PreScan/CarSim/Simulink联合仿真在智能驾驶仿真中的应用进展

摘 要：文章全面回顾了PreScan、CarSim和Simulink在智能驾驶系统开发中的集成应用。首先，介绍了每款软件的核心功能及其在智能驾驶领域的独特优势；随后，详细阐述了如何通过联合仿真构建从环境感知到车辆动力学再到控制策略执行的完整仿真链路。通过对多个典型应用场景（如轨迹规划、横向控制及纵向控制等）的深入剖析，展示了这一联合仿真框架的主要研究成果。

关键词：PreScan CarSim Simulink 智能驾驶

1 前言

随着智能驾驶汽车自动化等级不断提升，车辆驾驶由L2级辅助驾驶逐步向更高级别的全自动驾驶迈进。这些车辆通过高度集成的传感器、先进的算法和准确的决策实现安全驾驶并与其他交通参与者互动。然而，特斯拉等品牌生产的自动驾驶汽车发生的事故表明，让智能驾驶系统在各种复杂情况下做出快速有效的决策和执行动作，保证智能驾驶的安全性能仍然需要大量的测试实验[1]。这些测试是一个多维度、全方位的过程，涉及了多种技术和方法。相比于传统的实地路测，智能驾驶仿真技术大大降低了测试成本，避免了人员伤害和财产损失，得到了学界和业界的广泛应用。

随着仿真需求的增长，各种智能驾驶仿真器应运而生，各针对智能驾驶开发的不同方面需求进行设计。例如，SUMO能够模拟大规模交通网络和动态交通行为，但其视觉效果较为简单，对于自动驾驶车辆的传感器模型和精细视觉模拟不如专门的3D仿真软件；CARLA提供高度逼真的3D图形，能够模拟多样化的天气和光照条件，支持多种传感器模拟，但对于某些特定应用场景仍需要额外的定制工作；AirSim能够与Unity和Unreal Engine配合使用，提供无人机和自动驾驶车辆的高保真模拟，但它对于自动驾驶特性的支持不够全面且对使用者的技术背景有一定的要求。上述仿真器各自服务于不同的用途和阶段，选择哪种取决于具体的研发目标和技术需求。

PreScan、CarSim与Simulink都是在智能驾驶领域被广泛应用的仿真软件。三者的联合仿真提供了从底层车辆动力学到上层控制策略再到环境感知的全方面一体化仿真解决方案，对于自动驾驶领域的研究和工程实践具有显著的价值。然而，已有文献很少有相关的研究内容，因此对三者联合仿真应用的研究显得十分必要。

2 仿真平台概述

PreScan是一款由Siemens PLM Software开发的专业级自动驾驶及高级驾驶辅助系统（ADAS）仿真软件。它提供了强大的工具，可以用来创建高度逼真的道路场景。另一方面，PreScan还提供了对传感器模型化的支持，它允许开发人员将各种传感器的行为和性能模拟到虚拟环境中。但是对于实时仿真的项目，PreScan需要高性能计算资源支持，且实时性受到具体硬件配置和软件设置的影响。

CarSim是一种用于车辆动力学建模和仿真的软件工具。该软件构建了精确的车辆动力学模型，包括车辆的悬挂系统、转向系统、驱动系统等，这些模型能够准确反应车辆在不同行驶条件下的动态响应；此外，CarSim还提供了丰富的性能评估工具，可以用来评估车辆的稳定性、操控性以及动力性等。但是CarSim对传感器模型和环境感知系统的模拟相对有限，需要与其他软件配合才能完成完整的自动驾驶系统仿真。

Simulink是一种基于模型的设计和仿真环境，广泛应用于控制系统设计和实时仿真的仿真工具。它提供了丰富的模型库和图形化编程工具，开发人员可以使用Simulink轻松地建立控制系统模型，并通过仿真进行验证和调试，提高了控制系统的可靠性。Simulink还支持实时仿真，可以与实际硬件系统进行连接，实现实时控制和数据交互，为控制系统的测试提供了真实的环境。

综上所述，联合仿真流程为使用PreScan搭建虚拟场景，配置各类传感器模型；在CarSim中选择车辆动力学模型，设定初始状态和仿真参数；利用Simulink设计自动驾驶系统的控制逻辑、传感器融合算法和决策模块，并配置与PreScan和CarSim的接口。PreScan、CarSim与Simulink联合仿真平台为自动驾驶系统的开发提供了一个强大且灵活的仿真环境，通过集成各自专业领域的软件能够有效地模拟和验证自动驾驶系统地整体性能，加速了研发进程并提升了系统的安全性与可靠性。

