汽車自動(dòng)駕駛關(guān)鍵技術(shù)研究進(jìn)展

彭育輝，江銘，馬中原，鐘聰

(福州大學(xué)機(jī)械工程及自動(dòng)化學(xué)院, 福建 福州 350108)

2020年國家發(fā)改委、 工信部先后正式頒發(fā)《智能汽車創(chuàng)新發(fā)展戰(zhàn)略》和《新能源汽車產(chǎn)業(yè)發(fā)展規(guī)劃(2021-2035年)》，將發(fā)展智能網(wǎng)聯(lián)汽車作為國家發(fā)展戰(zhàn)略的重要內(nèi)容，明確發(fā)展目標(biāo)： 到2025年實(shí)現(xiàn)高度自動(dòng)駕駛智能網(wǎng)聯(lián)汽車達(dá)到規(guī)?；a(chǎn)和特定場景的商業(yè)化應(yīng)用. 2020年11月《智能網(wǎng)聯(lián)汽車技術(shù)路線圖2.0》相繼發(fā)布，“三橫兩縱”技術(shù)架構(gòu)更是為智能網(wǎng)聯(lián)汽車未來多領(lǐng)域技術(shù)發(fā)展指明了方向. 可以說，2020年在國家和行業(yè)層面，為未來15年的中國汽車自動(dòng)駕駛技術(shù)和產(chǎn)業(yè)發(fā)展在政策保障、 技術(shù)路線方面提供了重要支撐. 本著“立足當(dāng)下，面向未來”，本文將重點(diǎn)圍繞環(huán)境感知、 路徑規(guī)劃與軌跡跟蹤等支撐汽車自動(dòng)駕駛的車輛端關(guān)鍵技術(shù)的研究進(jìn)展情況進(jìn)行梳理、 總結(jié)，旨在為將來開展車輛端的自動(dòng)駕駛技術(shù)研發(fā)提供參考.

1 我國汽車自動(dòng)駕駛關(guān)鍵技術(shù)研究概況

在技術(shù)層面，智能網(wǎng)聯(lián)汽車涵蓋汽車智能化和網(wǎng)聯(lián)化兩個(gè)部分. 在汽車智能化方面，國內(nèi)外不同組織和機(jī)構(gòu)針對自動(dòng)駕駛汽車發(fā)布了不同的智能化分級方案. 中國全國汽車標(biāo)準(zhǔn)化技術(shù)委員會(huì)根據(jù)自動(dòng)駕駛系統(tǒng)能夠適應(yīng)的設(shè)計(jì)運(yùn)行范圍和典型工況場景特征，將智能化等級分為駕駛輔助、 部分自動(dòng)駕駛、 有條件自動(dòng)駕駛、 高度自動(dòng)駕駛和完全自動(dòng)駕駛. 無人駕駛是汽車智能化發(fā)展的終極目標(biāo).

通過CNKI期刊庫，采用主題詞： (無人駕駛)+(無人車)+(自動(dòng)駕駛)+(智能駕駛)+(智能車)，檢索2017年至2020年間發(fā)表的期刊論文數(shù)量，結(jié)果如圖1所示. 年論文發(fā)表總數(shù)量(藍(lán)色線)呈現(xiàn)逐年明顯增長趨勢. 2020年CNKI收錄的各類期刊文章415篇，比2017年的150篇增加了265篇，漲幅176.7%，說明在學(xué)術(shù)研究方面對于汽車自動(dòng)駕駛技術(shù)的關(guān)注度逐年增強(qiáng). 近4年汽車自動(dòng)駕駛關(guān)鍵技術(shù)細(xì)分方向期刊論文發(fā)表數(shù)量的占比情況見圖2，其中感知定位、 規(guī)劃決策、 跟蹤控制三者之和大約占60%～70%.

圖1 近4年汽車自動(dòng)駕駛技術(shù)研究發(fā)表期刊論文的總體情況Fig.1 Overall situation of journal papers on autonomous driving technology research in recent 4 years

圖2 汽車自動(dòng)駕駛各細(xì)分方向發(fā)表期刊論文占比情況Fig.2 Proportion of published journal papers in each subdivision direction of autonomous driving

由中國汽車工程學(xué)會(huì)2020年發(fā)布的《智能網(wǎng)聯(lián)汽車技術(shù)路線圖2.0》指出，實(shí)現(xiàn)車輛智能化的關(guān)鍵技術(shù)第二層級子領(lǐng)域包括環(huán)境感知、 智能決策、 控制執(zhí)行和系統(tǒng)設(shè)計(jì)技術(shù). 進(jìn)一步分析第三層級的子領(lǐng)域技術(shù)可知，規(guī)劃決策和跟蹤控制分別是智能決策、 控制執(zhí)行的核心內(nèi)涵. 所以，關(guān)鍵技術(shù)進(jìn)一步分為感知定位、 規(guī)劃決策、 跟蹤控制及測試評價(jià)，并按關(guān)鍵詞進(jìn)行檢索，結(jié)果如表1所示，四個(gè)細(xì)分關(guān)鍵技術(shù)的期刊論文發(fā)表數(shù)量均出現(xiàn)逐年明顯增長態(tài)勢.

表1 汽車自動(dòng)駕駛各細(xì)分方向發(fā)表期刊論文情況Tab.1 Journal papers published in each subdivision of autonomous driving

再者，通過專利之星檢索系統(tǒng)，分別檢索關(guān)鍵詞： 環(huán)境感知、 路徑規(guī)劃、 軌跡跟蹤. 這里，環(huán)境感知： (自動(dòng)駕駛+無人駕駛+智能駕駛+無人車+智能車)、 (環(huán)境感知+礙物檢測+激光雷達(dá)+毫米波雷達(dá)+機(jī)器視覺)； 路徑規(guī)劃： (自動(dòng)駕駛+無人駕駛+智能駕駛+無人車+智能車)、 (路徑規(guī)劃+軌跡規(guī)劃+行為規(guī)劃+運(yùn)動(dòng)規(guī)劃)； 軌跡跟蹤： (自動(dòng)駕駛+無人駕駛+智能駕駛+無人車+智能車)、 (路徑跟蹤+軌跡跟蹤+跟蹤控制+橫向控制). 通過以上方法獲得的2017年至2020年中國汽車自動(dòng)駕駛關(guān)鍵核心技術(shù)的授權(quán)專利情況如圖3所示. 包括環(huán)境感知、 路徑規(guī)劃和軌跡跟蹤的核心技術(shù)專利授權(quán)數(shù)都出現(xiàn)逐年增加態(tài)勢，2020年相比2017年在專利授權(quán)總量上增加了491項(xiàng)，增幅203.7%, 各年專利授權(quán)中，環(huán)境感知占明顯多數(shù)，約占50%左右.

