智能汽車運(yùn)動(dòng)控制算法綜述*

楊薪敬

（重慶交通大學(xué)交通運(yùn)輸學(xué)院，重慶400074）

主題詞：智能汽車 運(yùn)動(dòng)控制 控制方法 算法

縮略語

MIMO Multi-Input Multi-Output PSO Particle Swarm Optimization HIL Hardware-In-the-Loop SMC Sliding Mode Control DOB Disturbance OBserver PID Proportional Integral Derivative

1 引言

隨著以人工智能為核心的信息化新技術(shù)迅速發(fā)展，汽車智能化發(fā)展的進(jìn)程在不斷加快。實(shí)現(xiàn)完全智能駕駛是智能汽車未來發(fā)展的目標(biāo)，對(duì)傳統(tǒng)汽車行業(yè)將產(chǎn)生顛覆性變革。我國高度重視汽車信息化、智能化發(fā)展，出臺(tái)一系列政策為智能化汽車保駕護(hù)航，其中在2020年末提出的《智能網(wǎng)聯(lián)汽車技術(shù)路線圖2.0》中，明確了3個(gè)發(fā)展目標(biāo)時(shí)間點(diǎn)（表1）。運(yùn)動(dòng)控制是智能汽車實(shí)現(xiàn)智能駕駛的核心技術(shù)之一，它的表現(xiàn)不僅決定汽車能否安全行駛，還影響汽車的舒適性。按照其控制目標(biāo)的不同，運(yùn)動(dòng)控制問題按照與時(shí)間參數(shù)的關(guān)系可以分為路徑跟蹤和軌跡跟蹤2 類。路徑跟蹤中參考路徑和汽車運(yùn)動(dòng)時(shí)間參數(shù)沒有關(guān)系，而后者由時(shí)間參數(shù)來決定參考軌跡。通常來說，車輛的運(yùn)動(dòng)控制同時(shí)包括橫向運(yùn)動(dòng)控制與縱向運(yùn)動(dòng)控制，汽車運(yùn)動(dòng)時(shí)二者存在耦合關(guān)系，相互影響。為了減少研究難度，通常研究人員將二者解耦，分別進(jìn)行研究，因此汽車運(yùn)動(dòng)控制通常又劃分為包括橫向控制、縱向控制和橫縱向協(xié)同控制。

表1 中國智能汽車發(fā)展計(jì)劃表[1]

本文首先闡述汽車運(yùn)動(dòng)控制的3 種分類，同時(shí)詳細(xì)歸納分析了模糊控制、自適應(yīng)控制、模型預(yù)測控制、神經(jīng)網(wǎng)絡(luò)控制汽車運(yùn)動(dòng)控制算法的研究現(xiàn)狀及特點(diǎn)。同時(shí)指出當(dāng)前技術(shù)發(fā)展的不足和未來潛在的研究方向。

2 運(yùn)動(dòng)控制分類

2.1 橫向控制

汽車行駛并非單純僅受汽車驅(qū)動(dòng)力，同時(shí)也受到來自地面和空氣傳來的側(cè)向力。橫向控制其性能取決于汽車的操縱穩(wěn)定性，其核心原理是通過控制操縱汽車的轉(zhuǎn)向系統(tǒng)，包括適當(dāng)控制調(diào)節(jié)汽車的橫擺角、前輪偏角和轉(zhuǎn)向盤轉(zhuǎn)角參數(shù)變量，使汽車沿著接近期望的參考路徑平穩(wěn)行駛，盡可能地減少誤差，確?？刂凭?。當(dāng)前，國內(nèi)外專家提出了一系列看法，研究集中在路徑跟蹤精度和車身穩(wěn)定性，結(jié)合速度、橫向誤差和增量的變化率參數(shù)為標(biāo)準(zhǔn)綜合衡量跟蹤性能。

