智能网联汽车技术专题-控制2023年
线控转向是智能底盘的关键技术之一,转角高精度跟踪是线控转向的控制核心目标,基于混合控制理论,本文设计了一种基于扰动转矩观测的转向角跟踪预测滑模控制方法,采用滑模控制作为核心算法,以适配线控转向系统动力学中的非线性特性,采用比例积分观测器估计总扰动转矩并补偿系统的不良影响,采用模型预测控制算法对滑模面参数进行优化,在装配有电机线控转向系统的实验车上对所设计的混合控制方法进行了测试和验证,实验结果表明所设计的预测滑模控制器能够实现较优的转角跟踪性能,以及比例积分观测器可以准确地估计系统总集成扰动转矩。
人机共驾是智能车辆实现高度自动驾驶之前的过渡阶段,由于驾驶员与驾驶辅助系统同时在环,存在驾驶权分配的问题,智能车辆的转向系统必须实时敏捷地执行驾驶员和驾驶辅助系统的转向控制指令。本文针对搭载于某智能MPV的平行轴式电动助力转向系统(APA-EPS)研究人机共驾转向控制策略。首先对APA-EPS系统进行Simscape建模,并通过台架试验验证了模型的准确度。随后基于模糊PID控制算法和模糊滑模控制算法分别设计了人驾和机驾模式下的控制策略。在驾驶员主导驾驶车辆时,根据距离影响度函数和角度影响度函数确定转向控制权重;在驾驶辅助系统主导驾驶车辆时,采用滑动时间窗口监测驾驶员的接管请求。仿真试验结果表明,人驾和机驾的控制策略均具有较好的转角跟随效果,人机共驾时转向控制权能够及时进行切换,且APA-EPS的转向盘转角响应迅速。
车辆底盘技术的创新与发展为智能驾驶系统的设计注入新的活力。结合线控转向系统的物理解耦特性,提出了一种面向密集障碍物避让场景的人车共享转向控制系统方案。首先,基于车辆动力学和蒙特卡洛树搜索算法,采用滚动时域转向场直方图法实现车辆的避障动作决策与规划;其次,搭建了基于门控循环单元网络的驾驶人行为短时预测模型,可直接输出驾驶人转角预测时序信号;在此基础上,结合车辆转向特性计算预期碰撞时距,据此建立风险评估模型;最后,构建了车辆转向控制权的动态分配策略,基于MATLAB/Simulink搭建的联合仿真环境开展了硬件在环驾驶实验。对比多工况下的共享驾驶与手动驾驶的结果表明,共享转向控制方法能有效减少碰撞、提升驾驶安全性,且在保证通行效率的情况下减轻驾驶人的操作负担。
自动驾驶路径跟踪系统是实现L2级以上自动驾驶的重要支撑技术。线控转向系统存在的延迟响应特性会降低路径跟踪控制器的鲁棒性和控制精度,甚至在高车速下存在失稳现象。针对以上问题本文设计了前馈加有限时域全状态反馈的误差跟踪控制架构,在此基础上将转向系统延时作为1阶惯性环节进行模型化表达,并作为状态变量增广融合到误差跟踪控制架构中。本文利用联合仿真试验对提出的跟踪控制器进行了对比验证,验证结果证明本文提出的控制器在直角弯道和高速换道场景下,最大横向误差小于0.3 m,转向盘的转角均方差分别降低1.93%和64.22%。最后的实车试验结果表明,本文提出的控制器在高速换道场景下能够有效提升横向控制精度,最大横向误差小于0.11 m。
本文针对自动驾驶的换道行为,为了解决传统的端到端方法存在输出不稳定、动态交互场景特征信息难以提取的问题,提出了一种基于图卷积网络和条件模仿学习的自主换道端到端学习方法。首先以图结构数据的形式对驾驶场景的动态交互信息进行聚合,通过图卷积网络输出自车应采取的驾驶行为指令;然后与条件模仿学习结合,图卷积网络输出的驾驶指令作为指导条件模仿学习的高级命令,结合其他感知数据最终映射到车辆的底层控制动作,完成无碰撞自主换道;最后在CARLA仿真平台进行了实验验证。实验结果表明:所提出方法的性能优于传统的端到端方法,且具有更好的实验成功率以及泛化性能。
