采國順，劉昊吉，馮吉偉，徐利偉，殷國棟

（東南大學(xué) 機(jī)械工程學(xué)院，南京 211189，中國）

隨著現(xiàn)代社會的不斷進(jìn)步與發(fā)展，人們對于出行安全性、便捷性和經(jīng)濟(jì)性等方面的需要越來越高。融合了車輛智能化、網(wǎng)聯(lián)化和電動化等先進(jìn)技術(shù)的智能汽車，在車輛行駛安全性與經(jīng)濟(jì)性方面具有巨大的優(yōu)勢，在世界范圍內(nèi)得到了廣泛的關(guān)注[1]。

智能汽車?yán)密囕d傳感器進(jìn)行綜合感知，具有自主決策能力，能夠控制車輛安全，高效地行駛[2]，是實(shí)現(xiàn)未來交通的重要發(fā)展途徑。從功能上劃分，典型的智能駕駛主要包括感知、決策與規(guī)劃、控制3個模塊[3]，每個模塊又可細(xì)分為不同的小模塊，如圖1所示。通過各模塊之間的協(xié)調(diào)配合，實(shí)現(xiàn)特定條件下的智能駕駛，其中，綜合感知層將傳感器系統(tǒng)采集的數(shù)據(jù)進(jìn)行處理與融合，實(shí)現(xiàn)車輛對環(huán)境、位置、交通、目標(biāo)與障礙物、車輛狀態(tài)等信息的精確感知；決策規(guī)劃層根據(jù)綜合感知和車輛狀態(tài)信息，結(jié)合車輛與環(huán)境實(shí)際的空間和時間約束，輸出車輛下一階段駕駛行為與運(yùn)動軌跡，是連接綜合感知層與控制執(zhí)行層的關(guān)鍵模塊；控制執(zhí)行層是依據(jù)軌跡規(guī)劃模塊輸出的結(jié)果，對車輛期望動作進(jìn)行實(shí)現(xiàn)并獲取狀態(tài)反饋信息[4]。決策規(guī)劃層和控制執(zhí)行層均是以車輛模型為基礎(chǔ)展開研究，且其結(jié)果將直接決定車輛目標(biāo)動作與實(shí)現(xiàn)效果，因此對行駛安全性與經(jīng)濟(jì)性起到關(guān)鍵影響。本文針對與智能汽車自車狀態(tài)密切相關(guān)的運(yùn)動規(guī)劃與控制進(jìn)行綜述研究，梳理最新的研究進(jìn)展，并給出發(fā)展趨勢分析。

圖1 模塊化技術(shù)路線典型架構(gòu)

1 運(yùn)動規(guī)劃

智能汽車決策與規(guī)劃大致可分為路徑規(guī)劃、軌跡規(guī)劃和行為決策這3大功能模塊[5]，如圖2所示。路徑規(guī)劃模塊主要實(shí)現(xiàn)行程調(diào)度功能，其依據(jù)道路網(wǎng)絡(luò)信息提供從初始位置到目標(biāo)終點(diǎn)的總體長期規(guī)劃。軌跡規(guī)劃模塊遵從風(fēng)險(xiǎn)評估、嚴(yán)格安全約束和駕駛目標(biāo)優(yōu)化，根據(jù)實(shí)時交通環(huán)境制定動態(tài)可行的運(yùn)動軌跡。行為決策作為連接前兩者的橋梁，可以存儲當(dāng)前和歷史動態(tài)感知及車輛與外界的信息交互（vehicle to everything，V2X）數(shù)據(jù)，結(jié)合對自車周圍所有目標(biāo)物的狀態(tài)預(yù)測和相應(yīng)風(fēng)險(xiǎn)估計(jì)，決定車輛動作并傳達(dá)路徑和軌跡規(guī)劃與修正需求。由于本文關(guān)注點(diǎn)在于車輛運(yùn)動規(guī)劃，而行為決策與車輛本體動作間無直接聯(lián)系[6]，因此不屬于本文研究要點(diǎn)。本節(jié)主要對路徑規(guī)劃和軌跡規(guī)劃的研究現(xiàn)狀進(jìn)行綜述。

圖2 智能汽車決策與規(guī)劃典型架構(gòu)

1.1 路徑規(guī)劃

路徑規(guī)劃的基本思想是：基于多源感知信息，在保證前向安全的前提下，以一定的更新頻率搜索抵達(dá)目的地的可行路徑，并迭代選擇出一條從起始點(diǎn)到終止點(diǎn)的目標(biāo)最優(yōu)路徑[7]。路徑規(guī)劃在移動機(jī)器人領(lǐng)域得到廣泛研究，發(fā)展出了圖搜索、采樣、智能算法等主要方法，并被遷移到車輛路徑規(guī)劃研究中以實(shí)現(xiàn)復(fù)雜路網(wǎng)環(huán)境下車輛最優(yōu)行駛路徑的制定。根據(jù)規(guī)劃側(cè)重點(diǎn)的不同，路徑規(guī)劃又可分為傳統(tǒng)的路程最短路徑規(guī)劃和兼顧路程和能耗最優(yōu)的經(jīng)濟(jì)性路徑規(guī)劃 （Ecorouting）[8]，其中后者更關(guān)注車輛本體動力與能效特性。本節(jié)將首先介紹車輛路徑規(guī)劃的常用方法，之后介紹經(jīng)濟(jì)性路徑規(guī)劃的近期研究進(jìn)展。

1.1.1 圖搜索算法

圖搜索算法在已建模環(huán)境中通過連接節(jié)點(diǎn)生成可行路徑。Dijkstra算法[9]是最為典型的一種單源搜索算法，通過將路網(wǎng)抽象為含有節(jié)點(diǎn)和帶權(quán)邊的網(wǎng)格圖，并對從起始點(diǎn)到終點(diǎn)間不同可行路徑的邊權(quán)值進(jìn)行累加和比對，可以尋找到總邊權(quán)值最小的最短路徑[10]。由于該算法對所有方向進(jìn)行統(tǒng)一探索，因此可以尋找到全局最優(yōu)路徑，但其近乎遍歷的搜索方式使得計(jì)算效率低下。

A*算法是一種啟發(fā)式圖搜索算法，其通過引入啟發(fā)式代價函數(shù)，使得節(jié)點(diǎn)拓展更具有目的性，從而盡可能減少被搜索節(jié)點(diǎn)，實(shí)現(xiàn)相比于Dijkstra算法更為高效的運(yùn)算求解過程[11]。啟發(fā)式代價函數(shù)可以根據(jù)安全性和駕駛目標(biāo)的差異構(gòu)造成不同形式，如考慮車輛到車道邊界的距離以及累計(jì)行駛距離[12]、考慮到目標(biāo)點(diǎn)距離和危險(xiǎn)運(yùn)動懲罰值[13]等。D*算法是A*算法面向動態(tài)場景應(yīng)用的改良算法，其遵循從終點(diǎn)向起始點(diǎn)反向搜索的方式，并引入后向指針記錄拓展節(jié)點(diǎn)的母節(jié)點(diǎn)信息，當(dāng)障礙物動態(tài)變化導(dǎo)致已規(guī)劃路徑不可行時，已經(jīng)記錄的后向信息可以被再次調(diào)用以避免重復(fù)計(jì)算，從而大大緩解求解負(fù)擔(dān)[14]?？傮w而言，A*和D*算法可以有效減少圖搜索算法的樹分支和搜索量，在提供較好完備性的同時兼具求解效率提升。但該算法要求預(yù)先獲取環(huán)境完整信息進(jìn)行建模，且在高維復(fù)雜空間下仍會面對搜索維度災(zāi)難。

