汽車自動駕駛關鍵技術研究進展

彭育輝，江銘，馬中原，鐘聰

(福州大學機械工程及自動化學院, 福建 福州 350108)

2020年國家發改委、 工信部先后正式頒發《智能汽車創新發展戰略》和《新能源汽車產業發展規劃(2021-2035年)》，將發展智能網聯汽車作為國家發展戰略的重要內容，明確發展目標： 到2025年實現高度自動駕駛智能網聯汽車達到規模化生產和特定場景的商業化應用. 2020年11月《智能網聯汽車技術路線圖2.0》相繼發布，“三橫兩縱”技術架構更是為智能網聯汽車未來多領域技術發展指明了方向. 可以說，2020年在國家和行業層面，為未來15年的中國汽車自動駕駛技術和產業發展在政策保障、 技術路線方面提供了重要支撐. 本著“立足當下，面向未來”，本文將重點圍繞環境感知、 路徑規劃與軌跡跟蹤等支撐汽車自動駕駛的車輛端關鍵技術的研究進展情況進行梳理、 總結，旨在為將來開展車輛端的自動駕駛技術研發提供參考.

1 我國汽車自動駕駛關鍵技術研究概況

在技術層面，智能網聯汽車涵蓋汽車智能化和網聯化兩個部分. 在汽車智能化方面，國內外不同組織和機構針對自動駕駛汽車發布了不同的智能化分級方案. 中國全國汽車標準化技術委員會根據自動駕駛系統能夠適應的設計運行范圍和典型工況場景特征，將智能化等級分為駕駛輔助、 部分自動駕駛、 有條件自動駕駛、 高度自動駕駛和完全自動駕駛. 無人駕駛是汽車智能化發展的終極目標.

通過CNKI期刊庫，采用主題詞： (無人駕駛)+(無人車)+(自動駕駛)+(智能駕駛)+(智能車)，檢索2017年至2020年間發表的期刊論文數量，結果如圖1所示. 年論文發表總數量(藍色線)呈現逐年明顯增長趨勢. 2020年CNKI收錄的各類期刊文章415篇，比2017年的150篇增加了265篇，漲幅176.7%，說明在學術研究方面對于汽車自動駕駛技術的關注度逐年增強. 近4年汽車自動駕駛關鍵技術細分方向期刊論文發表數量的占比情況見圖2，其中感知定位、 規劃決策、 跟蹤控制三者之和大約占60%～70%.

圖1 近4年汽車自動駕駛技術研究發表期刊論文的總體情況Fig.1 Overall situation of journal papers on autonomous driving technology research in recent 4 years

圖2 汽車自動駕駛各細分方向發表期刊論文占比情況Fig.2 Proportion of published journal papers in each subdivision direction of autonomous driving

由中國汽車工程學會2020年發布的《智能網聯汽車技術路線圖2.0》指出，實現車輛智能化的關鍵技術第二層級子領域包括環境感知、 智能決策、 控制執行和系統設計技術. 進一步分析第三層級的子領域技術可知，規劃決策和跟蹤控制分別是智能決策、 控制執行的核心內涵. 所以，關鍵技術進一步分為感知定位、 規劃決策、 跟蹤控制及測試評價，并按關鍵詞進行檢索，結果如表1所示，四個細分關鍵技術的期刊論文發表數量均出現逐年明顯增長態勢.

表1 汽車自動駕駛各細分方向發表期刊論文情況Tab.1 Journal papers published in each subdivision of autonomous driving

再者，通過專利之星檢索系統，分別檢索關鍵詞： 環境感知、 路徑規劃、 軌跡跟蹤. 這里，環境感知： (自動駕駛+無人駕駛+智能駕駛+無人車+智能車)、 (環境感知+礙物檢測+激光雷達+毫米波雷達+機器視覺)； 路徑規劃： (自動駕駛+無人駕駛+智能駕駛+無人車+智能車)、 (路徑規劃+軌跡規劃+行為規劃+運動規劃)； 軌跡跟蹤： (自動駕駛+無人駕駛+智能駕駛+無人車+智能車)、 (路徑跟蹤+軌跡跟蹤+跟蹤控制+橫向控制). 通過以上方法獲得的2017年至2020年中國汽車自動駕駛關鍵核心技術的授權專利情況如圖3所示. 包括環境感知、 路徑規劃和軌跡跟蹤的核心技術專利授權數都出現逐年增加態勢，2020年相比2017年在專利授權總量上增加了491項，增幅203.7%, 各年專利授權中，環境感知占明顯多數，約占50%左右.

