自動駕駛汽車橫向控制方法研究綜述

【摘要】為實現精確、穩定的橫向控制，提高車輛自主行駛的安全性和保障乘坐舒適性，綜述了近年來自動駕駛汽車橫向控制方法的最新進展，包括經典控制方法和基于深度學習的方法，討論了各類方法的性能特點及在應用中的優缺點，并針對自動駕駛汽車橫向控制方法的發展趨勢進行了展望。

關鍵詞：自動駕駛汽車 橫向控制 經典控制方法 深度學習 多傳感器融合

中圖分類號：U471.1" "文獻標志碼：A" "DOI： 10.20104/j.cnki.1674-6546.20230152

A Survey of Lateral Control Methods for Autonomous Vehicles

【Abstract】In order to achieve accurate and stable lateral control， and improve the safety of vehicle autonomous driving and ensure the comfort of passengers’ experience， this paper reviewed the latest progress of lateral control methods for autonomous vehicle in recent years， including classical control methods and deep learning based methods， discussed the performance characteristics of these methods and their advantages and disadvantages in application， and prospected the development trend of lateral control methods for autonomous vehicle.

Key words： Autonomous driving， Lateral control， Classical control method， Deep Learning， Multi-sensor fusion

1 前言

隨著計算能力的提高和傳感器技術的發展，自動駕駛汽車在實現高精度定位、環境感知和智能決策方面取得了顯著進展。然而，為了實現完全自動駕駛，汽車需要在復雜的道路環境和多樣化的駕駛任務中表現出高度的自主性和適應性。自動駕駛橫向控制作為自動駕駛系統的關鍵部分，具有提高駕駛安全性、減輕駕駛員疲勞、提高乘坐舒適性等功能，有助于提高道路通行效率、降低交通事故風險，并在自動泊車、車隊協同等方面發揮重要作用。

為實現車道保持、車道變更和緊急避障等功能，橫向控制需要克服復雜道路環境、不確定性工況和噪聲等挑戰。近年來，針對橫向控制的研究受到越來越多的關注，在前人的工作基礎上，本文對自動駕駛汽車橫向控制方法的最新進展進行綜述，包括經典控制方法和基于深度學習的方法，并討論相關方法的優缺點和未來發展趨勢。

2 自動駕駛橫向控制方法的發展歷史

自動駕駛橫向控制方法的研究始于20世紀80年代。在早期階段，研究者主要關注傳統的控制方法，如比例-積分-微分（PID）控制[1]和模糊控制[2]。這些方法在自動駕駛橫向控制中取得了一定的成果，奠定了自動駕駛控制系統的基礎。

進入21世紀，隨著計算能力的提高和傳感器技術的發展，自動駕駛橫向控制方法開始涉及更復雜的算法。預瞄控制[3]、滑模控制[4]和神經網絡控制[5]等方法逐漸成為研究熱點。

預瞄控制（Preview Control）常用于自動駕駛系統，其基本思想是通過預測車輛的未來軌跡，確定當前時刻的控制指令。它利用車輛模型和環境信息，通過計算車輛在未來一段時間內的軌跡，來規劃和生成控制指令。這種控制方法可以考慮到車輛動力學和運動約束，提供較好的軌跡跟蹤性能。

近年來，深度學習[6]、強化學習[7]和模型預測控制（Model Predictive Control，MPC）[8]等先進的控制方法在自動駕駛橫向控制領域取得了顯著進展。這些方法通過大量數據和復雜的算法來實現高度自適應和智能化的橫向控制。尤其是深度學習和強化學習方法，可以從大量的駕駛數據中學習控制策略，提高控制性能和泛化能力。與此同時，MPC在處理系統的不確定性和約束方面具有優勢，為自動駕駛橫向控制任務提供了更精確的實時解決方案。

隨著駕駛場景的多樣化發展和交通場景控制難度的提高，研究人員逐漸意識到單一的控制策略很難滿足各種駕駛場景的需求。因此，混合控制方法[9]應運而生。這些方法通常將不同類型的控制算法相結合，以充分發揮各自的優勢，如：將模糊控制與神經網絡控制相結合[10]，可以提高系統的魯棒性和自適應性；將深度學習與MPC相結合[11]，可以實現更精確的實時橫向控制；將純跟蹤（Pure Pursuit）算法與斯坦利（Stanley）算法相結合，可大幅提升跟蹤平滑性[12]。

3 經典控制方法

經典控制方法在自動駕駛汽車橫向控制領域廣泛應用。這些方法具有簡單、易于實現的優點，但在復雜場景中可能表現出較低的適應性。

3.1 PID控制器

如圖1所示的PID控制器是一種常見的經典控制方法，其中，r為參考輸入或期望值，e為誤差信號，Kp為比例增益，Tds為導數時間常數，Tis為積分時間常數。該控制器的輸出控制信號是誤差項的比例、積分和微分3個部分加權結果的加和。在自動駕駛汽車橫向控制中，PID控制器可以根據車輛與期望軌跡間的偏差來調整轉向盤轉角。PID控制器的主要優點是簡單、易于實現，但其性能會受到系統參數變化、非線性和不確定性的影響[13]。

