智能駕駛汽車縱向運動控制研究綜述

羅玉峰，鐘陳志鵬，陳齊平，魏佳成，蘇校

?

智能駕駛汽車縱向運動控制研究綜述

羅玉峰，鐘陳志鵬，陳齊平，魏佳成，蘇校

（華東交通大學機電與車輛工程學院，江西 南昌 330013）

為提升智能駕駛路徑跟隨行駛性能，文章通過分析國內外智能駕駛縱向控制的直接式和分層式設計方法，論述了縱向控制理論方法和技術應用的研究現狀。目前研究主要是應用解耦控制系統來單獨研究縱向控制，但存在系統模型單一、計算方法受限和未結合車聯網技術等不足。因此，未來縱向控制技術將結合車聯網通信技術、人工智能以及耦合橫向控制進行研究，以實現智能、高效和安全的縱向控制行駛性能。

智能駕駛；縱向控制；直接式；分層式

前言

智能駕駛汽車是汽車研究領域和行業發展的熱點，其智能化程度與智能駕駛的安全和效率方面有重要聯系。隨著交通環境日益復雜、能源耗費增加以及生活環境污染等問題日益突出，智能駕駛作為智慧交通發展新方向逐漸受到人們重視[1]。智能駕駛概念的提出是為了提升公路系統的服務能力，Shladover等[2]人提出了智能駕駛車輛由縱向控制系統和橫向控制系統組成。

縱向控制作為智能駕駛汽車運動控制的重要組成部分，也是智能駕駛研究領域的核心難題之一。縱向運動控制[3]主要通過對油門和制動之間的協調控制，達到對期望速度的精確跟隨。要求在智能駕駛過程中實現加速、減速、制動和車速保持等自動縱向控制。由于縱向控制系統[4]具有參數不確定性、時滯性和高度非線性動態特性等特征，為典型的多輸入-多輸出復雜耦合動力學系統。如何構建可處理其參數不確定及高度非線性等特性的控制模型是智能駕駛的難點，且是智能車輛研究領域的熱點。

本文主要介紹了國內外智能駕駛汽車的縱向運動控制技術的研究及應用現狀，并對未來縱向運動控制的研究進行了展望，為今后智能駕駛智能化的提升奠定一定的基礎。縱向運動控制方式可分為直接控制式和分層控制式。

1 直接控制式

直接式運動控制是通過縱向控制器直接控制期望制動壓力和節氣門開度，從而實現對跟隨速度和跟隨減速度直接控制，具有快速響應等特點。具體結構如圖1所示。

圖1 直接式控制

以下研究是采用直接式縱向控制的典型研究成果，首先是國外學者的研究。

PID控制作為現代控制理論的基礎，在智能駕駛控制研究領域應用廣泛。有學者采用該方法建立復雜的非線性系統模型來解決控制系統的非線性問題。

1994年，Hoyong K等[5]設計了一種直接式縱向多控制器系統，該系統由PID、PI、滑模控制器和模糊控制器四部分構成。系統通過專家經驗知識設計了控制器間的協調切換邏輯，可以在不同工況下充分發揮其優勢。該系統的缺點是由于控制器的頻繁切換會使執行機構存在時滯和振動。

2007年，卡內基梅隆大學自動駕駛研究團隊[6]采用直接式控制結構，分別構建了油門和制動的非線性 PID 控制策略，給出基于速度偏差的油門和制動切換邏輯。該縱向控制系統已應用于 Boss 智能車，對于控制系統非線性特征有良好的適應性。

有學者提出采用特定的控制策略對控制系統的參數不確定、非線性等因素進行模擬，例如模糊控制等得到較好的效果。2001年，K Yi等[7]提出了一種前饋-反饋結合控制算法，該控制系統由油門控制算法、制動控制算法和油門制動控制策略構成，對于車輛參數的不確定性有良好的自適應性。

2012年，土耳其的V Sezer等[8]人設計了一種智能車速度控制器。該控制器是有兩個串聯Mamdani型的是基于模糊邏輯推理系統，串聯結構通過減少模糊控制規則，從而方便了控制器設計，研究結果顯示車輛行駛在急轉向工況時的控制器性能更好。

2015年，E Jullierme等[9]采用系統辨識方法建立縱向動力學模型，采用逆動力學模型補償系統的非線性特性，基于PI 和逆動力學綜合模型設計車輛縱向速度自動控制策略。

