智能汽車軌跡跟蹤控制算法研究綜述

李松

（重慶交通大學機電與車輛工程學院，重慶400074）

縮略語

PP Pure Pursuit

PID Proportional Integral Derivative

LQR Linear Quadratic Regulator

MPC Model Predictive Control

ESO Extended State Observer

SMC Sliding Mode Control

ADRC Active Disturbance Rejection Control

FC Fuzzy Control

AC Adaptive Control

KF Kalman Filter

EKF Extended Kalman Filter

UKF Unscented Kalman algorithm

CKF Cubature Kalman Filter

PF Particle Filter

DL Deep Learning

RL Reinforcement Learning

CNN Convolutional Neural Network

PSO Particle Swarm Optimization

ILC Iterative Learning Control

DDPG Deep Deterministic Policy Gradient

0 引言

智能汽車研發是汽車產業向智能化轉型的核心，智能汽車核心技術研發也得到了學術界和產業界廣泛和高度的關注。智能汽車不僅能實現基礎的駕駛動作，還能規避人為不良駕駛操作，大幅度降低安全風險，極大程度地減少交通事故發生率，同時也改善城市交通擁堵狀況。智能汽車發展趨勢不可逆轉，由計算機、人工智能和控制工程等多學科領域共同發力，為中國智能汽車產業貢獻高新技術和創新發展新方案。軌跡跟蹤控制是智能汽車的核心技術之一，其本質是使智能汽車按照所設定的路徑行駛，同時確保智能汽車操控穩定與安全。軌跡跟蹤控制技術確保并期望改善智能汽車行駛舒適性和平穩性。

智能汽車的跟蹤分為路徑跟蹤和軌跡跟蹤2類[1]。不同之處是，路徑跟蹤問題中的參考軌跡是相對獨立的，與時間關系不密切。而軌跡跟蹤問題中，參考軌跡與時間密切相關，且對智能汽車隨時間的響應速度和軌跡誤差精度要求更高。為此，研究人員就不得不將軌跡和時間與空間建立密切關聯，以保證軌跡跟蹤過程的實時性，因此必須將智能汽車橫向和縱向運動都與時間建立關系，從而實現智能汽車橫向和縱向運動協調一致，使得智能駕駛行駛時能夠迅速且平穩地按照參考軌跡運行。

本文以跟蹤控制為重點研究對象，主要從基于幾何運動學和動力學的跟蹤控制算法及其優化方向進行研究，通過例舉法和對比法，詳細分析目前通用的跟蹤控制方法原理及其優缺點，直觀感受各種方法的試用范圍和情景。

1 智能汽車軌跡跟蹤算法

智能汽車的軌跡跟蹤定義為：在車輛中，通常將質心（或后輪中心）選作控制點，由軌跡規劃模塊選擇出當前時刻期望軌跡上的一個點作為合適的參考點，計算相應的速度、橫向誤差，使得控制點向參考點逼近，從而完成對期望軌跡跟蹤過程[2]，軌跡跟蹤模型見圖1。

圖1 軌跡跟蹤模型[2]

智能車輛的軌跡跟蹤主要分為2類：（1）單純基于幾何運動學的跟蹤算法，如純跟蹤算法（Pure Pursuit，PP）和斯坦利（Stanley）算法；（2）基于運動學模型和動力學模型的跟蹤算法，如比例積分控制（Proportional Integral Derivative，PID）、線性二次調節器（Linear Quadratic Regulator，LQR）、模型預測控制（Model Predictive Control，MPC）、滑模控制和自抗擾控制等。表1中按軌跡跟蹤算法分類，對當前軌跡跟蹤控制和優化算法進行了總結。

表1 軌跡跟蹤控制及優化算法

運動學是從幾何學的角度對物體的運動規律進行分析，它包含了物體在空間中的速度和位置隨時間而發生的改變。所以，車輛運動學模型可以反映車輛位置、速度、加速度與時間的關系。在建立汽車運動學模型時，必須綜合考慮汽車的橫向位置信息和汽車的偏航角。汽車動力學建模必須要考慮到汽車與路面間的作用力，考慮輪胎的側偏特性。在高速行駛條件下，汽車運動學模型推導中，汽車前后車輪的運動軌跡與車輪的速度矢量不再一致。動力學模型比運動學模型增加了動態參數，更能表征汽車實際運行狀態，因此，采用動力學模型對車輛的軌跡跟蹤十分必要。

