付建源， 王 栗，華 亮

(南通大學(xué) 電氣工程學(xué)院, 江蘇 南通 226019)

0 引言

智能網(wǎng)聯(lián)車的橫向運(yùn)動(dòng)控制，是指車輛利用車載傳感器、互聯(lián)網(wǎng)定位系統(tǒng)等獲取自身位置相對于期望軌跡的偏差，通過一定的控制策略使其能夠按照期望的軌跡行駛[1-3]。智能車在高速、強(qiáng)擾動(dòng)、低附著的極限工況下的橫向控制作為車輛控制的關(guān)鍵技術(shù)，是目前智能網(wǎng)聯(lián)汽車的研究重點(diǎn)。橫向控制使車輛保持在車道內(nèi)行駛，引導(dǎo)車輛進(jìn)行變道，同時(shí)保證安全性以及舒適性[4-5]。

對上述研究進(jìn)行梳理，車隊(duì)橫向控制的研究存在進(jìn)一步改善空間：

1) 車輛在極限工況下具有較強(qiáng)的非線性和不穩(wěn)定性，系統(tǒng)模型參數(shù)會(huì)存在較大誤差，這會(huì)導(dǎo)致控制器在設(shè)計(jì)時(shí)存在較大誤差，甚至無法保證系統(tǒng)穩(wěn)定性。

2) 車輛在極限工況下側(cè)向和橫擺運(yùn)動(dòng)時(shí)，容易受到載荷變化、風(fēng)阻、道路曲率以及低附著等未知外界干擾影響，導(dǎo)致系統(tǒng)無法準(zhǔn)確獲得外界干擾，進(jìn)而導(dǎo)致在控制系統(tǒng)設(shè)計(jì)時(shí)，只能人為選取較大的魯棒項(xiàng)增益，這會(huì)導(dǎo)致嚴(yán)重的抖振問題，魯棒性較差。

鑒于上述分析，提出了一種融合了自適應(yīng)控制、有界映射改進(jìn)的RBF神經(jīng)網(wǎng)絡(luò)以及干擾觀測器的車隊(duì)換道滑?？刂品椒?。文章結(jié)構(gòu)如下：

1) 分析車輛橫向運(yùn)動(dòng)規(guī)律，建立車輛橫向運(yùn)動(dòng)的動(dòng)力學(xué)模型；從換道時(shí)間、換道軌跡曲率變化、橫向加速度等方面，綜合考慮安全、快速等要求，建立車輛換道軌跡模型。

2) 通過輸入信號(hào)有界映射指導(dǎo)神經(jīng)網(wǎng)絡(luò)參數(shù)初始化來改進(jìn)RBF神經(jīng)網(wǎng)絡(luò)，提高了神經(jīng)網(wǎng)絡(luò)的靈敏度；針對系統(tǒng)存在的未知參數(shù)或者參數(shù)有誤差的情況，通過改進(jìn)的自適應(yīng)神經(jīng)網(wǎng)絡(luò)辨識(shí)系統(tǒng)參數(shù)，保證了系統(tǒng)的穩(wěn)定性；利用干擾觀測器估計(jì)外界時(shí)變干擾并進(jìn)行了補(bǔ)償，干擾觀測器設(shè)計(jì)過程中，系統(tǒng)未知參數(shù)同樣使用改進(jìn)的RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行估計(jì)，有效地抑制了抖振。

3) 實(shí)驗(yàn)結(jié)果在數(shù)值仿真平臺(tái)以及CarSim實(shí)車仿真平臺(tái)中在極限工況進(jìn)行仿真，驗(yàn)證該算法的優(yōu)越性以及可行性；最后將單車橫向控制推廣到多車橫向控制，實(shí)現(xiàn)智能網(wǎng)聯(lián)車隊(duì)的橫向控制。

1 車輛動(dòng)力學(xué)建模

針對車輛橫向的建模與控制問題，重點(diǎn)考慮車輛的側(cè)向以及橫擺運(yùn)動(dòng)，模型建立如下[13]：

(1)

式中：y是車輛側(cè)向偏移量，δ是車輛的橫擺角，m是車輛的質(zhì)量，Iz是車?yán)@z軸的轉(zhuǎn)動(dòng)慣量，kf、kb為前后輪胎的側(cè)偏剛度，lf、lb為車輛前軸后軸到車輛質(zhì)心之間的距離，v是車輛的縱向速度，d(t)代表車輛受到的包括風(fēng)速、摩擦、坡度、通信干擾等造成的未知擾動(dòng)，u為車輛的方向盤轉(zhuǎn)角。

