车辆编队跟驰行驶控制方法、系统、设备及存储介质与流程

1.本发明涉及自动驾驶技术领域，具体涉及一种车辆编队跟驰行驶控制方法、系统、设备及存储介质。


背景技术：

2.车辆编队跟驰行驶是车辆编队管理中最重要的车端控制功能，在车辆编队跟驰行驶状态下，由获得云端平台认可的领航车带领其后跟随的若干车辆呈一个队列的行驶形态前进，车队成员之间能够保持一定的车距以及稳定的车速，在有序行驶的状态下巡航，使得车队能够经济有效安全的在道路上纵向自动行驶。
3.车辆编队跟驰行驶能减少车辆对于司机的需求，降低驾驶员的劳动强度，提高驾乘体验的安全性、舒适性、运输效率和燃油效率等，从而降低车辆油耗，降低大气污染。编队跟驰行驶可以释放更多车道给其他车辆通行，显著改善交通拥堵并提升运输效率，进一步缓解交通压力，减少人员成本和交通拥堵。
4.然而，现有的车辆编队跟驰巡航控制设计大多按照固定车距调整车速，不能充分发挥v2x(v2x是vehicle to everything的简称)系统的优势，或者过多依赖于单车的雷达和摄像头等感知系统，不能实现信息的联动，信息的感知范围和安全性都不优于v2x系统，硬件成本也较高。因此，有必要提供对现有的车辆编队跟驰行驶巡航控制设计加以改进。


技术实现要素：

5.本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明第一方面提出一种车辆编队跟驰行驶控制方法，包括：
6.获取v2x信息、导航信息和自车的状态信息；
7.基于所述v2x信息和所述导航信息计算自车的绿波车速和允许车速；
8.对所述绿波车速和所述允许车速进行交集计算以得到自车的引导车速，根据所述引导车速计算需求扭矩；
9.根据车辆编队中每一车辆的所述需求扭矩和所述v2x信息对自车的动力控制进行多智能体多目标优化，根据优化结果对自车进行控制。
10.进一步地，所述v2x信息包括交通信号灯状态信息，所述导航信息包括自车当前位置与路口停止线之间的距离；
11.所述基于所述v2x信息和所述导航信息计算自车的绿波车速和允许车速，包括：
12.根据自车前方路口的所述交通信号灯状态信息和所述自车当前位置与路口停止线之间的距离计算使自车在第一个绿灯结束前到达所述路口停止线的行驶车速，得到自车的绿波车速；其中，所述绿波车速为速度建议值或区间。
13.进一步地，所述v2x信息包括自车和前车的车辆状态信息，所述导航信息包括自车当前位置和前车当前位置；
14.所述基于所述v2x信息和所述导航信息计算自车的绿波车速和允许车速，包括：
15.基于所述自车当前位置和所述前车当前位置确定自车与前车之间的距离；
16.根据自车的车辆状态信息与前车的车辆状态信息计算使自车与前车之间的距离保持在安全车距范围内的行驶车速，得到本车车辆的允许车速；其中，所述车辆状态信息包括当前车速、响应时间、车身长度和最大减速度。
17.进一步地，所述对所述绿波车速和所述允许车速进行交集计算以得到自车的引导车速，包括：
18.判断所述绿波车速是否超过所述允许车速；
19.在所述绿波车速不超过所述允许车速时，将所述绿波车速作为所述引导车速；
20.在所述绿波车速超过所述允许车速时，将所述允许车速作为所述引导车速。
21.进一步地，所述根据车辆编队中每一车辆的所述需求扭矩和所述v2x信息对自车的动力控制进行多智能体多目标优化，包括：
22.向云端发送所述v2x信息；其中，所述云端用于接收车辆编队中每一车辆发送的所述v2x信息，根据所述v2x信息计算critic网络评价值；所述云端与所述车辆的车载v2x终端通信连接；
23.根据云端返回的所述critic网络评价值更新自车车端的actor网络参数，得到更新后的actor网络；
24.基于所述更新后的actor网络输出控制动作，基于所述控制动作对自车进行控制。
25.进一步地，所述根据车辆编队中每一车辆的所述需求扭矩和所述v2x信息对自车的动力控制进行多智能体多目标优化之后，还包括：
26.将所述控制动作按照比例转换为第一发动机控制扭矩；
27.获取自车发动机控制系统输出的第二发动机控制扭矩；
28.将所述第一发动机控制扭矩与所述第二发动机控制扭矩叠加，得到叠加后的发动机控制扭矩；
29.判断所述叠加后的扭矩是否超过自车动力系统允许的范围；
