多自主車輛隊(duì)列跟隨控制器設(shè)計(jì)

楊 祺， 劉士榮

（杭州電子科技大學(xué)自動(dòng)化學(xué)院，杭州 310018）

隨著機(jī)動(dòng)車保有量的日益增加，交通擁堵、交通事故及能源環(huán)境的矛盾進(jìn)一步激化，作為解決此矛盾的重要手段之一，智能交通系統(tǒng)的研究日益迫切。自主車隊(duì)系統(tǒng)作為該系統(tǒng)的重要子系統(tǒng)，其目的是通過(guò)傳感、通信以及控制技術(shù)使多自主車輛在領(lǐng)頭車輛的帶領(lǐng)下以車隊(duì)的形式行駛，隊(duì)列則是自主車隊(duì)系統(tǒng)中最常見(jiàn)的隊(duì)形。自主車隊(duì)內(nèi)車輛保持合理的行車間距行駛，不僅可以大幅度提高車輛密度，增加道路的車流量，還能夠減小風(fēng)阻對(duì)車輛的影響，從而降低油耗[1]。自主車輛以隊(duì)列形式進(jìn)行運(yùn)輸也可在危險(xiǎn)、重復(fù)程度高的場(chǎng)景中代替人類駕駛員，如在礦山開(kāi)采、物流運(yùn)輸?shù)冗\(yùn)輸場(chǎng)景中可實(shí)現(xiàn)24 h不間斷運(yùn)輸。

多自主車輛隊(duì)列跟隨控制重在環(huán)境感知與控制器設(shè)計(jì)的研究，而控制器的設(shè)計(jì)往往依賴于周圍環(huán)境信息的獲取，因此能夠準(zhǔn)確地獲取周圍的環(huán)境信息是自主車輛隊(duì)列控制的前提條件。在環(huán)境感知研究中，文獻(xiàn)[2-3]利用視覺(jué)信息中豐富的障礙物特征紋理信息從中識(shí)別出不同的障礙物，但該方法受光線與相機(jī)抖動(dòng)的影響較大。Maral等[4]、Olmeda等[5]分別提出了用雙目相機(jī)和紅外相機(jī)來(lái)克服此缺陷，但檢測(cè)視野和檢測(cè)范圍較小。毫米波雷達(dá)在縱向方向檢測(cè)距離較長(zhǎng)且精度較高[6]，但對(duì)目標(biāo)橫向運(yùn)動(dòng)數(shù)據(jù)不精確，導(dǎo)致其感知范圍狹隘。激光雷達(dá)具有精度高、幾乎不受光照影響的優(yōu)點(diǎn)，目前廣泛應(yīng)用于自主車輛的環(huán)境感知領(lǐng)域。

在控制器設(shè)計(jì)方面，Marino等[7]采用嵌套PID控制方法，將一個(gè)PID控制器嵌套進(jìn)另一個(gè)PID控制結(jié)構(gòu)中，雖然比單個(gè)PID控制器提高了精度，但也增加了需要調(diào)節(jié)的參數(shù)數(shù)量。Wang等[8]利用多個(gè)模糊控制器對(duì)自主車輛的角速度進(jìn)行控制，有效地減小了角度誤差。文獻(xiàn)[9]針對(duì)含擾動(dòng)的多智能體系統(tǒng)，設(shè)計(jì)了基于雙不變集的事件觸發(fā)分布式預(yù)測(cè)控制策略。