2015年，韓國首爾大學K Hakgo等[10]建立了具有集總參數特征的車輛縱向線性模型。考慮到集總參數的時變性，提出了車輛參數時變自適應速度控制策略，并通過仿真和實驗驗證了所提出方法的有效性和魯棒性。

2017年，K Liu等[11]提出一種基于橫向干擾的縱向模型預測控制方法。該方法創新地應用虛擬引導車模型來預測實際車輛的未來行為，將控制系統簡化為間距跟蹤模型。該簡化模型用于描述安全性和其他車超車變道的可能性，通過CarSim軟件仿真得出該方法可以有效地降低橫向干擾對縱向控制的影響。

2017年，Andrea Raffin等[12]提出增強自適應模型控制方法（MRAC），基于該方法設計了一種不依賴于智能車輛自身參數的縱向控制器，且具有一定的速度跟隨能力。通過CarSim-Simulink的聯合仿真結果顯示對該方法進行了評估。

國內相關學者在這一方面也進行了研究，針對于縱向控制系統設計難點提出了有效的解決辦法。

2006年，山東大學的李貽斌等[13]采用直接式控制結構，基于模糊控制算法和遺傳算法分別設計了制動控制器和油門控制器，對油門和制動的切換邏輯進行分析與設計，油門控制器和制動控制器共同構成智能車輛縱向控制器。

2009年，清華大學賓洋等[14]分別建立了加速和制動時能反映車間縱向動力學特性的控制模型。提出一種非線性干擾解耦和變結構控制原理的魯棒控制方法。該方法不僅克服車輛縱向動力學系統的非線性，且對內部不確定性及外界干擾等影響具有良好的魯棒性能，達到全局最優控制的目標。

2011年，西南交通大學的任殿波等[15]針對具有參數不確定性的車輛跟隨縱向控制研究，設計了基于車輛縱向動力學模型的縱向跟隨直接自適應滑膜控制規律。仿真結果表明該研究的控制規律能使車輛間距誤差有較快的收斂速度。

2013年，重慶大學崔明月等[16]應用Backstepping方法設計了一種自適應控制器，并通過對信號的濾波處理簡化了控制器的設計模型，該設計克服了智能駕駛運動控制的參數不確定的問題。作者通過運用Lyapunov穩定性理論與Barbalat定理驗證了系統的穩定性，并通過進化規劃算法進一步優化了控制器的參數。

2013年，廈門大學郭景華等[17]設計了一種多滑模縱向直接式控制系統，運用模糊邏輯調節滑模增益系數，有效地降低了外部不確定性及動態擾動對車輛縱向控制系統的影響，采用李雅普諾夫方法驗證了所設計控制系統的穩定性。同時設計了加速與制動切換邏輯，保證了整個系統有較高的控制精度以及智能車行駛穩定性。滑膜變結構控制作為一種魯棒性控制方法，不僅對于外界不確定干擾和不確定參數等具有較好的魯棒性和抗干擾能力，而且可以通過滑動模態的設計獲得滿意的動態品質。該方法具有控制簡單、易于實現的特點。

圖2 分層式控制

2013年，北京理工大學龔建偉等[18]提出使用一個增量式PID控制器實現油門制動協調控制，其實車實驗結果表明路面的起伏未加大縱向控制的穩態誤差，并可以平穩換擋。該方法針對PID控制的不足而設計，可以較好地滿足期望控制，克服控制器的參數對于車輛參數和路徑參數的變化適應性不強等不足方面。

2017年，清華大學李升波等[19]基于分布式H∞最優控制方法設計一種魯棒縱向控制器，該系統通過信息交換矩陣的線性變換和特征值分解轉換成一個不確定的、對角非線性系統。并通過與非魯棒性控制器對比，分析設計系統的魯棒穩定性和縱向穩定性。

2017年，西安工業大學的高嵩等[20]在建立車輛速度跟隨控制模型時考慮風阻和道路坡度等環境信息，并通過反饋線性化處理控制模型，利用滑膜控制增加模型的魯棒性。仿真結果表明設計的系統能夠獲得準確的期望跟蹤速度，同時對參數變化和外界環境干擾等有良好的魯棒性。

2017年，國防科技大學的黃振華等[21]提出一種參數批量化處理的強化學習算法（PBACV）為了獲得自動駕駛車輛的最優縱向控制。該方法的采用actor-critic學習結構，且為了提高學習效率采用最小二乘方法更新參數。通過大量的實車實驗顯示通過強化學習的方法縱向控制性能超過了傳統的縱向控制方法。