30.在没有超过时，计算所述需求扭矩与所述叠加后的发动机控制扭矩的差值，将所述差值作为电机扭矩。
31.进一步地，所述根据优化结果对自车进行控制，包括：
32.获取自车实际车速；
33.判断所述自车实际车速是否处于引导车速的取值范围内；
34.若是，控制自车以所述自车实际车速匀速行驶；
35.若否，比较所述自车实际车速与所述引导车速的取值上限和/或取值下限的大小；
36.在所述自车实际车速大于所述引导车速的取值上限时，控制自车减速至所述引导车速的取值下限，再以所述引导车速的取值下限匀速行驶；
37.在所述自车实际车速小于所述引导车速的取值下限时，控制自车加速至所述引导车速的取值上限，再以所述引导车速的取值上限匀速行驶。
38.本发明第二方面提出一种车辆编队跟驰行驶控制系统，包括：
39.获取模块，用于获取v2x信息、导航信息和自车的状态信息；
40.约束计算模块，用于基于所述v2x信息和所述导航信息计算自车的绿波车速和允许车速；
41.交集计算模块，用于对所述绿波车速和所述允许车速进行交集计算以得到自车的引导车速；
42.扭矩计算模块，用于根据所述引导车速计算需求扭矩；
43.优化控制模块，用于根据车辆编队中每一车辆的所述需求扭矩和所述v2x信息对自车的动力控制进行多智能体多目标优化，根据优化结果对自车进行控制。
44.本发明第三方面提出一种设备，所述设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如本发明第一方面所述的车辆编队跟驰行驶控制方法。
45.本发明第四方面提出一种计算机可读存储介质，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如本发明第一方面所述的车辆编队跟驰行驶控制方法。
46.由上述本发明提供的车辆编队跟驰行驶控制方法、系统、设备或存储介质的实施例可见，实施本发明具有以下有益效果：
47.本发明实施例充分利用v2x信息和导航信息，在保证可以安全绿色通行的前提下，实现了车辆编队跟驰行驶的经济性的目标控制，相比于现有技术中只考虑安全性的情况，优化了车队的行驶经济性，能够最大限度地节能省油。
48.本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
49.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
50.图1是本发明实施例提供的智能跟驰行驶控制系统的框图；
51.图2是本发明实施例提供的车辆编队跟驰行驶控制方法的流程图；
52.图3是本发明实施例提供的绿色通行算法优化过程的示意图；
53.图4是本发明实施例提供的maddpg算法控制过程示意图；
54.图5是本发明实施例提供的maddpg算法框架示意图；
55.图6是本发明实施例提供的对自车的动力控制进行多智能体多目标优化的流程图；
56.图7是本发明实施例提供的根据优化结果对自车进行控制的流程图；
57.图8是本发明实施例提供的车辆编队跟驰行驶控制系统的结构框图。
具体实施方式
58.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是
本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。
59.实施例
60.v2x技术是vehicle to everything的简称，利用新一代通信技术将车辆与车辆，车辆与道路，车辆与云端以及车辆与人等各方的物理层、信息层与应用层连接在一起，进行融合感知、决策与控制，可实现车辆行驶和交通运行安全、效率等性能综合提升，是“人
–
车
–
路
–
云”控制系统的通信基础。
61.maddpg是multi
‑
agent deep deterministic policy gradient的简称，也称多智能体ddpg方法，maddpg是在强化学习ddpg的基础上采用多智能体架构，使用集中式训练分布式执行的策略。
62.图1是本发明实施例提供的智能跟驰行驶控制系统的框图，具体的如图1所示，智能跟驰行驶控制系统主要由v2x、域控制单元(x
‑