針對PID控制存在的問題，研究人員提出了多種改進方法，最常見的改進方法為模糊PID控制[14]和自適應PID控制[15]。其中模糊PID控制結合了模糊邏輯控制與傳統PID控制的優點，能夠有效解決非線性和時變問題。模糊PID控制通過模糊邏輯對PID參數進行在線調整，以適應系統的動態變化。其不足之處是需要設計合適的模糊控制規則，且計算復雜度較高，可能導致系統響應速度降低。自適應PID控制是一種在線調整PID參數的方法，它通過實時監測系統的誤差和性能來自動調整控制參數，使系統在不同工況下保持良好的控制性能。其不足之處為算法實現相對復雜，可能導致計算負擔加重，以及自適應調整可能引入不穩定性，需要仔細設計以確保系統穩定性。

3.2 模糊邏輯控制器

如圖2所示，模糊邏輯控制器是一種基于模糊集合論和模糊推理的控制方法，可以處理不確定性和模糊性問題。模糊邏輯控制器通過將輸入變量（如車輛與期望軌跡的偏差和車速）映射到輸出變量（如轉向盤轉角）來生成控制信號[16]。模糊邏輯控制器的優點是對系統參數變化和非線性具有較好的魯棒性，但其性能可能受到規則庫設計和推理機制的影響[17]。

針對模糊控制存在的問題，研究人員提出了多種改進方法。其中最常見的方法為模糊神經網絡控制[18]和模型預測控制[19-20]。其中，模糊神經網絡控制結合了模糊控制和神經網絡的優點，能夠更好地應對非線性和時變問題。模糊神經網絡控制通過訓練神經網絡來自動調整模糊控制規則和參數，以適應系統的動態變化。其缺點為計算復雜度較高，可能導致系統響應速度降低，且需要大量的訓練數據和合適的訓練方法以實現有效控制。MPC是一種基于優化的控制策略，它利用系統模型預測未來一段時間內的系統行為，并根據預測結果計算最優控制輸入。MPC可以處理多輸入多輸出問題，同時考慮系統約束和非線性特性。其缺點是計算復雜度較高，對實時性要求較高的系統可能存在響應速度問題，同時，需要準確的系統模型。

3.3 遺傳控制算法

遺傳算法（Genetic Algorithm，GA）是一種啟發式搜索和優化算法，它模擬了自然界中的生物進化過程，可用于自動駕駛橫向控制中的參數優化或策略優化，以實現更好的控制結果。

遺傳算法可對控制器參數進行優化，通過對不同參數組合的個體進行遺傳操作（如選擇、交叉和變異），逐代搜索出最優參數組合。除控制器參數外，遺傳算法還可用于優化控制策略。例如，在特定的駕駛場景下，可以通過遺傳算法搜索最佳的路徑規劃策略或車道保持策略，以實現更安全和高效的橫向控制。

如圖3所示，遺傳算法的基本步驟包括：

a. 初始化種群。隨機生成一組初始個體，代表參數或策略的不同組合。

b. 適應度評估。對每個個體應用橫向控制算法，并評估其性能，通常使用目標函數或評估指標來度量控制結果的優劣。

c. 選擇操作。根據適應度評估結果，選擇較優秀的個體作為下一代的父代。

d. 交叉操作。對選定的父代個體進行交叉操作，生成子代個體，將父代的某些特征組合起來。

e. 變異操作。對子代個體進行變異操作，引入隨機性，增加種群的多樣性。

f. 重復步驟b～步驟e，直到滿足終止準則，如達到最大迭代次數或達到期望的優化目標。

通過迭代進化的過程，遺傳算法能夠搜索出較優的控制參數或策略，其優點包括：全局搜索能力強，利用種群的多樣性和全局搜索能力，可以在復雜的搜索空間中找到全局最優解；并行性，可以輕松應用并行計算，加速搜索過程；適應性強，適用于不規則、非線性和高度動態的問題；對于大規模問題有效，相對于一些傳統優化算法，在處理大規模問題時表現較好。

遺傳算法的缺點在于，收斂速度相對較慢、參數選擇敏感、不能保證全局最優解，以及對于某些問題，特別是具有明顯結構的問題的有效性不如其他優化方法。

針對多目標優化問題，研究者提出了許多改進的多目標遺傳算法，如多目標粒子群算法等，也有研究人員嘗試將遺傳算法與其他優化算法相結合，形成混合算法，以提高性能。針對參數選擇敏感的問題，自適應遺傳算法的研究受到了關注，可通過動態調整參數來提高算法性能。同時，隨著算力的提升，研究者對并行遺傳算法的研究也在不斷深入。

4 基于深度學習的橫向控制方法

近年來，基于深度學習的橫向控制方法在自動駕駛汽車領域取得了顯著的進展。這些方法利用深度學習技術，如卷積神經網絡（Convolutional Neural Network，CNN）、循環神經網絡（Recurrent Neural Network，RNN）和深度強化學習（Deep Reinforcement Learning，DRL），實現更高效、準確和魯棒的車輛橫向控制。

