車聯(lián)網(wǎng)環(huán)境下無人駕駛汽車的局部路徑追蹤導(dǎo)航研究

中圖分類號(hào)：U463.6 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1003-8639（2025）08-0068-0

【Abstract】With therapiddevelopmentof intellgent transportationsystem，vehiclenetworking technologyprovidesa newnavigationsolutionforpilotlessautomobile.Aimingattheproblemofpath trackingandnavigationof pilotless automobileincomplex traficenvironment，thispaperproposesalocal path trackingandnavigationsystem basedon vehiclenetworking.Theaccuracyandsecurityof path tracking were significantly improvedby constructingamultidimensionalperceptionframeworkand integratingvisualrecognition，datafusionandreal-timenavigationtechnologies. The experimental results show that the proposed methodcan efectively reducenavigation erorsand improve driving stability，which provides important support for the development of unmanned driving technology.

【Key words】 pilotless automobile；local path tracking navigation； deviation detection and correction

隨著車聯(lián)網(wǎng)技術(shù)的快速發(fā)展，無人駕駛汽車在智能交通系統(tǒng)中逐漸成為研究熱點(diǎn)。車聯(lián)網(wǎng)環(huán)境能夠提供實(shí)時(shí)交通信息和動(dòng)態(tài)路況，為無人駕駛車輛的路徑規(guī)劃與導(dǎo)航提供強(qiáng)有力的支持。局部路徑追蹤導(dǎo)航作為無人駕駛技術(shù)的核心環(huán)節(jié)，直接關(guān)系到行車安全與效率的提升。本文探討車聯(lián)網(wǎng)環(huán)境下無人駕駛汽車局部路徑追蹤導(dǎo)航系統(tǒng)的設(shè)計(jì)，以提高路徑跟蹤的精度和行駛安全性。

1車聯(lián)網(wǎng)框架分析

車聯(lián)網(wǎng)框架通過實(shí)時(shí)通信與數(shù)據(jù)交換，在無人駕駛汽車導(dǎo)航系統(tǒng)中為路徑規(guī)劃與導(dǎo)航提供支持。如圖1所示，該框架的核心是車輛內(nèi)部網(wǎng)絡(luò)，連接定位模塊、車路通信模塊及車輛狀態(tài)監(jiān)控模塊等關(guān)鍵組件。定位模塊負(fù)責(zé)精確確定車輛位置，確保路徑追蹤的準(zhǔn)確性；車路通信模塊與外部基礎(chǔ)設(shè)施互動(dòng)，包括路邊單元和控制中心，獲取動(dòng)態(tài)交通信息、道路狀況等數(shù)據(jù)，幫助車輛適應(yīng)變化的交通環(huán)境；衛(wèi)星通信與網(wǎng)絡(luò)模塊確保車輛與中央控制系統(tǒng)之間的數(shù)據(jù)交換無縫銜接；交通管理和乘客通信設(shè)備協(xié)調(diào)車輛與外部交通網(wǎng)絡(luò)，確保車輛按照最佳路徑行駛；路邊單元和控制中心提供道路流量、路況及環(huán)境數(shù)據(jù)，幫助車輛調(diào)整路徑規(guī)劃與車速，確保行駛的平穩(wěn)與安全。

圖1車聯(lián)網(wǎng)框架

2無人駕駛汽車路徑追蹤導(dǎo)航系統(tǒng)設(shè)計(jì)

2.1橫向?qū)Ш较到y(tǒng)設(shè)計(jì)

2.1.1 路徑規(guī)劃

路徑規(guī)劃是無人駕駛汽車導(dǎo)航的核心技術(shù)，旨在根據(jù)實(shí)時(shí)交通信息和車輛狀態(tài)設(shè)計(jì)安全、高效的行駛路線，主要分為全局路徑規(guī)劃和局部路徑規(guī)劃。全局路徑規(guī)劃通過圖算法（如A*或Dijkstra）計(jì)算從起點(diǎn)到終點(diǎn)的最優(yōu)路徑，而局部路徑規(guī)劃則根據(jù)實(shí)時(shí)環(huán)境（如交通狀況、障礙物等）動(dòng)態(tài)調(diào)整行駛路線。系統(tǒng)整合傳感器、路邊單元及衛(wèi)星數(shù)據(jù)，實(shí)時(shí)更新路徑，確保車輛避開障礙物并在交通變化時(shí)快速調(diào)整路徑，避免偏離既定路線[2]。

