基于多目標優化的自動駕駛汽車軌跡跟蹤控制的研究

郭建宏

摘 要：由于汽車數量的迅速增長，交通擁堵問題越來越嚴重，交通事故發生率也隨之不斷上升，對人類生產生活造成了巨大損失。為了能夠減少甚至避免道路交通系統中存在交通控制方面的盲點性和沖突，自動駕駛汽車技術已經成為當前研究的熱點。針對基于多目標優化的交通軌跡跟蹤控制問題進行了分析與研究，首先介紹了一種簡單實用且能有效避免交通事故發生的方法;針對國內外相關課題研究現狀作簡要綜述并提出自己所存在和有待解決或改進的關鍵性問題：即車輛動力學參數確定困難、運動學特性不同時間下位置變化導致軌跡失調及道路擁擠等現象。

關鍵詞：目標優化 自動駕駛 軌跡跟蹤

1 引言

在現實生活中，由于各種環境因素，車輛的軌跡跟蹤也是一個典型且難以解決的問題，至今為止對于該方面一直沒有較為成熟完善的理論和方法。隨著計算機技術、計算流體力學等相關學科領域知識不斷發展與進步以及人們對交通安全關注意識提升而提出了更加精確化、智能化與自動化控制策略。在這些新奇有效手段當中遺傳算法是最具有代表性并且實用性較高的一種，其研究也已經非常深入；模糊邏輯法作為經典的車輛軌跡跟蹤方法之一。

2 相關理論概述

典型的人工神經網絡有如下幾個特點：

1）非線性。在輸入層和輸出層之間，一般情況下，系統中神經元數目越多，其權值變化越大。因此對于不確定因素存在時變函數可以忽略不計；

2）實時性差或局部最優解是不可優化的（如噪聲干擾等問題導致無法跟蹤指定目標位置而影響工作效率等）；人工神經網絡具有很強的自學習能力、容錯能力及非線性映射功能。[1]

2.1 自動駕駛車輛的相關概念

自動駕駛汽車是以駕駛員的位置為基準，按照一定車速、方向進行行駛，在車輛行駛過程中能夠自主感知周邊環境并對周圍狀況作出相應反應。而交通安全問題則主要指交通事故所引發的各種傷亡事故。道路交通系統作為一個復雜多變且動態變化大眾化體統工程對象之一其本身又具有復雜性和不確定性等特點。自動駕駛車輛是指以無人作為操作核心的車輛。它能夠根據駕駛員的視覺判斷出行駛方向，并按照一定路線自行進行運動。在道路交通環境中，有兩種類型：一種為非自主式交通；另一種則是具有非人為化特征（如車速、車距等）道路條件下運行時進行控制和協調所采取措施而實施的方法稱為自動駕駛行為；其中由智能車輛或者其他輔助駕駛員操縱汽車或其它輔助司機操作從而實現其目的的方式被稱之為自動駕駛策略。

2.2 自動駕駛車輛的目標

車輛的自動駕駛是以車輛為研究對象，通過計算機技術、傳感裝置和控制器等控制設備來達到對汽車進行動力調整以及安全防護。在實際情況中，由于環境因素影響導致駕駛員狀態不穩定或出現事故時駕駛員無法正確識別出行人與車物之間的相對關系。為了解決這些問題我們通常采用交通模擬實驗法或者人工視覺系統進行試驗驗證自動駕駛車輛軌跡跟蹤算法是否準確可靠；通過建立合適的目標函數和期望輸出值來對無人駕駛汽車控制模型進行優化處理。自動駕駛汽車的研究對象主要是由駕駛員操縱車輛，并在其行駛過程中保持穩定。因此，需要對車輛進行控制。通過使用傳感器采集到實時數據從而獲取當前交通狀況和車速信息、路面環境條件以及道路擁堵情況等參數值，來確定當前狀態下所處路段或車道是否暢通；同時利用攝像頭所拍攝的圖像來判斷前方路況和車輛位置并做出相應調整以避免偏離預定軌跡運行，使駕駛員始終保持安全駕駛。

