平行无人系统

陈 龙，宇文旋，曹东璞，李 力，王飞跃

（1.中山大学数据科学与计算机学院无人系统研究所，广州 510006；2.电子科技大学机械与电气工程学院，成都 611731；3.慧拓智能机器有限公司，青岛 266000；4.滑铁卢大学机电工程系，安大略 N2L3G1 加拿大；5.清华大学自动化系信息科学与技术国家实验室，北京 100084；6.中国科学院自动化研究所复杂系统管理与控制国家重点实验室，北京 100190；7.国防科技大学军事计算实验与平行系统技术中心，长沙 410073）

1 引 言

近年来，无人驾驶汽车在世界范围内掀起了人工智能的研究热潮，其一旦广泛投入使用，将对人类的出行状况产生巨大影响。如无人驾驶汽车可以帮助减少车祸，降低交通拥堵，使驾驶员有更多的自由时间，甚至可以通过对加速、制动以及变速等方面的优化，提高燃油效率，减少温室气体排放。其巨大的社会和经济效益吸引了众多的研究人员、创业人员和投资商，甚至政府也出台了相关的鼓励政策，为无人驾驶汽车这一战略性技术的研发保驾护航。无人驾驶汽车是路面无人系统（UGS）的一个特例，可以放在无人系统这一更加广阔的框架下进行研究。

无人系统包括无人机系统（UAV）、海上无人系统（UMS）、地面无人系统（UGS），在科研人员的不懈努力下，无人系统的各领域得到了长足发展。

无人机系统是无人机及与其配套的通信站、起飞（发射）回收装置、远程控制装置以及无人机操作员等组成的系统。其历史可追溯到第一次世界大战，英国的卡德尔和皮切尔两位将军提议研制一种不用人驾驶的小型飞机，飞到敌军上空投下炸弹。在海湾战争与伊拉克战争中，这一设想真正被用在了战场上。美国军用无人机出色地完成了侦察与打击任务，证明了固定翼无人战机有潜力成为未来战场的主战力量，拉开了各国竞相研制固定翼军用无人机的序幕，并逐渐辐射到民用。得益于其结构简单、造价相对低廉、机动灵活等特点，旋翼无人机迅速成为了无人机领域研究[1-2]与应用的热点。目前，世界上已有多款产品级的无人机，包括旋翼无人机与固定翼无人机，用于航拍、监控、勘探、农业生产等多项民用、商用活动。

海上无人系统包括无人海上航行器（UMV）及必需的通信、控制及支援保障设备，其中UMV包括水面无人舰艇（USV）和无人潜航器（UUV）。水面无人舰艇是继无人机、无人车、无人潜航器之后受到关注的无人自主项目。尽管起步稍慢，但在无人车、无人机上使用的传感器融合、导航等技术亦可用于水面无人舰艇，有助于其快速发展。2016年，美国宣布其海洋猎手型无人反潜舰已进入为期两年的测试阶段，引起社会对于无人船的热切关注。目前，无人船主要用于水样检测、水下探测、巡逻搜救等任务。无人潜航器又称自动潜水器，是一种水下机器人，包括螺旋桨潜航器与仿生机器鱼等。其研究可追溯到1957年华盛顿大学应用物理学实验室的特种用途水下研究载具（Self-propelled under water research vehicle，SPURV）。目前无人潜航器主要用于水下勘探、水下作业、洋流监测等军用、民用领域。

地面无人系统是能够依靠自身携带的传感器通过感知理解外界环境，根据任务需要进行实时决策与执行，以自主或半自主方式进行作业，在已知或未知地面环境中具有一定自我学习和适应能力的智能设备。从20世纪70年代开始，美国、英国等国率先开展了地面无人载具的研究。进入21世纪之后，随着计算机计算能力加强、传感器精度提升、机器学习与模式识别算法的突破，无人车取得突破的条件逐渐成熟。2004年，美国国防预先研究计划局（DARPA）开始举办一系列无人车比赛，无人车的研究得到空前关注。2014年，Google发布其无人车，并于一年后获得美国首个无人驾驶车辆许可证，引爆无人车热潮。随后，Tesla、Uber、百度等公司相继宣布自己的无人车计划，目前一些用户已经可以在日常出行中体验无人驾驶。

尽管无人系统正在大步迈向成熟化、市场化，但距离其全面应用，成为生产生活的主力尚面临许多挑战。北京时间3月20日凌晨，Uber的一辆自动驾驶汽车在亚利桑那州Tempe市发生交通事故，与一名正在过马路的行人相撞，行人在送往医院后不治身亡。类似这样的事例引发了人们对无人驾驶汽车，甚至整个无人系统领域在安全性和稳定性等方面的担忧，对无人系统应对复杂的实际场景的能力提出质疑。这样的担忧和质疑不无道理，随着现代化交通设施的建设，陆海空各方面的交通状况变得愈加复杂，这就要求无人系统具有自动学习和自主决策的能力。无人系统的学习需要大量的实验数据作为支撑，然而物理实验的代价较高，且有些实验具有破坏性和不可重复性，使系统、全面的物理实验难以实现。因此亟需一套完整的理论框架，用于解决上述问题，即平行无人系统框架。

