无人驾驶车辆路径跟踪控制研究现状

孙启东

摘要：随着科技的飞速发展，无人驾驶车逐渐进入了大众视野。无人驾驶车在给人们出行带来便利的同时，其安全性问题亦不容忽视。为了保证道路安全行驶，无人驾驶车通常配有主动避撞控制系统，目前的避撞方式则主要通过纵向制动来实现。有研究表明，在高速、低附着路面等极限工况下基于主动转向的侧向避撞控制系统的避撞效果更好。因此本文主要针对无人驾驶车辆在避障过程中的局部路径规划以及路径跟踪控制的相关算法进行深入研究。

关键词：无人驾驶车辆;避障路径规划;跟踪控制

1、无人驾驶车辆国内外概况

无人驾驶车也被称之为轮式机器人，依赖于车内各种计算机软件及控制系统的协同配合实现自动驾驶，是智能汽车的一种。无人驾驶技术由于在提高汽车安全和性能方面具备的潜力，从而在近些年逐渐引起人们的关注。从上世纪中后期，西方各个发达国家便对无人驾驶汽车开展了深入研究，且取得了重大突破。美国在二十世纪八十年代开始对自主地面车辆进行研究，并且于2004-2007年共举办了3届DARPA无人驾驶挑战赛。2009年，由丰田普锐斯（Toyota Prius）改装而成无人车成功成为谷歌第一代无人驾驶车。2015年10月，特斯拉推出了半自动驾驶系统Autopilot，Autopilot是第一个投入商用的自动驾驶技术。2016年，通用车收购了自动驾驶技术创业公司Cruise Automation，正式进入无人驾驶领域。

中国从20世纪80年代开始进行无人驾驶车的研究，清华大学于1988年便对智能汽车的研究实现了突破，并在国家与相关项目的资助下开发了能够实现车道线自动跟踪的THMR系列智能车。2005年，上海交通大学与欧盟科学家合作的CyberC3项目取得了阶段性成果，并成功研制出了城市无人驾驶车，这标志着我国的第一台城市无人驾驶汽车成功问世。2011年7月，一汽集团与国防科技大学共同研制了红旗HQ3无人驾驶汽车，并完成了286km的全程高速公路无人驾驶试验。2016年4月，阿里巴巴和上汽集团紧密合作，联合推出了阿里第一辆互联网无人驾驶车辆，正式进军无人驾驶车领域。2018年7月，百度公司与金龙客车合作开发了无人驾驶客车“阿波龙”号，该车实现了L4无人驾驶级别，是目前国内自动驾驶等级最高的无人驾驶车辆。

2、路路径规划及跟踪控制研究现状

2.1、控制架构分析

路径规划及跟踪控制从框架上大致可分为分层式和一体式两种控制框架。在分层式控制架构中，上层一般采用较为简单的车辆模型（如质点模型）进行路径规划，并设置较长的预测时域，下层则采用高精度的车辆模型和较短的预测时域进行路径跟踪。美国加利福尼亚大学的YiqiGao设计了一种分层式避撞控制架构，其中上层基于质点模型对参考路径进行了再规划，而后下层控制器对上层再规划的参考路径进行跟踪。AmirK等人提出了一种分层式路径规划与跟踪框架，利用三维虚拟危险势场生成理想的避碰轨迹，并采用多约束模型预测控制（MMPC）问题实现路径跟踪。合肥工业大学的孙磊等依据等速偏移轨迹和正弦函数叠加对汽车侧向换道路径进行规划，并通过模糊控制算法对参考路径进行跟踪控制。江苏大学的刘志强采用五次多项式对避撞路径进行规划，并基于前馈控制实现直车道场景追尾避撞控制。大连海事大学的张冠哲等通过正反梯形轨迹进行换道路径规划，并基于终端滑模控制设计了转向控制系统对规划的参考轨迹进行跟踪。南京航空航天大学的黄丽琼针对高速行驶车辆纵向制动避撞的不足，提出了一种基于MPC的车辆转向换道控制策略。通过基于五阶多项式换道安全距离模型生成参考路径，并设计了转向换道控制器，通过控制前轮转角来控制车辆完成路径跟踪。可以看出，国内外在采用分层式避撞控制架构方面已有较多的应用研究，但由于上层的路径规划方法忽略了车辆动力学的非线性特性及道路参数（路面附着系数等）的变化等因素，可能导致紧急工况下的避撞效果不理想。