圖3 近4年汽車自動(dòng)駕駛各細(xì)分方向?qū)＠跈?quán)情況Fig.3 Patent authorization of autonomous driving in each subdivision direction in recent 4 years

2 環(huán)境感知技術(shù)研究進(jìn)展

2.1 環(huán)境感知的技術(shù)路線

由于激光雷達(dá)價(jià)格相對昂貴，對環(huán)境感知技術(shù)路線的區(qū)別主要集中在是否使用激光雷達(dá)，故存在視覺主導(dǎo)和激光雷達(dá)主導(dǎo)兩種基本路線.

2.1.1 視覺主導(dǎo)的環(huán)境感知路線

視覺主導(dǎo)技術(shù)路線讓攝像頭模擬人的眼睛進(jìn)行觀察、 感知，讓神經(jīng)網(wǎng)絡(luò)系統(tǒng)模擬人的大腦進(jìn)行判斷. 視覺主導(dǎo)環(huán)境感知路線的底層邏輯是駕駛員可以通過眼睛判斷環(huán)境來駕駛汽車，自動(dòng)駕駛也可以依靠攝像頭駕駛.

特斯拉的智能駕駛汽車采用的是視覺主導(dǎo)方案，主要依靠攝像頭采集環(huán)境信息并融合毫米波雷達(dá)和超聲波雷達(dá)信息來感知環(huán)境. 優(yōu)點(diǎn)在于成本相對較低，缺點(diǎn)是因攝像頭是感知二維的傳感器，在感知三維物體或者復(fù)雜環(huán)境(比如光照條件變化、 極端天氣等)的時(shí)候會(huì)存在失真的情況. 從理論上講，只要是特斯拉真實(shí)數(shù)據(jù)庫中沒有的情形，都存在誤判的可能性，這也是特斯拉經(jīng)常會(huì)因?yàn)樽R別偏差而出現(xiàn)各類事故的原因.

2.1.2 激光雷達(dá)主導(dǎo)的感知技術(shù)路線

激光雷達(dá)具有測量精度高、 受環(huán)境影響小等優(yōu)點(diǎn)而廣泛應(yīng)用在環(huán)境感知方面. 谷歌的Waymo智能駕駛汽車主要依靠激光雷達(dá)作為主動(dòng)視覺傳感器并融合其他傳感器的數(shù)據(jù)信息來感知環(huán)境，優(yōu)點(diǎn)在于目標(biāo)檢測準(zhǔn)確度高，缺點(diǎn)是成本過高、 不能識別顏色信息.

國內(nèi)外研究團(tuán)隊(duì)在無人駕駛汽車的環(huán)境感知方面的研究主要集中在激光雷達(dá)路線，包括谷歌公司、 Volvo-Uber、 斯坦福大學(xué)等，國內(nèi)的百度Apollo、 滴滴公司、 軍事交通學(xué)院和華南理工大學(xué)等. 在激光雷達(dá)主導(dǎo)技術(shù)路線中，激光雷達(dá)為主要感知傳感器，用于周圍障礙物目標(biāo)識別和環(huán)境地圖構(gòu)建. 同時(shí)，也會(huì)有其他傳感器作為補(bǔ)充傳感器，如攝像頭用于特定目標(biāo)障礙物識別、 車道線檢測和交通標(biāo)志識別等； 毫米波雷達(dá)用于中短程目標(biāo)的檢測和避險(xiǎn)，補(bǔ)充激光雷達(dá)的盲點(diǎn)； 超聲波雷達(dá)用于近距離的避障和空間探測. 為了感知系統(tǒng)冗余保證安全性，目前選擇多傳感器融合方式成為環(huán)境感知的主流方案, 具體見表2所示.

表2 環(huán)境感知方案Tab.2 Environment awareness scheme

2.2 視覺感知技術(shù)

視覺感知使用圖像分析和識別技術(shù)來識別環(huán)境[1]. 自動(dòng)駕駛汽車視覺感知技術(shù)中應(yīng)用最廣泛、 最重要的技術(shù)是目標(biāo)識別. 傳統(tǒng)目標(biāo)識別方法需要人工選擇圖像目標(biāo)區(qū)域并設(shè)計(jì)特征，同時(shí)需要眾多場景的圖像來訓(xùn)練分類器. 傳統(tǒng)識別方法步驟繁雜，識別錯(cuò)誤率高，在實(shí)際的使用中較難實(shí)現(xiàn). 隨著卷積神經(jīng)網(wǎng)絡(luò)的快速迭代，基于深度學(xué)習(xí)的目標(biāo)識別方法被提出，并在機(jī)器人、 自動(dòng)駕駛等領(lǐng)域被廣泛使用[2].

2.2.1傳統(tǒng)視覺檢測方法

Lowe等[3]提出SIFI(scale invariant feature transform)算法，該算法在空間尋找極值點(diǎn)，通過特征匹配的方式提取目標(biāo)信息. 優(yōu)點(diǎn)在于有較好的穩(wěn)定性，能提取豐富信息，但計(jì)算復(fù)雜，無法對目標(biāo)邊緣圖像識別. Viola等[4]提出通過級聯(lián)Adaboost分類器的方法實(shí)現(xiàn)人臉識別，其中人臉特征是由積分圖來表征的. 該方法識別速度較快，但識別的精度和穩(wěn)定性都較差. Felzenszwalb等[5]提出DPM(deformable part-based model)算法，其使用多個(gè)組件來提取HOG特征，適用于人體姿態(tài)的檢測. 該算法的實(shí)時(shí)性較好，能適應(yīng)變形目標(biāo)，但工作復(fù)雜且魯棒性較差. Rublee等[6]提出一種特征點(diǎn)快速提取和描述算法(ORB)，其通過關(guān)鍵點(diǎn)創(chuàng)建特征向量，然后再由特征匹配獲得目標(biāo). 該算法的識別速度快，能適應(yīng)圖像變換，但在檢測過程中不確定的特征點(diǎn)較多且容易受到噪聲的影響.

