智能車輛控制的研究進(jìn)展

賈曉燕

（蘭州交通大學(xué)交通運(yùn)輸學(xué)院，甘肅蘭州 730070）

0 引言

在過去的二十多年里，世界上大部分貿(mào)易大國（如美國、德國、法國、日本等）的高速公路系統(tǒng)都得到了迅速發(fā)展，車流量顯著增加，交通越來越便利，但同時(shí)也帶來了一系列惡劣的后果，如交通擁擠、環(huán)境污染、交通事故等，導(dǎo)致大量的經(jīng)濟(jì)損失。在BMW 1997年的研究中發(fā)現(xiàn)，在德國，由于交通擁擠引發(fā)撞車等事故，造成每年損失約合一千億美元。類似的問題也存在于大部分東歐國家。因此，提高對(duì)車輛的控制能力，減少交通事故，提高高速公路的利用率，已成為目前研究的熱點(diǎn)問題。

有關(guān)智能交通系統(tǒng)的研究主要分兩個(gè)方面：一是自主導(dǎo)航系統(tǒng)的研究，二是車輛智能控制系統(tǒng)的研究。自主導(dǎo)航系統(tǒng)依賴于整個(gè)交通系統(tǒng)的建立和完善，而智能車輛控制系統(tǒng)由于便于應(yīng)用，除美國在智能高速公路系統(tǒng)方面已取得部分研究成果之外，各國都側(cè)重于智能車輛控制系統(tǒng)的研究。目前，日本在智能車輛控制方面的研究處于世界領(lǐng)先的地位。

我國在該領(lǐng)域的起步較晚，近幾年雖然高速公路建設(shè)發(fā)展迅速，總里程已位居世界第二，但在智能車輛控制應(yīng)用技術(shù)方面與發(fā)達(dá)國家有很大差距。特別是我國南方多陰雨天，北方多大霧天，使得車輛控制問題變得更加復(fù)雜，突發(fā)性的惡劣天氣導(dǎo)致交通事故頻發(fā)，嚴(yán)重時(shí)整個(gè)高速公路系統(tǒng)只能封閉，這大大降低了公路的利用率，嚴(yán)重影響了社會(huì)生活的正常運(yùn)行。

本文針對(duì)智能車輛控制系統(tǒng)的研究現(xiàn)狀和問題展開討論，其中第1、2兩節(jié)分別分析討論了縱向車輛控制和橫向車輛控制的研究成果，第3節(jié)探討了縱橫向綜合控制問題，第4節(jié)給出本文的結(jié)論，并對(duì)今后的發(fā)展方向進(jìn)行了展望。

1 車輛縱向控制

車輛縱向運(yùn)動(dòng)控制的目的是保證車輛行進(jìn)過程中同前面車輛之間保持一定的安全距離，車輛之間維持相對(duì)穩(wěn)定的速度，并且在緊急情況下盡快做出剎車決定。

智能車輛的縱向控制主要是對(duì)車輛的節(jié)氣閥和剎車進(jìn)行控制，在沒有司機(jī)的操作下，實(shí)現(xiàn)車輛的自動(dòng)加速或減速。對(duì)于智能或自適應(yīng)巡航控制器，它們都是利用傳感器裝置，如雷達(dá)，來檢測(cè)外部信息（如車輛之間的間距，車輛的位置、速度、加速度等），使車輛在給定的速度下，在車隊(duì)中安全行駛，同時(shí)還能使公路的利用率最大化?？刂破鞯淖饔檬沁x擇對(duì)節(jié)氣閥還是對(duì)剎車進(jìn)行控制，并且能在兩者之間進(jìn)行平穩(wěn)的切換。

車隊(duì)控制形式主要有兩種：一種是自適應(yīng)智能巡航控制（Autonomous intelligent cruise control），簡稱AICC，此時(shí)車輛與外界不進(jìn)行通訊，司機(jī)需要設(shè)定理想的行進(jìn)速度和路線；另一種是協(xié)作式智能巡航控制（Cooperative intelligent cruise control），簡稱CICC，這種控制要求車隊(duì)中的車輛與其它車輛、路邊的監(jiān)測(cè)裝置、車行道控制器進(jìn)行通訊，并且車隊(duì)能夠合并或分解，即車輛可以隨時(shí)進(jìn)入一個(gè)車隊(duì)，也可以從車隊(duì)中退出。