在上述環(huán)境感知方面的研究中，以單一車載傳感器的研究為主，自主車輛的環(huán)境感知能力不可避免地會(huì)受到每一種傳感器缺點(diǎn)的制約。在上述控制器設(shè)計(jì)的研究中，主要針對(duì)通信正常或無(wú)通信的情況進(jìn)行研究，缺少對(duì)通信回路在正常情況下突然中斷情況的討論。為解決這些問(wèn)題，本文采用激光與視覺(jué)傳感器作為感知周圍環(huán)境信息的車載傳感器，分別采用激光測(cè)距和視覺(jué)傳感器提取環(huán)境信息并將兩種傳感器數(shù)據(jù)進(jìn)行融合。針對(duì)自主車隊(duì)內(nèi)車輛間是否有通信，分別設(shè)計(jì)了常規(guī)和應(yīng)急兩種控制器，并在ROS平臺(tái)上進(jìn)行了仿真，仿真結(jié)果表明所設(shè)計(jì)的自主車輛隊(duì)列控制器無(wú)論在通信正常還是通信中斷時(shí)均可以實(shí)現(xiàn)自主車輛隊(duì)列安全行駛。

1 基于虛擬結(jié)構(gòu)的領(lǐng)航-跟隨策略

自主車輛編隊(duì)控制問(wèn)題的研究來(lái)源于多機(jī)器人任務(wù)規(guī)劃及協(xié)作問(wèn)題的研究，本文采用兩輪差分移動(dòng)機(jī)器人作為研究對(duì)象，并采用基于虛擬結(jié)構(gòu)的領(lǐng)航-跟隨法作為跟隨策略。

1.1 運(yùn)動(dòng)學(xué)模型

兩輪差分移動(dòng)機(jī)器人擁有兩個(gè)標(biāo)準(zhǔn)驅(qū)動(dòng)輪和一個(gè)無(wú)動(dòng)力的小腳輪，配備激光、單目相機(jī)等傳感器設(shè)備，可用里程計(jì)計(jì)算出自身姿態(tài)位置。如圖1所示，機(jī)器人將自身作為局部坐標(biāo)系的原點(diǎn)建立局部坐標(biāo)系。每個(gè)機(jī)器人在全局坐標(biāo)系下的位姿可表示為

其中： i 為機(jī)器人的編號(hào)； xi和 yi分別表示機(jī)器人在笛卡爾坐標(biāo)系 x 軸和 y 軸方向上的位置； θi表示機(jī)器人當(dāng)前前進(jìn)方向與 x 軸正方向的夾角。第 i 個(gè)機(jī)器人在 x 、 y 軸方向上的線速度及角速度可表示為，和，因此有

其中： vi表示第 i 個(gè)機(jī)器人的線速度； ωi表示第 i 個(gè)機(jī)器人的角速度。

機(jī)器人線速度和角速度與兩個(gè)差分輪旋轉(zhuǎn)速度的關(guān)系可以表示為

其中： r 為差分驅(qū)動(dòng)輪的半徑； d 為兩個(gè)驅(qū)動(dòng)輪之間的距離。差分驅(qū)動(dòng)輪旋轉(zhuǎn)速度與機(jī)器人線速度及角速度的關(guān)系為

聯(lián)合式（2）、式（3）可以得到典型的差分驅(qū)動(dòng)機(jī)器人運(yùn)動(dòng)學(xué)模型：

圖 1 機(jī)器人坐標(biāo)系示意圖Fig. 1 Schematic diagram of robot coordinate system

1.2 基于虛擬結(jié)構(gòu)的領(lǐng)航-跟隨策略

領(lǐng)航-跟隨法主要分為l-l方式和l-φ方式[10]，本文采用l-φ領(lǐng)航-跟隨法作為編隊(duì)控制策略，即自主車輛將前車作為領(lǐng)航車輛，通過(guò)保持與前車之間的相對(duì)距離和相對(duì)角度使隊(duì)形達(dá)到穩(wěn)定，并在l-φ控制策略基礎(chǔ)上引入了虛擬機(jī)器人的概念。自主車輛通過(guò)轉(zhuǎn)換矩陣求出虛擬機(jī)器人位姿，并調(diào)整自身的速度來(lái)逼近在剛體中相對(duì)應(yīng)的虛擬節(jié)點(diǎn)，確保二者之間的位置和方向誤差無(wú)限趨近于零。

