無人駕駛車輛控制
作者：臻忻
引導(dǎo)語：車輛控制技術(shù)是無人駕駛汽車行駛的核心,。
無人駕駛汽車通過搭載先進(jìn)的車載傳感器,、控制器和數(shù)據(jù)處理器,、執(zhí)行機(jī)構(gòu)等裝置,，借助車聯(lián)網(wǎng)和V2X等現(xiàn)代移動通信與網(wǎng)絡(luò)技術(shù)實(shí)現(xiàn)交通參與物彼此間信息的互換與共享,，從而具備在復(fù)雜行駛環(huán)境下的傳感感知,、決策規(guī)劃,、控制執(zhí)行等功能,，以實(shí)現(xiàn)安全,、高效,、舒適和節(jié)能的自動或智能行駛。無人駕駛汽車代表了汽車技術(shù)和產(chǎn)業(yè)化的重要發(fā)展方向,，也是未來汽車技術(shù)創(chuàng)新的主流趨勢,。
一,、無人駕駛控制架構(gòu)設(shè)計(jì)
無人駕駛系統(tǒng)基于環(huán)境感知技術(shù)對車輛周圍環(huán)境進(jìn)行感知，并根據(jù)感知所獲得的信息,，通過車載中心電腦自主地控制車輛的轉(zhuǎn)向和速度,，使車輛能夠安全、可靠地行駛,，并到達(dá)預(yù)定目的地,。無人駕駛是汽車智能化追求的終極目標(biāo)，是信息通信等先進(jìn)技術(shù)在汽車上的深度應(yīng)用,，體現(xiàn)了更便捷,、更簡單的人車交互方式，是對人的更大程度的“解放”,。它將在減少交通事故,、提高運(yùn)輸效率、完成特殊作業(yè),、國防軍事應(yīng)用等領(lǐng)域發(fā)揮至關(guān)重要的作用,。
無人駕駛的關(guān)鍵技術(shù)是環(huán)境感知技術(shù)和車輛控制技術(shù)，其中環(huán)境感知技術(shù)是無人駕駛汽車行駛的基礎(chǔ),，車輛控制技術(shù)是無人駕駛汽車行駛的核心,，包括軌跡規(guī)劃和控制執(zhí)行兩個環(huán)節(jié)，這兩項(xiàng)技術(shù)相輔相成共同構(gòu)成無人駕駛汽車的關(guān)鍵技術(shù),。無人駕駛的整個流程歸結(jié)起來有三個部分,，首先，是通過雷達(dá),、像機(jī),、車載網(wǎng)聯(lián)系統(tǒng)等對外界的環(huán)境進(jìn)行感知識別；然后,，在傳感感知融合信息基礎(chǔ)上,，通過智能算法學(xué)習(xí)外界場景信息，規(guī)劃車輛運(yùn)行軌跡,，實(shí)現(xiàn)車輛擬人化控制融入交通流中,；其次，跟蹤決策規(guī)劃的軌跡目標(biāo),，控制車輛的油門,、剎車和轉(zhuǎn)向等駕駛動作，調(diào)節(jié)車輛行駛速度,、位置和方向等狀態(tài),，以保證汽車的安全性、操縱性和穩(wěn)定性。如果能夠默契地進(jìn)行,，那么整個無人駕駛流程就算完成了,。因此研究無人駕駛的控制技術(shù)變得具有十分重要的意義。
因此,，無人駕駛的系統(tǒng)將駕駛認(rèn)知形式化,，利用駕駛認(rèn)知的圖表達(dá)語言，設(shè)計(jì)通用的無人駕駛軟件架構(gòu),。在這一架構(gòu)中，智能決策模塊并不直接與傳感器信息發(fā)生耦合,，而是基于多傳感器的感知信息,、駕駛地圖和車聯(lián)網(wǎng)通信等先驗(yàn)信息綜合形成的駕駛態(tài)勢完成自主決策。
平臺軟件運(yùn)行流程：多傳感器信息處理模塊,，由駕駛認(rèn)知的圖表達(dá)語言統(tǒng)一輸出構(gòu)成駕駛態(tài)勢實(shí)時信息,；駕駛地圖的信息，則根據(jù)車輛實(shí)時位置及朝向,，映射到駕駛態(tài)勢中,，與駕駛態(tài)勢實(shí)時信息融合，形成全面反映當(dāng)前駕駛態(tài)勢的公共數(shù)據(jù)池,；車聯(lián)網(wǎng)通信信息,，利于
V2X 系統(tǒng)使得車與車、車與基站之間能夠通信互聯(lián),，獲得周邊交通流實(shí)時路況,、路口標(biāo)識、交通燈標(biāo)示信息以及來自外部云服務(wù)器的超視距路況信息,；決策控制模塊,，以這行駛環(huán)境信息數(shù)據(jù)池為基礎(chǔ)，綜合考慮交通規(guī)則,、駕駛經(jīng)驗(yàn),、全局路徑等先驗(yàn)知識，完成決策,。此外,， 融合了實(shí)時信息與先驗(yàn)知識的行駛環(huán)境信息數(shù)據(jù)池，也能夠幫助傳感器信息處理模塊確定感興趣區(qū)域,、幫助定位模塊提高定位準(zhǔn)確性,、幫助駕駛地圖模塊及時更新先驗(yàn)信息，提升無人駕駛的性能,。