1.1 自適應(yīng)智能巡航控制(AICC)

智能巡航控制主要研究的是車隊(duì)的穩(wěn)定性問題[1-2]，車隊(duì)的空間距離不停的變化是引起車隊(duì)不穩(wěn)定的主要原因，減小車隊(duì)運(yùn)動(dòng)的不穩(wěn)定性是縱向控制的主要研究領(lǐng)域。

AICC的模型是用車輛的速度和加速度建立的，針對(duì)不同算法的模型還可能包括車輛的質(zhì)量、空氣阻力、加速度率、道路摩擦等變量。下面我們探討現(xiàn)有的AICC控制方法及應(yīng)用情況。

文獻(xiàn)[3]提出一種基于模糊神經(jīng)網(wǎng)絡(luò)算法的車輛控制器，用雷達(dá)來模仿司機(jī)對(duì)車間距的控制行為，已在雪弗萊汽車上應(yīng)用了該控制器，并在菲尼克斯51高速公路上進(jìn)行了成功測(cè)試。文獻(xiàn)[4]也提出一種模糊網(wǎng)絡(luò)控制器，來控制車輛速度和車間距，利用雷達(dá)來檢測(cè)車輛速度誤差和車輛之間的間距，并將該控制器安裝在林肯汽車上，在圣地亞哥的I-15高速公路上進(jìn)行了實(shí)驗(yàn)。文獻(xiàn)[5]提出了三層自動(dòng)控制的模型，應(yīng)用模糊邏輯控制方法，文獻(xiàn)[6]對(duì)該模型和控制方法進(jìn)行了測(cè)試。

文獻(xiàn)[7]提出4層的自動(dòng)控制模型，其中計(jì)劃層發(fā)出控制命令，要求車輛換道、減速、加速等；校準(zhǔn)層利用5種類型的反饋控制率，來完成一定的任務(wù)（計(jì)劃層發(fā)出命令），5個(gè)控制律分別為跟隨車輛的距離、領(lǐng)隊(duì)車輛的速度、合并加速度、分解減速度以及車輛自由換道。這些控制是為了既保證車輛間比較小的距離（提高高速公路的利用率），同時(shí)又保證車輛在高速公路上安全行駛。

文獻(xiàn)[8]提出一種縱向控制方法，車輛的驅(qū)動(dòng)力F采用PD控制。即：式（1）中：M為這輛車的質(zhì)量；gf為前面車輛的加速度；g0為本車加速度；kp為比例系數(shù)；kd為微分系數(shù)；ds為車輛間的距離；dt為車輛間的理想距離，是前面車輛的速度；v0為本車的速度。

當(dāng)F＞Mg0時(shí)控制節(jié)氣閥，當(dāng)F＜Mg0時(shí)控制剎車。

利用車輛之間的通訊系統(tǒng)，可以測(cè)量車輛之間的距離和車輛的速度。文獻(xiàn)[9]發(fā)展了PID和基于滑動(dòng)模型的PI控制，采用模糊邏輯控制器和模糊專家系統(tǒng)，決定在何種情況下應(yīng)該采用哪種控制方式。

1.2 協(xié)作式智能巡航控制（CICC）

CICC控制，要求車輛能與車隊(duì)中其他車輛進(jìn)行實(shí)時(shí)通訊，為車輛的停止和前進(jìn)收集各種數(shù)據(jù)和信息，對(duì)傳感器設(shè)定有效的控制策略。

