智能网联汽车技术专题-规划&控制2022年
为满足自动驾驶汽车测试对场景真实度的要求，提出一种针对交通车辆交互关系的耦合特征建模方法。结合基于机理模型构建的虚拟数据和采集的真实场景数据建立交通车辆行为数据集；采用深度学习建立局部信息响应的交通车辆行为决策模型、跟驰模型和换道模型，结构相对简单的单体模型能提升场景模拟的可扩展性；针对自动驾驶汽车测试对模型鲁棒性要求高的问题，建立分布执行-集中对抗训练的架构进行交通车辆模型优化，提高模型对输入扰动的鲁棒性。构建交通车辆交互仿真环境对模型进行仿真，通过仿真数据与真实数据分布之间的对比和量化评价指标验证模型的有效性。
受周期性结构抑制振动的启发，本文中提出了周期型的汽车队列控制结构，重点研究了周期型控制结构车辆队列的干扰抑制特性。首先建立了周期型控制结构车辆队列模型，在加速度控制输入中引入外界干扰，构建了整个队列的间距误差方程矩阵；接着在此基础上，推导了从外界干扰和领航车扰动到间距跟驰误差的传递函数方程；最后通过间距误差传递函数矩阵的最大奇异值，分析了周期型控制结构汽车队列的干扰抑制特性。结果表明，周期型控制结构通过合理设计，可有效降低干扰到间距误差传递函数矩阵最大奇异值的峰值，提升汽车队列的干扰抑制能力，且对异类车辆队列同样具有较好的干扰抑制能力；此外，周期型控制结构汽车队列还呈现出较好的规模可扩展性。
智能车路径跟踪控制面临系统模型简化、参数不确定、执行器与传感器信号延时及道路曲率变化等干扰，将产生系统扰动误差，导致跟踪精度降低。本文针对性提出一种考虑跟踪系统复杂扰动的模型预测控制方法（model predictive control， MPC），首先以单轨车辆动力学模型为基础建立模型预测跟踪系统，并依据实时规划的路径和速度信息设计预瞄距离动态调整方法，获取最佳预瞄点，以改善智能车底盘执行器与传感器信号延时扰动问题；而后引入扩张状态观测器（extended state observer，ESO）实时估计因简化车辆模型对系统产生的未知扰动量并用于前馈补偿；同时，考虑道路参考曲率变化对系统产生的确定性稳态扰动，设计一种含曲率约束的前馈控制（feed-forward control，FFC）方法用于消除该干扰；最终形成MPC控制器反馈输入、ESO抗干扰补偿输入及FFC前馈输入相叠加的转向角控制律。最后，以某品牌智能车平台在低速园区场景进行了实车测试对比分析，验证了本文所改进的融合扰动补偿的模型预测控制方法具备可行性和优越性。
在交通密集场景下，考虑到现有的DSRC和C-V2X两种技术都不能保证数据高效传输。本文首先介绍了所采用的车联网网络架构。其次，提出基于自适应主次窗口划分的IEEE 802.11p机制的设计，旨在降低车辆节点的冲突率进而增加数据传输率。再次，通过建立二维Markov模型获得传输时延等性能指标的解析式。最后，对改进机制进行了数值验证。仿真结果表明，与经典机制相比，不管是交通稀疏还是密集场景，改进机制都能获得更好的网络性能。同时，建立时延最小和可靠性最高的多目标优化模型，对提出机制进行优化，以获得均衡的系统性能。
针对复杂交通环境下异质车型带来的跟车风险与行车效率权衡的决策难题，在分析自然驾驶数据的基础上，提出基于认知风险动态平衡的智能汽车拟人化跟车模型。首先，针对4种不同的货车-轿车组合跟车模式，建立跟车距离的经验模型，提炼出驾驶人稳态跟车行为中存在的车头时距和逆碰撞时间的“两不变”规律，通过作图法获得平衡线；其次，从驾驶过程中认知风险与加速度响应之间动态平衡的角度揭示了跟车决策的机理，将常用的跟车模型统一在认知风险动态平衡的框架内；最后，提出一种简洁的非线性函数实现认知风险动态平衡的数学表述，利用实测跟车数据验证了模型的准确性。