control unit，xcu)、多媒体交互系统(multi media interface，mmi)、车身控制模块(body control module，bcm)，发动机控制系统(engine management system，ems)，车身电子稳定性控制系统(electronic stability controller，esc)，电机控制器(motor control unit，mcu)等模块组成。
63.基于v2x的智能跟驰行驶控制策略运行在xcu上，xcu接收其他模块发送的交通信息、驾驶员意图信息和车辆本身的动力部件信息，运行跟驰行驶的算法，控制车辆经济有效地运行，另外由xcu运行产生的经济车速和巡航等信息也会通过车载v2x终端中转，在mmi上显示出来。可替代地，配备can线的mmi也可以直接和xcu通信。
64.bcm主要是接收车辆的开关量使能信号，然后通过can总线传递给xcu模块。当然所有的触发也可以完全在mmi上进行操作然后由车载v2x终端中转传递给xcu。esc作为制动执行单元，接收xcu的制动请求，执行制动动作。ems和mcu作为动力输出单元接收xcu的动力请求，完成启动、巡航、中断动力输出、消耗车辆动能等任务。
65.xcu上运行的策略按功能可分为三个模块：绿色通行功能模块，安全行驶功能模块和maddpg算法功能模块，其中绿色通行功能模块依据红绿灯路口的红绿灯状态信息和车辆距离停线线距离信息计算可以正常通过路口的经济车速，然后再按照安全距离算法限定用来保证和前方车辆不发生碰撞的最大的行驶车速。将计算的车速转换成扭矩信息传递给maddpg算法，maddpg算法依据需求的扭矩、车速、soc等信息来分配电机和发送机的力矩，保证车辆的动力系统运行在经济区间。
66.maddpg算法功能模块将车队中每辆车作为单个的智能体，对于每个智能体采用ddpg(deep deterministic policy gradient)的算法优化控制策略。maddpg算法能有效地解决不同车辆决策时地相互作用导致的环境不稳定性问题，而且可以改善单个车辆获取信息的局限性，另外此种方法也更加易于扩展。
67.图2是本发明实施例提供的车辆编队跟驰行驶控制方法的流程图，请参照图2，该方法可以包括以下步骤：
68.s101：获取v2x信息、导航信息和自车的状态信息；
69.s102：基于v2x信息和导航信息计算自车的绿波车速和允许车速；
70.具体地，v2x信息包括交通信号灯状态信息，导航信息包括自车当前位置与路口停止线之间的距离；步骤s102中基于v2x信息和导航信息计算自车的绿波车速具体为：根据自车前方路口的交通信号灯状态信息和自车当前位置与路口停止线之间的距离计算使自车在第一个绿灯结束前到达路口停止线的行驶车速，得到自车的绿波车速；其中，绿波车速为速度建议值或速度区间。
71.图3是本发明实施例提供的绿色通行算法优化过程的示意图，考虑到实际路口状况和车流对行驶的速度有很大影响，多路口的优化在实际应用中会受到较大挑战，需要不停的更新车速。所以本发明中只进行局部路口的优化，即单路口优化。请参照图3，具体的计算过程如下：
72.假设当前路口的绿灯与红灯完整时长分别为t
g
和t
r
，车辆距离当前路口d，道路最高限速为v
max
，最低巡航车速限制为v
min
。则假设车辆分别以最高、最低车速匀速行驶到路口的时间为：
[0073][0074][0075]
(1)当前路口为红灯的绿波车速区间
[0076]
减速到路口停车：先按预设减速度进行减速规划至最低巡航车速，在接近路口停止线时逐步降速至0km/h。
[0077]
1)第一个绿灯通过(t
min
<t
left
<t
max
)：
[0078]
首先按剩余红灯时间、完整相位与路口剩余距离计算出通过路口的绿波车速区间：
[0079][0080][0081]
其中，t
left
为当前状态灯的剩余时间
[0082]
2)第一个绿灯通过(t
left
<t
min
<t
left
t
g
)：
[0083]
同样按剩余红灯时间、完整相位与路口剩余距离计算出通过路口的绿波车速区间：
[0084][0085][0086]
(2)当前路口为绿灯的绿波车速区间
[0087]
1)可以任意车速通过当前绿灯。
[0088]