2.3 自動駕駛車輛定位

車輛的自動跟蹤系統是指通過采集到的目標位置數據，然后利用計算機視覺技術、檢測設備等進行處理得到道路狀況信息。由于在實際環境中對前方物體或其它障礙物都非常敏感且存在一定程度上距離較遠時，為了保證實時性和準確性需要采用多個傳感器獲取當前狀態下待測目標所在區域內所有特征點位之間相對近線性關系。車輛跟蹤系統是一個非線性的連續過程控制系統，因此其控制精度將受到影響。車輛的自動跟蹤系統是在車輛行駛過程中，利用計算機技術、傳感器等多種先進設備對交通流進行實時監控和反饋控制。由于智能控制理論與方法已經逐漸應用到了實際生活當中并取得了較好效果。因此我們可以將其作為一個完整的智能車系統來實現該目標所要求得功能及性能指標：時間上跟蹤精度高；車輛在行駛過程中能夠保持恒定或運動狀態是研究自動駕駛系統的關鍵因素之一。

2.4 自動駕駛車輛軌跡跟蹤辨識

車輛跟蹤問題是一個非線性的、多目標優化控制過程，在實際系統中，受多種干擾，存在著各種不確定因素和噪聲信號等。為了解決這些復雜多變的、非實時性地分析研究對象或約束條件下如何進行自動駕駛軌跡預測就顯得特別重要。在進行自動駕駛車輛軌跡跟蹤控制時，其目的是使駕駛員能夠實時掌握自己的車速，以及當前道路中存在哪些不確定因素。這些信息包括：當前道路是否有車可以行駛；當遇到其他人追逐或者追尾行為時該輛車可能偏離某方向行進。為了對這幾種情況實施有效追蹤就需要建立一個完整且準確的數學模型，來描述這種情形下所對應跟蹤車輛軌跡之間相互變換規律和運動狀態與實際行駛狀況間的關系。

3 多目標優化模型

在對車輛進行跟蹤控制的過程中，需要考慮多方面因素，其中最重要的是目標優化問題。為了能夠使多道人有足夠的時間來完成任務指標。首先要確定一個合理、高效和可操作性強并且可以實際應用到生活當中去解決這個問題所需具備什么特性；其次是建立數學模型并將其轉化為簡單明了且容易實現以及易于理解等特點；最后就是在進行參數選擇時，一定要考慮車輛運動學特征與動力學行為之間是否匹配于其他因素的影響。在進行多目標優化控制時，首先要建立一個初始化的模型，這個初始化模型是整個系統中最核心和基礎部分。因為車輛本身具有一定形狀尺寸、軌跡長度等特征，所以需要對該參數作適當修正；其次就是確定合適的遺傳算法來實現最優解得近似函數；最后再通過計算得到期望路徑下運動狀態信息（即速度－加速度）以及目標位置上對應點處相應時間內行駛狀況及周邊環境的變化。

3.1 多目標優化模型的建立

在進行多目標優化控制的過程中，我們需要對車輛行駛軌跡以及道路狀況做一定權衡，然后再通過計算使系統達到最滿意狀態。因此有必要先建立一種能夠兼顧各種約束條件下同時考慮多種約束情況的模型來作為實現最優問題解決方法。為了保證車輛跟蹤算法具有良好性能和較高精度以得到較為理想效果并且滿足實際應用要求，在進行多目標優化控制之前必須設定一個初始值或者是函數參數（如噪聲、速度等）。[2]由于每個車輛都不是由同一個車集合組成，而是由多個不同類型的車集組合而成。在現實生活中存在著兩個以上具有一定精度高分辨力和適應度強性能、且能滿足其特定要求而又不影響運行速度或環境適應性等特性指標。為了解決上述典型復雜模型之間可能相互矛盾及多目標跟蹤系統的非線性問題。需要對車輛進行建模分析以獲得最準確軌跡信息，使之成為一個完整的控制方案。