本文余下部分组织如下：第2章首先对无人系统的概念进行进一步界定，然后介绍了无人系统的自主性及其等级划分，并分析了当前无人系统研究的难点；第3章针对无人系统难点问题提出了平行无人系统框架，首先介绍了平行理论，然后根据无人系统特点提出平行无人系统框架，并就其中的关键技术进行说明；第4章和第5章根据平行无人系统框架分别设计了平行驾驶验证平台和平行机器人验证平台，介绍了平行无人系统框架在无人驾驶及机器人方面的具体应用，并通过试验验证了平行无人系统框架的合理性；第6章对本文工作进行了总结。

2 无人系统

2007至2013年间，美国国防部（DoD）前后发布了4版《无人系统路线图》[3-6]，将地面无人系统、无人机系统、海上无人系统为代表的陆、海、空无人系统集成在统一的发展规划中，为美国无人系统的发展指明了方向，同时也为我国无人系统的研究提供了借鉴。

2.1 无人系统的定义

DoD在其2007年发布的第一版《无人系统路线图》中给出了“无人航行器”的定义：

Unmanned vehicle∶ A powered vehicle that does not carry a human operator, can be operated autonomously or remotely, can be expendable or recoverable, and can carry a lethal or nonlethal pay load.Ballistic or semi-ballistic vehicles, cruise missiles,artillery projectiles, torpedoes, mines，satellites, and unattended sensors (with noform of propulsion) are not considered unmanned vehicles.Unmanned vehicles are the primary component of unmanned systems.

无人航行器（unmanned vehicle）是一类有动力、非载人航行器（vehicle），可自主工作或遥控操作，可以是一次性的或是可回收的，可携载致命或非致命载荷。弹道或半弹道式运载工具、巡航导弹、炮弹、鱼雷、水雷、卫星和无人值守传感器（无任何形式的推进）均不属于无人航行器。无人航行器是无人系统的主要组成部分。

虽然DoD给出了“无人航行器”的详细定义，明确了基本范畴，但并未直接给出“无人系统”的完整定义。从上述表达方式可知，无人航行器是无人系统的一部分，无人系统是比UAV、UMS、UGS更高层次的系统概念。

国内外学者根据自己的理解对无人系统的概念进行了定义，如文献[7]总结了无人航行器的特点，将无人系统定义为“无人系统是由无人运动或静止载体、致命或非致命任务载荷、支援保障设备（含发射装置）和遥控操作员（可选）等组成的，以自主工作或遥控方式完成特定任务的作战系统。”其受DoD思想的影响，将无人系统定义为作战系统，忽略了无人系统的民用属性。

本文认为无人系统是由UAV、UMS、UGS等无人航行器及其远程控制系统等组成的，以自主或遥控方式完成特定任务的CPSS（赛博-物理-社会系统）。

2.2 无人系统的自主性

2.2.1 自主性的定义与概念

自主性是无人系统拥有感知、观察、分析、交流、计划、制定决策和行动的能力，并能够完成人类通过人机交互方式布置给它的任务[8]。

自主系统的显著特征是在未知环境中的目标导向能力，它能基于一套规则或约束做出决策，并确定哪些信息对决策是重要的，因此其性能比预先确定运行方式的系统更优越[9]。

2.2.2 自主性与复杂性

自主性可以根据任务的困难性、环境的复杂性和为了完成任务进行的人机交互程度等因素分为不同的等级。无人系统不同的研究领域分别给出了各自的分级标准，如无人机系统的AFRL自主控制等级（表1）及其简化版NASA无人机系统自主控制等级（表2）、SAE规定的汽车自主化等级（表3）等。

由表1至表3可知，随着自主性的提高，对无人系统处理由自身状态、周围自然环境、周围社会环境组成的复杂系统出现的各种状况的综合能力提出更高要求。可见，无人系统的复杂性不仅是自身的结构、状态、控制等内部复杂性，还涉及到所面对的自然环境以及社会环境的更大的复杂性。文献[10]将无人系统面临的上述问题定义为不确定性（Uncertainty）、多样性（Diversity）和复杂性（Complexity），简称UDC问题。只有处理好这三个方面的复杂性，找到解决无人系统UDC问题的方法，才能够真正实现无人系统的完全自主性。

表1 AFRL提出的无人机系统自主控制等级

表2 NASA飞行器系统计划高空长航时部等级划分

表3 无人车自主化等级划分

3 平行无人系统

平行无人系统是使用平行无人系统框架设计的无人系统，所谓平行无人系统框架是在现有无人系统的技术基础上，引入先进的平行理论，利用其CPSS空间概念、平行理论和ACP算法，形成的一套用于无人系统设计的整体架构及其平行建模、平行学习、平行规划和平行控制等具体方法。平行无人系统框架的提出为解决由无人系统及其所处自然、社会环境组成的复杂系统的建模、实验、感知、预测、规划、控制等方面的问题提供了新的研究思路。

