无人地面车辆机械安全理论原理研究

福州大学至诚学院 刘 鑫

1.引言

无人地面车辆是通过一系列电脑操作系统来控制的智能汽车。一直以来，由于其能避免大量的交通事故得到了大力推崇与支持，早在上个世纪就有关于无人地面车辆的理论和研究出现，其发展至今已有近百年的历史。全球首个无人驾驶汽车制定法规的地方在美国的加利福尼亚。2015年12月，加利福尼亚机动车辆管理局（DMV）就指出要求所有无人地面驾驶车辆在试验过程中必须有驾驶员在车内，以便于在突发情况下便于驾驶员接手。然而，自从无人地面车辆开始现身市场后，引发的安全问题也逐渐凸显。2016年，特斯拉汽车公司生产的自动驾驶轿车发生事故导致司机身亡—这是首例汽车自动驾驶致死的交通事故。2018年3月18日Uber的一辆无人地面车辆在亚利桑那州发生交通事故，导致一名行人死亡—这是首例无人地面车辆导致行人死亡事故。这些事故引发了民众关于自动驾驶技术的新争论[1,2]。

自动驾驶车辆的技术实际上是由人工智能计算、视觉模拟计算、雷达、传感器设备和全球定位系统协组成的。但是由于系统组成上存在方方面面的缺陷，如传感性能不足、系统漏洞等原因，导致自动驾驶车辆不可靠。若要提高地面无人车辆可靠性，就应该从地面控制系统、传感系统和交通设施等方面进行深入的分析和研究。

2.无人地面车辆控制系统研究

2.1 PID控制

Cremean等[3]以前方道路曲率变化为基础，设计了PID反馈控制+前馈控制的无人汽车辆运动控制器。Netto等[4]提出了动态特性反馈的PID横向算法。孙振平等人[4]提出了单点预瞄设计的PID控制器，实现了对无人驾驶车辆的控制。PID控制算法简单可靠，实现难度小，具有较好的鲁棒性，能够使车辆的横向和纵向控制得以实现。但对于较为复杂的状况，如要同时对车辆要求完成横向和纵向任务时，PID算法的实施效果就变得不够精确。为了提高精确性，建议PID中的参数设置需根据不同路况加入非线性调整，同时对参数与车辆之间的匹配试验也需要做大量的工作。

2.2 神经网络控制

随着对神经网络认识的加深，车辆工程师正尝试把神经网络和模糊理论用来构建无人驾驶车辆的控制系统，通过拓扑网络结构构件基于神经网络的驾驶员，利用人类驾驶员的动作作为模型的训练样本，这种方式的控制效果不佳，通用性低。为了解决这一缺点，研究者又开始将车辆动力学和神经网络杂合在一起对模型进行建立，这种方法把稳定性、失稳特征、跟随误差作为目标函数对模型进行不断的训练，这种方法和人类驾驶员驾驶方法类似，具有一定适应性[5]。

2.3 最优控制

王荣本等[6]人研究了自动车辆横向控制最有问题，设计了最优化控制器。马莹[7]等人提出了时间最优化预瞄的无人驾驶车辆控制算法，假定目标范围内的车辆所在道路的曲率没有变化，则设计的控制器参数可以通过数学求解，实时控制无人车辆的行驶状态。最优控制目前在国内一般是把无人驾驶车辆进行简化，在没有外部干扰的条件下，最优控制的精确度较高。

3.无人地面车辆传感器研究

自动机械汽车工程师首要考虑的是识别进入行驶路段的人/车的方法。这种情况其实并不少见，例如前方突然停下来的汽车、突然串入道路的一只羊、过路的行人。工程师们在设计自动驾驶系统时一定需要保证汽车能尽早捕捉到前方有阻挡物的信号，以确保汽车能及时地采取适当措施，通过减速、迂回甚至及时停车的方式来避让开路障。

3.1 顶部激光雷达

激光雷达系统是位于汽车顶部的桶状物体，它能以每秒多次的速度生成汽车周围的3D成像。尽管恶劣的天气、遥远的距离在一定程度上会影响顶部激光雷达的准确性，但顶部激光雷达依旧是非常重要的成像工具，是每辆无人地面车辆上必备的设备。

3.2 前端雷达

前端雷达使用的不是激光而是无线电波。无线电波雷达更能抗环境干扰能力，但是在遇到雨雪时也会降低分辨率，并影响成像。根据部署的雷达数量不同，提供的距离像会存在差异。尽管雷达之间的成像会有大幅重叠，但对于侦测障碍物会更准确。

3.3 短焦和长焦光学相机

激光雷达和雷达可确定物体的形状，但不能够读取标记，感应物体颜色。因此有了可见光相机，无人地面车辆上的这些相机密切关注标志着汽车刹车、交通灯的指示器等标记。尤其是在汽车前端设置相机可得到汽车前进道路的图像。

4.无人地面车辆交通基础设施

道路智能化是对无人地面车辆至关重要的。智能、互联的道路基础设施指的并不是简单摆放在路面的的信号灯、路牌、交通指示标志，而是对现有的交通模式进行适当修改，让智能道路为智能车辆服务，全面提升道路通信能力，通过建立车辆的物联网系统，根据不同车辆的需求，为车辆提供车速引导、红灯预警、车辆避让、行人避让、放置冲撞、恶劣天气预报等各种实用性服务。