智能网联汽车的运动规划与主动安全控制

王 韬，孙 赫

（淄博职业学院a.人工智能与大数据学院；b.工商管理学院，山东 淄博 255300）

智能网联汽车包括智能化和网联化两个层面，它涉及车辆、通信、交通等多领域技术。近年来，随着研究工作的不断深入，基于人工智能的网联协同感知以及交通预测、行为决策、轨迹规划、多车协同控制、主动安全控制的网联协同决策与控制方法得到了很大发展，新技术、新应用层出不穷，有力地推动了智能网联汽车的发展和进步。

1 智能网联汽车的技术架构

智能网联汽车具有通信、感知、决策、执行四大功能，其关键技术主要包括车辆、信息交互、基础支撑关键技术。在车辆关键技术层面，主要包括环境感知、智能决策、控制执行、系统设计技术。智能网联汽车的主要功能和技术架构分别如图1 和图2 所示[1]。

图1 智能网联汽车的功能

图2 智能网联汽车的技术架构

智能网联汽车通过各种传感器和信息融合技术获取行驶环境和车辆状态等信息，在此基础上进行目标识别及其行为预测，进行车辆行为决策和轨迹规划，实施运动控制。智能汽车在技术路线上目前主要有2 种方案：一种是以视觉传感为主导的方案，该方案通过摄像头进行环境感知，用于对物体的识别和追踪以及对车辆的定位；另一种是以激光雷达为主导的方案，该方案通过激光雷达对障碍物进行检测，借助激光雷达扫描的点云与高精度地图的匹配实现车辆的定位[2]。2 种方案各有优点：前者价格较低，安装方便，但容易受到极端天气的影响；而后者检测范围广，准确度较高，但价格较贵，且容易受到空气中悬浮颗粒物的干扰。其发展方向是多传感器及多路径融合，利用高精度地图直接获得车辆附近的环境参数，利用车间通信实现车辆间的非环境感知识别，通过多种技术路径融合，实现快速准确的环境识别，为后续的决策、规划与控制奠定基础。

2 智能网联汽车的运动规划

2.1 路径规划分类

智能驾驶路径规划主要包括全局路径规划和局部路径规划。全局路径规划是根据车辆当前位置，考虑距离、时间等条件，从路网中选择一条从起点到终点的最优路线，该路线通常只包含路段信息。局部路径规划是根据车辆当前状态、周围障碍物以及期望的路径，规划出一条可行的轨迹，该轨迹通常包含时间、位置、航向、速度等信息。运动规划即指局部路径规划。路径规划的总体要求是不要撞到障碍物，保证车辆自身的安全和可能遇到的车辆和行人等的安全，在此基础上，再去追求车体平稳，乘坐舒适，路径最短等。

2.2 全局路径规划

智能网联汽车的全局路径规划是解决顶层导航问题的上层模块。与传统的导航服务不同，它依赖于为其定制的高精度地图，是基于高精度地图道路划分的车道级路径规划。其功能是通过明确地跟随一系列的车道来引导车辆由起点位置到达终点位置。它要计算从出发地到目的地所要经过的最佳车道序列，它仅给出所要经过的一系列道路在高精度地图上的位置。

全局路径规划算法包括基于图和基于采样的路径规划算法两类，其中以采用基于有向图的经典算法Dijkstra 和A*为多。

2.3 局部路径规划（运动规划）

智能网联汽车的局部路径规划主要涉及动作决策和轨迹规划。

动作决策依赖于交通预测，要基于对感知到的物体的识别及其行为轨迹预测，对智能车辆进行行为决策或行为规划。行为决策从交通预测模块和全局路径规划模块获得输入，根据一定规则或模型做出有效和安全的决策，生成相应的决定车辆如何操作的命令集及伴随参数。行为决策方法主要有基于规则的确定性决策方法，基于非确定性贝叶斯模型方法，有限状态机方法等。基于马尔可夫决策过程和部分可观测马尔可夫决策过程的贝叶斯模型在行为建模中被广泛应用，而基于规则的方案在实践中应用较多。图3 为一种基于场景分层划分及规则的行为决策系统体系结构[3]。