圖3 近4年汽車自動駕駛各細分方向專利授權情況Fig.3 Patent authorization of autonomous driving in each subdivision direction in recent 4 years

2 環境感知技術研究進展

2.1 環境感知的技術路線

由于激光雷達價格相對昂貴，對環境感知技術路線的區別主要集中在是否使用激光雷達，故存在視覺主導和激光雷達主導兩種基本路線.

2.1.1 視覺主導的環境感知路線

視覺主導技術路線讓攝像頭模擬人的眼睛進行觀察、 感知，讓神經網絡系統模擬人的大腦進行判斷. 視覺主導環境感知路線的底層邏輯是駕駛員可以通過眼睛判斷環境來駕駛汽車，自動駕駛也可以依靠攝像頭駕駛.

特斯拉的智能駕駛汽車采用的是視覺主導方案，主要依靠攝像頭采集環境信息并融合毫米波雷達和超聲波雷達信息來感知環境. 優點在于成本相對較低，缺點是因攝像頭是感知二維的傳感器，在感知三維物體或者復雜環境(比如光照條件變化、 極端天氣等)的時候會存在失真的情況. 從理論上講，只要是特斯拉真實數據庫中沒有的情形，都存在誤判的可能性，這也是特斯拉經常會因為識別偏差而出現各類事故的原因.

2.1.2 激光雷達主導的感知技術路線

激光雷達具有測量精度高、 受環境影響小等優點而廣泛應用在環境感知方面. 谷歌的Waymo智能駕駛汽車主要依靠激光雷達作為主動視覺傳感器并融合其他傳感器的數據信息來感知環境，優點在于目標檢測準確度高，缺點是成本過高、 不能識別顏色信息.

國內外研究團隊在無人駕駛汽車的環境感知方面的研究主要集中在激光雷達路線，包括谷歌公司、 Volvo-Uber、 斯坦福大學等，國內的百度Apollo、 滴滴公司、 軍事交通學院和華南理工大學等. 在激光雷達主導技術路線中，激光雷達為主要感知傳感器，用于周圍障礙物目標識別和環境地圖構建. 同時，也會有其他傳感器作為補充傳感器，如攝像頭用于特定目標障礙物識別、 車道線檢測和交通標志識別等； 毫米波雷達用于中短程目標的檢測和避險，補充激光雷達的盲點； 超聲波雷達用于近距離的避障和空間探測. 為了感知系統冗余保證安全性，目前選擇多傳感器融合方式成為環境感知的主流方案, 具體見表2所示.

表2 環境感知方案Tab.2 Environment awareness scheme

2.2 視覺感知技術

視覺感知使用圖像分析和識別技術來識別環境[1]. 自動駕駛汽車視覺感知技術中應用最廣泛、 最重要的技術是目標識別. 傳統目標識別方法需要人工選擇圖像目標區域并設計特征，同時需要眾多場景的圖像來訓練分類器. 傳統識別方法步驟繁雜，識別錯誤率高，在實際的使用中較難實現. 隨著卷積神經網絡的快速迭代，基于深度學習的目標識別方法被提出，并在機器人、 自動駕駛等領域被廣泛使用[2].

2.2.1傳統視覺檢測方法

Lowe等[3]提出SIFI(scale invariant feature transform)算法，該算法在空間尋找極值點，通過特征匹配的方式提取目標信息. 優點在于有較好的穩定性，能提取豐富信息，但計算復雜，無法對目標邊緣圖像識別. Viola等[4]提出通過級聯Adaboost分類器的方法實現人臉識別，其中人臉特征是由積分圖來表征的. 該方法識別速度較快，但識別的精度和穩定性都較差. Felzenszwalb等[5]提出DPM(deformable part-based model)算法，其使用多個組件來提取HOG特征，適用于人體姿態的檢測. 該算法的實時性較好，能適應變形目標，但工作復雜且魯棒性較差. Rublee等[6]提出一種特征點快速提取和描述算法(ORB)，其通過關鍵點創建特征向量，然后再由特征匹配獲得目標. 該算法的識別速度快，能適應圖像變換，但在檢測過程中不確定的特征點較多且容易受到噪聲的影響.