4.1 模型預測控制

MPC的框架主要包括系統模型、優化目標和約束條件。有文獻[21-23]對MPC進行了改進，提出了一些新的優化算法和約束條件處理方法，使MPC方法在實際應用中更加實用和有效。

文獻[21]在面對車輛路徑跟蹤MPC的動力學非線性問題和實時性要求時，引入了基于非線性預測和沿軌跡線性化的模型預測控制算法（Model Predictive Control algorithm with Nonlinear Prediction and Linearization along the Trajectory，MPC-NPLT）。該方法展現出良好的實時性，可顯著改善在較低附著系數路面上的路徑跟蹤能力。此外，文獻[22]提出了一種改進的基于MPC的橫向控制方法，該方法考慮了路面摩擦因數的影響，以更好地適應不同路況下的橫向控制需求。文獻[23]提出了一種基于自適應雙時域參數MPC的路徑規劃和跟蹤控制方法，該方法能夠自動調節MPC的參數以適應不同的控制需求和環境變化。最后，文獻[24]針對車輛縱、橫向跟蹤的強耦合、非線性特性，設計了基于自適應MPC理論的軌跡跟蹤控制器，獲得了良好的時效性。

如圖4所示，融合深度學習技術和MPC被認為可以提高車輛橫向控制的性能和魯棒性。深度學習可用于學習車輛模型、環境模型和控制策略等方面，從而提供更準確的預測和控制。以下是幾種常見的融合方法：

a. 數據采集和訓練。收集車輛在各種不同駕駛場景下的數據，包括傳感器數據、車輛狀態和控制指令，用于訓練深度學習模型，如神經網絡，以學習車輛的動力學模型、環境模型和駕駛策略。

b. 深度學習模型與MPC的融合。在MPC中，深度學習模型可以用于預測車輛的未來狀態和環境的變化，這些預測信息可以作為MPC的輸入，用于生成優化控制指令序列。

c. 優化控制指令序列。MPC利用車輛模型和環境模型，考慮車輛動力學、約束條件和期望的行為，通過優化算法（如數值優化或模型預測）生成一系列最優的控制指令。

d. 實施控制指令。根據MPC生成的控制指令序列，車輛的執行單元（如電動機和轉向系統）將相應地調整車輛的橫向運動，實現精確的橫向控制。

通過深度學習和MPC的融合，可以利用深度學習模型對復雜的駕駛場景進行建模和預測，并通過MPC的優化能力生成高質量的控制指令。

總體而言，基于MPC的自動駕駛橫向控制方法在處理多輸入多輸出問題、考慮系統約束和非線性特性方面具有一定優勢。然而，其計算復雜度較高、對實時性要求高以及依賴準確系統模型等問題仍需解決。隨著深度學習和強化學習等技術的不斷發展，未來的自動駕駛橫向控制方法有望更加智能、自適應和實用。這些方法可以在一定程度上處理系統的不確定性和約束，具有較好的實時性和魯棒性。然而，MPC的計算復雜度較高，可能限制其在實際應用中的推廣。

4.2 滑模控制

如圖5所示，滑模控制（Sliding Mode Control，SMC）是一種基于滑模變結構控制理論的非線性控制方法，它通過設計滑模面和控制律實現系統狀態的快速、穩定收斂，其中，s為系統的滑模變量，x1、x2分別為兩個狀態變量。在自動駕駛汽車橫向控制中，滑模控制器可以根據車輛與期望軌跡之間的偏差和速度來調整轉向盤轉角[25-26]。SMC的優點是對系統參數變化和外部干擾具有較好的魯棒性，但其性能可能受到抖振現象和滑模面設計的影響。

SMC包括滑模面的設計和滑模控制律的求解。文獻[27]利用車輛的動態模型和改進的滑模控制算法，在給定路徑上控制車輛的軌跡跟蹤，實現了良好的魯棒性和精度。文獻[28]利用非線性模型預測控制器和滑模控制器實現車輛在復雜道路上的橫向運動魯棒控制，在軌跡跟蹤精度和魯棒性方面表現良好。文獻[29]利用模型預測控制算法實現路徑跟蹤控制，提高了自動駕駛的穩定性。文獻[30]結合運動學模型和模型預測控制算法，實現了高速路徑跟蹤，在軌跡跟蹤精度和魯棒性方面表現良好。文獻[31]利用深度神經網絡學習車輛動力學和模型預測控制算法，獲得了良好的軌跡跟蹤精度和魯棒性表現。

上述方法通過設計滑模面和滑模控制律，使得系統狀態能夠在滑模面上滑動，實現魯棒的橫向控制。然而，滑模控制的設計過程較為復雜，且存在著抖振問題。

4.3 端到端學習

如圖6所示，端到端學習方法直接從原始傳感器數據（如攝像頭圖像）映射到控制指令（如轉向盤轉角）。卷積神經網絡通常用于提取圖像特征并生成控制指令。這種方法的優勢在于可以自動學習從輸入數據到控制輸出的復雜映射，無需手動設計特征提取器和控制器。但是，端到端學習也可能受到訓練數據質量、模型可解釋性和實時性等挑戰的影響。