图3 基于场景分层划分及规则的行为决策系统体系结构

运动规划的任务是生成一条轨迹，在生成轨迹时执行决策命令，并使下层反馈控制可以顺利地执行。运动规划是一个局部路径优化问题，它可以形式化为有确定特性或约束的轨迹优化（规划）问题，求解该规划问题可得到车辆实际可执行的时空轨迹。规划方法主要有：直角坐标下的人工势场法、RRT 法、动态规划法，基于道路SL 坐标将纵横向解耦的规划法[4，5]。

文献[6]将规划时空轨迹问题分为路径规划和速度规划两个问题进行处理。路径规划只解决在给定的行为决策输出和代价函数定义下，在二维平面上计算轨迹形状问题；速度规划基于路径规划结果，解决车辆应如何跟踪给定轨迹的问题。文献[7]基于车道SL坐标系，既可以将运动规划划分为路径规划和速度规划，也可以划分为纵向规划和横向规划，形成规划轨迹。第1 种方法因对轨迹和速度进行单独优化，故可能出现所选轨迹形状不适合期望的速度曲线问题，因此它适合于城市低速驾驶场景的轨迹规划；而第2 种方法在规划轨迹形状的同时也考虑了速度，故而更适合于高速公路等高速场景的轨迹规划。

随着人工智能的发展，基于增强学习的行为决策、运动规划和轨迹生成方法越来越受欢迎，它是对基于最优化算法的必要补充和发展。增强学习是一个闭环学习过程，其特点是学习过程与环境互动，可以解决高度复杂多样的交通场景中的规划等问题。基于增强学习的规划最常用的是Q-学习方法。另外，也有采用递归神经网络解决特殊场景中的问题和应用基于监督学习的深度神经网络建立端到端解决方案等[8]。

3 智能网联汽车的主动安全控制

3.1 队列协同控制

在智能汽车的决策、规划与控制模块中，反馈控制模块的核心任务是：依据输入的规划好的轨迹点，计算得到操纵车辆驱动、制动以及转向的线控信号，使实际的车辆路径尽可能接近规划的路径。智能汽车的运动控制分为纵向控制和横向控制两部分。纵向控制目前常用的方法有滑模控制、模糊控制、模糊PID控制、模型预测控制等；横向控制有基于航向预估的控制算法、基于滑模变结构的控制算法等。在车辆反馈控制中，比较典型和广泛使用的是车辆自行车模型和PID 反馈控制系统，其控制目标是找到满足车辆姿态约束的转向角和前进速度。文献[9]利用2 个PID控制器分别控制转向盘转角和前进速度，这是反馈控制最典型和最基本的实施做法。

车辆队列行驶是指，沿道路同一方向的两辆及以上的汽车，保持固定的车间距离和相同的速度，以队列行进的方式行驶。车辆队列协同控制的目的是，把道路上无序行驶的车辆进行编队组合，将其作为整体进行控制，以提高道路通行效率和车辆行驶的安全性。

与单个车辆的控制方式类似，车辆队列协同控制方式也包括车队纵向控制和横向控制两部分。纵向控制要对队列中的车辆的状态进行统一控制，保证队列行驶的安全性和稳定性；横向控制要保证队列中的车辆保持在同一车道行驶以及在需要变道行驶时，车辆队列在不同车道之间统一换道和超车。车辆队列纵向控制模型是车辆队列协同控制的基本模型，而分散式控制是车辆队列最为适用的控制方式[10，11]。分散式控制主要有车辆自适应巡航控制、车辆协同自适应巡航控制。车辆队列控制系统要先作为驾驶辅助系统应用，驾驶员对车辆拥有最终控制权。车辆队列控制系统组成如图4 所示。

图4 车辆队列控制系统组成

文献[12]提出了一种基于车间通信的车辆编队控制改进方法。通过建立车辆的“自行车”运动模型，并结合跟随领航者编队算法，导出两车间的误差模型。在此基础上，设计反馈线性控制器和不确定性参数条件下的自适应控制器，对跟随车辆的横向速度、纵向速度和航向角进行控制。该方法通过加入车间通信机制，可以准确获得领航车辆的运动信息，能够快速有效地完成车辆的编队功能，并具有较强的抗干扰能力。其自适应反馈控制器控制框图如图5 所示。