3.1 平行无人系统的理论依据

平行系统的思想由中科院自动化所王飞跃研究员于2004年提出[11]，可概括为CPSS系统、平行理论、ACP方法三个方面，分别从概念、理论和方法论三个层面全面给出了复杂系统的完整解决方案。

3.1.1 CPSS系统

信息物理系统（Cyber-Physical Systems，CPS）是一个综合计算、网络和物理环境的多维复杂系统，通过3C（Computer、Communication、Control）技术的有机融合与深度协作，实现大型工程系统的实时感知、动态控制和信息服务[12]，如图1所示。

图1 CPS系统［13］

随着互联网的高速发展，赛博空间对人们的行为方式以及交流方式都产生了重要影响，因此到了需要考虑社会动力学的阶段。1972年奥地利哲学家波普尔（Popper KR）提出了“三个世界”理论，即我们的宇宙由三个相互作用的世界组成：物理世界（the physical world）称为第一世界，心理世界（the mental world）称为第二世界，还有人工世界（the artificial world）被称为第三世界。受这一理论的启发，王飞跃研究员提出社会物理信息系统CPSS这一先进概念，即：社会物理信息系统CPSS（Cyber-Physical-Social Systems）是在CPS的基础上，进一步纳入社会信息、虚拟空间的人工系统信息，将研究范围扩展到社会网络系统，注重人脑资源、计算资源与物理资源的紧密结合与协调，使得人员组织通过网络化空间以可靠的、实时的、安全的、协作的方式操控物理实体[13]，如图2所示。

图2 CPSS系统［13］

其中，P主要与现实的物质、自然或物理域即第一世界对应；S主要与现实的社会、认知或心理域即第二世界对应；C主要与现实的信息、知识或人工域即第三世界对应[14]。这与波普尔的哲学理论高度契合，一经提出就得到了各相关领域研究人员的高度重视。

3.1.2 平行理论

王飞跃研究员在其2004年发表的《平行系统方法与复杂系统的管理和控制》一文中首次提出了平行系统的概念。平行系统采用复杂系统研究的“多重世界”观点，即对复杂系统进行建模时，不再以逼近某一实际的复杂系统的程度作为唯一标准，而将模型认为是一种“现实”，是实际复杂系统的一种可能的替代形式和另一种可能的实现方式，而实际复杂系统也只是可能出现的现实中的一种，其行为与模型的行为“不同”但却“等价”。

文中指出，平行系统（Parallel Systems），是指由某一个自然的现实系统和对应的一个或多个虚拟或理想的人工系统所组成的共同系统，平行系统框架图如图3所示，它包括实际系统和人工系统两部分。简单来讲，人工系统是对实际系统的软件化定义，不仅是对实际系统的数字化“仿真”，也是为实际系统运行提供可替代版本（或其他可能的情形），从而实现对实际系统在线、动态、主动的控制与管理，为实际复杂系统管理运作提供高效、可靠、适用的科学决策和指导。

图3 平行系统框架［11］

3.1.3 ACP方法

ACP是使用平行系统解决复杂系统问题的步骤，是人工社会（Artificial societies）、计算实验（Computational experiments）与平行执行（Parallel execution）的简写。ACP给出了实现平行系统的三个步骤：第一步，建立与实际系统相对应的人工系统；第二步，在人工系统中利用计算实验对所研究复杂问题进行分析与评估；第三步，实际系统与人工系统通过虚实互动的平行执行方式实现二者的管理与控制，如图4所示。

图4 ACP算法框架

所谓人工系统，可视为传统数学解析方法建模的扩展，是广义的知识模型，是落实灵捷性（Agility）的基础。构建人工系统的方法有许多，例如各学科领域都有许多本领域数值仿真器或物理仿真器，亦可以通过多智能体建立代理模型或概率图模型的方法构建。人工系统首先应与实际系统具有特征一致性，还应具备计算快速、部署简单、可交互性等特点。计算实验是仿真模拟的升华，是在人工系统中通过计算推演得到复杂系统特性的手段，是确保复杂系统能够聚焦的手段。计算实验应从由数据驱动，融合知识自动化、机器学习等方法，达到可计算、可优化、实时性等要求。平行执行是自适应控制等思想的推广，在虚实平行系统中构成大闭环反馈机制，是确保执行结果收敛（Convergence）的方法。所以说，基于ACP的平行系统可以实现复杂系统从UDC到AFC的跨越[15]。