3 应用案例

3.1 路径规划

路径规划是自动驾驶系统的一项核心功能，负责在复杂的道路交通环境下，为自动驾驶车辆规划出一条从起点到终点的安全、有效、合规且高效的行驶路线。许多学者通过联合仿真平台对路径规划进行了测试，在一定程度上提升了自动驾驶的行驶效率与乘客体验。

在全局路径规划方面，朱波等[2]为解决无人车多途经点配送问题，提出了一种基于矢量化高精地图的车道级全局路径规划、生成和跟踪控制方法。王开峰[3]针对自动驾驶汽车行驶轨迹安全、舒适和高效问题，采用模型预测控制的路径跟踪控制方法，验证了所设计的控制器的路径跟踪性能。马庆禄[4]等针对超车路径规划问题，提出改进的人工势场法，通过相对速度构建新的引力势场和斥力势场。

在局部路径规划方面，姬鹏等[5]通过构建Frenet坐标系提出一种改进人工势场法的路径规划算法解决了车辆动静态下的避障问题。朱旺旺[6]采用模型预测控制算法、双PID闭环算法和危险势场法设计了局部路径规划算法，验证了所建立控制算法模型的有效性。廖平伟[7]采用Frenet坐标系与笛卡尔坐标系，建立了轨迹更新模型，提升了局部路径规划轨迹的一致性。

在极限工况和复杂道路工况方面，刘瀚蔚等[8]提出了一种基于模糊神经网络算法的横纵向协同控制策略确保轨迹跟踪的精确性。李杭宇等[9]采用一种非连续曲率轨迹跟踪控制方法，建立了预瞄误差模型，提高了车辆跟踪精度。李文礼等[10]采用五次多项式曲线和碰撞剩余时间规划车辆行驶路径的方法，建立了SSA-GAN轨迹预测模型。刘艺等[11]建立了基于障碍物风险场的避障功能函数，解决了城市中结构化道路交通场景的路径规划问题。

3.2 横向控制

3.2.1 车辆自主换道控制

智能驾驶车辆的自主换道控制指的是车辆在没有人类驾驶员直接干预的情况下，自主判断并执行车道变换的操作。针对换道轨迹规划问题，谢宪毅等[12]提出一种考虑舒适度的智能汽车人工蜂群轨迹规划方法。胡远志等[13]综合考虑换道意图与换道安全，建立了五次多项式拟合和模型预测控制模型，实现了汽车的安全平稳换道。王乐[14]采用枚举法、粒子群算法和滑模轨迹跟踪算法，建立了车辆的运动学模型、动力学模型，提高了换道安全。

针对换道行为决策问题，牟思凯[15]采用博弈论和改进的支持向量机方法（SSA-SVM），建立了一种基于博弈论的车辆自主换道策略。陈慧[16]采用基于驾驶人不满度的换道行为决策方法，建立了驾驶人不满度累积模型和换道最小安全距离模型。姚军[17]采用前车换道意图辨识的智能巡航控制算法，建立了LQR和PID控制算法模型，实现了车辆自主换道。Fulei Liu等[18]基于博弈论的思想，构建了一个智能网联车辆（ICV）变道行为的决策模型，验证了变道模型的有效性。

3.2.2 转向控制

转向控制涉及到车辆在行驶过程中方向的自动调整和控制，朱西产等[19]采用一种驾驶员紧急转向的控制方法，建立了五次多项式规划转向避撞模型，避免了车辆与行人发生碰撞的事故。姬鹏等[20]将水磁耦合装置嵌入转向系统中，建立了整车转向系统模型，实现了自动驾驶模式和驾驶员接管模式的切换。方振伍等[21]采用一种考虑驾驶疲劳特性的差动转向共享控制方法，有效降低驾驶人疲劳所引发的车辆失稳风险。Zou， Songchun[22]提出了一种车辆双电机耦合驱动线控转向（DCS）系统，建立了DCS系统的能源优化模型，提高线控转向系统（SBW）的可靠性和安全性。

3.2.3 车道偏离预警

车道偏离预警系统通过提前警示驾驶员潜在的危险情况，有助于减少交通事故的发生。赵婷婷[23]采用车道偏离判断线法和跨道时间判定法进行车道偏离预警直道和弯道的决策，提高了车道偏离预警算法的准确性。杨义波[24]通过模糊推理的方法，建立了轨迹线性化控制（TLC）模型，降低了车道偏离预警系统的误警率。马宏伟等[25]采用车辆相对位置（CCP）的车道偏离预警算法，建立了联合仿真平台验证了算法的可行性。张云龙[26]运用Prescan软件搭建车道偏离预警场景，并与Simulink进行联合仿真，验证了车道偏离预警算法。

