从纵向控制到网络化 CPS：车辆队列研究的类型、方法、层次与话语轮转

这篇文章是我最近在做车辆队列中文综述时的一次阶段性整理。它不直接替代正式综述，而是想先回答一个更基础的问题：如果只把车辆队列研究看作“纵向跟驰控制”，我们会漏掉什么？

我的判断是：会漏掉很多。近两年的代表性文献已经相当清楚地表明，这个领域虽然仍以安全、串稳定和协同控制为核心，但它的研究边界已经明显向 V2X、云控、协同感知、数字孪生测试平台乃至信息物理系统（CPS）语境外扩了 1 2 12 13。

换句话说，车辆队列研究今天最值得重新梳理的地方，不是“又多了几个控制器”，而是研究对象、本体、方法与问题意识都在一起变化。更进一步说，仅仅把四大话语静态地并排摆出来还不够，关键还要看到：正是这些话语位置的动态轮转，把这个领域一步步推出了原先的纵向控制边界。文中的引用编号都可以直接点击，跳到文末的参考索引部分。

为什么现在要重写车辆队列研究#

如果把较新的研究放在一起看，会发现一个非常明显的变化：车辆队列不再只是“若干辆车按某种间距稳定跟驰”的问题，而越来越像一个受通信、计算、感知、基础设施和部署条件共同塑造的系统问题。

一方面，综述型工作已经不再只谈控制策略，而是主动把建模、通信与系统前景放进同一框架 1。另一方面，V2X 与协同安全研究也开始把“安全”从单车感知问题改写为跨车—路—云协作的智能问题 2。再往外看，匝道云控中的异构车辆群体控制、含真人在环的混合数字孪生测试平台，也说明所谓“车队控制”正从单纯算法问题转成系统组织问题 12 13。

因此，如果今天还用一套过于狭窄的目录去写综述，很容易把真正重要的变化压扁成“补充材料”。我更愿意把当前的研究状态概括成一句话：

车辆队列研究正在从“纵向控制问题”转化为“通信—计算—控制协同的网络化 CPS 问题”。

车辆队列研究已经形成了哪些研究类型#

把 2025–2026 年的主线核心与次级相关文献合起来看，至少可以分出五类工作。它们不是彼此割裂的，而是共同构成了今天这个领域的知识图景。

研究类型	核心关切	代表文献
综述与问题框定型	界定车辆队列研究的对象、边界与未来方向	1, 2, 16
稳定性与控制器设计型	在时延、切换与不确定性下保证安全与串稳定	3, 4, 10, 11
鲁棒预测与数据驱动控制型	处理非线性、模型失配、扰动、攻击与异构性	5, 6, 12
学习增强与知识融合型	将 DRL、知识蒸馏、自学习纳入稳定性与部署约束	7, 8, 9, 15
系统协同与实验平台型	将车、路、云、感知与测试平台纳入统一语境	2, 13, 14

1）综述与问题框定型#

这类工作真正决定的是：什么才算车辆队列研究的“正题”。Vehicle platoon in road traffic 这篇综述最重要的贡献，并不只是罗列文献，而是把建模、通信、控制与前景放进一个共同叙述里 1。中文专著《考虑通信延时的货车队列纵向控制优化》则更集中地展示了国内控制脉络中对通信延时、信息流拓扑与稳定性补偿问题的系统组织方式 16。

这类工作有一个基础作用：它们为整个领域提供了一个“读图方式”。研究者不是先面对杂乱无章的论文，而是先被告知，哪些问题是主线，哪些问题是扩展，哪些问题构成未来方向。

2）稳定性与控制器设计型#

这是车辆队列研究中最经典、也最“硬”的一条主线。它的核心问题非常明确：在通信延迟、系统不确定性、控制切换和队形变化存在的情况下，如何维持车队安全与串稳定 3 4 10 11。

比如，ruan2025stability 使用 Lyapunov–Krasovskii 方法与 H∞ 控制处理时变通信延迟和不确定性 3；tian2026mpcbased 则关注当通信延迟越过理论边界时，如何从 CACC 切换到 ACC 以维持安全运行 4。这说明领域中的问题表述已经不只是“设计一个更优控制器”，而是“系统在边界状态下如何有序降级”。