車輛上安裝的傳感器，主要有雷達(dá)傳感器[10]，激光傳感器與視覺傳感器[11]，或同時(shí)安裝多種傳感器[12]。多種傳感器的融合可以彌補(bǔ)不同環(huán)境下測(cè)量的需要，可以通過這種方法將獲取的各種信息結(jié)合起來對(duì)車輛進(jìn)行控制。對(duì)多種測(cè)量信號(hào)的擬和方法，文獻(xiàn)[13-14]設(shè)計(jì)了全維狀態(tài)估計(jì)器。但在實(shí)際操作中，環(huán)境的變化十分頻繁，很難預(yù)測(cè)傳感器會(huì)怎樣工作，一旦傳感器的融合策略中沒有某一種情況，控制器會(huì)失去控制能力。盡管如此，文獻(xiàn)[12]提出的多傳感器結(jié)合方法，仍是一種可以進(jìn)一步發(fā)展的策略，這種策略克服了單傳感器感應(yīng)范圍有限、使用的環(huán)境也有限制的缺點(diǎn)，利用多傳感器的融合，對(duì)于解決低能見度情況下車輛跟隨問題，提出一種可行的方案。

文獻(xiàn)[15-16]利用上述傳感器通訊，使被控車輛得到車與車之間的距離、相對(duì)速度、前車的速度等信息來對(duì)跟隨車輛進(jìn)行控制，車與車之間有全面的通訊能力。

文獻(xiàn)[17]提出一種基于自適應(yīng)控制理論，從車隊(duì)中車輛質(zhì)量的不確定性問題出發(fā)，設(shè)計(jì)了車輛控制器，定義了誤差方程：式（2）中：q1，q3，q4是控制參數(shù)；下標(biāo) l代表領(lǐng)隊(duì)車輛，使方程滿足條件S˙l1+λSl1=0，得到車輛的控制律如下：

式（3）、（4）中：δ是距離誤差，Mi是車輛質(zhì)量，λ 是正常數(shù)。

經(jīng)過成功的仿真試驗(yàn)，驗(yàn)證了該控制律可以使車隊(duì)保持穩(wěn)定。

文獻(xiàn)[18]提出利用李亞普諾夫第二方法，得到車隊(duì)中以車輛間距作為控制量的控制律，本文中采用一個(gè)三階的車輛模型，提出期望誤差的概念，并進(jìn)行了模擬仿真，其結(jié)果顯示這種利用李亞普諾夫方程設(shè)計(jì)的控制器要比PID控制器更加敏感，控制效果更好。

2 車輛橫向控制

車輛的橫向控制的目的是對(duì)車輛的轉(zhuǎn)向進(jìn)行控制。主要關(guān)心的是路徑的保持、轉(zhuǎn)向、改變路徑和躲避前方可能出現(xiàn)的障礙物。自動(dòng)轉(zhuǎn)向系統(tǒng)可以大幅度降低由車輛行駛過程中出現(xiàn)的道路偏離或轉(zhuǎn)向過度而引起的交通事故。

橫向控制系統(tǒng)主要有兩種：一種是在車下安裝檢測(cè)裝置的下方參考系統(tǒng)（Look down reference）簡稱LDR，一種是在車輛前方安裝檢測(cè)裝置的前向參考系統(tǒng)（Look ahead reference）簡稱LAR。其中LDR的主要優(yōu)點(diǎn)是數(shù)據(jù)處理比較簡單，在各種氣候和各種路況下都能良好工作，但要在高速公路的道路上安裝電纜或永久性磁鐵的成本很高；而前向參考系統(tǒng)LAR采用的傳感器主要是視覺、超聲和激光等傳感器，利用這些傳感器采集車輛行駛環(huán)境狀況，經(jīng)分析處理做出相應(yīng)的控制決策。文獻(xiàn)[19]提出自回歸滑動(dòng)平均并帶有模糊邏輯的方法設(shè)計(jì)控制器。文獻(xiàn)[20-21]提出卡爾曼濾波方法對(duì)控制器進(jìn)行設(shè)計(jì)。文獻(xiàn)[22]設(shè)計(jì)具有智能和魯棒穩(wěn)定的模糊PD控制器,進(jìn)一步把模糊控制系統(tǒng)轉(zhuǎn)化成帶有不確定因素的盧爾系統(tǒng)，用李亞普諾夫直接法，使該系統(tǒng)穩(wěn)定。文獻(xiàn)[23]提出一種魯棒模糊邏輯控制策略。文獻(xiàn)[24]采用最優(yōu)控制的方法，利用立體影像技術(shù)，在沒有路面標(biāo)線的道路上（十字路口和停車區(qū)域）控制車輛的橫向移動(dòng)。文獻(xiàn)[25]提出多層前饋的神經(jīng)網(wǎng)絡(luò)控制算法，提高車輛在彎路行駛時(shí)的安全性。

