无人驾驶车辆横向控制策略研究进展*

朱林峰 杨家富 施杨洋 方朋朋

（南京林业大学机械电子工程学院，南京210037）

1 引言

人工智能的迅速发展正在深刻改变人类社会生活，改变世界。为抢抓这一重大战略机遇，构筑我国人工智能发展的先发优势，加快建设创新型国家和世界科技强国，2017年7月国务院印发《新一代人工智能发展规划》，其中自主无人系统的智能技术、智能运载工具是发展规划的重点任务，重点发展无人驾驶汽车和轨道交通系统，加强车载感知、自动驾驶、车联网、物联网等技术集成和配套，开发交通智能感知系统，形成我国自主的无人驾驶平台技术体系和产品总成能力，探索无人驾驶汽车共享模式。2017年12月阿尔法巴智能公交已在深圳试运行，2018年4月美团和百度在雄安试验无人驾驶送餐，无人驾驶无疑已成为广大研究者高度关注的热点。

无人驾驶车辆是在没有驾驶员主动控制但有连续监测下行驶的车辆，主要依靠计算机、传感器技术和设备来感知车辆行驶环境，并根据感知所获得的道路环境和障碍物信息对车辆进行运动控制，从而在保障行驶稳定性、动力性和乘坐舒适性的同时，保证车辆能够精确跟踪期望路径［1］。无人驾驶车辆具有参数不确定性及高度非线性动态特性等特点，是一种典型的多输入-多输出复杂动力学系统，如何构建这一复杂动力学系统的运动控制方法是实现无人驾驶车辆自主行驶的重点。

运动控制分纵向控制和横向控制，前者是指对油门和制动的协调，实现对期望车速的精确跟随，后者是指车辆的自动转向，即控制车辆沿规划的路径行驶。其中横向控制是无人驾驶车辆运动控制研究领域中的核心问题之一。本文简要阐述了近年来国内外横向控制研究的发展历程，分析了横向控制的经典控制策略、现代控制策略、智能控制策略及横纵向综合控制，提出了无人驾驶车辆横向控制的未来研究方向。

2 无人驾驶车辆横向控制发展历程

无人驾驶车辆的智能行为反映了自然环境感知、智能行为决策和车辆运动控制能力的关键技术。根据环境感知所用传感器系统的不同，无人驾驶车辆横向控制可分预瞄-跟随式和非预瞄-跟随式参考系统。前者通过计算车辆前方期望路径和车辆之间的位置偏差来车实现自动转向［2］，例如 Lydie等［3］提到的激光雷达和 Hernandez等［4］提到的全球定位系统（GPS）；后者通过计算期望航向和当前航向的偏差来控制车辆实现路径跟踪［5］，例如加利福尼亚大学 PATH项目中的磁铁跟随转向控制系统［6］。

横向控制最早是1980年俄亥俄州立大学的学者为PATH项目提出［7］。从1988年开始，加利福尼亚大学 Shladover等［6］在横向控制问题上开始建立模型，推导传感器系统控制规律。20世纪90年代，Peng等［8，9］利用频率线性二次型（FSLQ）最优控制理论设计横向反馈和前馈控制器，还测试了前馈-PID反馈控制算法和最优控制算法，但路径跟踪未到达系统性能要求。因此，1997年PATH展示了一种预瞄-跟随式的自动转向系统［10］，通过预瞄车辆周围的道路曲率信息来计算前馈控制量。

21世纪初，Hernandez等［4，11］通过 GPS准确预估了车辆相对于道路的横向位移。2005年之前，无人驾驶车辆的方向控制结构多是PID控制，之后，文献［12］提出了一种双闭环控制结构，外环控制基于模糊控制计算方向盘的目标位置，内环控制通过执行机构移动转向杆来达到这一目标位置。近年来，智能控制理论受到控制理论界的关注，Onieva等［13］获取驾驶员的车辆操作信息，并通过遗传算法训练，将之作为模糊控制器的输入参数来完成无人驾驶车辆的自动转向。Lombard等［14］提出了基于 GNSS定位的横向控制策略，利用线性二次调节器作为控制器来设定方向角。

