智能汽車的運動規劃與控制研究綜述

采國順，劉昊吉，馮吉偉，徐利偉，殷國棟

（東南大學 機械工程學院，南京 211189，中國）

隨著現代社會的不斷進步與發展，人們對于出行安全性、便捷性和經濟性等方面的需要越來越高。融合了車輛智能化、網聯化和電動化等先進技術的智能汽車，在車輛行駛安全性與經濟性方面具有巨大的優勢，在世界范圍內得到了廣泛的關注[1]。

智能汽車利用車載傳感器進行綜合感知，具有自主決策能力，能夠控制車輛安全，高效地行駛[2]，是實現未來交通的重要發展途徑。從功能上劃分，典型的智能駕駛主要包括感知、決策與規劃、控制3個模塊[3]，每個模塊又可細分為不同的小模塊，如圖1所示。通過各模塊之間的協調配合，實現特定條件下的智能駕駛，其中，綜合感知層將傳感器系統采集的數據進行處理與融合，實現車輛對環境、位置、交通、目標與障礙物、車輛狀態等信息的精確感知；決策規劃層根據綜合感知和車輛狀態信息，結合車輛與環境實際的空間和時間約束，輸出車輛下一階段駕駛行為與運動軌跡，是連接綜合感知層與控制執行層的關鍵模塊；控制執行層是依據軌跡規劃模塊輸出的結果，對車輛期望動作進行實現并獲取狀態反饋信息[4]。決策規劃層和控制執行層均是以車輛模型為基礎展開研究，且其結果將直接決定車輛目標動作與實現效果，因此對行駛安全性與經濟性起到關鍵影響。本文針對與智能汽車自車狀態密切相關的運動規劃與控制進行綜述研究，梳理最新的研究進展，并給出發展趨勢分析。

圖1 模塊化技術路線典型架構

1 運動規劃

智能汽車決策與規劃大致可分為路徑規劃、軌跡規劃和行為決策這3大功能模塊[5]，如圖2所示。路徑規劃模塊主要實現行程調度功能，其依據道路網絡信息提供從初始位置到目標終點的總體長期規劃。軌跡規劃模塊遵從風險評估、嚴格安全約束和駕駛目標優化，根據實時交通環境制定動態可行的運動軌跡。行為決策作為連接前兩者的橋梁，可以存儲當前和歷史動態感知及車輛與外界的信息交互（vehicle to everything，V2X）數據，結合對自車周圍所有目標物的狀態預測和相應風險估計，決定車輛動作并傳達路徑和軌跡規劃與修正需求。由于本文關注點在于車輛運動規劃，而行為決策與車輛本體動作間無直接聯系[6]，因此不屬于本文研究要點。本節主要對路徑規劃和軌跡規劃的研究現狀進行綜述。

圖2 智能汽車決策與規劃典型架構

1.1 路徑規劃

路徑規劃的基本思想是：基于多源感知信息，在保證前向安全的前提下，以一定的更新頻率搜索抵達目的地的可行路徑，并迭代選擇出一條從起始點到終止點的目標最優路徑[7]。路徑規劃在移動機器人領域得到廣泛研究，發展出了圖搜索、采樣、智能算法等主要方法，并被遷移到車輛路徑規劃研究中以實現復雜路網環境下車輛最優行駛路徑的制定。根據規劃側重點的不同，路徑規劃又可分為傳統的路程最短路徑規劃和兼顧路程和能耗最優的經濟性路徑規劃 （Ecorouting）[8]，其中后者更關注車輛本體動力與能效特性。本節將首先介紹車輛路徑規劃的常用方法，之后介紹經濟性路徑規劃的近期研究進展。

1.1.1 圖搜索算法

圖搜索算法在已建模環境中通過連接節點生成可行路徑。Dijkstra算法[9]是最為典型的一種單源搜索算法，通過將路網抽象為含有節點和帶權邊的網格圖，并對從起始點到終點間不同可行路徑的邊權值進行累加和比對，可以尋找到總邊權值最小的最短路徑[10]。由于該算法對所有方向進行統一探索，因此可以尋找到全局最優路徑，但其近乎遍歷的搜索方式使得計算效率低下。

A*算法是一種啟發式圖搜索算法，其通過引入啟發式代價函數，使得節點拓展更具有目的性，從而盡可能減少被搜索節點，實現相比于Dijkstra算法更為高效的運算求解過程[11]。啟發式代價函數可以根據安全性和駕駛目標的差異構造成不同形式，如考慮車輛到車道邊界的距離以及累計行駛距離[12]、考慮到目標點距離和危險運動懲罰值[13]等。D*算法是A*算法面向動態場景應用的改良算法，其遵循從終點向起始點反向搜索的方式，并引入后向指針記錄拓展節點的母節點信息，當障礙物動態變化導致已規劃路徑不可行時，已經記錄的后向信息可以被再次調用以避免重復計算，從而大大緩解求解負擔[14]。總體而言，A*和D*算法可以有效減少圖搜索算法的樹分支和搜索量，在提供較好完備性的同時兼具求解效率提升。但該算法要求預先獲取環境完整信息進行建模，且在高維復雜空間下仍會面對搜索維度災難。