3 縱向橫向綜合控制

以上兩節(jié)分析總結(jié)了縱向和橫向車輛控制的發(fā)展情況，本節(jié)討論縱橫綜合控制問題。在車輛的控制中很難處理的一個(gè)問題是：車輛高速行駛時(shí)作急轉(zhuǎn)彎，使車輛在保持行駛軌道上轉(zhuǎn)彎，同時(shí)保證車速不發(fā)生太大減速。另一個(gè)難題是避障，控制器需要決定車輛是停止、越過障礙，還是在障礙物前突然轉(zhuǎn)向。這都需要橫向和縱向控制相結(jié)合，利用所有傳感器為控制器提供足夠準(zhǔn)確的信息，從而使控制器在做出決定前能計(jì)算所有可能的方案，并選擇最優(yōu)方案。

公路上對(duì)車輛控制所提供的信息都是可見的，如道路條紋、人行橫道、停車線、信號(hào)燈、警告標(biāo)志等。所以大量的研究工作都在基于視覺傳感器的控制方法研究方面，如文獻(xiàn)[26]提出基于雷達(dá)、激光和視覺傳感器數(shù)據(jù)融合的卡爾曼濾波方法，從而實(shí)現(xiàn)車輛的縱向橫向綜合控制。

對(duì)于車輛的控制方法主要集中在單獨(dú)對(duì)縱向控制或橫向控制上，而對(duì)綜合控制的研究仍舊很少，尤其在應(yīng)用領(lǐng)域上，輔助駕駛系統(tǒng)仍主要是縱向或橫向單獨(dú)工作的控制器，對(duì)綜合控制需要進(jìn)一步研究。

4 結(jié)語

國內(nèi)外有關(guān)智能車輛控制的研究已取得了許多有價(jià)值的研究成果，但有關(guān)低能見度下車量控制的研究還都很少，現(xiàn)有的智能車輛控制算法很難在低能見度下使車隊(duì)穩(wěn)定運(yùn)行。因此，低能見度下的車輛智能控制是汽車控制研究中一個(gè)十分重要的問題。無論是對(duì)單個(gè)車輛還是對(duì)車輛編隊(duì)進(jìn)行控制，要取得好的控制性能都必須依靠車輛間的良好通訊，為有效的車輛控制提供足夠的信息。因此，我們認(rèn)為以下幾方面急待深入研究：（1）適應(yīng)低能見度的多傳感器融合方法，如車輛雷達(dá)傳感器與計(jì)算機(jī)視覺信息的融合；（2）低能見度下車輛間的通訊及車輛與控制中心的通訊策略；（3）低能見度下的車輛橫向控制與縱向控制方法等。

[1]Swaroop D.V.A.D.G and Huandra R,Intelligent Cruise Control System Design Based on a Traffic Flow Specification [J].Vehicle System Dynamics,1998,30(5):319-344.

[2]Swaroop D.V.A.D.G and Rajagopal K.R,Intelligent Cruise ControlSystemsand Traffic Flow Stability [J].Transportation Research.1999,7(6):329-352.

[3]Wu L,Xu Y,Wang F,Lin Y,Li P,Liu W,Supervised Learning of Longitudinal Driving Behavior for Intelligent Vehicles Using Neuro-Fuzzy Networks:InitialExperimentalResults [J].The International Journal of Intelligent Control and Systems,1999,3(4):442-463.

[4]Kim H.M,Dickerson J and Kosko B,Fuzzy Throttle and Brake Control for Platoon of Smart Cars[J].Fuzzy Sets and Systems,1996,84(3):209-234.

[5]Germann S,Isermann R,Nonlinear Distance and Cruise Control for Passenger Cars[C].Proc of American Control Conf.Seattle,1995:3081-3085.