傳統(tǒng)目標(biāo)識別方法是由人工設(shè)計(jì)的特征對目標(biāo)進(jìn)行識別，雖然復(fù)雜程度低，易于實(shí)現(xiàn)，但魯棒性較差，在真實(shí)場景中容易被光照條件、 遮擋等因素影響導(dǎo)致識別失效，難以很好地適應(yīng)各種場景.

2.2.2深度學(xué)習(xí)視覺檢測方法

目前，深度學(xué)習(xí)目標(biāo)識別算法的應(yīng)用已是大勢所趨. 基于深度學(xué)習(xí)的目標(biāo)檢測算法可以通過訓(xùn)練構(gòu)建出自適應(yīng)的特征，能有效適應(yīng)待識別目標(biāo)外觀變化，克服了人工設(shè)計(jì)特征適應(yīng)性差的缺點(diǎn).

Hinton等[7]首次提出深度學(xué)習(xí)概念，展現(xiàn)了深度學(xué)習(xí)的強(qiáng)大功能，引發(fā)了研究熱潮. Girshick等[8]提出了R-CNN算法，該算法基于候選區(qū)域并創(chuàng)造性地將深度學(xué)習(xí)方法應(yīng)用于目標(biāo)識別中，但該算法存在不共享特征和識別時(shí)間長的缺點(diǎn). 為了克服R-CNN算法存在的限制，F(xiàn)aster R-CNN算法[9]被提出，其真正地實(shí)現(xiàn)了端到端檢測識別，但存在小目標(biāo)識別準(zhǔn)確率低且模型復(fù)雜的不足. Redmon等[10]提出YOLO算法，該算法將目標(biāo)識別問題轉(zhuǎn)化為回歸問題，簡化了識別過程，識別速度得到了大幅提升，但存在識別精度差和泛化能力弱的缺點(diǎn)，后續(xù)的版本對不足之處進(jìn)行了改進(jìn). Liu等[11]提出的SSD算法，該算法結(jié)合回歸思想和anchor機(jī)制，識別速度能滿足實(shí)時(shí)性要求，但對小目標(biāo)的識別效果較差. 葉佳林等[12]將YOLOv3算法應(yīng)用在非機(jī)動(dòng)檢測上，同時(shí)采用損失函數(shù)對其進(jìn)行改進(jìn)，提高了識別和定位精度.

研究表明，與傳統(tǒng)目標(biāo)識別算法相比較，基于深度學(xué)習(xí)的目標(biāo)識別算法可以避免傳統(tǒng)人工設(shè)計(jì)特征單一的缺點(diǎn)，通過不斷學(xué)習(xí)和訓(xùn)練能提取出更加有效的特征，在多場景適應(yīng)性和識別準(zhǔn)確率方面有著巨大優(yōu)勢.

2.3 空間感知技術(shù)

在視覺檢測過程中，會(huì)經(jīng)常遇到如光照條件變化、 極端天氣等情況導(dǎo)致視覺識別算法的失效. 因此，為了提高自動(dòng)駕駛汽車的安全性，研究人員開始將受光照條件變化影響小的空間傳感器用于環(huán)境感知.

2.3.1激光雷達(dá)環(huán)境感知方法

激光雷達(dá)環(huán)境感知方法主要是指三維目標(biāo)檢測算法，研究的主要內(nèi)容是對采集到的激光雷達(dá)點(diǎn)云數(shù)據(jù)通過三維目標(biāo)識別算法進(jìn)行識別. 在點(diǎn)云目標(biāo)識別中，主要的點(diǎn)云處理方法有三種，分別是間接處理、 直接處理和融合處理[2].

在間接處理方法中，主要是對激光雷達(dá)點(diǎn)云數(shù)據(jù)進(jìn)行下采樣或降為二維后通過深度神經(jīng)網(wǎng)絡(luò)進(jìn)行識別. Beltaran等[13]提出BirdNet算法，該算法以Faster RCNN算法為基礎(chǔ)，能適應(yīng)不同線束的激光雷達(dá). Zeng等[14]提出RT3D(real time 3D)算法，該算法先對激光雷達(dá)點(diǎn)云數(shù)據(jù)進(jìn)行下采樣，再通過R-FCN網(wǎng)絡(luò)進(jìn)行識別. 間接方法能有效利用網(wǎng)絡(luò)識別圖像，但也過濾掉了待識別目標(biāo)的空間信息，計(jì)算復(fù)雜且識別精度較差.

在直接處理方法中，主要是依據(jù)點(diǎn)云數(shù)據(jù)特點(diǎn)設(shè)計(jì)深度神經(jīng)網(wǎng)絡(luò)進(jìn)行識別. Charles等[15]提出PointNet算法，該算法在識別過程的全局特征由多層感知機(jī)(MLP)生成，以點(diǎn)云數(shù)據(jù)為輸入，直接應(yīng)用設(shè)計(jì)的深度學(xué)習(xí)網(wǎng)絡(luò)模型進(jìn)行識別. Qi等[16]提出PointNet++算法，該算法受到卷積神經(jīng)網(wǎng)絡(luò)啟發(fā)，借助點(diǎn)距離來提取局部區(qū)域特征. 直接法能充分利用點(diǎn)云的三維信息，但算法較為復(fù)雜.

在融合處理方法中，主要是先對圖像和點(diǎn)云識別結(jié)果進(jìn)行融合，再做后續(xù)的處理. Chen等[17]提出MV3D(multi-view 3D)算法，該算法以點(diǎn)云和圖像數(shù)據(jù)作為輸入，構(gòu)建出點(diǎn)云俯視圖和前視圖，完成三維目標(biāo)識別. Ku等[18]提出AVOD(aggre gate view object detection network)算法，該算法設(shè)計(jì)了一個(gè)RPN網(wǎng)絡(luò)，能用來預(yù)測待識別目標(biāo)的種類、 尺寸和位置. 融合方法識別準(zhǔn)確，但是數(shù)據(jù)的采集比較困難，計(jì)算量龐大.

