PreScan/CarSim/Simulink聯合仿真在智能駕駛仿真中的應用進展

摘 要：文章全面回顧了PreScan、CarSim和Simulink在智能駕駛系統開發中的集成應用。首先，介紹了每款軟件的核心功能及其在智能駕駛領域的獨特優勢；隨后，詳細闡述了如何通過聯合仿真構建從環境感知到車輛動力學再到控制策略執行的完整仿真鏈路。通過對多個典型應用場景（如軌跡規劃、橫向控制及縱向控制等）的深入剖析，展示了這一聯合仿真框架的主要研究成果。

關鍵詞：PreScan CarSim Simulink 智能駕駛

1 前言

隨著智能駕駛汽車自動化等級不斷提升，車輛駕駛由L2級輔助駕駛逐步向更高級別的全自動駕駛邁進。這些車輛通過高度集成的傳感器、先進的算法和準確的決策實現安全駕駛并與其他交通參與者互動。然而，特斯拉等品牌生產的自動駕駛汽車發生的事故表明，讓智能駕駛系統在各種復雜情況下做出快速有效的決策和執行動作，保證智能駕駛的安全性能仍然需要大量的測試實驗[1]。這些測試是一個多維度、全方位的過程，涉及了多種技術和方法。相比于傳統的實地路測，智能駕駛仿真技術大大降低了測試成本，避免了人員傷害和財產損失，得到了學界和業界的廣泛應用。

隨著仿真需求的增長，各種智能駕駛仿真器應運而生，各針對智能駕駛開發的不同方面需求進行設計。例如，SUMO能夠模擬大規模交通網絡和動態交通行為，但其視覺效果較為簡單，對于自動駕駛車輛的傳感器模型和精細視覺模擬不如專門的3D仿真軟件；CARLA提供高度逼真的3D圖形，能夠模擬多樣化的天氣和光照條件，支持多種傳感器模擬，但對于某些特定應用場景仍需要額外的定制工作；AirSim能夠與Unity和Unreal Engine配合使用，提供無人機和自動駕駛車輛的高保真模擬，但它對于自動駕駛特性的支持不夠全面且對使用者的技術背景有一定的要求。上述仿真器各自服務于不同的用途和階段，選擇哪種取決于具體的研發目標和技術需求。

PreScan、CarSim與Simulink都是在智能駕駛領域被廣泛應用的仿真軟件。三者的聯合仿真提供了從底層車輛動力學到上層控制策略再到環境感知的全方面一體化仿真解決方案，對于自動駕駛領域的研究和工程實踐具有顯著的價值。然而，已有文獻很少有相關的研究內容，因此對三者聯合仿真應用的研究顯得十分必要。

2 仿真平臺概述

PreScan是一款由Siemens PLM Software開發的專業級自動駕駛及高級駕駛輔助系統（ADAS）仿真軟件。它提供了強大的工具，可以用來創建高度逼真的道路場景。另一方面，PreScan還提供了對傳感器模型化的支持，它允許開發人員將各種傳感器的行為和性能模擬到虛擬環境中。但是對于實時仿真的項目，PreScan需要高性能計算資源支持，且實時性受到具體硬件配置和軟件設置的影響。

CarSim是一種用于車輛動力學建模和仿真的軟件工具。該軟件構建了精確的車輛動力學模型，包括車輛的懸掛系統、轉向系統、驅動系統等，這些模型能夠準確反應車輛在不同行駛條件下的動態響應；此外，CarSim還提供了豐富的性能評估工具，可以用來評估車輛的穩定性、操控性以及動力性等。但是CarSim對傳感器模型和環境感知系統的模擬相對有限，需要與其他軟件配合才能完成完整的自動駕駛系統仿真。

Simulink是一種基于模型的設計和仿真環境，廣泛應用于控制系統設計和實時仿真的仿真工具。它提供了豐富的模型庫和圖形化編程工具，開發人員可以使用Simulink輕松地建立控制系統模型，并通過仿真進行驗證和調試，提高了控制系統的可靠性。Simulink還支持實時仿真，可以與實際硬件系統進行連接，實現實時控制和數據交互，為控制系統的測試提供了真實的環境。

綜上所述，聯合仿真流程為使用PreScan搭建虛擬場景，配置各類傳感器模型；在CarSim中選擇車輛動力學模型，設定初始狀態和仿真參數；利用Simulink設計自動駕駛系統的控制邏輯、傳感器融合算法和決策模塊，并配置與PreScan和CarSim的接口。PreScan、CarSim與Simulink聯合仿真平臺為自動駕駛系統的開發提供了一個強大且靈活的仿真環境，通過集成各自專業領域的軟件能夠有效地模擬和驗證自動駕駛系統地整體性能，加速了研發進程并提升了系統的安全性與可靠性。

