中重载卡车产生大量的碳排放，节能减排的任务繁重。而在汽车自动驾驶的发展道路上，编队控制、节能驾驶、拥堵缓解这三项技术具有很强的节能潜力，也是本报告主要的讨论内容。

在车辆编队中，头车车头部所受的空气压力较大，但第二辆车车头部所受的空气压力随着与头车距离的减少而减少。在较近的相对距离下，第三辆车所受的空气阻力减小了约50%，这可以对应5%-20%的省油。

在车队的控制中，有限的传感信息和车辆间的通信使得需要采用分布式的控制策略，同时消除干扰十分重要（考虑弦稳定性），而大量的研究都存在于理想的环境中。在欧洲进行了三辆卡车编队的道路实验，结果表明在三辆车并未采用协同控制时，在上下坡第二辆车会在跟随头车的过程中出现速度的振荡，从而造成跟车距离、扭矩、制动踏板的振荡。但在利用提前获取的道路坡度信息增加编队协调控制后，由编队协调控制器下发每辆车的参考车速到每辆车的控制器进行执行，速度振荡的现象得到消除，后两辆车能够较好地跟随头车的速度。

在编队融合问题中，以总油耗最小为优化目标，根据交通流状态信息和实时车辆状态来寻找最佳的融合点，采用PDE模型对交通流状态信息进行动态建模。结果表明最佳的融合点相对无交通拥堵和有交通拥堵时的融合点较晚。

车辆编队能够有效减少交通拥堵以及旅程时间。提出了拉格朗日交通控制系统，由多辆智能网联自动驾驶汽车（CAV）感知周边道路和车辆的状态，采用机器学习方法对交通流模型进行自学习，然后对交通流状态进行重构和预测，对CAV旁边的交通状态进行预测，以总时间最短为目标对CAV进行编队控制。

本报告的主要结论：对自动驾驶卡车编队采用分层式协调控制架构能够显著降低能耗，同时自动驾驶卡车编队控制能够降低交通拥堵。在编队中，各车辆起到传感器和执行器的作用，感知周围环境并执行控制指令，采用感知的信息进行机器学习来对交通流状态进行重构。