此外,，智能汽車的軟件架構(gòu)將決策控制與傳感器的感知信息解耦，增加或減少一路或幾路傳感器,、改變傳感器型號或安裝位置,，不再對決策控制直接造成影響,。整個軟件架構(gòu)只需做很少的改動，甚至完全不需要調(diào)整,，就可以在不同試驗(yàn)平臺上方便的進(jìn)行移植,。
二、無人駕駛控制核心技術(shù)組成
無人駕駛汽車的車輛控制技術(shù)旨在環(huán)境感知技術(shù)的基礎(chǔ)之上,，根據(jù)決策規(guī)劃出目標(biāo)軌跡,，通過縱向和橫向控制系統(tǒng)的配合使汽車能夠按照跟蹤目標(biāo)軌跡準(zhǔn)確穩(wěn)定行駛，同時使汽車在行駛過程中能夠?qū)崿F(xiàn)車速調(diào)節(jié),、車距保持,、換道、超車等基本操作,。
無人駕駛控制的核心技術(shù)是車輛的縱向控制和橫向控制技術(shù),。縱向控制,，即車輛的驅(qū)動與制動控制,；橫向控制，即方向盤角度的調(diào)整以及輪胎力的控制,。實(shí)現(xiàn)了縱向和橫向自動控制,，就可以按給定目標(biāo)和約束自動控制車運(yùn)行。所以,，從車本身來說,，無人駕駛就是綜合縱向和橫向控制。但要真正實(shí)現(xiàn)點(diǎn)到點(diǎn)的無人駕駛運(yùn)行,，車輛控制系統(tǒng)必須獲取道路和周邊交通情況的詳細(xì)動態(tài)信息和具有高度智能的控制性能,。完善的交通信息系統(tǒng)和高性能、高可靠性的車上傳感器及智能控制系統(tǒng)是實(shí)現(xiàn)無人駕駛的重要前提,。由于點(diǎn)到點(diǎn)無人駕駛的難度,，人們提出首先實(shí)現(xiàn)無人駕駛路段的概念，即在路況簡明的高速公路段開辟可無人駕駛路段,，進(jìn)入這種路段可以啟動白動駕駛,，出這個路段時再轉(zhuǎn)人手操縱。由于道路條件和車上控制系統(tǒng)性能的限制,，目前考慮的無人駕駛結(jié)構(gòu)幾乎都是手動自動可轉(zhuǎn)換的,。
無人駕駛控制技術(shù)需要在無人駕駛汽車上配置各種對應(yīng)的系統(tǒng) 才能實(shí)現(xiàn)其復(fù)雜的功能，目前包絡(luò)車道保持系統(tǒng) LKA,、自適應(yīng)巡航控制系統(tǒng) ACC,、自動泊車系統(tǒng)、緊急制動和衛(wèi)星導(dǎo)航系統(tǒng)等：車道保持系統(tǒng) LKA：使汽車遵循道路標(biāo)志和聲音警告并在車輛開始偏移車道時調(diào)整方向，保證汽車沿著目標(biāo)車道線行駛,；自適應(yīng)巡航控制系統(tǒng) ACC：使汽車和前而的車輛始終保持一個安全的距離,，確保無人駕駛汽車的安全性；自動泊車系統(tǒng) AP：使無人駕駛汽車能夠順利地實(shí)現(xiàn)在停車位的倒入和離開,；緊急制動系統(tǒng)AEB：使汽車在遇到緊急情時能夠充分有效制動,，同時使無人駕駛汽車處于人類的監(jiān)視和控制范圍之內(nèi)。
2.1,、車輛縱向控制
車輛縱向控制是在行車速度方向上的控制,，即車速以及本車與前后車或障礙物距離的自動控制。巡航控制和緊急制動控制都是典型的無人駕駛縱向控制案例,。這類控制問題可歸結(jié)為對電機(jī)驅(qū)動,、發(fā)動機(jī)、傳動和制動系統(tǒng)的控制,。各種電機(jī)-發(fā)動機(jī)-傳動模型、汽車運(yùn)行模型和剎車過程模型與不同的控制器算法結(jié)合,，構(gòu)成了各種各樣的縱向控制模式,。
此外，針對輪胎作用力的滑移率控制是縱向穩(wěn)定控制中的關(guān)鍵部分,?；坡士刂葡到y(tǒng)通過控制車輪滑移率調(diào)節(jié)車輛的縱向動力學(xué)特性來防止車輛發(fā)生過度驅(qū)動滑移或者制動抱死，從而提高車輛的穩(wěn)定性和操縱性能,。制動防抱死系統(tǒng)（antilock brake system）簡稱 ABS,，在汽車制動時，自動控制制動器制動力的大小,，使車輪不被抱死,，處于邊滾邊滑（滑移率在 20%左右）的狀態(tài)，以保證地面能夠給車輪提供最大的制動作用力值,。一些智能滑移率控制策略利用充足的環(huán)境感知信息設(shè)計(jì)了隨道路環(huán)境變化的車輪最有滑移率調(diào)節(jié)器,，從而提升輪胎 力作用效果。