2.3.2毫米波雷達(dá)環(huán)境感知方法

由于毫米波雷達(dá)成本低廉，且在探測范圍上不存在盲點(diǎn)，經(jīng)常作為智能駕駛汽車的輔助傳感器. 長距雷達(dá)主要是指77 GHz的毫米波雷達(dá)，探測距離較遠(yuǎn)，主要被安裝在智能駕駛汽車的前方和左右兩側(cè). 短距雷達(dá)主要是指24 GHz的毫米波雷達(dá)，探測距離較近，主要被安裝在智能駕駛汽車的后方[19]. Cai等[20]提出利用卷積神經(jīng)網(wǎng)絡(luò)對長距毫米波雷達(dá)的實(shí)時(shí)雷達(dá)散射截面積數(shù)據(jù)和圖像進(jìn)行區(qū)分，實(shí)現(xiàn)目標(biāo)分類. 周小鈞等[21]提出使用聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)算法對毫米波雷達(dá)進(jìn)行處理，同時(shí)引入生命周期理論，實(shí)現(xiàn)對目標(biāo)的跟蹤. Yoneda等[22]提出采用交互式多模型集方法估計(jì)目標(biāo)的運(yùn)動(dòng)狀態(tài)，實(shí)現(xiàn)在復(fù)雜環(huán)境中借助毫米波雷達(dá)對汽車的定位.

2.3.3超聲波雷達(dá)環(huán)境感知方法

傳統(tǒng)的超聲波雷達(dá)有兩種，第一個(gè)是短程超聲波，安裝在前后保險(xiǎn)杠上，用來測量前后障礙物距離和防碰撞預(yù)警； 第二種是遠(yuǎn)程超聲波，安裝在汽車的側(cè)面，用來探測空間和防碰撞預(yù)警[23]. 姜武華等[24]提出利用超聲波傳感器和攝像頭等傳感器信息融合的方式，借助Sugeno型模糊推理方法實(shí)現(xiàn)不同車位的識別. Rhee等[25]提出使用超聲波傳感器陣列，通過消除地面反射濾波算法和距離估計(jì)算法實(shí)現(xiàn)實(shí)用、 低成本的路緣檢測和系統(tǒng)定位. Li等[26]提出使用線性陣列超聲波傳感器，利用擴(kuò)展卡爾曼濾波器和無損卡爾曼濾波器實(shí)現(xiàn)對車輛周圍移動(dòng)物體的跟蹤. 總之，超聲波雷達(dá)具有高頻、 良好的方向性和經(jīng)濟(jì)性，在倒車?yán)走_(dá)、 自動(dòng)停車、 盲區(qū)檢測等領(lǐng)域應(yīng)用廣泛. 但是也存在一些限制，如頻率范圍小，無法用于遠(yuǎn)程測量，以及靈敏度較低.

3 路徑規(guī)劃方法研究進(jìn)展

自動(dòng)駕駛車輛路徑規(guī)劃是指在動(dòng)態(tài)避障條件或靜態(tài)環(huán)境中，定義車輛的起始和終止?fàn)顟B(tài)，建立滿足車輛運(yùn)動(dòng)學(xué)約束、 避障限制以及性能指標(biāo)(如： 路徑平滑度最高、 距離最短、 能耗最小等)的有效路徑. 自動(dòng)駕駛車輛的路徑規(guī)劃策略可分為經(jīng)典方法和啟發(fā)式方法.

3.1 經(jīng)典方法

3.1.1隨機(jī)采樣方法

隨機(jī)采樣方法根據(jù)關(guān)注點(diǎn)的不同，可分為漸進(jìn)最優(yōu)采樣方法和單查詢采樣方法，其中在無人駕駛車輛規(guī)劃中普遍使用單查詢法中的概率路圖(PRM)和快速隨機(jī)拓展樹法(RRT). 單查詢法可以提高車輛在高維空間、 多障礙物以及復(fù)雜環(huán)境中的搜索效率. 概率路圖方法的核心思想為： 在空間中創(chuàng)建道路障礙物的網(wǎng)格圖，從而構(gòu)建離散空間，然后在路徑網(wǎng)格圖上進(jìn)行規(guī)劃[27]. 而快速隨機(jī)拓展樹技術(shù)是在完全已知的環(huán)境中隨機(jī)散布點(diǎn)，接著通過迭代產(chǎn)生節(jié)點(diǎn)以此來構(gòu)建行駛路徑.

朱冰等[28]為解決傳統(tǒng)快速隨機(jī)拓展樹中容易陷入局部優(yōu)化和軌跡抖動(dòng)的問題，通過提取實(shí)車實(shí)驗(yàn)數(shù)據(jù)創(chuàng)建安全場，并集成到RRT算法架構(gòu)中以此生成駕駛車輛避障軌跡. 劉芙等[29]結(jié)合RRT算法和人工勢場法，從駕駛舒適性的角度建立車輛行駛路線. Zhan等[30]將網(wǎng)格空間劃分為定重疊、 不定重疊和線重疊以減少計(jì)算次數(shù)，并結(jié)合A*搜索和二次規(guī)劃算法構(gòu)建車輛路徑. 李敏等[31]為提高算法的求解速度，將距離變換技術(shù)集成到PRM算法中.

3.1.2人工勢場法

在無人駕駛車輛路徑規(guī)劃中，人工勢場法因其計(jì)算復(fù)雜度低而得到了廣泛的應(yīng)用，主要思想是通過創(chuàng)建人工勢場來模擬車輛的吸引力和排斥力[32]. 在勢場法中，創(chuàng)建基于自由空間和障礙物空間的勢能函數(shù)，產(chǎn)生目標(biāo)位置的吸引力場和每個(gè)障礙物周圍的排斥場，車輛根據(jù)勢場引起的勢場感應(yīng)力運(yùn)動(dòng).

