考虑并线的网联车辆巡航控制探究

商福兴

【摘 要】简述智能网联汽车概念，分析了目前的关键技术，包括环境感知、智能决策、控制执行、通信与平台、信息安全，并阐述了其发展趋势。

【关键词】智能网联;深度学习;V2X通信;自动驾驶

智能网联汽车是指搭载先进传感器、控制器、执行器等装置，融合现代通信与网络技术，实现车与X（车、路、人等）智能信息交换、共享，具备复杂环境感知、智能决策、协同控制等功能，可实现安全、高效、舒适、节能行驶，并最终替代人操作的新一代汽车。智能网联汽车可以提供更安全、更节能、更环保、更便捷的出行方式和综合解决方案。

1、智能网联汽车的关键技术

智能网联汽车其技术架构涉及的关键技术主要有以下6种：1）环境感知技术，包括利用机器视觉的图像识别技术，利用雷达的周边障碍物检测技术，多源信息融合技术，传感器冗余设计技术等。2）智能决策技术，包括危险事态建模技术，危险预警与控制优先级划分，群体决策和协同技术，局部轨迹规划，驾驶员多样性影响分析等。3）控制執行技术，包括面向驱动/制动的纵向运动控制，面向转向的横向运动控制，基于驱动/制动/转向/悬架的底盘一体化控制，融合车联网通信及车载传感器的多车队列协同和车路协同控制等。4）V2X 通信技术，包括车辆专用通信系统，车间信息共享与协同控制的通信保障机制，移动网络技术，多模式通信融合技术等。5）云平台与大数据技术，包括云平台架构与数据交互标准，云操作系统，数据高效存储和检索技术，大数据关联分析和深度挖掘技术等。6）信息安全技术，包括汽车信息安全建模技术，数据存储、传输与应用三维度安全体系，信息安全漏洞应急响应机制等。

2、智能网联汽车关键技术发展现状

2.1 环境感知技术

环境感知系统的任务是利用摄像头、雷达、超声波等主要车载传感器以及V2X通信系统感知周围环境，通过提取路况信息、检测障碍物，为智能网联汽车提供决策依据。由于车辆行驶环境复杂，当前感知技术在检测与识别精度方面无法满足自动驾驶发展需要，深度学习被证明在复杂环境感知方面有巨大优势，在传感器领域，目前涌现了不同车载传感器融合的方案，用以获取丰富的周边环境信息，高精度地图与定位也是车辆重要的环境信息来源。

2.2 自主决策技术

决策机制应在保证安全的前提下适应尽可能多的工况，进行舒适、节能、高效的正确决策。常用的决策方法有状态机、决策树、深度学习、增强学习等。状态机是用有向图表示决策机制，具有高可读性，能清楚表达状态间的逻辑关系，但需要人工设计，不易保证状态复杂时的性能。决策树是一种广泛使用的分类器，具有可读的结构，同时可以通过样本数据的训练来建立，但是有过拟合的倾向，需要广泛的数据训练。效果与状态机类似，在部分工况的自动驾驶上应用。深度学习与增强学习在处理自动驾驶决策方面，能通过大量的学习实现对复杂工况的决策，并能进行在线的学习优化，但对未知工况的性能不易明确。

2.3 控制执行技术

控制系统的任务是控制车辆的速度与行驶方向，使其跟踪规划的速度曲线与路径。现有自动驾驶多数针对常规工况，较多采用传统的控制方法。性能可靠、计算效率高，已在主动安全系统中得到应用。现有控制器的工况适应性是一个难点，可根据工况参数进行控制器参数的适应性设计。在控制领域中，多智能体系统是由多个具有独立自主能力的智能体，通过一定的信息拓扑结构相互作用而形成的一种动态系统。用多智能体系统方法来研究车辆队列，可以显著降低油耗、改善交通效率以及提高行车安全性。

2.4 通信与平台技术

车载通信的模式，依据通信的覆盖范围可分为车内通信、车际通信和广域通信。车内通信，从蓝牙技术发展到Wi-Fi技术和以太网通信技术;车际通信，包括专用的短程通信技术和正在建立标准的车间通信长期演进技术。广域通信，指目前广泛应用在移动互联网领域的4G等通信方式。通过网联无线通信技术，车载通信系统将更有效地获得的驾驶员信息、自车的姿态信息和汽车周边的环境数据，进行整合与分析。通信与平台技术的应用，极大提高了车辆对于交通与环境的感知范围，为基于云控平台的汽车节能技术的研发提供了支撑条件。车辆通过车与云平台的通信将其位置信息及运动信息发送至云端，云端控制器结合道路信息以及交通信息对车辆速度和挡位等进行优化，以提高车辆燃油经济性并提高交通效率。

2.5 信息安全技术

结合智能网联汽车发展实际，确定网联数据管理对象并实行分级管理，建立数据存储安全、传输安全、应用安全三维度的数据安全体系。建立包括云安全、管安全、端安全在内的数据安全技术框架，制定智能网联数据安全技术标准。围绕信息安全技术领域的周边行业，出现很多创新研究方向。比如在信息安全测试评估方面，通过干扰车辆的通信设备以及雷达和摄像头等车载传感设备，进行智能车的信息安全的攻防研究。

3、智能网联汽车技术发展趋势

3.1 人工智能AI技术快速发展和应用

人工智能（AI）技术在智能网联汽车上正在得到快速应用。尤其在环境感知领域，深度学习已凸显出巨大优势。深度学习需要大量的数据作为学习的样本库，对数据采集和存储提出了较高需求，还存在内在机理不清晰、边界条件不确定等缺点，需要与其他传统方法融合使用以确保可靠性，且目前也受限于车载芯片处理能力的限制。

3.2 激光雷达等先进传感器加速发展

激光雷达相对于毫米波雷达等其他传感器具有分辨率高、识别效果好等优点，已越来越成为主流的自动驾驶汽车用传感器。但由于体积大、成本高，同时也更易受雨雪等天气条件影响，导致其还不能大规模商业化应用。目前激光雷达正在向着低成本、小型化的固态扫描或机械固态混合扫描形式发展。

3.3 自主式智能与网联式智能技术加速融合

网联式系统能从时间和空间维度突破自主式系统对于车辆周边环境的感知能力。在时间维度，通过V2X通信，系统能够提前获知周边车辆的操作信息等交通控制系统信息以及气象条件、拥堵预测等更未来状态信息。在空间维度，通过V2X通信，系统能够感知交叉路口盲区、弯道盲区、车辆遮挡盲区等位置环境信息，使得自动驾驶系统更全面地掌握周边交通态势。网联式智能技术与自主式智能技术相辅相成，互为补充，正在加速融合发展。

3.4 高速公路与低速区域自动驾驶系统将率先应用

高速公路与城市低速区域将是自动驾驶系统率先应用的场景。高速公路的车道线、标示牌等结构化特征清晰，交通环境相对简单，适合车道偏离报警、车道保持系统、自动紧急制动、自适应巡航控制等驾驶辅助系统的应用。而在特定的城市低速区域内，可提前设置好高精度定位、V2X等支撑系统，采集好高精度地图，利于实现在特定区域内的自动驾驶。

参考文献：

[1]中国汽车工程学会.节能与新能源汽车技术路线图[J] 机械工业出版社，2016.

[2]吴忠泽.智能汽车发展的现状与挑战[J] .时代汽车，2015（7）

[3]孙健，全兴.无人驾驶汽车发展现状及建议[J].科技视界.2017（6）

（作者单位：西华大学 汽车与交通学院）