CAN总线负载率对于车载总线的安全性与时延性有至关重要的作用。鉴于传统的连续型Hopfield神经网络(CHNN)在解决此类问题时存在惩罚参数鲁棒性差和所得解易陷入局部最优的缺陷,本文借助模拟退火算法中的蒙特卡洛思想,提出应用于CAN总线负载率优化问题的改进连续性Hopfield神经网络算法(SA-CHNN)。选取微型电动车中99条通信信号作为实验数据进行测试,结果表明,SA-CHNN算法成功解决传统CHNN算法求解CAN总线负载率优化问题的不足,具有明显的优越性。最后,基于搭建的Simulink-Speedgoat CAN总线实验平台对SA-CHNN算法得到的最优信号分配的报文进行实时负载率仿真验证,结果表明SA-CHNN算法的准确性。
汽车的网联化和智能化发展提高了汽车内部总线CAN(controller aera network)网络被入侵的风险。不像以太网具有完善的身份认证机制和加密传输协议,总线CAN网络采用明文传输数据,其报文非常容易被非法ECU窃取和攻击。因此,如何设计车载的入侵检测系统识别ECU的非法篡改和伪装攻击成为当前汽车网络安全研究的重点和难点。基于此,本文提出了基于帧间隔-总线电压混合特征提取的汽车ECU伪装攻击识别技术。首先,借助嵌入式设备的时间戳机制获取报文帧的帧间隔时间;同时,采样汽车总线网络的电压信号,并采用快速信号处理技术获取总线电压的特征参数(如电压众数和边沿时间等),以此构建ECU识别的指纹特征(即混合特征参数,包含帧间隔时间、电压众数、位时间、边沿时间等)。然后,利用轻量化的Softmax学习算法训练IDS模型并在线识别潜在的伪装攻击等非法入侵行为。为了验证所提方法的有效性,本文开展了基于ECU设备的硬件试验测试;结果表明,所提方法对所有合法ECU的识别精度高达98.33%,即可以通过甄别报文消息源头判断非法入侵;并且相较于传统的基于单特征指纹的方法,本文所提方法能够提高7%左右的识别精度。
针对自动驾驶货车相较于普通乘用车具有较大模型不确定性、执行器偏差以及存在曲率扰动等外部影响因素导致路径跟踪精度不足问题,本文提出一种基于鲁棒模型预测控制(robust model predictive control,RMPC)的分层式控制方法。首先,在转角增量式控制误差模型的基础上,根据实际车辆系统与标称模型之间的偏差,设计鲁棒控制律并构建上层多目标约束RMPC控制器,提高跟踪精度。然后,针对自动驾驶货车不足转向以及定位误差问题,设计下层转角补偿器和基于中值滤波的状态估计器,改善执行响应,提升车辆稳定性。最后,通过TruckSim/Simulink联合仿真和实车试验验证,结果表明:所提出的控制方法能够有效处理模型失配和不确定性扰动,具备良好的鲁棒性和适应性。
为了提高智能网联汽车在复杂城市交通环境下的乘坐体验,本文提出一种基于深度强化学习的考虑驾驶安全、能耗经济性、舒适性和行驶效率的多目标生态驾驶策略。首先,基于马尔可夫决策过程构造了生态驾驶策略的状态空间、动作空间与多目标奖励函数。其次,设计了跟车安全模型与交通灯安全模型,为生态驾驶策略给出安全速度建议。第三,提出了融合安全约束与塑形函数的复合多目标奖励函数设计方法,保证强化学习智能体训练收敛和优化性能。最后,通过硬件在环实验验证所提方法的有效性。结果表明,所提策略可以在真实的车载控制器中实时应用。与基于智能驾驶员模型的生态驾驶策略相比,所提策略在满足驾驶安全约束的前提下,改善了车辆的能源经济性、乘坐舒适性和出行效率。