基于幾何與運動學的跟蹤算法常只適用于智能汽車車速＜70 km/h 時軌跡跟蹤，當車速≥70 km/h 時往往采用基于動力學以及考慮其他算法進行軌跡跟蹤，如多算法融合、多約束等來提高精度與保證操縱穩定性。

1.1 純跟蹤算法（PP）

純跟蹤控制算法是一種典型的橫向控制方法，最早由卡內基梅隆大學學者Wallace在20世紀八十年代提出[3]，該方法對外界的魯棒性較好。PP 算法利用期望路徑與行駛路徑的距離偏差來測量汽車位置信息、前輪轉向角數據，來實現智能汽車的路徑跟蹤。純跟蹤算法具有實現簡單、數據計算直觀的優點，在跟蹤過程中呈現出很好的魯棒性。圖2給出了純跟蹤算法控制的幾何關系示意[4]，該方法的基本原理是在對汽車轉彎半徑R進行控制的基礎上，以汽車后軸中心為控制點，從該點出發到前視距為ld的參考路徑目標點（Gx，Gy），再根據阿克曼轉向模型（Ackerman Turing Model），計算出所需要的前輪轉動角度[1]。

圖2 純路徑跟蹤模型[4]

根據幾何關系：

可得車輛轉向半徑R和轉向曲率ρ分別為：

式中，α為車輛中心平面與前視矢量的夾角；ye為側向位移的誤差。

算法可以理解為轉向曲率ρ是關于側向位移誤差ye且增益系數為2/l2d的比例控制。

參考需求的轉向半徑R，l為車輛前后輪距離，結合阿克曼轉向模型，可以計算出前輪轉向角δf：

純跟蹤算法（PP）方法簡便，對路面曲率擾動有較強的抗干擾能力，但其對前視點選取的依賴性較強，且最優化結果難以獲得。另外，單純的跟蹤方法建立在一個簡單的幾何模型上，沒有充分地考慮汽車動力學特征以及轉向執行器的動態特征。在車速為100 km/h 行駛條件下，由于轉彎曲率急劇改變容易引起汽車側滑，且由于系統建模與真實汽車特征差異過大，跟蹤效果不理想。

1.2 Stanley算法

Stanley 算法也稱之為前輪反饋控制算法。Stanley 算法基本思路是根據前輪中心的路徑跟蹤偏差值進行計算，得到轉向盤的轉向控制量。Stanley 算法模型見圖3。該算法以車輛前軸中心到最近參考軌跡點的距離為基礎的非線性反饋函數，可以使橫向跟蹤誤差指數收斂到零。通過汽車姿態和參考路徑之間的幾何關系，可以直接得到汽車轉向盤的控制量。前輪轉角的控制變量主要包括2個方面：

圖3 Stanley運動學模型[5]

（1）航向誤差形成的轉角，就是期望軌跡上與車身最近點的切線方向與車輛方向的夾角。

（2）由橫向誤差造成的夾角，也就是在側向偏差下，前軸車輪的中心與期望軌跡最近的點之間的夾角[5]。

在不計橫向誤差的前提下，汽車前輪的偏角必須與已期望路徑參考點的切線方向一致。如果忽略了航向跟蹤的偏差，則會使橫向跟蹤誤差增大，從而使前輪轉向角變大。

與純跟蹤算法相比，Stanley 算法的優勢在于該算法同時兼顧了車輛偏航角和車輛與跟蹤路徑之間的橫向誤差，其核心思路是根據前輪的軌跡追蹤偏移量來確定轉向盤的轉向控制量。在此基礎上，提出了一種非線性反饋函數方法，該方法以車輛前軸中心與最近路徑點的間距為基礎，將橫向跟蹤誤差指數收斂到零。利用汽車姿態和參考路徑之間的空間位置相關性，可直接得到汽車轉向軸角度的控制量。

當路徑為連續可導且路徑曲率變化時，Stanley 算法前輪反饋系統具有一定的局部指數收斂特性。但是可以看到，這種方法并不適合在汽車倒車的情況下使用，在像自動泊車這樣需要短距離倒車的情況下也不能使用。此外，還需要有更高的期望路線的光滑平整度，在道路曲率光滑度不佳的時候，很可能會發生車輛響應超調過大的問題[6]。