3）鲁棒预测与数据驱动控制型#

如果说上一类工作强调可证性，那么这一类工作强调的是：现实世界并不满足理想模型。混合交通、非线性、扰动、攻击与模型失配迫使研究者把数据驱动与鲁棒控制真正接起来 5 6 12。

li2025robust 将 T-S 模糊模型与鲁棒 MPC 结合，用来处理混合车队中前后车不确定动力学 5。li2026robust 更进一步，引入 Koopman 算子与可达性分析，把数据驱动预测控制推进到含噪声、扰动和攻击的安全约束场景 6。而 shi2026robust 把问题放入匝道云控与异构车辆群体中，说明所谓“车队控制”已经开始外扩为更一般的车群协同轨迹跟踪问题 12。

4）学习增强与知识融合型#

近两年真正值得注意的变化，不是简单地“深度学习进来了”，而是学习方法开始被要求服从稳定性、安全性和部署约束。换句话说，学习不是替代控制，而是在控制框架中寻找可接受的位置。

pan2026reinforcement 用分散式强化学习处理混合车队中的生态安全控制问题 7；wang2025knowledgeguided 在含通信延迟的混合车队中引入知识引导的自学习控制，使学习策略被稳定性、舒适性与能耗共同约束 8；wang2025knowledgeinformed 则进一步利用大语言模型抽取交通知识，并通过蒸馏将这些知识压入轻量级、稳定性敏感的模型结构中 9。再加上 liu2025robust 这类在车路协同感知误差下做意图预测的工作，可以看出学习线已经从控制决策延伸到感知与行为建模 15。

5）系统协同与实验平台型#

这是最能说明领域边界外扩的一类工作。它们不再满足于“算法在仿真里有效”，而是开始重写实验对象本身：测试平台如何搭，云控如何接，车辆和基础设施如何共同构成系统，风险又如何被概念化 2 13 14。

zhang2025cooperative 用 SPD 框架组织 V2X 协同安全智能，把感知、预测与决策之间的跨层耦合明确地说了出来 2。dong2026multisource 用 mixed digital twin + human-in-the-loop 平台把物理车、虚拟车和真人驾驶放进一个统一的实验回路 13。gao2026concept 则从“人—车—路耦合”出发提出驾驶风险熵，提示研究正在从控制性能评价走向更广义的系统风险表征 14。

方法谱系：这个领域是如何组织自己的#

从方法上看，当前车辆队列研究并不是“传统控制”和“AI 方法”彼此替代的简单叙事，而更像一个多层缠绕的结构。

控制理论仍然是规范中心#

无论研究者采用的是 MPC、H∞、切换控制、ADRC、Youla 参数化，还是数据驱动预测控制，最后都必须回到几个几乎不可绕开的评价标准：安全、串稳定、鲁棒性与可部署性 3 4 9 11。也就是说，控制理论依然是这个领域最稳固的规范中心。

纯模型方法正在被混合方法改写#

与此同时，纯粹依赖理想化模型的研究框架正在被混合方法改写。模型、数据、知识与实验平台不再彼此分离，而是越来越多地被组织成“控制骨架 + 数据增强 + 学习补偿 + 系统验证”的复合结构 6 8 12 13。这不是某种风格偏好，而是现实部署复杂性倒逼出来的方法变形。

学习方法进入了“受约束的位置”#

这一点尤其重要。当前更有价值的学习工作，不是声称“端到端更强”，而是主动回答：学习在多大程度上可以被安全、稳定与部署约束驯化？wang2025knowledgeinformed 的意义就在这里——它让知识蒸馏与稳定性目标共同进入训练过程 9。这种研究路线比“把黑箱模型直接接到控制器输出端”更接近工程上真正可接受的方向。

验证方式正在成为方法问题的一部分#

过去我们可能把验证当作附属环节，但新近文献表明，验证方式本身已经变成研究方法的一部分。台架、缩比实验、真实数据集、human-in-the-loop 与混合数字孪生平台，不只是“多做一点实验”，而是在重新定义什么样的证据才足以支撑“可部署”这个判断 12 13 15 16。

场域—本体论—认识论—目的论：这个领域正在怎样改写自己#

如果说研究类型与方法谱系回答的是“有哪些工作、它们怎么做”，那么场域—本体论—认识论—目的论这条线回答的就是：这个领域究竟把什么当作自己的世界、什么当作真实对象、用什么方式去认识它、又为了什么组织这些知识。 从这一层看，车辆队列已经不能只被理解为控制理论内部的一个局部专题，而更像一个处在控制理论、交通工程、车联网、车路协同、云控、数字孪生平台与 CPS 语言交叉处的复合场域 1 2 12 13 14。