傳統目標識別方法是由人工設計的特征對目標進行識別，雖然復雜程度低，易于實現，但魯棒性較差，在真實場景中容易被光照條件、 遮擋等因素影響導致識別失效，難以很好地適應各種場景.

2.2.2深度學習視覺檢測方法

目前，深度學習目標識別算法的應用已是大勢所趨. 基于深度學習的目標檢測算法可以通過訓練構建出自適應的特征，能有效適應待識別目標外觀變化，克服了人工設計特征適應性差的缺點.

Hinton等[7]首次提出深度學習概念，展現了深度學習的強大功能，引發了研究熱潮. Girshick等[8]提出了R-CNN算法，該算法基于候選區域并創造性地將深度學習方法應用于目標識別中，但該算法存在不共享特征和識別時間長的缺點. 為了克服R-CNN算法存在的限制，Faster R-CNN算法[9]被提出，其真正地實現了端到端檢測識別，但存在小目標識別準確率低且模型復雜的不足. Redmon等[10]提出YOLO算法，該算法將目標識別問題轉化為回歸問題，簡化了識別過程，識別速度得到了大幅提升，但存在識別精度差和泛化能力弱的缺點，后續的版本對不足之處進行了改進. Liu等[11]提出的SSD算法，該算法結合回歸思想和anchor機制，識別速度能滿足實時性要求，但對小目標的識別效果較差. 葉佳林等[12]將YOLOv3算法應用在非機動檢測上，同時采用損失函數對其進行改進，提高了識別和定位精度.

研究表明，與傳統目標識別算法相比較，基于深度學習的目標識別算法可以避免傳統人工設計特征單一的缺點，通過不斷學習和訓練能提取出更加有效的特征，在多場景適應性和識別準確率方面有著巨大優勢.

2.3 空間感知技術

在視覺檢測過程中，會經常遇到如光照條件變化、 極端天氣等情況導致視覺識別算法的失效. 因此，為了提高自動駕駛汽車的安全性，研究人員開始將受光照條件變化影響小的空間傳感器用于環境感知.

2.3.1激光雷達環境感知方法

激光雷達環境感知方法主要是指三維目標檢測算法，研究的主要內容是對采集到的激光雷達點云數據通過三維目標識別算法進行識別. 在點云目標識別中，主要的點云處理方法有三種，分別是間接處理、 直接處理和融合處理[2].

在間接處理方法中，主要是對激光雷達點云數據進行下采樣或降為二維后通過深度神經網絡進行識別. Beltaran等[13]提出BirdNet算法，該算法以Faster RCNN算法為基礎，能適應不同線束的激光雷達. Zeng等[14]提出RT3D(real time 3D)算法，該算法先對激光雷達點云數據進行下采樣，再通過R-FCN網絡進行識別. 間接方法能有效利用網絡識別圖像，但也過濾掉了待識別目標的空間信息，計算復雜且識別精度較差.

在直接處理方法中，主要是依據點云數據特點設計深度神經網絡進行識別. Charles等[15]提出PointNet算法，該算法在識別過程的全局特征由多層感知機(MLP)生成，以點云數據為輸入，直接應用設計的深度學習網絡模型進行識別. Qi等[16]提出PointNet++算法，該算法受到卷積神經網絡啟發，借助點距離來提取局部區域特征. 直接法能充分利用點云的三維信息，但算法較為復雜.

在融合處理方法中，主要是先對圖像和點云識別結果進行融合，再做后續的處理. Chen等[17]提出MV3D(multi-view 3D)算法，該算法以點云和圖像數據作為輸入，構建出點云俯視圖和前視圖，完成三維目標識別. Ku等[18]提出AVOD(aggre gate view object detection network)算法，該算法設計了一個RPN網絡，能用來預測待識別目標的種類、 尺寸和位置. 融合方法識別準確，但是數據的采集比較困難，計算量龐大.

2.3.2毫米波雷達環境感知方法

由于毫米波雷達成本低廉，且在探測范圍上不存在盲點，經常作為智能駕駛汽車的輔助傳感器. 長距雷達主要是指77 GHz的毫米波雷達，探測距離較遠，主要被安裝在智能駕駛汽車的前方和左右兩側. 短距雷達主要是指24 GHz的毫米波雷達，探測距離較近，主要被安裝在智能駕駛汽車的后方[19]. Cai等[20]提出利用卷積神經網絡對長距毫米波雷達的實時雷達散射截面積數據和圖像進行區分，實現目標分類. 周小鈞等[21]提出使用聯合概率數據關聯算法對毫米波雷達進行處理，同時引入生命周期理論，實現對目標的跟蹤. Yoneda等[22]提出采用交互式多模型集方法估計目標的運動狀態，實現在復雜環境中借助毫米波雷達對汽車的定位.

