Connected and automated vehicles (CAVs) have the potential to address a number of safety, mobility, and sustainability issues of our current transportation systems. Cooperative longitudinal motion control is one of the key CAV technologies that allows vehicles to be driven in a cooperative manner to achieve system-wide benefits. In this paper, we provide a literature survey on the progress accomplished by researchers worldwide regarding cooperative longitudinal motion control systems of multiple CAVs. Specifically, the architecture of various cooperative CAV systems is reviewed to answer how cooperative longitudinal motion control can work with the help of multiple system modules. Next, different operational concepts of cooperative longitudinal motion control applications are reviewed to answer where they can be implemented in today's transportation systems . Different cooperative longitudinal motion control methodologies and their major characteristics are then described to answer what the critical design issues are . This paper concludes by describing an overall landscape of cooperative longitudinal motion control of CAVs, as well as pointing out opportunities and challenges in the future research and experimental implementations.

Signalized intersections play an important role in transportation efficiency and vehicle fuel economy in urban areas. This paper proposes a cooperative method of traffic signal control and vehicle speed optimization for connected automated vehicles, which optimizes the traffic signal timing and vehicles' speed trajectories at the same time. The method consists of two levels, i.e., roadside traffic signal optimization and onboard vehicle speed control. The former calculates the optimal traffic signal timing and vehicles' arrival time to minimize the total travel time of all vehicles; the latter optimizes the engine power and brake force to minimize the fuel consumption of individual vehicles. The enumeration method and the pseudospectral method are applied in roadside and onboard optimization, respectively. Simulation studies are conducted to compare the proposed method with benchmark methods. The results show significant improvement of transportation efficiency and fuel economy by the cooperation method.

Abstract The aim of this paper is to propose a novel method for identifying the hydrodynamic parameters of a deep‐sea mining vehicle during deployment and retrieval. The proposed approach combines numerical simulation with a nonlinear filter. Initially, a dedicated hydrodynamic model for the deployment and retrieval of the mining vehicle is constructed. The identification process commences with simulations based on computational fluid dynamics (CFD). This approach utilizes CFD to simulate the motion of the deep‐sea mining vehicle during deployment and retrieval, employing an implicit solution approach to analyze its motion in Heave and Yaw degrees of freedom under periodic external forces. Consequently, this provides hydrodynamic performance data. Subsequently, the unscented Kalman filter (UKF) estimator is applied to optimally solve an augmented matrix that incorporates both motion data and hydrodynamic parameters, yielding numerical values for the hydrodynamic parameters. Simulation results demonstrate that, in comparison to motion performance obtained by the CFD method, the hydrodynamic model derived from UKF enables an effective prediction of the motion of the deep‐sea mining vehicle, with prediction errors consistently below 6%.

This paper investigates the issue of finite-time cooperative depth control of a multi-autonomous underwater vehicle (AUV) system with heterogeneous dynamical structures and heterogeneous time-varying parameters. Initially, we introduce a hierarchical control architecture to decouple communication from the local dynamics effectively, thus mitigating the complexities introduced by such heterogeneity. The architecture leverages the Internal Model Principle (IMP) to transform the arduous task of finite-time cooperative depth control for the heterogeneous multi-AUV system into tractable individual finite-time observation and tracking problems, which simplifies the overall control problem substantially. Subsequently, in response to both finite-time observing and tracking problems, a cooperative observer is designed based on a potential function, and a distributed local feedback controller is developed to achieve finite-time cooperative control. Stability parameter conditions for both the observer and controller are derived rigorously to facilitate control design. The proposed control approach relaxes the constraints on communication topology and dynamics, enhancing its practical applicability in multi-AUV systems. The feasibility of the hierarchical architecture and the finite-time stability of the upper observer and lower controller are rigorously analyzed. Comparative numerical simulation experiments are conducted to demonstrate the effectiveness of the proposed methods.

ABSTRACT Obstacle avoidance, as an indispensable part of the autonomous driving process, plays an essential role in safeguarding vehicular safety. The intricacies of the driving environment coupled with the uncertainties in vehicle dynamics render the formulation of an obstacle avoidance strategy a formidable challenge. In this study, a novel obstacle avoidance control is proposed for autonomous vehicles that eschews local trajectory replanning based on the principle of constraint‐following. Initially, trajectory tracking is achieved by formulating equality constraints on the vehicle's states, which are based on kinematic relationships between the desired trajectory and the controlled vehicle. By analyzing the geometric relationships between obstacles and the vehicle, the obstacle avoidance inequality constraints of the vehicle position are established. Based on a potential function, we transform the inequality constraints into equality constraints, thereby recasting the obstacle avoidance as a constraint‐following control problem. Subsequently, a closed‐form constraint force based on the Udwadia‐Kalaba (U‐K) approach and an adaptive law are put forward. Through Lyapunov minimax analysis, it has been demonstrated that the derived control ensures the constraint‐following performance. Finally, the Simulink‐CarSim co‐simulations are implemented. The results indicate that the proposed control guarantees the vehicle trajectory tracking and collision‐free performance.