無人駕駛車輛智能控制技術發展

錢玉寶，余米森*，郭旭濤，黃華寶，李世震

(1.長江大學機械工程學院，荊州 434023；2.長江大學新能源特車研究所，荊州 434023)

對無人駕駛的研究可追溯至20世紀七八十年代，在人工智能(artificial intelligence,AI)技術的助力下無人駕駛技術正在闊步向前。將人工智能、智能控制、環境感知、電子計算機等技術融合，涉及深度學習、云端芯片、高精地圖、5G通信等前沿熱點的無人駕駛技術被美國列為國家層面的技術項目。

在2020年的國民經濟和社會發展統計公報[1]中顯示，年末中國民用汽車保有量為28 087萬輛，同比增長1 937萬輛；可預見未來中國汽車保有量仍將呈遞增的趨勢。現借助CiteSpace的文獻可視化功能，分析無人駕駛車輛控制技術中外發展現狀，介紹智能控制相關技術在無人駕駛車輛控制當中的應用，論述線控技術、跟蹤控制精度等無人駕駛關鍵技術。最后總結當前無人駕駛車輛在智能控制技術方面存在的不足，并預測無人駕駛車輛在智能控制技術方面的研究方向。

1 車輛控制技術的發展歷程

車輛控制技術是汽車性能實現的重要保障；電控系統在汽車上隨處可見，大到對發動機動力總成的控制，小到對轉向燈的控制。

1.1 無人駕駛&智能控制

無人駕駛作為汽車產業的一個重要里程碑，其自動化程度可從完全由人駕駛到完全自動駕駛不等，汽車工程師協會(Society of Automotive Engineers, SAE)在J3016標準[2]中引入L0～L5 6個等級來對汽車的自動化程度進行劃分。

Waymo公司自動駕駛研究計劃始于2009年4月[3]，隨后Uber[4]、Toyota[5]、Tesla[6]、Mercedes Benz[7]、Ford[8]、Bosch[9]等公司也陸續開始進軍自動駕駛。文獻[10]詳細地羅列出了截至2020年由學術界和科技公司開發的自動駕駛研究平臺，簡表如表1所示。

表1 無人駕駛研發平臺及其合作伙伴[10]

人工智能的誕生意味著科學技術的發展進入到認識人自身的發展階段。結合人工智能等發展起來的無人駕駛技術是迄今為止最具顛覆性的技術之一。李德毅等[11]提出無人駕駛汽車應當要有在線學習及預測控制等能力的“駕駛腦”。Saridis在智能控制二元論概念的基礎上加入運籌學，提出三元論概念[12]，即

IC=AI∩AC∩OR

(1)

式(1)中：IC為Intelligent Control；AI為Artificial Intelligence；AC為Automatic Control；OR為Operational Research。

在一些復雜的控制問題中，僅用傳統控制難以解決，隨著高度綜合與集成多個學科的智能控制技術的出現，傳統控制或新興領域中的一些疑難雜癥得到了較好的解決。如非線性、多變量和不確定性的無人飛行器就是智能控制發揮潛力的重要領域。

1.2 國內技術發展

1980年由哈爾濱工業大學、國防科技大學等聯合承擔的“遙控駕駛防核化偵察車”是中國自動駕駛技術研發的開端。在分析國內車輛控制技術時，以CNKI數據庫為文獻來源，以“車輛控制”為主題檢索國內2000年1月1日—2021年3月25日期間內發表的文獻，并在結果中以“無人駕駛、自動駕駛、智能控制、控制策略”等為子主題，在汽車工業、自動化技術、計算機軟件及應用這三個學科領域內進行二次檢索。檢索文獻分析結果如圖1所示。

從可視化分析圖(圖1)可知，雖然檢索的是國內近20年的文獻，但結果表明國內對無人駕駛車輛控制技術的研究主要是從2014年開始，總體上呈現遞增的趨勢，正好和國內近10年對無人駕駛技術研發熱度的升溫相互印證。對檢索文獻的作者進行分析，得出作者合作網絡關系圖(圖2)。由圖2可看出，目前無人駕駛車輛控制技術的研發陣地主要在高校，且研究者們主要是以同校課題組或校企合作研發為主。

