無人駕駛汽車運動控制研究綜述

摘要：隨著傳統控制方法的日益革新與智能化控制技術的不斷發展，無人駕駛汽車領域逐漸興起，正成為新時代智能交通發展大背景下的先行領航。無人駕駛汽車的控制具有非線性、不確定性、高遲延性等特點，如果僅依靠傳統的控制方法則無法滿足其在復雜環境下自適應動態調整的需求，由此可能造成汽車路徑規劃的不準確性以及一系列的安全隱患。因此需要引入智能化控制技術對無人駕駛汽車進行控制，以應對復雜工況下的隨機情形，通過其在線自調整合理改善系統的性能指標。本文綜述了當前基于無人駕駛汽車的現代智能控制方法的研究成果及發展前景，首先介紹了無人駕駛控制中橫向控制以及縱向控制這兩大部分的核心技術及其性能特點，進而闡述了當前無人駕駛控制方法的技術壁壘，最后總結了無人駕駛控制在更深層產業應用中的發展前景。

關鍵詞：無人駕駛汽車；橫向控制；縱向控制；技術缺陷；發展前景

一、引言

相比于傳統汽車，無人駕駛汽車能夠有效規避由于駕駛員操作失誤所帶來的種種安全隱患。其次，無人駕駛汽車能通過衛星導航監控實時的路況，從而規劃出最優的路線，緩解城市道路堵塞所帶來的交通壓力。谷歌的無人駕駛項目于2009年正式落地，并在2016年成立主理無人駕駛業務的Waymo公司，其迄今已收集了幾十億<非公制>的模擬駕駛數據和超過350萬<非公制>的道路駕駛數據。特斯拉Model S車型采用Autopilot自動駕駛系統，該系統的落地使得特斯拉Model S在高速公路上能夠自如實現輔助自動駕駛的功能，并且能對駕駛員駕駛情況及道路環境做出更加密切的監視[1]。無人駕駛汽車的控制主要集中在對其運動的控制上，目標是提高汽車應對復雜路況的自適應調整能力，提升其進行路徑規劃的準確程度，保證在路面行駛時的安全性以及高效性。無人駕駛汽車具有穩定性低、時延、高度非線性等特點，有著較為復雜的耦合動力學結構[1]，因此研究更加穩定高效的控制算法并將其應用于無人駕駛汽車模型架構的優化，具有十分重要的意義。

二、無人駕駛汽車橫向控制

無人駕駛汽車架構的核心內容，其實就是對其運動控制的研究。而此研究主要集中在橫向控制的范疇。橫向運動控制指智能汽車通過車載傳感器感知周圍環境變化，結合全球定位系統 （Global Positioning System， GPS） 獲取汽車的位置信息與參考路徑，并在特定控制方式的邏輯運算下得出最優的參考行駛路徑[2]。

（一）PID控制

無人汽車最常見的控制方法就是智能PID控制。根據不同智能理論進行劃分，其可以分為：模糊PID控制、專家PID控制以及神經網絡PID控制。其底層依托的是傳統PID控制原理——PID控制器對系統給定值同系統輸出值的偏差分別進行比例、積分、微分運算，三者分別主要起到加快調節速率、消除系統穩態誤差以及改善性能指標品質的作用，由此得到其輸出值。而智能PID則是在傳統PID的基礎上引入智能控制的概念，能夠有效改善系統的性能，能自動識別路徑參數并進行動態規劃調整，提高汽車的自跟蹤能力，具有更強的自適應與自組織能力，更加適用于無人駕駛汽車的應用場景[3]。文獻[4]提出一種基于無人路徑跟蹤的數學模型，得到了一種改進的增量式PID算法，提高了無人系統模型的響應速度，減小了調整時間，降低了超調量，并對無人汽車航向進行精確校正。

（二）BP神經網絡

BP神經網絡是基于反向傳播而構建的多層、多節點的神經網絡系統。其在每次訓練中根據所得結果與預想結果的偏差，修改各個節點的權值和閾值組合，在不斷地優化與改進過程中訓練出與理想結果一致的最優解模型。而無人汽車運動控制系統的設計則可以放在此框架下進行。其運動模型將以期望軌跡作為理想參照，在多次訓練中預期輸出最優化的軌跡模型。此外，BP神經網絡具有較強的自適應調節能力，能夠克服無人汽車控制中不確定性強、魯棒性差的特點，可以較高程度上優化算法的控制參數，提升控制的精確性以及普適性[5]。文獻[6]提出一種基于BP神經網絡的PID控制器，能有效避免快速響應過程中振蕩所產生的影響，使控制系統更加穩定、擁有更好的性能指標。

（三）自適應模型預測控制

自適應模型預測控制（Adaptive Model Predictive Control， AMPC）可以看作是一個以周圍環境改變為參照自動調節自身性能的自反饋控制體系，能夠基于數字模型方法優化自身標定的工作狀態。其能在閉環系統中的每一個動態工作點處建立線性數據模型，并基于此對設計的控制器進行仿真。對于像無人汽車這樣的非線性不確定模型，自適應模型預測控制的動態調整特征有利于在簡單的框架下對其實行高魯棒性控制，從而提高仿真模擬的準確性[7]。文獻[8]根據車輛架構動力學模型和輪胎線性模型，對側向、橫擺運動的汽車模型進行離散化處理，設計出的AMPC算法能夠保證汽車在不同縱向速度下安全穩定行駛，有效提高軌跡的精度以及汽車的穩定性。