3 應用案例

3.1 路徑規劃

路徑規劃是自動駕駛系統的一項核心功能，負責在復雜的道路交通環境下，為自動駕駛車輛規劃出一條從起點到終點的安全、有效、合規且高效的行駛路線。許多學者通過聯合仿真平臺對路徑規劃進行了測試，在一定程度上提升了自動駕駛的行駛效率與乘客體驗。

在全局路徑規劃方面，朱波等[2]為解決無人車多途經點配送問題，提出了一種基于矢量化高精地圖的車道級全局路徑規劃、生成和跟蹤控制方法。王開峰[3]針對自動駕駛汽車行駛軌跡安全、舒適和高效問題，采用模型預測控制的路徑跟蹤控制方法，驗證了所設計的控制器的路徑跟蹤性能。馬慶祿[4]等針對超車路徑規劃問題，提出改進的人工勢場法，通過相對速度構建新的引力勢場和斥力勢場。

在局部路徑規劃方面，姬鵬等[5]通過構建Frenet坐標系提出一種改進人工勢場法的路徑規劃算法解決了車輛動靜態下的避障問題。朱旺旺[6]采用模型預測控制算法、雙PID閉環算法和危險勢場法設計了局部路徑規劃算法，驗證了所建立控制算法模型的有效性。廖平偉[7]采用Frenet坐標系與笛卡爾坐標系，建立了軌跡更新模型，提升了局部路徑規劃軌跡的一致性。

在極限工況和復雜道路工況方面，劉瀚蔚等[8]提出了一種基于模糊神經網絡算法的橫縱向協同控制策略確保軌跡跟蹤的精確性。李杭宇等[9]采用一種非連續曲率軌跡跟蹤控制方法，建立了預瞄誤差模型，提高了車輛跟蹤精度。李文禮等[10]采用五次多項式曲線和碰撞剩余時間規劃車輛行駛路徑的方法，建立了SSA-GAN軌跡預測模型。劉藝等[11]建立了基于障礙物風險場的避障功能函數，解決了城市中結構化道路交通場景的路徑規劃問題。

3.2 橫向控制

3.2.1 車輛自主換道控制

智能駕駛車輛的自主換道控制指的是車輛在沒有人類駕駛員直接干預的情況下，自主判斷并執行車道變換的操作。針對換道軌跡規劃問題，謝憲毅等[12]提出一種考慮舒適度的智能汽車人工蜂群軌跡規劃方法。胡遠志等[13]綜合考慮換道意圖與換道安全，建立了五次多項式擬合和模型預測控制模型，實現了汽車的安全平穩換道。王樂[14]采用枚舉法、粒子群算法和滑模軌跡跟蹤算法，建立了車輛的運動學模型、動力學模型，提高了換道安全。

針對換道行為決策問題，牟思凱[15]采用博弈論和改進的支持向量機方法（SSA-SVM），建立了一種基于博弈論的車輛自主換道策略。陳慧[16]采用基于駕駛人不滿度的換道行為決策方法，建立了駕駛人不滿度累積模型和換道最小安全距離模型。姚軍[17]采用前車換道意圖辨識的智能巡航控制算法，建立了LQR和PID控制算法模型，實現了車輛自主換道。Fulei Liu等[18]基于博弈論的思想，構建了一個智能網聯車輛（ICV）變道行為的決策模型，驗證了變道模型的有效性。

3.2.2 轉向控制

轉向控制涉及到車輛在行駛過程中方向的自動調整和控制，朱西產等[19]采用一種駕駛員緊急轉向的控制方法，建立了五次多項式規劃轉向避撞模型，避免了車輛與行人發生碰撞的事故。姬鵬等[20]將水磁耦合裝置嵌入轉向系統中，建立了整車轉向系統模型，實現了自動駕駛模式和駕駛員接管模式的切換。方振伍等[21]采用一種考慮駕駛疲勞特性的差動轉向共享控制方法，有效降低駕駛人疲勞所引發的車輛失穩風險。Zou， Songchun[22]提出了一種車輛雙電機耦合驅動線控轉向（DCS）系統，建立了DCS系統的能源優化模型，提高線控轉向系統（SBW）的可靠性和安全性。

3.2.3 車道偏離預警

車道偏離預警系統通過提前警示駕駛員潛在的危險情況，有助于減少交通事故的發生。趙婷婷[23]采用車道偏離判斷線法和跨道時間判定法進行車道偏離預警直道和彎道的決策，提高了車道偏離預警算法的準確性。楊義波[24]通過模糊推理的方法，建立了軌跡線性化控制（TLC）模型，降低了車道偏離預警系統的誤警率。馬宏偉等[25]采用車輛相對位置（CCP）的車道偏離預警算法，建立了聯合仿真平臺驗證了算法的可行性。張云龍[26]運用Prescan軟件搭建車道偏離預警場景，并與Simulink進行聯合仿真，驗證了車道偏離預警算法。