3.2 平行无人系统框架

本文根据上述平行理论及其相关方法，提出了平行无人系统的框架，如图5所示。根据平行理论的CPSS空间概念，框架将无人系统分为：L1物理世界、L2认知世界和L3人工世界三个层次。其中L1物理世界层主要包括无人系统的载具，如无人车、无人机、无人船等，这个层次关注的主要是无人系统的物理属性，包括无人系统的运动学、动力学特性等牛顿力学属性；L2认知世界层主要包括驾驶员与ADAV的感知算法部分，这一层主要关注的是系统对自身状态及周围自然环境和社会环境的认知属性，符合莫顿定律；L3人工世界层包括两个子层：信息服务子层和ADAV子层，其中信息服务子层通过各种手段，收集关于无人系统及其所处自然和社会环境的信息，包括无人系统较为关心的用于定位和导航的地理信息，无人系统与社会有效融合的人类活动信息，以及通过各种先进科技可以收集到的关于无人系统的运行相关的信息，从而构建一个动态完整的无人系统信息库，形成一个完全与真实世界想对应的平行世界，为无人系统的规划和决策提供丰富的信息服务。ADAV是Artificial Drivers and Artificial Vehicles的缩写，代表人工世界中的智能控制算法与虚拟无人载具的联合体，是无人系统在人工世界中的智能主体，其通过各种科技手段实现与实际驾驶员的交互，并通过向同一层的信息服务子层请求当前信息，获得对无人系统及其所处环境的了解，并根据这些信息生成规划和控制决策，进而控制物理世界中的无人系统载具进行相关行动，从而完成既定任务。

L1层各无人系统的实体之间可通过智能网联、物联网、无线通信等技术实现信息交换，为更高层提供更加丰富可靠的一手数据；L2层驾驶员与ADAV的交互实现了无人系统操作优先级的功能，即远程驾驶员具有最高的优先级，其根据传感器传回的实时影像以及从L3信息服务子层得到的信息，形成决策，进而对无人系统在复杂环境中的运行状况进行有效的监督，并在无人系统遇到难以处理的情况时及时介入，避免危险的发生，为无人系统处理紧急突发状况提供了有效的手段。

不仅L1层各无人系统的实体之间可实现信息交换，L3人工世界的ADAV子层内各ADAV之间也可以进行各种信息沟通。这与物理世界中的智能网联概念类似，但因为其所处环境为虚拟环境，所以ADAV间的信息沟通比物理世界容易得多，这种信息交互可作为L1层物理无人载具之间信息交互的重要补充手段。

通过实-实互联、虚-虚互联、虚-实互联，不仅UGS之间、UAV之间、UMS之间可通过L3人工世界的信息服务和ADAV代理形成有效的同类无人系统之间的“小系统”，还能够通过建立更加广阔的CPSS系统，为UGS、UAV、UMS等组成的混合编队提供有效的信息服务与智能控制代理，从而形成更大的无人系统。

在上述平行无人系统的框架中，L3人工世界层除了为无人系统提供信息服务外，另一个核心功能是通过ADAV实现对无人系统的智能控制。ADAV的实现可以参照ACP算法，图6给出了ADAV设计的一种思路。

图5 平行无人系统框架

图6 基于ACP算法的ADAV设计框架［15］

ADAV首先通过L3人工世界层的信息服务获得无人系统自身状态、运行场景、社会需求等各方面的信息，生成ADAV的无人车模型、虚拟场景以及初步的控制算法，并根据所获得的有限的实际数据以及需要执行的任务在虚拟环境中生成各种运行场景，并进行相关的算法实验，由于计算机计算速度的不断提高，可以通过大量实验，在有限的时间里，生成大量的高仿真度的虚拟数据，将这些虚拟数据与原始数据进行融合，从而形成了以任务为中心，以各种场景为变量的训练数据集。通过扩展后的数据根据所要完成的任务进行针对性的训练，从而生成更加鲁棒的无人系统规划和控制策略。

3.3 平行无人系统的关键技术

3.3.1 平行无人系统的建模

平行无人系统的首要任务是要建立同实际无人系统等价的人工无人系统，通过在人工无人系统上的计算实验找到实际无人系统的等价结果，保证从人工无人系统上得到的认识等价于实际无人系统，对人工无人系统的控制结果等价于对实际无人系统的控制[16]。现代各种物理引擎、三维模型软件以及计算机渲染技术的发展为平行无人系统的建模提供了多样化的手段，选择其中仿真度高、计算量较低的优质软件平台是平行无人系统的关键。无人系统的建模分为无人装置的建模、所处自然环境建模、所处社会环境建模以及模型的验证四个步骤。

（1）无人装置建模。无人装置的建模主要是针对装置本身，建立其与实际无人装置在运动学、动力学上等价的模型，这是建立平行系统的基础。

（2）自然环境建模。自然环境建模有两个方面，一方面是建立无人系统所处的自然环境模型，另一方面还要建立基于牛顿力学的虚拟世界，如重力环境、轮胎地面模型、物体碰撞模型等。给模型加入越多的人类已知的客观知识，计算结果会越接近于真实情况，但又不能无限制的加入各种知识，那样会使计算量大大增加。因此选择能够对所关心的物理过程进行细致刻画，对次要物理过程进行选择性忽略的物理引擎成为平行系统设计的关键。此外，因为自然环境相对较为稳定，所以其更新可根据环境实际变化情况由人工定期进行。

（3）社会环境建模。社会环境建模主要是对人类活动引起的无人系统所处环境的变化进行建模。因为人类活动有很大的灵活性，这就导致了社会环境的复杂性。因此需要通过各种传感器实时感知人类活动，将社会中的人类活动引入到人工世界。同时通过各种智能算法，可以对人类的行为产生认知和理解，进而对人类活动规律归纳、总结，达到预测的目的，为无人系统有效融入人类社会奠定基础。