1.1.2 采樣算法

基于采樣的算法試圖解決高維時序約束空間的路徑規劃問題，其以概率完備性取代搜索完備性，通過隨機采樣的方式探尋空間點之間的連通性[15]。最常用的基于采樣的算法是概率路線圖方法（probabilistic roadmap，PRM）[16]和快速探索隨機樹（rapidly-exploring random tree，RRT）[17]，前者主要是以隨機散布采樣點的方式生成可供路徑搜索的環境，而后者則是一種兼具隨機節點生成和路徑搜索的算法。快速隨機擴展樹算法（rapidly-exploring random trees, RRT）可以對于未知環境區域執行隨機搜索，允許在半結構化空間中進行快速規劃，此外還具有考慮如車輛的最大轉彎半徑和動量等非完整約束的能力[18]。RRT算法已被拓展為Goal-bias RRT[19]、RRT-Connect[20]等雙源搜索形式，并被證明是概率完備的，失效概率呈指數衰減。然而，RRT算法收斂到最優解的概率實際上為零[21]，因此又衍生出了RRT*算法。RRT*算法通過鄰域節點重連步驟優化路徑選擇，是一種具有漸近最優性和概率完整性的采樣式算法。Dijkstra、A*和RRT算法示意見圖3。

圖3 典型路徑規劃算法示意圖[4]

1.1.3 智能算法

智能算法受自然現象啟發得來，該類方法嘗試模仿自然界中解決具有不精確性、不確定性和部分真實性復雜問題的思路，從而以較低的成本實現實用且穩健的解決方案[22]。人工神經網絡（artificial neural network, ANN）是一種典型智能算法，其試圖模仿人腦網絡處理、記憶信息的方式，提供智能路徑規劃，可以在不了解系統及其環境的情況下，解決輸入和輸出呈非線性映射關系的問題[23]。模糊邏輯算法基于人腦的不確定性概念判斷和推理思維給出了一種規則化的規劃思想，運用隸屬度的概念處理現象與動作之間的模糊對應關系，適用于環境模型信息不完整、不確定，或系統強非線性、大滯后的情況[24]。此外，遺傳算法（genetic algorithm，GA）[25]、粒子群算法（particle swarm optimization，PSO）[26]、蟻群算法（ant colony optimization，ACO）[27]等智能算法也被應用到了物流運輸和泊車路徑規劃研究中。

1.1.4 其他方法

人工勢場法常用于精確道路模型已知情況下的避撞路徑規劃，該方法通過分別賦予起始點和目標點以高低勢能，形成施加在自車奔赴目標點的引力，并給道路障礙物施加斥力，運用梯度下降法可以尋得安全可行路徑[28]。為了避免引力與斥力相平衡導致陷入局部最優解的窘境，可以通過添加隨機啟發式函數的方式逃逸局部最小值[29]。但人工勢場法由于不考慮車輛動力學，仍可能造成所規劃路徑不可行。插值曲線法既可以利用特定函數表達式獨立生成路徑[30]，也可以用作給定路徑點集的平滑解決方案[31]，即可以在已知給定的描述全局路線點集的范圍內，構建和插入新數據集以擴充路徑點集，從而形成更平滑的路徑，實現包含車輛約束和動態目標的連續性路徑規劃。此外，綜合前文所述路徑規劃方法的混合路徑規劃研究也被廣泛開展[32-33]，以達到取長補短的路徑規劃效果。

1.1.5 經濟性路徑規劃

車輛學術界和工業界使用路徑規劃方法在尋找路程最短車輛行駛路徑方面進行了諸多理論研究與落地應用。然而，隨著社會對節能與環保的重視，研究熱點逐漸由傳統的路程最短路徑規劃轉向更關注車輛本體動力和能效特性、兼具路程和能耗最優的經濟性路徑規劃（Eco-routing）。經濟性路徑規劃根據真實交通數據提取道路結構、擁堵情況和平均車速等特征信息，建立多源信息融合的路網-能耗耦合模型，并基于能耗最小目標搜尋全局最優路徑[34]。利用考慮油耗權重的Dijkstra算法可以求解得到傳統內燃機汽車的油耗最小路徑[35-36]，類似地，若以二氧化碳最小化為目標，考慮動態時變的交通擁堵狀況和時間窗口的影響，則可以滾動優化得到排放最少的行駛路徑[37]。以上文獻均關注于傳統內燃機汽車的經濟性路由問題，但是對于電動汽車而言，由于其具有制動能量回收的功能，其經濟性路由問題與傳統內燃機汽車相比，路由邊權會出現負值，從而使得傳統經濟性路由的求解方法失效。為解決帶有負邊權的電動汽車經濟性路由問題，需要重構帶權有向圖的節點與邊使得傳統路徑規劃方法可行[38]，或者直接使用改進算法對原始的帶權有向圖進行求解[39]。在此基礎上，考慮到電動汽車續航能力有限，還可以車輛充電策略融入路徑規劃中，解決在固定時間窗約束下的電動汽車能耗最優路徑規劃問題[40]。

1.2 軌跡規劃

軌跡規劃層是在已知全局路徑的基礎上，結合實時車輛狀態和動態道路交通環境信息，根據局部實際場景規劃出一條包含空間位置-車速映射關系的時間序列點集或關系式[41]。根據研究對象劃分，軌跡規劃可分為單車自主軌跡規劃和多車協同軌跡規劃，前者常用方法包括模型預測控制、智能學習等，而后者主要包含最優控制、博弈理論、多智能體強化學習等方法[42]。本節將首先介紹單車自主軌跡規劃，之后介紹多車協同軌跡規劃。