2.2 縱向控制

縱向控制主要涉及到汽車的動(dòng)力性和制動(dòng)性。通過協(xié)調(diào)汽車驅(qū)動(dòng)機(jī)構(gòu)和制動(dòng)執(zhí)行器（主要執(zhí)行機(jī)構(gòu)為節(jié)氣門踏板和制動(dòng)踏板），根據(jù)行駛中出現(xiàn)的不同情況改變其縱向行駛的速度和加速度，達(dá)到期望的安全行駛距離，實(shí)現(xiàn)自主穩(wěn)定行駛。國內(nèi)外學(xué)者對(duì)縱向控制系統(tǒng)主要采用直接式控制方案（圖1）和分層控制方案（圖2）。其中直接式方案通過控制器直接控制車輛的節(jié)氣門開度和制動(dòng)壓力，實(shí)現(xiàn)對(duì)車輛運(yùn)動(dòng)的控制。而在分層控制方案中，上層控制器基于前車與本車的行車信息（包括相對(duì)速度、相對(duì)距離、前后車加速度和行車工況），綜合考慮經(jīng)濟(jì)型、安全性和舒適性因素計(jì)算得到期望的加速度和扭矩，下層控制器根據(jù)上層控制器求取期望命令，協(xié)調(diào)驅(qū)動(dòng)系統(tǒng)和制動(dòng)系統(tǒng)，實(shí)現(xiàn)本車的行車速度/加速度控制。由于發(fā)動(dòng)機(jī)是非線性時(shí)變系統(tǒng)，直接控制節(jié)氣門開度具有不確定性，所以直接式控制往往很難達(dá)到令人滿意的效果，因此大多研究采用分層式控制。

圖1 直接式縱向控制

圖2 分層式縱向控制

2.3 橫縱向協(xié)同控制

橫縱向協(xié)同控制就是同時(shí)控制橫向運(yùn)動(dòng)與縱向運(yùn)動(dòng)。汽車在實(shí)際行駛時(shí)，通常情況下會(huì)受到來自多個(gè)方向的作用力。但是汽車行駛工況復(fù)雜，汽車橫向運(yùn)動(dòng)與縱向運(yùn)動(dòng)之間存在著復(fù)雜的強(qiáng)耦合關(guān)系，因此可看作為一個(gè)高度非線性的運(yùn)動(dòng)約束系統(tǒng)，存在車輛參數(shù)不確定性的問題，這使得實(shí)際條件下橫縱向協(xié)調(diào)控制比較困難。橫縱向協(xié)同控制一般由2層控制器組成，上層控制器的作用是通過控制汽車運(yùn)動(dòng)時(shí)轉(zhuǎn)向盤的轉(zhuǎn)角，縮小橫向與航向之間的偏差，實(shí)現(xiàn)汽車對(duì)期望路徑跟蹤的準(zhǔn)確性。下層控制器的作用是控制執(zhí)行器，求取汽車節(jié)氣門開度和制動(dòng)力矩，達(dá)到合理控制行車速度的目的。橫縱向協(xié)同控制的效果關(guān)乎能否實(shí)現(xiàn)對(duì)路徑規(guī)劃中期望路徑的準(zhǔn)確跟蹤，而且對(duì)汽車行駛的穩(wěn)定性、舒適性和安全性也有較大提升。

汽車運(yùn)動(dòng)控制分類特點(diǎn)和參考文獻(xiàn)見表2。

表2 汽車運(yùn)動(dòng)控制分類

3 汽車運(yùn)動(dòng)控制算法分類

汽車運(yùn)動(dòng)控制算法有多種，國內(nèi)外學(xué)術(shù)屆和汽車行業(yè)研究人員也一直在進(jìn)行研究與改進(jìn)。對(duì)于控制算法有如下評(píng)價(jià)維度：

（1）實(shí)時(shí)性；

（2）魯棒性；

（3）精準(zhǔn)性；

（4）適應(yīng)性；

（5）抗擾動(dòng)性。

各種控制算法各有優(yōu)勢，主要有模糊控制、神經(jīng)網(wǎng)絡(luò)控制、模型預(yù)測控制（Model Predictive Control,MPC）、自適應(yīng)控制和滑膜控制（表3），其它控制算法中PID控制是經(jīng)典的算法。