我国无人驾驶车辆兴起于20世纪80年代，1980年开始研制“遥控驾驶的防核化侦探车”，在20世纪末和21世纪初，多所高校联合研制ATB、THMR-V、CA7460等。2007年，付其军等［15］引入了一种结构简单、易于实现且工作可靠的双闭环PID调节的转向控制策略，满足转向系统对准确性、快速性、平稳性的要求。随着控制理论与方法的发展，针对无人驾驶车辆泊车时自动转向问题，将车辆横向运动学模型简化成一种线性时变模型，且制定出相应的横向位置最优跟踪控制方案［16］。针对环境模型未知或半知，无人车难以准确获得动态参数的情况，文献［17］基于行为融合采用模糊逻辑的思路对无人驾驶车辆进行智能控制。

独立的横向控制系统并不能体现无人驾驶车辆实际运行时的特性，且很多横向控制研究在实际工程中并没有考虑横纵向动力学的相互影响。同时考虑横纵向控制的综合性策略是未来发展方向。对此，Attia等［18］基于非线性模型预测控制设计了整车控制系统，提高了车辆横向控制精度。混杂系统适合具有逻辑切换的不连续动态过程，为了保证无人车安全可靠运行并快速响应上层指令，文献［19］利用混杂系统理论设计无人驾驶车辆整车控制策略，而文献［20］利用有限状态机理论，采用分层决策的思路设计差动转向无人车整车控制策略。

分析近年来国内外横向控制研究工作，可以清晰地看到，一方面，横向控制已由驾驶辅助系统经部分自动化系统、高度自动化系统、完全自动化系统，发展到现在的智能化系统。另一方面，横向控制策略的不足和行驶环境外界因素的干扰，使人们在解决路径跟踪的准确性时不能很好地应用控制策略和控制理论。这种需求和现状的矛盾构成了无人驾驶车辆发展的强大动力，同时也是人们不断的研究横向控制的主要原因之一。

3 无人驾驶车辆横向控制策略

无人驾驶车辆是一个高度非线性和参数不确定性的复杂系统，导致对其横向控制具有一定难度，尤其在一些复杂路况下，因此前期只能单独设计。但如果不能把横、纵向控制有机地结合为一个整体，而是单独设计互不关联，那么将削弱甚至不能达到预期的系统性能。从控制理论与方法的发展历史角度来看，无人驾驶车辆横向控制的发展过程是螺旋式的，从简单的调节装置、PID控制，发展到基于传递函数模型的经典控制，之后是基于受控系统状态空间模型的现代控制，再到基于复杂系统和摆脱受控系统数学模型的智能控制（目前的最新应用），最后到横纵向结合为一个整体的综合控制（未来发展方向）。

几种控制策略的主要特点如表1所示。

表1 控制策略的主要特点Tab.1 The main features of the control strategy

3.1 经典控制策略

经典控制以传递函数为数学模型，以频率响应法和根轨迹法为主要分析和设计工具，使用拉普拉斯变换求解系统的输入输出关系，主要研究系统的动态性能，常见的经典控制有反馈控制和PID控制。1992年，为了解决无人驾驶车辆在弯曲道路的跟踪路径的问题，Peng等［9］开始尝试使用带有前馈控制的PID控制器来进行横向控制，而Marino等［21］为了解决如何在曲率不确定的路况下，根据陀螺仪测量的横摆角速度和视觉系统测量的横向误差来跟踪路径的问题，研制了一种基于视觉的车道保持嵌套PID自动转向控制策略。理论分析时常用的自动转向控制方法是通过横摆角速度反馈将横摆运动和横向运动解耦，建立3自由度的动力学模型，对路径跟踪PID控制器仿真［22］。

尽管经典控制在国内外工程上得到了广泛应用，但对于高度非线性系统和多变量系统仍有局限性，难以满足复杂系统对稳定性的要求。

3.2 现代控制策略

现代控制理论是在20世纪50年代中期迅速兴起的空间技术推动下发展起来的。最优控制是对一个受控的动力学系统或运动过程，从一类允许的控制方案中找出最优方案，使系统的运动在由某个初始状态转移到指定目标状态时，其性能指标值为最优。无人驾驶车辆在弯曲道路行驶时，最优控制与经典控制相比控制精度更高，Kise等［23］通过引入 Fiala公式［24］提出一种车辆的自主转向最优控制算法，建立2自由度“自行车”模型来补偿轮胎的滑移角与轮胎在地面上产生转弯力的非线性。针对自动驾驶拖拉机一类具有大延迟、高度非线性特征的复杂系统，采用横向偏差和航向角作为输出反馈控制系数，减少了整定输出反馈控制参数的时间［25］。为了保证无人驾驶车辆准确稳定地跟踪路径并有较强的鲁棒性，文献［26］基于预瞄-跟随式参考系统（图1），采用最优控制理论设计的导航控制器由状态反馈控制律和用于补偿参考路径曲率扰动的前馈控制律组成。