1.2.1 單車自主軌跡規劃

在動態交通環境中，車輛依據周圍環境信息和自車駕駛需求，在滿足車輛動力學限制和安全邊界約束條件下自主規劃行駛軌跡，可以實現單車安全、節能與高效駕駛。根據應用場景和駕駛需求差異，可以大致劃分為以安全為首要考慮因素的軌跡規劃，典型應用為變道超車和自主泊車，以及以能耗優化為主要目標的經濟性軌跡規劃，典型應用為經濟性巡航駕駛和經濟性信號燈控路口通行。

1） 安全導向的軌跡規劃。對于以安全為首要考慮因素的軌跡規劃，部分傳統路徑規劃方法可通過增加時空耦合目標權重以及安全約束的方式進行重構并加以利用。如以分層軌跡規劃的策略規避周圍車輛，上層以采樣規劃的方式來確定安全可行操作，下層使用序列二次規劃數值優化方法來優化局部軌跡[43]，如圖4所示。但該類方法仍會面對復雜交通環境和駕駛需求帶來的高維求解難題。模型預測控制（model predictive control，MPC）能夠將車輛動力學和安全約束制定為有限范圍約束，并可在考慮多優化目標的同時實現問題的有效求解，是用于解決車輛安全軌跡規劃的主要方法[44]。為了應對不確定性模型攝動和環境擾動帶來的影響，可以運用魯棒MPC的方法解決。例如在自主變道超車問題中，利用面向結構化高速行駛環境的場景感知和軌跡規劃框架，構建勢場函數和安全可達區間，確定車輛的安全通行域，可以遞歸生成車輛橫縱耦合抗干擾可行軌跡[45]。進一步地，運用MPC滾動優化思想，結合控制勢壘函數（control barrier function，CBF）和控制Lyapunov函數（control lyapunov function，CLF）的軌跡規劃策略也被提出[46]，該策略可以在滿足復雜駕駛規則約束的同時，實現最優軌跡實時規劃。同樣是具有多約束非線性優化屬性的泊車軌跡規劃問題，可以采用基于內點法的動態優化策略解決[47]。此外，人工智能和機器學習方法也被用于軌跡規劃研究中[48]。

圖4 變道避障軌跡規劃[42]

2） 經濟性巡航駕駛。經濟性巡航駕駛是實現車輛高效運行的一種節能縱向速度軌跡規劃策略，被視為實現車輛節能減排的有效措施[49]。研究表明，前車勻速行駛時，加速-滑行（pulse-and-glide，PnG）操作在提高汽車節油效果上具有巨大潛力[50]。考慮地形因素和交通信息對車輛行駛的影響，以智能網聯汽車技術和智能交通系統為應用背景，通過使用動態規劃方法設計面向變坡度高速公路場景下的巡航策略，可以同時提高電動汽車的節能效果和電池壽命[51]。進一步地，采用滾動優化與迭代動態規劃相結合的方法，可解決基于道路限速分段的電動汽車巡航軌跡優化問題[52]。該方法同樣適用于存在彎道的巡航場景，研究表明在彎道上行駛時的最優行駛策略是車輛在入彎前減速、轉彎時保持最優恒速，并在出彎時加速[53]。此外，為了在有其他車輛干擾的場景下實現經濟性巡航效果，基于模型預測控制架構預測前車速度并做出相應規劃，能夠更好地提升車輛經濟性駕駛性能[54]。

3） 經濟性信號燈控路口通行。車輛在城市交通中可能會被交通信號燈中斷正常行駛，這給經濟性駕駛帶來極大挑戰。在智能網聯環境下，車輛可依靠V2X技術獲取或預測周圍交通狀況，利用獲取到的交通信號相位和時序（signal phase timing message，SPaT）信息，依據經濟性通行目標規劃短期節能軌跡[55]。在此基礎上，使用 SPaT信息開發的綠波通行系統（green light optimal speed advisory，GLOSA）可以最大限度地減少交叉路口的平均油耗和停車延遲[56]。考慮到交通信號的不確定性，可引入信號相位預測模型來確定綠色信號的概率，進而推導出最佳速度軌跡[57]。對于多個信號交叉口場景下的節能車輛軌跡規劃，可以用準最優規則來得到實時應用的數值解[58]。上述研究通常假設車輛在自由流動的環境中行駛，然而，車輛的運行不僅取決于交通信號，還取決于進入交叉路口的前車[59]。針對此問題，往往需要考慮前車影響，通過車載傳感器檢測前方車輛的運動信息，結合前車安全約束，制定節能規劃與控制策略優化能效目標[60-61]。此外，還可以利用V2X技術獲取交叉路口車輛排隊信息，將前方車輛隊列長度作為自車軌跡規劃的參考[62]，以考慮前向交通流的分層軌跡規劃策略提升車輛在信號燈路口的節能水平[63]，如圖5所示。

圖5 經濟性信號燈控路口通行場景[62]

1.2.2 多車協同軌跡規劃

得益于智能網聯汽車技術和智能交通系統的發展，基于車輛間信息共享和同步規劃的多車協同軌跡規劃技術得以被研究并應用。相比于單車自主軌跡規劃，多車協同軌跡規劃通過群體協同的方式，可以“由點到面”地改善交通出行狀況[64]。由于多車協同軌跡規劃與駕駛場景及需求間存在強耦合關聯，需要針對具體情況做出策略上的適應性調整，因此本節將從匝道合流區通行、交叉路口通行等典型應用場景介紹多車協同軌跡規劃。