2.3.3超聲波雷達環境感知方法

傳統的超聲波雷達有兩種，第一個是短程超聲波，安裝在前后保險杠上，用來測量前后障礙物距離和防碰撞預警； 第二種是遠程超聲波，安裝在汽車的側面，用來探測空間和防碰撞預警[23]. 姜武華等[24]提出利用超聲波傳感器和攝像頭等傳感器信息融合的方式，借助Sugeno型模糊推理方法實現不同車位的識別. Rhee等[25]提出使用超聲波傳感器陣列，通過消除地面反射濾波算法和距離估計算法實現實用、 低成本的路緣檢測和系統定位. Li等[26]提出使用線性陣列超聲波傳感器，利用擴展卡爾曼濾波器和無損卡爾曼濾波器實現對車輛周圍移動物體的跟蹤. 總之，超聲波雷達具有高頻、 良好的方向性和經濟性，在倒車雷達、 自動停車、 盲區檢測等領域應用廣泛. 但是也存在一些限制，如頻率范圍小，無法用于遠程測量，以及靈敏度較低.

3 路徑規劃方法研究進展

自動駕駛車輛路徑規劃是指在動態避障條件或靜態環境中，定義車輛的起始和終止狀態，建立滿足車輛運動學約束、 避障限制以及性能指標(如： 路徑平滑度最高、 距離最短、 能耗最小等)的有效路徑. 自動駕駛車輛的路徑規劃策略可分為經典方法和啟發式方法.

3.1 經典方法

3.1.1隨機采樣方法

隨機采樣方法根據關注點的不同，可分為漸進最優采樣方法和單查詢采樣方法，其中在無人駕駛車輛規劃中普遍使用單查詢法中的概率路圖(PRM)和快速隨機拓展樹法(RRT). 單查詢法可以提高車輛在高維空間、 多障礙物以及復雜環境中的搜索效率. 概率路圖方法的核心思想為： 在空間中創建道路障礙物的網格圖，從而構建離散空間，然后在路徑網格圖上進行規劃[27]. 而快速隨機拓展樹技術是在完全已知的環境中隨機散布點，接著通過迭代產生節點以此來構建行駛路徑.

朱冰等[28]為解決傳統快速隨機拓展樹中容易陷入局部優化和軌跡抖動的問題，通過提取實車實驗數據創建安全場，并集成到RRT算法架構中以此生成駕駛車輛避障軌跡. 劉芙等[29]結合RRT算法和人工勢場法，從駕駛舒適性的角度建立車輛行駛路線. Zhan等[30]將網格空間劃分為定重疊、 不定重疊和線重疊以減少計算次數，并結合A*搜索和二次規劃算法構建車輛路徑. 李敏等[31]為提高算法的求解速度，將距離變換技術集成到PRM算法中.

3.1.2人工勢場法

在無人駕駛車輛路徑規劃中，人工勢場法因其計算復雜度低而得到了廣泛的應用，主要思想是通過創建人工勢場來模擬車輛的吸引力和排斥力[32]. 在勢場法中，創建基于自由空間和障礙物空間的勢能函數，產生目標位置的吸引力場和每個障礙物周圍的排斥場，車輛根據勢場引起的勢場感應力運動.

唐志榮等[33]構建了改進的無人駕駛車輛勢斥力場模型，在經典勢斥力場模型的基礎上增加了路沿勢斥力場，并用橢圓距離替換原始距離，結合考慮車輛目標、 障礙物、 路沿的勢斥力場構建車輛在狹窄環境下的避障行駛軌跡. 任學干等[34]結合蟻群算法和人工勢場算法，將目標引力場和障礙物斥力場作為蟻群算法的啟發信息來構建目標軌跡，減少無人駕駛車輛構建路徑的盲目性. Wu等[35]為獲得路徑規劃中的最優解以及解決局部最小和最終路徑平滑度的問題，基于人工勢場法中的勢斥力場模型，引入了增益極限并結合B樣條曲線的方法構建車輛行駛軌跡. 張家旭等[36]將螺旋下降、 正弦、 指數函數模型相結合來構建勢斥力場(包括目標引力場、 低速車輛斥力場、 彎道邊緣斥力場)，而后生成彎道超車空間曲線.