智能控制策略,，如模糊控制,、神經(jīng)網(wǎng)絡(luò)控制、滾動時域優(yōu)化控制等,，在縱向控制中也得到廣泛研究和應(yīng)用,，并取得了較好的效果，被認(rèn)為是最有效的方法,。而傳統(tǒng)控制的方法,，如 PID 控制和前饋開環(huán)控制，一般是建立發(fā)動機(jī)和汽車運(yùn)動過程的近似線形模型，在此基礎(chǔ)上設(shè)計(jì)控制器,，這種方法實(shí)現(xiàn)的控制,，由于對模型依賴性大及模型誤差較大，所以精度差,、適應(yīng)性差,。從目前的論文和研究的項(xiàng)目看，尋求簡單而準(zhǔn)確的電機(jī)-發(fā)動機(jī)-傳動,、剎車過程和汽車運(yùn)動模型,，以及對隨機(jī)擾動有魯棒性和對汽車本身性能變化有適應(yīng)性的控制器仍是研究的主要內(nèi)容。目前應(yīng)用的系統(tǒng)如巡航控制,、防碰撞控制,，都是自主系統(tǒng)，即由車載傳感器獲取控制所需信息,，而往往缺乏對 V2X 車聯(lián)網(wǎng)信息的利用,。在智能交通環(huán)境下，單車可以通過 V2X 通訊信息系統(tǒng)獲得更多周邊交通流信息以用于控制,。在縱向控制方面,，可利用本車及周邊車輛位置、當(dāng)前及前方道路情況,、前車操縱狀態(tài)等信息實(shí)現(xiàn)預(yù)測控制,，達(dá)到提高速度減小車間距的同時保證安全，即達(dá)到安全,、高效和節(jié)能的目的,。
2.2、車輛橫向控制
車輛橫向控制指垂直于運(yùn)動方向上的控制,，對于汽車也就是轉(zhuǎn)向控制,。目標(biāo)是控制汽車自動保持期望的行車路線，并在不同的車速,、載荷,、風(fēng)阻、路況下有很好的乘坐舒適性和穩(wěn)定性,。
車輛橫向控制主要有兩種基本設(shè)計(jì)方法,，一種是基于駕駛員模擬的方法；另一種是給予汽車橫向運(yùn)動力學(xué)模型的控制方法基于駕駛員模擬的方法,，一種策略是使用較簡單的運(yùn)動力學(xué)模型和駕駛員操縱規(guī)則設(shè)計(jì)控制器,；另一策略是用駕駛員操縱過程的數(shù)據(jù)訓(xùn)練控制器獲取控制算法?；谶\(yùn)動力學(xué)模型的方法要建立較精確的汽車橫向運(yùn)動模型,。典型模型是所謂單軌模型,，或稱為自行車模型，也就是認(rèn)為汽車左右兩側(cè)特性相同,?？刂颇繕?biāo)一般是車中心與路中心線間的偏移量，同時受舒適性等指標(biāo)約束,。
針對低附著路面的極限工況中車輛橫擺穩(wěn)定控制是車輛橫向控 制中的關(guān)鍵部分,。傳統(tǒng)操縱穩(wěn)定性控制思路，如電子穩(wěn)定性控制系統(tǒng)（ESP）和前輪主動轉(zhuǎn)向系統(tǒng)（AFS）等,，控制分布的輪胎作用力和前輪轉(zhuǎn)向,，通過利用輪胎附著力和降低輪胎利用率來提高車輛穩(wěn)定性。大多數(shù)文獻(xiàn)沿襲冗余驅(qū)動的控制分配框架,，通過改變內(nèi)外側(cè)輪胎驅(qū)/制動力差異的方法,，增加單側(cè)驅(qū)/制動轉(zhuǎn)矩，并相應(yīng)減小另一側(cè)驅(qū)/制動轉(zhuǎn)矩的方式為整車產(chǎn)生一個附加的橫擺轉(zhuǎn)矩來改善車輛轉(zhuǎn)向動態(tài)特性,，以保證車輛的橫擺穩(wěn)定性和行駛安全性,。電子控制技術(shù)和電氣化的發(fā)展給汽車底盤技術(shù)的突破帶來了革命性的契機(jī)，也使得汽車的整體集成控制成為可能,。同時在智能網(wǎng)聯(lián)的交通環(huán)境下,，單車可以通過自身環(huán)境傳感、定位導(dǎo)航和 V2X 通訊信息系統(tǒng)獲得更多周邊交通流信息以用于橫向控制,，以利于提前感知道路危險提高無人駕駛的安全性。
?