式(1)可簡化為：

(2)

2 換道軌跡規(guī)劃

合理的換道軌跡規(guī)劃，可以使目標(biāo)車輛舒適、安全地變換到目標(biāo)車道，提高換道效率[14]。因此針對不同的換道場景，分別選擇余弦換道軌跡以及梯形加速度換道軌跡進(jìn)行軌跡規(guī)劃。

余弦換道軌跡設(shè)計(jì)方便易于改動(dòng)、換道軌跡最為平滑；在復(fù)雜環(huán)境下方便進(jìn)行連續(xù)換道；缺點(diǎn)是換道軌跡曲率存在突變。換道軌跡函數(shù)為：

y(t)=lb/2·[1-cos(π·t/ld)]

(3)

式中：lb為車道寬度，根據(jù)我國標(biāo)準(zhǔn)車道寬度規(guī)定，一般取lb=3.75 m，ld為換道時(shí)目標(biāo)車輛的縱向位移。設(shè)定目標(biāo)車在t=5 s完成一次換道，則得到連續(xù)換道的余弦換道軌跡，如圖1所示。

圖1 余弦換道軌跡

相比于其他換道軌跡，梯形加速度換道軌跡設(shè)計(jì)較為復(fù)雜，有多個(gè)未知參數(shù)需要設(shè)計(jì)。但該換道軌跡曲率連續(xù)無突變、可以良好地?cái)M合實(shí)際換道路徑，是現(xiàn)實(shí)中常用的換道軌跡，但實(shí)現(xiàn)連續(xù)換道需要二次規(guī)劃。綜合考慮換道時(shí)間以及乘客舒適度，取橫向最大加速度為4 m/s2，車道寬度為3.75 m，對應(yīng)的換道軌跡方程為：

(4)

梯形加速度換道軌跡如圖2所示。

圖2 梯形加速度換道軌跡

3 控制方案設(shè)計(jì)

3.1 控制系統(tǒng)結(jié)構(gòu)設(shè)計(jì)

控制系統(tǒng)的最終目的就是通過控制方向盤轉(zhuǎn)角，使得車輛跟蹤期望的換道軌跡[15]?？刂葡到y(tǒng)結(jié)構(gòu)如圖3所示。

圖3 控制系統(tǒng)結(jié)構(gòu)框圖

3.2 基于改進(jìn)的神經(jīng)網(wǎng)絡(luò)滑?？刂?/h3>

設(shè)計(jì)滑模面為：

(5)

式中：β=diag(β1,β2)，取為正對角矩陣；e為跟蹤誤差。

為解決傳統(tǒng)滑模控制中存在的抖振現(xiàn)象和參數(shù)未知的問題，本節(jié)設(shè)計(jì)了新型自適應(yīng)非奇異快速終端滑模方法。該方法通過有界映射改進(jìn)的RBF自適應(yīng)神經(jīng)網(wǎng)絡(luò)算法來辨識(shí)系統(tǒng)參數(shù)，并使用干擾觀測器估計(jì)系統(tǒng)的外界干擾并擬合。

(6)

式中：ω=[ω1,ω2,…,ωn]T為神經(jīng)網(wǎng)絡(luò)權(quán)值向量，n代表隱含層節(jié)點(diǎn)個(gè)數(shù)；φ=[φ1,φ2,…,φn]T為隱含層輸出向量，隱含層中第i個(gè)節(jié)點(diǎn)的輸出為：

(7)

式中：ci為隱含層第i個(gè)節(jié)點(diǎn)的中心向量，bi為隱含層第i個(gè)節(jié)點(diǎn)的基寬，i=1,2,…,n。

通常，RBF神經(jīng)網(wǎng)絡(luò)選取誤差信號(hào)作為其輸入信號(hào)，但是誤差信號(hào)的范圍在控制器實(shí)施之前是無法確定的[16]。因此，神經(jīng)網(wǎng)絡(luò)的基寬和中心沒有設(shè)置的參照標(biāo)準(zhǔn)，會(huì)嚴(yán)重影響神經(jīng)網(wǎng)絡(luò)的擬合效果?？梢允褂谜`差轉(zhuǎn)換函數(shù)將無界的誤差信號(hào)轉(zhuǎn)換為有界的輸入信號(hào)，從而提高了神經(jīng)網(wǎng)絡(luò)的靈敏度。