文獻[32]使用深度神經網絡實現了從輸入圖像到輸出車輛操控命令的端到端學習。文獻[33]利用多狀態的信息進行端到端學習，提高了橫向控制的準確性和魯棒性。文獻[34]介紹了一種基于端到端學習的自動駕駛框架，并在全尺寸自動駕駛車輛上進行了試驗。文獻[35]提出了一種基于數據驅動的人類駕駛員橫向控制模型，實現了自動駕駛車輛的橫向控制。

4.4 深度強化學習

深度強化學習是一種結合了深度學習和強化學習的方法，通過訓練智能體與環境交互并學習最佳行動策略。在自動駕駛汽車的橫向控制中，DRL可以用于學習最優控制策略以實現高精度的車道保持和車道變更，如圖7所示。其中：τ=[x1，x2，…，xT]為一系列狀態或觀察值，其中xi可以是位置、速度、角度等各種傳感器讀數；uT=[u1，u2，…，uT]為控制信號的序列，ui可以是速度、轉向角、加速度等控制輸入。

文獻[36]使用深度神經網絡和強化學習算法實現了車輛操控決策的學習和優化，以提高自動駕駛車輛的控制性能。文獻[37]介紹了對抗深度強化學習在自動駕駛汽車保護方面的應用。該方法使用深度強化學習算法實現對抗性攻擊檢測和防御，以提高自動駕駛汽車的安全性。文獻[38]使用強化學習算法學習車輛的軌跡控制策略，以實現更加精確和魯棒的橫向控制。文獻[39]使用強化學習算法學習自動駕駛車輛的橫向控制策略，并實現容錯控制，以應對不良道路條件和系統故障等異常情況。文獻[40]使用強化學習和深度學習算法學習車輛橫向控制策略，并利用試驗驗證了該方法的有效性和可行性。文獻[41]提出了一種基于深度強化學習的汽車自動緊急制動策略，該策略具有很好的收斂性，在滿足中國新車評價規程（China-New Car Assessment Program，C-NCAP）的直道行駛安全性要求的同時，提高了緊急制動時的乘坐舒適性，且實現了汽車彎道行駛的自動緊急制動，提高了彎道行駛安全性。

深度強化學習方法從大量實際場景數據中學習車輛控制決策，可以提高自動駕駛車輛的控制性能和安全性。其中，一些文獻還嘗試了對抗性攻擊檢測和橫向容錯控制等相關應用。這些研究成果為實現更加智能和安全的自動駕駛車輛控制提供了新思路和方法。

深度強化學習在自動駕駛控制領域中的應用方向主要包括車道保持、車道變更、橫向控制、障礙物檢測和避障、跟車行駛。

4.5 循環神經網絡

循環神經網絡具有處理時序數據的能力，因此可以用于處理車輛動態信息和歷史狀態。在橫向控制中，RNN可以用于學習車輛的運動模型和控制策略，如圖8所示，以實現更穩定、精確的控制。其中：s為狀態（通常表示為隱藏狀態），在RNN中傳遞信息；o為輸出，即RNN每個時間步的輸出；x為輸入，即RNN接收的序列數據中的一個元素；W、U、V為權重矩陣，分別用于輸入到狀態、狀態到狀態、狀態到輸出的轉換。左邊的箭頭表示隨時間向前傳播的狀態和輸出。右邊的方框表示RNN單元的展開，將序列數據的每個時間步映射為一個RNN單元，以便處理序列數據。長短時記憶（Long Short-Term Memory，LSTM）神經網絡是一種常見的RNN結構，可以有效解決梯度消失和梯度爆炸問題，提高學習效果。

文獻[42]提出了一種基于動態反演和LSTM網絡的自適應無人機機動控制系統。該方法結合了傳統的動態反演控制方法和深度學習算法，以實現更加準確和魯棒的無人機機動控制。文獻[38]使用深度學習算法學習駕駛員的行為模式，并將預測結果用于自動駕駛車輛的縱向控制，以提高車輛的安全性和駕駛體驗。文獻[43]、文獻[44]介紹了一種基于駕駛員切入行為預測的自動駕駛車輛軌跡跟蹤控制方法。該方法使用機器學習算法對駕駛員的行為進行預測，并根據預測結果進行自動駕駛車輛的軌跡跟蹤控制，以實現更加智能和人性化的自動駕駛體驗。

然而，RNN在自動駕駛汽車橫向控制中的應用仍受到計算復雜度和實時性等挑戰的影響。盡管如此，RNN在自適應橫向控制策略中仍具有潛力。研究人員已經探索了多種技術，如神經網絡架構優化、計算加速和動態權重調整等，使RNN在自動駕駛汽車的橫向控制中實現更高的性能和實時性。