图5 自适应线性反馈控制器控制框图

3.2 协同主动避撞控制

智能网联汽车的车辆避撞系统与队列控制系统应用范围不同，其个体车辆并不局限于队列行驶的状态。车辆避撞系统是驾驶辅助系统的一个主要组成部分，其发展经历了最初的仅利用本车所获取的信息的车辆避撞系统（CA），到利用本车以及车车和车路通信所获取的信息但仅靠单车制动的车辆协同避撞系统（CCA），再到目前的利用本车及车车和车路通信所获取的信息并进行多车协同避撞的车辆协同主动避撞系统（CACA）。CACA 系统充分利用无线通信资源，可把车辆队列中各个车辆的车间距实时协同分配，使多车之间协同完成安全车距保持。当某车不满足避撞条件时，它在单车制动的同时，使前方车辆加速行驶一段时间，使该车满足避撞条件，完成行进间车车协同避撞控制[13，14]。

文献[15]针对车辆高速紧急工况下的主动避撞问题，提出了一种基于工况辨识的自适应避撞控制策略。它以实时交通环境信息与车辆状态信息为基础，把紧急工况避撞模式分为制动避撞、转向避撞、协调避撞三种模式。对于制动避撞模式，设计了一种考虑路面附着条件和驾乘人员舒适度的纵向制动避撞策略；对于转向操纵避撞模式，构建了基于多项式路径规划的避撞策略；对于制动和转向协调避撞模式，设计了一种基于数据驱动的自学习协调控制策略。不同控制策略的期望输出通过PID 下层控制器对期望值进行跟踪来完成避撞。其紧急工况避撞模式分类如图6 所示，自适应控制系统总体框架如图7 所示。

图6 紧急工况避撞模式分类

图7 主动避撞自适应控制系统总体框架

模型预测控制（MPC）是利用预测模型预测未来的输入、输出偏差，通过在线有限时域滚动优化和反馈校正确定当前的最优控制目标值，具有较强的实时性、全局性和鲁棒性。文献[16]-[20]采用模型预测控制方法对智能车辆主动避撞控制问题进行了研究。其中文献[16]提出了如图8 所示的基于模型预测理论的分层避撞控制架构。它分为上层路径规划层和下层路径跟踪层：上层路径规划层根据传感器获取的障碍物相对位置信息和车辆运动状态，采用人工势场方法描述障碍物碰撞风险，并基于五次多项式规划出局部避撞路径；下层路径跟踪层以上层控制器规划出的局部避撞路径为参考，控制车辆转向盘转角，实现主动避撞功能。

图8 智能车辆主动避撞控制架构

本研究搭建了Carsim/Matlab 联合仿真平台，对被控车辆在不同路面、不同车速情况下的避障路径规划和跟踪效果进行了仿真。仿真结果表明，上层控制器能根据障碍物信息实时规划局部避撞路径，下层控制器能控制车辆平滑、稳定地跟踪参考路径，从而实现车辆的主动避撞功能。

4 结语

探讨了智能网联汽车的功能和技术架构，智能网联汽车相关控制算法、全局路径规划和局部路径规划的主要方法及特点，智能网联汽车队列协同控制以及协同主动避撞控制原理、系统框架和先进控制技术，对不同方法进行了比较分析。

在交通预测方面应注重各种传感器信息和网联信息的综合利用，提高预测效率和准确性。在行为决策和运动规划方面，借助积累的有人及无人驾驶数据，基于增强学习的规划与控制将会解决更多问题，增强学习可渗透到底层控制层的实际时空轨迹执行层面，它在规划和控制上会起到不可忽视的重要作用。在智能网联汽车安全控制方面，应利用网联信息进行协同主动安全控制，开发兼顾单车和队列行驶、纵横向协同的主动安全控制策略和控制系统。