1.1.2 采樣算法

基于采樣的算法試圖解決高維時序約束空間的路徑規(guī)劃問題，其以概率完備性取代搜索完備性，通過隨機(jī)采樣的方式探尋空間點(diǎn)之間的連通性[15]。最常用的基于采樣的算法是概率路線圖方法（probabilistic roadmap，PRM）[16]和快速探索隨機(jī)樹（rapidly-exploring random tree，RRT）[17]，前者主要是以隨機(jī)散布采樣點(diǎn)的方式生成可供路徑搜索的環(huán)境，而后者則是一種兼具隨機(jī)節(jié)點(diǎn)生成和路徑搜索的算法?？焖匐S機(jī)擴(kuò)展樹算法（rapidly-exploring random trees, RRT）可以對于未知環(huán)境區(qū)域執(zhí)行隨機(jī)搜索，允許在半結(jié)構(gòu)化空間中進(jìn)行快速規(guī)劃，此外還具有考慮如車輛的最大轉(zhuǎn)彎半徑和動量等非完整約束的能力[18]。RRT算法已被拓展為Goal-bias RRT[19]、RRT-Connect[20]等雙源搜索形式，并被證明是概率完備的，失效概率呈指數(shù)衰減。然而，RRT算法收斂到最優(yōu)解的概率實(shí)際上為零[21]，因此又衍生出了RRT*算法。RRT*算法通過鄰域節(jié)點(diǎn)重連步驟優(yōu)化路徑選擇，是一種具有漸近最優(yōu)性和概率完整性的采樣式算法。Dijkstra、A*和RRT算法示意見圖3。

圖3 典型路徑規(guī)劃算法示意圖[4]

1.1.3 智能算法

智能算法受自然現(xiàn)象啟發(fā)得來，該類方法嘗試模仿自然界中解決具有不精確性、不確定性和部分真實(shí)性復(fù)雜問題的思路，從而以較低的成本實(shí)現(xiàn)實(shí)用且穩(wěn)健的解決方案[22]。人工神經(jīng)網(wǎng)絡(luò)（artificial neural network, ANN）是一種典型智能算法，其試圖模仿人腦網(wǎng)絡(luò)處理、記憶信息的方式，提供智能路徑規(guī)劃，可以在不了解系統(tǒng)及其環(huán)境的情況下，解決輸入和輸出呈非線性映射關(guān)系的問題[23]。模糊邏輯算法基于人腦的不確定性概念判斷和推理思維給出了一種規(guī)則化的規(guī)劃思想，運(yùn)用隸屬度的概念處理現(xiàn)象與動作之間的模糊對應(yīng)關(guān)系，適用于環(huán)境模型信息不完整、不確定，或系統(tǒng)強(qiáng)非線性、大滯后的情況[24]。此外，遺傳算法（genetic algorithm，GA）[25]、粒子群算法（particle swarm optimization，PSO）[26]、蟻群算法（ant colony optimization，ACO）[27]等智能算法也被應(yīng)用到了物流運(yùn)輸和泊車路徑規(guī)劃研究中。

1.1.4 其他方法

人工勢場法常用于精確道路模型已知情況下的避撞路徑規(guī)劃，該方法通過分別賦予起始點(diǎn)和目標(biāo)點(diǎn)以高低勢能，形成施加在自車奔赴目標(biāo)點(diǎn)的引力，并給道路障礙物施加斥力，運(yùn)用梯度下降法可以尋得安全可行路徑[28]。為了避免引力與斥力相平衡導(dǎo)致陷入局部最優(yōu)解的窘境，可以通過添加隨機(jī)啟發(fā)式函數(shù)的方式逃逸局部最小值[29]。但人工勢場法由于不考慮車輛動力學(xué)，仍可能造成所規(guī)劃路徑不可行。插值曲線法既可以利用特定函數(shù)表達(dá)式獨(dú)立生成路徑[30]，也可以用作給定路徑點(diǎn)集的平滑解決方案[31]，即可以在已知給定的描述全局路線點(diǎn)集的范圍內(nèi)，構(gòu)建和插入新數(shù)據(jù)集以擴(kuò)充路徑點(diǎn)集，從而形成更平滑的路徑，實(shí)現(xiàn)包含車輛約束和動態(tài)目標(biāo)的連續(xù)性路徑規(guī)劃。此外，綜合前文所述路徑規(guī)劃方法的混合路徑規(guī)劃研究也被廣泛開展[32-33]，以達(dá)到取長補(bǔ)短的路徑規(guī)劃效果。

1.1.5 經(jīng)濟(jì)性路徑規(guī)劃

車輛學(xué)術(shù)界和工業(yè)界使用路徑規(guī)劃方法在尋找路程最短車輛行駛路徑方面進(jìn)行了諸多理論研究與落地應(yīng)用。然而，隨著社會對節(jié)能與環(huán)保的重視，研究熱點(diǎn)逐漸由傳統(tǒng)的路程最短路徑規(guī)劃轉(zhuǎn)向更關(guān)注車輛本體動力和能效特性、兼具路程和能耗最優(yōu)的經(jīng)濟(jì)性路徑規(guī)劃（Eco-routing）。經(jīng)濟(jì)性路徑規(guī)劃根據(jù)真實(shí)交通數(shù)據(jù)提取道路結(jié)構(gòu)、擁堵情況和平均車速等特征信息，建立多源信息融合的路網(wǎng)-能耗耦合模型，并基于能耗最小目標(biāo)搜尋全局最優(yōu)路徑[34]。利用考慮油耗權(quán)重的Dijkstra算法可以求解得到傳統(tǒng)內(nèi)燃機(jī)汽車的油耗最小路徑[35-36]，類似地，若以二氧化碳最小化為目標(biāo)，考慮動態(tài)時變的交通擁堵狀況和時間窗口的影響，則可以滾動優(yōu)化得到排放最少的行駛路徑[37]。以上文獻(xiàn)均關(guān)注于傳統(tǒng)內(nèi)燃機(jī)汽車的經(jīng)濟(jì)性路由問題，但是對于電動汽車而言，由于其具有制動能量回收的功能，其經(jīng)濟(jì)性路由問題與傳統(tǒng)內(nèi)燃機(jī)汽車相比，路由邊權(quán)會出現(xiàn)負(fù)值，從而使得傳統(tǒng)經(jīng)濟(jì)性路由的求解方法失效。為解決帶有負(fù)邊權(quán)的電動汽車經(jīng)濟(jì)性路由問題，需要重構(gòu)帶權(quán)有向圖的節(jié)點(diǎn)與邊使得傳統(tǒng)路徑規(guī)劃方法可行[38]，或者直接使用改進(jìn)算法對原始的帶權(quán)有向圖進(jìn)行求解[39]。在此基礎(chǔ)上，考慮到電動汽車?yán)m(xù)航能力有限，還可以車輛充電策略融入路徑規(guī)劃中，解決在固定時間窗約束下的電動汽車能耗最優(yōu)路徑規(guī)劃問題[40]。

1.2 軌跡規(guī)劃

軌跡規(guī)劃層是在已知全局路徑的基礎(chǔ)上，結(jié)合實(shí)時車輛狀態(tài)和動態(tài)道路交通環(huán)境信息，根據(jù)局部實(shí)際場景規(guī)劃出一條包含空間位置-車速映射關(guān)系的時間序列點(diǎn)集或關(guān)系式[41]。根據(jù)研究對象劃分，軌跡規(guī)劃可分為單車自主軌跡規(guī)劃和多車協(xié)同軌跡規(guī)劃，前者常用方法包括模型預(yù)測控制、智能學(xué)習(xí)等，而后者主要包含最優(yōu)控制、博弈理論、多智能體強(qiáng)化學(xué)習(xí)等方法[42]。本節(jié)將首先介紹單車自主軌跡規(guī)劃，之后介紹多車協(xié)同軌跡規(guī)劃。

1.2.1 單車自主軌跡規(guī)劃

在動態(tài)交通環(huán)境中，車輛依據(jù)周圍環(huán)境信息和自車駕駛需求，在滿足車輛動力學(xué)限制和安全邊界約束條件下自主規(guī)劃行駛軌跡，可以實(shí)現(xiàn)單車安全、節(jié)能與高效駕駛。根據(jù)應(yīng)用場景和駕駛需求差異，可以大致劃分為以安全為首要考慮因素的軌跡規(guī)劃，典型應(yīng)用為變道超車和自主泊車，以及以能耗優(yōu)化為主要目標(biāo)的經(jīng)濟(jì)性軌跡規(guī)劃，典型應(yīng)用為經(jīng)濟(jì)性巡航駕駛和經(jīng)濟(jì)性信號燈控路口通行。

