智能车辆控制的研究进展

贾晓燕

（兰州交通大学交通运输学院，甘肃兰州 730070）

0 引言

在过去的二十多年里，世界上大部分贸易大国（如美国、德国、法国、日本等）的高速公路系统都得到了迅速发展，车流量显著增加，交通越来越便利，但同时也带来了一系列恶劣的后果，如交通拥挤、环境污染、交通事故等，导致大量的经济损失。在BMW 1997年的研究中发现，在德国，由于交通拥挤引发撞车等事故，造成每年损失约合一千亿美元。类似的问题也存在于大部分东欧国家。因此，提高对车辆的控制能力，减少交通事故，提高高速公路的利用率，已成为目前研究的热点问题。

有关智能交通系统的研究主要分两个方面：一是自主导航系统的研究，二是车辆智能控制系统的研究。自主导航系统依赖于整个交通系统的建立和完善，而智能车辆控制系统由于便于应用，除美国在智能高速公路系统方面已取得部分研究成果之外，各国都侧重于智能车辆控制系统的研究。目前，日本在智能车辆控制方面的研究处于世界领先的地位。

我国在该领域的起步较晚，近几年虽然高速公路建设发展迅速，总里程已位居世界第二，但在智能车辆控制应用技术方面与发达国家有很大差距。特别是我国南方多阴雨天，北方多大雾天，使得车辆控制问题变得更加复杂，突发性的恶劣天气导致交通事故频发，严重时整个高速公路系统只能封闭，这大大降低了公路的利用率，严重影响了社会生活的正常运行。

本文针对智能车辆控制系统的研究现状和问题展开讨论，其中第1、2两节分别分析讨论了纵向车辆控制和横向车辆控制的研究成果，第3节探讨了纵横向综合控制问题，第4节给出本文的结论，并对今后的发展方向进行了展望。

1 车辆纵向控制

车辆纵向运动控制的目的是保证车辆行进过程中同前面车辆之间保持一定的安全距离，车辆之间维持相对稳定的速度，并且在紧急情况下尽快做出刹车决定。

智能车辆的纵向控制主要是对车辆的节气阀和刹车进行控制，在没有司机的操作下，实现车辆的自动加速或减速。对于智能或自适应巡航控制器，它们都是利用传感器装置，如雷达，来检测外部信息（如车辆之间的间距，车辆的位置、速度、加速度等），使车辆在给定的速度下，在车队中安全行驶，同时还能使公路的利用率最大化。控制器的作用是选择对节气阀还是对刹车进行控制，并且能在两者之间进行平稳的切换。

车队控制形式主要有两种：一种是自适应智能巡航控制（Autonomous intelligent cruise control），简称AICC，此时车辆与外界不进行通讯，司机需要设定理想的行进速度和路线；另一种是协作式智能巡航控制（Cooperative intelligent cruise control），简称CICC，这种控制要求车队中的车辆与其它车辆、路边的监测装置、车行道控制器进行通讯，并且车队能够合并或分解，即车辆可以随时进入一个车队，也可以从车队中退出。

1.1 自适应智能巡航控制(AICC)

智能巡航控制主要研究的是车队的稳定性问题[1-2]，车队的空间距离不停的变化是引起车队不稳定的主要原因，减小车队运动的不稳定性是纵向控制的主要研究领域。

AICC的模型是用车辆的速度和加速度建立的，针对不同算法的模型还可能包括车辆的质量、空气阻力、加速度率、道路摩擦等变量。下面我们探讨现有的AICC控制方法及应用情况。

文献[3]提出一种基于模糊神经网络算法的车辆控制器，用雷达来模仿司机对车间距的控制行为，已在雪弗莱汽车上应用了该控制器，并在菲尼克斯51高速公路上进行了成功测试。文献[4]也提出一种模糊网络控制器，来控制车辆速度和车间距，利用雷达来检测车辆速度误差和车辆之间的间距，并将该控制器安装在林肯汽车上，在圣地亚哥的I-15高速公路上进行了实验。文献[5]提出了三层自动控制的模型，应用模糊逻辑控制方法，文献[6]对该模型和控制方法进行了测试。