圖2示出了領(lǐng)航者機(jī)器人、虛擬機(jī)器人和跟隨機(jī)器人之間的關(guān)系。在保持既定隊(duì)形時(shí)，虛擬機(jī)器人的位姿將和領(lǐng)航者保持著一個(gè)固定的變換關(guān)系：

其中：lP 、vP 分別表示領(lǐng)航機(jī)器人和虛擬機(jī)器人的位姿；表示從領(lǐng)航機(jī)器人姿態(tài)映射到虛擬機(jī)器人姿態(tài)的旋轉(zhuǎn)矩陣；vPBORG表示虛擬機(jī)器人和領(lǐng)航機(jī)器人之間坐標(biāo)偏移矢量。

圖 2 領(lǐng)航機(jī)器人，虛擬機(jī)器人和跟隨機(jī)器人的關(guān)系示意圖Fig. 2 Schematic diagram of leader robat, virtual robot and follower robot

2 基于激光和視覺(jué)傳感器的環(huán)境信息感知

多自主車輛隊(duì)列的行駛環(huán)境復(fù)雜多變，使得它必須具備感知周圍環(huán)境的能力，包括領(lǐng)航車輛的位姿、障礙物位置等。當(dāng)通信正常時(shí)，可通過(guò)通信獲取部分信息；當(dāng)通信中斷時(shí)，需要通過(guò)車載傳感器感知周圍環(huán)境。本文選用激光和視覺(jué)傳感器作為自主車輛的車載傳感器，通過(guò)信息融合的方式從激光和視覺(jué)數(shù)據(jù)中獲取控制器所需要的領(lǐng)航車輛相對(duì)位置信息。

2.1 基于激光傳感器的環(huán)境信息提取

選用激光傳感器作為主要車載傳感器之一，利用了激光傳感器實(shí)時(shí)性好、探測(cè)范圍廣、在夜間與在白天的效果相差無(wú)幾等優(yōu)點(diǎn)?；诩す鈧鞲衅魈崛…h(huán)境信息的步驟如下：

（1）對(duì)激光數(shù)據(jù)進(jìn)行篩選。本文只考慮影響車輛行駛的障礙物，因此只保留高度與車身相似的障礙物信息。

（2）采用DBSCAN[11]算法對(duì)障礙物數(shù)據(jù)進(jìn)行聚類。該算法是一種基于空間密度的數(shù)據(jù)聚類方法，允許使用索引結(jié)構(gòu)進(jìn)行密度估計(jì)，因此數(shù)據(jù)集可以拓展至大型數(shù)據(jù)庫(kù)[12]，適合處理數(shù)據(jù)量龐大的激光測(cè)距傳感器數(shù)據(jù)。

（3）求取各聚類點(diǎn)集的凸包，即求能夠包絡(luò)點(diǎn)集中所有點(diǎn)的最小凸多邊形。

（4）求各凸包的最小外接矩形。不同點(diǎn)集獲取的凸包結(jié)構(gòu)不同，很難對(duì)所有點(diǎn)集進(jìn)行統(tǒng)一分析。本文采用旋轉(zhuǎn)卡殼法[13]求凸包的最小外接矩形，用該矩形擬合障礙物的物理形狀，并將矩形的中心作為障礙物所在位置，記為 Cl(xl,yl) 。

2.2 基于視覺(jué)傳感器的環(huán)境信息提取

激光信息可以獲取周圍障礙物的物理特征及與自身的相對(duì)距離，但無(wú)法分辨出哪個(gè)障礙物是領(lǐng)航車輛。采用Camshift算法[14]通過(guò)視覺(jué)搜索、跟蹤領(lǐng)航車輛，并將搜索框中心作為搜索到前車的所在位置。當(dāng)目標(biāo)區(qū)域的尺度發(fā)生變化時(shí)，該算法能夠自適應(yīng)調(diào)整窗口大小繼續(xù)跟蹤。算法步驟如下：