直接式縱向控制器設計采用自適應控制、PID控制等控制方法，建立一種非線性系統模型。目的為了提高系統的自適應能力，降低參數不確定、非線性等對系統的影響。該設計方法集成度高，但是開發難度高。

2 分層式縱向控制

智能駕駛車輛縱向動力學模型是一個復雜多變的非線性系統，大部分參數在測量時精度不高。通過設計單個控制器來實現多個性能的控制具有一定開發難度。為降低縱向控制系統的開發難度，有研究者提出采用一種多層次控制結構來建立控制系統模型。具體結構如圖2所示。

分層式控制根據控制目標的不同設計上位控制器和下位控制器，上位控制器是用來產生期望車速和期望加速度，下位控制器根據上位控制的期望值產生期望的油門開度和制動壓力，以實現對速度和制動的分層控制。

日產汽車公司技術中心的研究者[22]和意大利M Canale等[23]人在對車輛縱向控制系統研究中，模擬不同工況下駕駛員駕駛操作特性設計駕駛員參考模型，基于該參考模型設計前饋控制和補償反饋控制相結合的上位控制器，通過調節參考模型來調整上位控制器的控制參數，從而使車輛縱向控制系統滿足各種行駛工況。

2008 年，寶馬汽車公司[24]提出了可修正的反饋 PID上位控制策略，將反饋狀態量的比例系數表征為時距函數，該策略的反饋狀態量為相對速度、距離誤差，此外，為了降低前方目標運動狀態的干擾，構建了加速度干擾估計器，可對加速度干擾進行有效補償。

2009年，清華大學的張磊等[25]人基于駕駛員操縱行為特性自學習的控制算法設計了車輛縱向上位控制器。基于駕駛員行為動作時刻的TTC統計以及神經網絡分類器，設計模擬駕駛員行為的學習式上位控制器，并應用于車輛縱向駕駛輔助系統。

YX. Lu 等[26]根據前期結構研究，提出了一種車輛縱向運動的上位滑模變結構控制算法。該方法可以獲得期望的節氣門開度和制動力矩實現期望的速度跟隨，通過實驗檢驗了該上位控制算法的有效性。

上位控制器給下位控制器提供期望速度或加速度，基于下位控制器設計上位控制器可不考慮縱向控制模型的參數不確定性、建模誤差以及外界干擾的影響。

以下是下位器控制器設計的典型研究成果。

2003年，東京大學M Omae[27]基于H-infinity魯棒控制方法，設計了前饋/H-infinity反饋縱向下位控制器，該設計克服車輛縱向動力學的參數不確定性以及執行機構產生的系統延時，試驗結果表明所設計縱向下位控制器具有良好的魯棒性和穩定性。

2003年，韓國全北大學 Liang H等[28][29]針對制動工況下車輛縱向控制問題，提出變參數滑模下位控制策略，根據車輛行駛過程中狀態信息來實時估計滑動模態控制參數。仿真結果表明該方法可以有效降低跟隨過程中的誤差。此外，J. C. Gerdes 等[30]和 L. Nouveliere 等[31]均提出了變結構縱向下位控制方法，其實現對車輛縱向加速度的快速、平穩、精確跟蹤。

2007 年，Gao F等[32]構建了多模型分層切換縱向下位魯棒控制方法，主要針對車輛縱向動力學系統中參數不確定和模型不確定，通過實車實驗驗證了方法的魯棒性和擾動抑制能力。

考慮到車輛縱向控制系統的非線性與參數不確性，清華大學侯德藻[33][34]在車輛縱向主動避撞控制系統的研究中設計了由規范模型、前饋補償器及魯棒反饋補償器組成的模型匹配下位控制器。

為了準確描述車輛縱向動力學特性，清華大學的高鋒等[35]人基于魯棒控制理論設計了多模型分層切換縱向下位控制器，并分析與驗證了該控制算法的魯棒穩定性。

2017年，國防科技大學的朱琪等[36]提出一種自適應縱向控制方法，它由基于速度的決策學習跟隨層和基于模型的路徑跟隨層組成。決策跟隨層通過在線強化學習算法實現學習，實時調整跟隨距離。路徑跟隨層作為中間控制對節氣門和制進行控制。通過Carsim仿真驗證該方法的良好控制性能。