1） 安全導(dǎo)向的軌跡規(guī)劃。對于以安全為首要考慮因素的軌跡規(guī)劃，部分傳統(tǒng)路徑規(guī)劃方法可通過增加時空耦合目標(biāo)權(quán)重以及安全約束的方式進(jìn)行重構(gòu)并加以利用。如以分層軌跡規(guī)劃的策略規(guī)避周圍車輛，上層以采樣規(guī)劃的方式來確定安全可行操作，下層使用序列二次規(guī)劃數(shù)值優(yōu)化方法來優(yōu)化局部軌跡[43]，如圖4所示。但該類方法仍會面對復(fù)雜交通環(huán)境和駕駛需求帶來的高維求解難題。模型預(yù)測控制（model predictive control，MPC）能夠?qū)④囕v動力學(xué)和安全約束制定為有限范圍約束，并可在考慮多優(yōu)化目標(biāo)的同時實(shí)現(xiàn)問題的有效求解，是用于解決車輛安全軌跡規(guī)劃的主要方法[44]。為了應(yīng)對不確定性模型攝動和環(huán)境擾動帶來的影響，可以運(yùn)用魯棒MPC的方法解決。例如在自主變道超車問題中，利用面向結(jié)構(gòu)化高速行駛環(huán)境的場景感知和軌跡規(guī)劃框架，構(gòu)建勢場函數(shù)和安全可達(dá)區(qū)間，確定車輛的安全通行域，可以遞歸生成車輛橫縱耦合抗干擾可行軌跡[45]。進(jìn)一步地，運(yùn)用MPC滾動優(yōu)化思想，結(jié)合控制勢壘函數(shù)（control barrier function，CBF）和控制Lyapunov函數(shù)（control lyapunov function，CLF）的軌跡規(guī)劃策略也被提出[46]，該策略可以在滿足復(fù)雜駕駛規(guī)則約束的同時，實(shí)現(xiàn)最優(yōu)軌跡實(shí)時規(guī)劃。同樣是具有多約束非線性優(yōu)化屬性的泊車軌跡規(guī)劃問題，可以采用基于內(nèi)點(diǎn)法的動態(tài)優(yōu)化策略解決[47]。此外，人工智能和機(jī)器學(xué)習(xí)方法也被用于軌跡規(guī)劃研究中[48]。

圖4 變道避障軌跡規(guī)劃[42]

2） 經(jīng)濟(jì)性巡航駕駛。經(jīng)濟(jì)性巡航駕駛是實(shí)現(xiàn)車輛高效運(yùn)行的一種節(jié)能縱向速度軌跡規(guī)劃策略，被視為實(shí)現(xiàn)車輛節(jié)能減排的有效措施[49]。研究表明，前車勻速行駛時，加速-滑行（pulse-and-glide，PnG）操作在提高汽車節(jié)油效果上具有巨大潛力[50]。考慮地形因素和交通信息對車輛行駛的影響，以智能網(wǎng)聯(lián)汽車技術(shù)和智能交通系統(tǒng)為應(yīng)用背景，通過使用動態(tài)規(guī)劃方法設(shè)計(jì)面向變坡度高速公路場景下的巡航策略，可以同時提高電動汽車的節(jié)能效果和電池壽命[51]。進(jìn)一步地，采用滾動優(yōu)化與迭代動態(tài)規(guī)劃相結(jié)合的方法，可解決基于道路限速分段的電動汽車巡航軌跡優(yōu)化問題[52]。該方法同樣適用于存在彎道的巡航場景，研究表明在彎道上行駛時的最優(yōu)行駛策略是車輛在入彎前減速、轉(zhuǎn)彎時保持最優(yōu)恒速，并在出彎時加速[53]。此外，為了在有其他車輛干擾的場景下實(shí)現(xiàn)經(jīng)濟(jì)性巡航效果，基于模型預(yù)測控制架構(gòu)預(yù)測前車速度并做出相應(yīng)規(guī)劃，能夠更好地提升車輛經(jīng)濟(jì)性駕駛性能[54]。

3） 經(jīng)濟(jì)性信號燈控路口通行。車輛在城市交通中可能會被交通信號燈中斷正常行駛，這給經(jīng)濟(jì)性駕駛帶來極大挑戰(zhàn)。在智能網(wǎng)聯(lián)環(huán)境下，車輛可依靠V2X技術(shù)獲取或預(yù)測周圍交通狀況，利用獲取到的交通信號相位和時序（signal phase timing message，SPaT）信息，依據(jù)經(jīng)濟(jì)性通行目標(biāo)規(guī)劃短期節(jié)能軌跡[55]。在此基礎(chǔ)上，使用 SPaT信息開發(fā)的綠波通行系統(tǒng)（green light optimal speed advisory，GLOSA）可以最大限度地減少交叉路口的平均油耗和停車延遲[56]?？紤]到交通信號的不確定性，可引入信號相位預(yù)測模型來確定綠色信號的概率，進(jìn)而推導(dǎo)出最佳速度軌跡[57]。對于多個信號交叉口場景下的節(jié)能車輛軌跡規(guī)劃，可以用準(zhǔn)最優(yōu)規(guī)則來得到實(shí)時應(yīng)用的數(shù)值解[58]。上述研究通常假設(shè)車輛在自由流動的環(huán)境中行駛，然而，車輛的運(yùn)行不僅取決于交通信號，還取決于進(jìn)入交叉路口的前車[59]。針對此問題，往往需要考慮前車影響，通過車載傳感器檢測前方車輛的運(yùn)動信息，結(jié)合前車安全約束，制定節(jié)能規(guī)劃與控制策略優(yōu)化能效目標(biāo)[60-61]。此外，還可以利用V2X技術(shù)獲取交叉路口車輛排隊(duì)信息，將前方車輛隊(duì)列長度作為自車軌跡規(guī)劃的參考[62]，以考慮前向交通流的分層軌跡規(guī)劃策略提升車輛在信號燈路口的節(jié)能水平[63]，如圖5所示。

圖5 經(jīng)濟(jì)性信號燈控路口通行場景[62]

1.2.2 多車協(xié)同軌跡規(guī)劃

得益于智能網(wǎng)聯(lián)汽車技術(shù)和智能交通系統(tǒng)的發(fā)展，基于車輛間信息共享和同步規(guī)劃的多車協(xié)同軌跡規(guī)劃技術(shù)得以被研究并應(yīng)用。相比于單車自主軌跡規(guī)劃，多車協(xié)同軌跡規(guī)劃通過群體協(xié)同的方式，可以“由點(diǎn)到面”地改善交通出行狀況[64]。由于多車協(xié)同軌跡規(guī)劃與駕駛場景及需求間存在強(qiáng)耦合關(guān)聯(lián)，需要針對具體情況做出策略上的適應(yīng)性調(diào)整，因此本節(jié)將從匝道合流區(qū)通行、交叉路口通行等典型應(yīng)用場景介紹多車協(xié)同軌跡規(guī)劃。

1） 匝道合流區(qū)協(xié)同軌跡規(guī)劃。匝道區(qū)域被視為典型的交通瓶頸區(qū)[65]，在該區(qū)域內(nèi)，匝道與相鄰主道間的車輛通過判斷彼此運(yùn)動狀態(tài)調(diào)整自車軌跡，以產(chǎn)生適合于匝道車輛合流的車間距離和相對車速。由于駕駛員的預(yù)測存在誤差及駕駛風(fēng)格迥異，在這一交通瓶頸區(qū)往往會產(chǎn)生交通擁堵現(xiàn)象，造成額外的能源浪費(fèi)，甚至?xí)?dǎo)致交通事故的發(fā)生，因此，匝道合流軌跡規(guī)劃顯得尤為重要[66]。匝道合流區(qū)多車協(xié)同軌跡規(guī)劃被視為一種改善匝道行駛環(huán)境的有效手段，大體可被分為集中式協(xié)同規(guī)劃策略和分布式協(xié)同規(guī)劃策略[67]，如圖6所示。