2)加速到最大限速后匀速通过当前绿灯。
[0089]
步骤s102中基于v2x信息和导航信息计算自车的允许车速具体包括：
[0090]
基于自车当前位置和前车当前位置确定自车与前车之间的距离；
[0091]
根据自车的车辆状态信息与前车的车辆状态信息按照最大行驶车速的计算公式计算使自车与前车之间的距离保持在安全车距范围内的行驶车速，得到本车车辆的允许车速。
[0092]
其中，v2x信息包括自车和前车的车辆状态信息，自车和前车的车辆状态信息具体包括前车当前车速、自车当前车速、自车响应时间、自车/前车车身长度、自车最大减速度和自车与前车的最小安全距离导航信息包括自车当前位置和前车当前位置；
[0093]
其中，最大允许车速的计算公式如下：
[0094][0095]
其中，s
warning
为当前车和前车的距离；
[0096]
v
self
为当前距离下不会发生碰撞的最高车速；
[0097]
t
reaction
为自车响应时间,此处取1.2s；
[0098]
v
rv
为前车的车速；
[0099]
s
stop_min
为自车停车后车头与前方物体后端的最小纵向间距，此处取定值0.5m；
[0100]
a
max
为自车最大减速度,此处取定值8m/s2。
[0101]
需要指出的是，上述参数例如自车响应时间t
reaction
、自车停车后车头与前方物体后端的最小纵向间距s
stop_min
的值还可以根据实际需要取其他数值，本实施例不以此为限。
[0102]
s103：对绿波车速和允许车速进行交集计算以得到自车的引导车速；
[0103]
具体地，步骤s103包括如下子步骤：
[0104]
判断绿波车速是否超过允许车速；
[0105]
在绿波车速不超过允许车速时，将绿波车速作为引导车速；
[0106]
在绿波车速超过允许车速时，将允许车速作为引导车速。
[0107]
s104：根据引导车速计算需求扭矩；
[0108]
s105：根据车辆编队中每一车辆的需求扭矩和v2x信息对自车的动力控制进行多智能体多目标优化，根据优化结果对自车进行控制。
[0109]
图4是本发明实施例提供的maddpg算法控制过程示意图，图5是本发明实施例提供
的maddpg算法框架示意图，具体的如图4和图5所示，maddpg算法框架中包括云端和车队端，云端集中进行ddpg算法中的critic网络计算工作，评价车辆的actor网络输出动作的好坏，然后将评价信息发送给车辆端，其中，评价信息包括critic网络评价值。车端接收到云端计算的critic网络评价值之后，下发给车端更新actor网络参数并且输出动作。
[0110]
值得注意的是，上述的评价过程集合了车队内所有车辆的信息，考虑了车队内不同车辆的不同状态对于决策的影响。
[0111]
优选的，车与车通信以及车与道路系统的信息交互全部同步到云端平台。此种通信方式一方面提升了端对端通信的安全冗余和扩展性，云端可以作为信息校验的平台。另外一方面扩展了感知的长度和深度，感知的距离加长，感知的信息种类增多，扩展了感知的广度和深度，数据多样性更好，高感知和海量数据的获取为智能控制算法的实施提供数据基础，基于强大的感知系统，很多智能节油算法都能在编队跟驰行驶中轻松实现。并且单车的感知部件成本也大幅下降，可以低成本地实现高级驾驶辅助功能。在不需要传统adas感知系统的情况下，也能够覆盖传统adas跟驰行驶控制功能。
[0112]
图6是本发明实施例提供的对自车的动力控制进行多智能体多目标优化的流程图，请参照图4、图5和图6，具体地，根据车辆编队中每一车辆的需求扭矩和v2x信息对自车的动力控制进行多智能体多目标优化，包括以下子步骤：
[0113]
s201：向云端发送v2x信息；其中，云端用于接收车辆编队中每一车辆发送的v2x信息，根据v2x信息计算critic网络评价值；云端与车辆的车载v2x终端通信连接；
[0114]
表1中记载了车辆端向云端发送的(上行)数据以及云端向车辆端发送的(下行)数据，具体的如表1所示。车辆端向云端发送的数据按用途可分为状态变量、控制动作、奖励变量三类，用作状态变量的状态参数包括电池soc、车速、发动机转矩、发动机转速、轮边需求转矩和轮边需求功率中的一项或多项。云端向车辆端发送的数据用于控制模型参数，该控制模型参数具体为critic网络输出值，用于车辆端更新actor网络参数。