文献[7]提出4层的自动控制模型，其中计划层发出控制命令，要求车辆换道、减速、加速等；校准层利用5种类型的反馈控制率，来完成一定的任务（计划层发出命令），5个控制律分别为跟随车辆的距离、领队车辆的速度、合并加速度、分解减速度以及车辆自由换道。这些控制是为了既保证车辆间比较小的距离（提高高速公路的利用率），同时又保证车辆在高速公路上安全行驶。

文献[8]提出一种纵向控制方法，车辆的驱动力F采用PD控制。即：式（1）中：M为这辆车的质量；gf为前面车辆的加速度；g0为本车加速度；kp为比例系数；kd为微分系数；ds为车辆间的距离；dt为车辆间的理想距离，是前面车辆的速度；v0为本车的速度。

当F＞Mg0时控制节气阀，当F＜Mg0时控制刹车。

利用车辆之间的通讯系统，可以测量车辆之间的距离和车辆的速度。文献[9]发展了PID和基于滑动模型的PI控制，采用模糊逻辑控制器和模糊专家系统，决定在何种情况下应该采用哪种控制方式。

1.2 协作式智能巡航控制（CICC）

CICC控制，要求车辆能与车队中其他车辆进行实时通讯，为车辆的停止和前进收集各种数据和信息，对传感器设定有效的控制策略。

车辆上安装的传感器，主要有雷达传感器[10]，激光传感器与视觉传感器[11]，或同时安装多种传感器[12]。多种传感器的融合可以弥补不同环境下测量的需要，可以通过这种方法将获取的各种信息结合起来对车辆进行控制。对多种测量信号的拟和方法，文献[13-14]设计了全维状态估计器。但在实际操作中，环境的变化十分频繁，很难预测传感器会怎样工作，一旦传感器的融合策略中没有某一种情况，控制器会失去控制能力。尽管如此，文献[12]提出的多传感器结合方法，仍是一种可以进一步发展的策略，这种策略克服了单传感器感应范围有限、使用的环境也有限制的缺点，利用多传感器的融合，对于解决低能见度情况下车辆跟随问题，提出一种可行的方案。

文献[15-16]利用上述传感器通讯，使被控车辆得到车与车之间的距离、相对速度、前车的速度等信息来对跟随车辆进行控制，车与车之间有全面的通讯能力。

文献[17]提出一种基于自适应控制理论，从车队中车辆质量的不确定性问题出发，设计了车辆控制器，定义了误差方程：式（2）中：q1，q3，q4是控制参数；下标 l代表领队车辆，使方程满足条件S˙l1+λSl1=0，得到车辆的控制律如下：

式（3）、（4）中：δ是距离误差，Mi是车辆质量，λ 是正常数。

经过成功的仿真试验，验证了该控制律可以使车队保持稳定。

文献[18]提出利用李亚普诺夫第二方法，得到车队中以车辆间距作为控制量的控制律，本文中采用一个三阶的车辆模型，提出期望误差的概念，并进行了模拟仿真，其结果显示这种利用李亚普诺夫方程设计的控制器要比PID控制器更加敏感，控制效果更好。

2 车辆横向控制

车辆的横向控制的目的是对车辆的转向进行控制。主要关心的是路径的保持、转向、改变路径和躲避前方可能出现的障碍物。自动转向系统可以大幅度降低由车辆行驶过程中出现的道路偏离或转向过度而引起的交通事故。