（1）在初始幀中選擇包含領(lǐng)航車輛的目標(biāo)區(qū)域，對(duì)搜索窗口進(jìn)行初始化；

（2）對(duì)初始幀中的目標(biāo)區(qū)域進(jìn)行顏色直方圖統(tǒng)計(jì)；

（3）若當(dāng)前幀圖像不為空，計(jì)算它的顏色概率分布圖（即反向投影圖）；

（4）根據(jù)反向投影圖和搜索窗口，調(diào)用Meanshift算法，得到收斂窗口；Cc(xc,yc) ，作為前車的中心點(diǎn)；

（5）Camshift算法通過(guò)Meanshift迭代得到的收斂窗口所反映的跟蹤目標(biāo)信息對(duì)下一幀目標(biāo)搜索的窗口大小進(jìn)行調(diào)整，并將該收斂窗口的中心記為

（6）在下一幀圖像中，用步驟（5）得到的收斂窗口作為搜索窗口，并跳轉(zhuǎn)到步驟（3）繼續(xù)執(zhí)行。

2.3 視覺(jué)與激光傳感器的信息融合

自主車輛行駛時(shí)需要不斷感知周圍環(huán)境中的障礙物，用 o bj(l,θ) 表示障礙物信息， l 和 θ 分別表示自主車輛與障礙物之間的相對(duì)距離和角度， Cl(xl,yl) 為激光數(shù)據(jù)聚類結(jié)果的最小外接矩形中心點(diǎn)，將該點(diǎn)到自主車輛的距離作為障礙物與自主車輛之間的相對(duì) 距離 l 。

同樣，可求該點(diǎn) Cl(xl,yl) 在自主車輛局部坐標(biāo)系下 的角度，記作 θl。

自主車輛在跟隨領(lǐng)航車輛行駛時(shí)，需要通過(guò)車載傳感器獲取領(lǐng)航車輛的相對(duì)位置。通過(guò)式（7）和式（8）可以獲得周圍障礙物與自主車輛的相對(duì)位置，但此時(shí)自主車輛無(wú)法知道哪一個(gè)障礙物是領(lǐng)航車輛。

通過(guò)Camshift算法在當(dāng)前幀中找到領(lǐng)航車輛，領(lǐng)航車輛的中心點(diǎn)坐標(biāo)為 Cc(xc,yc) ，該點(diǎn)以像素為單位，需轉(zhuǎn)換成自主車輛局部坐標(biāo)系中的相對(duì)角度信息。圖像平面坐標(biāo)系與自主車輛局部坐標(biāo)系之間的關(guān)系如圖3所示，其中 xroryr為自主車輛所在坐標(biāo)系， yc是投影在圖像坐標(biāo)系中領(lǐng)航車輛的中心點(diǎn)，wimage是目標(biāo)中心點(diǎn)投影在圖像平面的寬度，即該圖像平面中邊緣到中心點(diǎn)沿著 y 坐標(biāo)系方向的像素個(gè)數(shù)， θf(wàn)ov是相機(jī)的成像角度。由式（9）可求得領(lǐng)航車輛在當(dāng)前幀中的坐標(biāo)點(diǎn)轉(zhuǎn)換成自主車輛局部坐標(biāo)系中的相對(duì)角度：

通過(guò)式（10）在 n 個(gè)障礙物中找到偏離角度與 θ最接近的障礙物的角度：

其中： θli為激光數(shù)據(jù)中第 i 個(gè)障礙物的相對(duì)角度信息； n 為當(dāng)前環(huán)境中障礙物數(shù)目。偏離角度為 θobj的障礙物即為領(lǐng)航車輛。

圖 3 圖像平面坐標(biāo)系與自主車輛局部坐標(biāo)轉(zhuǎn)換關(guān)系Fig. 3 Transformation relationship between image plane coordinate and local coordinate system of autonomous vehicles