3.1.3幾何曲線插值法

連續幾何曲線插值法生成具有曲率連續及加速度連續的路徑，其一般用于無人駕駛汽車慢速行駛工況. 例如，在泊車場景下，對車輛的起始和終止狀態下的姿態控制要求較高，且在行駛過程中需要曲率連續的路線，幾何曲線插值法生成的具有數學函數的路徑能很好地解決上述問題[37]. 幾何曲線包括： 多項式曲線、 回旋曲線、 樣條曲線、 貝塞爾曲線、 反正切曲線等.

Chen等[38]利用貝塞爾曲線的避障特性，提出隨時間變化的三次貝塞爾曲線的變道規劃算法，將速度和路徑解耦進行規劃，且將路徑分為變道路徑和避障路徑. Zhou等[39]使用五次多項式計算車輛從啟動狀態到目標狀態的軌跡. 李韜[40]確定所規劃軌跡中的過程姿態因素、 起始位置因素、 行駛避障因素后使用五次多項式構建垂直、 平行泊車行駛軌跡. Du等[41]將B樣條曲線與RRT運動規劃控制器相結合，提出了利用駕駛員視覺行為引導RRT，并采用基于B樣條的連續曲率光滑方法實現軌跡的構建. 陳無畏等[42]利用阿克曼車輛運動學模型建立雙向的三段式泊車軌跡并結合遺傳算法優化求解路徑模型參數. 張榮輝等[43]針對無人駕駛車輛規劃過程中的避障問題，結合改進的以時間為自變量的多段多項式函數規劃車輛行駛路徑.

3.2 啟發式方法

3.2.1智能優化算法

相比傳統算法，智能優化算法的優勢主要體現在： 可以解決多目標優化問題、 干擾抑制能力強、 快速求解全局最優值而不陷于局部最優、 求解結果不依賴于初始值等[44]. 智能優化算法主要包括： 遺傳算法、 粒子群算法、 細菌算法、 蟻群算法等.

為提高蟻群算法的全局搜索能力以及避免搜索的盲目性，江明等[45]針對區域搜索信息在蟻群算法初始化時增加了自適應調整因子和避障因子，對優劣性不同的蟻群所經過的路徑信息進行判別. 李昶威等[46]利用蝙蝠算法構建行駛路徑時，在算法迭代公式中引入人工勢場法中的目標點引力系數和障礙物斥力系數，加快算法收斂. 袁建華等[47]提出了一種融合窗口滾動和改進PSO算法的避障規劃策略，利用滾動策略建立障礙物信息后采用改進的PSO算法對可行駛路徑在線搜索. Al-jarrah等[48]為提高路徑搜索的邊緣檢測能力和行駛路徑的安全性，在A*算法的基礎上融合遺傳算法、 細菌算法以及模糊邏輯視覺處理方法，其中模糊邏輯視覺處理方法用于對障礙物進行邊緣檢測，而利用細菌算法對模糊分配規則進行優化，最后利用A*和遺傳算法規劃行駛路徑.

3.2.2神經網絡方法

神經網絡是由許多簡單且高度互連的處理要素組成的智能系統，這些處理元素通過對外部輸入的動態響應來傳遞信息[49]. 神經網絡包括深度學習(DL)、 強化學習(RL)、 DL與RL的組合. 神經網絡具有高容錯性、 分布式表示性、 廣泛并行性、 泛化性等特點.

Afifi等[50]提出一種利用深度強化策略梯度算法搭建的一個多層次體系結構，能夠通過運動規劃來協同規劃多車輛無碰撞行駛路徑. Cruz等[51]為解決無人駕駛車輛在完全未知的環境中自我學習慢甚至無法學習的問題，提出一種多智能體強化學習算法，通過構建相應的獎勵結構和訓練系統求解路徑規劃的最優值. 龐可[52]提出了一種融合強化學習算法和深度學習算法的無人車輛路徑搜索策略，算法基于障礙物信息和相關交規的獎懲函數，并結合駕駛舒適性約束構建行駛路徑.