图1 控制器结构图［26］Fig.1 Controller structure diagram［26］

上述最优控制能在横向控制模型参数不确定且存在干扰的条件下取得最优效果，主要依赖于精确的数学模型，模型参数时变和外界干扰将会影响无人驾驶车辆系统的鲁棒性。为减小不确定性对系统的影响，研究人员又发展了智能控制策略。

3.3 智能控制策略

所谓智能控制，即设计一个控制器或系统，使之具有学习、抽象、推理、决策等功能，并对环境（包括被控对象或被控过程）信息的变化有适应性，从而实现由人来完成的任务。目前，国内外已存在的无人驾驶车辆横向智能控制策略有：模糊控制、自适应控制、模型预测控制、神经网络控制、滑模控制、鲁棒控制。

模糊控制是在人工经验基础上，将操作人员熟练的实践经验加以总结和描述，模仿人的思维方式进行推理和决策。由于系统存在延时性，文献［27］结合模糊控制理论和模型匹配法设计了模糊上位控制器和模型匹配下位控制器，能精确控制节气门和制动盘踏板。鉴于与其他智能算法结合可减小设计控制器过程中隶属度函数参数和控制规则带来的误差，郭景华等［28］通过遗传算法自动优化横向模糊控制器的隶属度函数参数和控制规则，张长龙［29］通过其设计的参数自整定模糊PID控制器来提高自动转向的性能。

自适应控制的研究对象是具有一定程度不确定性（被控对象内部模型的结构和参数、外部环境，以及测量时产生的不确定因素）的系统。Marino等［30］建立的车辆动力学模型考虑了未知风阻和道路曲率引起的扰动，Netto等［31］在此基础上提出一种基于视觉系统的横向自适应控制器。为了消除建立模型时滑动效应的干扰，Fang［32］利用反推法、自适应学习和补偿时不变滑动效应，通过滑模变结构控制器（VSC）来改进自适应控制器，进而提高鲁棒性。无人驾驶车辆在行驶过程中随着车速和转向阻力矩的不同，PID控制器会导致超调、响应时间慢、跟踪角度不准，结合自适应控制设计的自适应模糊PID控制器能满足无人驾驶车辆转向准、响应快、性能稳［33］。而田涛涛［34］为了避免无人驾驶车辆的复杂激励建模，基于横向控制系统的动态线性化数据模型设计无模型自适应控制算法，并分别利用增量式PID和无模型自适应方法进行实验（图2），发现后者更具自适应性，在直线道路和不同曲率弯道能很好地适应系统变化，而增量PID方法只能在小曲率弯道和直线道路上很好地跟踪期望路径。2015届清华大学“睿龙”号无人驾驶汽车利用无模型自适应控制算法作为核心控制算法，在城郊、道路直行、道路转弯等复杂路况下完成任务考验，没有出现任何故障。

图2 两种方法的跟踪控制对比图［34］Fig.2 Tracking effect comparison between two control methods［34］

模型预测控制（MPC）是一种将更长时间跨度、甚至无穷时间分解为若干个更短时间跨度或有限时间跨度的最优控制问题，并在一定程度上仍然追求最优解。由于期望的轨迹在有限的时域内是已知的，Falcone等［35］采用“自行车”模型和Pacejka HB提出的半经验轮胎模型，针对自主车辆的转向系统提出非线性模型预测控制方法（NMPC）和线性时变模型预测控制方法（LVTMPC），其设计的MPC控制器在非线性车辆模型的基础上解决了跟踪路径转向速度问题。此外，针对模型预测控制求解约束优化问题计算量大这一瓶颈，文献［36，37］结合模型预测控制和车辆动力学模型展开研究。Du等［38］提到，在模型预测的滚动优化策略中采用遗传算法与其他滚动优化策略相比更精确。