[6]Holzmann H,Germann S,Halfmann C and Isermann R,Intelligent Fuzzy Distance and Cruise Control for Passenger Cars[J].Journal of Intelligent and Fuzzy Systems,1998,6(3):315-327.

[7]Varaiya P,Smart Cars on Smart Roads:Problems of Control[J].IEEE transactions on automatic control，1993,38(2):195-205.

[8]Tachibana A, Automated Vehicle System Cooperated with Infrastructure[C].Proc of the 5th JSME Transportation and Logistics Conference.Japanese,1996:243-246.

[9]Kachroo P,Tomizuka M and Agogino A.M,A Comprehensive Strategy for Longitudinal Vehicle Control with Fuzzy Supervisory Expert Systems [C].IEEE International Conference on Systems,Man and Cybernetics,1995:765-770.

[10]Hoess A,Radar Net[C].Proc of eMobility Conf.Sweden,2001,CD-ROM.

[11]Langheim J,Sensor fusion for DAS[C].Proc of ITSW Conf.Chicago,2002.CD-ROM.

[12]Labayrade R,Royere C,Gruyer D,and Aubert D,Cooperative fusion for multi-obstacles detection with use of stereovision and laser scanner[C].Proc of the 11th ICAR Conf.Coimbra,2003:1538-1543.

[13]Kam M,Zhu M.G,Kalata P,Sensor fusion for mobile robot navigation[C].Proceedings of the IEEE,Jan,1997,85(1):108-119.

[14]Luo Ren C,Yih Chihchen,Su Kuolan,Multi-sensor fusion and integration:approaches,application and future research directions[J].IEEE Sensors Journal,2002,2(2):107-119.

[15]Sheikholeslam S,Desoer C,A system level study of the longitudinal control of a platoon of vehicles [J].Journal of dynamic systems,measurement,and control.1992,114(42):286-292.

[16]Sheikholeslam S and Desoer C,Longitudinal Control of a Platoon of Vehicles[C].Proc of the American Control Conf,San Diego,1993 1:291-297.

[17]Swaroop D,Direct Adaptive Longitudinal Control of Vehicle Platoons[J].IEEE Trans.Veh.Technol.2001,50(1):150-161.

[18]ChongK and Roh D,A LyapunovFunction Approach to Longitudinal Control of Vehicles in a Platoon [J].IEEE Trans.Veh.Technol,2001,50(1):116-124.

[19]Yuhara N,Horiuchi S,Iijima T,Tajima J and Asanuma N,Synthesis and Evaluation ofDriver Assistance Systemfor Vehicle Lateral Guidance and Control[C].3rdITSWorldCongress,Orlando,FL,October1996.

[20]Goldbeck J and Huertgen B,Lane Detection and Lacking by Video Sensors[C].Proceedings of IEEE/IEEJ/JSAI international Conference on Intelligent Transportation Systems,Tokyo,Japan,1999:5-8.

[21]Gern A,Franke U and Levi P.Advanced Lane Recognition-Fusing Vision and Radar[C].Proceedings of the IEEE Intelligent Vehicles Symposium 2000,Dearborn,2000:45-51.

[22]Cai L,Rad A.B,Chan W L and Cai K.Y,A Robust Fuzzy PD Controller for Automatic Steering Control of Autonomous Vehicles Department of Electrical Engineering[J].IEEE Conf.On Fuzzy Systems,2003,1:549-554.

[23]Mengyin F,Ruan J.h,Li Y.b,A New Kind of Robust Design Method of Intelligent Vehicle Lateral Control[C].IEEE Proceedings of WCICA,Hangzhou 2004:2438-2442.

[24]Paetzold F,Franke U,vanSeelen W,Lane Recognition in Urban Environment Using Optimal Control Theory[C].Proceedings of the IEEE Intelligent Vehicles Symposium 2000,2000:221-226.

[25]Wang G,F'ujiwara N,Bao Y,Feed-Forward Multilayer Neural Network Model for Vehicle Lateral Guidance Control[J].Advanced Robotics,1999,12:735-753.

[26]Stiller C,Hipp J,Roessig C and Ewald A.Multisensor Obstacle Detection and Tracking [J].Image and Vision Computing,2000,18(5):389-396.