2017年，廈門大學郭景華等[37]設計了一種新型的模糊滑模控制分層式智能駕駛速度控制器，通過上位控制器控制輸出期望加速度保證智能駕駛的安全性和舒適性。下位控制器由新型模糊自適應滑模控制結構（SMC）構成，可以較好的解決系統存在非線性、不確定干擾和不確定定參數等因素的影響。仿真和實驗表明該設計具有良好的路徑跟蹤性能。

2017年，J Liu等[38]采用模型預測方法設計一種自動駕駛高速非結構道路行駛下避撞算法，該方法構建一個多層控制問題在觀測的環境范圍內優化期望速度和期望轉向，仿真結果顯示自動駕駛車輛在經過不同的環境下具有良好的安全性和穩定性。

下位器執行上位器的最優策略，其工作主要克服系統的時滯、振動和非線性等難題。分層式通過協調上、下位控制器實現縱向運動控制，相比直接式控制開發難度降低。

綜上所述，智能駕駛縱向控制系統為一種結構復雜、多變量并且高度非線性的控制系統。直接式縱向控制考慮了系統的復雜性和非線性等特點，具有集成程度高，模型準確性強的特點。但是其開發難度較高，靈活性較差。分層縱向控制通過協調油門和制動分層控制，開發相對易實現。但是由于分層式控制會忽略參數不確定性、模型誤差以及外界干擾等的影響，建模的準確性會受到一定的影響。

3 縱向控制研究趨勢

綜上所述，國內外研究人員在智能駕駛的縱向運動控制技術上取得了重要的成果。智能駕駛縱向控制系統存在高度非線性等問題，以及縱向橫向控制存在必然的耦合關系。隨著車聯網技術和人工智能技術的發展，未來智能交通環境給運動控制技術帶來新的挑戰。目前智能駕駛縱向運動控制方面還有許多問題和困難仍需我們來探索和攻克。下面對該領域未來可能的發展方向作初步的展望。

3.1 從解耦式向耦合式研究發展

前期的研究主要基于解耦縱向和橫向控制來研究，通過直接式或者分層式來建立縱向動力學模型。解耦式忽略了橫向運動對縱向運動的影響，會對模型的精確性產生影響。在面對未來發展智能化交通的推動下，如何建立更加準確，更加高效完整的智能駕駛汽車動力學縱向控制模型，并運用該模型解決控制系統參數不確定、存在時滯和高度非線性等難點問題有待進一步解決。

3.2 人工智能應用于智能駕駛控制技術

未來的智能駕駛研究需要匹配度更高的系統模型，則需要考慮更多因素進行研究。縱向控制模型不僅需要更加準確的數學模型實現橫向縱向綜合控制等目標，還需要考慮更多環境信息和不確定干擾等影響因素。面對更全面的系統設計和更智能的控制的要求，需要探索如何運用高效精確的智能計算技術以實現系統的快速準確地響應，如：深度學習和強化學習等。

3.3 車聯網大交通環境下智能駕駛控制技術變革

近年互聯網通信技術的發展帶來了車聯網技術的進步，將促進碰撞預警、車輛診斷、道路檢測和交通管理規劃等技術的變革。未來車聯網技術的進一步深層發展，建設智慧型、立體型和便捷型的智慧交通網絡，并實現人-車-路的高效協同交互控制。為實現這現代化的交通設計目標，對于智能駕駛運動控制研究既是動力也是挑戰。

4 總結

智能駕駛技術的不斷提升會給工業帶來革命式的發展，將會對人們的生活和社會的經濟等產生重要的影響。縱向運動控制以及整個運動控制技術作為智能駕駛的核心，未來必定是科學研究和產業發展的重點。本文主要從直接式控制和分層式控制介紹了近十年來縱向控制技術的研究狀況。再展望未來該領域的研究方向分別是從解耦研究向耦合研究發展，人工智能技術將促進控制技術的研究和車聯網大交通環境下的智能控制技術的變革。

[1] 賀漢根,孫振平,徐昕.智能交通條件下車輛自主駕駛技術展望[J].中國科學基金, 2016,30(02):106-111.

[2] Shladover S E, Desoer C A, Hedrick J K, et al. Automated vehicle control develop-ments in the PATH program[J]. IEEE Transactions on Vehicular Technology, 2002, 40(1):114-130.