针对前车目标丢失时车辆弯道自适应巡航的经济性和安全性问题,提出了一种多重约束下弯道自适应巡航策略。首先,建立了发动机燃油消耗模型和车辆纵向动力学模型,考虑弯道曲率的约束,基于动态规划算法对弯道最优巡航车速进行了规划;以经济性和安全性为目标,采用PID算法和MPC算法分别设计了自适应巡航纵向控制器和横向控制器;最后,搭建CarSim和Simulink联合仿真平台,进行了仿真分析;并基于ROS小车进行实验验证,结果表明本文提出的控制方法具有良好的经济性和鲁棒性。
新能源汽车的智能化与网联化对以车载核心控制芯片、车控操作系统及车载网络为核心的车载控制基础软硬件提出了更高的要求,必须满足高性能计算、高安全控制、大数据通信等颠覆性需求。本文围绕车载核心控制芯片、车控操作系统与车载高速分布式光纤通信的高可靠与高安全设计需求,介绍了复杂行驶条件下支持智能控制算法的车控操作系统和车载核心控制芯片的架构,恶劣工况下的车载核心控制芯片的高可靠性设计技术和环境适应性增强技术,车控操作系统和车载核心控制芯片的功能安全性设计与保障技术,基于高速分布式光纤通信技术的控制信号传输工具及通信协议故障诊断与自测试技术等关键技术的最新研究工作。基于上述研究成果自主研制的车载核心控制芯片和车控操作系统均已通过实车验证,由此构建的技术攻关、产品研制、标准制定、实车验证的研发体系可为我国智能新能源汽车车载控制基础软硬件的完全自主可控提供必要的理论与技术支撑。
智能网联汽车多车编队行驶可有效缩短跟车间距和提升交通系统通行效率,但多车编队控制须解决异构编队控制器的普适性问题,且能够在执行器响应延迟和通讯延迟情况下保证车辆编队的弦稳定性。本文提出一种面向异构智能网联汽车编队的延迟补偿控制方法,在无须获取他车系统动力学参数及控制输入前提下,利用他车加速度信息即可实现车辆编队纵向跟踪控制;此外,提出一种基于Smith预测器的延迟补偿控制架构,分别消除和降低了执行器响应延迟和通讯延迟对车辆编队弦稳定性的影响。典型工况仿真结果表明,相较常见车辆编队控制方法,本文提出的异构车辆编队延迟补偿控制器的跟车误差降低了80.7%,有效减小了最小车头时距和跟车间距。
端到端自动驾驶算法的开发现已成为当前自动驾驶技术研发的热点。经典的强化学习算法利用车辆状态、环境反馈等信息训练车辆行驶,通过试错学习获得最佳策略,实现了端到端的自动驾驶算法开发,但仍存在开发效率低下的问题。为解决虚拟仿真环境下训练强化学习算法的低效性和高复杂度问题,本文提出了一种异步分布式强化学习框架,并建立了进程间和进程内的多智能体并行柔性动作-评价(soft actor-critic, SAC)分布式训练框架,加速了Carla模拟器上的在线强化学习训练。同时,为进一步实现模型的快速训练和部署,本文提出了一种基于Cloud-OTA的分布式模型快速训练和部署系统架构,系统框架主要由空中下载技术(over-the-air technology, OTA)平台、云分布式训练平台和车端计算平台组成。在此基础上,本文为了提高模型的可复用性并降低迁移部署成本,搭建了基于ROS的Autoware-Carla集成验证框架。实验结果表明,本文方法与多种主流自动驾驶方法定性相比训练速度更快,能有效地应对密集交通流道路工况,提高了端到端自动驾驶策略对未知场景的适应性,减少在实际环境中进行实验所需的时间和资源。
建立智能汽车的预期功能安全(SOTIF)评价体系,进行SOTIF设计是实现智能驾驶汽车规模应用的必由之路。为完善自动紧急制动(AEB)系统的SOTIF理论,实现AEB系统的SOTIF设计,本文采用系统理论过程分析(STPA)的方法对AEB系统控制模块进行安全分析。根据安全分析的结果提出AEB系统控制模块的SOTIF评价指标,并基于CRITIC法和优劣解距离(TOPSIS)法对提出的评价指标进行综合量化评价。进一步地,使用提出的评价方法对某型智能汽车的AEB系统控制模块进行了基于实车试验的SOTIF评价,评价结果验证了所提出的AEB系统控制模块的SOTIF评价方法的合理性和实用性。最后,对评价结果进行分析,并根据提出的SOTIF评价指标给出AEB系统的SOTIF改进建议。
