智能網聯汽車的運動規劃與主動安全控制

王 韜，孫 赫

（淄博職業學院a.人工智能與大數據學院；b.工商管理學院，山東 淄博 255300）

智能網聯汽車包括智能化和網聯化兩個層面，它涉及車輛、通信、交通等多領域技術。近年來，隨著研究工作的不斷深入，基于人工智能的網聯協同感知以及交通預測、行為決策、軌跡規劃、多車協同控制、主動安全控制的網聯協同決策與控制方法得到了很大發展，新技術、新應用層出不窮，有力地推動了智能網聯汽車的發展和進步。

1 智能網聯汽車的技術架構

智能網聯汽車具有通信、感知、決策、執行四大功能，其關鍵技術主要包括車輛、信息交互、基礎支撐關鍵技術。在車輛關鍵技術層面，主要包括環境感知、智能決策、控制執行、系統設計技術。智能網聯汽車的主要功能和技術架構分別如圖1 和圖2 所示[1]。

圖1 智能網聯汽車的功能

圖2 智能網聯汽車的技術架構

智能網聯汽車通過各種傳感器和信息融合技術獲取行駛環境和車輛狀態等信息，在此基礎上進行目標識別及其行為預測，進行車輛行為決策和軌跡規劃，實施運動控制。智能汽車在技術路線上目前主要有2 種方案：一種是以視覺傳感為主導的方案，該方案通過攝像頭進行環境感知，用于對物體的識別和追蹤以及對車輛的定位；另一種是以激光雷達為主導的方案，該方案通過激光雷達對障礙物進行檢測，借助激光雷達掃描的點云與高精度地圖的匹配實現車輛的定位[2]。2 種方案各有優點：前者價格較低，安裝方便，但容易受到極端天氣的影響；而后者檢測范圍廣，準確度較高，但價格較貴，且容易受到空氣中懸浮顆粒物的干擾。其發展方向是多傳感器及多路徑融合，利用高精度地圖直接獲得車輛附近的環境參數，利用車間通信實現車輛間的非環境感知識別，通過多種技術路徑融合，實現快速準確的環境識別，為后續的決策、規劃與控制奠定基礎。

2 智能網聯汽車的運動規劃

2.1 路徑規劃分類

智能駕駛路徑規劃主要包括全局路徑規劃和局部路徑規劃。全局路徑規劃是根據車輛當前位置，考慮距離、時間等條件，從路網中選擇一條從起點到終點的最優路線，該路線通常只包含路段信息。局部路徑規劃是根據車輛當前狀態、周圍障礙物以及期望的路徑，規劃出一條可行的軌跡，該軌跡通常包含時間、位置、航向、速度等信息。運動規劃即指局部路徑規劃。路徑規劃的總體要求是不要撞到障礙物，保證車輛自身的安全和可能遇到的車輛和行人等的安全，在此基礎上，再去追求車體平穩，乘坐舒適，路徑最短等。

2.2 全局路徑規劃

智能網聯汽車的全局路徑規劃是解決頂層導航問題的上層模塊。與傳統的導航服務不同，它依賴于為其定制的高精度地圖，是基于高精度地圖道路劃分的車道級路徑規劃。其功能是通過明確地跟隨一系列的車道來引導車輛由起點位置到達終點位置。它要計算從出發地到目的地所要經過的最佳車道序列，它僅給出所要經過的一系列道路在高精度地圖上的位置。

全局路徑規劃算法包括基于圖和基于采樣的路徑規劃算法兩類，其中以采用基于有向圖的經典算法Dijkstra 和A*為多。

2.3 局部路徑規劃（運動規劃）

智能網聯汽車的局部路徑規劃主要涉及動作決策和軌跡規劃。

動作決策依賴于交通預測，要基于對感知到的物體的識別及其行為軌跡預測，對智能車輛進行行為決策或行為規劃。行為決策從交通預測模塊和全局路徑規劃模塊獲得輸入，根據一定規則或模型做出有效和安全的決策，生成相應的決定車輛如何操作的命令集及伴隨參數。行為決策方法主要有基于規則的確定性決策方法，基于非確定性貝葉斯模型方法，有限狀態機方法等。基于馬爾可夫決策過程和部分可觀測馬爾可夫決策過程的貝葉斯模型在行為建模中被廣泛應用，而基于規則的方案在實踐中應用較多。圖3 為一種基于場景分層劃分及規則的行為決策系統體系結構[3]。

