無人地面車輛機械安全理論原理研究

福州大學至誠學院 劉 鑫

1.引言

無人地面車輛是通過一系列電腦操作系統來控制的智能汽車。一直以來，由于其能避免大量的交通事故得到了大力推崇與支持，早在上個世紀就有關于無人地面車輛的理論和研究出現，其發展至今已有近百年的歷史。全球首個無人駕駛汽車制定法規的地方在美國的加利福尼亞。2015年12月，加利福尼亞機動車輛管理局（DMV）就指出要求所有無人地面駕駛車輛在試驗過程中必須有駕駛員在車內，以便于在突發情況下便于駕駛員接手。然而，自從無人地面車輛開始現身市場后，引發的安全問題也逐漸凸顯。2016年，特斯拉汽車公司生產的自動駕駛轎車發生事故導致司機身亡—這是首例汽車自動駕駛致死的交通事故。2018年3月18日Uber的一輛無人地面車輛在亞利桑那州發生交通事故，導致一名行人死亡—這是首例無人地面車輛導致行人死亡事故。這些事故引發了民眾關于自動駕駛技術的新爭論[1,2]。

自動駕駛車輛的技術實際上是由人工智能計算、視覺模擬計算、雷達、傳感器設備和全球定位系統協組成的。但是由于系統組成上存在方方面面的缺陷，如傳感性能不足、系統漏洞等原因，導致自動駕駛車輛不可靠。若要提高地面無人車輛可靠性，就應該從地面控制系統、傳感系統和交通設施等方面進行深入的分析和研究。

2.無人地面車輛控制系統研究

2.1 PID控制

Cremean等[3]以前方道路曲率變化為基礎，設計了PID反饋控制+前饋控制的無人汽車輛運動控制器。Netto等[4]提出了動態特性反饋的PID橫向算法。孫振平等人[4]提出了單點預瞄設計的PID控制器，實現了對無人駕駛車輛的控制。PID控制算法簡單可靠，實現難度小，具有較好的魯棒性，能夠使車輛的橫向和縱向控制得以實現。但對于較為復雜的狀況，如要同時對車輛要求完成橫向和縱向任務時，PID算法的實施效果就變得不夠精確。為了提高精確性，建議PID中的參數設置需根據不同路況加入非線性調整，同時對參數與車輛之間的匹配試驗也需要做大量的工作。

2.2 神經網絡控制

隨著對神經網絡認識的加深，車輛工程師正嘗試把神經網絡和模糊理論用來構建無人駕駛車輛的控制系統，通過拓撲網絡結構構件基于神經網絡的駕駛員，利用人類駕駛員的動作作為模型的訓練樣本，這種方式的控制效果不佳，通用性低。為了解決這一缺點，研究者又開始將車輛動力學和神經網絡雜合在一起對模型進行建立，這種方法把穩定性、失穩特征、跟隨誤差作為目標函數對模型進行不斷的訓練，這種方法和人類駕駛員駕駛方法類似，具有一定適應性[5]。

2.3 最優控制

王榮本等[6]人研究了自動車輛橫向控制最有問題，設計了最優化控制器。馬瑩[7]等人提出了時間最優化預瞄的無人駕駛車輛控制算法，假定目標范圍內的車輛所在道路的曲率沒有變化，則設計的控制器參數可以通過數學求解，實時控制無人車輛的行駛狀態。最優控制目前在國內一般是把無人駕駛車輛進行簡化，在沒有外部干擾的條件下，最優控制的精確度較高。

3.無人地面車輛傳感器研究

自動機械汽車工程師首要考慮的是識別進入行駛路段的人/車的方法。這種情況其實并不少見，例如前方突然停下來的汽車、突然串入道路的一只羊、過路的行人。工程師們在設計自動駕駛系統時一定需要保證汽車能盡早捕捉到前方有阻擋物的信號，以確保汽車能及時地采取適當措施，通過減速、迂回甚至及時停車的方式來避讓開路障。

3.1 頂部激光雷達

激光雷達系統是位于汽車頂部的桶狀物體，它能以每秒多次的速度生成汽車周圍的3D成像。盡管惡劣的天氣、遙遠的距離在一定程度上會影響頂部激光雷達的準確性，但頂部激光雷達依舊是非常重要的成像工具，是每輛無人地面車輛上必備的設備。

3.2 前端雷達

前端雷達使用的不是激光而是無線電波。無線電波雷達更能抗環境干擾能力，但是在遇到雨雪時也會降低分辨率，并影響成像。根據部署的雷達數量不同，提供的距離像會存在差異。盡管雷達之間的成像會有大幅重疊，但對于偵測障礙物會更準確。

3.3 短焦和長焦光學相機

激光雷達和雷達可確定物體的形狀，但不能夠讀取標記，感應物體顏色。因此有了可見光相機，無人地面車輛上的這些相機密切關注標志著汽車剎車、交通燈的指示器等標記。尤其是在汽車前端設置相機可得到汽車前進道路的圖像。

4.無人地面車輛交通基礎設施

道路智能化是對無人地面車輛至關重要的。智能、互聯的道路基礎設施指的并不是簡單擺放在路面的的信號燈、路牌、交通指示標志，而是對現有的交通模式進行適當修改，讓智能道路為智能車輛服務，全面提升道路通信能力，通過建立車輛的物聯網系統，根據不同車輛的需求，為車輛提供車速引導、紅燈預警、車輛避讓、行人避讓、放置沖撞、惡劣天氣預報等各種實用性服務。