层次	当前主导变化	典型体现
场域	从单纯控制子领域外扩为控制—交通—通信—计算—基础设施的交叉场	综述开始并列建模、通信、控制与系统前景；V2X 与云控文献进入主线 1 2
本体论	从“线性车队”转向“车—路—云—人耦合的异构协同系统”	混合车队、异构车辆群、human-in-the-loop 数字孪生、风险耦合对象 12 13 14
认识论	从“模型 + 稳定性证明”扩展为“证明 + 预测 + 数据 + 知识蒸馏 + 平台验证”的混合证据结构	Lyapunov/MPC、Koopman 数据驱动预测、知识引导学习、数字孪生平台 3 6 8 9 13
目的论	从“保持车距与串稳定”扩展为“可部署安全、协同智能、能效优化与系统风险治理”	eco-safe control、协同安全智能、风险熵与部署导向验证 2 7 14

先看场域。今天的车辆队列研究已经不再只在控制理论的内部循环，而是在智能交通、V2X、云控、协同感知和 CPS 的共同语境中重新被命名。也就是说，它的“领域位置”本身正在变化：研究者越来越需要同时说控制、通信、感知、计算与部署，而不能只说控制器。

再看本体论。过去最典型的对象，是一列车辆及其纵向间距；现在越来越多的论文其实把对象重写成异构车辆群、车路协同系统、云端调度下的群体轨迹，甚至人—车—路耦合的风险结构 12 13 14。对象不再只是“几辆车怎么跟”，而是“多种主体如何在信息、控制和基础设施约束下协同运行”。

认识论层面也同样在移动。可证性仍然重要，但单一的稳定性证明已经不足以独占真理位置。新的知识形态更像是证明、预测、数据、蒸馏和验证平台的组合：控制理论给出规范中心，数据驱动和知识蒸馏补足理想模型之外的复杂性，平台与实验则重新界定什么样的证据才算“足够可信” 6 8 9 13。

目的论的变化则最能解释整个领域为什么会外扩。若目标只是保持车距和串稳定，那么很多外围材料都可以被视为附属；但当目标变成可部署安全、协同智能、生态效率与系统风险治理时，V2X、云控、风险熵、human-in-the-loop 与数字孪生就不再是“补充方向”，而会变成主线的一部分 2 7 14。

为什么这种分层阅读本身已经是一种“大学话语式”的前沿解读#

需要特别说明的是：上面这种场域—本体论—认识论—目的论的分层图，本身就已经是一种典型的表层科学阅读方式。它的优点是，把一个复杂领域整理成专家可识别、可比较、可继续推进的地图；它的风险则是，容易把仍在运动中的裂口和症状，暂时冻结成整齐的分类框架。

也正因为如此，我更愿意把这一步叫作一种大学话语式的前沿解读：它先把对象、方法、证据和目标组织成一个可教学的知识盘面，让我们先看清“这个领域表面上是如何被组织的”；但如果只停在这里，我们仍然看不见：究竟是谁在设题，哪些裂口在逼问，为什么新的锚点会反复生成。于是，下一步就必须进入更深一层的四大话语分析。

用四大话语看这个领域：谁在组织问题，谁在逼迫扩张#

如果只从技术分类看，车辆队列研究会显得像一套不断累加的方法清单；但如果从学术话语结构看，它其实由四种不同的位置共同组织。

话语	它在领域中做什么	它遮蔽了什么	它生产了什么
Master	规定什么问题最重要	高位命名并不等于真实可解	研究合法性与主线方向
University	将对象分类、建模、标准化	知识背后的规范性命令	论文、综述、指标、控制器谱系
Hysteric	用现实裂口持续追问现有答案	不存在一次性终结的总答案	更多问题与更多知识增殖
Analyst	从症状出发重写问题结构	综述并非中立镜像	新的锚点与新的问题表述

Master：高位能指如何规定主线#

在车辆队列研究中，最典型的主导能指就是：安全、串稳定、协同、效率、零事故、可部署。这些词并不只是“目标描述”，它们实际上在规定：哪些问题天然值得研究，哪些技术路线更容易获得正当性 2 3 4 7。