唐志榮等[33]構(gòu)建了改進(jìn)的無人駕駛車輛勢斥力場模型，在經(jīng)典勢斥力場模型的基礎(chǔ)上增加了路沿勢斥力場，并用橢圓距離替換原始距離，結(jié)合考慮車輛目標(biāo)、 障礙物、 路沿的勢斥力場構(gòu)建車輛在狹窄環(huán)境下的避障行駛軌跡. 任學(xué)干等[34]結(jié)合蟻群算法和人工勢場算法，將目標(biāo)引力場和障礙物斥力場作為蟻群算法的啟發(fā)信息來構(gòu)建目標(biāo)軌跡，減少無人駕駛車輛構(gòu)建路徑的盲目性. Wu等[35]為獲得路徑規(guī)劃中的最優(yōu)解以及解決局部最小和最終路徑平滑度的問題，基于人工勢場法中的勢斥力場模型，引入了增益極限并結(jié)合B樣條曲線的方法構(gòu)建車輛行駛軌跡. 張家旭等[36]將螺旋下降、 正弦、 指數(shù)函數(shù)模型相結(jié)合來構(gòu)建勢斥力場(包括目標(biāo)引力場、 低速車輛斥力場、 彎道邊緣斥力場)，而后生成彎道超車空間曲線.

3.1.3幾何曲線插值法

連續(xù)幾何曲線插值法生成具有曲率連續(xù)及加速度連續(xù)的路徑，其一般用于無人駕駛汽車慢速行駛工況. 例如，在泊車場景下，對車輛的起始和終止?fàn)顟B(tài)下的姿態(tài)控制要求較高，且在行駛過程中需要曲率連續(xù)的路線，幾何曲線插值法生成的具有數(shù)學(xué)函數(shù)的路徑能很好地解決上述問題[37]. 幾何曲線包括： 多項(xiàng)式曲線、 回旋曲線、 樣條曲線、 貝塞爾曲線、 反正切曲線等.

Chen等[38]利用貝塞爾曲線的避障特性，提出隨時(shí)間變化的三次貝塞爾曲線的變道規(guī)劃算法，將速度和路徑解耦進(jìn)行規(guī)劃，且將路徑分為變道路徑和避障路徑. Zhou等[39]使用五次多項(xiàng)式計(jì)算車輛從啟動(dòng)狀態(tài)到目標(biāo)狀態(tài)的軌跡. 李韜[40]確定所規(guī)劃軌跡中的過程姿態(tài)因素、 起始位置因素、 行駛避障因素后使用五次多項(xiàng)式構(gòu)建垂直、 平行泊車行駛軌跡. Du等[41]將B樣條曲線與RRT運(yùn)動(dòng)規(guī)劃控制器相結(jié)合，提出了利用駕駛員視覺行為引導(dǎo)RRT，并采用基于B樣條的連續(xù)曲率光滑方法實(shí)現(xiàn)軌跡的構(gòu)建. 陳無畏等[42]利用阿克曼車輛運(yùn)動(dòng)學(xué)模型建立雙向的三段式泊車軌跡并結(jié)合遺傳算法優(yōu)化求解路徑模型參數(shù). 張榮輝等[43]針對無人駕駛車輛規(guī)劃過程中的避障問題，結(jié)合改進(jìn)的以時(shí)間為自變量的多段多項(xiàng)式函數(shù)規(guī)劃車輛行駛路徑.

3.2 啟發(fā)式方法

3.2.1智能優(yōu)化算法

相比傳統(tǒng)算法，智能優(yōu)化算法的優(yōu)勢主要體現(xiàn)在： 可以解決多目標(biāo)優(yōu)化問題、 干擾抑制能力強(qiáng)、 快速求解全局最優(yōu)值而不陷于局部最優(yōu)、 求解結(jié)果不依賴于初始值等[44]. 智能優(yōu)化算法主要包括： 遺傳算法、 粒子群算法、 細(xì)菌算法、 蟻群算法等.

為提高蟻群算法的全局搜索能力以及避免搜索的盲目性，江明等[45]針對區(qū)域搜索信息在蟻群算法初始化時(shí)增加了自適應(yīng)調(diào)整因子和避障因子，對優(yōu)劣性不同的蟻群所經(jīng)過的路徑信息進(jìn)行判別. 李昶威等[46]利用蝙蝠算法構(gòu)建行駛路徑時(shí)，在算法迭代公式中引入人工勢場法中的目標(biāo)點(diǎn)引力系數(shù)和障礙物斥力系數(shù)，加快算法收斂. 袁建華等[47]提出了一種融合窗口滾動(dòng)和改進(jìn)PSO算法的避障規(guī)劃策略，利用滾動(dòng)策略建立障礙物信息后采用改進(jìn)的PSO算法對可行駛路徑在線搜索. Al-jarrah等[48]為提高路徑搜索的邊緣檢測能力和行駛路徑的安全性，在A*算法的基礎(chǔ)上融合遺傳算法、 細(xì)菌算法以及模糊邏輯視覺處理方法，其中模糊邏輯視覺處理方法用于對障礙物進(jìn)行邊緣檢測，而利用細(xì)菌算法對模糊分配規(guī)則進(jìn)行優(yōu)化，最后利用A*和遺傳算法規(guī)劃行駛路徑.

3.2.2神經(jīng)網(wǎng)絡(luò)方法

神經(jīng)網(wǎng)絡(luò)是由許多簡單且高度互連的處理要素組成的智能系統(tǒng)，這些處理元素通過對外部輸入的動(dòng)態(tài)響應(yīng)來傳遞信息[49]. 神經(jīng)網(wǎng)絡(luò)包括深度學(xué)習(xí)(DL)、 強(qiáng)化學(xué)習(xí)(RL)、 DL與RL的組合. 神經(jīng)網(wǎng)絡(luò)具有高容錯(cuò)性、 分布式表示性、 廣泛并行性、 泛化性等特點(diǎn).

Afifi等[50]提出一種利用深度強(qiáng)化策略梯度算法搭建的一個(gè)多層次體系結(jié)構(gòu)，能夠通過運(yùn)動(dòng)規(guī)劃來協(xié)同規(guī)劃多車輛無碰撞行駛路徑. Cruz等[51]為解決無人駕駛車輛在完全未知的環(huán)境中自我學(xué)習(xí)慢甚至無法學(xué)習(xí)的問題，提出一種多智能體強(qiáng)化學(xué)習(xí)算法，通過構(gòu)建相應(yīng)的獎(jiǎng)勵(lì)結(jié)構(gòu)和訓(xùn)練系統(tǒng)求解路徑規(guī)劃的最優(yōu)值. 龐可[52]提出了一種融合強(qiáng)化學(xué)習(xí)算法和深度學(xué)習(xí)算法的無人車輛路徑搜索策略，算法基于障礙物信息和相關(guān)交規(guī)的獎(jiǎng)懲函數(shù)，并結(jié)合駕駛舒適性約束構(gòu)建行駛路徑.