4.6 基于多傳感器融合的深度學習

多傳感器融合是一種結合多種傳感器數據以提高感知和控制性能的技術。在自動駕駛汽車的橫向控制中，多傳感器融合可以有效提高系統的魯棒性、準確性和穩定性。常見的傳感器包括攝像頭、激光雷達、雷達和全球定位系統（Global Positioning System，GPS）等。多傳感器融合方法可以分為數據層融合、特征層融合和決策層融合。數據層融合是指在原始數據層面進行融合，如將攝像頭圖像和激光雷達點云進行融合。特征層融合是指在特征提取之后進行融合，如將不同傳感器提取的特征向量進行融合。決策層融合是指在控制策略生成后進行融合，如將多個控制器的輸出進行融合以生成最終控制信號，如圖9所示。

文獻[45]提出了一種基于多傳感器融合的環境識別方法，該方法利用多個傳感器（如攝像頭、雷達、激光雷達等）的數據進行綜合分析，實現對車輛周圍環境的準確感知，以支持自動駕駛車輛的決策和控制。文獻[46]使用車輛的多種傳感器數據，結合李雅普諾夫穩定性理論進行分析，提高了路面摩擦因數的估計準確性，以支持自動駕駛車輛在不同路面狀況下的控制。文獻[47]探討了城市環境下的多傳感器融合定位與地圖構建方法，該方法利用多個傳感器（如GPS、IMU、激光雷達等）的數據進行綜合分析，實現對車輛在城市環境中的精確定位和地圖構建。文獻[48]提出了一種基于多模態傳感器融合的深度神經網絡方法，實現了對環境的全面理解和對自動駕駛車輛的精準控制。

通過多傳感器融合，自動駕駛汽車橫向控制方法可以實現更高的性能和更強的魯棒性。然而，多傳感器融合仍然面臨著數據對齊、融合策略設計和計算復雜度等挑戰。為了克服這些挑戰，研究者們已經開發了多種融合算法和優化技術，如卡爾曼濾波器、粒子濾波器和神經網絡融合等。

5 總結與展望

本文綜述了自動駕駛汽車橫向控制方法的最新進展。各種橫向控制方法各具優缺點，如表1所示。

盡管當前的橫向控制方法已經取得了顯著的進展，但仍然面臨著一些挑戰和問題，未來的研究可能會聚焦于以下幾個方向。

5.1 適應性和在線學習

由于道路和交通條件存在多樣性和不確定性，橫向控制方法需要具備良好的適應性和在線學習能力。一種可能的研究方向是開發能夠實時調整控制策略和參數的算法，以適應環境變化。此外，在線學習和增量學習方法也可以用于實時更新模型和策略，以提高控制性能。

5.2 多任務學習和遷移學習

多任務學習是一種訓練模型同時解決多個任務的方法，可以提高模型的泛化能力和性能。在自動駕駛汽車橫向控制中，多任務學習可以用于同時學習車道保持、車道變更和緊急避障等任務。此外，遷移學習方法可以用于將已有的控制策略應用于新的場景和環境，從而降低訓練成本和提高泛化性能。

5.3 模型可解釋性和安全性

隨著深度學習方法在橫向控制中的廣泛應用，模型可解釋性和安全性成為了重要的研究課題。為提高模型的可解釋性，可以探索新的神經網絡結構和可視化技術，以便更好地理解模型的內部機制和決策過程。在安全性方面，可以研究故障檢測和容錯控制方法，以確保橫向控制系統在異常情況下仍能保持穩定和可靠的性能。

5.4 協同控制和車路協同

在未來的智能交通系統中，自動駕駛汽車可能需要與其他車輛和基礎設施進行協同控制，以實現更高效和安全的道路運輸。可以探討車輛間通信和車路協同技術，以實現多車橫向控制的協同和優化。此外，基于車聯網和大數據的交通預測方法也可以用于提高橫向控制的前瞻性和準確性。

綜上所述，自動駕駛汽車橫向控制領域仍然面臨許多挑戰和機遇。未來的研究工作需要不斷探索新的理論、方法和技術，以應對不斷變化的道路和交通條件，提高自動駕駛汽車的控制性能和安全性。在實踐中，應關注實際應用場景的需求和限制，努力推動理論研究與工程應用的緊密結合，為自動駕駛汽車的廣泛商業化和社會普及奠定堅實的基礎。

參考文獻

[1]" "張海亮， 張娟萍， 池榮虎. 汽車智能自動駕駛的PID控制方法研究[J]. 時代汽車， 2020（21）： 33-34+37.

ZHANG H L， ZHANG J P， CHI R H. Research on PID Control Methods for Intelligent Autonomous Driving of Automobiles[J]. Time Automotive， 2020（21）： 33-34+37.

[2]" "馬軍， 賀巖松， 李興泉， 等. 汽車駕駛員自適應模糊PID控制模型[J]. 機械與電子， 2007（2）： 35-38.

MA J， HE Y S， LI X Q， et al. Adaptive Fuzzy PID Control Model for Automobile Drivers[J]. Machinery amp; Electronics， 2007（2）： 35-38.

[3]" "羅峰， 曾俠. 基于多點預瞄的自動駕駛汽車軌跡跟蹤算法[J]. 機電一體化， 2018， 24（6）： 17-22+40.