2.1.2 偏離檢測(cè)與修正

偏離檢測(cè)與修正確保無人駕駛汽車的精準(zhǔn)路徑追蹤。通過比較車輛當(dāng)前位置與目標(biāo)路徑的偏差，系統(tǒng)實(shí)時(shí)監(jiān)測(cè)車輛是否偏離軌跡。系統(tǒng)利用定位技術(shù)（如GPS、激光雷達(dá)）和傳感器數(shù)據(jù)，檢測(cè)偏差并分析原因。修正策略包括主動(dòng)修正和被動(dòng)修正。主動(dòng)修正通過調(diào)整轉(zhuǎn)向、加速和制動(dòng)來恢復(fù)路徑；被動(dòng)修正則通過實(shí)時(shí)更新路徑規(guī)劃調(diào)整行駛路線。在修正過程中，系統(tǒng)需綜合考慮道路狀況、交通信息與車輛狀態(tài)，確保修正平穩(wěn)、安全。

2.1.3轉(zhuǎn)向?qū)Ш脚c姿態(tài)穩(wěn)定

轉(zhuǎn)向?qū)Ш脚c姿態(tài)穩(wěn)定確保車輛在復(fù)雜環(huán)境中平穩(wěn)行駛。轉(zhuǎn)向?qū)Ш酵ㄟ^精確控制轉(zhuǎn)向角度，使車輛跟隨規(guī)劃路徑。系統(tǒng)結(jié)合傳感器數(shù)據(jù)，如轉(zhuǎn)向盤角度和車道線識(shí)別，動(dòng)態(tài)調(diào)整轉(zhuǎn)向。姿態(tài)穩(wěn)定則通過控制系統(tǒng)，結(jié)合加速度、輪速差等信息，調(diào)整懸掛和動(dòng)力系統(tǒng)，避免急轉(zhuǎn)彎或坡道引起的不穩(wěn)定。兩者協(xié)作提升車輛行駛精度和安全性，確保順暢行駛，減少誤差和風(fēng)險(xiǎn)[3]。

2.2 縱向?qū)Ш较到y(tǒng)設(shè)計(jì)

2.2.1 目標(biāo)速度控制

目標(biāo)速度控制確保車輛在行駛過程中始終保持最佳速度，確保安全、高效駕駛。系統(tǒng)結(jié)合實(shí)時(shí)交通信息、道路狀況與車輛狀態(tài)，動(dòng)態(tài)調(diào)整加速與制動(dòng)。通過感知系統(tǒng)獲取道路速度限制、交通流量、紅綠燈信息等，結(jié)合車輛的速度、加速度和道路坡度等，設(shè)定目標(biāo)速度并與實(shí)際速度進(jìn)行對(duì)比。發(fā)生偏差時(shí)，系統(tǒng)自動(dòng)調(diào)節(jié)發(fā)動(dòng)機(jī)輸出或制動(dòng)系統(tǒng)，平穩(wěn)調(diào)整車輛速度，同時(shí)應(yīng)對(duì)交通擁堵或緊急停車等情況，保障乘客安全。

2.2.2 跟車與停車導(dǎo)航

跟車與停車導(dǎo)航提高行駛安全性和舒適性。跟車導(dǎo)航通過保持適當(dāng)車距，確保車輛安全行駛。系統(tǒng)利用雷達(dá)、激光雷達(dá)和攝像頭實(shí)時(shí)檢測(cè)前車速度和位置，自動(dòng)調(diào)整加速與制動(dòng)。停車導(dǎo)航則通過傳感器和環(huán)境建模幫助車輛自動(dòng)停車。系統(tǒng)通過探測(cè)車位空間、障礙物和道路條件，規(guī)劃最佳停車路徑并精確控制車輛轉(zhuǎn)向、加速與制動(dòng)，確保車輛順利停靠。

2.2.3 制動(dòng)與安全保障

制動(dòng)與安全保障確保車輛在各種駕駛環(huán)境下的安全性。無人駕駛系統(tǒng)通過智能化控制與傳感器協(xié)同工作，實(shí)現(xiàn)精確制動(dòng)響應(yīng)。系統(tǒng)通過實(shí)時(shí)監(jiān)測(cè)前方障礙物、交通信號(hào)等，自動(dòng)進(jìn)行預(yù)警制動(dòng)或緊急制動(dòng)，以減少事故風(fēng)險(xiǎn)。基于車輛的速度、道路狀況和交通環(huán)境，系統(tǒng)調(diào)節(jié)制動(dòng)力分配，保證車輛平穩(wěn)停車。結(jié)合防抱死制動(dòng)系統(tǒng)ABS和電子穩(wěn)定控制ESC，系統(tǒng)確保在復(fù)雜路況下維持穩(wěn)定性，避免側(cè)滑或失控[4]。