本文中为具有智能驾驶功能的五轴重型车辆提出一种基于鲁棒不变集的模型预测控制（Tube MPC）的全轮转向路径跟踪策略。首先提出了基于第1桥和第5桥转角控制的全轮转向路径跟踪策略，使多轴车的控制更灵活，侧向力响应可实现同步且能得到充分利用。接着控制模型考虑轮胎参数不确定和侧向风产生的有界干扰，采用 Tube MPC 求解路径跟踪问题。同时采用基于支撑函数计算的简化最小鲁棒正不变集（mRPI）代替了通用的基于Minkowski求和的mRPI运算，有效地节约了mRPI的离线计算时间，也减少了不变集的顶点个数，以保证Tube MPC的在线实现。最后进行硬件在环仿真，验证了所提基于Tube MPC的全轮转向策略对比普通的全轮转向策略具有更高的路径跟踪精度和车辆稳定性，面对未知干扰时有更强的鲁棒性。
驾驶员和自动驾驶系统的驾驶权之和被固定为1时，复杂场景下可能会出现车辆转向需求与共享转向控制（shared steering control，SSC）系统输出不匹配的问题，影响车辆行驶安全。为了解决这一问题，提出了一种驾驶权动态分配方法，并针对驾驶权分配系数和车辆参数不确定性设计了鲁棒控制器。首先，在并联式SSC系统框架的基础上，提出了包括驾驶员模型、轨迹跟踪控制器、驾驶权动态分配模型和车辆模型的SSC系统拓展框架。建立了驾驶员状态评估模型、车辆轨迹跟踪状态评估模型和驾驶权分配与决策模型；以驾驶员状态评估和车辆轨迹跟踪状态评估结果为决策依据，结合驾驶权分配模型计算结果，动态决策驾驶员与控制器的驾驶权分配系数。然后，考虑驾驶权分配系数和车辆模型参数的不确定性，设计了鲁棒反馈控制器。最后通过仿真验证了所提方法的有效性，仿真结果表明：所提SSC系统可以有效降低外部干扰和驾驶员误操作对车辆安全带来的影响，减小转向过程中驾驶员的驾驶负荷、心理负荷和控制器工作负荷。
基于机理分析的车辆动力学建模过程通常进行简化及假设，无法准确计算实际车辆在不同道路条件下的动力学变化，进而导致智能汽车轨迹跟踪控制精度低、不稳定等问题。鉴于此，本文中提出了一种基于混合建模技术的非线性建模与控制方法，构建机理分析-数据驱动的车辆动力学串联混合模型，车辆状态与控制数据经机理模型实现计算处理，级联合并后作为数据驱动模块的输入，长短时记忆网络作为主干网络实现时序数据的非线性关联特征提取和最终的模型输出计算。测试结果表明，该模型可以补充计算机理模型中的部分未建模动态并提高模型计算精度，且具有隐式理解不同路面附着条件的能力。其次，使用Euler积分完成对预测模型的离散化并设计模型预测控制轨迹跟踪算法，设计前馈反馈控制算法在实现车辆的纵向控制的同时提供横向控制中预测模型所需的外部输入，最终实现更符合实际行驶环境且更精准的轨迹跟踪控制效果。CarSim/Simulink联合仿真结果表明，该方法实现了不同道路附着系数下控制量精确输出，同步提升了智能汽车轨迹跟踪控制精度和稳定性，具有良好的横纵向协调控制效果。
为保证人机共驾车辆紧急避让行人时的行人安全和车辆稳定性，提出了一种基于行人非对称势场的人（驾驶员）车协同博弈避撞策略。首先充分考虑行人过街特性及其与车辆的相对运动，建立了一种非对称双椭圆行人势场，以更好地表征行人风险，并在此基础上进行了避撞路径规划。接着为提升避撞过程的车辆稳定性并同时保证轨迹跟踪性能，构建了基于非合作博弈的驾驶员-主动前轮转向（AFS）-主动后轮转向（ARS）三者协同控制器，并在行人避让工况下进行了仿真验证。结果表明：ARS参与后，在确保避撞轨迹跟踪性能的同时，稳定性明显提升，其横向速度误差绝对值均值比驾驶员-AFS两者协同控制器减小了46.43%。
本文针对无人车在复杂工况下，非线性程度增加和动力学约束导致的轨迹跟踪控制精度差和求解效率低的问题，提出一种高效的非线性模型预测控制（nonlinear model predictive control， NMPC）算法。首先考虑车辆模型的非线性因素，建立动力学和魔术轮胎模型，并将无人车终端状态整合到性能指标中，添加稳定性范围内多约束条件，通过障碍罚函数法处理非线性不等式约束，保证了求解过程的平滑性。然后为减轻求解非线性优化问题带来的计算负担，提出了一种新颖的连续/广义最小残差算法（improved continuation/generalized minimal residual，improved-C/GMRES），与传统的C/GMRES算法相比，通过引入连续增加的惩罚因子加快了数值计算的求解效率，降低算法的计算负担。最后通过Simulink和CarSim的联合仿真，在双移线工况和蛇行工况条件下验证跟踪精度和求解效率，结果表明与传统的C/GMRES方法相比，所提控制方法明显提升轨迹跟踪的控制精度和改善行驶稳定性，并加快数值求解效率。