圖1 文獻可視化分析

數字表示作者總發文量

中國將自動駕駛各階段的發展目標及傳統汽車自動化研發和產業化發展規劃提上了日程[13]。國內各大主機廠對無人駕駛車輛控制技術的發展相對保守，主要是基于對傳統汽車電控系統控制策略的優化以及研發智能駕駛輔助控制系統。相對而言，互聯網科技公司以及自動駕駛創業公司則采用較為激進的方式，如Apollo自動駕駛開源研發平臺。

1.3 國外技術發展

1977年誕生于日本Tsukuba實驗室的自主駕駛汽車是最早實現自動駕駛的車輛[14]。2004年，美國國防部高級研究計劃局(Defense Advanced Research Projects Agency，DARPA)在莫哈韋沙漠組織的自動駕駛挑戰賽加速了該領域相關技術的發展。

在分析技術發展時，以全球最大數據庫Web of Science(WoS)為數據來源，采用TS=(“autonomous vehicle*” and intelligent control)檢索式，檢索了Core Collection中2000年1月1日—2021年3月27日期間發表的文獻。

借助CiteSpace以“Country、Author”為對象進行分析，得出可視化結果如圖3和圖4所示。圖3和圖4中標記了在自動駕駛車輛控制領域發文量前三的國家，分別是美國、中國和西班牙；發文較多的三位作者分別是MILANES V、TALEBPOUR A和NARANJO J E。其余部分為在可視化結果中不再具體顯示作者姓名隨用ANONYMOUS(匿名的)做注釋。

圖3 國家發文量分布視圖

圖4 作者發文量可視化圖

對文獻數據做“Title”聚類視圖和“Keyword”分析視圖，結果分別如圖5和圖6所示；由圖5和圖6可知，國外對無人駕駛車輛控制的研究主要集中在對單車智能的控制，單車及車隊自適應巡航控制以及車輛動力學模型的優化等。例如，在智能交通的發展策略上，美國選擇的是走單車智能的道路，原因其一是就美國5G技術尚未大規模鋪開，其二是美國對單車智能的研發處領先位置。在對傳統車輛動力性及橫向控制方法等的研究基礎上，借助fuzzy logic(模糊邏輯)、simulation(仿真)等方法，產生了fuzzy control(模糊控制)、model predictive control(模型預測控制)等控制算法用于對intelligent vehicle(智能車輛)的優化控制，作為汽車工業發展永恒性主題之一的safety在視圖中亦有所體現。

圖5 WoS文獻關鍵詞聚類可視化視圖

圖6 WoS文獻關鍵詞可視化視圖

以“Reference、Cited Author”為分析對象得出文獻相關性以及作者共被引可視化視圖(圖7)。由圖7可知，TALEBPOUR A與JIA DY、WANG M與CHEN X等作者的文章共被引關系較為密切。

圖7 文獻相關性以及作者共被引視圖

2 智能控制在無人駕駛中的應用

隨著車載芯片算力的加強，先進的控制理論與方法以及深度學習在實車上的應用成為可能。有關深度學習和機器學習的知識可參考文獻[15-17]。下面將以智能化比例積分微分(proportion integration differentiation, PID)控制及模糊邏輯優化控制等先進控制方法為例，論述其在無人駕駛汽車控制應用中取得的最新進展。

2.1 改進型PID控制的應用

PID控制，即比例-積分-微分(proportional-integral-derivative, PID)，其由P(比例單元)、I(積分單元)、D(微分單元)構成，控制效果主要受比例積分(proportion integration,PI)參數的影響，例如，采用PID對車輛進行縱向控制時，節氣門開度在P參數的控制下，車輛可以快速地達到決策規劃系統給出的期望速度，I參數可以消除系統的穩態誤差使得實車速度無限的逼近期望速度，而D參數用來抑制PI控制中的超調問題[18]。