1） 匝道合流區協同軌跡規劃。匝道區域被視為典型的交通瓶頸區[65]，在該區域內，匝道與相鄰主道間的車輛通過判斷彼此運動狀態調整自車軌跡，以產生適合于匝道車輛合流的車間距離和相對車速。由于駕駛員的預測存在誤差及駕駛風格迥異，在這一交通瓶頸區往往會產生交通擁堵現象，造成額外的能源浪費，甚至會導致交通事故的發生，因此，匝道合流軌跡規劃顯得尤為重要[66]。匝道合流區多車協同軌跡規劃被視為一種改善匝道行駛環境的有效手段，大體可被分為集中式協同規劃策略和分布式協同規劃策略[67]，如圖6所示。

圖6 匝道合流軌跡規劃場景

在集中式策略中，合流區內的中央規劃器以最小化全局代價為目標，規劃每輛車的最優行駛軌跡。該問題往往被構建成一個具有起始點和終端合流點，并在限定匝道合流區域內控制狀態變化的最優控制問題。最典型的做法是將集中式合流軌跡規劃問題轉化為無約束最優控制問題[68]，并利用極小值原理（Pontryagin’s minimum principle，PMP）給出閉式解析解。在此基礎上，可以協同實現合流次序優化和軌跡規劃，如基于規則的策略[69]，包含通行狀態的改進動態規劃策略[70]，或者是求解全局Pareto最優解的合作博弈策略[71]。雖然集中式策略可以獲得全局最優解，但它可能會給系統帶來很大的計算負擔，尤其不利于大交通流量的場景。而與之相反地，分布式架構則具有更佳的靈活性、可拓展性和容錯性。在分布式策略中，每輛車通過使用共享的交通信息，用車載軌跡規劃器來規劃自車軌跡。在該架構中，無約束最優控制方法依然可以得到有效的軌跡規劃結果[72]，車輛間動態博弈的思想也被運用到問題求解中，并可采用零抑制二元決策圖以高效規劃最優合流軌跡[73]。考慮到狀態和控制量混合約束，可以設計考慮多種嚴格約束的分布式匝道合流最優控制框架，并使用PMP內點法求解最優軌跡[74]。此外，綜合集中式和分布式優勢，可以采用一種組隊形式的多車合流區通行策略，將多車通行問題歸結為每個車隊頭車間的次序優化和軌跡規劃問題，在提升運算效率的同時實現次序和軌跡同步優化[75]。

2） 城市交叉路口交匯區協同軌跡規劃。交叉路口交匯區域具有4個正交行駛方向，存在直行和左右轉向選擇，研究該區域內車輛協同通行問題相比于匝道區域而言更具有挑戰性。部分學者將該區域通行效率歸結為路權分配的問題，以通過交匯區的次序來確定最優軌跡。基于位置預留的方案（reservation-based scheme）是一種典型的快速規劃方案[76]。該方案將道路進行網格劃分，單個網格在每個時間點只能被1輛車占用。車輛以發送占用請求的方法得到時空軌跡點，同時交通系統也會預留已被提前占用或正在被占用的點，并發送該信息給其他車輛以避免重復問詢。當先進入控制區的車輛有網格占領優先權時，便形成了先進先出（first-in-first-out，FIFO）策略。上述基于規則式的方法雖然能夠快速求解，但可能會偏離最優解[77]。混合整數線性規劃是一種可以求解全局最優通行次序的優化方法[78]，其引入二元變量代表通行優先權，可以在保證全局最優的同時提升求解效率，但該方法仍會在車輛數量增多時遭遇組合爆炸的計算瓶頸，無法被實時應用。Monte Carlo樹方法使用有限的規劃時間來探索可能成為最佳解決方案的節點，在優化性能和計算靈活性之間保持良好的平衡[79]，但該方法往往只能得到近似最優解。為了在保證求解效率的同時求得全局最優解，一種考慮通行沖突關系的動態規劃方法被提出，該方法的核心思想是將大規模全局優化問題轉化為小規模多階段優化問題，實現了計算復雜度從指數級到多項式級別的銳減[80]。除了以通行次序決定行駛軌跡的思路，部分研究則更關注軌跡規劃本身。基于最優控制極小值原理，建立優化交通流量、車輛能耗或乘坐舒適性目標的路口通行問題，每輛車根據特定通行次序計算其到達交匯區域的時間，并遵循速度和動力學約束獲得到達交匯區的行駛軌跡[81]。進一步考慮包含轉彎的多信號燈路口通行問題，仍然可用極小值原理得到閉式解[82]，如圖7所示。此外，清華大學團隊運用強化學習方法圍繞多車道交叉路口場景下的軌跡規劃問題展開相關研究[83-84]。還有部分文獻將次序優化和軌跡規劃以分層結構同步實現，如上層以緩解交通密度作為目標，下層則在最小化期望車速偏差的同時規劃軌跡保證行駛安全[85]。

圖7 多交叉路口通行軌跡規劃場景[82]

3） 其他多車協同軌跡規劃研究。在多車協同泊車場景中，需要在時刻保證車車避撞和障礙物規避的嚴格安全約束基礎上，實現最優軌跡的協同規劃，如圖8所示。該最優軌跡規劃問題可被構建成分布式的最優控制問題，每輛車利用Gauss偽譜法和序列二次規劃法等優化方法求解各自的軌跡[86]。同樣也可以采用集中式多車協同平行泊車規劃架構實現全局優化，以漸進約束動態優化方法保證軌跡安全可行[87]。

圖8 多車協同泊車軌跡規劃[87]