圖3 基于場景分層劃分及規則的行為決策系統體系結構

運動規劃的任務是生成一條軌跡，在生成軌跡時執行決策命令，并使下層反饋控制可以順利地執行。運動規劃是一個局部路徑優化問題，它可以形式化為有確定特性或約束的軌跡優化（規劃）問題，求解該規劃問題可得到車輛實際可執行的時空軌跡。規劃方法主要有：直角坐標下的人工勢場法、RRT 法、動態規劃法，基于道路SL 坐標將縱橫向解耦的規劃法[4，5]。

文獻[6]將規劃時空軌跡問題分為路徑規劃和速度規劃兩個問題進行處理。路徑規劃只解決在給定的行為決策輸出和代價函數定義下，在二維平面上計算軌跡形狀問題；速度規劃基于路徑規劃結果，解決車輛應如何跟蹤給定軌跡的問題。文獻[7]基于車道SL坐標系，既可以將運動規劃劃分為路徑規劃和速度規劃，也可以劃分為縱向規劃和橫向規劃，形成規劃軌跡。第1 種方法因對軌跡和速度進行單獨優化，故可能出現所選軌跡形狀不適合期望的速度曲線問題，因此它適合于城市低速駕駛場景的軌跡規劃；而第2 種方法在規劃軌跡形狀的同時也考慮了速度，故而更適合于高速公路等高速場景的軌跡規劃。

隨著人工智能的發展，基于增強學習的行為決策、運動規劃和軌跡生成方法越來越受歡迎，它是對基于最優化算法的必要補充和發展。增強學習是一個閉環學習過程，其特點是學習過程與環境互動，可以解決高度復雜多樣的交通場景中的規劃等問題。基于增強學習的規劃最常用的是Q-學習方法。另外，也有采用遞歸神經網絡解決特殊場景中的問題和應用基于監督學習的深度神經網絡建立端到端解決方案等[8]。

3 智能網聯汽車的主動安全控制

3.1 隊列協同控制

在智能汽車的決策、規劃與控制模塊中，反饋控制模塊的核心任務是：依據輸入的規劃好的軌跡點，計算得到操縱車輛驅動、制動以及轉向的線控信號，使實際的車輛路徑盡可能接近規劃的路徑。智能汽車的運動控制分為縱向控制和橫向控制兩部分。縱向控制目前常用的方法有滑模控制、模糊控制、模糊PID控制、模型預測控制等；橫向控制有基于航向預估的控制算法、基于滑模變結構的控制算法等。在車輛反饋控制中，比較典型和廣泛使用的是車輛自行車模型和PID 反饋控制系統，其控制目標是找到滿足車輛姿態約束的轉向角和前進速度。文獻[9]利用2 個PID控制器分別控制轉向盤轉角和前進速度，這是反饋控制最典型和最基本的實施做法。

車輛隊列行駛是指，沿道路同一方向的兩輛及以上的汽車，保持固定的車間距離和相同的速度，以隊列行進的方式行駛。車輛隊列協同控制的目的是，把道路上無序行駛的車輛進行編隊組合，將其作為整體進行控制，以提高道路通行效率和車輛行駛的安全性。

與單個車輛的控制方式類似，車輛隊列協同控制方式也包括車隊縱向控制和橫向控制兩部分。縱向控制要對隊列中的車輛的狀態進行統一控制，保證隊列行駛的安全性和穩定性；橫向控制要保證隊列中的車輛保持在同一車道行駛以及在需要變道行駛時，車輛隊列在不同車道之間統一換道和超車。車輛隊列縱向控制模型是車輛隊列協同控制的基本模型，而分散式控制是車輛隊列最為適用的控制方式[10，11]。分散式控制主要有車輛自適應巡航控制、車輛協同自適應巡航控制。車輛隊列控制系統要先作為駕駛輔助系統應用，駕駛員對車輛擁有最終控制權。車輛隊列控制系統組成如圖4 所示。