表3 控制算法分類

3.1 模糊控制

模糊控制是一種基于模糊數(shù)學(xué)思想的智能控制方法，主要包括模糊集合化、模糊邏輯推理和模糊語言變量。該控制理論優(yōu)勢在于不需要建立精確的系統(tǒng)模型，但依賴先驗(yàn)的專家知識(shí)，需要進(jìn)行大量的試驗(yàn)標(biāo)定，缺點(diǎn)在于自身學(xué)習(xí)能力較差。近年來，針對(duì)其研究較少，且通常為與其它控制方法結(jié)合使用。例如，合肥工業(yè)大學(xué)張炳力等通過利用神經(jīng)網(wǎng)絡(luò)較強(qiáng)自學(xué)能力的優(yōu)勢，結(jié)合模糊控制理論設(shè)計(jì)軌跡跟蹤控制器，在直道或彎道較低速度的限制行駛場景下,該方法具有良好的控制效果，精度較高、穩(wěn)定好。但在其它行駛條件下，控制效果一般。重慶交通大學(xué)的雷敏分別利用模糊控制結(jié)合PI控制算法設(shè)計(jì)了縱向控制器，基于模糊預(yù)瞄PD 控制算法設(shè)計(jì)了橫向控制器，所設(shè)計(jì)控制器能夠消除橫縱向運(yùn)動(dòng)的影響。文獻(xiàn)[8]考慮到車輛行駛過程中車輛質(zhì)量和縱向速度變化的影響以及路面附著系數(shù)的影響，設(shè)計(jì)了一種具有加性范數(shù)有界不確定性（Additive Norm-Bounded Uncertainties）的T-S模糊模型，在模糊Lyapunov函數(shù)框架下設(shè)計(jì)一種基于模糊觀測器的車輛動(dòng)力學(xué)輸出反饋轉(zhuǎn)向控制方法。試驗(yàn)證明基于T-S 模糊觀測器的輸出反饋控制器相對(duì)于CarSim中嵌入的驅(qū)動(dòng)器模型具有一定優(yōu)勢。

3.2 基于神經(jīng)網(wǎng)絡(luò)的汽車運(yùn)動(dòng)控制

神經(jīng)網(wǎng)絡(luò)作為人工智能的重要發(fā)展方向，在智能汽車環(huán)境感知、運(yùn)動(dòng)控制、行為決策領(lǐng)域具有廣泛應(yīng)用的前景。深度學(xué)習(xí)具有擬合能力優(yōu)、表征能力強(qiáng)和適用范圍廣的特點(diǎn)。與傳統(tǒng)的控制方法不同，基于神經(jīng)網(wǎng)絡(luò)的汽車運(yùn)動(dòng)控制研究尚且處于起步階段。

北京工業(yè)大學(xué)的張吉研究了在復(fù)雜場景下的智能化運(yùn)動(dòng)控制模型和方法，提出“元?jiǎng)幼鳑Q策-車輛控制”二分層智能汽車智能運(yùn)動(dòng)控制模型。在此基礎(chǔ)上，使用深度學(xué)習(xí)算法對(duì)車輛控制系統(tǒng)進(jìn)行優(yōu)化，提出了基于深度確定性策略梯度的車輛控制方法。文獻(xiàn)[10]設(shè)計(jì)了一種基于深度強(qiáng)化學(xué)習(xí)的新型自動(dòng)制動(dòng)系統(tǒng)，并通過試驗(yàn)研究表明，在不同的不確定環(huán)境下該系統(tǒng)均能表現(xiàn)出理想的控制行為，并且避免了碰撞，也不會(huì)發(fā)生任何錯(cuò)誤。文獻(xiàn)[11]針對(duì)車輛在極限行駛條件下，提出了一種新的橫向運(yùn)動(dòng)控制方法，控制方案由一個(gè)魯棒轉(zhuǎn)向控制器和一個(gè)自適應(yīng)神經(jīng)網(wǎng)絡(luò)（Adaptive Neural Network，ANN）近似器組成。該方法可以在保持自主車輛橫擺穩(wěn)定性，以及在行駛條件限制下最小化橫向路徑跟蹤誤差。同時(shí)將車輛的橫擺穩(wěn)定性保持在或接近輪胎摩擦的物理極限。文獻(xiàn)[12]針對(duì)自主車輛的路徑跟蹤任務(wù)，提出了一種雙隱層輸出反饋神經(jīng)網(wǎng)絡(luò)、快速非奇異終端滑模控制策略，并通過李雅普諾夫方程驗(yàn)證了控制系統(tǒng)的穩(wěn)定性。與常規(guī)滑模控制器和非奇異終端滑?？刂破飨啾龋O(shè)計(jì)的控制算法具有更高的跟蹤精度、更快的收斂速度和更強(qiáng)的魯棒性。文獻(xiàn)[13]為了提高車輛的橫向運(yùn)動(dòng)控制能力，提出了一種基于改進(jìn)RBF 神經(jīng)網(wǎng)絡(luò)的滑?？刂撇呗?。用RBF 神經(jīng)網(wǎng)絡(luò)代替滑模結(jié)構(gòu)的切換控制。在滑模控制的基礎(chǔ)上，采用改進(jìn)的粒子群優(yōu)化方法對(duì)RBF 網(wǎng)絡(luò)進(jìn)行了優(yōu)化，使得滑模控制速度更快，抖振抑制效率更高。