除了以上特殊交通場景的協同軌跡規劃外，還有文獻針對一般的、非危險的道路場景展開協同運動規劃研究，通過不同的目標函數設定，可以在乘客舒適度、節能效率和交通流量等性能表現上做出改善。如在高速路行駛場景中，利用基于優先級的策略來協調多個車輛，將多車軌跡問題分解為一系列連續的單車軌跡規劃子問題[88]，但該方法僅可得到局部最優解。而采用全局規劃方法，如混合整數二次規劃方法，則可以產生高速協同規劃全局最優解[89]。考慮到行駛穩定性，可以構建一種考慮隊列穩定性的多車協同魯棒軌跡規劃方法，在優化軌跡的同時保證良好的魯棒抗干擾性[90]。

2 運動控制

運動控制是智能汽車研究領域的核心問題之一，是將意圖轉化為行為的過程。控制器參照動態規劃的軌跡，結合實時獲取的車輛當前狀態參數，包括橫縱向車速、加速度、橫擺角速度、質心側偏角等動力學控制關鍵參數，以兼顧安全性、經濟性、舒適性等多指標綜合最優為宗旨，按照既定的邏輯做出控制決策，并發送控制指令到驅動、制動和轉向等系統的執行機構，實現對車輛位置、速度、姿態的精確控制。智能汽車的運動控制主要包含縱向控制和橫向控制。縱向控制是通過對油門和剎車系統的控制，實現速度跟蹤，主要包含自適應巡航、主動避撞等；橫向控制是通過對轉向系統和橫擺力矩的控制，實現路徑跟蹤，主要包含車道保持、變道、轉彎等。智能汽車運動控制典型架構如圖9所示。

圖9 智能汽車運動控制典型架構

智能汽車是典型的多輸入-多輸出系統，其內部存在復雜冗余執行特征和機-電-磁-網多域耦合非線性特性，以及明顯的時滯現象，加之感知系統的準確度和精度仍有待提升[91]，為智能汽車在復雜多變的實際環境中實現精準運動控制帶來了巨大的挑戰。如何構建適用于智能汽車的控制系統框架和方法，以處理高度非線性問題、時滯問題以及感知受限問題，一直是智能汽車控制領域的難點和熱點。

2.1 智能汽車縱向運動控制

智能汽車縱向運動控制是指通過對驅動和制動系統的控制，實現車輛自主速度跟蹤，同時避免車輛縱向碰撞。傳統汽車對于底盤安全性方面的研究已較為成熟，主要可通過制動防抱死系統和驅動防滑系統分別將縱向滑移率和滑轉率控制在穩定區間[92]。當前智能汽車縱向控制的主要研究熱點是在保證安全性前提下，實現對縱向速度的自適應調節。基于此，研究人員開發了自適應巡航控制（adaptive cruise control，ACC）及智能巡航控制（intelligent cruise control，ICC），并將其運用于不同等級的智能駕駛研究[93]。

自適應巡航控制 （ACC） 是對定速巡航的功能升級，系統通過控制驅動和制動系統，實現與前方車輛保持一定的空間間距。間距策略設計是ACC系統的核心，主要分為恒定空間策略和動態空間策略[94]。恒定空間策略即保持與前車恒定的空間間距[95]，而動態空間策略是根據車速變化，動態調整縱向車輛間距。根據底層運行機制的不同，動態空間策略又可分為時間間距策略[96]、交通流穩定性間距策略[97]、恒定安全系數間距策略[98]和人類駕駛行為間距策略[99]， 其中，時間間距策略如圖10所示。

圖10 ACC時間間距策略示意圖[100]

隨著車載通訊能力的提升，為了進一步提升駕駛安全、道路容量和經濟性，協同自適應巡航控制（cooperative adaptive cruise control，CACC）越來越受到關注。CACC是指具有通信能力的智能汽車之間通過信息交互實現單一車輛或隊列的自適應巡航行駛[101]，其中同質隊列車輛通訊方式如圖11所示。常用的通信協議有專用短程通信技術（dedicated short range communication，DSRC）、長 期 演 進 技 術（long term evolution，LTE）和第5代移動通信技術（5th generation mobile communication technology，5G） 等[102]。當 前CACC處于起步階段，仍有許多問題亟待進一步解決和完善，如通訊時延[103-104]、通訊故障[105]、數據注入[106]、網絡攻擊[107]、功能降級[108]等。

圖11 同質隊列信息拓撲方式[104]

雖然ACC與CACC在實現車輛自適應速度調節的同時，會設置安全保障機制，但考慮到行駛安全是智能汽車最首要的任務，因而有必要設置冗余系統，進一步保障行駛安全性，因此，考慮面向行駛安全的主動避撞系統（collision avoidance，CA）得到迅速發展。縱向主動避撞系統通過傳感器實時檢測與前車距離，并在達到觸發條件后通過主動制動防止碰撞發生[109]。CA是以防止碰撞為唯一任務，因而控制系統簡單、穩定，但優先級最高[110]。此外，為提升綜合行駛性能，有學者提出融合ACC/CACC與CA 的縱向控制方法[111]。