一旦这些词占据中心，后续的知识工作就会围绕它们展开。也正因为如此，很多论文虽然方法不同，但摘要里的问题设置却高度相似——它们首先要向这些高位能指对齐。

University：当前领域的主导盘面#

从现实的论文生产方式看，车辆队列研究最主要的运作方式其实是 University discourse。领域的大多数工作都在做同一件事：把对象分类、把问题标准化、把方法放入可比较矩阵，然后产出可评审、可教学、可复现的知识装置 1 5 6 16。

这正是为什么我们总能看到相似的结构：对象模型、信息拓扑、时延设定、控制器设计、稳定性分析、仿真对比。它高效、必要，但也容易把对象客体化为“工况”和“指标”，从而遮蔽掉真正推动领域变化的裂口。

Hysteric：现实中的裂口如何不断逼出新问题#

真正推动领域不断外扩的，不是知识本身的自然增长，而是现实中的剩余物总在逼问现有框架：通信时延怎么办？混合交通怎么办？异构车群怎么办？感知误差怎么办？云控规划与实际轨迹偏差怎么办？真实部署如何验证 6 7 12 13 15？

这些“怎么办”就是 Hysteric discourse 的动力来源。它不会让问题结束，反而会持续制造出新的知识生产要求。因此，那些看上去像“外围扩展”的论文，很多时候恰恰是在暴露主线内部无法被一次性吸收的剩余物。

Analyst：高质量综述真正应该占据的位置#

如果综述只做一次更完整的分类，它当然有价值，但仍然停留在 University discourse 的内部。更进一步的工作，是把领域内部那些不断冒出来的裂口重新组织成问题结构：为什么稳定性总是回到中心？为什么学习方法总是被拉回到工程约束？为什么验证平台突然变得如此重要？为什么 V2X、云控和协同感知会逐步进入同一条线 2 14？

我越来越觉得，一篇有贡献的综述，不只是总结“已经知道什么”，而是指出：这个领域被什么驱动、遮蔽了什么、又因此生产了什么。 如果说前面的三种话语解释了领域如何运转，那么综述最好的位置，是尝试占据第四种——从症状出发，重写问题。

四大话语不是静态并列，而是一个动态轮转机制#

真正让我觉得这篇文章前一版还差“画龙点睛”的地方，不是少了一张分类表，而是还没有把四大话语的动态轮转说透。形式上，四大话语来自同一组要素 S1、S2、$、a 在同一网格中的四分之一转位：

1
Master      S1 -> S2    / $  X a
2
University  S2 -> a     / S1 X $
3
Hysteric    $  -> S1    / a  X S2
4
Analyst     a  -> $     / S2 X S1

但落到车辆队列研究这一学术场域，更可读的并不是一个机械的公式，而是一条反复出现的结构链：主导能指设题 → 知识装置定型 → 现实裂口逼问 → 症状性重写与新锚点生成 → 再次设题。

这并不是说每篇论文都会整齐地走完一圈，也不是要把近两年的文献机械地切成几个年代阶段。更准确地说，不同论文和子方向会同时占据不同的话语位置；但如果从场域整体的运动看，这样的轮转确实在反复发生。

轮转环节	结构动作	在车辆队列研究中的体现
Master → University	高位能指把问题设成必须回答的主线	安全、串稳定、协同、可部署把方法研究拉入共同议程 2 3 4 7
University → Hysteric	知识装置在对象化过程中遭遇无法彻底吸收的剩余物	时延、异构、混合交通、感知误差、部署落差不断返回 6 12 13 15
Hysteric → Analyst	症状不再只是边界工况，而被提升为重新组织问题的入口	V2X SPD、数字孪生、人车路风险语言开始改变问题组织方式 2 13 14
Analyst → 新的 Master	新锚点重新规定何为真正的前沿问题	车辆队列被重写为通信—计算—控制协同的网络化 CPS 单元 1 2 12 13 14

1）从 Master 到 University：主导能指把知识机器发动起来#

当“安全”“串稳定”“协同”“可部署”占据高位时，它们并不直接给出答案，但会先把研究共同体组织起来。于是综述、专著、控制器谱系、性能指标、标准工况等知识装置被迅速建立，用来回答这些被设定为正当且紧迫的问题 1 3 4 16。换句话说，Master discourse 的作用不是“求解”，而是“设题”；University discourse 则接过这个设题，把它翻译成可建模、可证明、可比较的知识系统。