在誤差轉(zhuǎn)換函數(shù)的設(shè)計(jì)過程中引入tanh(雙曲正切函數(shù))，完成RBF神經(jīng)網(wǎng)絡(luò)輸入信號(hào)的轉(zhuǎn)換，如圖4所示，tanh函數(shù)可表示為：

圖4 雙曲正切函數(shù)

(8)

通過tanh函數(shù)可以將輸入信號(hào)映射到[-1,1]范圍內(nèi)，保證了輸入信號(hào)的有界性，故RBF神經(jīng)網(wǎng)絡(luò)的中心和寬度的取值范圍更為準(zhǔn)確，提高了神經(jīng)網(wǎng)絡(luò)的擬合效果。

基于改進(jìn)神經(jīng)網(wǎng)絡(luò)對車輛時(shí)變參數(shù)K進(jìn)行在線估計(jì)，使用估計(jì)值代替真實(shí)值，得到K矩陣的估計(jì)值為：

(9)

神經(jīng)網(wǎng)絡(luò)的擬合誤差為：

(10)

(11)

(12)

(13)

假設(shè)1使用改進(jìn)RBF神經(jīng)網(wǎng)絡(luò)擬合參數(shù)矩陣K時(shí)，存在最優(yōu)權(quán)值與實(shí)際值之間的有界的擬合誤差。其中，ψim(i=1,2,3,4)為逼近誤差的上界，理論上擬合誤差ψim的上界趨近于0。

因此，基于輸入信號(hào)有界映射改進(jìn)的RBF神經(jīng)網(wǎng)絡(luò)權(quán)值自適應(yīng)律設(shè)計(jì)如下：

(14)

(15)

(16)

(17)

定理1對于考慮的換道控制策略，設(shè)計(jì)車輛橫向換道策略如式(16)所示，可以保證被控系統(tǒng)的穩(wěn)定性。

(18)

式中：λ為魯棒項(xiàng)增益；sgn(S)為符號(hào)函數(shù)。

證明設(shè)計(jì)Lyapunov函數(shù)為：

(19)

對上述Lyapunov函數(shù)進(jìn)行求導(dǎo)得：

(20)

將式(12)—(15)中神經(jīng)網(wǎng)絡(luò)權(quán)值自適應(yīng)律代入式(18)中，可得：

-|ST|(λ-|d|)

(21)

3.3 干擾觀測器改進(jìn)方法

為了增強(qiáng)系統(tǒng)的魯棒性，將干擾觀測器與改進(jìn)RBF神經(jīng)網(wǎng)絡(luò)相結(jié)合，完成對外界時(shí)變干擾的估計(jì)，可以有效減少由于魯棒項(xiàng)而引起的控制力抖振。干擾觀測器設(shè)計(jì)如下：

(22)

(23)

利用輸入信號(hào)有界映射改進(jìn)的RBF神經(jīng)網(wǎng)絡(luò)對f進(jìn)行擬合，可以表示為：

(24)

神經(jīng)網(wǎng)絡(luò)的擬合誤差為：

(25)

假設(shè)2使用改進(jìn)RBF神經(jīng)網(wǎng)絡(luò)擬合參數(shù)矩陣f時(shí)，存在最優(yōu)權(quán)值與實(shí)際值之間的有界的擬合誤差。其中，ψ5m為逼近誤差的上界，由假設(shè)1可知，ψ5m=0。

故可以得到基于輸入信號(hào)有界映射改進(jìn)的RBF神經(jīng)網(wǎng)絡(luò)更新的干擾觀測器形式為：

(26)

(27)

設(shè)計(jì)估計(jì)整合參數(shù)f的輸入信號(hào)有界映射改進(jìn)的RBF神經(jīng)網(wǎng)絡(luò)權(quán)值自適應(yīng)律為：

(28)

式中：η5為一正常數(shù)。

定理2對于考慮的干擾觀測器形式，在原本的滑?？刂撇呗灾屑尤敫蓴_觀測器部分后，設(shè)計(jì)的車輛橫向控制率為式(27)，仍能保證被控系統(tǒng)的穩(wěn)定性。