圖6 匝道合流軌跡規(guī)劃場景

在集中式策略中，合流區(qū)內(nèi)的中央規(guī)劃器以最小化全局代價為目標(biāo)，規(guī)劃每輛車的最優(yōu)行駛軌跡。該問題往往被構(gòu)建成一個具有起始點(diǎn)和終端合流點(diǎn)，并在限定匝道合流區(qū)域內(nèi)控制狀態(tài)變化的最優(yōu)控制問題。最典型的做法是將集中式合流軌跡規(guī)劃問題轉(zhuǎn)化為無約束最優(yōu)控制問題[68]，并利用極小值原理（Pontryagin’s minimum principle，PMP）給出閉式解析解。在此基礎(chǔ)上，可以協(xié)同實(shí)現(xiàn)合流次序優(yōu)化和軌跡規(guī)劃，如基于規(guī)則的策略[69]，包含通行狀態(tài)的改進(jìn)動態(tài)規(guī)劃策略[70]，或者是求解全局Pareto最優(yōu)解的合作博弈策略[71]。雖然集中式策略可以獲得全局最優(yōu)解，但它可能會給系統(tǒng)帶來很大的計(jì)算負(fù)擔(dān)，尤其不利于大交通流量的場景。而與之相反地，分布式架構(gòu)則具有更佳的靈活性、可拓展性和容錯性。在分布式策略中，每輛車通過使用共享的交通信息，用車載軌跡規(guī)劃器來規(guī)劃自車軌跡。在該架構(gòu)中，無約束最優(yōu)控制方法依然可以得到有效的軌跡規(guī)劃結(jié)果[72]，車輛間動態(tài)博弈的思想也被運(yùn)用到問題求解中，并可采用零抑制二元決策圖以高效規(guī)劃最優(yōu)合流軌跡[73]?？紤]到狀態(tài)和控制量混合約束，可以設(shè)計(jì)考慮多種嚴(yán)格約束的分布式匝道合流最優(yōu)控制框架，并使用PMP內(nèi)點(diǎn)法求解最優(yōu)軌跡[74]。此外，綜合集中式和分布式優(yōu)勢，可以采用一種組隊(duì)形式的多車合流區(qū)通行策略，將多車通行問題歸結(jié)為每個車隊(duì)頭車間的次序優(yōu)化和軌跡規(guī)劃問題，在提升運(yùn)算效率的同時實(shí)現(xiàn)次序和軌跡同步優(yōu)化[75]。

2） 城市交叉路口交匯區(qū)協(xié)同軌跡規(guī)劃。交叉路口交匯區(qū)域具有4個正交行駛方向，存在直行和左右轉(zhuǎn)向選擇，研究該區(qū)域內(nèi)車輛協(xié)同通行問題相比于匝道區(qū)域而言更具有挑戰(zhàn)性。部分學(xué)者將該區(qū)域通行效率歸結(jié)為路權(quán)分配的問題，以通過交匯區(qū)的次序來確定最優(yōu)軌跡?；谖恢妙A(yù)留的方案（reservation-based scheme）是一種典型的快速規(guī)劃方案[76]。該方案將道路進(jìn)行網(wǎng)格劃分，單個網(wǎng)格在每個時間點(diǎn)只能被1輛車占用。車輛以發(fā)送占用請求的方法得到時空軌跡點(diǎn)，同時交通系統(tǒng)也會預(yù)留已被提前占用或正在被占用的點(diǎn)，并發(fā)送該信息給其他車輛以避免重復(fù)問詢。當(dāng)先進(jìn)入控制區(qū)的車輛有網(wǎng)格占領(lǐng)優(yōu)先權(quán)時，便形成了先進(jìn)先出（first-in-first-out，F(xiàn)IFO）策略。上述基于規(guī)則式的方法雖然能夠快速求解，但可能會偏離最優(yōu)解[77]?；旌险麛?shù)線性規(guī)劃是一種可以求解全局最優(yōu)通行次序的優(yōu)化方法[78]，其引入二元變量代表通行優(yōu)先權(quán)，可以在保證全局最優(yōu)的同時提升求解效率，但該方法仍會在車輛數(shù)量增多時遭遇組合爆炸的計(jì)算瓶頸，無法被實(shí)時應(yīng)用。Monte Carlo樹方法使用有限的規(guī)劃時間來探索可能成為最佳解決方案的節(jié)點(diǎn)，在優(yōu)化性能和計(jì)算靈活性之間保持良好的平衡[79]，但該方法往往只能得到近似最優(yōu)解。為了在保證求解效率的同時求得全局最優(yōu)解，一種考慮通行沖突關(guān)系的動態(tài)規(guī)劃方法被提出，該方法的核心思想是將大規(guī)模全局優(yōu)化問題轉(zhuǎn)化為小規(guī)模多階段優(yōu)化問題，實(shí)現(xiàn)了計(jì)算復(fù)雜度從指數(shù)級到多項(xiàng)式級別的銳減[80]。除了以通行次序決定行駛軌跡的思路，部分研究則更關(guān)注軌跡規(guī)劃本身。基于最優(yōu)控制極小值原理，建立優(yōu)化交通流量、車輛能耗或乘坐舒適性目標(biāo)的路口通行問題，每輛車根據(jù)特定通行次序計(jì)算其到達(dá)交匯區(qū)域的時間，并遵循速度和動力學(xué)約束獲得到達(dá)交匯區(qū)的行駛軌跡[81]。進(jìn)一步考慮包含轉(zhuǎn)彎的多信號燈路口通行問題，仍然可用極小值原理得到閉式解[82]，如圖7所示。此外，清華大學(xué)團(tuán)隊(duì)運(yùn)用強(qiáng)化學(xué)習(xí)方法圍繞多車道交叉路口場景下的軌跡規(guī)劃問題展開相關(guān)研究[83-84]。還有部分文獻(xiàn)將次序優(yōu)化和軌跡規(guī)劃以分層結(jié)構(gòu)同步實(shí)現(xiàn)，如上層以緩解交通密度作為目標(biāo)，下層則在最小化期望車速偏差的同時規(guī)劃軌跡保證行駛安全[85]。

圖7 多交叉路口通行軌跡規(guī)劃場景[82]

3） 其他多車協(xié)同軌跡規(guī)劃研究。在多車協(xié)同泊車場景中，需要在時刻保證車車避撞和障礙物規(guī)避的嚴(yán)格安全約束基礎(chǔ)上，實(shí)現(xiàn)最優(yōu)軌跡的協(xié)同規(guī)劃，如圖8所示。該最優(yōu)軌跡規(guī)劃問題可被構(gòu)建成分布式的最優(yōu)控制問題，每輛車?yán)肎auss偽譜法和序列二次規(guī)劃法等優(yōu)化方法求解各自的軌跡[86]。同樣也可以采用集中式多車協(xié)同平行泊車規(guī)劃架構(gòu)實(shí)現(xiàn)全局優(yōu)化，以漸進(jìn)約束動態(tài)優(yōu)化方法保證軌跡安全可行[87]。

圖8 多車協(xié)同泊車軌跡規(guī)劃[87]

除了以上特殊交通場景的協(xié)同軌跡規(guī)劃外，還有文獻(xiàn)針對一般的、非危險(xiǎn)的道路場景展開協(xié)同運(yùn)動規(guī)劃研究，通過不同的目標(biāo)函數(shù)設(shè)定，可以在乘客舒適度、節(jié)能效率和交通流量等性能表現(xiàn)上做出改善。如在高速路行駛場景中，利用基于優(yōu)先級的策略來協(xié)調(diào)多個車輛，將多車軌跡問題分解為一系列連續(xù)的單車軌跡規(guī)劃子問題[88]，但該方法僅可得到局部最優(yōu)解。而采用全局規(guī)劃方法，如混合整數(shù)二次規(guī)劃方法，則可以產(chǎn)生高速協(xié)同規(guī)劃全局最優(yōu)解[89]?？紤]到行駛穩(wěn)定性，可以構(gòu)建一種考慮隊(duì)列穩(wěn)定性的多車協(xié)同魯棒軌跡規(guī)劃方法，在優(yōu)化軌跡的同時保證良好的魯棒抗干擾性[90]。