1.3 比例積分（PID）算法

傳統PID 控制算法發展較早，相對也更為成熟，由于PID 不需要對被控對象進行建模，而且其控制需要的參數較少，多應用于智能汽車縱向軌跡跟蹤控制。此外，該算法在應用于智能汽車的橫向軌跡跟蹤控制時，由于單獨的傳統PID 控制算法已經無法滿足如今多變的智能汽車參數及道路環境，無法適應高度自動駕駛汽車軌跡跟蹤控制。目前純粹的傳統PID控制應用也已很少，應用更多的軌跡跟蹤控制算法是和其他控制器聯合實現復合控制，如Tsai 等[7]基于預測控制和輸出遞歸模糊小波神經網絡來進行在線參數學習和自適應PID 算法，Phu 等[8]利用模糊PID 來提高PID 的適用性，以PID 為基礎，研究其他彌補短板的優化方向。

MARINO 等[9]提出了一種新型串級PID 橫向控制方案，該方案采用外環回路，利用橫向誤差值間接獲得所需的期望橫擺角速度，內環采用比例積分（Proportional Integral，PI）控制，實現了對橫擺角速度的實時追蹤，并利用極點配置對控制器的參數進行調節，實現整體的漸近穩定性。然而，該算法僅根據智能汽車與路徑之間的運動規律進行了線性化，不能實現較大幅度的橫向位移量的遞增收斂，也不能充分考慮執行器的限制因素。

北京理工大學趙熙俊等[10]提出了一種新的航向偏差反饋控制策略。分析運動學方程，獲得了目標航向角誤差。并在這基礎上，以車與路耦合系統為基礎，根據車速不同分段，提出了一種分段固定增益PID 控制算法，并通過實車實驗驗證了其對非結構性路面的良好跟蹤性能，其橫向控制系統試驗結果如圖4 所示。

圖4 橫向控制系統試驗結果[10]

以上文獻所提出的PID 控制方法在單一變量的情況下，能體現出較強的跟蹤性能，包括速度、橫擺角速度和航向角。盡管PID 控制方法簡便、高效，從理論上講，根據模型調整PID 參數能獲得最佳結果。但在不知道模型或處于時變系統的情況下，調整PID 參數通常需要大量經驗，且計算復雜度較高。同時，由于外界干擾和不確定因素的影響，使得難以達到大范圍內的漸近穩定性。此外，常規PID 控制方法還存在著因執行器容量飽和而引起的積分操作發散現象，因此必須對其進行進一步的改進以防止積分飽和。

1.4 線性二次調節器（LQR）算法

LQR 采用全狀態線性反饋控制器，構建閉環最優化控制系統，對二次優化問題進行歸一化處理，給出優化結果的解析解，并在保證多個性能目標的前提下，進行優化設計，可以較好地完成對目標路徑的最優跟蹤控制，因此常被用于智能汽車橫向運動控制中[11]。

徐明澤等[12]和張栩源等[13]都提出了融合LQR 和PID 算法，前者采用遺傳算法對橫向LQR 控制的關鍵參數進行了確定，后者提出了前輪轉角補償控制，都能提高智能汽車軌跡跟蹤的精度及魯棒性。

Snider[6]簡要闡述了LQR 在軌跡跟蹤方面的應用。采用汽車質心為控制點，對含有路面彎曲干擾的汽車進行建模，采用不考慮干擾項的線性二次型調節器，雖能保證系統的穩定性，但因干擾項的存在，其穩態誤差依然存在。針對這一問題，又提出了一種在LQR 反饋控制的基礎上增加道路曲率前饋環節的控制方法，以減小橫向位移的穩定誤差。但因為控制點在質心位置的預瞄距離為零，所以前饋信號只有被動響應，超調比較明顯，而預瞄信號的加入可以提高控制效果。

二次調節控制器在多目標跟蹤控制的表現良好，徐明澤等[12]和張栩源等[13]結合PID 算法進行橫向控制，能發揮出2 種算法的優點。但LQR 結合PID 算法缺點也很明顯，即在整個過程中都進行了線性化處理，將環境干擾和路面情況理想化，在鄉村道路或人流量較大的胡同環境下不穩定性大大增加，需要制定合理的優化方法或者引入新的算法結合，降低外界干擾帶來的影響。