（四）強化學習

強化學習（Reinforcement Learning， RL）是機器學習中的一種重要研究方法，其能感知并演繹周圍環境，通過實驗不斷完善模型的學習與構建，在分析預測、無人控制等領域具有廣泛的應用前景。文獻[9]以深度學習與強化學習相結合的端到端的無人駕駛控制網絡體系為基礎，考慮實際環境約束對汽車智能體理想化行為的影響，建立一種符合實際駕駛邏輯的控制模型，增強決策行為的安全性及穩定性。文獻[10]以無模型強化學習算法技術為基礎，結合無人駕駛實際場景，分析了強化學習過程中所涉及的獎勵稀疏問題，并論證了強化學習算法在無人車變道駕駛中應用的可行性問題。

三、無人駕駛汽車縱向控制

運動控制中的縱向控制也是無人駕駛汽車研究的一個重要課題?？v向控制 研究的核心在于如何提高無人駕駛汽車行駛過程的安全性、穩定性，以期提升乘客的行車體驗與出行品質。因此，縱向控制力求實現駕駛系統規劃的期望車速與實際車速的高度匹配，而無人駕駛汽車行車速度的控制是通過油門與制動的相互切換來實現的。根據融合控制架構的區別，縱向控制通常被分為直接式控制與分層式控制兩種[11]。

（一）直接式控制

直接式控制是指操作系統直接對無人駕駛汽車的車輛間距以及行車速度實施控制。對于直接式縱向控制，系統的輸入為行駛過程中預設的期望車速與車輛的縱向距離，根據此預設值，縱向控制器能夠直接得到輸出，進而對節氣門開度以及制動壓力實施點對點的操控，具有精準高效且響應速度快的特點[12]。直接式控制基于無人駕駛汽車縱向速度的自適應調節機制，綜合考慮汽車行駛過程中諸如滑移率以及滑轉率等特征參數的控制及優化，直接對目標進行綜合的特征分析，將結果傳送到末端執行器，得到諸如驅動力矩與制動力矩分配的最優解[13]，并依此設計建立更為合理的無人駕駛汽車動力分配結構，有效提升了系統的安全性與穩定性、提高了用戶行車的舒適程度與綜合體感。文獻[14]提出了一種基于新型系統辨識方法構造縱向動力學模型的研究方法。為了解絕無人駕駛汽車系統所具有的不確定性以及非線性的問題，Jullierme E等結合PI和逆動力學特征模型，基于縱向直接控制的原理，提出了一種對車輛縱向速度實施自動控制的策略。

無人駕駛汽車直接式控制的方法也可以和傳統與智能的控制方法相結合，以期提升無人駕駛系統的綜合品質——Hoyong K等[15]設計了一種由PID、PI、滑塊控制器和模糊控制器四部分構成的集成化直接式縱向控制系統。該系統在結合了傳統控制方法優勢的同時，創新性地引入了專家經驗知識，有效提升了無人駕駛汽車面對復雜工況的自適應、自調整能力，降低了參數不確定性、非線性對控制系統產生的影響。

（二）分層式控制

直接式控制雖然能較為精準、快速地對目標控制體進行分析并且得到最優化的末端執行結果的輸出，但是其所需計算量相對較大，難以保證動態控制的實時性[13]。因此，為了有效降低外界復雜因素對控制系統的擾動影響，得到無人駕駛汽車狀態波動的實時反饋，專家在直接式控制研究的基礎上提出了構建無人駕駛汽車分層式控制的模型。分層式控制系統包含上位控制器以及下位控制器。其輸入依舊為期望車速以及車輛的縱向距離，但有所不同的是，該輸入會經過上位控制器并轉化為期望加速度，進而通過下位控制器得出期望的制動壓力與節氣門開度[16]。文獻[17]提出了一種基于魯棒性控制理論的汽車縱向加/減度多模型分層切換控制系統，為了覆蓋控制對象的不確定性，建立了四個乘性不確定性模型，利用MBI方法對魯棒性能控制器集合進行設計，并依此提出了一種對系統不確定性增益進行估計的切換指標函數，使縱向動力學模型具有更加良好的穩定性以及跟蹤性能。文獻[18]提出了一種分層混合控制系統，利用模型預測的方法對橫向運動控制與縱向運動控制進行集合，該系統可以有效提升無人駕駛汽車跟車與換道控制的精準性。