L3级自动驾驶允许驾驶员在其操作设计域（ODD）内暂时脱离驾驶任务。当自动驾驶系统超出其限定的范围时，系统会发出接管请求（TOR）来提醒驾驶员及时接管车辆。为了探究具有不同驾驶经验的驾驶员在L3级自动驾驶过程中的接管绩效，针对24名不同年龄段、驾驶经验具有显著差异的参与者，设计了包含非驾驶任务和视觉辅助的紧急避障驾驶场景，在驾驶模拟器平台进行接管实验。结果表明，不同驾驶经验对反应时间没有明显影响，但是在驾驶绩效方面有着显著性差异。驾驶经验丰富的驾驶员在最大转向盘转角、转向盘转角标准差等指标上有着显著的提升，即经验丰富的驾驶员能够更平稳、安全地恢复对车辆的控制。此外，驾驶经验丰富与否在无视觉辅助的情况下差异更加明显。
由于性能局限、规范不足或可合理预见误用导致的预期功能安全问题层出不穷，严重阻碍了智能汽车的快速发展。本综述聚焦智能汽车预期功能安全保障关键技术，分别从系统开发、功能改进和运行3个阶段进行了系统的总结，最后从基础理论、风险防护和更新机制3方面进行了展望。本文可为智能汽车预期功能安全研究提供重要参考依据。
自动驾驶车辆所面临的安全风险不仅来自于功能安全和信息安全不足，还来自于自动驾驶系统内部的预期功能安全（safety of the intended functionality， SOTIF）不足的风险。自动紧急制动（automatic emergency braking， AEB）系统作为自动驾驶系统的重要组成部分，在控制策略层面存在SOTIF不足的风险。采用系统理论过程分析的方法对AEB系统进行安全分析，找出可能引发危害的触发事件并提出相应的安全目标。针对安全目标，提出一种基于细分场景的AEB系统控制策略。在CarSim-MATLAB/Simulink环境下对所提出的AEB系统控制策略进行验证。结果表明，在事件接受准则和总体风险接受准则两个层面上功能修改后的系统风险水平均显著降低，系统的安全水平明显提升。
本文中基于低成本单目视觉感知系统，提出一种考虑自车运动影响的周边多目标轨迹预测方法。首先，建立了由深度估计网络和位姿估计网络构成的自车运动估计模型，实现图像序列中自车视觉里程计的有效计算；其次，利用自车历史位姿序列构建了预测模型，在自车相机当前视角下完成周边目标历史位置的归一化处理；最后，基于目标历史轨迹信息和区域图像信息构建了预测网络，实现智能汽车周边多目标运动轨迹的有效预测。本文的创新点是将视觉SLAM方法与轨迹预测模型相结合，提出了新的自车运动估计模型和基于ConvLSTM的多目标轨迹预测网络。所提模型克服了现有研究因忽视自车运动状态对周边目标轨迹预测精度带来的不利影响，并在仅使用单目视觉的感知条件下达到了较好的预测效果。公开数据集的测试表明，所提模型在1.5 s预测轨迹中心像素点的平均均方误差为321，比现有基线模型降低了52%，在对未来较长时步轨迹预测方面也具有优异表现。
针对智能网联汽车在交通瓶颈处的行车效率问题，提出了一种面向无信号灯交叉口的车队协同控制策略。首先，根据基于车队的交通流模型和车队在交叉口的占用时间，提出了一个车队路权分配的控制框架。其次，以瞬时效率、行车延误等为复合指标，设计了一个Q学习模型来有条件地挑选车队规模。最后，依据跟车模型对分组后的车辆进行在线轨迹规划仿真。结果表明，Q学习模型可针对不同工况灵活地分配组队指令，并保证车队运动过程中的全局安全性。与非组队方法对比，所提方法可将交叉口的通行能力提升约36.1%。