為了消除傳統PID控制的局限性，改進型或者說是智能PID控制[19]應運而生。為適應自動駕駛車輛巡航控制的要求，在以往的研究中引入了PID控制器來讓車輛在行駛的過程中可以自行調節；如采用速度控制和距離控制兩種穩態操作模式的自適應巡航控制系統(adaptive cruise control，ACC)，其下層控制器可以采用PID對節氣門和制動執行器的輸入量進行調節來實現“自主”控制。

雖然傳統自動駕駛汽車比純電動和混動自動駕駛汽車的應用面要窄，無人駕駛技術的研發也大都是基于純電動實車平臺，但傳統燃油汽車仍然是當前的主流用戶。針對傳統自動駕駛汽車的能量管理更難及節能的問題，Phan等[20-21]利用道路需求模型和智能系統構建了一種能量管理系統，該系統依據車輛對道路功率的需求，通過智能PID對加速踏板角度的調節來控制發動機空燃比。

若采用傳統PID控制策略來控制制動系統的輪缸壓力，制動系統的響應及穩定性無法滿足車輛制動性能對制動系統的要求，通過大量實踐衍生出了許多改進型控制算法來對PID參數進行整定[22-23]。

Chen等[24]提出了一種用于自動駕駛車輛的智能安全駕駛系統(intelligent safe driving system，ISDS)，該系統分別采用高層控制器來負責決策，低層控制器來負責運動控制的分層控制結構；在低層控制器中，橫向運動控制采用雙模型預測控制，縱向運動控制則采用帶逆模型的PID反饋控制。文獻[25]針對駕駛員模型無法體現駕駛操縱熟練程度的缺點，采用基于遺傳算法的模糊PID控制對駕駛員模型的方向、速度以及兩者的綜合進行駕駛員熟練度模擬控制，以提高參數的適應性。

為了充分利用輪胎與路面之前的附著系數φ，提升汽車的動力性以及防止驅動輪滑轉；文獻[26]提出利用人工魚群算法來優化車輛防滑的PID神經網絡控制參數的方法，并給出了具體的優化步驟。就四輪轉向的控制參數優化問題，文獻[27]基于人群搜索算法[28]優化了四輪轉向PID控制參數。

針對輔助動力單元(auxiliary power unit，APU)在啟動時會產生扭轉振動的問題，文獻[29]憑借非線性狀態方程設計了一種PID控制策略來抑制對系統進行主動控制時APU產生的扭轉振動。針對傳統BP神經網絡在學習過程中學習率選取過大會導致振蕩的問題，文獻[30]提出一種新的前饋(back propagation, BP)神經網絡PID參數自適應算法。為解決底盤測功機系統用增量式PID控制易出現積分飽和的問題，文獻[31]提出了一種面向汽車底盤測功機的BP+RNN(recurrent neural network, 循環神經網絡)變速積分PID控制系統。

Naranjo等[32]提出了一種新的全局誤差函數，該函數可使用啟發式優化方法進行PID整定，并采用遺傳算法(genetic algorithm, GA)、模因算法(memes algorithm, MA)和網格自適應直接搜索(mesh adaptive direct search, MADS)三種黑箱算法進行優化。

在已知模型下對PID參數進行整定可得到較好的控制效果，用PID進行縱向控制在無人駕駛車輛運動控制方面應用最為廣泛。若模型未知或系統參數時變，PID控制參數整定往往只能結合經驗試湊，工作量極大，且不能對外部干擾輸入進行針對性、有效性的補償。

2.2 基于模糊理論控制的應用

自1965年Zadeh L A創立了模糊集理論[33]和1974年Mamdani E H將模糊邏輯運用在對蒸汽發動機的壓力和速度的控制以來，模糊控制開始廣泛發展并成功的轉化為量產化適用技術，尤其是在家用電器中應用廣泛。