[0115]
表1 车辆端与云端交互数据信息表
[0116]
[0117][0118]
具体的，云端与车辆的车载v2x终端通信连接，车载v2x终端包括但不限于obu或者5g tcam、rsu等部件。
[0119]
s202：根据云端返回的critic网络评价值更新自车车端的actor网络参数，得到更新后的actor网络；
[0120]
表2中详细描述了ddpg算法运行的流程，包括actor网络、critic网络的更新，经验池数据更新和样本的选取等，具体如表2所示。
[0121]
表2 maddpg算法流程
[0122]
[0123][0124]
s203：基于更新后的actor网络输出控制动作，基于控制动作对自车进行控制。
[0125]
具体的，本发明实施例中actor网络输出的控制动作为[
‑
1,1]中间的一个数值，控制动作按照比例转换为预设扭矩范围(例如，[
‑
40,40]n.m)的发动机控制扭矩，此转换比例可以按照实际情况进行调整更改。其中，预设扭矩范围的取值可根据实际需要调整，本发明实施例不以此为限。
[0126]
具体的，maddpg智能控制是作为增量控制叠加到传统控制上，此种方式可以不取消原有的控制策略，而只是作为一个辅助控制增量共同参与控制，也可以完全替代原有的控制策略，只要传统控制不进行输出叠加即可，灵活性很高，易于实施。叠加之后的扭矩还需要通过原车的安全保护策略，确保叠加的力矩没有超过动力系统允许的范围。
[0127]
图7是本发明实施例提供的根据优化结果对自车进行控制的流程图，请参照图7，具体地，根据优化结果对自车进行控制，包括以下子步骤：
[0128]
s301：获取自车实际车速；
[0129]
s302：判断自车实际车速是否处于引导车速的取值范围内；
[0130]
s303：若是，控制自车以自车实际车速匀速行驶；
[0131]
s304：若否，比较自车实际车速与引导车速的取值上限和/或取值下限的大小；
[0132]
s305：在自车实际车速大于引导车速的取值上限时，控制自车减速至引导车速的取值下限，再以引导车速的取值下限匀速行驶；
[0133]
在实际应用中，控制自车减速至引导车速的取值下限可以是采用pid控制器对车速进行调节以使自车减速至引导车速的取值下限，还可以是控制自车以预设减速度减速至引导车速的取值下限。
[0134]
s306：在自车实际车速小于引导车速的取值下限时，控制自车加速至引导车速的取值上限，再以引导车速的取值上限匀速行驶。
[0135]
在实际应用中，控制自车加速至引导车速的取值下限可以是采用pid控制器对车速进行调节以使自车加速至引导车速的取值下限，还可以是控制自车以预设加速度加速至引导车速的取值下限。
[0136]
在一个实施例中，根据车辆编队中每一车辆的需求扭矩和v2x信息对自车的动力控制进行多智能体多目标优化之后，还包括：将控制动作按照比例转换为第一发动机控制扭矩；计算需求扭矩与第一发动机控制扭矩的差值，将差值作为电机扭矩，从而实现发动机扭矩和电机扭矩的分配。
[0137]
在一个实施例中，根据车辆编队中每一车辆的需求扭矩和v2x信息对自车的动力控制进行多智能体多目标优化之后，还包括：
[0138]
将控制动作按照比例转换为第一发动机控制扭矩；
[0139]
获取自车发动机控制系统输出的第二发动机控制扭矩；
[0140]
将第一发动机控制扭矩与第二发动机控制扭矩叠加，得到叠加后的发动机控制扭矩；
[0141]
判断叠加后的扭矩是否超过自车动力系统允许的范围；
[0142]
在没有超过时，计算需求扭矩与叠加后的发动机控制扭矩的差值，将差值作为电机扭矩。
[0143]
需要指出的是，上述示例记载的是自车为phev的情况下在得到第一发动机控制扭矩时基于该第一发动机控制扭矩分配发动机和电机的扭矩的情形，可选的，在得到第一发动机控制扭矩时甚至还可以基于该扭矩管理车载的高压附件比如空调，达到优化能耗节油的目的。
[0144]
本发明实施例提供的车辆编队跟驰行驶控制方法提出了绿色、安全、经济三者结合的跟驰行驶控制架构，基于v2x技术的高响应高维度的感知数据实现智能化的跟驰控制，