雖然對于巡航控制，主動避撞等控制策略的研究已取得一定進展，但如何將這些策略與車輛底層執行系統進行融合，仍有待進一步研究。總體來看，根據融合控制架構的區別，可將智能汽車縱向控制分為直接式和分層式控制[112]。直接式控制架構是基于縱向速度自適應調節策略，綜合考慮縱向滑移率和滑轉率、能耗最優目標，以及乘客舒適性等要求，直接輸出控制執行器動作的指令，如驅動/制動力矩分配等。直接式控制研究方法主要有多目標綜合優化方法[113-114]、 神經網絡方法[115-116]等。直接式控制的優勢在于可方便地進行多目標綜合分析，得出最優化的控制輸出，但缺點在于計算量較大，實時性難以保證。考慮到智能汽車縱向控制涉及多種不確定因素的影響[117]，如輪胎縱向滑移率和滑轉率，動態目標和障礙物的實時變化，以及車輛實時狀態的波動等，為兼顧控制性能和實時性，有學者提出分層式控制架構用于智能汽車縱向控制[118-119]。當前的分層式控制架構多是將縱向控制分為上層策略層和下層執行層，如圖12所示。上層主要根據多性能指標設計控制策略，輸出期望加速度或期望驅動/制動力矩[120-121]；而下層主要是根據上層控制輸出，設計扭矩分配策略與執行器控制策略，控制驅動與制動系統運行[122-123]。

圖12 分層式縱向控制架構簡圖

分層式控制架構相比直接式控制架構，具有靈活度高，實時性好等優勢。如何做好策略層與執行層之間的協調與融合，是分層式控制架構的關鍵。為了應對高級別智能駕駛的發展需求，設計融合ACC/CACC/CA等控制系統的上層策略層亦是需要重點關注的地方。

2.2 智能汽車橫向運動控制

車輛本身具有典型的非線性時變特性以及參數的不確定性（如車輛載荷、輪胎側偏剛度以及地面附著系數等參數的變化），隨著車輛智能化程度的提升，駕駛人逐漸脫離駕駛控制環，導致車輛控制自由度變大，駕駛精度要求越來越高，因此, 如何建立高效合理的橫向穩定控制策略已經成為車輛控制領域研究的重點[124-125]。傳統車輛的橫向控制問題主要表現在橫擺穩定性（主要參數指標為橫擺角速度）以及軌跡跟蹤精度（主要參數指標為質心側偏角）兩個方面。隨著車輛控制需求的不斷提高，橫向控制方法的研究呈現螺旋式發展，從經典控制理論開始，過渡到以狀態空間方程的現代控制理論，逐步發展到基于復雜非線性系統的智能控制理論。當前應用于車輛控制領域的算法主要有：經典控制理論的反饋與比例、積分、微分（proportion、integral、differential，PID） 控制方法[126-128]，現代控制理論的最優控制[129]、魯棒控制[130]、模型預測控制[131]、自適應控制[132]、滑模變結構控制[133]等方法以及智能控制理論的模糊控制[134]、神經網絡控制[135]等方法。由于PID控制具有適應性廣、實現簡單、無需建立模型的優點，已經在工程上得到廣泛應用。但車輛轉向運動是橫向和橫擺運動的多狀態系統，當車輛縱向速度變化明顯時，往往造成系統參數變化，單純的PID反饋控制難以適應多輸入多輸出系統以及時變系統的控制需求。

針對PID控制無法解決多目標優化問題，眾多學者提出了最優控制理論。針對受約束情況下車輛轉彎過程中的最優控制問題，通過設定合適的參數對系統時延和一階系統行為進行補償，將安全性和舒適性的物理約束納入控制器設計，并將最大橫向加速度和變化率作為系統約束，實現了車輛的穩定控制[136]; 為了提高彎道上的車道保持性能，設計了增廣觀測器，估計了車輛狀態和擾動，改進了電動助力轉向（electricpower steering，EPS）系統存在的扭矩無法聯合的問題，提出了考慮橫向偏移量和向下偏移量的線性二次狀態反饋控制方法[137]。最優控制可在模型精確的前提下實現控制目標最優，但由于車輛本體的非線性特性（部件間的連接間隙等）和時變外部激勵（隨機路面譜密度等）的影響，導致車輛系統的關鍵參數存在一定程度的不確定性，完整的車輛動力學特性難以精確表征。如車輛在高速大曲率轉向工況下，車輪載荷變動導致的輪胎側偏剛度變化明顯，如圖13所示。

圖13 輪胎側偏剛度變化[138]

針對車輛的參數不確定性問題眾多學者采用魯棒控制方法對車輛的橫向控制方法進行研究。在車輛的路徑跟蹤以及換道控制中，采用魯棒控制器設計了車輛橫向控制系統，考慮了不同駕駛員特性、路面激勵、延遲時間、預瞄時間和轉向比例增益等因素，構造基于Lyapunov漸進穩定性的線性矩陣不等式，應用極點配置法提高了控制器性能[139-140]，驗證了速度波動、道路附著系數變化和風阻的魯棒性。根據反饋跟蹤特性和抗擾性要求選擇權重函數矩陣，綜合考慮輪胎側偏剛度以及通信時滯的影響，提出一種具有內在平衡的μ綜合新方法[141]，其控制效果接近于最優控制方法，但控制器階數有效減少，滿足智能車輛的控制需求，μ綜合控制架構如圖14所示。由于魯棒控制方法采用離線處理數據求得最優解，其具有較高的控制實時性，但對復雜多變的行車環境的適應性較差，且無法滿足多復合約束下的實時在線優化控制的需求。

圖14 μ綜合控制架構[141]