(29)

證明設(shè)計(jì)Lyapunov函數(shù)為：

(30)

假設(shè)3外界干擾d為慢時(shí)變干擾，因此當(dāng)k1取較大值時(shí)，可以認(rèn)為：

(31)

對上述Lyapunov函數(shù)求導(dǎo)得：

(32)

由矩陣跡的性質(zhì)可得：

(33)

將上式代入式(30)中，得：

(34)

由上述證明過程可得，所設(shè)計(jì)的控制器可以正確估計(jì)車輛系統(tǒng)時(shí)變參數(shù)以及外界干擾。

4 實(shí)驗(yàn)結(jié)果分析

實(shí)驗(yàn)分為兩部分：首先在Matlab-Simulink平臺(tái)對余弦換道軌跡跟蹤進(jìn)行數(shù)值仿真；然后在CarSim-Simulink聯(lián)合仿真平臺(tái)對多項(xiàng)式函數(shù)換道軌跡跟蹤進(jìn)行聯(lián)合仿真。CarSim能夠詳細(xì)地定義整車各系統(tǒng)的特性參數(shù)、駕駛員模型、路面參數(shù)等信息。通過兩次實(shí)驗(yàn)以及2種換道軌跡綜合驗(yàn)證該方法的可行性、準(zhǔn)確性和優(yōu)越性的要求。本次實(shí)驗(yàn)采用C-Class Hatchback車型，車輛以及輪胎的參數(shù)如表1所示。

表1 車輛參數(shù)

參數(shù)辨識(shí)部分自適應(yīng)參數(shù)取為：η1=50，η2=5，η3=5，η4=15；干擾觀測器部分自適應(yīng)參數(shù)取為：η5=25，干擾觀測器增益值取為：k1=5 000，k2=500。高斯基函數(shù)參數(shù)設(shè)計(jì)為：中心θi=[0.4，-0.32，0.23，0.1，-0.2，0.12，0.1，-0.2，0.32，-0.4]；基寬εi=0.1。外界擾動(dòng)取d=0.5t+cos(π/3) km/h的時(shí)變干擾。

4.1 基于Matlab-Simulink的數(shù)值仿真

為了驗(yàn)證被控車在高速以及強(qiáng)干擾的極限工況下的緊急避障效果，假設(shè)實(shí)驗(yàn)場景為被控車以72 km/h的速度高速行駛，發(fā)現(xiàn)30 m外存在障礙物需要換道，且目標(biāo)車道有車，這就需要被控車在4 s內(nèi)完成2次換道操作，換道效果如圖5—8所示。

圖5—8是車輛在勻速行駛時(shí)的橫向位移曲線、側(cè)偏角曲線以及對應(yīng)的誤差曲線?？梢钥吹皆诟咚偾彝饨绺蓴_較大的極限工況下，被控車實(shí)際行駛軌跡對理想軌跡的跟蹤誤差不超過0.02 m，并隨著換道的進(jìn)行在1 s內(nèi)誤差漸漸減小至0，滿足換道的安全性要求；側(cè)偏角曲線與理想曲線基本重合，誤差在0.005 rad以內(nèi)，控制效果良好?？梢钥吹綑M向位移以及側(cè)偏角的跟蹤誤差基本存在于換道開始時(shí)曲率發(fā)生突變的時(shí)間點(diǎn)，證明曲率突變對跟蹤效果影響較大。

圖5 橫向位移跟蹤曲線

圖6 側(cè)偏角跟蹤曲線

圖7 橫向位移誤差曲線

圖8 側(cè)偏角誤差曲線

為了驗(yàn)證神經(jīng)網(wǎng)絡(luò)以及干擾觀測器的擬合效果，將仿真時(shí)長增加至10 s，擬合效果如圖9、10所示。

圖9 系統(tǒng)參數(shù)估計(jì)

圖9是采用輸入信號(hào)有界映射改進(jìn)的RBF神經(jīng)網(wǎng)絡(luò)對參數(shù)K的估計(jì)曲線。可以看到在參數(shù)估計(jì)的初期擬合值與真實(shí)值存在較大誤差，這也是車輛換道初期存在誤差的原因之一；隨著時(shí)間的進(jìn)行，改進(jìn)的RBF神經(jīng)網(wǎng)絡(luò)可以完成對參數(shù)的估計(jì)。