3.2.3模糊邏輯方法

模糊邏輯方法結(jié)合專家經(jīng)驗(yàn)以及判斷能力，通過模糊思維和邏輯判斷進(jìn)行反映. 模糊邏輯評估不需要建立數(shù)學(xué)函數(shù)模型且魯棒性較強(qiáng)，因此廣泛應(yīng)用于滯后和非線性領(lǐng)域[53]. 其核心思想為： 在讀取傳感器信息并經(jīng)過模糊規(guī)則推斷后，模糊邏輯控制器輸出無人駕駛車輛執(zhí)行器所需信息.

張春洲[54]設(shè)計(jì)了無人泊車條件下的模糊邏輯控制器，將泊車過程中的車輛橫縱向位移和車身姿態(tài)角作為控制器的輸入，前輪轉(zhuǎn)角作為輸出. 張艷溶等[55]基于模糊邏輯控制組合分層控制，將車輛避障路徑分為避開障礙軌跡和趨于終點(diǎn)軌跡分別設(shè)計(jì)模糊控制器，提高了算法的運(yùn)行效率. 李洪硌[56]利用模糊邏輯規(guī)則對無人駕駛車輛行駛狀態(tài)進(jìn)行分類，并結(jié)合神經(jīng)網(wǎng)絡(luò)構(gòu)建車輛行駛規(guī)劃器，構(gòu)建行駛軌跡.

上述分析各規(guī)劃算法的性能特點(diǎn)如表3所示：

表3 路徑規(guī)劃算法及其特點(diǎn)Tab.3 Path planning algorithm and its characteristics

4 軌跡跟蹤技術(shù)研究進(jìn)展

自動(dòng)駕駛車輛軌跡跟蹤問題的實(shí)質(zhì)是控制目標(biāo)車輛沿著路徑規(guī)劃層的路徑行駛，同時(shí)在保持操縱穩(wěn)定性的前提下盡可能降低跟蹤偏差. 目前主流的跟蹤控制方法包括幾何運(yùn)動(dòng)控制方法、 經(jīng)典控制方法、 現(xiàn)代控制方法以及智能控制方法.

4.1 幾何運(yùn)動(dòng)控制

幾何運(yùn)動(dòng)控制器是根據(jù)車輛的幾何模型設(shè)計(jì)的，由于其簡單性和穩(wěn)定性，被廣泛應(yīng)用在實(shí)際控制過程中. 純追蹤(pure pursuit)是最常用的幾何運(yùn)動(dòng)控制器. 由于純追蹤在實(shí)際工程應(yīng)用中存在延時(shí)的問題，趙建輝等[57]對該算法進(jìn)行了改進(jìn)，進(jìn)而改善了控制器的性能. 純追蹤比較適用于簡單模型的幾何運(yùn)動(dòng)控制，易于實(shí)現(xiàn). 其容易受到預(yù)瞄距離等參數(shù)影響，而且沒有考慮車輛的動(dòng)力學(xué)特性，在復(fù)雜行駛工況下跟蹤效果不理想. 為了提高純追蹤算法的自適應(yīng)性，趙治國等[58]提出了一種基于粒子群優(yōu)化算法的預(yù)瞄距離自適應(yīng)方法.

4.2 經(jīng)典控制方法

4.2.1PID控制

經(jīng)典的PID控制器通常根據(jù)軌跡規(guī)劃層的參考軌跡和參考速度控制車輛的前輪轉(zhuǎn)角和速度. Han等[59]提出一種自適應(yīng)PID神經(jīng)網(wǎng)絡(luò)路徑跟蹤控制策略，通過遺忘因子最小二乘算法辨識模型參數(shù)，控制器參數(shù)通過神經(jīng)網(wǎng)絡(luò)算法去調(diào)控. Zennir等[60]在控制器設(shè)計(jì)中引入車輛橫擺角速度，顯著提高了控制性能. 控制器結(jié)構(gòu)簡單且易于在實(shí)際工程中得到應(yīng)用，這些都是PID控制方法的優(yōu)點(diǎn), 然而，PID控制器存在通用性差的問題. 當(dāng)工況發(fā)生較大變化時(shí)，控制參數(shù)不再是最優(yōu)的. 為此，Sarhadi等[61]提出了自適應(yīng)PID控制方法.

4.2.2滑?？刂?/p>

在滑模控制中，狀態(tài)反饋信號和控制信號被視為一種不連續(xù)函數(shù)，不受參數(shù)不確定性和外部干擾的影響，這種控制器在系統(tǒng)不確定和外界干擾下都具有快速響應(yīng)和良好的魯棒性. 然而，由于控制器提供了快速切換式的解決方案，控制信號的抖振是不可避免的，而且由于執(zhí)行器的延遲和缺陷，可能導(dǎo)致執(zhí)行器和設(shè)備的嚴(yán)重?fù)p壞以及由于這些抖動(dòng)而產(chǎn)生的不必要的干擾. 為了解決滑?？刂圃谲壽E跟蹤過程中出現(xiàn)的抖振問題，結(jié)合車輛的負(fù)載傳遞特性，Chen等[62]提出了一種自適應(yīng)滑?？刂品椒? 為提高分布式驅(qū)動(dòng)電動(dòng)智能汽車在自主循跡過程中關(guān)鍵參數(shù)的估計(jì)精度并降低模型不確定性對控制系統(tǒng)魯棒性的影響，任玥等[63]提出一種基于觀測器的自適應(yīng)滑模路徑跟蹤控制策略. 為了克服系統(tǒng)的非線性特性，Zhu與Guo等[64-65]提出一種基于滑模控制的主動(dòng)容錯(cuò)軌跡跟蹤控制方法，分析了干擾力矩、 時(shí)滯和噪聲對軌跡跟蹤控制的影響. 考慮車輛參數(shù)路面附著系數(shù)、 慣性參數(shù)、 縱向速度的不確定性，Taghavifar等[66]提出一種基于滑模模糊2型網(wǎng)絡(luò)的魯棒自適應(yīng)路徑跟蹤控制策略，設(shè)計(jì)了多滑模跟蹤控制器. 雖然基于模糊規(guī)則和徑向基神經(jīng)網(wǎng)絡(luò)的自適應(yīng)滑?？刂品椒芙鉀Q滑?？刂破鞯亩墩駟栴}, 然而，基于模糊規(guī)則的自適應(yīng)控制策略和基于神經(jīng)網(wǎng)絡(luò)的動(dòng)態(tài)信息補(bǔ)償策略增加了系統(tǒng)的復(fù)雜性. 同時(shí)，模糊規(guī)則的確定和神經(jīng)網(wǎng)絡(luò)的訓(xùn)練也給系統(tǒng)的物理實(shí)現(xiàn)帶來困難. 由于滑?？刂迫菀讓?dǎo)致受控系統(tǒng)產(chǎn)生抖振現(xiàn)象，從而限制了其在自動(dòng)駕駛控制上的應(yīng)用.