為了滿足實時在線優化控制需求，提高多約束條件下的車輛穩定控制性能，模型預測控制方法也被大量應用到車輛的橫向控制中，模型預測控制采用當前時間的控制量作為控制輸入，通過滾動迭代的方法不斷更新優化區間，反復計算最優輸入值，保證車輛橫向運動過程中實時求解，其中模型預測控制原理框圖如圖15所示。在車輛主動安全控制中，基于Pareto 優化理論建立多智能體控制架構，構建車輛主動轉向和橫擺力矩融合的終端約束條件，應用模型預測控制方法設計車輛橫向控制器，實現了車輛的主動安全控制[142]；同時該方法應用于車輛的換道和車道保持系統中[143-144]，通過設計凸優化的路徑生成器生成了無碰撞軌跡，同時將模型預測控制轉化為二次規劃問題進行求解，建立8自由度車輛模型與Dugoff輪胎模型進行仿真驗證。雖然模型預測控制能夠滿足多約束的控制需求，但是非線性系統的優化求解量非常大，難以保證在控制周期內實現高效控制運算。如何進一步提高算法的實時性，仍然是模型預測控制研究的重點和難點。

圖15 模型預測控制原理框圖

在車輛橫向控制中，除了參數的不確定性和多約束空間外，車輛系統內部的時滯和外部干擾也會對車輛系統的性能產生重要的影響。為解決多時滯-干擾下車輛控制問題，自適應控制方法被應用于車輛的橫向控制系統。自適應控制可根據被控對象的輸入實時在線調整控制器參數，從而使系統運行處于最優或次優的狀態，保證了車輛橫向控制的精確性。在換道超車、車道保持以及人機協同的控制中，采用自適應控制理論設計車輛橫向控制系統[145-147]，通過簡化復雜動力學模型，采用學習模型預測控制理論構建車道偏離防范（lane departure prevention，LDP）控制器，實現了車輛橫向運動的自適應調節，改進的自適應車道保持控制器的閉環系統架構如圖16所示。為了更好地應對大數據學習的控制效果，神經網絡控制方法被引入到橫向控制中[148-150]，主要基于循環神經網絡模擬自動駕駛汽車轉向控制技術，研究缺乏精確模型信息的車道保持系統，利用深度學習及數據融合技術，精確預測車輛運動狀態，實現橫向穩定控制。雖然神經網絡控制方法能夠實現車輛的橫向控制，然而其對數據量和計算能力的需求較高，實時性難以有效保證。

圖16 改進的自適應車道保持控制器的閉環系統架構[145]

為解決智能車輛內在的高維強耦合，內部作用機理復雜難表征等問題，模糊控制方法被應用到車輛橫向控制中，實現車輛的路徑跟蹤、變道以及橫向穩定控制等。基于高精度GPS和無線網絡環境提供的信息，模糊控制能夠模仿人類在超車時的行為和反應[135]，且可模擬步進轉向工況和正弦轉向工況下前輪的橫擺角速度和側偏角情況[151]，有效地提高了系統運行效率。在主動前輪轉向（active front steering，AFS）與直接橫擺力矩控制（direct yaw control，DYC）集成穩定控制中將非線性刷子輪胎動力學和縱向速度的非線性函數通過T-S模糊方法建模，然后利用多模糊規則得到不確定的非線性車輛橫向動態T-S模糊模型。采用并行分布補償策略和假定變量設計模糊魯棒狀態反饋控制器，并通過構建一組滿足Lyapunov漸近穩定性和二次魯棒性能的線性矩陣不等式進行求解[152]，AFS和DYC組合的車輛模糊控制系統體系結構如圖17所示。

圖17 AFS和DYC組合的車輛模糊控制系統體系結構[152]

滑模變結構控制是一類特殊的非線性控制，其非線性體現在控制過程的不連續。滑模變結構控制的主要優點是使得控制對擾動不敏感，響應快速能夠有效處理車輛的路徑跟蹤控制問題[153]；此外，眾多學者對一些方法進行嘗試，如自抗擾控制方法[154]，其控制器實時估計車輛的不確定性和外部干擾，并對其進行主動補償，基于Lyapunov穩定性分析表明，控制系統在平衡點附近呈指數穩定；反步控制和前饋控制方法[155]，其解決了一類非線性欠驅動系統的漸近鎮定問題；神經網絡PID控制方法[156]，其使用遺忘因子遞推最小二乘估計法（recursive least square estimation of forgetting factor，FFRLS）識別系統參數，基于車輛模型和轉向系統模型建立神經網絡PID控制器進行橫向路徑跟蹤控制，能夠達到良好的控制效果。

2.3 智能汽車橫縱向綜合控制

由于車輛橫縱向運動之間存在相互耦合特性，如運動學耦合，輪胎力耦合與載荷轉移影響等[157]，相較于橫縱向控制獨立設計，采用綜合控制策略可以有效避免耦合沖突，提高綜合控制效果[158]。本文僅針對智能汽車路徑跟蹤與速度跟蹤的綜合控制進行探討，關于執行層之間的橫、縱向集成控制，可參見相關研究[159]。

根據控制架構的不同，可將智能汽車橫縱向綜合控制分為協同式綜合控制和耦合式綜合控制[112]。

協同式綜合控制指的是未建立橫縱向耦合動力學模型，橫、縱向控制算法根據各自模型進行獨立設計，通過設置狀態交互來協調橫縱向運動控制。此方式優勢在于無需建立復雜模型，求解效率高，實時性較好，且系統構造較為靈活，易于實施。因此，協同式綜合控制架構在考慮強非線性動力學特性的研究[160]，結合V2X通訊優勢的研究[161]，以及在多車隊列控制的研究[162]等均有成功應用。但由于沒有對橫縱向耦合機理進行深入探究，不能全面地反映真實的橫縱向運動的之間的關系，因而會在某些情況下出現控制性能退化[163]，如大轉向角、連續彎道或車速快速大幅波動等。