2 運(yùn)動控制

運(yùn)動控制是智能汽車研究領(lǐng)域的核心問題之一，是將意圖轉(zhuǎn)化為行為的過程?？刂破鲄⒄談討B(tài)規(guī)劃的軌跡，結(jié)合實(shí)時獲取的車輛當(dāng)前狀態(tài)參數(shù)，包括橫縱向車速、加速度、橫擺角速度、質(zhì)心側(cè)偏角等動力學(xué)控制關(guān)鍵參數(shù)，以兼顧安全性、經(jīng)濟(jì)性、舒適性等多指標(biāo)綜合最優(yōu)為宗旨，按照既定的邏輯做出控制決策，并發(fā)送控制指令到驅(qū)動、制動和轉(zhuǎn)向等系統(tǒng)的執(zhí)行機(jī)構(gòu)，實(shí)現(xiàn)對車輛位置、速度、姿態(tài)的精確控制。智能汽車的運(yùn)動控制主要包含縱向控制和橫向控制?？v向控制是通過對油門和剎車系統(tǒng)的控制，實(shí)現(xiàn)速度跟蹤，主要包含自適應(yīng)巡航、主動避撞等；橫向控制是通過對轉(zhuǎn)向系統(tǒng)和橫擺力矩的控制，實(shí)現(xiàn)路徑跟蹤，主要包含車道保持、變道、轉(zhuǎn)彎等。智能汽車運(yùn)動控制典型架構(gòu)如圖9所示。

圖9 智能汽車運(yùn)動控制典型架構(gòu)

智能汽車是典型的多輸入-多輸出系統(tǒng)，其內(nèi)部存在復(fù)雜冗余執(zhí)行特征和機(jī)-電-磁-網(wǎng)多域耦合非線性特性，以及明顯的時滯現(xiàn)象，加之感知系統(tǒng)的準(zhǔn)確度和精度仍有待提升[91]，為智能汽車在復(fù)雜多變的實(shí)際環(huán)境中實(shí)現(xiàn)精準(zhǔn)運(yùn)動控制帶來了巨大的挑戰(zhàn)。如何構(gòu)建適用于智能汽車的控制系統(tǒng)框架和方法，以處理高度非線性問題、時滯問題以及感知受限問題，一直是智能汽車控制領(lǐng)域的難點(diǎn)和熱點(diǎn)。

2.1 智能汽車縱向運(yùn)動控制

智能汽車縱向運(yùn)動控制是指通過對驅(qū)動和制動系統(tǒng)的控制，實(shí)現(xiàn)車輛自主速度跟蹤，同時避免車輛縱向碰撞。傳統(tǒng)汽車對于底盤安全性方面的研究已較為成熟，主要可通過制動防抱死系統(tǒng)和驅(qū)動防滑系統(tǒng)分別將縱向滑移率和滑轉(zhuǎn)率控制在穩(wěn)定區(qū)間[92]。當(dāng)前智能汽車縱向控制的主要研究熱點(diǎn)是在保證安全性前提下，實(shí)現(xiàn)對縱向速度的自適應(yīng)調(diào)節(jié)?；诖耍芯咳藛T開發(fā)了自適應(yīng)巡航控制（adaptive cruise control，ACC）及智能巡航控制（intelligent cruise control，ICC），并將其運(yùn)用于不同等級的智能駕駛研究[93]。

自適應(yīng)巡航控制 （ACC） 是對定速巡航的功能升級，系統(tǒng)通過控制驅(qū)動和制動系統(tǒng)，實(shí)現(xiàn)與前方車輛保持一定的空間間距。間距策略設(shè)計(jì)是ACC系統(tǒng)的核心，主要分為恒定空間策略和動態(tài)空間策略[94]。恒定空間策略即保持與前車恒定的空間間距[95]，而動態(tài)空間策略是根據(jù)車速變化，動態(tài)調(diào)整縱向車輛間距。根據(jù)底層運(yùn)行機(jī)制的不同，動態(tài)空間策略又可分為時間間距策略[96]、交通流穩(wěn)定性間距策略[97]、恒定安全系數(shù)間距策略[98]和人類駕駛行為間距策略[99]， 其中，時間間距策略如圖10所示。

圖10 ACC時間間距策略示意圖[100]

隨著車載通訊能力的提升，為了進(jìn)一步提升駕駛安全、道路容量和經(jīng)濟(jì)性，協(xié)同自適應(yīng)巡航控制（cooperative adaptive cruise control，CACC）越來越受到關(guān)注。CACC是指具有通信能力的智能汽車之間通過信息交互實(shí)現(xiàn)單一車輛或隊(duì)列的自適應(yīng)巡航行駛[101]，其中同質(zhì)隊(duì)列車輛通訊方式如圖11所示。常用的通信協(xié)議有專用短程通信技術(shù)（dedicated short range communication，DSRC）、長 期 演 進(jìn) 技 術(shù)（long term evolution，LTE）和第5代移動通信技術(shù)（5th generation mobile communication technology，5G） 等[102]。當(dāng) 前CACC處于起步階段，仍有許多問題亟待進(jìn)一步解決和完善，如通訊時延[103-104]、通訊故障[105]、數(shù)據(jù)注入[106]、網(wǎng)絡(luò)攻擊[107]、功能降級[108]等。

圖11 同質(zhì)隊(duì)列信息拓?fù)浞绞絒104]

雖然ACC與CACC在實(shí)現(xiàn)車輛自適應(yīng)速度調(diào)節(jié)的同時，會設(shè)置安全保障機(jī)制，但考慮到行駛安全是智能汽車最首要的任務(wù)，因而有必要設(shè)置冗余系統(tǒng)，進(jìn)一步保障行駛安全性，因此，考慮面向行駛安全的主動避撞系統(tǒng)（collision avoidance，CA）得到迅速發(fā)展?？v向主動避撞系統(tǒng)通過傳感器實(shí)時檢測與前車距離，并在達(dá)到觸發(fā)條件后通過主動制動防止碰撞發(fā)生[109]。CA是以防止碰撞為唯一任務(wù)，因而控制系統(tǒng)簡單、穩(wěn)定，但優(yōu)先級最高[110]。此外，為提升綜合行駛性能，有學(xué)者提出融合ACC/CACC與CA 的縱向控制方法[111]。

雖然對于巡航控制，主動避撞等控制策略的研究已取得一定進(jìn)展，但如何將這些策略與車輛底層執(zhí)行系統(tǒng)進(jìn)行融合，仍有待進(jìn)一步研究?？傮w來看，根據(jù)融合控制架構(gòu)的區(qū)別，可將智能汽車縱向控制分為直接式和分層式控制[112]。直接式控制架構(gòu)是基于縱向速度自適應(yīng)調(diào)節(jié)策略，綜合考慮縱向滑移率和滑轉(zhuǎn)率、能耗最優(yōu)目標(biāo)，以及乘客舒適性等要求，直接輸出控制執(zhí)行器動作的指令，如驅(qū)動/制動力矩分配等。直接式控制研究方法主要有多目標(biāo)綜合優(yōu)化方法[113-114]、 神經(jīng)網(wǎng)絡(luò)方法[115-116]等。直接式控制的優(yōu)勢在于可方便地進(jìn)行多目標(biāo)綜合分析，得出最優(yōu)化的控制輸出，但缺點(diǎn)在于計(jì)算量較大，實(shí)時性難以保證?？紤]到智能汽車縱向控制涉及多種不確定因素的影響[117]，如輪胎縱向滑移率和滑轉(zhuǎn)率，動態(tài)目標(biāo)和障礙物的實(shí)時變化，以及車輛實(shí)時狀態(tài)的波動等，為兼顧控制性能和實(shí)時性，有學(xué)者提出分層式控制架構(gòu)用于智能汽車縱向控制[118-119]。當(dāng)前的分層式控制架構(gòu)多是將縱向控制分為上層策略層和下層執(zhí)行層，如圖12所示。上層主要根據(jù)多性能指標(biāo)設(shè)計(jì)控制策略，輸出期望加速度或期望驅(qū)動/制動力矩[120-121]；而下層主要是根據(jù)上層控制輸出，設(shè)計(jì)扭矩分配策略與執(zhí)行器控制策略，控制驅(qū)動與制動系統(tǒng)運(yùn)行[122-123]。