4.3 現(xiàn)代控制方法

4.3.1最優(yōu)控制

線性二次調(diào)節(jié)器(LQR)是一種典型的反饋控制方法，其控制器增益采用線性二次優(yōu)化方法確定. 此方法的核心思想為： 在每個(gè)控制周期內(nèi)，對系統(tǒng)誤差模型進(jìn)行線性化，并采用二次優(yōu)化目標(biāo)函數(shù)求解出最優(yōu)的控制量變化率，進(jìn)而實(shí)現(xiàn)最優(yōu)的軌跡跟蹤控制. 林棻等[67]提出一種橫向穩(wěn)定集成控制方法，考慮到車輛的位置和車輛動(dòng)力學(xué)狀態(tài)變化對控制器的影響，通過反饋控制產(chǎn)生期望的橫擺角速度，而且在軌跡跟蹤控制器中加入了橫擺力矩控制，提高了車輛的行駛穩(wěn)定性. 考慮到定位和規(guī)劃階段的噪聲，Lee等[68]提出一種基于模型的自適應(yīng)Q矩陣線性二次高斯控制方法，用于跟蹤控制器的設(shè)計(jì). 當(dāng)車輛在低速和簡單路況下行駛時(shí)，LQR可以達(dá)到較好的控制性能. 然而，當(dāng)車輛表現(xiàn)出復(fù)雜的非線性特性時(shí)，由于線性反饋和模型簡化，控制器的效果顯著降低. 因此，Xu等[69]基于LQR開發(fā)了一種自適應(yīng)控制器，將基于道路信息的前饋控制和基于車輛動(dòng)力學(xué)的反饋控制引入控制器設(shè)計(jì)中，以補(bǔ)償車輛動(dòng)力學(xué)建模的誤差和干擾. 然而，該類控制器需要在線優(yōu)化，對計(jì)算能力的要求很高，而且控制器的設(shè)計(jì)是基于線性假設(shè)的，從而限制了其應(yīng)用. 由于LQR沒有考慮車輛動(dòng)力學(xué)約束，難以保證車輛高速行駛時(shí)的穩(wěn)定性.

4.3.2模型預(yù)測控制

模型預(yù)測控制(model predictive control, MPC)可以在滿足多個(gè)約束條件下對動(dòng)態(tài)系統(tǒng)進(jìn)行控制，具有處理系統(tǒng)約束和預(yù)測未來的能力. 在預(yù)測范圍內(nèi)，基于車輛動(dòng)力學(xué)模型預(yù)測車輛狀態(tài)信息，使參考路徑與實(shí)際路徑之間的誤差最小化，已被廣泛應(yīng)用在自動(dòng)駕駛車輛的控制.

熊璐等[70]設(shè)計(jì)一種縱向和橫向耦合的控制器，提高了控制器在低附著路面的穩(wěn)定性. Sun等[71]通過比較三種MPC控制器在不同跟蹤誤差下的性能，提出一種可切換跟蹤誤差的自適應(yīng)控制器，該控制器以速度航向誤差為跟蹤偏差，并采用穩(wěn)態(tài)側(cè)滑代替實(shí)時(shí)側(cè)滑. 其仿真結(jié)果表明該方法可以在保證追蹤精度的同時(shí)，提高車輛的穩(wěn)定性. Wang等[72]提出 一種改進(jìn)型MPC控制器，采用模糊自適應(yīng)控制算法根據(jù)當(dāng)前車輛狀態(tài)實(shí)時(shí)改變MPC的權(quán)重參數(shù)，在保證追蹤精度的同時(shí)，也提高了車輛的轉(zhuǎn)向穩(wěn)定性. Yuan等[73]提出一種車速自適應(yīng)的MPC控制器，通過模糊控制和神經(jīng)網(wǎng)絡(luò)預(yù)測器獲得期望航向偏差，以減小控制器在不同車速下的過早轉(zhuǎn)向和轉(zhuǎn)向超調(diào)問題. 此外，軌跡跟蹤和狀態(tài)估計(jì)在運(yùn)動(dòng)規(guī)劃和自動(dòng)駕駛汽車控制中具有重要意義. Cui等[74]用卡爾曼濾波算法實(shí)現(xiàn)了非線性車輛系統(tǒng)的狀態(tài)估計(jì)，將車輛狀態(tài)估計(jì)器集成到軌跡跟蹤系統(tǒng)中，仿真結(jié)果表明，所設(shè)計(jì)的帶估計(jì)器MPC控制器在高速路徑跟蹤中具有良好的性能. 為了使MPC控制器能夠適應(yīng)不同速度和道路曲率的變化，石貞洪等[75]、Zhang等[76]和Geng等[77]在控制器中加入了參數(shù)自適應(yīng)控制策略，采用模糊規(guī)則和多種控制器的策略進(jìn)行組合控制，實(shí)現(xiàn)控制參數(shù)在不同條件下自適應(yīng)調(diào)節(jié). Zhang等[78]對MPC算法進(jìn)行改進(jìn)，基于Laguerre函數(shù)提出一種快速在線求解的MPC算法，進(jìn)一步提高了MPC控制器的計(jì)算效率. 為了提高車輛狀態(tài)預(yù)測精度，Saback和Berntorp等[79-80]提出基于非線性MPC的控制方法. 然而，非線性MPC方法計(jì)算量大，對控制器的計(jì)算能力提出了很大的挑戰(zhàn)，限制了非線性MPC在工程中的應(yīng)用. 陳龍等[81]針對大曲率轉(zhuǎn)彎工況下，智能汽車縱橫向動(dòng)力學(xué)特性的耦合及動(dòng)力學(xué)約束導(dǎo)致軌跡跟蹤精度和穩(wěn)定性下降的問題，提出一種基于非線性模型預(yù)測控制(NMPC)的縱橫向綜合軌跡跟蹤控制方法，通過NMPC和障礙函數(shù)法的有效結(jié)合，提高了跟蹤精度，改善了行駛穩(wěn)定性.