三,、無人駕駛控制方法
3.1,、傳統(tǒng)控制方法
傳統(tǒng)的汽車控制方法主要有：PID 控制、模糊控制,、最優(yōu)控制,、滑模控制等,，這些算法應(yīng)用都較為廣泛,。
(1)?PID 控制
PID 控制器(比例-積分-微分控制器)，由比例單元 P,、積分單元 I 和微分單元 D 組成,。通過 Kp、Ki 和 Kd 三個參數(shù)的設(shè)定,。PID 控制器主要適用于基本上線性,、且動態(tài)特性不隨時間變化的系統(tǒng)。PID 是以它的三種糾正算法而命名的,。這三種算法都是用加法調(diào)整被控制的數(shù)值,，其輸入為誤差值（設(shè)定值減去測量值后的結(jié)果）或是由誤差值衍生的信號[52],。
(2)?模糊控制
模糊邏輯控制策略（FuzzyLogicControlStrategy)簡稱模糊控制（Fuzzy Control）[53][54]，其本質(zhì)是一種計(jì)算機(jī)數(shù)字控制技術(shù),，集成了模糊理論,、模糊集合論、模糊語言變量和模糊邏輯推理等,。與經(jīng)典控制理論相比,，模糊邏輯控制策略最大的特點(diǎn)是不需要準(zhǔn)確的數(shù)學(xué)公式來建立被控對象的精確數(shù)學(xué)模型，因此可極大簡化系統(tǒng)設(shè)計(jì)和數(shù)學(xué)建模的復(fù)雜性,，提高系統(tǒng)建模和仿真控制的效率,。模糊控制系統(tǒng)在建模過程中，利用人類積累的相關(guān)知識和生活經(jīng)驗(yàn)進(jìn)行推理,，模擬人類大腦處理復(fù)雜事件的過程,，進(jìn)而產(chǎn)生相應(yīng)的控制思想，控制思想經(jīng)過編譯成為控制策略,。模糊邏輯控制策略由工程人員的控制思路和實(shí)踐經(jīng)驗(yàn)積累編譯而成,，具有較佳的魯棒性、適應(yīng)性以及容錯性,。其主要由定義模糊變量,、模糊變量模糊化、定義規(guī)則庫,、推理決策和解模糊化五個環(huán)節(jié)組成,。
(3)?最優(yōu)控制
最優(yōu)控制理論[55]是變分法的推廣，著重于研究使控制系統(tǒng)的指標(biāo)達(dá)到最優(yōu)化的條件和方法,。為了解決最優(yōu)控制問題,，必須建立描述受控運(yùn)動過程的運(yùn)動方程，給出控制變量的允許取值范圍,，指定運(yùn)動過程的初始狀態(tài)和目標(biāo)狀態(tài),，并且規(guī)定一個評價運(yùn)動過程品質(zhì)優(yōu)劣的性能指標(biāo)。通常,，性能指標(biāo)的好壞取決于所選擇的控制函數(shù)和相應(yīng)的運(yùn)動狀態(tài),。系統(tǒng)的運(yùn)動狀態(tài)受到運(yùn)動方程的約束，而控制函數(shù)只能在允許的范圍內(nèi)選取,。同時,，最優(yōu)控制的實(shí)現(xiàn)離不開最優(yōu)化技術(shù)。最優(yōu)化技術(shù)是研究和解決如何將最優(yōu)化問題表示為數(shù)學(xué)模型以及如何根據(jù)數(shù)學(xué)模型盡快求出其最優(yōu)解這兩大問題,。
(4)?滑?？刂?/p>
在系統(tǒng)控制過程中，控制器根據(jù)系統(tǒng)當(dāng)時狀態(tài),，以躍變方式有目的地不斷變換,，迫使系統(tǒng)按預(yù)定的“滑動模態(tài)”的狀態(tài)軌跡運(yùn)動,。變結(jié)構(gòu)是通過切換函數(shù)實(shí)現(xiàn)的，特別要指出的是,，通常要求切換面上存 ?在滑動模態(tài)區(qū),，故變結(jié)構(gòu)控制又常被稱為滑動模態(tài)控制[56]。
3.2,、智能控制方法