模糊控制理論的出現標志著人工智能發展到一個新的階段。對于時變非線性復雜系統，如對電控液壓制動(electro-hydraulic brake, EHB)中液壓力的控制，其制動力需實時可調；所以當被控對象的清晰數學模型無法或很難獲得的情況下可選擇模糊控制器來得到有效的系統響應[34]。Zhang等[35]根據無人駕駛車輛的橫向位置和姿態角的實時偏差，設計了一種基于模糊控制算法的反饋控制器來提升橫向控制精度。

基于模糊邏輯，文獻[36]提出一種面向汽車轉向、剎車和油門等底層執行器的控制模式。為獲得智能車輛主動底盤側向穩定性；文獻[37]提出一種主動前輪轉向和附加橫擺力矩的非線性模型預測控制方法，并采用輪胎側滑角來表示車輛的橫向穩定性，有效地解決了制動器及輪胎-路面力的非線性特性。

文獻[38]基于車輛二自由度單軌動力學模型，考慮實際交通場景中的車輛狀況并總結熟練駕駛員的操作經驗，利用模糊控制理論設計了橫向模糊控制器。單軌動力學模型如圖8所示。汽車行駛時輪胎側偏會影響對運動目標的實時跟蹤，就此問題文獻[39]采用車輛非線性動力學三自由度汽車模型，設計了多級模糊控制目標跟蹤算法。

êx、êy分別為x、y方向的單元向量；pf和pr分別為前后輪同路面的接觸點；θ、δ分別為車輛的朝向角和轉向盤轉角；l為汽車軸距；分別為汽車后、前輪在路面接觸點處的速度

在汽車安全與完整性水平(automotive safety integrity level，ASIL)評估方面，文獻[40]提出了一種數值量化的方法，該方法還借助模糊控制理論對風險評估步驟進行細分。為減少商用長途汽車司機的職業傷害，Taghavifar等[41]建立了6-DOF(6自由度)耦合的人體和座椅懸架系統，并基于一種新的學習速率梯度下降的神經網絡逼近器算法和自適應間接型模糊神經網絡控制器進行耦合，使得控制器收斂于不確定模型的理想參數。

Ma等[42]提出一種可適用各種自動駕駛等級的微觀車輛引導模型，其模型的第一部分是依據自動化程度的不同來調整傳統微觀汽車的跟隨模型；第二部分是一個模糊控制模型，描述了自動駕駛汽車如何依據乘車人想要達到的車速來控制加速踏板的角度；并通過模擬數據與實際駕駛員的測試數據對比得出該駕駛模型可較準確地再現參與者的行為。

Huang等[43]提出了一種基于現場可編程門陣列(field programmable gate array，FPGA)的全機械式自動駕駛輪式車輛的機電設計及實時模糊控制與計算智能優化的方法；利用布谷鳥搜索(cuckoo search，CS)的優點，提出一種基于進化CS的模糊系統——CS-fuzzy，并利用CS的計算智能對模糊系統結構進行優化。

模糊理論的本質作用就是把不能量化的參數“量化”它，基于模糊理論的控制算法的建立不依賴于精確的數學模型，常用于解決時變非線性復雜，系統模型難以獲得的控制問題；由于控制精度難以估量，所以該控制方法不適用于在高速等極限工況下自動駕駛汽車對控制系統高精度的需求。

2.3 其他智能控制技術的應用

智能控制在日常生產生活、科研實驗也應用普遍，如用于三高(高風險、高轉速、高難度)的直升機風洞動態實驗[44]。針對質子交換膜(proton exchange membrane，PEM)燃料電池自主供氣的特點，文獻[45]研究了包括PID控制、模糊控制、模型預測控制在內的控制邏輯和策略。

行駛在高速工況下的車輛，輪胎有可能發生駐波現象[46]，針對這一問題，文獻[47-49]分別采用了約束H∞控制方法和魯棒非線性控制方法對轉向及制動子系統的協調來實現對汽車的方向穩定性和軌跡跟蹤控制。為了提升對無人駕駛車輛橫向運動的控制性能，文獻[50]提出一種神經網絡滑膜控制策略。