3.3 縱向控制

3.3.1 自動緊急制動系統

汽車自動緊急制動系統（AEB）是一種先進的駕駛輔助系統，旨在減少或避免車輛碰撞。目前，針對該系統的研究主要集中在防撞預警和控制策略兩個方面。在防撞預警方面，何川[27]采用車輛狀態估計和車輛防撞預警控制策略相結合的方法，建立了防撞預警控制模塊的基本模型。楊煒等[28]采用考慮前方車輛駕駛人意圖的方法，建立了BP神經網絡和隱馬爾可夫模型，有效提高了車輛避撞能力。韓勇等[29]建立了AEB縱橫向觸發TTC（time to collision）差值模型，為汽車自動緊急制動系統的開發提供了重要理論參考。Lai Fei等提出了一種基于車聯網（V2X）技術的智能車輛自動緊急避撞控制方法，有效避免了智能駕駛車輛在90°交叉路口發生碰撞。

在控制策略方面，Xiaochao Zhu等[30]采用調整碰撞時間（TTC）閾值的控制策略，實現了車輛在低摩擦系數路面上進行自動緊急制動。呂章潔[31]采用基于PreScan軟件的汽車AEB系統控制算法，建立了車輛制動距離模型，驗證分析了五種安全距離模型的效果。郭文博[32]采用符合駕駛員特性的車輛AEB系統控制策略，建立了車輛橫、縱向危險狀態判斷模型，驗證了該控制策略的有效性。

3.3.2 自適應巡航系統

隨著技術的進步，汽車自適應巡航（ACC）系統正逐漸成為許多現代汽車的標準配置，并被視為自動駕駛技術的重要組成部分。為提高了自適應巡航系統的跟蹤精度，Tang，Xianzhi等[33]開發了一種基于PSO-BP神經網絡的加權自適應模型預測控制系統。蘇衛[34]采用基于Hopfield神經網絡與模型預測控制器的期望加速度優化控制方法，提高了車輛預測精度。王楠等[35]通過設計六模式汽車自適應巡航系統控制模式的加速度算法，增強了自適應巡航系統全工況下的適應性。

4 局限性和未來發展

PreScan、CarSim與Simulink的聯合仿真在開發和測試智能駕駛技術方面具有巨大價值，但同時也面臨許多挑戰。

首先，從模型集成角度看，這三個軟件來自不同的供應商，各自的模型結構、數據類型和接口協議會存在差異，將它們有效地連接在一起并確保數據正確傳輸是一個挑戰。其次，從仿真性能與實時性來看，聯合仿真通常會對計算資源產生較大需求，當仿真模型復雜或模擬大規模場景時，優化計算性能、實現實時仿真是個難點。最后，模型的準確性與精細化處理也面臨著挑戰。盡管CarSim提供了精細的車輛動力學模型，但在與其他軟件整合時，需考慮不同模型層級上的細節是否匹配。

雖然PreScan、CarSim與Simulink的聯合仿真有一定的局限性，但也促進了智能駕駛仿真技術標準化的進程。首先，就仿真流程標準化而言，聯合仿真技術有助于形成一套涵蓋場景構建、車輛動力學仿真、控制算法設計與驗證等環節的標準仿真流程。其次，跨平臺的聯合仿真促使業界在車輛動力學模型、傳感器模型、交通參與者行為模型等方面形成共識，推動了這些模型參數定義的標準化。最后，聯合仿真推動了行業的合作。聯合仿真技術的發展和應用需要軟件供應商、汽車制造商、研究機構等多方協作，這一過程促進了行業內的交流與合作，加速了智能駕駛仿真技術標準的形成與推廣。

5 結語

本文系統地分析了PreScan、CarSim與Simulink聯合仿真在智能駕駛中應用、局限性和未來發展趨勢，為研究人員及相關從業人員提供了一定的見解。當前聯合仿真在智能駕駛領域展現出卓越性能，但也存在一些挑戰，例如模型集成、仿真性能和實時性等方面。為充分發揮聯合仿真在智能駕駛系統開發與驗證中的優勢，需要重點關注并解決這些問題。

基金項目：廣西壯族自治區大學生創新創業訓練計劃立項項目《無人駕駛電動實訓賽車設計與性能測試》202310602079。

參考文獻：

[1]李凱，王智宇，奚瑞軒，等.L4級自動駕駛汽車發展綜述[J].專用汽車，2023：4-7.

[2]朱波，談笑昊，談東奎，等.基于高精地圖的物流配送車路徑規劃與跟蹤控制[J].汽車工程學報，2024，14：193-204.

[3]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）：34-6.

[4]馬慶祿，李美強，黃光浩，等.智能網聯汽車超車路徑規劃方法[J].控制理論與應用：1-11.