2）从 University 到 Hysteric：知识装置越完整，剩余物越清晰#

但知识装置越成熟，它的边界也越清楚。正因为控制器、拓扑、指标和验证流程被组织得越来越规范，那些无法被完全吸收的东西才会不断显形：混合交通中的人类驾驶行为，感知误差带来的意图偏差，时延越界后的降级问题，异构车辆群在云端规划中的轨迹失配，以及“仿真有效”与“部署有效”之间的落差 4 6 12 13 15。这些剩余物就是 Hysteric discourse 的动力来源：它们不断逼问既有权威——你说安全、稳定、协同，那么这些裂口怎么解释？

3）从 Hysteric 到 Analyst：症状被提升为重新组织问题的入口#

如果场域只能不断回答这些“怎么办”，它就会一直在 University discourse 内部加码，生产更多模型、更多控制器和更多补丁。真正的转折发生在某些工作开始把这些裂口本身当作诊断入口：为什么 V2X、协同感知、云控、数字孪生和风险熵会在同一时期同时涌现？这意味着问题对象已经不再是单纯的纵向控制链条，而是跨车、路、云、人、多源信息和实验平台的系统耦合 2 13 14。在这个意义上，Analyst discourse 不是给出一版更细的分类，而是迫使场域承认：过去被当作边角料的“症状”，其实正在重写对象本身。

4）从 Analyst 回到新的 Master：新锚点如何开启下一轮循环#

一旦这种重写被接受，一个新的 S1 就会出现。对当前车辆队列研究来说，这个新锚点可以表述为：车辆队列不是单纯的纵向控制问题，而是通信—计算—控制协同的网络化 CPS 单元。 这个新的主导能指并不会取消旧的安全与串稳定，恰恰相反，它会把它们重新安置到更大的系统框架里：为什么需要协同感知，为什么要引入边缘/云控，为什么验证平台会成为核心方法问题，为什么风险建模开始进入同一条研究线 1 2 12 13 14。而一旦这个新 S1 稳定下来，它又会召唤出下一轮 University discourse——新的分类、新的 benchmark、新的系统架构语言。

5）为什么这种轮转对综述写作尤其重要#

这也是为什么我越来越不满足于把综述写成“方法大全”。如果只按控制器、学习算法、测试平台平铺展开，文章仍然主要停留在 University discourse。更强的写法，是把章节组织成一条轮转链：先写哪些高位能指在设题，再写知识装置如何定型，再写哪些现实裂口逼出了扩张，最后写这些裂口如何迫使领域生成新的问题锚点。这样写，综述就不只是“汇总已有知识”，而会显出这个领域如何动态发展、如何自我重组，以及为什么它今天必然走向网络化 CPS 的问题表述。

这对综述写作意味着什么#

如果接受前面的判断，尤其接受四大话语不是静态并列而是动态轮转，那么一篇今天的车辆队列综述，最好不要再把全文仅仅写成“控制方法大列表”。更值得做的，是把以下几条主线同时写出来：

领域如何在“设题—体系化—裂口—重写—再设题”的轮转中生成新的研究前沿；
车辆队列为什么长期由安全与串稳定主导；
通信时延、信息流拓扑和异构性如何把纯控制问题转化为网络控制问题；
数据驱动、知识蒸馏与强化学习为什么没有替代控制理论，而是被拉进其约束框架；
车路协同、云控、协同感知和测试平台为什么正在把车队研究推向更完整的 CPS 语境。

如果把这些线索收束成一句能统领全文的话，我目前最认可的版本是：

车辆队列研究正在从“纵向控制问题”转化为“通信—计算—控制协同的网络化 CPS 问题”。

这句话的价值不在于取代所有既有分类，而在于它能把看似分散的材料重新放进同一个问题结构里：为什么控制理论仍然重要，为什么数据驱动方法会兴起，为什么学习方法必须被约束，为什么系统验证正在上升为核心议题。

结语#

我现在越来越不把车辆队列研究看成一个狭义的小专题。它当然起源于跟驰、稳定和控制，但它今天正在变成一个非常典型的交叉场：控制理论、交通工程、车联网、边缘/云控、协同感知、风险建模、实验平台与 CPS 语言都在这里相遇。