相對于傳統(tǒng)的控制方法,，智能控制方法主要體現(xiàn)在對控制對象模型的運(yùn)用和綜合信息學(xué)習(xí)運(yùn)用上，主要有基于模型的控制,、神經(jīng)網(wǎng)絡(luò)控制和深度學(xué)習(xí)方法等,，目前這些算法已逐步在汽車控制中廣泛應(yīng)用。
基于模型的控制, 一般稱為模型預(yù)測控制[57][58][59] （Model predictive control,，MPC）,又可稱為滾動時域控制（Moving horizoncontrol,，MHC）和后退時域控制（Recedinghorizoncontrol，RHC）,，它是一類以模型預(yù)測為基礎(chǔ)的計(jì)算機(jī)優(yōu)化控制方法,，在近些年來被廣泛研究和應(yīng)用的一種控制策略。其基本原理可概括為：在每個采樣時刻,，根據(jù)當(dāng)前獲得的當(dāng)前測量信息,，在線求解一個有限時域的開環(huán)優(yōu)化問題 1，并將得到的控制序列的第一個元素作用于被控對象,，在一個采樣時刻,，重復(fù)上述過程，再用新的測量值刷新優(yōu)化問題并重新求解,。在線求解開環(huán)優(yōu)化問題獲得開環(huán)優(yōu)化序列是模型預(yù)測控制與傳統(tǒng)控制方法的主要區(qū)別,。預(yù)測控制算法主要由預(yù)測模型、反饋校正,、滾動優(yōu)化、參考軌跡四個部分組成,，最好將優(yōu)化解的第一個元素（或第一部分）作用于系統(tǒng),。
?
神經(jīng)控制是研究和利用人腦的某些結(jié)構(gòu)機(jī)理以及人的知識和經(jīng) 驗(yàn)對系統(tǒng)的控制[60]。利用神經(jīng)網(wǎng)絡(luò),，可以把控制問題看成模式識別問題,，被識別的模是映射成“行為”信號的“變化”信號。神經(jīng)控制最顯著的特點(diǎn)是具有學(xué)習(xí)能力,。它是通過不斷修正神經(jīng)元之間的連接權(quán)值,，并離散存儲在連接網(wǎng)絡(luò)中來實(shí)現(xiàn)的。它對非線性系統(tǒng)和難以建模的系統(tǒng)的控制具有良好效果,。一般情況下,，神經(jīng)網(wǎng)絡(luò)用于控制系統(tǒng)有兩種方法：一種是用其建模,，主要利用神經(jīng)網(wǎng)絡(luò)能任意近似任何連續(xù) ?函數(shù)和其學(xué)習(xí)算法的優(yōu)勢，存在前饋神經(jīng)網(wǎng)絡(luò)和遞歸神經(jīng)網(wǎng)絡(luò)兩種類 ?型,；另一種是直接作為控制器使用,。
深度學(xué)習(xí)方法
深度學(xué)習(xí)源于神經(jīng)網(wǎng)絡(luò)的研究，可理解為深層的神經(jīng)網(wǎng)絡(luò)[61][62],。
通過它可以獲得深層次的特征表示,，免除人工選取特征的繁復(fù)冗雜和 ?高維數(shù)據(jù)的維度災(zāi)難問題。 深度學(xué)習(xí)在特征提取與模型擬合方面顯示了其潛力和優(yōu)勢,。對于存在高維數(shù)據(jù)的控制系統(tǒng),，引入深度學(xué)習(xí)具有一定的意義，近年來, 已有一些研究關(guān)注深度學(xué)習(xí)在控制領(lǐng)域的應(yīng)用,。目前較為公認(rèn)的深度學(xué)習(xí)的基本模型包括基于受限玻爾茲曼機(jī)(RestrictedBoltzmannmachine,，RBM)的深度信念網(wǎng)絡(luò) (Deepbelief
network，DBN),、基于自動編碼器 (Autoencoder,，AE)的堆疊自動編碼器 (Stackedautoencoders,SAE)、卷積神經(jīng)網(wǎng)絡(luò) (Convolutionalneural