本文研究了多类时延下同时具有人类驾驶车辆（HDV）和网联自动驾驶车辆（CAV）的混合车辆队列建模与协同控制方法。首先构建了一般形式的混合车辆队列系统模型，对CAV的数量与空间分布进行表征，并将驾驶员反应时延引入模型；接着，考虑V2V通信时延和传感器量测时延，设计了状态反馈控制器；推导了闭环系统特征方程，并根据Routh-Hurwitz判据确定了系统闭环稳定性的充分条件，以指导控制器参数设计；最后，通过数值仿真验证了控制器设计的有效性，定量展示了CAV对衰减交通波动的作用，并分析了各类时延对交通流波动的影响。
本文针对强降雨场景下毫米波雷达的目标运动非预期测量误差较大引发ACC系统的预期功能安全问题，提出了强降雨场景下自适应巡航控制系统的安全控制策略。首先使用双状态卡方对毫米波雷达输出的目标信息进行检验，以确定其是否存在安全风险；接着通过卡尔曼滤波对存在安全风险的目标信息进行修正；然后将修正的目标信息输入ACC控制器控制车辆运动状态，实现安全控制；最后通过搭建的Prescan/Simulink联合仿真平台对提出的安全控制策略进行了仿真验证。结果表明：双状态卡方检验可及时检测风险信息（检测时间偏差在1.31 s以内），卡尔曼滤波修正误差在3.66 m以内，有效保证了ACC系统在强降雨场景下安全稳定运行。
无人车在民用和军用领域得到了愈发广泛的研究和应用，它完全取消人类驾驶操纵机构，采用全线控控制架构和全轮分布式独立驱动/制动/转向技术，使各个车轮独立控制，进而可实现多种转向模式，获得传统车辆无法实现的高机动性轨迹跟踪能力。本文对全线控无人车全轮蟹行转向控制展开研究，提出了一种模型可重构的稳定性鲁棒控制算法，建立了蟹行机动的鲁棒控制目标和参数摄动动力学模型，构建了鲁棒H2/H∞稳定性控制器，实现了无人车无横摆的点对点直接运动，并通过综合协同动力学控制实现车身运动姿态与运动轨迹的解耦控制，从而显著提升无人车在复杂空间的轨迹跟踪能力。最后，通过一辆六轮无人车样机的实车测试验证了所设计的鲁棒控制器的控制效果。
鉴于队列行驶中的网联混合动力货车（HET）的跟驰速度既涉及行车安全、能量需求与分配和电池老化速率，同时又通过车间距，影响气动阻力，以至能耗经济性，本文中提出跟驰场景下综合考虑行车安全性、能耗经济性、气动阻力和电池老化等多个目标的速度规划和能量管理协同控制策略。首先，基于空气动力学量化跟驰安全性。其次，以安全性成本、能耗成本和电池老化成本构成的等效总成本最小化为目标函数并基于模型预测控制构建实时控制策略。其中，采用长短时记忆神经网络对前车速度进行预测，并采用动态规划求解滚动时域内的优化问题。结果表明，协同控制策略能通过抑制动力电池充放电电流来降低电池老化成本，以及借助灵活调整跟驰距离来减小气动阻力并降低能耗成本。与基于人类驾驶模型的跟驰策略进行对比，结果验证了协同控制策略的可行性。
预约式方法是解决非信控交叉路口多车协同控制问题的经典方法。传统预约式方法通常假设路口中仅存在智能网联车辆（intelligent and connected vehicle， ICV），缺少对人类驾驶车辆（human-driven vehicle， HDV）和ICV并存情况的讨论。本文基于预约式方法，针对ICV与HDV混行的非信控交叉路口协同控制方法展开研究，并探究ICV渗透率变化对非信控交叉路口通行效率的影响。首先，对混合交通流下非信控交叉路口进行功能区域划分，并提出混合预约多车协同控制架构；其次，基于预约式方法制定考虑HDV驾驶行为特性的混合预约多车协同控制策略，包括ICV单元格预约策略和ICV速度控制策略；最后，基于SUMO/Python搭建非信控交叉路口混合交通联合仿真平台，以路口通过率和路段平均速度为评价指标，在ICV渗透率分别为100%、90%、60%和30%的情况下进行不同交通流量下的仿真验证。结果表明，所提出的控制策略能保证所有车辆安全通过交叉路口，且非信控路口通行效率随ICV渗透率的提高而提高。
智能网联汽车技术专题-规划&控制2022年