圖12 分層式縱向控制架構(gòu)簡圖

分層式控制架構(gòu)相比直接式控制架構(gòu)，具有靈活度高，實(shí)時性好等優(yōu)勢。如何做好策略層與執(zhí)行層之間的協(xié)調(diào)與融合，是分層式控制架構(gòu)的關(guān)鍵。為了應(yīng)對高級別智能駕駛的發(fā)展需求，設(shè)計(jì)融合ACC/CACC/CA等控制系統(tǒng)的上層策略層亦是需要重點(diǎn)關(guān)注的地方。

2.2 智能汽車橫向運(yùn)動控制

車輛本身具有典型的非線性時變特性以及參數(shù)的不確定性（如車輛載荷、輪胎側(cè)偏剛度以及地面附著系數(shù)等參數(shù)的變化），隨著車輛智能化程度的提升，駕駛?cè)酥饾u脫離駕駛控制環(huán)，導(dǎo)致車輛控制自由度變大，駕駛精度要求越來越高，因此, 如何建立高效合理的橫向穩(wěn)定控制策略已經(jīng)成為車輛控制領(lǐng)域研究的重點(diǎn)[124-125]。傳統(tǒng)車輛的橫向控制問題主要表現(xiàn)在橫擺穩(wěn)定性（主要參數(shù)指標(biāo)為橫擺角速度）以及軌跡跟蹤精度（主要參數(shù)指標(biāo)為質(zhì)心側(cè)偏角）兩個方面。隨著車輛控制需求的不斷提高，橫向控制方法的研究呈現(xiàn)螺旋式發(fā)展，從經(jīng)典控制理論開始，過渡到以狀態(tài)空間方程的現(xiàn)代控制理論，逐步發(fā)展到基于復(fù)雜非線性系統(tǒng)的智能控制理論。當(dāng)前應(yīng)用于車輛控制領(lǐng)域的算法主要有：經(jīng)典控制理論的反饋與比例、積分、微分（proportion、integral、differential，PID） 控制方法[126-128]，現(xiàn)代控制理論的最優(yōu)控制[129]、魯棒控制[130]、模型預(yù)測控制[131]、自適應(yīng)控制[132]、滑模變結(jié)構(gòu)控制[133]等方法以及智能控制理論的模糊控制[134]、神經(jīng)網(wǎng)絡(luò)控制[135]等方法。由于PID控制具有適應(yīng)性廣、實(shí)現(xiàn)簡單、無需建立模型的優(yōu)點(diǎn)，已經(jīng)在工程上得到廣泛應(yīng)用。但車輛轉(zhuǎn)向運(yùn)動是橫向和橫擺運(yùn)動的多狀態(tài)系統(tǒng)，當(dāng)車輛縱向速度變化明顯時，往往造成系統(tǒng)參數(shù)變化，單純的PID反饋控制難以適應(yīng)多輸入多輸出系統(tǒng)以及時變系統(tǒng)的控制需求。

針對PID控制無法解決多目標(biāo)優(yōu)化問題，眾多學(xué)者提出了最優(yōu)控制理論。針對受約束情況下車輛轉(zhuǎn)彎過程中的最優(yōu)控制問題，通過設(shè)定合適的參數(shù)對系統(tǒng)時延和一階系統(tǒng)行為進(jìn)行補(bǔ)償，將安全性和舒適性的物理約束納入控制器設(shè)計(jì)，并將最大橫向加速度和變化率作為系統(tǒng)約束，實(shí)現(xiàn)了車輛的穩(wěn)定控制[136]; 為了提高彎道上的車道保持性能，設(shè)計(jì)了增廣觀測器，估計(jì)了車輛狀態(tài)和擾動，改進(jìn)了電動助力轉(zhuǎn)向（electricpower steering，EPS）系統(tǒng)存在的扭矩?zé)o法聯(lián)合的問題，提出了考慮橫向偏移量和向下偏移量的線性二次狀態(tài)反饋控制方法[137]。最優(yōu)控制可在模型精確的前提下實(shí)現(xiàn)控制目標(biāo)最優(yōu)，但由于車輛本體的非線性特性（部件間的連接間隙等）和時變外部激勵（隨機(jī)路面譜密度等）的影響，導(dǎo)致車輛系統(tǒng)的關(guān)鍵參數(shù)存在一定程度的不確定性，完整的車輛動力學(xué)特性難以精確表征。如車輛在高速大曲率轉(zhuǎn)向工況下，車輪載荷變動導(dǎo)致的輪胎側(cè)偏剛度變化明顯，如圖13所示。

圖13 輪胎側(cè)偏剛度變化[138]

針對車輛的參數(shù)不確定性問題眾多學(xué)者采用魯棒控制方法對車輛的橫向控制方法進(jìn)行研究。在車輛的路徑跟蹤以及換道控制中，采用魯棒控制器設(shè)計(jì)了車輛橫向控制系統(tǒng)，考慮了不同駕駛員特性、路面激勵、延遲時間、預(yù)瞄時間和轉(zhuǎn)向比例增益等因素，構(gòu)造基于Lyapunov漸進(jìn)穩(wěn)定性的線性矩陣不等式，應(yīng)用極點(diǎn)配置法提高了控制器性能[139-140]，驗(yàn)證了速度波動、道路附著系數(shù)變化和風(fēng)阻的魯棒性。根據(jù)反饋跟蹤特性和抗擾性要求選擇權(quán)重函數(shù)矩陣，綜合考慮輪胎側(cè)偏剛度以及通信時滯的影響，提出一種具有內(nèi)在平衡的μ綜合新方法[141]，其控制效果接近于最優(yōu)控制方法，但控制器階數(shù)有效減少，滿足智能車輛的控制需求，μ綜合控制架構(gòu)如圖14所示。由于魯棒控制方法采用離線處理數(shù)據(jù)求得最優(yōu)解，其具有較高的控制實(shí)時性，但對復(fù)雜多變的行車環(huán)境的適應(yīng)性較差，且無法滿足多復(fù)合約束下的實(shí)時在線優(yōu)化控制的需求。

圖14 μ綜合控制架構(gòu)[141]

為了滿足實(shí)時在線優(yōu)化控制需求，提高多約束條件下的車輛穩(wěn)定控制性能，模型預(yù)測控制方法也被大量應(yīng)用到車輛的橫向控制中，模型預(yù)測控制采用當(dāng)前時間的控制量作為控制輸入，通過滾動迭代的方法不斷更新優(yōu)化區(qū)間，反復(fù)計(jì)算最優(yōu)輸入值，保證車輛橫向運(yùn)動過程中實(shí)時求解，其中模型預(yù)測控制原理框圖如圖15所示。在車輛主動安全控制中，基于Pareto 優(yōu)化理論建立多智能體控制架構(gòu)，構(gòu)建車輛主動轉(zhuǎn)向和橫擺力矩融合的終端約束條件，應(yīng)用模型預(yù)測控制方法設(shè)計(jì)車輛橫向控制器，實(shí)現(xiàn)了車輛的主動安全控制[142]；同時該方法應(yīng)用于車輛的換道和車道保持系統(tǒng)中[143-144]，通過設(shè)計(jì)凸優(yōu)化的路徑生成器生成了無碰撞軌跡，同時將模型預(yù)測控制轉(zhuǎn)化為二次規(guī)劃問題進(jìn)行求解，建立8自由度車輛模型與Dugoff輪胎模型進(jìn)行仿真驗(yàn)證。雖然模型預(yù)測控制能夠滿足多約束的控制需求，但是非線性系統(tǒng)的優(yōu)化求解量非常大，難以保證在控制周期內(nèi)實(shí)現(xiàn)高效控制運(yùn)算。如何進(jìn)一步提高算法的實(shí)時性，仍然是模型預(yù)測控制研究的重點(diǎn)和難點(diǎn)。