networks,，CNN)[6],、遞歸神經(jīng)網(wǎng)絡(luò)(Recurrentneuralnetworks，RNN),。無人駕駛系統(tǒng)需要盡量減少人的參與或者沒有人的參與,，深度學(xué)習(xí)自動學(xué)習(xí)狀態(tài)特征的能力使得深度學(xué)習(xí)在無人駕駛系統(tǒng)的研究中具有先天的優(yōu)勢。如何充分利用和發(fā)揮深度學(xué)習(xí)在無人駕駛系統(tǒng)中的優(yōu)勢并發(fā)展深度學(xué)習(xí)在環(huán)的無人駕駛系統(tǒng)控制是目前的研究方向,。
四,、無人駕駛控制技術(shù)方案
根據(jù)從行駛環(huán)境到駕駛動作的映射過程，無人駕駛控制技術(shù)可以分為間接控制和直接控制兩種不同方案,。
4.1,、基于規(guī)劃-跟蹤的間接控制方法
無人駕駛間接控制是一類基于規(guī)劃-跟蹤的主流無人駕駛車輛控制方法。根據(jù)當(dāng)前車輛行為需求,，在滿足車輛自身運(yùn)動學(xué)和動力學(xué)約束條件下規(guī)劃出一條空間上可行且時間上可控的無碰撞安全運(yùn)動軌跡,，然后設(shè)計(jì)適當(dāng)?shù)目刂坡筛櫳傻哪繕?biāo)軌跡，從而實(shí)現(xiàn)自主駕駛,。
早期的軌跡規(guī)劃方法實(shí)際上是機(jī)器人研究領(lǐng)域的路徑規(guī)劃方法 的某種擴(kuò)展,，80年代后期被引入到智能汽車輛[63]。這類方法給出的路徑由直線和圓弧線兩種基本元素構(gòu)成,，由于曲率在線段連接點(diǎn)處不連續(xù),，迫使車輛運(yùn)動到連接點(diǎn)處時需要停下來完成轉(zhuǎn)向動作，導(dǎo)致車輛運(yùn)動過程的不連續(xù)[64],。要消除這種情況,，一種方法是采用精確的位置傳感器和高頻跟蹤控制器來實(shí)現(xiàn),；另一種是通過修改軌跡規(guī)劃方法來獲得平滑的連續(xù)曲率軌跡。顯然,，后者更具現(xiàn)實(shí)意義,。
回旋曲線是一種被廣泛應(yīng)用于高速公路設(shè)計(jì)的線形表達(dá)方法，當(dāng)用于連接直線和圓弧線時,，能有效地起到平滑作用[65],。Nelson[66]認(rèn)為這類方法的缺點(diǎn)是軌跡表達(dá)式以弧長為參數(shù)，使用時需要進(jìn)行積分,，容易產(chǎn)生積累誤差,，并建議用五次多項(xiàng)式和極坐標(biāo)樣條以封閉式表達(dá)方式給出軌跡表達(dá)式。類似地,，Bravo[67]采用了刀樣條,。Fraichard[68]在Reeds和 Shepp[69]的研究基礎(chǔ)上，考慮了軌跡曲率和曲率變化率的限制,，相當(dāng)于用運(yùn)動學(xué)特性來約束軌跡曲率,，這種方法在低速情況下，例如輔助泊車系統(tǒng)中獲得了較好地應(yīng)用[70],，但在車輛行駛速度較高時將無法適用,。
基于規(guī)劃的無人駕駛車輛的轉(zhuǎn)向控制律的設(shè)計(jì)發(fā)展較為成熟。
Tsugawa 等[71]最先報道了采用視覺輸入的比例控制方法解決無人駕駛車輛轉(zhuǎn)向控制的問題,。Broggi[72]在 ARGO無人車中也采用了類似的經(jīng)典 P 控制器,。近期研究表明，經(jīng)典 PID 控制法可以應(yīng)用于某些典型路況,，但控制精度難以保證,。人工智能法為復(fù)雜系統(tǒng)的控制問題提供了一條新的途徑，在無人駕駛車輛轉(zhuǎn)向行為控制中已有很多應(yīng)用的報道,。Pomerleau 基于人工神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)了無人駕駛車輛轉(zhuǎn)向控制器,。