LUO F， ZENG X. Trajectory Tracking Algorithm for Autonomous Driving Vehicles Based on Multi-Point Preview[J]. Mechatronics， 2018， 24（6）： 17-22+40.

[4]" "陳濤， 陳東. 基于神經網絡滑模的智能車輛橫向控制[J]. 傳感器與微系統， 2017， 36（5）： 63-67

CHEN T， CHEN D. Intelligent Vehicle Lateral Control Based on Neural Network Sliding Mode[J]. Sensors and Microsystems， 2017， 36（5）： 63-67.

[5]" "李升波， 關陽， 侯廉， 等. 深度神經網絡的關鍵技術及其在自動駕駛領域的應用[J]. 汽車安全與節能學報， 2019， 10（2）： 119-145.

LI S B， GUAN Y， HOU L， et al. Key Technologies of Deep Neural Networks and Their Applications in the Field of Autonomous Driving[J]. Journal of Automotive Safety and Energy， 2019， 10（2）： 119-145.

[6]" "高揚， 陳士偉， 劉進淵， 等. 基于深度學習的無人駕駛汽車車道跟隨方法[J]. 汽車技術， 2022（3）： 14-20.

GAO Y， CHEN S W， LIU J Y， et al. Lane Following Method for Autonomous Driving Vehicles Based on Deep Learning[J]. Automotive Technology， 2022（3）： 14-20.

[7]" "SUN H W， CHEN H， SONG S Y. A Motion Planning Method Based on Reinforcement Learning for Automatic Parallel Parking in Small Slot[J]. Automobile Technology， 2021（9）： 17-26.

[8]" "段敏， 孫小松， 張博涵. 基于模型預測控制與離散線性二次型調節器的智能車橫縱解耦跟蹤控制[J]. 汽車技術， 2022（8）： 38-46.

DUAN M， SUN X S， ZHANG B H. Intelligent Vehicle Decoupled Lateral and Longitudinal Tracking Control Based on Model Predictive Control and Discrete Linear Quadratic Regulator[J]. Automotive Technology， 2022（8）： 38-46.

[9]" "HOSSAIN T， HABIBULLAH H， ISLAM R. Steering and Speed Control System Design for Autonomous Vehicles by Developing an Optimal Hybrid Controller to Track Reference Trajectory[J]. Machines， 2022， 10（6）： 420-425.

[10] AWAD N， LASHEEN A， ELNAGGAR M， et al. Model Predictive Control with Fuzzy Logic Switching for Path Tracking of Autonomous Vehicles[J]. ISA Transactions， 2022， 129： 193-205.

[11] NOROUZI A， HEIDARIFAR H， BORHAN H， et al. Integrating Machine Learning and Model Predictive Control for Automotive Applications： A Review and Future Directions[J]. Engineering Applications of Artificial Intelligence， 2023， 120.

[12] 王鑫， 凌銘， 饒啟鵬， 等. 基于改進Stanley算法的無人車路徑跟蹤融合算法研究[J]. 汽車技術， 2022（7）： 25-31.

WANG X， LING M， RAO Q P， et al. Research on Unmanned Vehicle Path Tracking Fusion Algorithm Based on Improved Stanley Algorithm[J]. Automotive Technology， 2022（7）： 25-31.

[13] PéREZ J， MILANéS V， ONIEVA E. Cascade Architecture for Lateral Control in Autonomous Vehicles[J]. IEEE Transactions on Intelligent Transportation Systems， 2011， 12（1）： 73-82.

[14] 武余利， 張心奕， 尹中亞， 等. 基于模糊PID控制的車輛橫向預瞄駕駛員模型[J]. 機械工程與自動化， 2022， 230（1）： 38-40+43.

WU Y L， ZHANG X Y， YIN Z Y， et al. Vehicle Lateral Preview Driver Model Based on Fuzzy PID Control[J]. Mechanical Engineering and Automation， 2022， 230（1）： 38-40+43.

[15] 狄桓宇， 張亞輝， 王博， 等. 自動駕駛橫向控制模型及方法研究綜述[J]. 重慶理工大學學報（自然科學）， 2021， 35（7）： 71-81.

DI H Y， ZHANG Y H， WANG B， et al. A Review of Lateral Control Models and Methods for Autonomous Driving. Journal of Chongqing University of Technology （Natural Science）， 2021， 35（7）： 71-81.

[16] SHEN H M， WANG W J. A T-S Fuzzy Logic Design to Lateral Control of Autonomous Vehicle[C]// International Conference on Mechanic Automation amp; Control Engineering. Wuhan， China： IEEE， 2010.

[17] 邵毅明， 陳亞偉. 自動駕駛汽車橫向模糊控制器設計[J]. 重慶交通大學學報（自然科學版）， 2019， 38（7）： 7-13.

SHAO Y M， CHEN Y W. Design of a Lateral Fuzzy Controller for Autonomous Vehicles[J]. Journal of Chongqing Jiaotong University （Natural Science）， 2019， 38（7）： 7-13.