1.5 模型預測控制（MPC）

由于智能汽車所面對的是一個不斷發生變化的復雜環境，必須要符合關鍵安全約束和執行器約束條件。而MPC算法可以對預測信息進行全面分析，對多約束優化有著很強的處理能力。同時，其在理論與計算方面的同步發展，拓展了實時MPC的適用領域。傳統MPC 已經較為成熟，如今更多的還是對MPC 算法進行改進，如基于參數自適應、變步長、時域自適應等的AMPC 算法，如基于多控制器、引入其他智能算法的蟻群算法、神經網絡算法和遺傳算法等。為此，研究人員在模型預測控制技術的基礎上進行了大量的算法研究。Mata 等[14]提出了一種以多重約束為基礎的最優軌跡跟蹤控制策略，該策略采用了連續線性化誤差模型，并采用二次規劃求解MPC，從而實現了較好的軌跡跟蹤精度。基于該方法，Son 等[15]提出了一種面向倒車行駛的轉向控制方法，該方法具有比斯坦利（Stanley）方法更強的魯棒性和更高的追蹤準確率。

李伯雄等[16]提出一種將擴展卡爾曼濾波法與模型預測控制法結合的控制算法，模型結構如圖5所示。試驗采用3種不同的路面附著系數來模擬路面附著情況，用于實現車輛橫向軌跡跟蹤，以保證智能汽車在未知路面工況下的行駛安全，使智能汽車跟隨預期軌跡行駛，有效提高了智能汽車在不同附著系數路面行駛時橫向軌跡跟蹤的穩定性及魯棒性。

圖5 橫向跟蹤控制算法模型[16]

趙樹恩等[17]針對下智能汽車軌跡跟蹤的精確性和車輛行駛穩定性等要求，提出一種基于擴張狀態觀測器（Extended State Observer，ESO）的MPC 策略，利用ESO 對車輛狀態時變特性、道路環境不確定性因素引起的干擾進行在線估計，從而提高智能汽車在彎道且存在干擾環境下進行軌跡跟蹤的魯棒性和實時性。

相比較前面的PID 和LQR 軌跡跟蹤算法，MPC算法在處理多約束問題上有更大的優勢，在處理外界干擾和路面附著問題方面，跟蹤算法精度更高，魯棒性更好。但在實際應用過程中運算復雜，多約束處理時存在沖突，無法找到最優解，成本也高。

1.6 其他算法

由于滑模控制（Sliding Mode Control，SMC）對參數變化及擾動不敏感，系統具有極強的魯棒性且當其應用于非線性系統時，無須進行復雜的線性化，能更便捷穩定地實現控制，也常應用于軌跡跟蹤，如王俊昌等[18]基于快速冪次趨近律設計智能汽車軌跡跟蹤SMC，通過智能汽車自主轉向控制跟蹤參考軌跡，通過橫擺力矩控制跟蹤參考橫擺角速度。此外，利用橫擺力矩控制量設計了前輪轉向角補償模塊，通過軌跡跟蹤和橫擺穩定控制器的協調，進一步修正軌跡跟蹤精度。

李鶴年等[19]基于遺傳算法整定滑模參數、馬瑞梓等[20]基于神經網絡實現滑模變結構來提高控制精度和效果。Aslam 等[21]利用模糊滑模控制來對滑移轉向智能汽車進行軌跡跟蹤控制。

滑模控制和改進型自抗干擾控制算法本身在提高智能汽車操控性能、安全性和適應多樣路況方面有顯著優勢。在此基礎上使用快速冪次律、遺傳算法、神經網絡方法提高跟蹤精度。滑模控制器由于成本高、耗能大和維護頻繁的問題限制了其使用范圍。表2總結了軌跡跟蹤算法優缺點。

表2 軌跡跟蹤控制算法優缺點

2 軌跡跟蹤算法優化

傳統軌跡跟蹤控制算法大多只能適用于智能汽車中低速工況，高速工況下可能會失穩，精度有所降低。為提高智能汽車軌跡跟蹤精度，通常會采用以下方法對軌跡跟蹤算法進行優化。

2.1 卡爾曼濾波

周云等[23]針對基于壓縮感知技術的目標跟蹤算法存在的跟蹤漂移問題，提出了一種采用改進壓縮感知算法和卡爾曼濾波（Kalman Filter，KF）方法相結合的車輛目標跟蹤算法，通過KF 增益系數對預測值與觀測值進行修正，獲得最終目標跟蹤結果。最后，在修正后的目標區域周圍進行正負樣本采樣，以實現樸素貝葉斯分類器更新，進而實現目標跟蹤軌跡的實時更新。