3.3 纵向控制

3.3.1 自动紧急制动系统

汽车自动紧急制动系统（AEB）是一种先进的驾驶辅助系统，旨在减少或避免车辆碰撞。目前，针对该系统的研究主要集中在防撞预警和控制策略两个方面。在防撞预警方面，何川[27]采用车辆状态估计和车辆防撞预警控制策略相结合的方法，建立了防撞预警控制模块的基本模型。杨炜等[28]采用考虑前方车辆驾驶人意图的方法，建立了BP神经网络和隐马尔可夫模型，有效提高了车辆避撞能力。韩勇等[29]建立了AEB纵横向触发TTC（time to collision）差值模型，为汽车自动紧急制动系统的开发提供了重要理论参考。Lai Fei等提出了一种基于车联网（V2X）技术的智能车辆自动紧急避撞控制方法，有效避免了智能驾驶车辆在90°交叉路口发生碰撞。

在控制策略方面，Xiaochao Zhu等[30]采用调整碰撞时间（TTC）阈值的控制策略，实现了车辆在低摩擦系数路面上进行自动紧急制动。吕章洁[31]采用基于PreScan软件的汽车AEB系统控制算法，建立了车辆制动距离模型，验证分析了五种安全距离模型的效果。郭文博[32]采用符合驾驶员特性的车辆AEB系统控制策略，建立了车辆横、纵向危险状态判断模型，验证了该控制策略的有效性。

3.3.2 自适应巡航系统

随着技术的进步，汽车自适应巡航（ACC）系统正逐渐成为许多现代汽车的标准配置，并被视为自动驾驶技术的重要组成部分。为提高了自适应巡航系统的跟踪精度，Tang，Xianzhi等[33]开发了一种基于PSO-BP神经网络的加权自适应模型预测控制系统。苏卫[34]采用基于Hopfield神经网络与模型预测控制器的期望加速度优化控制方法，提高了车辆预测精度。王楠等[35]通过设计六模式汽车自适应巡航系统控制模式的加速度算法，增强了自适应巡航系统全工况下的适应性。

4 局限性和未来发展

PreScan、CarSim与Simulink的联合仿真在开发和测试智能驾驶技术方面具有巨大价值，但同时也面临许多挑战。

首先，从模型集成角度看，这三个软件来自不同的供应商，各自的模型结构、数据类型和接口协议会存在差异，将它们有效地连接在一起并确保数据正确传输是一个挑战。其次，从仿真性能与实时性来看，联合仿真通常会对计算资源产生较大需求，当仿真模型复杂或模拟大规模场景时，优化计算性能、实现实时仿真是个难点。最后，模型的准确性与精细化处理也面临着挑战。尽管CarSim提供了精细的车辆动力学模型，但在与其他软件整合时，需考虑不同模型层级上的细节是否匹配。

虽然PreScan、CarSim与Simulink的联合仿真有一定的局限性，但也促进了智能驾驶仿真技术标准化的进程。首先，就仿真流程标准化而言，联合仿真技术有助于形成一套涵盖场景构建、车辆动力学仿真、控制算法设计与验证等环节的标准仿真流程。其次，跨平台的联合仿真促使业界在车辆动力学模型、传感器模型、交通参与者行为模型等方面形成共识，推动了这些模型参数定义的标准化。最后，联合仿真推动了行业的合作。联合仿真技术的发展和应用需要软件供应商、汽车制造商、研究机构等多方协作，这一过程促进了行业内的交流与合作，加速了智能驾驶仿真技术标准的形成与推广。

5 结语

本文系统地分析了PreScan、CarSim与Simulink联合仿真在智能驾驶中应用、局限性和未来发展趋势，为研究人员及相关从业人员提供了一定的见解。当前联合仿真在智能驾驶领域展现出卓越性能，但也存在一些挑战，例如模型集成、仿真性能和实时性等方面。为充分发挥联合仿真在智能驾驶系统开发与验证中的优势，需要重点关注并解决这些问题。

基金项目：广西壮族自治区大学生创新创业训练计划立项项目《无人驾驶电动实训赛车设计与性能测试》202310602079。

参考文献：

[1]李凯，王智宇，奚瑞轩，等.L4级自动驾驶汽车发展综述[J].专用汽车，2023：4-7.

[2]朱波，谈笑昊，谈东奎，等.基于高精地图的物流配送车路径规划与跟踪控制[J].汽车工程学报，2024，14：193-204.

[3]王开峰.基于MPC的自动驾驶汽车横向控制算法研究[J].无线互联科技，2022，19（24）：34-6.

[4]马庆禄，李美强，黄光浩，等.智能网联汽车超车路径规划方法[J].控制理论与应用：1-11.