[3] 陳慧巖,熊光明,龔建偉,姜巖.無人駕駛汽車概論[M].北京:北京理工大學出版社, 2014, 163.

[4] 郭景華,李克強,羅禹貢.智能車輛運動控制研究綜述[J].汽車安全與節能報,2016,7(02):151-159.

[5] Hoyong Kim. An intelligent control of vehicle dynamic systems by artificial neural network[D]. North Carolina State University, 1994.

[6] Chris Urmson, Joshua Anhalt, Drew Bagnell, Christopher. Autono -mous driv-ing in urban environments:Boss and the Urban Challenge [J]. Journal of Field Robotics,2008,25(8):425-466.

[7] Yi K, Hong J, Kwon Y D. A vehicle con-trol algorithm for stop- and-go cruise con-trol[C]//Intelligent Transportation Sys-tems, 2001. Proceedings. IEEE Xplore, 2001:478-482.

[8] Sezer V, Ercan Z, Heceoglu H, et al. A new fuzzy speed control strategy consi-dering lateral vehicle dynamics[C]// Inter-national IEEE Conference on Intelli-gent Transportation Systems. IEEE, 2012:19-24.

[9] Jullierme E, Guilherme A, Reinaldo M. Longitudinal model identification and velocity control of an autonomous car [J]. IEEE Trans Intellectgent Transposition Syst, 2015, 16(2): 777-786.

[10] Hakgo K, Dongwook K, Insoo S, et al. Time-varying parameter adaptive vehicle speed control [J]. IEEE Trans Vehicle Technology, 2015, 65(2): 581-588.

[11] Liu K, Gong J, Kurt A, et al. A model predictive-based approach for longi-tudinal control in autonomous driving with lateral interrup -tions[C]// Intelligent Vehicles Symposium. IEEE, 2017:359-364.

[12] Raffin A, Taragna M, Giorelli M.Adaptive longitudinal control of an autonomous ve-hicle with an approximate knowledge of its para -meters[C]// International Work-shop on Robot Motion and Control. IEEE, 2017:1-6.

[13] 李貽斌,阮久宏,李彩虹,付夢印.智能車輛的縱向運動控制[J].機械工程學報,2006(11):94-102.

[14] 賓洋,李克強,馮能蓮.車輛全速巡航系統的干擾解耦魯棒控制 [J] .中國科學（E 輯:技術科學）, 2009, 29(12):1963-1982.

[15] 任殿波,張策,張繼業.考慮前后信息的車輛跟隨自適應控制[J].哈爾濱工業大學學報,2011,43(06):76-80.

[16] 崔明月,孫棣華,李永福,廖孝勇.基于濾波反演法的參數不確定自動引導車的運動控制[J].控制與決策,2013,28(08): 1200-1206.

[17] 郭景華,李琳輝,胡平,等.基于模糊邏輯的無人駕駛車縱向多滑模控制[J].中國公路學報, 2013, 26(1):170-176.

[18] 姜巖,龔建偉,熊光明,等.基于運動微分約束的無人車輛縱橫向協同規劃算法的研究[J]. 自動化學報, 2013, 39(12):2012-2020.

[19] Li S E, Gao F, Li K, et al. Robust Longi-tudinal Control of Multi- Vehicle Systems-A Distributed H-Infinity Method[J].IEEE Transac -tions on Intelligent Trans-portation Systems, 2017, PP(99):1-10.

[20] 高嵩,呂軍鋒,陳超波,等.基于反饋線性化的車輛速度滑模控制方法[J].計算機仿真, 2017,34(6):135-138.

[21] Huang Z, Xu X, He H, et al. Paramete-rized Batch Reinforcement Learning for Longitudinal Control of Autonomous Land Vehicles[J]. IEEE Transactions on Systems Man & Cybernetics Systems, 2017, PP(99):1-12.

[22] YAMAMURA,Y.Development of an Adaptive Cruise Control Syst -em with Stop-and-Go Capability[J]. SAE Technical Paper, 2001, 13 (5):598-601.

[23] Canale M, Malan S. Tuning of Stop and Go driving control strateg -ies using driver behaviour analysis[C]// Intelligent Vehicle Sympo -sium. IEEE, 2002:407-412.

[24] Venhovens P, Naav K, Adiprasito B. STOP AND GO CRUISE CONTROL[J].International Journal of Automotive Technology, 2000,1(2):1317-1324.