3.2.3模糊邏輯方法

模糊邏輯方法結合專家經驗以及判斷能力，通過模糊思維和邏輯判斷進行反映. 模糊邏輯評估不需要建立數學函數模型且魯棒性較強，因此廣泛應用于滯后和非線性領域[53]. 其核心思想為： 在讀取傳感器信息并經過模糊規則推斷后，模糊邏輯控制器輸出無人駕駛車輛執行器所需信息.

張春洲[54]設計了無人泊車條件下的模糊邏輯控制器，將泊車過程中的車輛橫縱向位移和車身姿態角作為控制器的輸入，前輪轉角作為輸出. 張艷溶等[55]基于模糊邏輯控制組合分層控制，將車輛避障路徑分為避開障礙軌跡和趨于終點軌跡分別設計模糊控制器，提高了算法的運行效率. 李洪硌[56]利用模糊邏輯規則對無人駕駛車輛行駛狀態進行分類，并結合神經網絡構建車輛行駛規劃器，構建行駛軌跡.

上述分析各規劃算法的性能特點如表3所示：

表3 路徑規劃算法及其特點Tab.3 Path planning algorithm and its characteristics

4 軌跡跟蹤技術研究進展

自動駕駛車輛軌跡跟蹤問題的實質是控制目標車輛沿著路徑規劃層的路徑行駛，同時在保持操縱穩定性的前提下盡可能降低跟蹤偏差. 目前主流的跟蹤控制方法包括幾何運動控制方法、 經典控制方法、 現代控制方法以及智能控制方法.

4.1 幾何運動控制

幾何運動控制器是根據車輛的幾何模型設計的，由于其簡單性和穩定性，被廣泛應用在實際控制過程中. 純追蹤(pure pursuit)是最常用的幾何運動控制器. 由于純追蹤在實際工程應用中存在延時的問題，趙建輝等[57]對該算法進行了改進，進而改善了控制器的性能. 純追蹤比較適用于簡單模型的幾何運動控制，易于實現. 其容易受到預瞄距離等參數影響，而且沒有考慮車輛的動力學特性，在復雜行駛工況下跟蹤效果不理想. 為了提高純追蹤算法的自適應性，趙治國等[58]提出了一種基于粒子群優化算法的預瞄距離自適應方法.

4.2 經典控制方法

4.2.1PID控制

經典的PID控制器通常根據軌跡規劃層的參考軌跡和參考速度控制車輛的前輪轉角和速度. Han等[59]提出一種自適應PID神經網絡路徑跟蹤控制策略，通過遺忘因子最小二乘算法辨識模型參數，控制器參數通過神經網絡算法去調控. Zennir等[60]在控制器設計中引入車輛橫擺角速度，顯著提高了控制性能. 控制器結構簡單且易于在實際工程中得到應用，這些都是PID控制方法的優點, 然而，PID控制器存在通用性差的問題. 當工況發生較大變化時，控制參數不再是最優的. 為此，Sarhadi等[61]提出了自適應PID控制方法.

4.2.2滑模控制

在滑模控制中，狀態反饋信號和控制信號被視為一種不連續函數，不受參數不確定性和外部干擾的影響，這種控制器在系統不確定和外界干擾下都具有快速響應和良好的魯棒性. 然而，由于控制器提供了快速切換式的解決方案，控制信號的抖振是不可避免的，而且由于執行器的延遲和缺陷，可能導致執行器和設備的嚴重損壞以及由于這些抖動而產生的不必要的干擾. 為了解決滑模控制在軌跡跟蹤過程中出現的抖振問題，結合車輛的負載傳遞特性，Chen等[62]提出了一種自適應滑模控制方法. 為提高分布式驅動電動智能汽車在自主循跡過程中關鍵參數的估計精度并降低模型不確定性對控制系統魯棒性的影響，任玥等[63]提出一種基于觀測器的自適應滑模路徑跟蹤控制策略. 為了克服系統的非線性特性，Zhu與Guo等[64-65]提出一種基于滑模控制的主動容錯軌跡跟蹤控制方法，分析了干擾力矩、 時滯和噪聲對軌跡跟蹤控制的影響. 考慮車輛參數路面附著系數、 慣性參數、 縱向速度的不確定性，Taghavifar等[66]提出一種基于滑模模糊2型網絡的魯棒自適應路徑跟蹤控制策略，設計了多滑模跟蹤控制器. 雖然基于模糊規則和徑向基神經網絡的自適應滑模控制方法能解決滑模控制器的抖振問題, 然而，基于模糊規則的自適應控制策略和基于神經網絡的動態信息補償策略增加了系統的復雜性. 同時，模糊規則的確定和神經網絡的訓練也給系統的物理實現帶來困難. 由于滑模控制容易導致受控系統產生抖振現象，從而限制了其在自動駕駛控制上的應用.