横向控制系统主要有两种：一种是在车下安装检测装置的下方参考系统（Look down reference）简称LDR，一种是在车辆前方安装检测装置的前向参考系统（Look ahead reference）简称LAR。其中LDR的主要优点是数据处理比较简单，在各种气候和各种路况下都能良好工作，但要在高速公路的道路上安装电缆或永久性磁铁的成本很高；而前向参考系统LAR采用的传感器主要是视觉、超声和激光等传感器，利用这些传感器采集车辆行驶环境状况，经分析处理做出相应的控制决策。文献[19]提出自回归滑动平均并带有模糊逻辑的方法设计控制器。文献[20-21]提出卡尔曼滤波方法对控制器进行设计。文献[22]设计具有智能和鲁棒稳定的模糊PD控制器,进一步把模糊控制系统转化成带有不确定因素的卢尔系统，用李亚普诺夫直接法，使该系统稳定。文献[23]提出一种鲁棒模糊逻辑控制策略。文献[24]采用最优控制的方法，利用立体影像技术，在没有路面标线的道路上（十字路口和停车区域）控制车辆的横向移动。文献[25]提出多层前馈的神经网络控制算法，提高车辆在弯路行驶时的安全性。

3 纵向横向综合控制

以上两节分析总结了纵向和横向车辆控制的发展情况，本节讨论纵横综合控制问题。在车辆的控制中很难处理的一个问题是：车辆高速行驶时作急转弯，使车辆在保持行驶轨道上转弯，同时保证车速不发生太大减速。另一个难题是避障，控制器需要决定车辆是停止、越过障碍，还是在障碍物前突然转向。这都需要横向和纵向控制相结合，利用所有传感器为控制器提供足够准确的信息，从而使控制器在做出决定前能计算所有可能的方案，并选择最优方案。

公路上对车辆控制所提供的信息都是可见的，如道路条纹、人行横道、停车线、信号灯、警告标志等。所以大量的研究工作都在基于视觉传感器的控制方法研究方面，如文献[26]提出基于雷达、激光和视觉传感器数据融合的卡尔曼滤波方法，从而实现车辆的纵向横向综合控制。

对于车辆的控制方法主要集中在单独对纵向控制或横向控制上，而对综合控制的研究仍旧很少，尤其在应用领域上，辅助驾驶系统仍主要是纵向或横向单独工作的控制器，对综合控制需要进一步研究。

4 结语

国内外有关智能车辆控制的研究已取得了许多有价值的研究成果，但有关低能见度下车量控制的研究还都很少，现有的智能车辆控制算法很难在低能见度下使车队稳定运行。因此，低能见度下的车辆智能控制是汽车控制研究中一个十分重要的问题。无论是对单个车辆还是对车辆编队进行控制，要取得好的控制性能都必须依靠车辆间的良好通讯，为有效的车辆控制提供足够的信息。因此，我们认为以下几方面急待深入研究：（1）适应低能见度的多传感器融合方法，如车辆雷达传感器与计算机视觉信息的融合；（2）低能见度下车辆间的通讯及车辆与控制中心的通讯策略；（3）低能见度下的车辆横向控制与纵向控制方法等。

[1]Swaroop D.V.A.D.G and Huandra R,Intelligent Cruise Control System Design Based on a Traffic Flow Specification [J].Vehicle System Dynamics,1998,30(5):319-344.

[2]Swaroop D.V.A.D.G and Rajagopal K.R,Intelligent Cruise ControlSystemsand Traffic Flow Stability [J].Transportation Research.1999,7(6):329-352.

[3]Wu L,Xu Y,Wang F,Lin Y,Li P,Liu W,Supervised Learning of Longitudinal Driving Behavior for Intelligent Vehicles Using Neuro-Fuzzy Networks:InitialExperimentalResults [J].The International Journal of Intelligent Control and Systems,1999,3(4):442-463.

[4]Kim H.M,Dickerson J and Kosko B,Fuzzy Throttle and Brake Control for Platoon of Smart Cars[J].Fuzzy Sets and Systems,1996,84(3):209-234.

[5]Germann S,Isermann R,Nonlinear Distance and Cruise Control for Passenger Cars[C].Proc of American Control Conf.Seattle,1995:3081-3085.

[6]Holzmann H,Germann S,Halfmann C and Isermann R,Intelligent Fuzzy Distance and Cruise Control for Passenger Cars[J].Journal of Intelligent and Fuzzy Systems,1998,6(3):315-327.