3 自主車輛跟隨控制器設(shè)計(jì)

3.1 基于李雅普諾夫穩(wěn)定性的跟隨控制器設(shè)計(jì)

自主車輛可以通過(guò)自身搭載的GPS傳感器獲取自身所在位置的全局坐標(biāo)信息，并通過(guò)慣性傳感器、磁羅盤等車載傳感器獲取自身朝向角度信息。當(dāng)車隊(duì)成員之間通信正常時(shí)，跟隨車輛可通過(guò)通信獲得前車的位姿信息，并通過(guò)式（6）計(jì)算虛擬車輛位姿信息。將跟隨車輛與虛擬車輛的位姿信息分別用(xf,yf,θf(wàn)) 和 ( xv,yv,θv) 表 示，建 立 如 圖4所 示 誤 差 模型，用 e 表示位姿誤差，通過(guò)幾何原理，可以得出以下關(guān)系：

圖 4 跟隨車輛與虛擬車輛的位姿關(guān)系Fig. 4 Posture relation between follower and virtual vehicle

將跟隨車輛和領(lǐng)航車輛的速度分解到 x 軸和 y軸方向可得

隊(duì)列保持穩(wěn)定跟隨的條件為

式中： δ 為誤差常數(shù)； δP表示位置誤差常數(shù)； δo表示姿態(tài)角誤差常數(shù)，表示誤差在一個(gè)有限時(shí)間 T 內(nèi)趨近 于誤差常數(shù)。對(duì)誤差模型 e 求導(dǎo)可得

式 中： vf和 vv分 別 表示跟隨 車 輛 和虛擬車 輛 的 線速度； ωf和 ωv分別表示跟隨車輛和虛擬車輛的角速度。選用的控制率為

其中： k1、 k2為正系數(shù)。為證明其穩(wěn)定性，本文選取李雅普諾夫函數(shù)為

可 知 此 時(shí) V ≥0 ，當(dāng) 且 僅 當(dāng) xe=ye=0 ， θe=0 時(shí)，V =0 。對(duì)式（18）求導(dǎo)可得

將式（15）代入式（19）可得

將式（16）和式（17）代入式（20）得

可知 當(dāng)且僅當(dāng) ， 時(shí)， ，故系統(tǒng)漸近穩(wěn)定。

3.2 基于模糊控制的跟隨控制器設(shè)計(jì)

當(dāng)車輛間無(wú)通信時(shí)，車輛仍可通過(guò)車載傳感器獲取自身位姿信息，但跟隨車輛無(wú)法獲得前車的位姿信息，無(wú)法計(jì)算朝向角誤差 θe，故無(wú)法使用3.1節(jié)設(shè)計(jì)的控制器。此時(shí)跟隨車輛將式（9）所得相對(duì)角度作為與前車的偏離角度，并結(jié)合式（10）在激光數(shù)據(jù)聚類結(jié)果中找到與前車匹配的障礙物信息，將式（7）所得各個(gè)障礙物的相對(duì)距離信息作為跟隨車輛與領(lǐng)航車輛之間的相對(duì)距離記為 l 。根據(jù)圖5所示前后車輛 位姿關(guān)系，可得到位姿誤差如下：

式中： le和 θe分別表示距離誤差和角度誤差； l0為跟隨車輛與領(lǐng)航車輛之間需要保持的相對(duì)距離。

圖 5 領(lǐng)航車輛與跟隨車輛的位姿關(guān)系Fig. 5 Posture relation between leader and follower

在此引入模糊控制器對(duì)自主車輛進(jìn)行控制，將 le和 θe作為 模 糊 控 制 的 輸 入，將 跟 隨車輛的速度 ν 和角速度 ω 作為輸出。

輸入、輸出的模糊集劃分如表1和表2所示，其中輸入 le、 θe的論域分別取[0, 3 m]、 [ -π/2,π/2] ，輸出 ν 、 ω 的 論 域 分 別 取 [ 0m/s,3m/s] 、 [-0.2rad/s,0.2rad/s] 。