（4）模型验证。模型验证主要是从人工系统模型的完备度、可信度以及人工系统与实际系统的等价性等方面对所建立模型进行评价和验证。

3.3.2 平行无人系统的平行学习

当建立了与实际无人系统在关键指标上一致的人工系统后，就建立起了一个与现实世界并行存在的人工世界。在这个世界中，物与物、人与人、人与物之间存在着与真实世界相对应的基本关系。因此，可将人工系统作为无人系统测试的虚拟实验室，系统地进行各种各样的试验。虚拟实验的成本几乎可以不计，因此在物理世界的高成本实验、破坏性实验，甚至在物理世界难以实现的实验，都可在人工世界进行。系统的实验可获得大量的数据，将这些数据与物理世界中获得的少量数据进行融合，可构成无人系统的平行学习原料，从而为无人系统算法的设计提供更加丰富的数据和更加多样化的场景，提高算法的鲁棒性。

文献[17]提出了一种平行学习的理论框架，如图7所示，可作为平行无人系统的学习方法。

其将平行学习分为数据处理和行动学习两个阶段：在数据处理阶段，平行学习首先从原始数据中选取特定的小数据，输入到软件定义的人工系统中，并由人工系统产生大量新的数据，然后这些人工数据和特定的原始小数据一起构成解决问题所需的大数据集合，用于更新机器学习模型；在行动学习阶段，平行学习沿用强化学习的思路，使用状态迁移来刻画系统的动态变化，从人工合成大数据中学习，并将学习到的知识存储在系统状态转移函数中，通过学习提取，可以得到应用于某些具体场景或任务的知识，并用于平行控制和平行决策。

图7 平行学习框架［17］

3.3.3 平行无人系统的平行规划

路径规划是无人系统的关键技术，尤其对于路面无人系统，路径的规划能力甚至决定着其是否能够有效完成既定任务。无人系统的路径规划可分为基于地图的全局路径规划和基于传感器的局部路径规划，如图8所示。

图8 路径规划

路径规划的任务是根据运动空间的当前状态，依据某些性能指标（如工作代价最小、行走路线最短、行走时间最短等），制定出一系列的可行路径，并从中选取最优或接近最优的路径。对于UGS来说，这些信息包括道路信息、车道线位置、护栏位置、交通灯的颜色、路牌等静态物体的信息；周围车辆、摩托车、自行车、行人甚至动物等动态物体的信息；交通规则、交通礼节等社会秩序；以及季节、天气状况等信息，如图9所示。

图9 UGS路径规划所需外部场景信息

图10 路径规划算法[18]

图10为一种常用的规划算法流程，其对外界的一切感知均来自无人系统传感器获得的实时信息，包括一些非常基础的信息也要通过对传感器数据的大量计算获得，比如道路模型。这种方法计算量大，算法难度大，不能将有限的资源集中于社会车辆、非机动车辆、行人等动态信息的获取和处理，容易造成很多常识性信息的丢失，导致感知的不完善，从而产生错误的规划和动作。此外，一些紧急情况可能会在短时间内发生，使算法没有足够的反应时间，因此，研究能够及时处理紧急状况的规划算法具有重要意义。

平行规划是一种虚实结合的规划框架[18]，如图11所示，包括平行规划模型的学习和平行规划的执行两个阶段。

图11 平行规划框架[18]

平行规划的模型学习阶段主要是利用平行学习的框架进行规划模型的训练与学习。已知人类驾驶员能够从环境中提取重要信息，从而做出合理的规划，这种能力来源于他们生活及驾驶体验中获得的大量知识。为了使无人系统能够获得类似的自主能力，规划模型应该能够从周围环境中学习。然而真实交通场景中的许多训练样本，尤其是紧急情况下的训练样本，难以获得，因此平行规划的模型学习可在平行学习框架的基础上进行。

平行规划的执行阶段主要是根据传感器和L3人工世界信息服务子层提供的场景信息，在全局规划的基础上，对局部路径进行修改，完成识别红路灯、避让社会车辆、礼让行人等各种功能。

此外，在平行规划的执行阶段，可利用人工场景的计算优势，实时生成无人系统当前状况下可能出现的各种紧急情况，并计算相应的规划结果，为紧急情况下的规划提供备选方案。当没有出现紧急情况时，选择正常的规划结果，一旦出现紧急情况，马上采用对应的备用规划方案，为提高无人系统的应紧能力提供了有效方法。

3.3.4 平行无人系统的平行控制

平行无人系统的平行控制是从控制算法的层面对无人系统的改进。一般的控制算法是基于误差反馈的控制算法，即当有了误差以后才能对系统产生矫正作用，这种算法对于紧急突发情况的处理显得捉襟见肘。

平行控制就是在人工世界存在一辆人工无人系统的模型，其所处虚拟环境和运行状态与现实无人系统一致，在发出实际控制之前，人工无人系统模型可在虚拟环境中先行进行实验，验证算法的参数是否合理，并根据实验结果和实际无人车的运行情况实时优化控制算法的参数。这样可以提前对算法的参数进行优化，提前发现可能出现的危险情况和紧急情况，从提高算法的鲁棒性和应对突发情况的能力。