圖15 模型預(yù)測控制原理框圖

在車輛橫向控制中，除了參數(shù)的不確定性和多約束空間外，車輛系統(tǒng)內(nèi)部的時滯和外部干擾也會對車輛系統(tǒng)的性能產(chǎn)生重要的影響。為解決多時滯-干擾下車輛控制問題，自適應(yīng)控制方法被應(yīng)用于車輛的橫向控制系統(tǒng)。自適應(yīng)控制可根據(jù)被控對象的輸入實(shí)時在線調(diào)整控制器參數(shù)，從而使系統(tǒng)運(yùn)行處于最優(yōu)或次優(yōu)的狀態(tài)，保證了車輛橫向控制的精確性。在換道超車、車道保持以及人機(jī)協(xié)同的控制中，采用自適應(yīng)控制理論設(shè)計(jì)車輛橫向控制系統(tǒng)[145-147]，通過簡化復(fù)雜動力學(xué)模型，采用學(xué)習(xí)模型預(yù)測控制理論構(gòu)建車道偏離防范（lane departure prevention，LDP）控制器，實(shí)現(xiàn)了車輛橫向運(yùn)動的自適應(yīng)調(diào)節(jié)，改進(jìn)的自適應(yīng)車道保持控制器的閉環(huán)系統(tǒng)架構(gòu)如圖16所示。為了更好地應(yīng)對大數(shù)據(jù)學(xué)習(xí)的控制效果，神經(jīng)網(wǎng)絡(luò)控制方法被引入到橫向控制中[148-150]，主要基于循環(huán)神經(jīng)網(wǎng)絡(luò)模擬自動駕駛汽車轉(zhuǎn)向控制技術(shù)，研究缺乏精確模型信息的車道保持系統(tǒng)，利用深度學(xué)習(xí)及數(shù)據(jù)融合技術(shù)，精確預(yù)測車輛運(yùn)動狀態(tài)，實(shí)現(xiàn)橫向穩(wěn)定控制。雖然神經(jīng)網(wǎng)絡(luò)控制方法能夠?qū)崿F(xiàn)車輛的橫向控制，然而其對數(shù)據(jù)量和計(jì)算能力的需求較高，實(shí)時性難以有效保證。

圖16 改進(jìn)的自適應(yīng)車道保持控制器的閉環(huán)系統(tǒng)架構(gòu)[145]

為解決智能車輛內(nèi)在的高維強(qiáng)耦合，內(nèi)部作用機(jī)理復(fù)雜難表征等問題，模糊控制方法被應(yīng)用到車輛橫向控制中，實(shí)現(xiàn)車輛的路徑跟蹤、變道以及橫向穩(wěn)定控制等?；诟呔菺PS和無線網(wǎng)絡(luò)環(huán)境提供的信息，模糊控制能夠模仿人類在超車時的行為和反應(yīng)[135]，且可模擬步進(jìn)轉(zhuǎn)向工況和正弦轉(zhuǎn)向工況下前輪的橫擺角速度和側(cè)偏角情況[151]，有效地提高了系統(tǒng)運(yùn)行效率。在主動前輪轉(zhuǎn)向（active front steering，AFS）與直接橫擺力矩控制（direct yaw control，DYC）集成穩(wěn)定控制中將非線性刷子輪胎動力學(xué)和縱向速度的非線性函數(shù)通過T-S模糊方法建模，然后利用多模糊規(guī)則得到不確定的非線性車輛橫向動態(tài)T-S模糊模型。采用并行分布補(bǔ)償策略和假定變量設(shè)計(jì)模糊魯棒狀態(tài)反饋控制器，并通過構(gòu)建一組滿足Lyapunov漸近穩(wěn)定性和二次魯棒性能的線性矩陣不等式進(jìn)行求解[152]，AFS和DYC組合的車輛模糊控制系統(tǒng)體系結(jié)構(gòu)如圖17所示。

圖17 AFS和DYC組合的車輛模糊控制系統(tǒng)體系結(jié)構(gòu)[152]

滑模變結(jié)構(gòu)控制是一類特殊的非線性控制，其非線性體現(xiàn)在控制過程的不連續(xù)?；Ｗ兘Y(jié)構(gòu)控制的主要優(yōu)點(diǎn)是使得控制對擾動不敏感，響應(yīng)快速能夠有效處理車輛的路徑跟蹤控制問題[153]；此外，眾多學(xué)者對一些方法進(jìn)行嘗試，如自抗擾控制方法[154]，其控制器實(shí)時估計(jì)車輛的不確定性和外部干擾，并對其進(jìn)行主動補(bǔ)償，基于Lyapunov穩(wěn)定性分析表明，控制系統(tǒng)在平衡點(diǎn)附近呈指數(shù)穩(wěn)定；反步控制和前饋控制方法[155]，其解決了一類非線性欠驅(qū)動系統(tǒng)的漸近鎮(zhèn)定問題；神經(jīng)網(wǎng)絡(luò)PID控制方法[156]，其使用遺忘因子遞推最小二乘估計(jì)法（recursive least square estimation of forgetting factor，F(xiàn)FRLS）識別系統(tǒng)參數(shù)，基于車輛模型和轉(zhuǎn)向系統(tǒng)模型建立神經(jīng)網(wǎng)絡(luò)PID控制器進(jìn)行橫向路徑跟蹤控制，能夠達(dá)到良好的控制效果。

2.3 智能汽車橫縱向綜合控制

由于車輛橫縱向運(yùn)動之間存在相互耦合特性，如運(yùn)動學(xué)耦合，輪胎力耦合與載荷轉(zhuǎn)移影響等[157]，相較于橫縱向控制獨(dú)立設(shè)計(jì)，采用綜合控制策略可以有效避免耦合沖突，提高綜合控制效果[158]。本文僅針對智能汽車路徑跟蹤與速度跟蹤的綜合控制進(jìn)行探討，關(guān)于執(zhí)行層之間的橫、縱向集成控制，可參見相關(guān)研究[159]。

根據(jù)控制架構(gòu)的不同，可將智能汽車橫縱向綜合控制分為協(xié)同式綜合控制和耦合式綜合控制[112]。

協(xié)同式綜合控制指的是未建立橫縱向耦合動力學(xué)模型，橫、縱向控制算法根據(jù)各自模型進(jìn)行獨(dú)立設(shè)計(jì)，通過設(shè)置狀態(tài)交互來協(xié)調(diào)橫縱向運(yùn)動控制。此方式優(yōu)勢在于無需建立復(fù)雜模型，求解效率高，實(shí)時性較好，且系統(tǒng)構(gòu)造較為靈活，易于實(shí)施。因此，協(xié)同式綜合控制架構(gòu)在考慮強(qiáng)非線性動力學(xué)特性的研究[160]，結(jié)合V2X通訊優(yōu)勢的研究[161]，以及在多車隊(duì)列控制的研究[162]等均有成功應(yīng)用。但由于沒有對橫縱向耦合機(jī)理進(jìn)行深入探究，不能全面地反映真實(shí)的橫縱向運(yùn)動的之間的關(guān)系，因而會在某些情況下出現(xiàn)控制性能退化[163]，如大轉(zhuǎn)向角、連續(xù)彎道或車速快速大幅波動等。

耦合式綜合控制指的是根據(jù)橫、縱向耦合動力學(xué)模型進(jìn)行控制算法設(shè)計(jì)，可較為真實(shí)地反映車輛橫縱向之間強(qiáng)耦合、非線性的物理關(guān)系。該方式能夠獲得較高的控制精度，但對硬件計(jì)算能力要求較高。常用的7自由度整車動力學(xué)模型，包含橫向、縱向、橫擺以及4個車輪的轉(zhuǎn)動，如圖18所示。