圖10是干擾觀測器對外界時(shí)變干擾的估計(jì)效果?？梢钥闯?，設(shè)計(jì)的干擾觀測器可以在0.4 s內(nèi)快速地估計(jì)出干擾的真實(shí)值。通過將干擾估計(jì)值實(shí)時(shí)反饋到系統(tǒng)中，可以實(shí)現(xiàn)對系統(tǒng)總干擾的補(bǔ)償，提高了系統(tǒng)的魯棒性。

圖10 外界干擾的估計(jì)

圖11是使用干擾觀測器補(bǔ)償外界干擾后的控制力曲線?？梢钥闯?，使用干擾觀測器對系統(tǒng)集總干擾進(jìn)行估計(jì)并進(jìn)行實(shí)時(shí)補(bǔ)償后，滑模切換增益較小，控制力平滑。圖12給出了在固定魯棒項(xiàng)增益下信號(hào)的控制力?？梢钥闯?，為了補(bǔ)償外界干擾人為設(shè)定了較大的魯棒增益，控制信號(hào)具有嚴(yán)重的抖振現(xiàn)象。

圖11 使用干擾觀測器補(bǔ)償外界干擾后的控制力

圖12 固定增益的信號(hào)控制力

為了進(jìn)一步說明改進(jìn)后的RBF神經(jīng)網(wǎng)絡(luò)是否能在速度發(fā)生突變時(shí)有效地辨識(shí)出系統(tǒng)參數(shù)，設(shè)定車輛初始速度為36 km/h，在15 s時(shí)加速至54 km/h，驗(yàn)證神經(jīng)網(wǎng)絡(luò)對系統(tǒng)參數(shù)的估計(jì)效果。

圖13是縱向速度突變時(shí)，改進(jìn)后的RBF神經(jīng)網(wǎng)絡(luò)對系統(tǒng)參數(shù)的估計(jì)效果。當(dāng)15 s速度發(fā)生突變時(shí)，模型參數(shù)理想值也發(fā)生改變。根據(jù)圖13可得，改進(jìn)的神經(jīng)網(wǎng)絡(luò)在車輛速度發(fā)生突變時(shí)，對系統(tǒng)參數(shù)也有良好的擬合效果。

圖13 神經(jīng)網(wǎng)絡(luò)擬合效果

在傳統(tǒng)滑?？刂频幕A(chǔ)上，加入輸入信號(hào)有界映射改進(jìn)的神經(jīng)網(wǎng)絡(luò)以及基于改進(jìn)的神經(jīng)網(wǎng)絡(luò)干擾觀測器能夠有效地估計(jì)系統(tǒng)未知參數(shù)并可以準(zhǔn)確地觀測系統(tǒng)集總干擾。此外，在滑?？刂坡傻脑O(shè)計(jì)中完成對未知參數(shù)以及集總干擾的補(bǔ)償，可以有效地緩解由于參數(shù)未知導(dǎo)致的系統(tǒng)不穩(wěn)定以及過大的魯棒項(xiàng)而導(dǎo)致的抖振現(xiàn)象。但由于設(shè)定的余弦函數(shù)換道軌跡曲率存在突變，在曲率突變時(shí)車輛的橫向跟蹤效果較差。

4.2 基于Simulink-CarSim的聯(lián)合仿真

為了驗(yàn)證研究的算法能否完成極限工況下的換道要求，聯(lián)合仿真實(shí)驗(yàn)選擇梯形加速度換道軌跡，車輛在低附著的潮濕路面上行駛(附著系數(shù)為0.35)，且外界存在Vwind=3 km/h的風(fēng)速擾動(dòng)，車道長度1 000 m，橫向?qū)挾葹?.75 m。車輛設(shè)置為一輛9 km/h緩慢行駛的目標(biāo)車以及一輛相距80 m的以54 km/h的速度行駛的被控車輛。仿真時(shí)長為20 s，在仿真進(jìn)行到5 s時(shí)，被控車輛滿足換道條件，開始執(zhí)行換道；在8.15 s時(shí)完成換道并超車，然后目標(biāo)車?yán)^續(xù)在該車道行駛。換道過程3D仿真圖如圖14所示。