[25] Zhang L, Wang J, Yang F, et al. A quantification method of driver characteristics based on Driver Behavior Questionnaire[C]// Intel -ligent Vehicles Symposium. IEEE, 2009:616-620.

[26] Lu X Y, Hedrick J K. Longitudinal control design and experiment for heavy-duty trucks[C]// American Control Conference, 2003. Proceedings of the IEEE Xplore, 2003:36-41.

[27] Omae M. Study on the vehicle platoon control system [D]. Tokyo: University of Tokyo, 1999.

[28] Liang H, Chong K T, No T S, et al. Ve-hicle longitudinal brake cont rol using variable parameter sliding control [J]. Control Engineer -ing Practice, 2003, 11(4): 403-411.

[29] Liang H, Chong K. Variable parameter sliding controller design for vehicle brake with wheel slip[J]. Journal of Mechanical Science and Technology, 2006, 20 (11):1801-1812.

[30] J.C. Gerdes, J.K. Hedrick. Vehicle speed and spacing control via coordinated throttle and brake actuation[J].Control Engineering Practice,1997,5(11):1607-1614.

[31] Nouveliere L, Mammar S. Experimental vehicle longitudinal control using a second order sliding mode technique [J]. Control Engineering Practice, 2007, 15(8):943-954.

[32] Gao F, Wang J Q, Li K. Hierarchical Switching Control of Longitu -dinal Acceleration With Large Uncertain-ties[C]// IEEE Internati -onal Conference on Vehicular Electronics and Safety. IEEE, 2007: 270-275.

[33] 侯德藻.汽車縱向主動避撞系統的研究[D].清華大學,2004.

[34] 侯德藻,高鋒,李克強,等.基于模型匹配方法的汽車主動避撞下位控制系統[J].汽車工程, 2003, 25(4):399-402.

[35] 高鋒,李家文,李克強.大模型不確定性下的汽車縱向加速度控制[J].中國機械工程, 2007, 18(4):495-499.

[36] Zhu Qi, Dai Bin, Huang Z, et al. An adaptive longitudinal control method for autonomous follow driving based on neural dynamic programming and internal model structure[J] International Journal of Advanced Robotic Systems. 2017, DOI: 10.1177/1729881417740711.

[37] Guo J, Luo Y, Li K, et al. A novel fuzzy-sliding automatic speed control of intelli-gent vehicles with adaptive boundary layer[J]. International Journal of Vehicle Design, 2017, 73(4):300.

[38] Liu J, Jayakumar P, Stein J, et al. Combined Speed and Steering Control in High Speed Autonomous Ground Vehicles for Obstacle Avoidance Using Model Predictive Control[J]. IEEE Transactions on Vehicular Technology, 2017, PP(99):1-1.

Review on the research of longitudinal motion control for intelligent driving vehicles

Luo Yufeng, Zhongchen Zhipeng, Chen Qiping, Wei Jiacheng, Su Xiao

( School of Mechatronics & Vehicle Engineering, East China Jiaotong University, Jiangxi Nanchang 330013 )

This paper discusses the status research of the intelligent driving theory method and technology application of longitudinal motion control to promote the following performance of intelligent drive path, through the analysis the status research of the direct control and hierarchical control of intelligent driving longitudinal control at home and abroad. The current research mainly applying the decoupling motion control system to study the longitudinal control separately, There are some shortcomings, such as monotonous modern, limited computing method and designing without uncombined internet of Vehicles technology. Therefore, the research direction of longitudinal control will be combining internet of Vehicles wireless communication technology, artificial intelligence technology and control coupling research to have a fast and safe response of intelligent driving longitudinal control driving performance.

intelligent driving; longitudinal motion control; direct control; hierarchical control

A

1671-7988(2018)22-28-05

U461.99

A

1671-7988(2018)22-28-05

U461.99

羅玉峰，就職于華東交通大學，教授，博士，主要研究方向機械系統與機器人技術、交叉學科中的人工智能、高等教育等。鐘陳志鵬，華東交通大學，碩士生，碩士，主要研究方向電動汽車及智能化。陳齊平，就職于華東交通大學，副教授，博士，主要研究方向為電動汽車及智能化。魏佳成，華東交通大學，碩士生，碩士，主要研究方向為電動汽車及智能化。蘇校，華東交通大學，碩士生，碩士，主要研究方向為車輛減振系統、電動汽車及智能化。

10.16638/j.cnki.1671-7988.2018.22.010