遷移學習[51]是機器學習中最前沿的研究領域，通俗來講就是運用已學到的知識來學習新知識，Udacity開源了一個可從模擬中學習的無人駕駛汽車工程教學模擬器[52]。通過迭代學習的思想，借助前一次或幾次的跟蹤誤差來修正系統當前迭代次數的控制輸入來設計控制器，是解決一些重復運動系統中跟蹤控制問題的有效方法。文獻[53]基于迭代學習設計了一種純電動汽車ACC驅動和制動控制算法。

文獻[54]綜述了海洋機器人運載器中的基于模糊邏輯的制導與控制。針對水下自動潛航器因外界測量噪聲等對路徑跟蹤的干擾，Zendehdel等[55]設計了一種監督式兩級控制器，即采用反饋線性化技術進行線性化處理，然后描繪出模糊PID跟蹤控制律。Liao等[56]總結了水面無人車(unmanned surface vehicle，USV)在不同階段的動態特性，提出一種改進型自適應模糊PID控制策略來解決USV的控制問題。

3 無人駕駛車輛控制的關鍵技術

把智能控制新技術融入無人駕駛車輛控制系統的決策、執行等核心環節，以提高系統的安全、節能、環保等性能是汽車控制的目標[57]。下面就無人駕駛車輛中線控技術的優化、車輛跟蹤精度的控制以及人機協同控制三個關鍵控制技術展開論述。

3.1 線控技術的優化

線控底盤好比是駕駛員的手和腳，應當大力發展汽車線控技術[58]，線控油門/轉向/制動等技術的突破將會極大地把汽車向智能化方向推進。有關汽車線控轉向技術的發展概況及線控轉向系統的典型布置方案可參考文獻[59]。

3.1.1 線控轉向控制策略

高度電子化和智能化的線控轉向(Steering-by-wire，SBW)是轉向系統新產物，SBW可根據不同的行駛工況獲得更有利于駕駛的變角傳動比[60]，相比于傳統機械式轉向系統，SBW的響應速度和準確性都有較大提升，人參與駕駛的程度也進一步降低，是實現無人駕駛的關鍵技術[61-62]。SBW的主要結構如圖9所示，其中ECU為電控單元。

圖9 線控轉向系統結構[60]

為了提升車輛轉向時的操縱穩定性，文獻[63]借助分數階PID理論設計了一種SBW主動控制方法。余卓平等[64]針對配備SBW系統的車輛在轉向時對轉向輪轉角的控制存在非線性和不確定性的問題，設計了一種前饋+抗積分飽和的控制方法來獲得理想的輪轉角，并借助Lyapunov函數證明SBW系統的漸進穩定性。

在自動駕駛線控系統的軟件開發方面，Arango等[65]介紹了一種基于機器人操作系統(robot operat-ing system，ROS)的高魯棒性自動駕駛線控系統開發過程，為自動駕駛電動汽車設計了一種開源底盤；該系統由一個線控轉向模塊和一個線控節氣門模塊組成，這些模塊允許控制單元通過本地網絡發送車輪線速度和曲率的命令來控制車輛。

為提高SBW系統對轉向輪轉角的跟蹤能力，針對傳統滑模控制(sliding mode control，SMC)設計時需要預先獲取系統的擾動量，文獻[66]提出一種自適應模糊滑膜控制(adaptive fuzzy sliding mode control, AFSMC)方法，該方法可通過在線模糊自適應系統實時估計系統擾動量。文獻[67]針對一種直驅式SBW系統構型，提出基于徑向基神經網絡滑模控制(radial basis function sliding mode control, RBFSMC)的車輪轉角控制方法，即先采用RBF對系統的不確定性和電機力矩擾動進行實時估計，再結合傳統的SMC設計車輪轉角控制器以提高轉角控制的自適應性和穩定性。