所以，真正值得写清楚的，不只是“有哪些方法”，而是这些方法如何围绕某些高位目标被组织起来，又如何在现实部署的裂口面前不断分化、修补、重组，并在四大话语的轮转中生成新的研究锚点。 对我来说，这才是这条综述线最有意思的地方。

参考索引#

Li, H., Meng, W., Han, Z., Zhang, Z., & Yang, Y. (2025). Vehicle platoon in road traffic: A survey of modeling, communication, controlling and perspectives. Physica A. DOI. li2025vehiclea
Zhang, J., Xu, Q., Li, Z., Xu, C., & Li, K. (2025). Cooperative safety intelligence in V2X-enabled transportation: A survey. arXiv. zhang2025cooperative
Ruan, T., Chen, Y., Li, X., Wang, J., Liu, Y., & Wang, H. (2025). Stability analysis and controller design of the cooperative adaptive cruise control platoon considering a rate-free time-varying communication delay and uncertainties. Transportation Research Part C. DOI. ruan2025stability
Tian, B., Guo, Q., Xu, Z., Wang, M., & Qu, X. (2026). MPC-based controller switching strategy for string stability and safety of vehicle platoons considering communication delays boundary. IEEE Transactions on Vehicular Technology. DOI. tian2026mpcbased
Li, Y., Liu, C., & Zheng, F. (2025). Robust fuzzy model predictive control for connected and automated vehicles in mixed platoons using a bidirectional vehicle dynamics strategy. Expert Systems with Applications. DOI. li2025robust
Li, S., Wang, J., Yang, K., Xu, Q., Wang, J., & Li, K. (2026). Robust nonlinear data-driven predictive control for mixed vehicle platoons via koopman operator and reachability analysis. Transportation Research Part C. DOI. li2026robust
Pan, X., Yuan, X., Ling, Z., Li, Z., Liu, K., & Wang, Y. (2026). A reinforcement learning-based decentralized control strategy for eco-safe mixed platooning with CAVs and HDVs. IEEE Transactions on Intelligent Transportation Systems. DOI. pan2026reinforcement
Wang, J., Wang, H., Song, J., Chen, X., Guo, J., Li, K., Li, X., & Huang, B. (2025). Knowledge-guided self-learning control strategy for mixed vehicle platoons with delays. Nature Communications. DOI. wang2025knowledgeguided
Wang, C., Jia, D., Wang, W., Ngoduy, D., Peng, B., & Wang, J. (2025). A knowledge-informed deep learning paradigm for generalizable and stability-optimized car-following models. Communications in Transportation Research. DOI. wang2025knowledgeinformed
Liu, G., Zheng, N., & Wang, H. (2025). Cooperative control method for connected and automated vehicle platoon based on arbitrary time headway switched system. SSRN. liu2025cooperative
Ruan, T., Chen, Y., Han, G., Wang, J., Li, X., Jiang, R., Wang, W., & Wang, H. (2025). Cooperative adaptive cruise platoon controller design considering switching control and stability. Transportation Research Part C. DOI. ruan2025cooperative
Shi, J., Guan, S., Zhong, W., Chen, C., Li, K., & Luo, Y. (2026). Robust predictive control of heterogeneous vehicle groups in the ramp cloud-control system using historical trajectory features. IEEE Transactions on Vehicular Technology. DOI. shi2026robust
Dong, J., Wang, J., Yang, C., Cai, M., Chen, C., Xu, Q., Wang, J., & Li, K. (2026). Multi-source human-in-the-loop digital twin testbed for connected and autonomous vehicles in mixed traffic flow. arXiv. dong2026multisource
Gao, H., Yang, H., Zhu, J., Su, H., Tang, C., Wang, X., Shi, J., Shen, C., & Liu, Z. (2026). Concept, principle, and modeling of driving risk entropy based on human-vehicle-road coupling model for autonomous vehicle. Neurocomputing. DOI. gao2026concept
Liu, K., Yuan, X., Li, Z., Pan, X., & Wang, Y. (2025). Robust driving intention prediction based on multi-stage learning under vehicle–infrastructure cooperative perception. IEEE Transactions on Intelligent Transportation Systems. DOI. liu2025robust
徐志刚、田彬、张宇琴（2025）。考虑通信延时的货车队列纵向控制优化。中国科技出版传媒股份有限公司。链接。xuzhigang2025kaolutongxinyanshidehuocheduiliezongxiangkongzhiyouhua