于晨等[24]基于擴展卡爾曼濾波算法（Extended Kalman Filter，EKF）融合慣性傳感器、地磁傳感器與編碼器數據，解決輪式移動機器人在實際軌跡跟蹤任務中存在傳感器測量誤差且測量噪聲統計信息獲取困難的問題。

陳瑩等[25]利用平方根卡爾曼濾波（Unscented Kalman Filter，UKF）提出了一種多傳感器融合跟蹤方法，以協方差平方根陣代替協方差陣參加迭代運算,可有效抑制濾波后的誤差，提高系統的跟蹤準確率。

卡爾曼濾波是比較成熟的狀態估計算法，應用在智能汽車軌跡跟蹤中，能很好地提高實時性和精確性，針對模型要求高和噪音測量誤差問題，可以使用擴展卡爾曼濾波和粒子濾波方法進行改進。

2.2 粒子濾波

Jia 等[26]提出了一種基于粒子濾波（Particle Filter，PF）的自適應強跟蹤粒子濾波算法。根據每時刻實際測量值和預測測量值之間的殘差，通過特定算法流程，自適應地對遺忘因子和弱化因子進行調整，來提高跟蹤精度。

Lin 等[27]提出了一種改進的基于PF 的跟蹤算法，將所有顆粒分為2部分并分開放置。第一次放置的粒子數量足夠大，以確保可以覆蓋目標的粒子數量盡可能多，然后將第二部分粒子放置在與第一次放置粒子中的模板最高相似度的粒子位置，以提高跟蹤精度，在復雜場景下的魯棒性，并解決由快速移動目標引起的漂移問題。

粒子濾波性能與粒子數目有關，過多和過少粒子數目都會影響測試結果，Lin 等[27]提出了分步放置的方式解決了粒子濾波的估計結果不準確和復雜度高的問題。此外粒子濾波還存在采樣偏差和粒子退化的問題，Jia等[26]對遺忘因子和弱化因子進行調整。除了上述方法外還可以通過基于樹結構、基于網格方法對粒子濾波優化方法進行完善。

2.3 強化學習

增強學習是一種通過學習從狀態到行為進行匹配來獲得最大收益的一種學習機制。這學習機制必須在外界條件下持續試驗，并根據外界條件（激勵），持續地進行狀態-行為優化對應關系。反復試驗（Trial and error）和延時獎勵（Delayed reward）是強化學習中的2 個主要特點。將其用于車輛跟蹤，其背景包括車輛模型、跟蹤模型、路面模型以及回報函數。

賀伊琳等[28]在此基礎上，利用強化學習的深度確定性策略梯度（Deep Deterministic Policy Gradient，DDPG）算法，在目標跟蹤過程中，根據目標的橫向偏差、角度偏差以及路徑曲率，判斷目標的轉向角，進而完成目標的自動追蹤，并進一步提升追蹤準確度。

夏家偉等[29]提出一種基于近端策略優化的深度強化學習軌跡跟蹤控制算法，生成軌跡任務數據集來模擬復雜的任務環境，以此作為深度強化學習控制器的訓練樣本輸入，增強控制器的魯棒性。

強化學習能在無模型情況下，機器學習駕駛數據是一種模仿人類駕駛的方式。在上述文獻中可以看出強化學習提高了目標跟蹤的精確性和智能化程度。與傳統的控制算法結合，能實現更高級的軌跡跟蹤效果，但需要在訓練時間和樣本效率方面做出更有效的改進。

2.4 深度學習

如Vaquero 等[30]利用卷積神經網絡（Convolutional Neural Network，CNN）來對圖像序列進行處理，可以有效地提取特征并預測物體的運動軌跡。

金輝等[31]提出了一種利用前饋神經網絡對所處路段進行路面附著系數辨識的新算法，并提出了一種多參數的預測控制軌道追蹤算法，從而在確保跟蹤準確率和行駛平順性的前提下，進一步提升了其運算效率。

李志堅等[32]結合高速公路監控視頻，設計了高效的CG3 瓶頸層結構來優化Yolov5 目標檢測算法，并利用改進了損失函數的Deepsort多目標追蹤算法進行車輛軌跡檢測與跟蹤，優化后的算法得出的車輛檢測精度由92.8%提高到了96.3%,精度提高了3.5%。