[18] 王嘉文， 胡晨曦， 李少波. 基于廣義動態模糊神經網絡的自動駕駛換道策略優化方法[J]. 系統工程， 2022， 40（6）： 113-120.

WANG J W， HU C X， LI S B. Optimization Method of Lane Changing Strategy for Autonomous Driving Based on Generalized Dynamic Fuzzy Neural Network[J]. Systems Engineering， 2022， 40（6）： 113-120.

[19] 趙穎， 俞庭， 張琪， 等. 路徑跟蹤控制算法仿真分析與試驗驗證[J]. 汽車技術， 2022（7）： 15-24.

ZHAO Y， YU T， ZHANG Q， et al. Simulation Analysis and Experimental Validation of Path Tracking Control Algorithms[J]. Automotive Technology， 2022（7）： 15-24.

[20] 王開峰. 基于MPC的自動駕駛汽車橫向控制算法研究[J]. 無線互聯科技， 2022， 19（24）： 34-36.

WANG K F. Research on Lateral Control Algorithms for Autonomous Driving Based on MPC[J]. Wireless Internet Technology， 2022， 19（24）： 34-36.

[21] 張睿， 謝正超， 趙晶， 等. 基于非線性預測和沿軌跡線性化MPC的車輛路徑跟蹤控制方法[J]. 汽車技術， 2022（3）： 28-34.

ZHANG R， XIE Z C， ZHAO J， et al. Vehicle Path Tracking Control Method Based on Nonlinear Prediction and Along-Track Linearization MPC[J]. Automotive Technology， 2022（3）： 28-34.

[22] 楊大磊， 付伯軒， 付行. 基于模型預測控制的自動駕駛車輛橫縱向協調控制[J]. 汽車實用技術， 2019（11）： 20-22.

YANG D L， FU B X， FU X. Coordinated Control of Lateral and Longitudinal Dynamics for Autonomous Vehicles Based on Model Predictive Control[J]. Practical Technology of Automobiles， 2019（11）： 20-22.

[23] 李耀華， 范吉康， 劉洋， 等. 自適應雙時域參數MPC的智能車輛路徑規劃與跟蹤控制[J]. 汽車安全與節能學報， 2021， 12（4）： 528-539.

LI Y H， FAN J K， LIU Y， et al. Intelligent Vehicle Path Planning and Tracking Control with Adaptive Dual-Time Domain Parameters MPC[J]. Journal of Automotive Safety and Energy， 2021， 12（4）： 528-539.

[24] 路宏廣， 聶小芮， 顧凱峰. 基于自適應模型預測的智能汽車軌跡跟蹤控制研究[J]. 汽車文摘， 2021（2）： 51-56.

LU H G， NIE X R， GU K F. Research on Intelligent Vehicle Trajectory Tracking Control Based on Adaptive Model Predictive Control[J]. Automotive Digest， 2021（2）： 51-56.

[25] ROKONUZZAMAN M， MOHAJER N， NAHAVANDI S， et al. Learning-Based Model Predictive Control for Path Tracking Control of Autonomous Vehicle[C]// 2020 IEEE International Conference on Systems， Man， and Cybernetics （SMC）. Toronto， ON， Canada： IEEE， 2020.

[26] NOROUZI A， MASOUMI M， BARARI A， et al. Lateral Control of an Autonomous Vehicle Using Integrated Backstepping and Sliding Mode Controller[J]. Proceedings of the Institution of Mechanical Engineers， Part K： Journal of Multi-Body Dynamics， 2019， 233（1）： 141-151.

[27] 李磊， 李軍， 張世義. 搭載改進滑模控制的自動駕駛汽車軌跡跟蹤控制[J]. 汽車安全與節能學報， 2020， 11（4）： 503-510.

LI L， LI J， ZHANG S Y. Trajectory Tracking Control for Autonomous Vehicles Equipped with Improved Sliding Mode Control[J]. Journal of Automotive Safety and Energy， 2020， 11（4）： 503-510.

[28] 高秀晶， 陶林君， 黃紅武， 等. 復雜道路下自動駕駛車輛的橫向運動魯棒控制策略[J]. 汽車安全與節能學報， 2020， 11（4）： 454-461.

GAO X J， TAO L J， HUANG H W， et al. Robust Control Strategy for Lateral Motion of Autonomous Vehicles on Complex Roads[J]. Journal of Automotive Safety and Energy， 2020， 11（4）： 454-461.

[29] 曹軒豪. 自動駕駛汽車跟馳換道運動控制與決策規劃研究[D]. 長春： 吉林大學， 2022.

CAO X H. Research on Motion Control and Decision Planning for Autonomous Vehicles’ Car-Following and Lane Changing[D]. Changchun： Jilin University， 2022.

[30] TANG L Q， YAN F W， ZOU B， et al. An Improved Kinematic Model Predictive Control for High-Speed Path Tracking of Autonomous Vehicles[J]. IEEE Access， 2020， 8： 51400-51413.

[31] 吳皓， 劉淼. 車輛懸架系統的神經網絡控制算法[J]. 農業裝備與車輛工程， 2022， 60（8）： 112-114+129.

