无人驾驶汽车运动控制研究综述

摘要：随着传统控制方法的日益革新与智能化控制技术的不断发展，无人驾驶汽车领域逐渐兴起，正成为新时代智能交通发展大背景下的先行领航。无人驾驶汽车的控制具有非线性、不确定性、高迟延性等特点，如果仅依靠传统的控制方法则无法满足其在复杂环境下自适应动态调整的需求，由此可能造成汽车路径规划的不准确性以及一系列的安全隐患。因此需要引入智能化控制技术对无人驾驶汽车进行控制，以应对复杂工况下的随机情形，通过其在线自调整合理改善系统的性能指标。本文综述了当前基于无人驾驶汽车的现代智能控制方法的研究成果及发展前景，首先介绍了无人驾驶控制中横向控制以及纵向控制这两大部分的核心技术及其性能特点，进而阐述了当前无人驾驶控制方法的技术壁垒，最后总结了无人驾驶控制在更深层产业应用中的发展前景。

关键词：无人驾驶汽车；横向控制；纵向控制；技术缺陷；发展前景

一、引言

相比于传统汽车，无人驾驶汽车能够有效规避由于驾驶员操作失误所带来的种种安全隐患。其次，无人驾驶汽车能通过卫星导航监控实时的路况，从而规划出最优的路线，缓解城市道路堵塞所带来的交通压力。谷歌的无人驾驶项目于2009年正式落地，并在2016年成立主理无人驾驶业务的Waymo公司，其迄今已收集了几十亿<非公制>的模拟驾驶数据和超过350万<非公制>的道路驾驶数据。特斯拉Model S车型采用Autopilot自动驾驶系统，该系统的落地使得特斯拉Model S在高速公路上能够自如实现辅助自动驾驶的功能，并且能对驾驶员驾驶情况及道路环境做出更加密切的监视[1]。无人驾驶汽车的控制主要集中在对其运动的控制上，目标是提高汽车应对复杂路况的自适应调整能力，提升其进行路径规划的准确程度，保证在路面行驶时的安全性以及高效性。无人驾驶汽车具有稳定性低、时延、高度非线性等特点，有着较为复杂的耦合动力学结构[1]，因此研究更加稳定高效的控制算法并将其应用于无人驾驶汽车模型架构的优化，具有十分重要的意义。

二、无人驾驶汽车横向控制

无人驾驶汽车架构的核心内容，其实就是对其运动控制的研究。而此研究主要集中在横向控制的范畴。横向运动控制指智能汽车通过车载传感器感知周围环境变化，结合全球定位系统 （Global Positioning System， GPS） 獲取汽车的位置信息与参考路径，并在特定控制方式的逻辑运算下得出最优的参考行驶路径[2]。

（一）PID控制

无人汽车最常见的控制方法就是智能PID控制。根据不同智能理论进行划分，其可以分为：模糊PID控制、专家PID控制以及神经网络PID控制。其底层依托的是传统PID控制原理——PID控制器对系统给定值同系统输出值的偏差分别进行比例、积分、微分运算，三者分别主要起到加快调节速率、消除系统稳态误差以及改善性能指标品质的作用，由此得到其输出值。而智能PID则是在传统PID的基础上引入智能控制的概念，能够有效改善系统的性能，能自动识别路径参数并进行动态规划调整，提高汽车的自跟踪能力，具有更强的自适应与自组织能力，更加适用于无人驾驶汽车的应用场景[3]。文献[4]提出一种基于无人路径跟踪的数学模型，得到了一种改进的增量式PID算法，提高了无人系统模型的响应速度，减小了调整时间，降低了超调量，并对无人汽车航向进行精确校正。

（二）BP神经网络

BP神经网络是基于反向传播而构建的多层、多节点的神经网络系统。其在每次训练中根据所得结果与预想结果的偏差，修改各个节点的权值和阈值组合，在不断地优化与改进过程中训练出与理想结果一致的最优解模型。而无人汽车运动控制系统的设计则可以放在此框架下进行。其运动模型将以期望轨迹作为理想参照，在多次训练中预期输出最优化的轨迹模型。此外，BP神经网络具有较强的自适应调节能力，能够克服无人汽车控制中不确定性强、鲁棒性差的特点，可以较高程度上优化算法的控制参数，提升控制的精确性以及普适性[5]。文献[6]提出一种基于BP神经网络的PID控制器，能有效避免快速响应过程中振荡所产生的影响，使控制系统更加稳定、拥有更好的性能指标。

（三）自适应模型预测控制

自适应模型预测控制（Adaptive Model Predictive Control， AMPC）可以看作是一个以周围环境改变为参照自动调节自身性能的自反馈控制体系，能够基于数字模型方法优化自身标定的工作状态。其能在闭环系统中的每一个动态工作点处建立线性数据模型，并基于此对设计的控制器进行仿真。对于像无人汽车这样的非线性不确定模型，自适应模型预测控制的动态调整特征有利于在简单的框架下对其实行高鲁棒性控制，从而提高仿真模拟的准确性[7]。文献[8]根据车辆架构动力学模型和轮胎线性模型，对侧向、横摆运动的汽车模型进行离散化处理，设计出的AMPC算法能够保证汽车在不同纵向速度下安全稳定行驶，有效提高轨迹的精度以及汽车的稳定性。