2.2、控制方法概况

目前，国内外学者对避撞路径规划及跟踪控制已有较多的研究成果。常用的方法有强化学习、人工势场、A*算法、PID控制、线性二次型调节（Linear Quadratic Regulator，LQR）等。Kahn与Lucas利用强化学习方法（Reinforcement Learning，RL）实现了自动驾驶车辆的轨迹规划与避撞，该方法通过车辆在训练期间经历失败后，掌握完整的状态和环境知识来确保安全，但该方法通常需要获取大量的测试数据，且训练过程复杂。泰国国立法政大学的Sangyam设计了一种PID路径跟踪控制系统，并对传统的PID控制器和基于模糊逻辑的自整定PID进行了比较和分析。巴西坎皮纳斯大学的Cordeiro设计了基于LQR路径跟踪控制器，并采用线性化二自由度车辆模型对参考路径进行跟踪控制。国内研究学者也采用了一些方法进行了深入研究，重庆理工大学的汪波提出了一种改进人工势场算法进行路径规划，避免了小车在优化过程中陷入局部极小值的情况。同济大学的修彩靖设计一种由预瞄控制和补偿控制两部分构成的路径跟踪控制器，保证无人驾驶汽车能够准确跟踪各种参考路径，且具有较好的鲁棒性。西安工业大学的谭宝成提出一种新型增量式PID控制算法，并通过分析车辆当前位置及航向信息与目标路径的偏差实现路径跟踪。大连理工大学的李兵设计了横向滑模控制器，以前轮转角作为控制输出，实现智能车路径跟踪。华南理工大学的赵克刚采用线性二次型最优控制方法，实现了速度自适应的车辆轨迹跟踪最优控制。

上述用于避撞控制的研究方法均取得了不错的效果，但大部分方法没有考虑执行器物理约束等影响，在极限工况下，车辆容易发生失稳。模型预测控制（Model Predictive Control）是一种基于简单模型进行滚动优化控制的算法，由于其鲁棒性较强，已被广泛应用于各种车辆动力学控制技术及自动驾驶领域，而且能预测车辆动力学状态并在各种约束下优化多种控制目标。美国加利福尼亚的LiaoYW设计了一种分层式MPC避撞控制器，其中在控制器上层使用了一个简化的质点模型来解决路径规划问题，并在下层采用非线性自行车模型实现路径跟踪。加拿大安大略理工大学的Abbas利用非线性模型预测控制（NMPC），在离线轨迹生成的情况下，对检测到障碍物时进行轨迹再规划及跟踪控制。瑞典皇家理工学院的Turri設计了一种线性MPC控制结构，解决了客车在低曲率路面车道保持时的轨迹规划和避障问题。长安大学的白成盼提出了一种基于微分平坦理论与MPC算法相结合的智能车换道轨迹规划与跟踪算法，实现对车辆路径-速度分解式的轨迹规划与跟踪控制。南京航空航天大学的张会琪设计了一个考虑动力学约束的模型预测控制器，通过五次多项式拟合的方式优化局部轨迹，并通过转向操作实现局部参考轨迹的追踪。江苏大学的杨阳阳基于模型预测控制原理及视觉预瞄理论，提出了一种基于转角补偿的预瞄式MPC路径跟踪控制方法。

结束语

总而言之，随着人工智能和计算机实时算力的迅猛发展，无人驾驶技术正在快速提升和逐步应用，其中车辆的局部路径规划与避障跟踪两个方面是无人驾驶实际运用中涉及稳定性和安全性的关键问题，还需要相关学者在现有的基础上加大对此方面的研究。

参考文献：

[1]张梦巍. 智能无人驾驶车辆路径跟踪及底层控制方法研究[D].沈阳理工大学，2018.

[2]谭宝成，王宾.无人驾驶车辆路径跟踪的增量式PID控制[J].西安工业大学学报，2016，36（12）：996-1001.