4.3 現代控制方法

4.3.1最優控制

線性二次調節器(LQR)是一種典型的反饋控制方法，其控制器增益采用線性二次優化方法確定. 此方法的核心思想為： 在每個控制周期內，對系統誤差模型進行線性化，并采用二次優化目標函數求解出最優的控制量變化率，進而實現最優的軌跡跟蹤控制. 林棻等[67]提出一種橫向穩定集成控制方法，考慮到車輛的位置和車輛動力學狀態變化對控制器的影響，通過反饋控制產生期望的橫擺角速度，而且在軌跡跟蹤控制器中加入了橫擺力矩控制，提高了車輛的行駛穩定性. 考慮到定位和規劃階段的噪聲，Lee等[68]提出一種基于模型的自適應Q矩陣線性二次高斯控制方法，用于跟蹤控制器的設計. 當車輛在低速和簡單路況下行駛時，LQR可以達到較好的控制性能. 然而，當車輛表現出復雜的非線性特性時，由于線性反饋和模型簡化，控制器的效果顯著降低. 因此，Xu等[69]基于LQR開發了一種自適應控制器，將基于道路信息的前饋控制和基于車輛動力學的反饋控制引入控制器設計中，以補償車輛動力學建模的誤差和干擾. 然而，該類控制器需要在線優化，對計算能力的要求很高，而且控制器的設計是基于線性假設的，從而限制了其應用. 由于LQR沒有考慮車輛動力學約束，難以保證車輛高速行駛時的穩定性.

4.3.2模型預測控制

模型預測控制(model predictive control, MPC)可以在滿足多個約束條件下對動態系統進行控制，具有處理系統約束和預測未來的能力. 在預測范圍內，基于車輛動力學模型預測車輛狀態信息，使參考路徑與實際路徑之間的誤差最小化，已被廣泛應用在自動駕駛車輛的控制.

熊璐等[70]設計一種縱向和橫向耦合的控制器，提高了控制器在低附著路面的穩定性. Sun等[71]通過比較三種MPC控制器在不同跟蹤誤差下的性能，提出一種可切換跟蹤誤差的自適應控制器，該控制器以速度航向誤差為跟蹤偏差，并采用穩態側滑代替實時側滑. 其仿真結果表明該方法可以在保證追蹤精度的同時，提高車輛的穩定性. Wang等[72]提出 一種改進型MPC控制器，采用模糊自適應控制算法根據當前車輛狀態實時改變MPC的權重參數，在保證追蹤精度的同時，也提高了車輛的轉向穩定性. Yuan等[73]提出一種車速自適應的MPC控制器，通過模糊控制和神經網絡預測器獲得期望航向偏差，以減小控制器在不同車速下的過早轉向和轉向超調問題. 此外，軌跡跟蹤和狀態估計在運動規劃和自動駕駛汽車控制中具有重要意義. Cui等[74]用卡爾曼濾波算法實現了非線性車輛系統的狀態估計，將車輛狀態估計器集成到軌跡跟蹤系統中，仿真結果表明，所設計的帶估計器MPC控制器在高速路徑跟蹤中具有良好的性能. 為了使MPC控制器能夠適應不同速度和道路曲率的變化，石貞洪等[75]、Zhang等[76]和Geng等[77]在控制器中加入了參數自適應控制策略，采用模糊規則和多種控制器的策略進行組合控制，實現控制參數在不同條件下自適應調節. Zhang等[78]對MPC算法進行改進，基于Laguerre函數提出一種快速在線求解的MPC算法，進一步提高了MPC控制器的計算效率. 為了提高車輛狀態預測精度，Saback和Berntorp等[79-80]提出基于非線性MPC的控制方法. 然而，非線性MPC方法計算量大，對控制器的計算能力提出了很大的挑戰，限制了非線性MPC在工程中的應用. 陳龍等[81]針對大曲率轉彎工況下，智能汽車縱橫向動力學特性的耦合及動力學約束導致軌跡跟蹤精度和穩定性下降的問題，提出一種基于非線性模型預測控制(NMPC)的縱橫向綜合軌跡跟蹤控制方法，通過NMPC和障礙函數法的有效結合，提高了跟蹤精度，改善了行駛穩定性.