[7]Varaiya P,Smart Cars on Smart Roads:Problems of Control[J].IEEE transactions on automatic control，1993,38(2):195-205.

[8]Tachibana A, Automated Vehicle System Cooperated with Infrastructure[C].Proc of the 5th JSME Transportation and Logistics Conference.Japanese,1996:243-246.

[9]Kachroo P,Tomizuka M and Agogino A.M,A Comprehensive Strategy for Longitudinal Vehicle Control with Fuzzy Supervisory Expert Systems [C].IEEE International Conference on Systems,Man and Cybernetics,1995:765-770.

[10]Hoess A,Radar Net[C].Proc of eMobility Conf.Sweden,2001,CD-ROM.

[11]Langheim J,Sensor fusion for DAS[C].Proc of ITSW Conf.Chicago,2002.CD-ROM.

[12]Labayrade R,Royere C,Gruyer D,and Aubert D,Cooperative fusion for multi-obstacles detection with use of stereovision and laser scanner[C].Proc of the 11th ICAR Conf.Coimbra,2003:1538-1543.

[13]Kam M,Zhu M.G,Kalata P,Sensor fusion for mobile robot navigation[C].Proceedings of the IEEE,Jan,1997,85(1):108-119.

[14]Luo Ren C,Yih Chihchen,Su Kuolan,Multi-sensor fusion and integration:approaches,application and future research directions[J].IEEE Sensors Journal,2002,2(2):107-119.

[15]Sheikholeslam S,Desoer C,A system level study of the longitudinal control of a platoon of vehicles [J].Journal of dynamic systems,measurement,and control.1992,114(42):286-292.

[16]Sheikholeslam S and Desoer C,Longitudinal Control of a Platoon of Vehicles[C].Proc of the American Control Conf,San Diego,1993 1:291-297.

[17]Swaroop D,Direct Adaptive Longitudinal Control of Vehicle Platoons[J].IEEE Trans.Veh.Technol.2001,50(1):150-161.

[18]ChongK and Roh D,A LyapunovFunction Approach to Longitudinal Control of Vehicles in a Platoon [J].IEEE Trans.Veh.Technol,2001,50(1):116-124.

[19]Yuhara N,Horiuchi S,Iijima T,Tajima J and Asanuma N,Synthesis and Evaluation ofDriver Assistance Systemfor Vehicle Lateral Guidance and Control[C].3rdITSWorldCongress,Orlando,FL,October1996.

[20]Goldbeck J and Huertgen B,Lane Detection and Lacking by Video Sensors[C].Proceedings of IEEE/IEEJ/JSAI international Conference on Intelligent Transportation Systems,Tokyo,Japan,1999:5-8.

[21]Gern A,Franke U and Levi P.Advanced Lane Recognition-Fusing Vision and Radar[C].Proceedings of the IEEE Intelligent Vehicles Symposium 2000,Dearborn,2000:45-51.

[22]Cai L,Rad A.B,Chan W L and Cai K.Y,A Robust Fuzzy PD Controller for Automatic Steering Control of Autonomous Vehicles Department of Electrical Engineering[J].IEEE Conf.On Fuzzy Systems,2003,1:549-554.

[23]Mengyin F,Ruan J.h,Li Y.b,A New Kind of Robust Design Method of Intelligent Vehicle Lateral Control[C].IEEE Proceedings of WCICA,Hangzhou 2004:2438-2442.

[24]Paetzold F,Franke U,vanSeelen W,Lane Recognition in Urban Environment Using Optimal Control Theory[C].Proceedings of the IEEE Intelligent Vehicles Symposium 2000,2000:221-226.

[25]Wang G,F'ujiwara N,Bao Y,Feed-Forward Multilayer Neural Network Model for Vehicle Lateral Guidance Control[J].Advanced Robotics,1999,12:735-753.

[26]Stiller C,Hipp J,Roessig C and Ewald A.Multisensor Obstacle Detection and Tracking [J].Image and Vision Computing,2000,18(5):389-396.