3.1.2 線控制動控制策略

線控制動(brake-by-wire，BBW)系統[68]，又稱機電制動系統，可對每個車輪施加制動力矩。制動作為汽車主動安全性的重要保障，BBW也是智能汽車的關鍵技術之一。就EHB系統而言，對制動力控制的關鍵是對液壓力的精確控制[69]，而液壓力調節的關鍵在液壓力控制算法，控制算法的優劣是EHB精確且快速地對液壓力進行調節及與整車良好匹配的關鍵所在。

集成式線控液壓制動(integration electro-hydraulic brake, IEHB)也是制動系統的發展趨勢；但電動主缸的引入增強了系統的非線性，從而致使IEHB對輪缸液壓力的精確控制難以實現，針對此問題文獻[70]采用非線性魯棒補償RBF網絡的控制策略對電動主缸進行控制。

基于汽車線控技術發展而來的EHB系統，其主動制動相比于防抱死制動系統(antilock braking system, ABS)及依靠差動制動來實現車身穩定性控制的電子穩定程序(electronic stability program, ESP)具有更強的主動制動能力，非常適合無人駕駛汽車。文獻[71]提出一種串聯式制動系統，即EHB&ESP協調制動，既可保證硬件冗余又可實現分時獨立工作。針對線控制動過程中壓力跟隨精度不高的問題，文獻[72]建立了基于電子穩定控制系統(electronic stability controller，ESC)的線控制動模型，并設計了一種邏輯門限控制與模糊控制聯合的復合控制策略，基于ESC的BBW系統結構如圖10所示。

圖10 線控制動系統結構[72]

為獲得滿意的性能和控制效果，在硬件改進方面Wang等[73]設計了可安裝在EHB系統上的新型電動助力器來實現主動制動控制的同時為制動助力。針對路面自適應性和控制器魯棒性問題，文獻[74]以液壓調控的BBW系統為基礎，提出上層采用計算機視覺，下層引入SMC理論的雙層制動系統結構，即下層對路面類型進行識別，依據識別結果制定當前路面的最佳滑移率；下層則針對制動參數不確定性問題，對制動過程中的最佳滑移率進行跟蹤控制。

汽車在制動時，車內乘客的乘坐舒適性也是制動系統設計所要考慮的因素，在未來的智能車輛中尤其體現。針對配備了BBW系統的車輛，文獻[75]提出一套完整的控制方案來保證車輛制動時車內乘客的乘坐舒適性。有關智能互聯電動汽車(electric vehicles, EVs)BBW系統發展趨勢和關鍵技術可參考文獻[76]。

在線控系統魯棒性能夠得到保障的前提下，優化線控系統的自適應性，線控技術替代純機械控制將極大地提升傳統車輛的自動化程度。

3.2 控制精度優化

無人駕駛車輛的運動控制問題可分為路徑跟蹤&軌跡跟蹤控制，兩者的區別在于路徑跟蹤中的參考路徑與時間參數無關，而軌跡跟蹤中的參考軌跡是依賴于時間參數的函數。熊璐等[77]分別從縱向運動控制、路徑跟蹤及軌跡跟蹤控制三個方面論述了無人駕駛車輛的運動控制所用的方法。下面主要針對路徑&軌跡跟蹤控制的精度問題對現有的解決方法做較為詳細的論述。

作為無人駕駛車輛運動控制的核心[78]，路徑跟蹤控制基本目的是使車輛可沿著事先規劃好的路徑安全抵達路徑終點；即通過控制車輛的縱向車速及轉向輪轉角來跟蹤目標路徑，在保證車輛穩定行駛的基礎上使車輛與目標路徑之間的橫向距離及方向偏差最小化[79-81]。

以基于幾何學模型的純追蹤算法(pure tracking)為例，其為依據前視距離來計算期望轉向角的橫向控制算法[82]，基本原理是控制車輛的轉向半徑R，使車輛后軸中心控制點沿圓弧達到前視距離為L的參考目標點，然后基于Ackerman轉向模型計算得到控制所需前輪轉向角δf。圖11為純追蹤控制器的幾何模型，藍色的圓為適合后輪運動的軌跡，棕色的為參考路徑，綠色的弦長是向前看的距離L。