神经网络控制是一种不依靠定量模型的控制方法，有较强的自适应能力、自学习能力和对非线性系统的映射能力。利用神经网络较强的自学习能力辨识车辆方向盘的转角，通过给定方向盘转角输入求得用于广义回归神经网络（GRNN）的车辆状态参数，运用 GRNN网络建立识别方向盘转角的映射模型［39］。但模糊控制器的隶属函数和控制规则一旦确定便无法修改，控制规则还需要专家经验总结，为此，王宏旭［40］采用误差反向传播算法对整个网络中的参数进行调整，使模糊神经网络的隶属函数以及控制规则得到优化。在这里特别要提到的是 Tang等［41］结合自适应控制提出基于自适应模糊神经网络（AFFN）的车道变换控制器来预测转向角，将采集到的车辆加速度、制动、转向等动态数据传入驾驶模拟器，若均方根误差小于设定阀值则结束模拟，若均方根误差大于阀值则建立模糊神经网络预测模型（图3）。这种车辆方向盘识别方法结合自适应算法调整隶属函数，改进规则推理机制，最终提高预测精度，可为提高车辆的操纵安全性，以及研究自动转向系统和智能泊车系统提供理论基础。

图3 预测模型结构图［41］Fig.3 Forecast model structure［41］

滑模控制（SMC）也叫变结构控制，与其他控制的不同之处在于控制的不连续性，会在动态过程中根据系统当前状态有目的地不断变化，使系统按照预定的“滑动模态”状态轨迹运动，对干扰和不确定性具有较强的鲁棒性和抗干扰性。Hiraoka等［42，43］提出一种基于滑模控制理论的自动跟踪控制器，可将单级或多级转向的大型无人驾驶四轮转向（4WS）车辆的路径跟踪问题解耦成前后两个转向调节的问题。考虑车辆状态误差来源于实车模型，与参考模型的初始状态和参数不同，Tian等［44］采用最优控制设计滑模，消除不同初始状态引起的状态误差，设计分数滑模控制来消除不同参数引起的状态误差。此外，文献［45］实时规划车辆质心与预瞄点间的虚拟路径，根据车辆运动学模型和姿态误差模型推导出车辆期望的偏航率，使用径向基神经网络（RBF）设计滑模变结构轨迹跟踪控制器。

鲁棒控制是使具有不确定性的对象满足控制品质的一种控制手段，其不确定多数由工作状况变动、外部干扰以及建模误差引起，而控制系统的鲁棒性是指系统在一定（结构、大小）的参数摄动下，维持某些性能的特性。Gao等［46］基于半自主车辆的车道保持和避障提出基于鲁棒控制的非线性模型预测控制器（RNMPC），用鲁棒不变集合保证在存在干扰和模型误差的情况下满足状态和输入约束。Kayacan等［47］将其控制动作与前馈和鲁棒控制相结合，基于轨迹跟踪误差模型设计的线性模型预测控制器能控制跟踪误差的大小。鲁棒控制与传统的控制策略相比有良好的抗干扰性和鲁棒性。李旭等［48］将鲁棒控制器设计问题表示为广义被控对象的次优输出反馈控制器设计问题。Hima等［49］在设计自主车辆纵向和横向控制器的过程中主要用到PID控制和H∞鲁棒控制来实现路径跟踪，实车测试表明尽管模型存在不确定性，但仍能以安全的方式跟踪规划轨迹。

综上所述，在智能控制领域中，模糊控制能够模拟驾驶员行为特征对无人驾驶车辆进行操纵，不需要建立精确的被控对象模型，只需根据已有知识经验来确定模糊控制的隶属函数和控制规则，能克服非线性和参数不定的无人驾驶车辆系统，但缺少良好的学习机制，控制精度不高。自适应控制依据被控对象的输入和输出数据不断地辨识和改变模型参数，以便将无人驾驶车辆控制系统调整到满意的工作状态，比常规反馈控制要复杂得多，成本也高，在常规反馈达不到所期望的性能时适用。模型预测控制建立运动学模型方便，采用滚动优化策略，可使模型失配、畸变、扰动等引起的不确定性及时得到弥补，从而得到较好的动态控制性能，但应用这种控制策略设计控制系统非常复杂，实施要求高、在线计算量大、应用范围有限。神经网络控制有着较强的自适应能力、自学习能力和对非线性系统的强大映射能力，但网络训练的时间长、数据样本多、操作复杂，很难满足实际的控制需求。滑模控制的优势在于滑动模态对加在系统上的干扰和系统的摄动具有完全自适应性，无需系统在线辨识，且响应速度快，劣势是系统控制器的输出存在抖动现象。鲁棒控制不仅能保证控制系统的鲁棒性，还能优化某些性能指标，但最大的问题是过于依赖设计者经验，无规律可循。结合使用各种智能控制策略扬长避短，可使无人驾驶车辆达到性能最优状态，满足无人驾驶车辆的稳定性和安全性。

