当多辆自动驾驶车辆在结构化道路上执行换道合流任务时，需要综合考虑转向和合流动作以避免事故的发生，同时曲率和周车车速的变化也增大了协同控制的难度。本文聚焦上述问题，提出了面向变曲率道路的多车换道博弈运动规划与协同控制方法。首先，建立曲率坐标系下的多车模型来解析车间安全距离及动力学状态。其次，通过系统地考虑道路曲率变化及周围车辆信息，提出基于博弈的多车换道运动规划算法，采用分布式框架快速求解兼顾个性化驾驶的最优速度轨迹及换道时机。最后，基于B样条曲线高效识别道路曲率及规划轨迹，构建了自适应时变预测控制算法实现轨迹跟踪，其特点在于单步参数矩阵实时更新，消除车速和曲率频繁变化带来的控制偏差累积。实验结果表明，相比斯坦利（Stanley）方法，能降低58%的跟踪误差；相较协同自适应巡航方法，能减少74%的合流时间；另外计算求解效率也仅为集中式模型预测控制方法的10%。
针对图像和原始点云三维目标检测方法中存在特征信息残缺及点云搜索量过大的问题，以截体点网（frustum PointNet， F-PointNet）结构为基础，融合自动驾驶周围场景RGB图像信息与点云信息，提出一种基于级联YOLOv7的三维目标检测算法。首先构建基于YOLOv7的截体估计模型，将RGB图像目标感兴趣区域（region of interest， RoI）纵向扩展到三维空间，然后采用PointNet++对截体内目标点云与背景点云进行分割。最终利用非模态边界估计网络输出目标长宽高、航向等信息，对目标间的自然位置关系进行解释。在KITTI公开数据集上测试结果与消融实验表明，级联YOLOv7模型相较基准网络，推理耗时缩短40 ms/帧，对于在遮挡程度为中等、困难级别的目标检测平均精度值提升了8.77%、9.81%。
运动规划是自动驾驶系统生成轨迹的关键模块，现有运动规划多采用路径和速度解耦的方法，但解耦的规划方法在复杂动态场景下易陷入轨迹次优。本文提出了一种基于搜索和数值优化结合的时空联合运动规划方法，直接求解可行驶轨迹。首先使用改进混合A*在时空范围内进行轨迹粗搜索获得初始轨迹，然后以初始轨迹为参考构建可行驶时空走廊，并综合考虑车辆动力学和轨迹连续性约束等条件，使用数值优化的方法进一步平滑初始轨迹。选取换道超车和旁车切入两类典型复杂动态场景进行仿真测试，结果表明，所提时空联合规划方法相较于传统时空解耦规划方法更加灵活、规划结果更加合理，同时具有较好的计算实时性。
为提高智能车在不同速度和载荷下的路径跟随精度和稳定性，提出一种基于反馈纯跟踪的智能车路径跟随方法。首先，基于车辆运动学模型和纯跟踪模型分析影响控制效果的因素；然后根据车辆速度和路径曲率动态调整前视距离，将横向偏差作为反馈变量对传统纯跟踪控制方法进行补偿；接着通过仿真试验选定控制参数，分析控制参数对路径跟随精度和车辆稳定性的影响；最后通过实车试验，验证该方法在实车环境中的控制性能。结果表明，该方法具有较高的路径跟随精度，在不同速度和载荷下保持良好的适应性和稳定性。
针对单模态轨迹预测无法充分表示未来预测空间以及解决轨迹预测固有的不确定性问题，本文构建了驾驶行为意图识别及交通车辆预期轨迹预测模型。驾驶行为意图识别模块识别被预测车辆车道保持、左换道、右换道、左加速换道和右加速换道的概率；交通车辆预期轨迹预测模块采用编码器-解码器架构，输出被预测车辆未来6 s内可能发生的多种行为和轨迹。通过HighD数据集对模型进行训练、验证与测试。试验结果表明：基于意图识别的预期轨迹预测模型生成的多模态概率分布可提高本车行驶安全性，与其他方法相比显著提高轨迹预测精度，在预测长时域轨迹上具有明显的优势。
