To fully harvest the benefits of vehicular automation and connectivity in the mixed traffic, a cooperative longitudinal control strategy named Cooperative Adaptive Cruise Control with Unconnected vehicle in the loop (CACCu) has been proposed. When encountering an unconnected preceding vehicle, CACCu enables a Connected and Automated Vehicle (CAV) to benefit from communicating with a connected vehicle further ahead, rather than completely falling back to Adaptive Cruise Control (ACC). To validate the feasibility of CACCu, this study developed and tested a CACCu system with real vehicles in the field. A speed-command-based CACCu controller is designed and parameterized for optimizing the anticipated string stability. The experiment was conducted with two automated vehicles equipped with Mobileye sensors and Wi-Fi modules. The car-following performance of CACCu, in comparison with ACC and human driving (as the ego vehicle), was evaluated in the real-traffic scenarios constructed using NGSIM vehicle trajectory data. Over the 6 test runs for each control method, it was found that CACCu reduced 10.8% acceleration Root Mean Square (RMS), 60.8% spacing error RMS and 6.2% fuel consumption from ACC’s, indicating advantages of CACCu in control accuracy, ride comfort and energy efficiency. Compared with human driving, CACCu also reduced 17.6% acceleration and 13.4% fuel consumption. More importantly, the CACCu was able to efficiently avoid the traffic disturbance amplifications that frequently happened to ACC and human driving, which means the string stability has been significantly improved by the CACCu.

为了在混合交通中充分发挥车辆自动化和连接性的优势，提出了一种名为协同自适应巡航控制与回路中未连接车辆 (CACCu) 的协同纵向控制策略。当遇到未联网的前车时，CACCu 使联网自动驾驶汽车 (CAV) 能够从与前方联网车辆的通信中受益，而不是完全退回到自适应巡航控制 (ACC)。为了验证 CACCu 的可行性，本研究开发并在现场使用真实车辆测试了 CACCu 系统。基于速度命令的 CACCu 控制器被设计和参数化以优化预期的串稳定性。该实验是在两辆配备 Mobileye 传感器和 Wi-Fi 模块的自动驾驶汽车上进行的。与 ACC 和人类驾驶（作为自我车辆）相比，CACCu 的跟车性能在使用 NGSIM 车辆轨迹数据构建的真实交通场景中进行了评估。通过对每种控制方法的 6 次测试运行，发现与 ACC 相比，CACCu 降低了 10.8% 的加速度均方根 (RMS)、60.8% 的间距误差 RMS 和 6.2% 的油耗，表明 CACCu 在控制精度、乘坐舒适性和能源效率。与人类驾驶相比，CACCu 还降低了 17.6% 的加速度和 13.4% 的油耗。更重要的是，CACCu能够有效避免ACC和人类驾驶经常发生的交通干扰放大，这意味着CACCu显着提高了串的稳定性。与 ACC 和人类驾驶（作为自我车辆）相比，在使用 NGSIM 车辆轨迹数据构建的真实交通场景中进行了评估。通过对每种控制方法的 6 次测试运行，发现与 ACC 相比，CACCu 降低了 10.8% 的加速度均方根 (RMS)、60.8% 的间距误差 RMS 和 6.2% 的油耗，表明 CACCu 在控制精度、乘坐舒适性和能源效率。与人类驾驶相比，CACCu 还降低了 17.6% 的加速度和 13.4% 的油耗。更重要的是，CACCu能够有效避免ACC和人类驾驶经常发生的交通干扰放大，这意味着CACCu显着提高了串的稳定性。与 ACC 和人类驾驶（作为自我车辆）相比，在使用 NGSIM 车辆轨迹数据构建的真实交通场景中进行了评估。通过对每种控制方法的 6 次测试运行，发现与 ACC 相比，CACCu 降低了 10.8% 的加速度均方根 (RMS)、60.8% 的间距误差 RMS 和 6.2% 的油耗，表明 CACCu 在控制精度、乘坐舒适性和能源效率。与人类驾驶相比，CACCu 还降低了 17.6% 的加速度和 13.4% 的油耗。更重要的是，CACCu能够有效避免ACC和人类驾驶经常发生的交通干扰放大，这意味着CACCu显着提高了串的稳定性。通过对每种控制方法的 6 次测试运行，发现与 ACC 相比，CACCu 降低了 10.8% 的加速度均方根 (RMS)、60.8% 的间距误差 RMS 和 6.2% 的油耗，表明 CACCu 在控制精度、乘坐舒适性和能源效率。与人类驾驶相比，CACCu 还降低了 17.6% 的加速度和 13.4% 的油耗。更重要的是，CACCu能够有效避免ACC和人类驾驶经常发生的交通干扰放大，这意味着CACCu显着提高了串的稳定性。通过对每种控制方法的 6 次测试运行，发现与 ACC 相比，CACCu 降低了 10.8% 的加速度均方根 (RMS)、60.8% 的间距误差 RMS 和 6.2% 的油耗，表明 CACCu 在控制精度、乘坐舒适性和能源效率。与人类驾驶相比，CACCu 还降低了 17.6% 的加速度和 13.4% 的油耗。更重要的是，CACCu能够有效避免ACC和人类驾驶经常发生的交通干扰放大，这意味着CACCu显着提高了串的稳定性。与人类驾驶相比，CACCu 还降低了 17.6% 的加速度和 13.4% 的油耗。更重要的是，CACCu能够有效避免ACC和人类驾驶经常发生的交通干扰放大，这意味着CACCu显着提高了串的稳定性。与人类驾驶相比，CACCu 还降低了 17.6% 的加速度和 13.4% 的油耗。更重要的是，CACCu能够有效避免ACC和人类驾驶经常发生的交通干扰放大，这意味着CACCu显着提高了串的稳定性。