表 1 輸入變量模糊集劃分Table 1 Partition table of input variable fuzzy sets

表 2 輸出變量模糊集劃分Table 2 Partition table of output variable fuzzy sets

采用圖6所示隸屬度函數(shù)對(duì)兩個(gè)輸入變量進(jìn)行模糊化。由于真實(shí)路況中實(shí)際誤差無(wú)法為0，因此將圖6（a）、6（b）兩個(gè)輸入模糊集中的ZE函數(shù)分別設(shè)為z形函數(shù)和梯形函數(shù)，表示系統(tǒng)在誤差允許范圍內(nèi)保持穩(wěn)定行駛，避免了由于較小的誤差導(dǎo)致自主車輛不停地調(diào)整位姿影響乘客舒適感。當(dāng)誤差較大時(shí)，自主車輛需要快速地調(diào)整速度，圖6（a）中的VF和圖6（b）圖中的NL、PL所占比重需要快速增大，故將圖6（a）的VF函數(shù)和圖6（b）的NL選用s形隸屬度函數(shù)，將圖6（b）的PL選用z形隸屬度函數(shù)。

圖 6 輸入變量模糊隸屬函數(shù)Fig. 6 Fuzzy membership function of input variables

采用圖7所示隸屬度函數(shù)對(duì)兩個(gè)輸出變量進(jìn)行模糊化。為了使輸出更平穩(wěn)、連貫，采用高斯隸屬度函數(shù)作為兩個(gè)輸出變量的隸屬度函數(shù)。模糊控制的規(guī)則表往往由經(jīng)驗(yàn)豐富的專家給出，用來(lái)反映輸入到輸出的隸屬度關(guān)系。本文模糊控制的核心是當(dāng) le過(guò)大或過(guò)小時(shí)，模糊控制器可以輸出一個(gè)較大或較小的 ν ；當(dāng) θe過(guò)大或過(guò)小時(shí)，模糊控制器輸出一個(gè)較大或較小的 ω 來(lái)保證自主車輛在此控制器下能夠穩(wěn)定跟隨在虛擬位姿的位置。采用2個(gè)輸入、2個(gè)輸出、6個(gè)模糊級(jí)別分別對(duì) ν 和 ω 進(jìn)行模糊控制，模糊規(guī)則形式如下：

圖 7 輸出變量模糊隸屬函數(shù)Fig. 7 Fuzzy membership functions of output variables

輸出變量 ν 的模糊規(guī)則形式

輸出變量 ω 的模糊規(guī)則形式

采用重心法使輸出結(jié)果去模糊化:

值得注意的是，在跟隨車輛與前車之間無(wú)通信的情況下，本文設(shè)計(jì)的控制器是短時(shí)間內(nèi)使用的備用控制器，無(wú)法保證長(zhǎng)時(shí)間的安全行駛。一旦周圍的其他車輛進(jìn)入到跟隨車輛與前車之間，跟隨車輛將完全丟失前車信息。因此若在一定時(shí)間內(nèi)未恢復(fù)通信，則跟隨車輛需離開(kāi)道路，?？吭诎踩珔^(qū)域等待維修。

4 仿真實(shí)驗(yàn)

為了驗(yàn)證兩種控制器的有效性和穩(wěn)定性，在ROS indigo版本和GAZEBO 7.0版本中采用3輛P3DX移動(dòng)機(jī)器人作為仿真對(duì)象進(jìn)行仿真實(shí)驗(yàn)。選用的二維激光測(cè)距傳感器的掃描范圍為 - 180°～180°，角度分辨 率 為 0 .5°，選 用 的 相 機(jī) 分 辨 率 為 6 40×480 。式（16）、式（17）中控制器參數(shù) k1=1.5 ， k2=0.4 。