将深度强化学习中的最新技术maddpg(多智能体ddpg技术)和原车控制系统相结合，在保证可以安全绿色通行的前提下，优化发动机和电机的扭矩分配，提升动力系统的燃油经济性，实现安全、绿色、经济的多目标控制。与现有技术只考虑安全的行驶距离相比，本发明实施例还充分考虑车队行驶的经济性，充分利用车载v2x终端获取的信息以及导航信息，动态调整车队的行驶速度，达到最大限度地节能省油。
[0145]
本发明实施例提供的车辆编队跟驰行驶控制方法的底层感知基于v2x的通信互联技术，响应更迅速、感知范围更宽，安全性更高，可以充分发挥基于v2x的车
‑
路
‑
云一体化控制优势，每台车的感知信息都分享到云端，车队内车辆共享所有信息，感知范围从单车间的信息扩展到车与道路，跟驰车与领航车等，与云端的连接也提升了车辆信息传递的冗余性和安全性。
[0146]
需要说明的是，本说明书提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的系统或服务器产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。
[0147]
基于与上述方法实施例相同的技术构思，本发明实施例还提供了一种车辆编队跟驰行驶控制系统，图8是本发明实施例提供的车辆编队跟驰行驶控制系统的结构框图，具体的如图8所示，该系统包括以下模块：
[0148]
获取模块401，用于获取v2x信息、导航信息和自车的状态信息；
[0149]
约束计算模块402，用于基于v2x信息和导航信息计算自车的绿波车速和允许车速；
[0150]
交集计算模块403，用于对绿波车速和允许车速进行交集计算以得到自车的引导车速；
[0151]
扭矩计算模块404，用于根据引导车速计算需求扭矩；
[0152]
优化控制模块405，用于根据车辆编队中每一车辆的需求扭矩和v2x信息对自车的动力控制进行多智能体多目标优化，根据优化结果对自车进行控制。
[0153]
本发明的实施例还提供了一种设备，设备包括处理器和存储器，存储器中存储有至少一条指令、至少一段程序、代码集或指令集，至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现如方法实施例中的车辆编队跟驰行驶控制方法。
[0154]
本发明的实施例还提供了一种存储介质，存储介质可设置于服务器之中以保存用于实现方法实施例中的车辆编队跟驰行驶控制方法相关的至少一条指令、至少一段程序、代码集或指令集，该至少一条指令、该至少一段程序、该代码集或指令集由该处理器加载并执行以实现上述方法实施例提供的车辆编队跟驰行驶控制方法。
[0155]
可选地，在本实施例中，上述存储介质可以位于计算机网络的多个网络服务器中的至少一个网络服务器。可选地，在本实施例中，上述存储介质可以包括但不限于：u盘、只读存储器(rom，read
‑
only memory)、随机存取存储器(ram，random access memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
[0156]
由上述本发明提供的车辆编队跟驰行驶控制方法、系统、设备或存储介质的实施例可见，实施本发明具有以下有益效果：
[0157]
本发明实施例充分利用v2x信息和导航信息，在保证可以安全绿色通行的前提下，实现了车辆编队跟驰行驶的经济性的目标控制，相比于现有技术中只考虑安全性的情况，优化了车队的行驶经济性，能够最大限度地节能省油。
[0158]
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
[0159]
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统和服务器实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
[0160]
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
[0161]
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。