Naranjo等利用模糊邏輯建立控制模型來模仿人類駕駛員的駕駛行為， 研究了轉(zhuǎn)向行為控制和換道行為控制,。該方法中,，控制規(guī)律和控制器 先以駕駛員對駕駛經(jīng)驗(yàn)的描述初步確定參數(shù)，再根據(jù)實(shí)驗(yàn)結(jié)果對參數(shù) 進(jìn)行調(diào)整至最優(yōu)性能,。Perez等基于自適應(yīng)神經(jīng)網(wǎng)絡(luò)的模糊推理系統(tǒng)設(shè)計(jì)了無人駕駛車輛控制器，可以直接從人類駕駛經(jīng)驗(yàn)樣本中離線獲得控制器參數(shù)的配置,。Onieva等[73]研究了遺傳算法對控制器參數(shù)的離線自調(diào)整方法,。Bageshwar和 Keviczky 基于模型預(yù)測控制理論，分別研究了無人駕駛車輛自主巡航控制模型[74]和主動轉(zhuǎn)向控制模型[75],。
Zhang 和 Gong 等基于跟蹤預(yù)估控制和模糊邏輯理論,，研究了控制器參數(shù)的自調(diào)整方法,。高振海和管欣分別提出了基于預(yù)瞄理論的其次自適應(yīng)轉(zhuǎn)向控制算法，及駕駛員確定汽車預(yù)期軌跡的模糊決策控制模型,。
4.2,、基于人工智能的直接控制方法
無人駕駛的直接控制是一類基于人工智能的無人駕駛車輛自主 控制決策方法。實(shí)際過程中如果控制對象的特性和環(huán)境的狀態(tài)全部已知,，即可以進(jìn)行精確的數(shù)學(xué)建模,，則基于傳統(tǒng)控制策略就可以獲得滿意的控制性能。實(shí)際上汽車行駛環(huán)境包括行駛道路,、周邊交通和氣象條件等諸多因素,，具有高度的不確定、不可重復(fù),、不可預(yù)測和不可窮盡等特征,，同時車輛本身的非線性、不確定性也很嚴(yán)重,，很難建立精確的數(shù)學(xué)模型進(jìn)行控制律的設(shè)計(jì),，因此傳統(tǒng)控制策略已無法完全滿足無人駕駛控制的要求。無人駕駛直接控制方法采用人工智能等手段,， 建立了從行駛環(huán)境到駕駛動作的直接映射過程,，具體講是在認(rèn)知的范 疇內(nèi)試圖建立一種先進(jìn)的駕駛員模型以完成實(shí)際復(fù)雜駕駛過程，此外控制過程無需建立被控對象的數(shù)學(xué)模型,，具有較強(qiáng)的機(jī)動性和實(shí)時性,。
優(yōu)秀的汽車駕駛員應(yīng)具有過硬的汽車駕駛操作能力。不僅能夠及時察覺,、判斷車內(nèi)外環(huán)境的變化,，還能夠據(jù)此選擇正確的方位和反應(yīng)動作，從而有效地防止道路交通事故的發(fā)生,。具體到簡單場景(忽略道 ?路中的其他車輛)的轉(zhuǎn)向問題,，優(yōu)秀的駕駛員行為應(yīng)至少具備：
正確的視覺注意機(jī)制，駕駛員的駕駛動作大部分是基于環(huán)境對視網(wǎng)膜的刺激,，因此優(yōu)秀的駕駛員在轉(zhuǎn)向過程中視界應(yīng)趨向于某些習(xí)慣的固定區(qū)域,；根據(jù)環(huán)境對視網(wǎng)膜的刺激而采取的正確安全的操縱動作，某一固 ?定曲率的彎道必然對應(yīng)合適的方向盤轉(zhuǎn)角和打方向的時刻,，而優(yōu)秀的駕駛員則會通過合適地組合這二者的時序和大小達(dá)到理想的轉(zhuǎn)向效果,。
已有的基于人工智能的控制方法均需要較多的先驗(yàn)知識，且模型 ?參數(shù)難以在線自適應(yīng),，對環(huán)境的適應(yīng)性差,。近年來，利用增強(qiáng)學(xué)習(xí)來解決以上問題已經(jīng)成為一大趨勢。增強(qiáng)學(xué)習(xí)的基本原理是基于心理學(xué)的“試錯法”,，能夠在與環(huán)境的交互過程中根據(jù)評價性的反饋信號實(shí)現(xiàn)序貫決策的優(yōu)化,，從而可以解決某些監(jiān)督學(xué)習(xí)難以應(yīng)用的優(yōu)化控制問題網(wǎng)。,。但是,，如何去除“試錯法”中“同等初始條件的假設(shè)”一直是尚未得到解決的問題。同時對于復(fù)雜大系統(tǒng)的求解,，其算法收斂速度直接影響控制器的實(shí)時性,，因此 ?如何利用有限已知的信息提高學(xué)習(xí)算法的實(shí)時性也是當(dāng)前的一個研 究難點(diǎn)。