随着物联网、V2X和智慧城市等技术的广泛应用，大量的车辆轨迹数据得以记录保留。利用这些轨迹数据可以提取相关信息，例如计算最优路径、检测异常驾驶行为、监测城市交通流量以及预测车辆下一个位置等，轨迹聚类是关键技术之一。密度峰值聚类（density peaks clustering，DPC）作为一种简单有效的基于密度的聚类算法，算法中局部密度的定义未充分考虑数据样本密度分布不均时密度差异的影响，也没有适用于汽车行驶轨迹的相似性度量。此外，算法在遇到相对高维的数据时效果不佳。本文通过引入k近邻思想（k-nearest neighbor，KNN）和主成分分析法（principal component analysis，PCA）并且改进相似性度量，提出了一种适用于汽车行驶轨迹的密度峰值聚类算法。该算法首先使用PCA对高维数据进行预处理；然后采用k近邻思想重新定义局部密度；最后通过重新定义轨迹间的距离函数，摒弃了欧氏距离对分配策略的不良影响。通过对人工合成数据集的实验，证明了算法的可行性；同时算法的有效性也在实际汽车行驶轨迹数据上得到了验证。
针对平行车位自动泊车高精度轨迹规划，提出一种联立多阶段划分和非均匀Gauss配点参数化的轨迹优化算法。首先，结合车辆泊车动力学方程和约束条件建立了平行自动泊车数学模型；然后，根据泊车过程，提出将泊车过程划分为泊车起动、接近车位、进入车位、姿态调整、泊车落位5个阶段，并建立各阶段对应的不等式约束条件；进一步，在伪谱法算法框架下，结合阶段约束给出了多阶段局部高斯配点策略，以此实现分阶段独立配点离散，从而提高泊车轨迹规划的精准度和适应性；最后，在通用小型汽车模型上在长短车位上进行仿真测试，验证提出方法的正确性和适应性。结果显示，相较于分段区域Gauss伪谱法，改进方法在获得平滑泊车轨迹的同时泊车时间平均减少2.976 s，时间性能提升21.7%，表明了所提算法的有效性。
研究动态环境下的自动驾驶车辆换道避障模型预测轨迹规划。首先定义坐标系及动态换道避障场景，确定车辆换道避障轨迹规划的行驶约束条件，搭建被控车辆和障碍物车辆模型；然后设计自适应分段贝塞尔曲线拟合算法用以拟合换道避障轨迹规划的离散点序列；进一步采用模型预测控制算法，设计自动驾驶车辆换道避障轨迹规划方法。最后，对动态环境下自动驾驶车辆换道避障模型预测轨迹规划进行仿真分析，结果表明：本文的换道避障轨迹规划方案能够使被控车辆在动态环境下完成障碍物的规避并保持稳定状态；所设计的自适应分段贝塞尔曲线拟合算法拟合轨迹连续且光滑，换道避障轨迹规划提供的离散点序列与贝塞尔曲线对应点的拟合残差保持在设定阈值内。
汽车的智能化和无人化发展增加了对汽车总线网络的依赖，如汽车的实时动力控制、操纵控制等均需要借助车载CAN网络作为信息传递的媒介。然而不像工业互联网等具有完善的信息鉴别和身份认证机制，车载CAN网络缺乏足够的安全防护措施，容易被不法分子入侵。因此，为提高车载CAN网络的安全通信保障，本文提出一种基于样本熵的入侵检测系统（sample entropy-intrusion detection system， SE-IDS）。具体地，通过实时采样汽车的总线数据构建样本熵测试集，利用样本熵的计算方法统计样本熵值，通过观察熵值的突变情况确定该时刻是否有攻击发生。此外，利用实际汽车ECU（electronic control unit）进行了硬件在环测试，分别验证了提出的方法对DOS（denial of service）攻击、模糊攻击、bus-off攻击的检测能力。测试结果表明，DOS攻击、模糊攻击、bus-off攻击均会使稳定的样本熵值出现不可导点，可以据此作为通信异常的标志，从而确定CAN网络遭受的入侵行为。此外，嵌入式设备的在线检测同样验证了该方法在实际ECU上的实时执行能力。