3視覺目標(biāo)識(shí)別與路徑跟蹤導(dǎo)航

3.1 數(shù)據(jù)采集

無人駕駛車輛需要通過物聯(lián)網(wǎng)連接到各種傳感器，如攝像頭、激光雷達(dá)等，這些傳感器將實(shí)時(shí)采集車輛周圍環(huán)境的數(shù)據(jù)。本文采用的傳感器參數(shù)見表1。

表1傳感器參數(shù)設(shè)置

3.2 特征提取

特征提取是通過對(duì)采集的數(shù)據(jù)進(jìn)行處理，提取關(guān)鍵特征以實(shí)現(xiàn)目標(biāo)識(shí)別和路徑規(guī)劃的方法。在視覺系統(tǒng)中，特征提取主要集中在圖像處理上，包括邊緣檢測(cè)、形狀識(shí)別、紋理分析和顏色空間分割等。邊緣檢測(cè)常用的方法包括Sobel算子、Canny算法等，用于識(shí)別車道線、交通標(biāo)志的輪廓信息。形狀識(shí)別則利用霍夫變換等方法精確定位圓形或矩形標(biāo)志物。特征點(diǎn)檢測(cè)（如SIFT、ORB算法）也在車輛定位中扮演重要角色，提取的特征點(diǎn)可用于匹配道路環(huán)境中的已知標(biāo)志。對(duì)雷達(dá)和LiDAR數(shù)據(jù)，特征提取主要包括障礙物的輪廓識(shí)別和動(dòng)態(tài)目標(biāo)的速度、加速度計(jì)算。目標(biāo)的運(yùn)動(dòng)狀態(tài)可以表達(dá)為：

式中： x_t+1. —時(shí)刻 t+1 目標(biāo)的位置，表示目標(biāo)在下一時(shí)刻的位置坐標(biāo)； x_t 一時(shí)刻 χ_t 目標(biāo)的位置，表示目標(biāo)當(dāng)前時(shí)刻的位置坐標(biāo)； v_rel 一目標(biāo)相對(duì)速度; a_rel 相對(duì)加速度； Δt —時(shí)間間隔。

3.3 特征融合

特征融合是將多種傳感器提取的特征進(jìn)行整合，形成統(tǒng)一的環(huán)境感知結(jié)果的方法，主要包括傳感器級(jí)融合、特征級(jí)融合和決策級(jí)融合。傳感器級(jí)融合直接整合原始數(shù)據(jù)，例如將LiDAR點(diǎn)云與攝像頭圖像通過外參校準(zhǔn)進(jìn)行疊加，生成帶有顏色信息的三維環(huán)境模型5。特征級(jí)融合則結(jié)合來自不同傳感器的特征，如結(jié)合攝像頭的視覺特征與雷達(dá)的距離特征，形成更加準(zhǔn)確的目標(biāo)定位信息。如貝葉斯公式：

P_f=P_c+P_r-P_cP_r

式中： P_f —融合后的綜合檢測(cè)概率； P_c 攝像頭檢測(cè)到目標(biāo)的概率； P_r ——雷達(dá)檢測(cè)到目標(biāo)的概率。這種方法能夠顯著提高檢測(cè)的準(zhǔn)確性。融合后的數(shù)據(jù)進(jìn)一步傳遞到導(dǎo)航模塊，為路徑規(guī)劃和實(shí)時(shí)控制提供更可靠的支持。

3.4實(shí)時(shí)跟蹤及導(dǎo)航

實(shí)時(shí)跟蹤及導(dǎo)航基于特征融合生成的環(huán)境模型，實(shí)時(shí)跟蹤系統(tǒng)通過目標(biāo)識(shí)別與位置估計(jì)，確定車輛與目標(biāo)路徑之間的相對(duì)關(guān)系，并實(shí)時(shí)調(diào)整導(dǎo)航參數(shù)。實(shí)時(shí)跟蹤依賴于目標(biāo)運(yùn)動(dòng)模型，如常用的狀態(tài)空間模型：

x_t+1=Ax_t+Bu_t+w_t

式中： x_t^. —車輛狀態(tài)（如位置、速度）； u_i 控制輸入； w_i ——噪聲。系統(tǒng)通過卡爾曼濾波或粒子濾波等方法對(duì)狀態(tài)進(jìn)行估計(jì)，預(yù)測(cè)目標(biāo)的未來軌跡。導(dǎo)航系統(tǒng)根據(jù)跟蹤結(jié)果進(jìn)行路徑調(diào)整，動(dòng)態(tài)控制車輛的速度和轉(zhuǎn)向。具體實(shí)現(xiàn)中，路徑跟蹤算法（如純追蹤算法或模型預(yù)測(cè)控制MPC）能夠根據(jù)目標(biāo)點(diǎn)和當(dāng)前狀態(tài)調(diào)整轉(zhuǎn)向角度 δ .