耦合式綜合控制指的是根據橫、縱向耦合動力學模型進行控制算法設計，可較為真實地反映車輛橫縱向之間強耦合、非線性的物理關系。該方式能夠獲得較高的控制精度，但對硬件計算能力要求較高。常用的7自由度整車動力學模型，包含橫向、縱向、橫擺以及4個車輪的轉動，如圖18所示。

圖18 7自由度車輛動力學模型[164]

針對耦合式綜合控制，根據智能汽車驅動形式、底盤橫縱向執行器的不同，研究人員開發了適用于不同車輛硬件配置的橫縱向綜合控制系統，如針對四輪獨立驅動電動汽車[165]、結合主動轉向控制[166]，直接橫擺力矩控制[164,166]等。隨著V2X技術的進步，智能汽車在復雜交通環境的預期表現也隨之提升，耦合式綜合控制對車輛控制性能提升明顯的優勢顯得更加突出[167]，且對多車隊列控制性能的提升也有幫助[168]。此外，神經網絡[169]，腦機控制[170]等先進技術在提升耦合式綜合控制性能中的成功應用也被陸續報道。

總體來看，隨著智能汽車應用場景逐漸向通用化場景發展，橫縱向綜合控制的應用將會愈發受到重視。無論是采用協同式綜合控制架構，或是耦合式綜合控制架構，控制性能與實時性都將是需要重點考慮的方面。

3 智能汽車運動規劃與控制發展趨勢

智能汽車運動規劃與控制技術取得了長足的發展，但隨著汽車智能化的不斷提升，對控制精度和實時性的要求日益增長。感知系統的增強使得信息獲取更加豐富和及時，對運動規劃與控制而言則是機遇和挑戰并存；先進的通信技術在車用領域的廣泛應用也對運動規劃與控制產生了影響；且車輛動力學系統本身存在著大量非線性、強耦合特性，以及多源時滯異構現象。因此，如何解決上述問題并構建適用于智能汽車的運動規劃與控制系統框架和方法，仍有待進一步研究和突破。對未來可能發展方向的初步展望如下：

3.1 運動規劃領域

a） 考慮更為真實的動力學模型和實際約束：隨著車輛運動規劃研究的深入，對于車輛模型和約束的簡化已成為制約規劃性能提升的瓶頸所在。為了進一步釋放規劃方法對車輛性能的提升潛力，需要引入更為真實的動力學模型和實際約束，以在復雜動態環境中保證性能優越性和魯棒性。

b） 考慮通訊損失和網絡安全影響：多車協同運動規劃在很大程度上基于V2X通信，但這容易受到諸如時間延遲和數據包丟失等通信障礙的影響。此外，干擾、V2X數據注入和車輛傳感器操縱等網絡攻擊也會損害多車協同系統的性能。因此設計應對通訊損失和網絡風險的強魯棒抗干擾規劃技術至關重要。

c） 考慮混合交通場景下的應用：現有研究中的大多數文獻都僅圍繞只有智能網聯汽車的場景展開研究，但是由于技術和成本限制，多種類型車輛（智能網聯車輛，智能車輛，網聯車輛，傳統人為駕駛車輛）共存的混合交通場景勢必會存在很長一段時間。考慮到環境中其他車輛類型導致的不確定性，適用于純智能網聯車環境的協同規劃策略不一定適用于混合交通環境。因此，解決混合交通場景下多源不確定性擾動共存的多車協同規劃問題急需開展進一步研究。

3.2 運動控制領域

a） 融合多源感知信息的參數估計方法：多源感知信息為車輛動力學重要參數估計提供了新的選擇，可充分利用環境、道路與交通信息，開發適用于智能汽車的參數估計體系，獲取更準確的動態實時參數，提升車輛動力學控制性能。

b） 融合環境預知信息的綜合控制技術：感知信息的提前預知，將促進預見控制技術發展。如何準確構建融合感知信息的橫、縱向綜合控制系統，結合車輛非線性、多耦合特性，建立耦合與解耦機制，并考慮時滯補償，仍需要進一步探索。

c） 兼顧控制性能與實時性的多模型集控制：智能汽車為適應復雜多變的現實環境并滿足實時性要求，往往需要使用多種控制策略與模型。如何構建橫、縱向綜合控制模型集，并確定合適的切換策略，將是實現實時動態控制的關鍵問題。

d） 基于車路協同技術的多目標綜合協同優化控制：車路協同技術發展將促進智能汽車運動控制與多車協同控制進一步發展。如何利用先進通信技術處理智能汽車與多車隊列、智能交通系統，以及電網系統的信息交互，并考慮通信時滯、網絡安全等問題，實現多目標綜合協同優化控制，將是需要重點突破的方向。

4 結 論

智能汽車的研究和發展將促進汽車工業與智能交通領域的轉型和升級，為人類出行與社會生活帶來革命性的變化。運動規劃與控制技術作為提升智能汽車綜合行駛性能的關鍵所在，仍將是長期熱點研究方向。本文介紹了智能汽車路徑規劃、軌跡規劃與橫、縱向控制的研究現狀，提出智能汽車運動規劃與控制領域未來發展的方向為：規劃領域需考慮更為真實的動力學模型和實際約束，考慮通訊損失和網絡安全影響，以及考慮混合交通場景下的應用；控制領域需研究融合多源感知信息的參數估計方法，融合環境預知信息的綜合控制技術，兼顧控制效果與實時性的多模型集控制，以及基于車路協同技術的多目標綜合協同優化控制。