四、無人駕駛汽車控制技術缺陷

無人駕駛汽車依托各種控制器所建造的控制模型有較高的自適應性及穩定性，能夠在不斷地訓練與優化中較好適應現實的駕駛場景。但是，諸多天氣、路況、車流量等現實行車干擾因素仍然具有較強的可變性與不確定性，如果無人駕駛控制系統對這些變化沒有作出及時的監測與合理的策略應對，將帶來極大的安全隱患。這其實也是不少用戶對無人駕駛模式仍持有懷疑態度的重要原因。因此，構建無人駕駛汽車控制系統與行車外部環境實時交互的理想模型、優化控制系統參數與適應性以期達到最佳安全穩定性仍然是未來無人駕駛控制技術深耕研究的重要課題。為此，需要加大現有模型優勢的挖掘，構造其與未來控制技術革新發展相適配的良性互促模式，幫助無人駕駛汽車控制技術走上新臺階。

五、無人駕駛汽車控制技術發展前景

大數據、物聯網領域的迭代與信息資源的轉化為無人駕駛汽車控制提供更廣闊的測試評估平臺以及更真實的行駛場景模擬，提高了無人駕駛汽車的應用水準以及安全穩定性。5G時代的來臨也意味著新型通信技術將在無人汽車的控制領域產生更加深遠的影響，信息化紀元的到來也將為無人汽車控制技術的革新帶來新的思考，如何依托現代信息化技術優化無人汽車控制方法成為無人汽車控制技術領域的新命題。未來，無人汽車運動控制方面的研究將更加深入，構建復雜工況下隨機因子干擾以及時滯不穩定條件下智能汽車橫縱協同控制體系將成為無人駕駛汽車領域又一個新興研究方向[2]。同時，融合無人駕駛汽車橫縱向控制核心技術，實現汽車運動的動態控制以及控制模式的適時切換，依舊是提高無人駕駛汽車綜合性能以及運動調整實時性的關鍵突破點[13]。

伴隨著人類社會智能化水平的提升以及信息技術水平的發展，無人駕駛汽車的更新研發與產業化落地勢在必行，其無論是在商用還是民用領域都將有更廣闊、更光明的發展前景。

六、結束語

無人駕駛汽車的研究與發展提高了人類社會交通運行的便捷化程度與智能化水平，創新并優化了人們的出行模式與出行體驗，具有廣闊的發展應用前景。運動控制是無人駕駛汽車的技術攻克核心，對其涵蓋的橫向與縱向控制方法進行深入的研究有著十分重要的意義。隨著市場經濟的不斷深入化發展和科技水平的逐步提高，無人駕駛控制技術越發得到完善。從傳統控制到智能控制的演變，使得無人駕駛汽車在運動時能夠具有更加穩定、高效的狀態，其已逐漸成為人工智能領域的新興研究熱點。

作者單位：葉立堃? ? 華南理工大學

參? 考? 文? 獻

[1]宋菲.特斯拉Autopilot系統更新：有提升但仍需繼續[J].產品可靠性報告， 2016，8（11）：64-66．

[2]郭景華，李克強，羅禹貢.智能汽車運動控制研究綜述[J].汽車安全與節能學報，2016，7（02）：151-159.

[3]賈傳偉.智能PID控制在無人駕駛技術中的應用[J].電子測量技術， 2020，43（09）：65-69．

[4]? 譚寶成，王賓.無人駕駛汽車路徑跟蹤的增量式PID控制[J].西安工業大學學報，2016，36（12）：996-1001.

[5]? 張守武，王恒，陳鵬，等.神經網絡在無人駕駛汽車運動控制中的應用綜述[J].工程科學學報，2022，44（02）：235-243．

[6] 張永振，蘇寒松，劉高華，等.基于BP神經網絡的PID控制器參數調整[J].南開大學學報（自然科學版），2018，51（03）：26-30．

[7] 田濤濤，侯忠生，劉世達，等．基于無模型自適應控制的無人駕駛汽車橫向控制方法[J].自動化學報，2017，43（11）：1931-1940.

[8]? 楊俊，樊繼東．基于自適應模型預測控制的智能車軌跡跟蹤[J].湖北汽車工業學院學報，2021，35（01）：6-10.

[9] 呂迪，徐坤，李慧云，等.融合類人駕駛行為的無人駕駛深度強化學習方法[J].集成技術，2020，9（05）：34-47.

[10] 閆浩，劉小珠，石英.基于REINFORCE算法和神經網絡的無人駕駛汽車變道控制[J].交通信息與安全，2021，39（01）：164-172.

[11]郝悅．智能汽車橫縱向運動控制方法綜述[J]．汽車實用技術，2022，47（04）：158-161．

[12] 羅玉峰，鐘陳志鵬，陳齊平，等．智能駕駛汽車縱向運動控制研究綜述[J]．汽車實用技術，2018，16（22）：28-32.

[13] 采國順，劉昊吉，馮吉偉，等．智能汽車的運動規劃與控制研究綜述[J]．汽車安全與節能學報，2021，12（03）：279-297．

[14] 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.

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

[16] 劉爽爽，于欣策，鄒廣奕．智能汽車執行控制技術研究[J]．時代汽車，2021，18（16）： 18-19．

[17] 高鋒，李家文，李克強，等．汽車縱向加/減速度多模型分層切換控制[J]．汽車工程，2007，29（09）：804-808.

[18] Chen K， Pei X， Okuda H， et al. A hierarchical hybrid system of integrated longitudinal and lateral control for intelligent vehicles[J]. ISA transactions，2020， 106： 200-212.