實(shí)驗(yàn)中，領(lǐng)航車輛的控制率由式（24）給出，模擬自主車隊(duì)變車道的過(guò)程。該過(guò)程中線速度、角速度均發(fā)生變化，是實(shí)際駕駛情況中較復(fù)雜的一種。3輛車的初始位置分別為（0，0）、（0，-2）、（0，-4），朝向角均為90°，即朝向y軸正方向。

圖8所示為兩種控制器自主車隊(duì)變車道的軌跡圖?？梢钥闯觯陬I(lǐng)航車輛變道時(shí)，跟隨車輛均可以較好地跟隨。

圖9所示為兩種控制器3輛自主車輛的線速度變化曲線?？梢钥闯觯瑑煞N控制器都能很好地使跟隨車輛的速度趨近于領(lǐng)航車輛，且基于李雅普諾夫法設(shè)計(jì)的控制器可以使速度變化更為平緩，但收斂時(shí)間要長(zhǎng)于模糊控制器。

圖10所示為兩種控制器3輛自主車輛的角速度變化曲線。可以看出，兩種控制器都可以使角速度很好地收斂。

圖11示出了李雅普諾夫法控制器誤差模型中誤 差 xe和 模 糊 控 制 器 誤 差 模 型 中 de的 變 化 曲 線，圖12示出了李雅普諾夫法控制器誤差模型中誤差 ye和模糊控制器誤差模型中 θe的變化曲線，可以看出兩種控制器的誤差均能收斂到誤差范圍之內(nèi)。

圖 8 兩種控制器的軌跡圖Fig. 8 Trajectory diagrams of two controllers

圖 9 兩種控制器線速度圖Fig. 9 Velocity diagrams of two controllers

圖 10 兩種控制器的角速度圖Fig. 10 Angular velocity diagrams of two controllers

xe de圖 11 李雅普諾夫法控制器誤差 （a）和模糊法控制器誤差 （b）xe deFig. 11 Error of Lyapunov controller (a)and error of the fuzzy controller(b)

ye θe圖 12 李雅普諾夫法控制器誤差 （a）和模糊法控制器誤差 （b）ye θeFig. 12 Error of Lyapunov controller (a) and Error of fuzzy controller (b)

表 3 各項(xiàng)評(píng)價(jià)指標(biāo)Table 3 Table of evaluation indicators

5 結(jié)論與展望

采用激光測(cè)距和視覺(jué)傳感器作為感知周圍環(huán)境的車載傳感器，通過(guò)信息融合的方式獲取領(lǐng)航車輛位置信息，有效地彌補(bǔ)了單一傳感器存在的缺陷。分別提出了基于李雅普諾夫穩(wěn)定性和模糊控制策略在通信正常和無(wú)通信兩種情況下的控制器設(shè)計(jì)，有效地解決了自主車隊(duì)成員間通信回路中斷的問(wèn)題，提升了自主車隊(duì)系統(tǒng)對(duì)通信回路的魯棒性，并通過(guò)仿真實(shí)驗(yàn)證明了本文設(shè)計(jì)的自主車輛隊(duì)列跟隨控制器的穩(wěn)定性和有效性。

目前在多自主車輛隊(duì)列控制中，仍有諸多方面值得深入學(xué)習(xí)和研究，例如，在自主車隊(duì)列避撞方面，在行駛過(guò)程中，應(yīng)充分考慮其他交通參與者對(duì)車隊(duì)帶來(lái)的影響，避免可能發(fā)生的碰撞；在自主車隊(duì)隊(duì)列重構(gòu)方面，在自主車隊(duì)列行駛時(shí)，存在隊(duì)內(nèi)成員需要離開(kāi)車隊(duì)或是其他自主車輛需加入車隊(duì)，因此需要隊(duì)列優(yōu)化重構(gòu)策略對(duì)成員入隊(duì)/出隊(duì)進(jìn)行控制。