3.2 多目標優化模型的求解

在進行多目標優化的過程中，最重要的是求解車輛之間的運動軌跡，從而使其能夠跟蹤期望位置。但是由于每個車身上部都是隨機分布、具有不確定性和復雜性等特點造成了計算量比較大并且算法也相對比較復雜。為了得到較為準確合理且能被廣泛應用推廣應用到實際生活當中去時，需要對其進行求解并將它轉化為可以實現控制車輛軌跡跟蹤問題模型。在建立一個車輛的初始軌跡之后，就是對這個初始位置進行求解，然后再根據給定的求解公式對其進行優化處理達到最終目的。

3.3 數值仿真

在MATLAB的環境下，我們可以通過建立一個初始化模型，來進行自動駕駛車輛軌跡跟蹤控制。首先是設定目標函數。這個初始化參數主要包括：駕駛員當前時間點、期望行駛距離以及實際行走速度等信息。通過計算各個狀態（如車速和加速度）之間的關系式擬合優度值并將其轉化為直線方程。最后再對各子代入器得到一組離散數據集，通過這些集合來進行自動駕駛車輛軌跡跟蹤控制仿真實驗。

4 自動駕駛車輛軌跡跟蹤控制

車輛的軌跡跟蹤控制是利用計算機技術，通過對采集到的信息進行處理，根據獲得得與期望值相比較而得到目標位置和行駛速度等反饋信號（即運動狀態）。在實際生活中由于環境因素、被遮擋及其他干擾原因等影響導致道路狀況不理想時可以使用自動駕駛控制器。當攝像頭拍攝圖像質量較低或者相機不能準確捕捉到車輛軌跡數據時，系統需要人工干預來改變采集的視頻或圖片，以獲得良好的跟蹤效果。[3]

4.1 基于多目標優化的自動駕駛車輛軌跡跟蹤

車輛跟蹤是在多目標優化的基礎上發展起來的，其目的在于解決非線性約束，使車輛跟隨環境變化、行駛距離和軌跡形狀等因素對交通狀態產生較大影響。由于道路情況復雜多變以及有眾多不確定性因素存在使得基于多目標優化算法具有一定難度。為了提高系統運行速度及抗干擾能力以降低不必要損失，并消除各種不利條件下造成交通事故發生所帶來的經濟損失與人員傷亡事故。

4.2 基于多目標優化的改進

多目標優化的基本思想是通過分析車輛在不同路徑上運行軌跡，計算各參數，以實現對跟蹤約束條件和期望速度大小等的最優控制。當車輛行駛過程中遇到障礙物限制時或者由于天氣惡劣導致雨雪冰凍、風浪過強以及其他干擾因素使車速下降或停止狀態下行駛時，系統需要采取最大制動次數來克服這些不利影響以維持道路暢通和流暢的情況。

5 自動駕駛車輛軌跡跟蹤控制實驗

在進行了交通流數據的采集之后，利用MATLAB軟件對車輛軌跡跟蹤，完成了以下實驗內容：

（1）對車輛行駛速度、方向及目標位置等參數進行設定；

（2）采用多種算法相結合實現自動駕駛狀態下的自適應控制策略。包括基于模糊綜合評價方法和遺傳算法。其中通過仿真試驗表明該系統具有較高穩定性與魯棒性，在不影響交通流變化以及道路通行能力的情況下有比較理想跟蹤性能。

5.1 實驗系統的軟件環境

在硬件環境方面，本文采用單片機作為控制核心，并使用多種傳感器采集車輛的位置信息與軌跡數據。由于車輛本身具有一定形狀和大小范圍等特性（如車道、方向盤或轉向盤）時通過CAN定位算法能夠實現對其軌跡跟蹤；另外還需要使用一些輔助設備來完成對道路狀況的檢測及分析處理功能以及用于汽車車速變化監測系統中所需硬件設施。[4]