基于神經(jīng)網(wǎng)絡(luò)的控制系統(tǒng)，具有不依賴于車輛動(dòng)力學(xué)模型的優(yōu)勢，但是目前研究較少，主要問題在于缺乏相應(yīng)的穩(wěn)定性分析手段。同時(shí)由于汽車行駛要求代碼具有較高的安全性和可解釋性，因此嚴(yán)重限制了神經(jīng)網(wǎng)絡(luò)技術(shù)在實(shí)車上的應(yīng)用。

3.3 模型預(yù)測控制(MPC)

模型預(yù)測控制（Model Predictive Control，MPC）擅長解決帶優(yōu)化的約束問題，具有優(yōu)良的控制性能，廣泛應(yīng)用于汽車的橫向控制研究中。對(duì)于模型預(yù)測控制，重慶交通大學(xué)相關(guān)團(tuán)隊(duì)開展了一系列研究。邵毅明教授等人為解決在車速較高時(shí)汽車跟蹤效果的問題，綜合考慮輪胎側(cè)偏角對(duì)于車輛行駛穩(wěn)定性的影響，設(shè)計(jì)一種線性時(shí)變模型預(yù)測控制器。該方案即使在車速較高時(shí)的行駛工況下控制器依然能實(shí)現(xiàn)對(duì)參考軌跡的準(zhǔn)確跟蹤。路宏廣等為解決在復(fù)雜工況中傳統(tǒng)模型跟蹤控制精度不高、魯棒性差等一系列問題，設(shè)計(jì)一種魯棒模型預(yù)測軌跡跟蹤控制策略。在不同行駛工況下，該控制器能夠在保證智能駕駛車輛跟蹤精度的前提下，提高車輛行駛的穩(wěn)定性，同時(shí)具有較強(qiáng)的魯棒性。陳亞偉等設(shè)計(jì)了一種基于多輸入、多輸出模型預(yù)測控制(MIMO-MPC)方法的自主應(yīng)急轉(zhuǎn)向系統(tǒng)，該系統(tǒng)的優(yōu)點(diǎn)在于比傳統(tǒng)單輸入、單輸出模型預(yù)測控制效果更好。

長安大學(xué)高奇提出在已知車輛行駛軌跡的情況下，通過純跟蹤算法計(jì)算橫向偏差，結(jié)合模型預(yù)測控制算法的車輛橫向控制策略，并通過仿真驗(yàn)證。吉林大學(xué)的鐘思琪研究了在不同場景下的跟蹤控制方法，為解決曲線型目標(biāo)路徑的跟蹤問題，提出了基于近似跟蹤誤差的MPC路徑跟蹤橫向控制方法，針對(duì)非線性MPC復(fù)雜程度高的問題，進(jìn)一步提出了分段線性近似誤差的線性時(shí)變路徑跟蹤控制方法，并且通過實(shí)車驗(yàn)證了有效性。張冰博士研究了全線控電動(dòng)汽車在不同行駛模式下的軌跡跟蹤控制方法，得到了更高效的智能駕駛體驗(yàn)。Taghavifar 等研究了基于多約束非線性預(yù)測控制模式的自主地面車輛路徑跟蹤控制器設(shè)計(jì)方法，該方法提高了車輛的瞬態(tài)性能，并考慮了防側(cè)翻準(zhǔn)則。