[5]姬鵬，郭明皓.基于Frenet坐標下改進人工勢場法的無人車局部路徑規劃[J].兵工學報：1-12.

[6]朱旺旺.無人駕駛車輛局部路徑規劃與跟蹤[D]，2019.

[7]廖平偉.移動障礙物場景下智能車動態規劃軌跡的一致性評價及優化[D]，2023.

[8]劉瀚蔚，王旭東，黃劍龍.基于模糊神經網絡算法的智能汽車軌跡自適應跟蹤控制研究[J].重慶工商大學學報（自然科學版）：1-11.

[9]李杭宇，劉冉冉，姜宇，等.基于自適應預瞄路徑的非連續曲率軌跡跟蹤控制方法[J].重慶理工大學學報（自然科學），2024，38：87-98.

[10]李文禮，韓迪，任勇鵬，等.基于交互車輛軌跡預測的自動駕駛車輛軌跡規劃[J].計算機應用研究，2023，40：519-25+38.

[11]劉藝，童亮，徐子豐，等.考慮障礙物風險場的智能車輛避障路徑分層規劃方法[J].北京信息科技大學學報（自然科學版），2023，38：24-31.

[12]謝憲毅，張明君，金立生，等.考慮舒適度的智能汽車人工蜂群軌跡規劃方法[J].吉林大學學報（工學版）：1-11.

[13]胡遠志，肖航，劉西，等.智能車輛換道控制研究[J].重慶理工大學學報（自然科學），2020，34：17-28.

[14]王樂.基于車車通信的車輛自動換道控制策略研究[D]，2020.

[15]牟思凱.基于博弈論的無人駕駛車輛自主換道研究[D]，2023.

[16]陳慧，王潔新.基于駕駛人不滿度的高速公路自動駕駛換道決策[J].中國公路學報，2019，32：1-9+45.

[17]姚軍.基于前車換道意圖辨識的智能巡航控制算法研究[D]，2020.

[18]LIU F，HOU S. Research on Lane Change Decision Model of Intelligent Connected Vehicles in Multi-Vehicle Game [J]. Academic Journal of Engineering and Technology Science，2023，6（11）.

[19]朱西產，劉智超，李霖. 基于車輛與行人危險工況的轉向避撞控制策略 [J]. 汽車安全與節能學報，2015，6： 217-23.

[20]姬鵬，趙金鵬，姜利民. 面向自動駕駛汽車的新型轉向系統設計及仿真分析 [J]. 系統仿真學報： 1-10.

[21]方振伍，林中盛，王金湘，等. 考慮駕駛人疲勞特性的差動轉向共享控制 [J]. 東南大學學報（自然科學版），2022，52： 1012-22.

[22]ZOU S，ZHAO W. Energy optimization strategy of vehicle DCS system based on APSO algorithm [J]. Energy，2020，208.

[23]趙婷婷. 基于有限時間的輪轂電機電動汽車車道保持算法及穩定性控制 [D]，2018.

[24]楊義波. 基于模型預測控制的車道保持輔助系統研究 [D]，2020.

[25]馬宏偉，吳長水. 基于Prescan的車道偏離預警系統研究 [J]. 計算機與數字工程，2022，50： 964-7.

[26]張云龍，劉全周，唐風敏，等. 基于Prescan的智能汽車車道偏離預警系統研究 [J]. 時代汽車，2019： 29-30.

[27]何川.基于PreScan的車輛自動緊急制動方法研究[D]，2022.

[28]楊煒，劉佳俊，劉晶郁. 車聯網環境下考慮前方車輛駕駛人意圖的汽車主動預警防撞模型[J].機械工程學報，2021，57： 284-95.

[29]韓勇，袁小賓，盧明，等.汽車與電動兩輪車碰撞典型場景下的AEB縱橫向觸發策略研究 [J]. 汽車工程，2023，45： 501-9.

[30]ZHU X，CHANG S，LI B，et al. Research on Virtual Test of Automobile Automatic Emergency Braking System on Ice-Snow Road [J]. E3S Web of Conferences，2021，261： 02065-.

[31]呂章潔.汽車AEB仿真控制算法優化及驗證 [D]，2017.

[32]郭文博. 車輛AEB系統防撞預警控制及仿真測試方法研究 [D]，2021.

[33]TANG X，SHI L，WANG B，et al. Weight Adaptive Path Tracking Control for Autonomous Vehicles Based on PSO-BP Neural Network [J]. Sensors，2023，23（1）.

[34]蘇衛. 基于多前車信息的CACC車間時距與上層控制策略優化研究 [D]，2020.

[35]王楠，劉衛國，張君媛，等. 汽車ACC系統縱向控制六模式切換策略仿真研究 [J]. 交通信息與安全，2014，32： 143-8.