4 平行驾驶

无人驾驶近来成为智能研究领域的热门领域，无人车的研发对于解决我国交通领域所面临的交通拥堵、驾车安全等方面具有重要作用，但是由于无人车在相当长的一段时间将处于有人驾驶、无人驾驶和人机共驾等多种驾驶方式共存的阶段，因此如何解决无人车所面临的复杂交通状况、保障无人车算法的鲁棒性以及处理紧急情况的能力成为无人车发展亟待解决的问题。

从2017年提交的无人车与人类驾驶人工干预或出现事故的平均里程数的数据（如图12）中不难发现，即使自动驾驶技术发展最快的谷歌无人车Waymo，每行驶5596英里（9006km）就要被迫人工干预一次，而美国人类驾驶员的平均水平为每16.5万英里出一次普通事故，每9000万英里才出一次致命事故，可见当今自动驾驶技术与人类驾驶员存在巨大差距。

图12 无人车与人类驾驶人工干预或出现事故的平均里程数

差距出现的重要原因是工程复杂性和社会复杂性带来的巨大的建模鸿沟。人类能够通过各种驾驶活动和生活经历产生大量的经验，而以目前的技术，这种数据的积累和学习对于无人车是巨大的挑战。以Waymo为例，其领先主要是体现在数据积累，其截止到2017年，已有640万km的实测数据。然而，对Waymo来说，通过路测方法收集数据已经变得异常昂贵：2017年的63次干预中大致有2/3是因为算法问题，而针对每个问题，要花1万多公里的油费和测试驾驶员人工费用，才能获得1个高价值数据，数据的平均价值密度越来越稀疏、采集成本越来越高。因此，单靠实际实验数据来对实际场景进行建模，很难完成。

为解决上述问题，在平行无人系统的基础上，进一步提出了平行驾驶的概念。平行驾驶是新一代的云端化网联自动驾驶技术，通过充分利用数字化及信息化资源，将云端、道路及车辆上的信息无缝衔接，利用平行视觉与感知[19，20]、平行学习、平行规划和平行控制等前沿关键技术，把智能车、管控平台及驾驶模拟器实时连接起来，使智能车的自主驾驶行为变得可测、可控，提高了车辆系统对环境的快速反应，并降低整体系统成本，从而实现车路互动、多车协同、平行操控、安全行驶。相比于传统网联自动驾驶方案，平行驾驶理念具备“车内简单，云端复杂，虚实互动，安全高效”的显著优势。

物理定义的驾驶员数据集与软件定义的驾驶员数据集通过虚实结合、平行执行理论构建起平行驾驶系统，可以在两个平台上同时做感知、决策、规划、控制，所有单体智能可以做的，都可以在两个平台上运行，这两个平台之间相互反馈、相互优化、不断提高，最终形成经验和知识。

在做大的系统平台之前，我们先定义一个“平行的车”：真实的车与软件定义的车。在平行空间内做一个软件定义的车的主要方法是通过仿真和虚拟的方式来构建，通过分析真实车的属性与人工车在虚拟环境中的属性，可以分别得到不同的智能。真实车的属性可以通过测试得到，这种智能叫作指示智能；软件定义的车我们可以影响和驱动它，这种智能成为描述智能。两种智能合在一起，通过ACP平行执行的方式把整个架构打通实时交互，相互分享数据经验。

一台物理的车在物理世界，同时也有一个平行的人工定义的车存在于人工世界，这两台车会在一个1∶1的环境中同时在运行，除了人在驾驶还有虚拟的驾驶员在驾驶。虚拟的驾驶员驾驶经验不仅来源于人本身，也来自于物理世界和人工世界两套平行学习体系下得到的知识，通过平行智能的方式融合在一起。

物理世界里有真实的车在运行，物理世界学习到的经验、模型、知识、能力都会定义在认知世界层面。认知层面的知识不仅能从物理世界获取，也可以从人工场景中获取。根据物理场景和一些知识场景中构建第三层人工车辆，第三层人工车辆相当于物理车辆的平行车辆。构建第三层人工车辆的时候，借助了认知层车辆的信息，而它本身在运行的时候也会计算出一些新知识，这些新知识可能是在物理场景中很少出现或者通过人为构建的危险场景。所有从物理世界和精神世界学习到的有利的知识都会放到被定义的人工世界层。

在真实场景中的数据可以被提炼出来生成人工场景中的一些小数据，同时人工场景中的小数据不断地运算并与真实场景中的数据构成虚实结合的大数据，这个大数据可以用来继续训练模型，得到新的知识之后继续用来构建场景做训练，这样就实现了虚实场景的交互、迭代、增进，这就是平行学习的闭环理论。不仅可以做平行学习，同样也可以做平行规划，真实世界的知识都可以反馈到物理世界来增加物理世界的可靠性，利用更高性能的云平台来做运算，另一方面通过平行规划比真实世界的车有更早的经验预测到危险的到来。