5.2 自動駕駛車輛軌跡跟蹤模塊介紹

自動駕駛交通軌跡跟蹤模塊是基于遺傳算法的基礎上建立的，利用遺傳算法對車輛中各行進狀態進行實時修正，從而使其能在滿足一定要求并具有較高速度和足夠空間范圍內完成目標任務。它采用了一種自適應地方法來解決交通控制問題。車輛跟蹤的目的就是使駕駛員能夠實時地、完整準確地向軌跡目標前進，在道路中行駛，以盡可能少的占用道路資源。智能交通系統技術和傳感控制理論研究發展迅速以及道路交通設施不斷完善等因素影響下，自動駕駛汽車越來越多出現在各種復雜環境當中。由于這些原因造成了交通事故發生率大大提高并且死亡率也隨之增加；車輛跟蹤問題直接關系到駕駛員是否能安全地、準確地向軌跡目標前進，同時還與車輛行駛速度大小有很大的關聯性。

5.3 自動駕駛車輛軌跡跟蹤過程

在汽車行駛過程中，通過對采集到的數據進行分析，得到車輛行走軌跡和運動學模型。根據建立好的數學模型來計算出跟蹤目標車輛行進路線。確定目標區域。在多階段交通環境下單擁堵車流狀況、道路交通事故等情況下，如何有效地預測其當前狀態并采取措施以消除事故發生后造成損失以及影響因素成為主要任務；結合汽車實際行駛速度，對單個單一駕駛人進行軌跡跟蹤和運動學分析建立相應的模型實現車輛控制策略。

6 存在的問題和不足之處

本文主要研究了人工軌跡跟蹤和自動駕駛的基本原理，并結合遺傳算法實現車輛運動學自適應控制。（1）目標函數法：在初始化階段利用計算機完成對初始參數的設定。但是這種方法需要大量計算時間以及運行速度快是一個無法解決并且難以避免缺點；（2）遺傳算子選擇問題：基于自然界物種優勝劣汰原則建立一種適用于人工軌跡跟蹤和自動駕駛系統的多自由度非線性規劃設計，但其算法簡單、魯棒性較差且運算效率低；（3）當環境變化時對行人行走有干擾影響；由于人走越遠、道路不平等原因導致軌跡跟蹤精度不高；在實際情況下行駛狀況復雜多變，無法準確實現車輛與背景圖像信息實時交互。[5]

7 結語

基于單目標自動駕駛車輛軌跡跟蹤的方法，以期望接近最優為目的，通過對蟻群算法、模糊控制理論和遺傳算法等多種智能優化技術進行研究。其中介紹了基本蟻群搜索策略模型，模型在求解過程中存在著局部尋優現象且缺乏全局性考慮；最后結合實際情況引入粒子算子來解決非線性問題并驗證其有效性與優越性。基于多目標優化的自動駕駛汽車跟蹤控制方法，以車輛動力學參數為約束，綜合考慮駕駛員與車距，最大爬坡度等因素建立了一種簡化連續交通流模型。通過該模型可以實現對不同道路條件下沿路網進行軌跡自適應調整和動態修正。在車輛平均速度較低情況下、當車速接近某一值時以及遇到突發狀況不允許自動駕駛的時候均能跟蹤到目標位置；而在車輛行駛過程中出現某項參數變化較大且實時控制較為困難時為有效措施。

項目來源：高校教師創新基金項目? ?項目編號：2023B-285。

參考文獻：

[1]黃穎濤，徐筠凱.基于模糊控制的自動駕駛車輛軌跡跟蹤控制研究[J].裝備制造技術，2018：88-89+111.

[2]李俊彥，宋煥生，張朝陽，侯景嚴，武非凡.基于視頻的多目標車輛跟蹤及軌跡優化[J].計算機工程與應用，2020：194-199.

[3]秦萬軍，徐友春，李明喜，耿帥，李欣瑩.基于二自由度模型的無人駕駛車輛軌跡跟蹤控制研究[J].軍事交通學院學報，2014：35-39.

[4]吳晟博，曹理想.無人駕駛車輛軌跡跟蹤控制研究[J].汽車實用技術，2020：51-53.

[5]顧小川，李軍.自動駕駛車輛路徑跟蹤控制方法[J].汽車工程師，2019：13-16.