首页 > 最新动态 > 汽车生产力 | 智能网联汽车轨迹优化方法研究综述
最新动态
汽车生产力 | 智能网联汽车轨迹优化方法研究综述
2026-06-2222
摘要：智能网联汽车（CAV）是我国新型交通基础设施的重点发展方向，轨迹优化是提升交通运行效率与行车安全性的核心技术。本文系统梳理智能网联汽车轨迹优化的研究现状，针对高速公路合流区、信号交叉口、无信号交叉口三类典型场景，归纳主流方法的技术路线、优化目标与关键假设。现有研究存在混合交通流刻画机制薄弱、低渗透率环境下协同控制不能实现、模型可解释性与计算效率之间的耦合问题。因此，本文指出智能网联汽车轨迹优化方法的未来重点发展方向为：提升智能网联汽车对人类驾驶车辆不确定行为的主动适应能力，构建混合交通流下行为预测与协同决策机制，发展通信鲁棒、可解释且轻量化的协同控制方法。
引言
智能网联汽车（CAV）轨迹优化是提高道路交通效率、保障行车安全、减少能源消耗的重要技术之一。已有研究表明，优化智能网联车辆行驶轨迹可有效降低燃油消耗，提高交通能源效率。
CAV 轨迹优化利用V2V、V2I 通信提供的协同功能，优化车辆速度、加速度等决策变量，在满足动力学、安全等基本条件下，实现交通效率、安全和能源经济性的提升，从而满足新一代智能交通的要求。目前，CAV 轨迹优化研究主要分布在高速公路和城市道路场景，已经开展了大量的轨迹优化方法研究。由于研究视角、优化目标和技术路径等不同，现有研究所取得的成果较为分散，缺乏对不同场景研究的系统梳理与横向对比，难以对后续研究提供清晰的导向。鉴于此，本文梳理了高速公路合流区、信号交叉口和无信号交叉口三个典型场景下的智能网联汽车轨迹优化研究成果，从方法分类、技术演进、共性局限等方面归纳和比较，并对面向真实混行环境下智能网联汽车轨迹优化未来研究方向提出建议。
1 轨迹优化方法的场景应用与局限
1.1高速公路合流区轨迹优化
高速公路合流区是主线车道和匝道汇入车流交汇位置，容易出现交通堵塞以及交通事故等问题，因此也是轨迹规划研究的重点课题。目前对于该类问题的研究大多集中在时间和空间两个方面共同作用下，主要有两种思路：一种是以时间序列最优化为导向，另一种是以空间分区域分类为基础。
基于时序优化的方法是为了使车辆在汇合处相遇时存在一定的时序上的余量，从而避免空间上可能发生的冲突。罗孝羚等人提出的两阶段算法是集中式的调度方式：上层确定了车辆过路口的优先级来解决“先后顺序”问题；下层根据实际情况给出具体的行车路线来解决“具体实施”。相比传统的先来后到的原则，仿真实验的结果表明这种方案具有明显的优势，可以大大缩短系统的平均等待时间并且节约能源消耗，但是这种方法需要所有的参与者都使用高级别的自动驾驶技术，并且汽车之间必须有很可靠的通信设备。如果有人工驾驶员驾驶的车辆出现，这类车辆往往由于不能及时获取位置信息或者人为因素造成的行为不确定性，将会打乱之前的时间表，进而降低优化的效果。这种方法最大的缺点就是它是“开环”的，在面对不断变化的真实世界的交通状况时无法考虑到实时的变化以及每个人不同的驾驶特点。
采用空间分区的办法能把复杂的合流区域进行解耦，通过划分功能子区域简化协同问题，达成分而治之的控制。王正武等人把合流区划成“提前换道”和“协同合流”两个区域，前者是为了提前化解车道间密度差，后者是在核心区做精细轨迹规划。梁军等人则进一步细分区域划分，还引入了“事件触发”机制。这类方法借助空间解耦，降低了一次性求解的维度，进而能够实现更精细的轨迹控制，在CAV渗透率100%的仿真环境中取得了更好的通行效率与延误指标。然而，现有的分区策略大多基于固定的几何与规则划分，其有效性也严重依赖CAV渗透率100%的环境假设。在低CAV渗透率的情况下，人工驾驶车辆可能不遵循预设的分区行为规则，致使分区控制逻辑失效。