圖11 純追蹤控制器幾何模型[82]

依據幾何關系：

(2)

可得車輛的轉向半徑R和轉向曲率ρ分別為

(3)

(4)

基于Ackerman轉向和需求轉向半徑R可得橫向控制核心參數、前輪轉角δf的控制律為

(5)

式中：l為汽車軸距；α為車輛中心平面與前視矢量的夾角。

基于幾何學模型的純追蹤算法簡單實用，但未考慮車輛的動力學特性和轉向執行器的動態特性，系統模型與高速工況下的實際車輛特性相差較大，跟蹤精度難以保證，所以純追蹤算法適用于低速和小側向加速度下的跟蹤控制，如自動泊車系統中對車輛的橫向控制[83]等。

陳龍等[84]就極限工況下的跟蹤控制精度和穩定性皆得不到保證的問題，提出可對橫&縱向穩定性進行協調控制的方法。劉凱等[85]就高速行駛工況下車輛路徑規劃與跟蹤控制問題運用模型預測控制(model predictive control，MPC)來求解最優控制軌跡及跟蹤控制序列來保證精度，但受限于車載芯片的算力，求解難以保證實時性。高速行駛在低附著系數且復雜的路面時，為了保證車輛的跟蹤精度和行駛穩定性，文獻[85]加入側偏角軟約束來保證精度。

針對自動駕駛車輛跟蹤精度與行駛穩定性之間互相矛盾的問題，文獻[86]在MPC路徑跟蹤控制理論的基礎上進行優化，依據駕駛員的經驗來設計模糊控制器，使控制器中成本函數的權重系數可根據跟蹤偏差和道路曲率的變化來自行調整。文獻[87-88]分別提出帶避撞約束方程的換道軌跡模型和基于行人軌跡預測的主動避撞算法；而針對無人駕駛車輛避撞時容易出現控制精度低、實時性差等問題，Cao等[89]研究了一種考慮轉彎特性的無人駕駛汽車軌跡跟蹤控制算法。

文獻[90]提出一種SBW執行層基于PID控制的路徑跟蹤控制策略來提升在線控轉向系統控制下的橫向跟蹤精度，邏輯框圖如圖12所示。SBW執行層在執行決策規劃系統下達的指令時，由于車輛在運動過程中模型的不確定性、感知誤差、障礙物及交通環境中其他不確定性與隨機性而產生跟蹤誤差，就此問題，文獻[91]重點研究了閉環控制系統的魯棒性和穩定性以提升系統的控制精度。

u為車輛沿x軸方向的速度；β為車輛質心側偏角；Δf為側向偏差；wr為車輛橫擺角速度；tp為時間；為理想前輪轉角；為理想方向盤轉角；方向盤轉角的穩態增益；K為車輛穩定性系數；I為方向盤轉角與前輪轉角的比值；L為汽車軸距；Yb為修正系數；Tlz、Trz分別為左右輪回正力矩；Tm為轉向執行點擊電磁轉矩；θm為轉向執行電機轉角；U為轉向執行電機兩端電壓

以獨立驅動電動汽車(independently drive electric vehicles, IDEV)的特性為基礎，Guo等[92]基于分層策略來提升跟蹤精度，即上層控制器采用MPC來跟蹤目標軌跡，中層控制器采用模糊理論優化PI控制器參數，并基于SMC產生附加的偏航控制力矩，下層控制器根據車輪的穩定性和附著情況將扭矩分配給各個車輪，但隨著算法復雜度的增加，控制參數的實時性難以得到保證。文獻[93]設計了低速工況下采用PID，高速工況下采用MPC的方法來對路徑進行跟蹤控制的混合控制策略。