式中： L —車輛軸距； d —目標(biāo)點(diǎn)與車輛的距離； θ ——偏航角。通過實(shí)時(shí)跟蹤和導(dǎo)航，車輛能夠在復(fù)雜動(dòng)態(tài)環(huán)境中高效、安全地完成路徑追蹤任務(wù)，提高無人駕駛技術(shù)的穩(wěn)定性與實(shí)用性。

表2仿真參數(shù)

表3試驗(yàn)結(jié)果

4試驗(yàn)

4.1 試驗(yàn)環(huán)境

本文使用MATLAB仿真平臺(tái)研究無人駕駛汽車路徑跟蹤導(dǎo)航系統(tǒng)。通過模擬道路模型，利用差分GPS采集實(shí)際道路坐標(biāo)并生成數(shù)據(jù)信息。在仿真中采用Prescan動(dòng)力學(xué)模型來模擬汽車行駛特性。詳細(xì)的參數(shù)信息見表2。

4.2 試驗(yàn)結(jié)果分析

試驗(yàn)結(jié)果見表3，車輛在不同場(chǎng)景下表現(xiàn)各異。在無障礙行駛情況下，路徑偏差最小 （0.1m） ，穩(wěn)定性評(píng)分為9，最高速度 50km/h ，最大加速度 2.5m/s² ；在輕度彎道中，路徑偏差增加至 0.25m ，穩(wěn)定性評(píng)分為7，最大速度降至 40km/h ，最大加速度 1.8m/s²"，說明轉(zhuǎn)彎時(shí)對(duì)控制系統(tǒng)要求較高；在高速行駛中，盡管最大速度達(dá)到 80km/h ，路徑偏差為 0.2m ，穩(wěn)定性評(píng)分8，最大加速度 3.0m/s²"；緊急制動(dòng)時(shí)，路徑偏差為 0.15m ，穩(wěn)定性評(píng)分為6，最大加速度 4.5m/s²"，表明系統(tǒng)對(duì)突發(fā)情況的應(yīng)急反應(yīng)較強(qiáng)。系統(tǒng)在正常行駛條件下表現(xiàn)優(yōu)異，但在極限情況下仍需改進(jìn)穩(wěn)定性與控制精度。

5結(jié)束語

本文提出的基于車聯(lián)網(wǎng)的無人駕駛汽車路徑跟蹤導(dǎo)航系統(tǒng)，通過精確的路徑規(guī)劃、偏離檢測(cè)與修正以及實(shí)時(shí)跟蹤技術(shù)，實(shí)現(xiàn)了在復(fù)雜環(huán)境中的高效導(dǎo)航與控制。試驗(yàn)結(jié)果驗(yàn)證了該系統(tǒng)在不同道路條件下的良好性能，盡管存在一定的挑戰(zhàn)，尤其是在極限駕駛情況下，仍展示了較高的穩(wěn)定性和可靠性。未來，應(yīng)優(yōu)化系統(tǒng)對(duì)動(dòng)態(tài)交通環(huán)境的適應(yīng)能力，并提升應(yīng)急響應(yīng)和控制精度，以推動(dòng)無人駕駛技術(shù)在實(shí)際應(yīng)用中的廣泛推廣。

參考文獻(xiàn)

[1]何凱.基于車聯(lián)網(wǎng)的無人駕駛汽車局部路徑跟蹤導(dǎo)航方法[J].汽車周刊，2024（3）：16-18.

[2]孫也，李春華，王堯.改進(jìn)的禁忌搜索算法在無人駕駛汽車路徑規(guī)劃中的研究[J].機(jī)械設(shè)計(jì)與制造，2024（6）：271-275，281.

[3]朱元潤，周新智，胡雄.無人車路徑規(guī)劃與自主避障算法研究[J].專用汽車，2024（5）：29-32.

[4] 汪沛，曾思曉，何杰.無人駕駛農(nóng)機(jī)避障路徑跟蹤仿真與驗(yàn)證[J].華南農(nóng)業(yè)大學(xué)學(xué)報(bào)，2024，45（3）：416-426.

[5]雷芳華.無人駕駛汽車局部路徑規(guī)劃算法的對(duì)比研究[J].中文科技期刊數(shù)據(jù)庫（全文版）工程技術(shù)，2023（4）：126-128.

（編輯楊凱麟）