图13 平行驾驶系统基本组成

结合平行驾驶概念和平行无人系统框架，搭建了如图13所示的平行驾驶验证平台。平台由L1物理层无人车、L2认知层远程驾驶平台、L3人工世界层信息服务与ADAV控制中心三部分组成。

其中L1物理层如图14所示，包含三辆无人车，分别改装自吉利博越、长城H7和东风景逸汽车。无人车统一了控制接口，仅需输入方向盘转角和速度两个量就可以实现无人车的控制。转角和速度的具体控制则通过底层的转角闭环和速度闭环实现，能够保证精准快速的响应指令。所有无人车均可通过5G网络实现与同层其他车辆以及L2、L3两层的信息交互，同时也接收ADAV发送的控制指令，并迅速响应。此外，车上安装有GPS模块、激光雷达模块、图像采集与处理模块等具有分布式计算能力的智能传感器，可直接输出语义层次的周围环境信息，这些信息可通过5G网络广播到其他无人车端、远程控驾驶端以及信息服务与ADAV控制中心。

L2认知层如图15所示，主要包括通过5G网络与无人车连接的远程驾驶平台与遥控驾驶员。一个驾驶员可同时监控多辆无人车的运行。遥控驾驶员通过L1层传感器传来的实时数据以及L3层信息服务子层传来的车辆综合信息确定车辆的行驶是否安全，如果发生紧急情况或预判其可能出现危险时，远程驾驶员及时选择对应的无人车并迅速切换到遥控驾驶状态，确保无人车出现无法应对的复杂或危险状况时，能够得到安全处置。

L3人工世界层如图16所示，信息服务子层通过仿真器生成了实验区域的高精度的三维渲染地图，并通过标定技术实现了现实中每一点与仿真环境内每一点的一一对应关系，如图17所示。其通过5G网络接收车载传感器发来的关于车辆位置、车辆状态、车辆周围交通状况等的实时信息，并与L3人工层的虚拟信息融合，从而为车辆提供更加全面的信息服务。

在L3人工世界层的ADAV子层，每一辆无人车对应一个ADAV，每辆无人车的ADAV通过信息服务和车辆直接发来的传感器信息，进行无人车的平行学习、平行规划和平行控制。当其通过算法实验发现自身不能有效处理的复杂状况，会主动向L2认知层的遥控驾驶员发出请求接管指令，同时在被接管前，根据情况减速并停到安全的位置。

图14 L1物理层的多辆无人车

图15 L2认知层的人类远程驾驶

图16 L3人工世界层CPSS服务和ADAV智能体中心

图17 L3人工世界层信息服务子层显示界面

根据无人车在实际运行中可能出现的几种紧急状况，在中国常熟无人车试验基地的“九宫格”赛道内设计了如图18所示的平行无人驾驶汽车系统联合实验，实验特点如下：

（1）实验中有人驾驶和无人驾驶车辆混合运行，模拟真实交通环境，验证系统应对复杂交通环境的能力；

（2）无人车经过的路径上放置由水马组成的障碍物，验证ADAV的局部平行规划能力；

（3）无人车需要经过U形弯，S形弯等大变形路径，验证ADAV的平行控制能力；

图18 平行无人系统联合实验方案

（4）在一定范围内屏蔽无人车的GPS信号，造成异常，验证系统处理紧急状况的能力；

（5）一个远程驾驶员同时监控三辆汽车，通过紧急情况下的遥控接管实验，验证系统远程驾驶的性能。

联合实验的结果表明平行无人驾驶系统能够实现多车的同时运行与监控；L3人工世界层的信息服务子层能够提供较为全面的驾驶信息；每辆车的ADAV可有效利用信息服务子层和车载传感器传来的实时信息，进行平行学习、平行规划和平行控制，使无人车沿着合理的路线行驶；当发生异常或突发情况时，远程驾驶员能够及时介入，切换无人车的驾驶模式到远程驾驶模式，合理处理突发情况。

通过对多辆无人车组成的平行驾驶系统的联合实验证明由多辆无人车组成的小型平行驾驶系统能够实现预定的目标，这为平行无人驾驶向着更多车辆更加复杂的交通状况方向发展打下了基础。

5 平行机器人

近年来，随着人工智能、互联网、大数据技术的不断发展，世界范围内掀起了新一轮的机器人研究热潮。以智能机器人为代表的智能装备不断涌现，在工业、农业、服务业发挥着越来越大的作用，对于我国产业的转型升级起到了重要支撑作用。顺应时代的发展，我国高度重视机器人发展，并将机器人研究纳入“中国制造2025”的规划中，作为国家科技创新的优先重点领域之一。

四轮移动机器人作为一种集多种学科于一体的智能化科技产品，现己在仓储物流、餐饮、现代农业、智能工厂、智能电网等领域得到了广泛的应用[21]。同时，各种应用领域对四轮移动机器人的要求越来越高，比如机器人面对的外部环境越来越复杂，需要完成的任务难度也在不断提高，甚至有些任务单个机器人无法完成，需要多机器人相互配合等。因此，如何提高机器人的鲁棒性、自主性以及协作能力等成为现在移动机器人领域普遍关注的问题。探索平行无人系统在机器人领域的应用对于解决以上问题具有重要作用。