為了提高MPC控制器對速度和參考軌跡曲率的自適性，白國星等[82]采用曲線擬合的方法對模型預測控制器的預測時域進行自適應的選取，提高了控制器的自適能力； 吳欣欣等[83], 鐘思祺等[84]分別提出一種結合路徑規劃的軌跡跟蹤控制器，在軌跡跟蹤的過程中進行動態避障. 王藝[85]針對智能汽車設計了一種自動駕駛軌跡跟蹤控制器，提出一種參數自適應控制策略，根據道路參數和車輛狀態信息的變化，自適應地優化參數設置. 通過仿真測試驗證，優化后的MPC控制器提高了對速度變化的自適應能力.

4.4 智能控制

智能控制方法是一種以智能算法理論為基礎的控制算法，主要有機器學習等. 隨著機器學習算法的發展，強化學習算法和神經網絡被越來越多地用于智能車輛和移動機器人的控制，與其他控制算法相比強化學習算法是一種無模型的控制算法，其在不需要了解被控對象數學模型的基礎上，通過回報函數進行離線訓練就可以根據被控對象的實時狀態來完成控制目標. Shan等[86]將純追蹤和PID控制相結合，并采用強化學習算法權衡兩者的控制權重，用以控制智能車輛的前輪轉角，提高軌跡追蹤精度. Woo等[87]提出一種基于深度確定性策略梯度算法的控制器，用以對無人艇的路徑跟隨控制，結果表明該控制器在經過反復訓練后可具備路徑跟蹤能力. Zhang等[88]采用強化學習算法對深度神經網絡進行訓練，得到一種基于深度強化學習算法的追蹤控制器，與純追蹤方法相比該控制器能有效減少高速行駛時的轉向超調現象. 考慮到強化學習算法無模型的特點，結合神經網絡離線訓練，可直接用于對智能汽車的橫向控制，并且針對汽車的非線性特性具有很好的補償效果.

綜上所述各控制算法的特點如表4所示.

表4 各軌跡跟蹤控制算法及其特點Tab.4 Each trajectory tracking control algorithm and its characteristics

5 結語

2) 環境感知探索以多種傳感技術模擬駕駛員的眼睛和耳朵來探測外部環境的靜態和動態信息，發展融合多種傳感器信息，包括視覺和空間感知方式的多傳感器融合技術和方法是未來環境感知的發展趨勢. 在環境感知技術方面當前存在的主要難題是無法有效感知全氣候條件下的外部環境，包括夜間、 雨天、 霧天等天氣條件，其次傳感器海量采集數據帶來的處理過程復雜，而算法復雜度無法滿足行車動態實時的響應要求.

3) 在路徑規劃與軌跡跟蹤的算法研究方面，存在的主要難題在于車輛模型描述單一的局限性和算法泛化能力的局限性. 在車輛模型描述方面普遍采用的二自由度單車模型只適用于低速常規工況下對車輛運動過程的描述，缺乏對空氣阻力、 動力傳動系統、 線控制動轉向系統和懸架系統等非線性影響因素的考慮，無法應用于高速極限工況或者多變工況下車輛運動學建模與控制. 因此，在考慮車輛的極限工況下(包括車身底盤振動、 輪胎滑轉以及汽車橫向慣性漂移等實際工況)車輛非線性系統建模是車輛建模的必然選擇.

另一方面，路徑規劃的每種算法各自適用于不同的領域，而單算法自身存在的缺點以及相應的局限性，導致單算法結構不具有泛化求解能力，需要面對不同的工況進行改進. 因此，多種算法的彼此融合，如局部路徑規劃方法與全局路徑規劃方法的結合或者經典方法和啟發式方法相結合是未來技術發展的重要方向.

同時，在軌跡跟蹤和控制執行方法方面，算法泛化能力的局限性體現在各單種算法自身的優缺點和所適用的場景，各算法精度、 可靠性、 響應能力和效率無法滿足復雜行駛工況和車輛模型參數動態變化的需求. 因此，研究包括機器學習在內多種算法間的融合將是未來重要的發展方向.