（四）强化学习

强化学习（Reinforcement Learning， RL）是机器学习中的一种重要研究方法，其能感知并演绎周围环境，通过实验不断完善模型的学习与构建，在分析预测、无人控制等领域具有广泛的应用前景。文献[9]以深度学习与强化学习相结合的端到端的无人驾驶控制网络体系为基础，考虑实际环境约束对汽车智能体理想化行为的影响，建立一种符合实际驾驶逻辑的控制模型，增强决策行为的安全性及稳定性。文献[10]以无模型强化学习算法技术为基础，结合无人驾驶实际场景，分析了强化学习过程中所涉及的奖励稀疏问题，并论证了强化学习算法在无人车变道驾驶中应用的可行性问题。

三、无人驾驶汽车纵向控制

运动控制中的纵向控制也是无人驾驶汽车研究的一个重要课题。纵向控制 研究的核心在于如何提高无人驾驶汽车行驶过程的安全性、稳定性，以期提升乘客的行车体验与出行品质。因此，纵向控制力求实现驾驶系统规划的期望车速与实际车速的高度匹配，而无人驾驶汽车行车速度的控制是通过油门与制动的相互切换来实现的。根据融合控制架构的区别，纵向控制通常被分为直接式控制与分层式控制两种[11]。

（一）直接式控制

直接式控制是指操作系统直接对无人驾驶汽车的车辆间距以及行车速度实施控制。对于直接式纵向控制，系统的输入为行驶过程中预设的期望车速与车辆的纵向距离，根据此预设值，纵向控制器能够直接得到输出，进而对节气门开度以及制动压力实施点对点的操控，具有精准高效且响应速度快的特点[12]。直接式控制基于无人驾驶汽车纵向速度的自适应调节机制，综合考虑汽车行驶过程中诸如滑移率以及滑转率等特征参数的控制及优化，直接对目标进行综合的特征分析，将结果传送到末端执行器，得到诸如驱动力矩与制动力矩分配的最优解[13]，并依此设计建立更为合理的无人驾驶汽车动力分配结构，有效提升了系统的安全性与稳定性、提高了用户行车的舒适程度与综合体感。文献[14]提出了一种基于新型系统辨识方法构造纵向动力学模型的研究方法。为了解绝无人驾驶汽车系统所具有的不确定性以及非线性的问题，Jullierme E等结合PI和逆动力学特征模型，基于纵向直接控制的原理，提出了一种对车辆纵向速度实施自动控制的策略。

无人驾驶汽车直接式控制的方法也可以和传统与智能的控制方法相结合，以期提升无人驾驶系统的综合品质——Hoyong K等[15]设计了一种由PID、PI、滑块控制器和模糊控制器四部分构成的集成化直接式纵向控制系统。该系统在结合了传统控制方法优势的同时，创新性地引入了专家经验知识，有效提升了无人驾驶汽车面对复杂工况的自适应、自调整能力，降低了参数不确定性、非线性对控制系统产生的影响。

（二）分层式控制

直接式控制虽然能较为精准、快速地对目标控制体进行分析并且得到最优化的末端执行结果的输出，但是其所需计算量相对较大，难以保证动态控制的实时性[13]。因此，为了有效降低外界复杂因素对控制系统的扰动影响，得到无人驾驶汽车状态波动的实时反馈，专家在直接式控制研究的基础上提出了构建无人驾驶汽车分层式控制的模型。分层式控制系统包含上位控制器以及下位控制器。其输入依旧为期望车速以及车辆的纵向距离，但有所不同的是，该输入会经过上位控制器并转化为期望加速度，进而通过下位控制器得出期望的制动压力与节气门开度[16]。文献[17]提出了一种基于鲁棒性控制理论的汽车纵向加/减度多模型分层切换控制系统，为了覆盖控制对象的不确定性，建立了四个乘性不确定性模型，利用MBI方法对鲁棒性能控制器集合进行设计，并依此提出了一种对系统不确定性增益进行估计的切换指标函数，使纵向动力学模型具有更加良好的稳定性以及跟踪性能。文献[18]提出了一种分层混合控制系统，利用模型预测的方法对横向运动控制与纵向运动控制进行集合，该系统可以有效提升无人驾驶汽车跟车与换道控制的精准性。

四、无人驾驶汽车控制技术缺陷

无人驾驶汽车依托各种控制器所建造的控制模型有较高的自适应性及稳定性，能够在不断地训练与优化中较好适应现实的驾驶场景。但是，诸多天气、路况、车流量等现实行车干扰因素仍然具有较强的可变性与不确定性，如果无人驾驶控制系统对这些变化没有作出及时的监测与合理的策略应对，将带来极大的安全隐患。这其实也是不少用户对无人驾驶模式仍持有怀疑态度的重要原因。因此，构建无人驾驶汽车控制系统与行车外部环境实时交互的理想模型、优化控制系统参数与适应性以期达到最佳安全稳定性仍然是未来无人驾驶控制技术深耕研究的重要课题。为此，需要加大现有模型优势的挖掘，构造其与未来控制技术革新发展相适配的良性互促模式，帮助无人驾驶汽车控制技术走上新台阶。