基于人工智能決策控制模型本質(zhì)上是模擬人腦對外界環(huán)境信息和車體本身信息的感知,，同時由駕駛經(jīng)驗(yàn)并同在線學(xué)習(xí)機(jī)制來獲得持續(xù)穩(wěn)定輸出的過程,。因此如何建立合適的駕駛過程模型成為認(rèn)知領(lǐng)域的一大難題。駕駛員行為的研究始于上世紀(jì) 50 年代,，通用汽車研發(fā)人員希望通過研究駕駛員的行為,，開發(fā)合理的輔助控制策略提高駕駛舒適性，降低交通事故率,。通過對駕駛員駕駛樣本數(shù)據(jù)的統(tǒng)計(jì)分析和系統(tǒng)辨識技術(shù),，建立基于某種場景的數(shù)學(xué)模型。
駕駛行為具有異常復(fù)雜的模型,，其分類方法也不盡相同,，一種分類方法將駕駛員模型分為：跟車模型、轉(zhuǎn)向模型,、駕駛負(fù)擔(dān)模型和安全模型等,。。跟車模型的研究起步相對較早,，研究人員先后提出了線性和非線性動力學(xué)模型,。、線性最優(yōu)模型,、神經(jīng)網(wǎng)絡(luò)和模糊邏輯模型等,。一般認(rèn)為駕駛員轉(zhuǎn)向模型研究的里程碑為 MACDAM的最優(yōu)預(yù)瞄模型，國內(nèi)學(xué)者郭孔輝也進(jìn)行了相應(yīng)的跟進(jìn)研究,，其研究思路基本上是基于車輛動力學(xué)和閉環(huán)操縱穩(wěn)定性的研究,，目的在于替代人類駕駛員從事專業(yè)且危險的汽車動力學(xué)測試工作，旨在對汽車設(shè)計(jì)過程進(jìn)行指導(dǎo),，并沒有涉及對無人駕駛車輛的轉(zhuǎn)向控制的直接研究,。據(jù)筆者的調(diào)研，到目前為止從學(xué)術(shù)界到工程界并沒有建立一個公認(rèn)的完善的轉(zhuǎn)向控制模型,。MACDAM和郭孔輝,。等提出的最優(yōu)預(yù)瞄理論并沒有考慮航向偏差對最優(yōu)預(yù)瞄模型的貢獻(xiàn)，且其最優(yōu)預(yù)瞄僅限于高速公路上具有光滑曲率的小曲率轉(zhuǎn)向模型，在交義路口這樣的城市工況下,，其理論顯然是不成立的。因此研究轉(zhuǎn)向過程中具有普適性的的駕駛員生理特性成為建立轉(zhuǎn)向駕駛模型的當(dāng)務(wù)之急,。M.F. LAND在文獻(xiàn)中提出駕駛員在轉(zhuǎn)向過程中視線總是集中在轉(zhuǎn)向內(nèi)側(cè)的道路邊緣的“TANGENTPOINT"(道路變向的點(diǎn)),。D.D. Salvucci在M.F.LAND基礎(chǔ)上提出了一種“兩點(diǎn)”轉(zhuǎn)向駕駛員模型，他指出駕駛員在轉(zhuǎn)向過程中注視前方一個遠(yuǎn)點(diǎn)和近點(diǎn),，利用近點(diǎn)保持汽車在路中問行駛,，利用遠(yuǎn)點(diǎn)補(bǔ)償前方的道路彎曲，實(shí)驗(yàn)結(jié)果顯示和駕駛員駕駛相近,。
盡管生理學(xué),、心理學(xué)在研究駕駛員轉(zhuǎn)向行為中取得了很多令人欣 慰的結(jié)果，卻極少有人將這些成果應(yīng)用到無人駕駛車輛技術(shù)中,。其原因主要是：前期研究的駕駛員轉(zhuǎn)向計(jì)算模型都是基于某些固定的場景,，獲得的駕駛員模型適應(yīng)能力較弱，距離工程應(yīng)用還有一定的距離,；駕駛員模型的研究始于車輛工程領(lǐng)域,，其目的多是為了研究汽車 閉環(huán)操縱穩(wěn)定性以及汽車動力學(xué)優(yōu)化設(shè)計(jì)等。
評論
已有條評論