針對隨機網絡延遲嚴重降低車輛控制系統穩定性和軌跡跟蹤精度的問題，文獻[94]基于MPC的多目標ACC算法，提出一種在線快速計算解決方案，但對芯片的算力要求較高。中國科技大學建立了自己的智能小車自動駕駛系統Sonic，并針對自動駕駛的實時性問題，提出一種新的計算優化框架MPInfer[95]。考慮因隨機網絡延遲而引起的轉向角振蕩，Luan等[96]綜合考慮控制系統精度、魯棒性和MPC滾動優化中的計算效率，提出面向不確定模型的UM-AMPC(自適應模型預測控制)算法，借助硬件在環仿真證明了該算法能有效保證隨機網絡延遲時系統的穩定性及跟蹤精度。

在自動泊車技術方面，針對當前泊車算法的遲滯性和精度達不到期望值的問題，文獻[97]設計了一種基于駕駛員經驗的自動泊車規劃算法；而文獻[98]則針對低速泊車時車速不穩定使得路徑跟蹤精度不高的問題，提出一種反演滑模自適應控制策略。為提高車輛智能循跡控制精度；文獻[99]提出一種模糊神經網絡控制(fuzzy neural network control, FNNC)+神經網絡預測(neural network prediction, NNP)的策略。文獻[100]則設計了可避免傳統反步法中“微分爆炸”現象的一種自適應神經網絡動態面控制算法。

3.3 人機協同控制

自動駕駛是一項典型的“智能”技術，但它非天生聰明[101]。文獻[102]提出必須保持對自動駕駛汽車的控制，自動駕駛不是，也不應該沒有人類操作員。如何協調人機混合駕駛決策自動控制系統和人類駕駛員的權重，即實現人機協同共駕；胡云峰等[103]對智能汽車人機協同控制作出6個展望。

隨著5G通信基礎設施的布局，車聯萬物V2X(vehicle to everything)的概念轉化現實成為可能。車-車互聯V2V(vehicle to vehicle)，車與基礎設施互聯V2I(vehicle to infrastructure)，車與行人互聯V2P(vehicle to pedestrian)等也是當前智能車路系統領域的熱門研究方向。文獻[104]應用反步法(Backstepping)和Lyapunov(李雅普諾夫)穩定性理論設計了一種可對匯入車隊的無人駕駛車輛的行駛軌跡進行跟蹤的控制器，并分析了多車協同狀態的穩定性。文獻[105]就共享智能汽車的技術、法律和管理等提出集車輛、技術、出行“三位一體”的合作模式。文獻[106]提出“五位一體”新一代智慧公路發展概念。

4 結論與展望

概述了無人駕駛車輛智能控制技術的發展現狀，得到如下結論與展望。

(1)通過文獻可視化分析可知，國內對無人駕駛車輛控制技術的研究始于2014年，而國外則始于2009年；國內對無人駕駛車輛控制硬件的基礎研究較為薄弱，主要是集中在對控制算法的模擬仿真，對實車的測試也較少。

(2)針對基于精確數學模型構建的控制算法復雜，計算量大，導致難以保證控制實時性，而依據簡單數學模型構建的算法又難以適應高精度控制需求的問題，可借助深度學習來訓練模型，以尋求最優控制策略，即可簡化控制模型又可提升控制精度。

(3)線控技術是高度電子化和智能化的產物，也是實現L5級自動駕駛的關鍵技術；線控制動為線控技術中的難點，由于汽車的制動是一種強非線性過程，如何在制動能力冗余的同時保證制動系統的穩定性，及優化制動控制策略等需要進一步研究。

(4)開展包含極限工況在內的全工況車輛路徑跟蹤控制精度與穩定性研究迫在眉睫；借助5G技術，應用非線性控制理論與算法簡化構建閉環智能控制理論是實現精確控制的一個可行方法。

(5)在人車協同、車車協同方面可借助遷移學習等機器學習算法來優化駕駛環境，在車路協同方面可用磁流變材料等新型智能材料來優化無人駕駛車輛的行駛環境。