圖4 車輛隊列控制系統組成

文獻[12]提出了一種基于車間通信的車輛編隊控制改進方法。通過建立車輛的“自行車”運動模型，并結合跟隨領航者編隊算法，導出兩車間的誤差模型。在此基礎上，設計反饋線性控制器和不確定性參數條件下的自適應控制器，對跟隨車輛的橫向速度、縱向速度和航向角進行控制。該方法通過加入車間通信機制，可以準確獲得領航車輛的運動信息，能夠快速有效地完成車輛的編隊功能，并具有較強的抗干擾能力。其自適應反饋控制器控制框圖如圖5 所示。

圖5 自適應線性反饋控制器控制框圖

3.2 協同主動避撞控制

智能網聯汽車的車輛避撞系統與隊列控制系統應用范圍不同，其個體車輛并不局限于隊列行駛的狀態。車輛避撞系統是駕駛輔助系統的一個主要組成部分，其發展經歷了最初的僅利用本車所獲取的信息的車輛避撞系統（CA），到利用本車以及車車和車路通信所獲取的信息但僅靠單車制動的車輛協同避撞系統（CCA），再到目前的利用本車及車車和車路通信所獲取的信息并進行多車協同避撞的車輛協同主動避撞系統（CACA）。CACA 系統充分利用無線通信資源，可把車輛隊列中各個車輛的車間距實時協同分配，使多車之間協同完成安全車距保持。當某車不滿足避撞條件時，它在單車制動的同時，使前方車輛加速行駛一段時間，使該車滿足避撞條件，完成行進間車車協同避撞控制[13，14]。

文獻[15]針對車輛高速緊急工況下的主動避撞問題，提出了一種基于工況辨識的自適應避撞控制策略。它以實時交通環境信息與車輛狀態信息為基礎，把緊急工況避撞模式分為制動避撞、轉向避撞、協調避撞三種模式。對于制動避撞模式，設計了一種考慮路面附著條件和駕乘人員舒適度的縱向制動避撞策略；對于轉向操縱避撞模式，構建了基于多項式路徑規劃的避撞策略；對于制動和轉向協調避撞模式，設計了一種基于數據驅動的自學習協調控制策略。不同控制策略的期望輸出通過PID 下層控制器對期望值進行跟蹤來完成避撞。其緊急工況避撞模式分類如圖6 所示，自適應控制系統總體框架如圖7 所示。

圖6 緊急工況避撞模式分類

圖7 主動避撞自適應控制系統總體框架

模型預測控制（MPC）是利用預測模型預測未來的輸入、輸出偏差，通過在線有限時域滾動優化和反饋校正確定當前的最優控制目標值，具有較強的實時性、全局性和魯棒性。文獻[16]-[20]采用模型預測控制方法對智能車輛主動避撞控制問題進行了研究。其中文獻[16]提出了如圖8 所示的基于模型預測理論的分層避撞控制架構。它分為上層路徑規劃層和下層路徑跟蹤層：上層路徑規劃層根據傳感器獲取的障礙物相對位置信息和車輛運動狀態，采用人工勢場方法描述障礙物碰撞風險，并基于五次多項式規劃出局部避撞路徑；下層路徑跟蹤層以上層控制器規劃出的局部避撞路徑為參考，控制車輛轉向盤轉角，實現主動避撞功能。

圖8 智能車輛主動避撞控制架構

本研究搭建了Carsim/Matlab 聯合仿真平臺，對被控車輛在不同路面、不同車速情況下的避障路徑規劃和跟蹤效果進行了仿真。仿真結果表明，上層控制器能根據障礙物信息實時規劃局部避撞路徑，下層控制器能控制車輛平滑、穩定地跟蹤參考路徑，從而實現車輛的主動避撞功能。

4 結語

探討了智能網聯汽車的功能和技術架構，智能網聯汽車相關控制算法、全局路徑規劃和局部路徑規劃的主要方法及特點，智能網聯汽車隊列協同控制以及協同主動避撞控制原理、系統框架和先進控制技術，對不同方法進行了比較分析。

在交通預測方面應注重各種傳感器信息和網聯信息的綜合利用，提高預測效率和準確性。在行為決策和運動規劃方面，借助積累的有人及無人駕駛數據，基于增強學習的規劃與控制將會解決更多問題，增強學習可滲透到底層控制層的實際時空軌跡執行層面，它在規劃和控制上會起到不可忽視的重要作用。在智能網聯汽車安全控制方面，應利用網聯信息進行協同主動安全控制，開發兼顧單車和隊列行駛、縱橫向協同的主動安全控制策略和控制系統。