车联网作为通信电子,交通运输与汽车等行业相融合的新兴方向,与5G和人工智能等新兴技术一起共同实现传统汽车和交通行业的重大变革。自动驾驶同样作为人工智能与汽车电子深度结合的产物,正在促进和整合到新能源汽车及智能化汽车的发展当中来,并不断吸收最先进的人工智能技术,迸发出强大活力。伴随着车联网与自动驾驶技术的发展,工业以及社会发展对其应用提出了更高的要求,促生出一系列相关的产业和方向,其中车辆编队作为自动驾驶和车联网技术结合发展的方向,受到业内广泛关注。车联网技术是当今乃至未来车辆编队实现的重要部分,而主要包括车车、车路、车云等通信,通过标准的通信协议实现彼此之间信息的共享和传播。对于车辆编队而言,有效的状态同步和信息传递必不可少。车辆编队需要保证队列整体的行驶稳定,车辆之间相互配合,这就需要彼此之间状态和信息同步。而对于自动驾驶汽车的编队而言,由于每个车辆独立地进行决策和规划,可能导致车队整体的决策冲突或者不稳定。因此在本文中提出将单车的决策规划结果作为通信信息在队列内进行同步,并头车作为车队的通信主体和编队主体,同时负责队内通信和队外通信,并保证队列内车辆的决策自洽和鲁棒性,从而生成合理的规划曲线。目前业内应用的自动驾驶规划算法主要是基于采样和优化算法实现,同时多采用路径-速度解耦的方法,如百度Apollo采用基于Frenet坐标系的Lattice Planner算法。该方法在应用中容易导致车辆实际规划的路线不能有效反映决策,其主要原因在于路径规划层没有考虑速度规划的执行,导致实际规划的路线不能符合速度规划的预期从而无法执行。因此本文在基于Frenet坐标系的路径-速度解耦的算法基础之上,提出基于STL时空坐标系的轨迹规划算法,并将其应用在车辆编队中。提出角度锚点法来对STL时空坐标系的决策进行表征,保证路径与速度规划相一致协同进行,最终生成最优的轨迹规划曲线。车辆编队的状态大致可以分为队列拓扑稳定和队列拓扑调整两种。前者在车队正常行进中,根据需要来调整速度以及加速度使得车队在正常行进过程中保持稳定和安全,后者则根据需要进行局部的轨迹规划实现如入队和离队等操作,来调整队列的拓扑结构。本文将编队算法分解为纵向编队和横向编队,分别实现整体的速度规划和局部的轨迹规划。前者在编队正常行进过程中对车队的效率,安全和稳定性进行调整,后者则根据实时路况和车队行进需要对车队的拓扑结构进行调整。