3.4 无人驾驶车辆横纵向综合控制

针对无人驾驶车辆横纵向动力学间的耦合、关联特性，可分别从分解式控制结构和集中式控制结构对其综合控制进行研究。Rajamani等［50］通过将横纵控制器和监督器组成横纵向综合控制系统来解决无人驾驶车辆编队行驶中自动插入和退出的控制问题。CARLOS等［51］设计的整车控制系统由纵向和横向控制器组成，前者调节车辆的速度，后者进行路径跟踪，这种分解式协调控制只是对横纵向控制的执行进行协调，从本质上讲没有克服横纵向动力学的耦合特性。针对无人驾驶车辆的不确定性和冗余等特点提出的横纵向协调及重构控制方法［52］，可保证跟踪误差的一直有界收敛性。郭景华等［53］通过横纵向动力学系统间的动态耦合及协同进行能量的传递、转换和演变，与解耦控制系统相比，其稳态控制精度和动态响应性能显著提高。这种集中式控制结构可以克服系统的非线性和强耦合性。

深度学习在自动驾驶领域可实现无人驾驶车辆端到端的控制技术，目前基于预瞄-跟随式参考系统的自动驾驶系统存在三种主流方案（图4）。一种是行为反射方法，直接采集驾驶员在驾驶过程中的图像和方向盘转动等数据，使用神经网络模型训练，输出车辆方向盘的转角等参数来控制无人驾驶车辆。一种是无人驾驶领域应用最广泛的间接感知方法，将无人驾驶体系分为自然环境感知、智能行为决策、车辆运动控制等多个子问题，通过车载传感器识别出道路、车辆、障碍物等与交通相关的对象，提取无人驾驶车辆跟踪路径的信息等系列操作来控制无人驾驶车辆油门的开度等。普林斯顿大学的 Chen［54］提出介于前两种方法之间的直接感知法，对图像数据使用深度卷积神经网络来训练学习，得到车与车的距离、车相对于道路的角度等车辆控制参数。此方法在虚拟驾驶场景和现实驾驶场景进行路测时，都能准确地控制无人驾驶横纵向运动。

4 总结和展望

自20世纪60年代，无人驾驶车辆横向控制的研究一直持续到现在，控制策略先后经历了经典控制、现代控制、智能控制、横纵向综合控制4个阶段。根据对无人驾驶车辆横向控制策略研究的分析可以看出，缩小实际应用与理想控制策略之间的差距已成为当务之急，从这一目标出发，可以重点从数据驱动、多种控制策略和智能算法相结合，以及横纵向综合控制3个方向进行探索，从而提高无人驾驶车辆的可靠性、乘坐的舒适性和操纵的简易性。

图4 三种无人驾驶综合控制方案［54］Fig.4 Three unmanned integrated control schemes［54］

1）数据驱动。目前无人驾驶车辆的横向控制策略大多都是基于模型设计控制器，然而行驶过程中产生的大量输入输出数据隐含着控制器中的横摆角速度、制动参数、航向偏差、期望偏差、航向预估值等模型信息。如何使控制器设计不包含受控过程的模型信息，以便更有效地利用由受控系统运动控制数据得到的信息来设计控制器是非常有意义的研究工作，发展数据驱动控制是无人驾驶车辆的必然趋势。

2）多种控制策略相结合。无人驾驶车辆在行驶过程中受到干扰和不确定性的作用，各种控制策略各有优缺点，如何发挥优点、抑制缺点，使所设计的系统具有较强的鲁棒性和适应性，这些都是值得研究的内容。对于无人驾驶车辆这个高度非线性、具有较大延迟的复杂系统而言，只有多种控制策略和算法结合使用才能保证无人驾驶车辆的可靠性。

3）横纵向综合控制。伴随深度学习的成熟，如何将无人驾驶车辆的运动控制和环境感知决策有机集合，如何利用横纵向动力学关联特性的协调控制策略都是值得研究内容。另外，目前对无人驾驶车辆的运动控制主要集中在独立设计横向和纵向控制，且横纵向综合控制大多局限于控制理论分析，实现无人驾驶车辆的横纵向综合控制的动态协调，对无人驾驶车辆运动控制至关重要。