以变电站智能巡检机器人为例，按照本文所提平行无人系统框架，搭建了图19和图20所示平行机器人系统。其与平行驾驶系统同作为UGS的一种，除了具体算法的不同外基本组成和算法框架大体一致。

通过对平行机器人的调试和实验，得出与平行驾驶相似的结论，即通过本地简单远程复杂的原则，设计的机器人能够实现预期功能，同时其平行机制使多个机器人组成的机器人小组能够更加良好的配合，通过L2层的远程监督与遥控，大大提高了整个机器人系统的安全性和可靠性，以及处理突发情况的能力，这为移动机器人的大规模使用打下了良好的基础。

图19 L1层物理世界的机器人

图20 L3层人工世界机器人ADAV

6 总结

以地面无人系统、无人机系统、海上无人系统为代表的陆、海、空无人系统是科研领域、军用领域、民用领域共同关注的热点，但其面对的CPSS空间（物理空间、社会空间以及赛博空间）日渐复杂，这对无人系统的设计提出了更高的要求。本文首先探讨了无人系统的概念，界定了研究对象的范围，并对无人系统的自主性和复杂性进行了分析；然后根据王飞跃研究员提出的平行理论框架，提出了一套较为完整的平行无人系统的概念和框架，并研究了平行无人系统的建模、平行学习、平行规划、平行控制等环节，为平行无人系统的设计提供了思路。最后，通过对基于本文无人系统框架所设计的平行驾驶验证平台和平行无人机器人验证平台的实验，证明了平行无人系统框架在提高无人系统在复杂环境下的安全性和稳定性具有重要作用。展望未来，平行无人系统在大型海陆空混合无人系统方面的应用具有较大的潜能。

参 考 文 献

［1］Amin R，Aijun L，Shamshirband S.A review of quadrotor UAV control methodologies and performance evaluation.International Journal of Automation and Control，2016，10（2）：87-103.

［2］Gupte S，Mohandas P I T，Conrad J M.A survey of quadrotor unmanned aerial vehicles.In：Proceedings of the 2012 IEEE Southeastcon.Orlando，FL，USA：IEEE，2012.1-6.

［3］Unmanned Systems Roadmap FY2007-2032.United States Department of Defense.2007.

［4］Unmanned Systems Integrated Roadmap FY2009-2034.United States Department of Defense.2009.

［5］Unmanned Systems Integrated Roadmap FY2011-2036.United States Department of Defense.2011.

［6］Unmanned Systems Integrated Roadmap FY2013-2038.United States Department of Defense.2013.

［7］钱东，赵江，杨芸.军用UUV发展方向与趋势（上）：美军用无人系统发展规划分析解读［J］.水下无人系统学报，2017，25（02）：1-30.

［8］涂良辉，曾庆云，李来国，等.一种新的智能化航空器自主能力等级评估方法［J］.教练机，2013（04）：9-13.

［9］钱东，赵江，杨芸.军用UUV发展方向与趋势（下）：美军用无人系统发展规划分析解读［J］.水下无人系统学报，2017，25（03）：107-150.

［10］Wang FeiYue.Software-deflned systems and knowledge automation：a parallel paradigm shift from Newton to Merton.Acta Automatica Sinica，2015，41（1）：1-8.

［11］王飞跃.平行系统方法与复杂系统的管理和控制［J］.控制与决策，2004 （05） .

［12］谢东亮，王羽.物联网与泛在智能（1）［J］.中兴通讯技术，2010，16（4）：52-56.

［13］Wang F Y.The Emergence of Intelligent Enterprises：From CPS to CPSS［J］.IEEE Intelligent Systems，2010，25（4）：85-88.

［14］王飞跃.指控5.0：平行时代的智能指挥与控制体系［J］.指挥与控制学报，2015，1（01）：107-120.

［15］白天翔，王帅，沈震，等.平行机器人与平行无人系统：框架、结构、过程、平台及其应用［J］.自动化学报，2017，43（2）：161-175.

［16］王飞跃，刘德荣，熊刚，等.复杂系统的平行控制理论及应用［J］.复杂系统与复杂性科学，2012，9（03）：1-12.

［17］李力，林懿伦，曹东璞，等.平行学习：机器学习的一个新型理论框架［J］.自动化学报，2017，43（1）：1-8.

［18］L Chen，X Hu，W Tian，et al.Parallel Planning：A New Motion Planning Framework for Autonomous Driving［J］.IEEE/CAA Journal of Automatica Sinica，2018.

［19］王坤峰，鲁越，王雨桐，等.平行图像：图像生成的一个新型理论框架［J］.模式识别与人工智能，2017，30（7）：577-587.

［20］王坤峰，苟超，王飞跃.平行视觉：基于ACP的智能视觉计算方法［J］.自动化学报，2016，42（10）：1490-1500.

［21］张皓.四轮移动机器人机动性研究［D］.合肥：安徽工程大学，2017.