[5]姬鹏，郭明皓.基于Frenet坐标下改进人工势场法的无人车局部路径规划[J].兵工学报：1-12.

[6]朱旺旺.无人驾驶车辆局部路径规划与跟踪[D]，2019.

[7]廖平伟.移动障碍物场景下智能车动态规划轨迹的一致性评价及优化[D]，2023.

[8]刘瀚蔚，王旭东，黄剑龙.基于模糊神经网络算法的智能汽车轨迹自适应跟踪控制研究[J].重庆工商大学学报（自然科学版）：1-11.

[9]李杭宇，刘冉冉，姜宇，等.基于自适应预瞄路径的非连续曲率轨迹跟踪控制方法[J].重庆理工大学学报（自然科学），2024，38：87-98.

[10]李文礼，韩迪，任勇鹏，等.基于交互车辆轨迹预测的自动驾驶车辆轨迹规划[J].计算机应用研究，2023，40：519-25+38.

[11]刘艺，童亮，徐子丰，等.考虑障碍物风险场的智能车辆避障路径分层规划方法[J].北京信息科技大学学报（自然科学版），2023，38：24-31.

[12]谢宪毅，张明君，金立生，等.考虑舒适度的智能汽车人工蜂群轨迹规划方法[J].吉林大学学报（工学版）：1-11.

[13]胡远志，肖航，刘西，等.智能车辆换道控制研究[J].重庆理工大学学报（自然科学），2020，34：17-28.

[14]王乐.基于车车通信的车辆自动换道控制策略研究[D]，2020.

[15]牟思凯.基于博弈论的无人驾驶车辆自主换道研究[D]，2023.

[16]陈慧，王洁新.基于驾驶人不满度的高速公路自动驾驶换道决策[J].中国公路学报，2019，32：1-9+45.

[17]姚军.基于前车换道意图辨识的智能巡航控制算法研究[D]，2020.

[18]LIU F，HOU S. Research on Lane Change Decision Model of Intelligent Connected Vehicles in Multi-Vehicle Game [J]. Academic Journal of Engineering and Technology Science，2023，6（11）.

[19]朱西产，刘智超，李霖. 基于车辆与行人危险工况的转向避撞控制策略 [J]. 汽车安全与节能学报，2015，6： 217-23.

[20]姬鹏，赵金鹏，姜利民. 面向自动驾驶汽车的新型转向系统设计及仿真分析 [J]. 系统仿真学报： 1-10.

[21]方振伍，林中盛，王金湘，等. 考虑驾驶人疲劳特性的差动转向共享控制 [J]. 东南大学学报（自然科学版），2022，52： 1012-22.

[22]ZOU S，ZHAO W. Energy optimization strategy of vehicle DCS system based on APSO algorithm [J]. Energy，2020，208.

[23]赵婷婷. 基于有限时间的轮毂电机电动汽车车道保持算法及稳定性控制 [D]，2018.

[24]杨义波. 基于模型预测控制的车道保持辅助系统研究 [D]，2020.

[25]马宏伟，吴长水. 基于Prescan的车道偏离预警系统研究 [J]. 计算机与数字工程，2022，50： 964-7.

[26]张云龙，刘全周，唐风敏，等. 基于Prescan的智能汽车车道偏离预警系统研究 [J]. 时代汽车，2019： 29-30.

[27]何川.基于PreScan的车辆自动紧急制动方法研究[D]，2022.

[28]杨炜，刘佳俊，刘晶郁. 车联网环境下考虑前方车辆驾驶人意图的汽车主动预警防撞模型[J].机械工程学报，2021，57： 284-95.

[29]韩勇，袁小宾，卢明，等.汽车与电动两轮车碰撞典型场景下的AEB纵横向触发策略研究 [J]. 汽车工程，2023，45： 501-9.

[30]ZHU X，CHANG S，LI B，et al. Research on Virtual Test of Automobile Automatic Emergency Braking System on Ice-Snow Road [J]. E3S Web of Conferences，2021，261： 02065-.

[31]吕章洁.汽车AEB仿真控制算法优化及验证 [D]，2017.

[32]郭文博. 车辆AEB系统防撞预警控制及仿真测试方法研究 [D]，2021.

[33]TANG X，SHI L，WANG B，et al. Weight Adaptive Path Tracking Control for Autonomous Vehicles Based on PSO-BP Neural Network [J]. Sensors，2023，23（1）.

[34]苏卫. 基于多前车信息的CACC车间时距与上层控制策略优化研究 [D]，2020.

[35]王楠，刘卫国，张君媛，等. 汽车ACC系统纵向控制六模式切换策略仿真研究 [J]. 交通信息与安全，2014，32： 143-8.