目前关于合流区轨迹优化的研究，在假设CAV 渗透率为100% 的情况下，已经有了相对清晰的技术路径。其中，时序优化主要侧重于宏观调度方面，它的计算效率比较高，不过抗干扰能力比较弱。而空间分区则是追求微观方面的精确控制，其效果相对更好，只是系统会更加复杂。然而，这两种方法都把“所有车辆行为完全可知、可控”当作底层设计的前提条件，它们核心的瓶颈就在于没办法刻画适应HDV 的异质随机行为。现有的算法在从“理想实验室”走向“现实混行交通”的过程中，就会面临模型失配、控制失效这样根本性的挑战。
1.2信号交叉口轨迹优化研究现状
信号交叉口是城市路网运行效率的关键瓶颈，轨迹优化研究致力于化解车流冲突、提升通行效率与能源经济性。该场景优化研究呈现出从单车局部优化到车路系统协同，再到数据驱动决策的演化脉络。
早期的研究工作主要集中在绿波通行或者经济驾驶策略上，在给定信号配时的情况下改善车辆路径问题。这可以看作一种被动式的优化方式，它所能达到的效果受到固定信号周期及相位的影响。为了克服这种局限，信号和轨迹的同时优化成为一种常用的方法。它的基本思路是把信号控制以及车辆路径作为一个整体来进行共同优化。例如，王润民等人提出了一种异步分层优化的方法，是在最高层进行信号配时，在最低层根据这个信号配时计算出每一辆车的最优“三段式”的行驶路线，在完全联网的情况下提高了道路通行能力和节约油耗。而辛琪等人又在此基础上引入了虚拟映射的方法来解决车辆之间的相互作用从而获得更好的路径分配方案。这种方法的优势在于优化目标明确、机理清晰，但是由于其复杂性较高，随着车辆数量增加，求解困难程度呈指数级上升，而且对于排队溢出这样的动态干扰鲁棒性较低，难以应用于大量车辆的真实环境之中。
为应对高维动态系统复杂性，深度强化学习得到广泛应用。辛琪等基于路口排队状态实时调整控制策略以缓解拥堵。数据驱动方法适应性强、可实现端到端决策，但存在明显短板：一是模型黑盒特性导致可解释性差，难以满足高安全要求下的验证与审定；二是参数量大、训练耗时，难以在车载嵌入式平台实现轻量化与实时推理。
总体来看，信号交叉口轨迹优化的研究尚处于各种方法碰撞和妥协的过程中。模型驱动的方法有较好的易解释性、最优性等优点，但面临计算规模问题。数据驱动的方法有较强的灵活性、自适应性等优势，但是缺乏易解释性和可用性等。这二者之间的对比实际上反映了一个比合流区更加突出的问题，即在信号交叉口这样一种高度结构化、强约束的情况下，对于系统的最优性能要求以及算法在实际应用中需要具有的易解释性、轻量化、实时性之间存在无法调和的矛盾，因此未来的相关研究工作不能只关注某一方面，而是应该寻求能够结合两者优点的一种混合智能的方法。
1.3无信号交叉口轨迹优化研究现状
无信号交叉口场景没有中央信号灯的强制约束，车辆通行完全依赖于自组织和协同决策，对轨迹优化技术提出更高的分布式、实时性和可靠性要求。研究内容主要集中在如何利用无中心协调器实现车辆间的自主协商或智能学习从而产生安全高效的通行方案上。
目前的研究工作主要分为两条技术路线。
一是基于确定性优化的协同决策方法。这类方法是将通行问题建模为有时空限制和安全约束的集中式或者分布式优化问题。高志波等构建了综合行程时间、能耗的双目标优化模型，共同优化多车的到达时间和速度，仿真时大大降低了平均延误与油耗。这类方法具有可解释性和全局最优性的理论优势，但其核心算法往往需要车辆交换未来轨迹或者意图信息，并基于此迭代求解，高度依赖于所有参与者均为CAV 的假设，若是有行为不确定的人工驾驶车辆混入，其基于精确模型的求解逻辑和协同协议就无法直接被使用。
二是基于强化学习的自适应决策方法。为了消除动态不确定性，将强化学习引入车辆，车辆通过与环境的学习进行协同策略的学习。刘美岐等设计了一系列多要素的奖励函数，并通过近端的策略优化算法训练决策模型，在仿真中实现了通行效率的改善。这一方法具有环境的自适应性和对固定模型的摆脱能力，但是它的决策效果是依据“一个由CAV 渗透率为100%的通信绝对可靠的协同环境”，而实际应用中，通信延迟、丢包甚至中断的非理想条件会直接破坏多智能体间状态与动作的同步与一致性，使得学习到的协同策略失效甚至危及安全。