信息安全设计的首要步骤是威胁分析与风险评估(threat analysis and risk assessment,TARA),以此确定安全需求和目标,为信息安全正向开发及安全漏洞修复提供依据。然而,当前TARA分析仅能对恶意攻击及安全漏洞的影响进行评估,即不支持对防护策略效用的量化评估。为此,本文提出了一种攻击和修复相结合的威胁分析与风险评估(attack and fix combined threat analysis and risk assessment,AFC-TARA)方法。通过将系统级车载网络架构的安全状态转换为连续时间马尔科夫链模型,并将转移速率与漏洞挖掘、漏洞修复及安全防护策略相关联,进而实现综合考虑攻击变量与防御变量的系统级车载网络架构安全分析与评估。
在面向服务的多域电子电气架构下,大量的异构服务被部署在车内,用于自主驾驶、安全、舒适和远程诊断等目的。随着与外界交互的增多,车载网络存在递增的安全风险。本文提出了一种安全访问控制机制,以防止车内域控制器受到未经认证和授权的访问请求。首先,文中基于智能网联汽车的安全需求分析,提出了一个基于属性的访问控制的访问控制架构,该架构不仅支持细粒度和灵活的授权还支持基于逐流过滤与监测的在线权限检测。其次,用一个五元组给出形式化的访问控制模型,该模型用数学方法描述了主体、客体、策略和请求,并提出了一个基于哈希的策略评估引擎。最后,安全访问序列通过会话建立和安全通信保证了访问控制过程中的机密性、完整性和可用性。
针对前车速度单双向突变引起的交通流不稳定问题,提出一种基于多车状态变化特征的网联车跟驰模型(MVSCF)。首先引入多前车加速度差变化特征和优化的速度期望估计改进MVCM模型;然后利用微小扰动法和约化摄动法求解MVSCF模型的临界稳定条件,同时结合环形道路场景推导多前车加速度差系数k、多前车数q和多前车最优速度权重ε的相对最优值;最后利用直行道路场景对比分析MVSCF模型在前车速度非平稳变化作用下的交通流稳定效果。仿真结果表明:前车速度单双向突变时,MVSCF模型能够较好吸收前车扰动,速度波动峰谷差值和加速度波动幅度均有所减小,有利于提升交通流的稳定性。
本文研究过弯场景下车辆队列的抗扰抗内切协同路径跟踪控制方法。首先,基于前车直接跟随式方案,采用圆弧曲线跟踪路径代替一般直线跟踪路径,构建车辆队列过弯抗内切策略,以降低车辆队列过弯时的整体跟踪误差;其次,设计卡尔曼滤波器和龙伯格观测器,以解决跟随车位置状态噪声及航向状态噪声或不易量测的问题;然后,设计协同路径跟踪控制器,并基于李雅普诺夫稳定性理论导出系统稳定的充分条件,指导控制器参数设计;最后,通过数值仿真和实车试验验证控制器设计的可行性和有效性。
针对多无人系统的编队包含控制问题,本文提出一种自适应鲁棒控制方法。针对系统中的领航者层和跟随者层分别设计对应的编队、包含以及避撞行为约束,并由Udwadia-Kalaba方程求得满足约束所需的理想驱动力。通过渐亏型自适应律估计系统的不确定参数,从而补偿不确定性影响。然后,采用李雅普诺夫函数方法验证了所设计控制的稳定性。最后,数值仿真结果显示:含时变不确定性的受控系统在完成编队包含行为的同时无任何碰撞发生。
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。