為了提高M(jìn)PC控制器對速度和參考軌跡曲率的自適性，白國星等[82]采用曲線擬合的方法對模型預(yù)測控制器的預(yù)測時(shí)域進(jìn)行自適應(yīng)的選取，提高了控制器的自適能力； 吳欣欣等[83], 鐘思祺等[84]分別提出一種結(jié)合路徑規(guī)劃的軌跡跟蹤控制器，在軌跡跟蹤的過程中進(jìn)行動(dòng)態(tài)避障. 王藝[85]針對智能汽車設(shè)計(jì)了一種自動(dòng)駕駛軌跡跟蹤控制器，提出一種參數(shù)自適應(yīng)控制策略，根據(jù)道路參數(shù)和車輛狀態(tài)信息的變化，自適應(yīng)地優(yōu)化參數(shù)設(shè)置. 通過仿真測試驗(yàn)證，優(yōu)化后的MPC控制器提高了對速度變化的自適應(yīng)能力.

4.4 智能控制

智能控制方法是一種以智能算法理論為基礎(chǔ)的控制算法，主要有機(jī)器學(xué)習(xí)等. 隨著機(jī)器學(xué)習(xí)算法的發(fā)展，強(qiáng)化學(xué)習(xí)算法和神經(jīng)網(wǎng)絡(luò)被越來越多地用于智能車輛和移動(dòng)機(jī)器人的控制，與其他控制算法相比強(qiáng)化學(xué)習(xí)算法是一種無模型的控制算法，其在不需要了解被控對象數(shù)學(xué)模型的基礎(chǔ)上，通過回報(bào)函數(shù)進(jìn)行離線訓(xùn)練就可以根據(jù)被控對象的實(shí)時(shí)狀態(tài)來完成控制目標(biāo). Shan等[86]將純追蹤和PID控制相結(jié)合，并采用強(qiáng)化學(xué)習(xí)算法權(quán)衡兩者的控制權(quán)重，用以控制智能車輛的前輪轉(zhuǎn)角，提高軌跡追蹤精度. Woo等[87]提出一種基于深度確定性策略梯度算法的控制器，用以對無人艇的路徑跟隨控制，結(jié)果表明該控制器在經(jīng)過反復(fù)訓(xùn)練后可具備路徑跟蹤能力. Zhang等[88]采用強(qiáng)化學(xué)習(xí)算法對深度神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到一種基于深度強(qiáng)化學(xué)習(xí)算法的追蹤控制器，與純追蹤方法相比該控制器能有效減少高速行駛時(shí)的轉(zhuǎn)向超調(diào)現(xiàn)象. 考慮到強(qiáng)化學(xué)習(xí)算法無模型的特點(diǎn)，結(jié)合神經(jīng)網(wǎng)絡(luò)離線訓(xùn)練，可直接用于對智能汽車的橫向控制，并且針對汽車的非線性特性具有很好的補(bǔ)償效果.

綜上所述各控制算法的特點(diǎn)如表4所示.

表4 各軌跡跟蹤控制算法及其特點(diǎn)Tab.4 Each trajectory tracking control algorithm and its characteristics

5 結(jié)語

2) 環(huán)境感知探索以多種傳感技術(shù)模擬駕駛員的眼睛和耳朵來探測外部環(huán)境的靜態(tài)和動(dòng)態(tài)信息，發(fā)展融合多種傳感器信息，包括視覺和空間感知方式的多傳感器融合技術(shù)和方法是未來環(huán)境感知的發(fā)展趨勢. 在環(huán)境感知技術(shù)方面當(dāng)前存在的主要難題是無法有效感知全氣候條件下的外部環(huán)境，包括夜間、 雨天、 霧天等天氣條件，其次傳感器海量采集數(shù)據(jù)帶來的處理過程復(fù)雜，而算法復(fù)雜度無法滿足行車動(dòng)態(tài)實(shí)時(shí)的響應(yīng)要求.

3) 在路徑規(guī)劃與軌跡跟蹤的算法研究方面，存在的主要難題在于車輛模型描述單一的局限性和算法泛化能力的局限性. 在車輛模型描述方面普遍采用的二自由度單車模型只適用于低速常規(guī)工況下對車輛運(yùn)動(dòng)過程的描述，缺乏對空氣阻力、 動(dòng)力傳動(dòng)系統(tǒng)、 線控制動(dòng)轉(zhuǎn)向系統(tǒng)和懸架系統(tǒng)等非線性影響因素的考慮，無法應(yīng)用于高速極限工況或者多變工況下車輛運(yùn)動(dòng)學(xué)建模與控制. 因此，在考慮車輛的極限工況下(包括車身底盤振動(dòng)、 輪胎滑轉(zhuǎn)以及汽車橫向慣性漂移等實(shí)際工況)車輛非線性系統(tǒng)建模是車輛建模的必然選擇.

另一方面，路徑規(guī)劃的每種算法各自適用于不同的領(lǐng)域，而單算法自身存在的缺點(diǎn)以及相應(yīng)的局限性，導(dǎo)致單算法結(jié)構(gòu)不具有泛化求解能力，需要面對不同的工況進(jìn)行改進(jìn). 因此，多種算法的彼此融合，如局部路徑規(guī)劃方法與全局路徑規(guī)劃方法的結(jié)合或者經(jīng)典方法和啟發(fā)式方法相結(jié)合是未來技術(shù)發(fā)展的重要方向.

同時(shí)，在軌跡跟蹤和控制執(zhí)行方法方面，算法泛化能力的局限性體現(xiàn)在各單種算法自身的優(yōu)缺點(diǎn)和所適用的場景，各算法精度、 可靠性、 響應(yīng)能力和效率無法滿足復(fù)雜行駛工況和車輛模型參數(shù)動(dòng)態(tài)變化的需求. 因此，研究包括機(jī)器學(xué)習(xí)在內(nèi)多種算法間的融合將是未來重要的發(fā)展方向.