无信号交叉口轨迹优化面临的最大挑战是从“如何设计最优协同协议”，到“如何使这个协同协议能够在实际应用中可靠地运行”。目前的研究已经证明，在CAV 渗透率为100%，并且所有车辆之间可以实现完全通信的情况下，协同控制具有巨大的优势，但是随着它的不断发展和完善，面临一个根本性瓶颈：如果构成协同控制的基础即信息完备性和可靠的通信不能在现实中保证，那么算法的效果以及安全性如何保障？这就需要改变以往只考虑确定性协同的方法，而转向考虑不确定性的韧性协同，解决混合交通流中的意图预测、通信失败时的协商冗余以及分布式决策的安全界限等问题。
2 存在的问题及未来展望
2.1不同场景轨迹优化研究的局限与深层矛盾
通过对三类典型场景研究的主流方法类型、主要优化目标以及主要局限进行了梳理和对比，可以发现，现有轨迹优化工作尽管在方法上不断演进，但其核心局限存在显著共性，并揭示出更深层次的方法论矛盾。
当前研究大多建立在“CAV 渗透率100% 环境”与“理想通信”的强假设之上，与实际交通中长期存在的混合交通流现实完全不符。这种模型为了可解性与控制便利性而进行简化，但实际混合交通流中人工驾驶车辆会引入必须被刻画的行为复杂性与不确定性，二者之间存在难以弥合的鸿沟，因而，许多理论上高效的算法在低CAV 渗透率的现实场景中的有效性存疑。
在方法上也面临追求性能和追求工程可行的两难选择，无论是传统优化方法因计算复杂度过高而丧失实时性，还是数据驱动方法由于其“黑箱”特点、成本较高而导致部署难以验证等问题，都是对理论最优性的需要与对可解释性、轻量化和可靠性等工程刚性需求间的极端矛盾。
更进一步，在无信号交叉口等高度依赖协同的场景中，现有研究对通信非理想条件及系统韧性的考量普遍不足。多数协同协议默认信息可完美同步，并未强调对时延、丢包等现实约束的鲁棒性设置，甚至很少关注当协同失败时的降级安全策略。这暴露了一个深刻矛盾：理想化协同控制往往具有内在的脆弱性，但现实交通系统必须既具备弹性又拥有容错能力。突破这些矛盾才是轨迹优化研究从“场景驱动”走向实际应用的关键。
2.2未来研究展望
基于上述局限，下一步需要从“场景驱动”到“行为适配”转变，关键是建立能够主动理解、预测和适应混合交通流环境不确定性的协同控制框架。具体可从以下方面深化研究：
（1）构建基于人类驾驶行为模型的轨迹优化基础框架。用自然驾驶数据检测人工驾驶车辆异质性与随机性，并将其作为CAV 决策的预测依据，对混合交通流主动适配。
（2）构建具有适应不同CAV 渗透率的渐进式协同控制方式。设计可根据实时渗透率动态调整协同方式的分层结构，构建渗透率与控制效果的理论关系模型，确保在渗透率增加过程中控制策略的平滑过渡和全程有效。
（3）构建兼顾可解释性和轻量化的混合智能模型，探索优化理论和数据驱动方法的结合方式，利用模型压缩减少计算负担，引入可解释性技术增强决策透明度，平衡性能、效率与安全验证的需求。
（4）设计具备内在韧性的鲁棒协同机制，研究通信非理想条件对协同效能的影响，开发时延补偿和容错能力较强的控制策略，并提前部署通信降级或失效时的安全预案。
3 结语
本文系统梳理了高速公路合流区、信号交叉口和无信号交叉口三类典型场景下的智能网联汽车轨迹优化方法研究进展，对比了时序优化、空间分区、联合优化与深度强化学习等主流方法的基本假设与局限。结果表明，现有方法普遍依赖CAV 渗透率100% 与理想通信假设，在混合交通流行为刻画、可解释性与计算效率平衡，以及通信非理想条件下的协同鲁棒性方面存在共性瓶颈，根源在于理论最优与工程可行性的脱节。
未来研究应从场景驱动转向行为适配，重点围绕人类驾驶行为建模、渗透率自适应协同、可解释轻量化方法及具有鲁棒容错机制的通信等方向突破，为混行环境下智能网联汽车的实际部署提供支撑。
本文来源于汽车生产力CAIPPC公众号

点我访问原文链接