圖18 7自由度車輛動力學(xué)模型[164]

針對耦合式綜合控制，根據(jù)智能汽車驅(qū)動形式、底盤橫縱向執(zhí)行器的不同，研究人員開發(fā)了適用于不同車輛硬件配置的橫縱向綜合控制系統(tǒng)，如針對四輪獨(dú)立驅(qū)動電動汽車[165]、結(jié)合主動轉(zhuǎn)向控制[166]，直接橫擺力矩控制[164,166]等。隨著V2X技術(shù)的進(jìn)步，智能汽車在復(fù)雜交通環(huán)境的預(yù)期表現(xiàn)也隨之提升，耦合式綜合控制對車輛控制性能提升明顯的優(yōu)勢顯得更加突出[167]，且對多車隊(duì)列控制性能的提升也有幫助[168]。此外，神經(jīng)網(wǎng)絡(luò)[169]，腦機(jī)控制[170]等先進(jìn)技術(shù)在提升耦合式綜合控制性能中的成功應(yīng)用也被陸續(xù)報(bào)道。

總體來看，隨著智能汽車應(yīng)用場景逐漸向通用化場景發(fā)展，橫縱向綜合控制的應(yīng)用將會愈發(fā)受到重視。無論是采用協(xié)同式綜合控制架構(gòu)，或是耦合式綜合控制架構(gòu)，控制性能與實(shí)時性都將是需要重點(diǎn)考慮的方面。

3 智能汽車運(yùn)動規(guī)劃與控制發(fā)展趨勢

智能汽車運(yùn)動規(guī)劃與控制技術(shù)取得了長足的發(fā)展，但隨著汽車智能化的不斷提升，對控制精度和實(shí)時性的要求日益增長。感知系統(tǒng)的增強(qiáng)使得信息獲取更加豐富和及時，對運(yùn)動規(guī)劃與控制而言則是機(jī)遇和挑戰(zhàn)并存；先進(jìn)的通信技術(shù)在車用領(lǐng)域的廣泛應(yīng)用也對運(yùn)動規(guī)劃與控制產(chǎn)生了影響；且車輛動力學(xué)系統(tǒng)本身存在著大量非線性、強(qiáng)耦合特性，以及多源時滯異構(gòu)現(xiàn)象。因此，如何解決上述問題并構(gòu)建適用于智能汽車的運(yùn)動規(guī)劃與控制系統(tǒng)框架和方法，仍有待進(jìn)一步研究和突破。對未來可能發(fā)展方向的初步展望如下：

3.1 運(yùn)動規(guī)劃領(lǐng)域

a） 考慮更為真實(shí)的動力學(xué)模型和實(shí)際約束：隨著車輛運(yùn)動規(guī)劃研究的深入，對于車輛模型和約束的簡化已成為制約規(guī)劃性能提升的瓶頸所在。為了進(jìn)一步釋放規(guī)劃方法對車輛性能的提升潛力，需要引入更為真實(shí)的動力學(xué)模型和實(shí)際約束，以在復(fù)雜動態(tài)環(huán)境中保證性能優(yōu)越性和魯棒性。

b） 考慮通訊損失和網(wǎng)絡(luò)安全影響：多車協(xié)同運(yùn)動規(guī)劃在很大程度上基于V2X通信，但這容易受到諸如時間延遲和數(shù)據(jù)包丟失等通信障礙的影響。此外，干擾、V2X數(shù)據(jù)注入和車輛傳感器操縱等網(wǎng)絡(luò)攻擊也會損害多車協(xié)同系統(tǒng)的性能。因此設(shè)計(jì)應(yīng)對通訊損失和網(wǎng)絡(luò)風(fēng)險(xiǎn)的強(qiáng)魯棒抗干擾規(guī)劃技術(shù)至關(guān)重要。

c） 考慮混合交通場景下的應(yīng)用：現(xiàn)有研究中的大多數(shù)文獻(xiàn)都僅圍繞只有智能網(wǎng)聯(lián)汽車的場景展開研究，但是由于技術(shù)和成本限制，多種類型車輛（智能網(wǎng)聯(lián)車輛，智能車輛，網(wǎng)聯(lián)車輛，傳統(tǒng)人為駕駛車輛）共存的混合交通場景勢必會存在很長一段時間?？紤]到環(huán)境中其他車輛類型導(dǎo)致的不確定性，適用于純智能網(wǎng)聯(lián)車環(huán)境的協(xié)同規(guī)劃策略不一定適用于混合交通環(huán)境。因此，解決混合交通場景下多源不確定性擾動共存的多車協(xié)同規(guī)劃問題急需開展進(jìn)一步研究。

3.2 運(yùn)動控制領(lǐng)域

a） 融合多源感知信息的參數(shù)估計(jì)方法：多源感知信息為車輛動力學(xué)重要參數(shù)估計(jì)提供了新的選擇，可充分利用環(huán)境、道路與交通信息，開發(fā)適用于智能汽車的參數(shù)估計(jì)體系，獲取更準(zhǔn)確的動態(tài)實(shí)時參數(shù)，提升車輛動力學(xué)控制性能。

b） 融合環(huán)境預(yù)知信息的綜合控制技術(shù)：感知信息的提前預(yù)知，將促進(jìn)預(yù)見控制技術(shù)發(fā)展。如何準(zhǔn)確構(gòu)建融合感知信息的橫、縱向綜合控制系統(tǒng)，結(jié)合車輛非線性、多耦合特性，建立耦合與解耦機(jī)制，并考慮時滯補(bǔ)償，仍需要進(jìn)一步探索。

c） 兼顧控制性能與實(shí)時性的多模型集控制：智能汽車為適應(yīng)復(fù)雜多變的現(xiàn)實(shí)環(huán)境并滿足實(shí)時性要求，往往需要使用多種控制策略與模型。如何構(gòu)建橫、縱向綜合控制模型集，并確定合適的切換策略，將是實(shí)現(xiàn)實(shí)時動態(tài)控制的關(guān)鍵問題。

d） 基于車路協(xié)同技術(shù)的多目標(biāo)綜合協(xié)同優(yōu)化控制：車路協(xié)同技術(shù)發(fā)展將促進(jìn)智能汽車運(yùn)動控制與多車協(xié)同控制進(jìn)一步發(fā)展。如何利用先進(jìn)通信技術(shù)處理智能汽車與多車隊(duì)列、智能交通系統(tǒng)，以及電網(wǎng)系統(tǒng)的信息交互，并考慮通信時滯、網(wǎng)絡(luò)安全等問題，實(shí)現(xiàn)多目標(biāo)綜合協(xié)同優(yōu)化控制，將是需要重點(diǎn)突破的方向。

4 結(jié) 論

智能汽車的研究和發(fā)展將促進(jìn)汽車工業(yè)與智能交通領(lǐng)域的轉(zhuǎn)型和升級，為人類出行與社會生活帶來革命性的變化。運(yùn)動規(guī)劃與控制技術(shù)作為提升智能汽車綜合行駛性能的關(guān)鍵所在，仍將是長期熱點(diǎn)研究方向。本文介紹了智能汽車路徑規(guī)劃、軌跡規(guī)劃與橫、縱向控制的研究現(xiàn)狀，提出智能汽車運(yùn)動規(guī)劃與控制領(lǐng)域未來發(fā)展的方向?yàn)椋阂?guī)劃領(lǐng)域需考慮更為真實(shí)的動力學(xué)模型和實(shí)際約束，考慮通訊損失和網(wǎng)絡(luò)安全影響，以及考慮混合交通場景下的應(yīng)用；控制領(lǐng)域需研究融合多源感知信息的參數(shù)估計(jì)方法，融合環(huán)境預(yù)知信息的綜合控制技術(shù)，兼顧控制效果與實(shí)時性的多模型集控制，以及基于車路協(xié)同技術(shù)的多目標(biāo)綜合協(xié)同優(yōu)化控制。