WU H， LIU M. Neural Network Control Algorithm for Vehicle Suspension System[J]. Agricultural Equipment and Vehicle Engineering， 2022， 60（8）： 112-114+129.

[32] FERENCZ C， ZOELDY M. End-to-End Autonomous Vehicle Lateral Control with Deep Learning[C]// 12th IEEE International Conference on Cognitive Infocommunications. Budapest， Hungary： IEEE， 2021.

[33] MENTASTI S， BERSANI M， MATTEUCCI M， et al. Multi-State End-to-End Learning for Autonomous Vehicle Lateral Control[C]// 2020 AEIT International Conference of Electrical and Electronic Technologies for Automotive （AEIT Automotive）. Turin， Italy： IEEE， 2020.

[34] JUNG C Y， SEONG H K， SHIM H C. Development of the End-to-End Learning Based Autonomous Driving Framework and Experiments on a Full-Scale Autonomous Vehicle[J]. Journal of Institute of Control， 2020， 26（5）： 342-347.

[35] OKAMOTO K， TSIOTRAS P. Data-Driven Human Driver Lateral Control Models for Developing Haptic-Shared Control Advanced Driver Assist Systems[J]. Robotics and Autonomous Systems， 2019， 114： 155-171.

[36] 王丙琛， 司懷偉， 譚國真. 基于深度強化學習的自動駕駛車控制算法研究[J]. 鄭州大學學報（工學版）， 2020， 41（4）： 41-45+80.

WANG B C， SI H W， TAN G Z. Research on Autonomous Driving Control Algorithms Based on Deep Reinforcement Learning[J]. Journal of Zhengzhou University （Engineering Science）， 2020， 41（4）： 41-45+80.

[37] FERDOWSI A， CHALLITA U， SAAD W， 等. 對抗深度強化學習為自動駕駛汽車保駕護航[J]. 機器人產業， 2018（3）： 44-47.

FERDOWSI A， CHALLITA U， SAAD W， et al. Adversarial Deep Reinforcement Learning for Protecting Autonomous Vehicles[J]. Robotics Industry， 2018（3）： 44-47.

[38] WASALA A， BYRNE D， MIESBAUER P， et al. Trajectory Based Lateral Control： A Reinforcement Learning Case Study[J]. Engineering Applications of Artificial Intelligence， 2020， 94（2）.

[39] LI Y， ZHANG H， WANG Z P. Data-Driven Lateral Fault-Tolerance Control of Autonomous Vehicle System Using Reinforcement Learning[C]// 2020 IEEE 16th International Conference on Control amp; Automation （ICCA）. Singapore： IEEE， 2020.

[40] LI D， ZHAO D B， ZHANG Q C， et al. Reinforcement Learning and Deep Learning Based Lateral Control for Autonomous Driving[EB/OL]. （2018-10-30）[2023-12-19]. https：//arxiv.org/abs/1810.12778.

[41] 黃舒偉， 何少煒， 金智林. 基于深度強化學習的汽車自動緊急制動策略[J]. 汽車技術， 2021（5）： 9-15.

HUANG S W， HE S W， JIN Z L. Automobile Automatic Emergency Braking Strategy Based on Deep Reinforcement Learning[J]. Automotive Technology， 2021（5）： 9-15.

[42] SU C， WANG X， SHEN L， et al. Adaptive UAV Maneuvering Control System Based on Dynamic Inversion and Long-Short-Term Memory Network[C]// 2020 Chinese Automation Congress （CAC）. Shanghai， China： IEEE， 2020.

[43] LIN L， GONG S， PEETA S， et al. Long Short-Term Memory-Based Human-Driven Vehicle Longitudinal Trajectory Prediction in a Connected and Autonomous Vehicle Environment[J]. Transportation Research Record， 2021， 2675（6）： 380-390.

[44] CHEN Y M， HU C， WANG J M. Human-Centered Trajectory Tracking Control for Autonomous Vehicles with Driver Cut-in Behavior Prediction[J]. IEEE Transactions on Vehicular Technology， 2019， 68（9）： 8461-8471.

[45] WEON I S， LEE S G. Environment Recognition Based on Multi-Sensor Fusion for Autonomous Driving Vehicles[J]. Journal of Institute of Control， Robotics and Systems， 2019， 25（2）： 125-131.

[46] GAO L T， XIONG L， LIN X F， et al. Multi-Sensor Fusion Road Friction Coefficient Estimation During Steering with Lyapunov Method[J]. Sensors， 2019， 19（18）.

[47] LI Q Q， QUERALTA J P， GIA T N， et al. Multi Sensor Fusion for Navigation and Mapping in Autonomous Vehicles： Accurate Localization in Urban Environments[J]. Unmanned Systems， 2021， 8（3）： 229-237.

[48] HUANG Z Y， LV C， XING Y， et al. Multi-Modal Sensor Fusion-Based Deep Neural Network for End-to-End Autonomous Driving with Scene Understanding[J]. IEEE， 2021， 21（10）： 11781-11790.