為
毫米波網絡中服務過程的矩生成函數（moment generating function）有一個上限：
最後得到毫米波網絡服務曲線：
其中
最後，虛擬延遲定義為：
其計算方法是：
那麽，全服務曲線可以獲得：
這樣，混合V2V網絡的隨機服務曲線上限為：
基於延遲上限，網聯車的智能車間距離控制策略可以開發出來。這個策略要滿足安全、交通效率和能源效率的要求。本文方法采用機器學習建模，整個策略分成兩個部份： 安全距離和決策 。
如下是預測演算法的全過程，采用深度神經網絡估計轉換概率：
安全距離可以定義為：
按照 Algorithm 1 ，可以逐個預測車輛的網絡參數，然後透過公式（33）用訓練好的神經網絡計算延遲上限和安全距離，並根據最壞情況調整速度。
如圖示意加速度-距離的關系：即 安全距離對映
而采用公式則表示為：
其中Aa是正數，Ad是負數。結合參數預測、距離對映和神經網絡，可以計算延遲上限。
如下是整個智能車間距離控制策略：Algorithm 2
而Algorithm 2的框架圖如下：
實驗基於微軟開源仿真軟件平台AirSim，如圖是仿真框架圖：
如下是一個仿真器影像例項：
以下是智能車間距離控制策略的距離結果曲線：
如下是緊急剎車時最後一輛車速度曲線：
本文研究6G 車載網絡混合通訊和通道接入方案的通訊效能界限。基於深度學習的方法旨在預測即時操作的 V2V 通訊效能界限。最後作者提出一種用於協同駕駛的智能車距控制策略。最後采用仿真實驗，進行驗證。
3 「A Robust CACC Scheme Against Cyberattacks Via Multiple Vehicle-to-Vehicle Networks「，2020，4
該文討論V2V網絡支持的協同自適應巡航控制（ Cooperative Adaptive Cruise Control，CACC ）遇到的網絡安全問題，作者來自新加坡、荷蘭和澳洲三個大學。
CACC允許高速公路的車輛組形成緊耦合的自動化編隊（platoons），可提高高速公路通行能力和安全性，並降低油耗和二氧化碳排放量。
CACC 背後的底層機制是V2V無線通訊網絡向編隊中的相鄰車輛傳輸加速命令。但是，V2V 網絡的使用會導致通訊通道增加面對故障和網絡攻擊的脆弱性。通訊網絡給降低編隊效能甚至導致崩潰的惡意代理（malicious agents）提供了新存取點。
本文透過多個 V2V 網絡和數據融合演算法來提高 CACC 抵抗網絡攻擊的魯棒性問題。想法是透過不同的通訊網絡（通道）多次傳輸加速命令，這樣在接收端建立冗余。利用這種冗余，獲得了加速命令的無攻擊（attackfree）估計。為實作這一點，一種數據融合演算法，從所有通道獲取數據，返回對真實加速命令的估計，並孤立受損通道。
但是，估計數據進行控制會給迴圈帶來不確定性，從而降低效能。為了最大限度地減少效能下降，本文提出了一種魯棒的控制器，減少估計誤差和傳感器/通道雜訊對編隊效能，包括跟蹤效能和串穩定性（string stability），造成的聯合影響。
如圖是網絡攻擊下配備CACC的車輛編隊：每輛車配備多個通訊通道，從前車獲取資訊。 請註意，某些頻道受到攻擊。
車隊中每個車保持和前車一定距離：
其中車間距離加入的一個空間項 hv(k) 是為了改進車隊的串穩定性。空間誤差定義為：
這樣車隊控制的設計，遵循以下的車輛模型：
從公式（3）-（6）得到車編隊的模型如下：
其矩陣形式為：
其實頭車沒有前車，這裏稱其跟從一個虛參考車（virtual reference vehicle）。虛車動力學方程式為：
公式（7）-（9）的離散時間形式記為：
下面就是作者提出的數據融合演算法，利用通訊冗余得到前車加速命令的魯棒估計：
定義所有通道傳輸的訊號的均值：
定義最大差訊號：
對序列：
融合的測量是：
如圖是數據融合的演算法：假設車編隊的車載傳感器數據是會有雜訊的
對於編隊的每輛車，設計了一個控制器來穩定其閉環動態，同時最小化1）融合演算法引入的誤差，以及最小化2）傳感器雜訊對串穩定性和跟蹤效能的影響。
4 「 Multivehicle Cooperative Driving Using Cooperative Perception: Design and Experimental Validation「，2015，4
補一個相對舊的論文，比較有代表性，是關於協同感知的工作，作者來自新加坡和美國大學MIT。
本文提出了一種使用協同感知的多車輛協同駕駛系統架構。 首先提出了一種多模式協作感知系統，可為駕駛員提供透視、升降座椅、衛星和全方位檢視。 基於這種系統的擴充套件資訊，透過透視前方碰撞警告、超車/變道輔助和隱藏障礙物自動避撞來實作協同駕駛。
如圖是系統架構圖：由協同感知、視角視覺化、協同駕駛三個子系統組成。
為了協作感知，每輛車都配備距離傳感器，例如激光或雷達掃描器、視覺傳感器和無線電通訊，如圖最左邊的方框所示。 裏程計用於自我運動估計，例如移動方向和速度。距離傳感器用於車輛檢測和跟蹤。視覺傳感器用於車輛和行人的分類和辨識，並提供對駕駛員友好的視覺交通資訊。