五、无人驾驶汽车控制技术发展前景

大数据、物联网领域的迭代与信息资源的转化为无人驾驶汽车控制提供更广阔的测试评估平台以及更真实的行驶场景模拟，提高了无人驾驶汽车的应用水准以及安全稳定性。5G时代的来临也意味着新型通信技术将在无人汽车的控制领域产生更加深远的影响，信息化纪元的到来也将为无人汽车控制技术的革新带来新的思考，如何依托现代信息化技术优化无人汽车控制方法成为无人汽车控制技术领域的新命题。未来，无人汽车运动控制方面的研究将更加深入，构建复杂工况下随机因子干扰以及时滞不稳定条件下智能汽车横纵协同控制体系将成为无人驾驶汽车领域又一个新兴研究方向[2]。同时，融合无人驾驶汽车横纵向控制核心技术，实现汽车运动的动态控制以及控制模式的适时切换，依旧是提高无人驾驶汽车综合性能以及运动调整实时性的关键突破点[13]。

伴随着人类社会智能化水平的提升以及信息技術水平的发展，无人驾驶汽车的更新研发与产业化落地势在必行，其无论是在商用还是民用领域都将有更广阔、更光明的发展前景。

六、结束语

无人驾驶汽车的研究与发展提高了人类社会交通运行的便捷化程度与智能化水平，创新并优化了人们的出行模式与出行体验，具有广阔的发展应用前景。运动控制是无人驾驶汽车的技术攻克核心，对其涵盖的横向与纵向控制方法进行深入的研究有着十分重要的意义。随着市场经济的不断深入化发展和科技水平的逐步提高，无人驾驶控制技术越发得到完善。从传统控制到智能控制的演变，使得无人驾驶汽车在运动时能够具有更加稳定、高效的状态，其已逐渐成为人工智能领域的新兴研究热点。

作者单位：叶立堃    华南理工大学

参  考  文  献

[1]宋菲.特斯拉Autopilot系统更新：有提升但仍需继续[J].产品可靠性报告， 2016，8（11）：64-66．

[2]郭景华，李克强，罗禹贡.智能汽车运动控制研究综述[J].汽车安全与节能学报，2016，7（02）：151-159.

[3]贾传伟.智能PID控制在无人驾驶技术中的应用[J].电子测量技术， 2020，43（09）：65-69．

[4]  谭宝成，王宾.无人驾驶汽车路径跟踪的增量式PID控制[J].西安工业大学学报，2016，36（12）：996-1001.

[5]  張守武，王恒，陈鹏，等.神经网络在无人驾驶汽车运动控制中的应用综述[J].工程科学学报，2022，44（02）：235-243．

[6] 张永振，苏寒松，刘高华，等.基于BP神经网络的PID控制器参数调整[J].南开大学学报（自然科学版），2018，51（03）：26-30．

[7] 田涛涛，侯忠生，刘世达，等．基于无模型自适应控制的无人驾驶汽车横向控制方法[J].自动化学报，2017，43（11）：1931-1940.

[8]  杨俊，樊继东．基于自适应模型预测控制的智能车轨迹跟踪[J].湖北汽车工业学院学报，2021，35（01）：6-10.

[9] 吕迪，徐坤，李慧云，等.融合类人驾驶行为的无人驾驶深度强化学习方法[J].集成技术，2020，9（05）：34-47.

[10] 闫浩，刘小珠，石英.基于REINFORCE算法和神经网络的无人驾驶汽车变道控制[J].交通信息与安全，2021，39（01）：164-172.

[11]郝悦．智能汽车横纵向运动控制方法综述[J]．汽车实用技术，2022，47（04）：158-161．

[12] 罗玉峰，钟陈志鹏，陈齐平，等．智能驾驶汽车纵向运动控制研究综述[J]．汽车实用技术，2018，16（22）：28-32.

[13] 采国顺，刘昊吉，冯吉伟，等．智能汽车的运动规划与控制研究综述[J]．汽车安全与节能学报，2021，12（03）：279-297．

[14] Jullierme E， Guilherme A， Reinaldo M. Longitudinal model identification and velocity control of an autonomous car [J]. IEEE Trans Intellectgent Transposition Syst， 2015， 16（2）： 777-786.

[15] Hoyong K. An intelligent control of vehicle dynamic systems by artificial neural network[D]. North Carolina State University， 1994.

[16] 刘爽爽，于欣策，邹广奕．智能汽车执行控制技术研究[J]．时代汽车，2021，18（16）： 18-19．

[17] 高锋，李家文，李克强，等．汽车纵向加/减速度多模型分层切换控制[J]．汽车工程，2007，29（09）：804-808.

[18] Chen K， Pei X， Okuda H， et al. A hierarchical hybrid system of integrated longitudinal and lateral control for intelligent vehicles[J]. ISA transactions，2020， 106： 200-212.