肖宗鑫[33]等基于徑向基神經網絡的自適應補償和魯棒控制設計了優化后的MPC軌跡跟蹤控制系統，減輕智能汽車側滑程度，提高智能汽車行駛穩定性。

相比于強化學習，深度學習在數據驅動學習、特征學習和表征能力、高級模式識別方面更有優勢，同時也存在數據需求量大和解釋性差的缺點，可以結合強化學習、可視化、注意力機制（Attention Mechanism）技術來改善。

2.5 迭代學習控制

對于具有重復運行這種特質的系統，采用迭代式學習控制，根據已有動作的誤差信息，對當前動作的輸入信號進行修正，從而實現對已有動作的最優控制。

裴九芳等[34]采用了迭代學習控制（Iterative Learning Control, ILC）來對所述移動機器人運動軌跡進行控制和跟蹤。

卜旭輝等[35]利用ILC 理論對農機作業車的行駛軌跡進行了分析，利用壓縮映射法對其進行了收斂分析。

姚文龍等[36]將時變、非線性因素納入到一個迭代域下全格式動態線性化數據模型，并在此基礎上，利用時間差分的思想，研究一種新的、具有最優特性的、無需建模的自適應迭代控制方法，有效提升了軌跡跟蹤的準確性與魯棒性。

由于迭代學習控制能適應非線性系統，有較小的模型依耐性。很多學者將其應用在軌跡跟蹤方面，需要注意的是要對其初始化進行合理選擇，以滿足其收斂性較高的要求。

2.6 其他優化方法

除以上優化方向外，其他如多控制組合優化算法、粒子群優化算法、遺傳優化算法等也有應用。例如呂文杰等[37]利用了模糊控制（Fuzzy Control，FC）的思路和純跟蹤的算法，將智能汽車行駛速度和航向偏角作為模糊控制器輸入，以此將前視距進行合理動態調整。相對于固定前視距離的純跟蹤算法，該方法可以顯著地改善目標的跟蹤性能。

王鑫等[38]將PP 算法與Stanley 算法結合，對車輪轉角的計算方式進行改進，根據智能汽車航向角、橫向偏差、車速特性，基于合適的預瞄距離，實時計算智能汽車在當前車速下合適的車輪轉角，更好地滿足智能汽車跟蹤精確度和平滑性要求。

唐傳茵等[39]提出了一種可以調節參數的基于PSO算法的模型預測控制器，結合輪胎的動力學特性及智能汽車動態特性對輪胎側偏角、質心側偏角進行約束來提高智能汽車在高速下的路徑跟蹤效果。

苑風霞等[40]在遺傳算法的基礎上,引入了衰減速率先慢后快的高斯衰減函數，使其能夠合理分配預測量和控制量的權重，證實了這樣的策略對目標軌跡跟蹤精度效果顯著。

不同算法和調節參數方法引入，都是為了跟蹤的效果又快又穩，滿足乘坐安全性、平穩性和舒適行要求。要特別強調外界干擾、道路附著系數變化和動態場景下的實時性和精確度。隨著技術不斷突破，軌跡跟蹤控制的效果也不斷增強，多算法融合已經成為一種新趨勢。

3 結論與展望

本文綜述了智能車輛軌跡跟蹤控制的相關研究。從幾何運動學、運動學和動力學建模分類出發，對相關軌跡跟蹤算法以及它們的優化方向進行了探討。分析總結得到以下結論和展望：

（1）當前，智能車輛的軌跡跟蹤研究并不滿足于中低速車速的單一控制算法，需要多方向、多層次深入研究，縱向發展單一算法的延伸方向彌補原有不足，橫向結合其他智能優化算法或者將多種軌跡跟蹤算法結合來提高其控制精度和操縱穩定性。

（2）在智能化不斷發展的時代，深度學習、強化學習凸顯智能化算法與智能汽車軌跡跟蹤控制聯系會不斷加深，應當拓展智能算法在軌跡跟蹤上的應用場景。

（3）當前，軌跡跟蹤應用場景簡單，參考軌跡也大多較簡單，軌跡跟蹤控制算法很少得到應用于一些極端條件的場景上。在此基礎上，針對城區、山區的復雜路況，充分利用實時感知和預報信息，開展基于不確定因素的智能汽車運動軌跡跟蹤與控制方法研究。