車輛透過無線通訊與其他車輛或基礎設施交換本地傳感資訊。本文將資訊的交換定義為訊息。由於通訊效能和資訊量之間的權衡，根據應用程式要求和驅動程式偏好仔細選擇訊息配置檔，例如訊息大小和傳輸周期。本文研究了幾種訊息配置檔，例如僅激光掃描數據、僅原始影像、僅壓縮影像、僅點雲、以及激光掃描和點雲。
所有本地和遙感資訊都在圖中的協同感知框進行融合。 與車載傳感資訊的數據融合相比，道路遙感資訊的數據融合包括許多實際挑戰， 本文重點研究地圖合並問題和傳感器多模態融合問題。
在協同感知資訊融合之後，融合資訊可用於駕駛員的駕駛輔助和自主駕駛的運動規劃器。此外，它可以交付給後面車輛或最近的基礎設施。出於輔助駕駛的目的，該系統以透視視覺化的方式表示融合資訊，以提供直觀的指導資訊。
最後，協同駕駛子系統的主要目標之一是讓駕駛員知道應該小心的時刻，例如隱藏障礙物檢測或前方車輛在視線之外的突然制動。發出通知是透過視覺和聲音警報執行的，這使駕駛員能夠專註於駕駛，直到系統檢測到任何危險情況。此外，當有任何車輛從後面或盲點駛來時，子系統會通知駕駛員，這有助於安全換道或超車。對於自動駕駛車輛，該通知會觸發路徑重新規劃的自動換道任務。
如圖是路上地圖合並的演算法流程：將來自不同車輛的兩張地圖作為輸入參數，由演算法生成合並地圖。
其中模組「LeaderVehicleDetection」，采用基於蒙特卡羅定位的路緣交叉路口特征進行車道保持，用路徑規劃器進行換道操作；為了找到領車的位置，該系統會不斷觀察路面直線或略微彎曲的線，該方法考慮當前車道位置來推斷領車的期望路徑，與僅靠掃描匹配的方法相比，可以顯著減少領車檢測的搜尋空間和誤報的發生。
在模組「VirtualLeaderScan」，假設車輛無法掃描自身。 自車的地圖有檢測其領車的掃描點雲，但領車交付的地圖不包括領車本身的掃描點雲。 由於傳感器通常安裝在固定位置，因此車輛知道如何在自己的地圖上顯示自己。 因此，車輛可以恢復反映其形狀的虛擬掃描點，就像車輛檢測到自己一樣。 虛擬激光掃描點雲是匹配最明顯的特征之一，可以在提供良好匹配方面發揮重要的關鍵作用，尤其是在收集到幾個掃描點雲不明顯匹配的時候。
在模組「Scan Matching」，采用ICP（iterative correlated point）和CSM（correlative scan matching）。
如圖顯示了自車及其前車的空間座標，其中前車是領車。 我們假設距離傳感器安裝在 y 軸方向。 (lx, ly) 代表車的位置。
該系統支持用於協作感知的多種感知模式。 對於距離傳感器，例如激光掃描器，執行地圖合並操作相對容易，因為其數據是一組記錄了空間座標的物理量。 然而，對於讀取影像的視覺傳感器，地圖合並並不是一項簡單的任務，因為視覺影像是透視投影的結果。 因此，影像應該對映到自車的空間座標中。
如圖是路上透視視覺化的範例。 長方體旁邊的兩個數碼分別是自車的距離及其速度。 灰色虛線代表車道。 長方體代表簡化的車輛模型。 (a)、(b) 和 (c) 是輔助駕駛視覺警告標誌的範例，其中 (a) 是前方碰撞警告，(b) 是超車輔助標誌，(c) 是換道輔助標誌。 這些視覺警告可以與音訊或觸覺警告一起啟用。
如圖是第三人視角的視覺化示意圖：虛擬網絡攝影機安裝在自車頂上方。 θ 是它的向下傾斜角度，D 是它的安裝高度。 可以調整該虛擬攝影機的向下傾斜角度和安裝高度，找到最佳視角視覺化協同感知的數據。
如圖是協同感知的實驗結果例項：(a) 自車的合並地圖，其中紅色、綠色和藍色點分別代表自車、第一和第二領車的激光掃描點雲。 (b) 來自第二領車的原始視覺數據，其中四個綠色小圓圈代表 IPM （inverse perspective mapping）感興趣區域。 (c) 來自第一個車的原始視覺影像。 (d) 自車的原始視覺影像。 (e) 第一個領車的透檢視，其中長方體是簡化的車輛模型。 與（c）相比，（e）中可以透明方式看到路面的交通標誌。 (f) 自車的透檢視，其中藍色和綠色長方體分別代表第二領車和第一領車。 (g) 第一領車的第三人視角，駕駛座被擡離地面 4 米。 (h) 自車的第三人視角，其中駕駛員座椅距離地面 30米。
如圖是另外一組駕駛上山路的實驗結果：(a) 第二領車的相機檢視，其中前車正從山頂下坡。 (b) 第一領車的相機檢視。 (c) 正在上山自車的相機檢視。 (d) 地面 30 米處高的第三人視角。 （e）是自車的衛星檢視。 請註意，自車正在第一領車和後車之間移動。 （e）中，自車可以檢測到從後面接近的車輛。 （f）和（g）分別是自車的正常視覺影像和透視影像。 (h) 是從後面看到的自車。
協同感知擴大了感知範圍，使駕駛員甚至可以在視線之外或視野之外了解交通情況。實驗結果定量表明，所提出的系統有助於提高駕駛安全性和非近視（non-myopic ）駕駛決策。此外，這些協同感知資訊使自動駕駛車輛能夠構建用於導航的線上透視地圖，該地圖可用於非近視和更安全的決策。
參考的綜述論文：
- 「 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