圖14 換道過程3D仿真圖

從圖14中CarSim三維仿真效果可以看出，目標(biāo)車可以沿著設(shè)定換道軌跡完成換道過程，換道過程中目標(biāo)車的控制輸入、側(cè)向加速度曲線以及路徑跟蹤曲線如圖15—17。

圖15 方向盤轉(zhuǎn)角

圖16 側(cè)向加速度曲線

圖17 聯(lián)合仿真路徑跟蹤曲線

從圖15—17可以看出，目標(biāo)車輛方向盤轉(zhuǎn)向操作符合正常駕駛員轉(zhuǎn)向時(shí)方向盤操作；實(shí)際側(cè)向加速度可以實(shí)現(xiàn)對理想側(cè)向加速度的跟蹤，且側(cè)向加速度最大值不超過2.5 m/s2，滿足了換道舒適性的需求；目標(biāo)車可以按照梯形加速度換道軌跡進(jìn)行換道，并再換道結(jié)束后可以完成姿態(tài)調(diào)整，保證車輛正常行駛，換道操作在3.5 s內(nèi)完成，且未與障礙車或其他障礙物相撞，滿足車輛自主換道的快速性以及安全性。

為了驗(yàn)證極限工況下，智能網(wǎng)聯(lián)車隊(duì)能否完成目標(biāo)軌跡的跟蹤，將單車轉(zhuǎn)向拓展到多車；兩車車間距為ds=30 m,車速為vs=54 km/h。前車判斷需要換道時(shí)，在立即執(zhí)行換道操作的同時(shí)，通知后車在ts后進(jìn)行轉(zhuǎn)向，其中ts=ds/vs。設(shè)置通訊有0.2 s的延遲，道路設(shè)置為潮濕路面(附著系數(shù)為0.35)，外界存在Vwind=3 km/h的風(fēng)速擾動(dòng)，仿真結(jié)果如圖18、19所示。

圖19 多車換道軌跡

從圖18、19可以看出，在前車完成換道后，后車根據(jù)前車所給的信息完成換道，在極限工況下依然可以良好地跟蹤設(shè)定軌跡，完成多車協(xié)同換道操作。

綜上所述，本節(jié)使用梯形加速度換道軌跡作為換道軌跡模型，在聯(lián)合仿真環(huán)境對控制算法進(jìn)行驗(yàn)證。通過分析仿真數(shù)據(jù)以及三維仿真動(dòng)畫，證明所設(shè)計(jì)的滑?？刂破髂軌蚴怪悄芫W(wǎng)聯(lián)汽車在極限工況下安全、舒適、快速地完成單車自主換道以及多車協(xié)同換道。

5 結(jié)論

1) 構(gòu)建了車輛二自由度動(dòng)力學(xué)模型，并對系統(tǒng)方程進(jìn)行描述，直觀得到系統(tǒng)參數(shù)存在的不確定性原因。然后基于不同的需求設(shè)計(jì)了2種不同的換道軌跡，滿足智能車實(shí)際換道要求。

2) 提出了帶有有界映射改進(jìn)的自適應(yīng)神經(jīng)網(wǎng)絡(luò)、干擾觀測器的滑模自主換道控制。通過輸入信號(hào)有界映射改進(jìn)的神經(jīng)網(wǎng)絡(luò)辨識(shí)系統(tǒng)參數(shù)，保證系統(tǒng)穩(wěn)定性，顯著減少誤差；使用改進(jìn)的神經(jīng)網(wǎng)絡(luò)優(yōu)化的干擾觀測器觀測外界時(shí)變干擾并進(jìn)行補(bǔ)償，可以有效地抑制抖振；利用Lyapunov函數(shù)證明設(shè)計(jì)的控制器可以保證被控系統(tǒng)的穩(wěn)定性。

3) 分別在基于Matlab-Simulink的數(shù)值仿真和基于實(shí)車模型的Simulink-CarSim聯(lián)合仿真中在高速、強(qiáng)干擾以及低附著的極限工況，對多種換道軌跡，驗(yàn)證了設(shè)計(jì)方法的可行性、準(zhǔn)確性及優(yōu)越性。與此同時(shí)，將該控制器從單車控制推廣到多車協(xié)同控制，為多智能網(wǎng)聯(lián)車協(xié)同駕駛的橫向控制研究提供了思路。