3.4 自適應(yīng)控制

自適應(yīng)控制方法的控制對(duì)象為不完全確定性系統(tǒng)，符合汽車行駛過程，該算法優(yōu)點(diǎn)在于可以依據(jù)數(shù)據(jù)信息實(shí)時(shí)調(diào)節(jié)控制系統(tǒng)的自適應(yīng)率。蘇樹華等提出了一種機(jī)器人駕駛車輛橫向自適應(yīng)反演切換控制方法，從而實(shí)現(xiàn)不同速度工況下的車輛穩(wěn)定轉(zhuǎn)向和路徑跟蹤。文獻(xiàn)[23]提出了一種自適應(yīng)軌跡跟蹤策略的半實(shí)物仿真研究，該策略由一種基于知識(shí)的自適應(yīng)機(jī)制組成，能夠自動(dòng)引導(dǎo)裝甲車沿預(yù)定路徑前進(jìn)。針對(duì)建立的汽車模型，利用粒子群算法(PSO)建立知識(shí)庫，根據(jù)不同的車速和航向誤差組合對(duì)控制器參數(shù)進(jìn)行優(yōu)化。同時(shí)，開發(fā)了自適應(yīng)機(jī)構(gòu)實(shí)現(xiàn)自動(dòng)調(diào)整控制器參數(shù)。該自適應(yīng)控制器能夠成功地引導(dǎo)裝甲車沿HIL道路行駛，橫向誤差降低了87%。

3.5 滑模控制

滑動(dòng)模式控制（簡稱滑?？刂疲┚哂袇?shù)少、響應(yīng)快和對(duì)外抗擾度能力強(qiáng)的特點(diǎn)。Tagne 等設(shè)計(jì)和驗(yàn)證了基于自主高階車輛滑?？刂频能囕v橫向控制器，根據(jù)多個(gè)試驗(yàn)方案表明該方法具有良好的魯棒性。中南大學(xué)自動(dòng)化學(xué)院余伶俐等提出一種分布式橫縱向有限時(shí)間滑?？刂撇呗?，用于實(shí)現(xiàn)車輛隊(duì)列橫縱向控制。Norouzi 等人設(shè)計(jì)了一種用于智能駕駛車輛的自動(dòng)變道控制器。采用了自適應(yīng)滑?？刂?。在自適應(yīng)滑?？刂浦校瑸榱吮苊舛墩?，引入了模糊邊界層。對(duì)基于滑動(dòng)的開關(guān)增益采用自適應(yīng)控制律，該自適應(yīng)控制律避免了計(jì)算系統(tǒng)不確定性上界的問題。Akermi 等提出了一種新型滑?？刂疲⊿MC）的自動(dòng)車輛路徑跟蹤控制策略。模型包括滑模控制、徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)（RBFNN）和干擾觀測器（DOB）算法，其中由模糊系統(tǒng)提供SMC 增益的自動(dòng)調(diào)整，以補(bǔ)償系統(tǒng)參數(shù)的變化。DOB 用于估計(jì)失配干擾，RB?FNN 用于評(píng)估不確定性。將該控制器應(yīng)用于高速極限行駛條件下和不同路面附著條件下的自主車輛路徑跟蹤問題。

3.6 其它控制方法

江蘇大學(xué)臧勇考慮到汽車行駛?cè)汁h(huán)境具有時(shí)變性，單一控制方法無法解決全局狀態(tài)的差異性需要，采取可拓控制方法，完成多區(qū)域切換控制，全局的跟蹤控制精度得到提高。文獻(xiàn)[29]針對(duì)智能駕駛汽車橫向和縱向動(dòng)力學(xué)的耦合控制問題，采用雙耦合控制器:其中第1個(gè)控制器采用李雅普諾夫控制技術(shù)，而第2 個(gè)控制器采用帶滑模的沉浸不變方法，從而確保對(duì)參考軌跡的魯棒跟蹤，并且重點(diǎn)考慮到車輛橫向和縱向動(dòng)力學(xué)之間的強(qiáng)耦合的影響。

PID控制是經(jīng)典的控制算法之一，其結(jié)構(gòu)簡單，可靠性強(qiáng)，應(yīng)用成熟，是工程應(yīng)用中使用最廣的控制器，在學(xué)術(shù)研究中多用于汽車縱向控制。Wang 等基于PID 控制，設(shè)計(jì)了一種PID 反饋控制的智能車輛路徑跟蹤控制策略。該控制策略能夠保證智能汽車在不同速度下的路徑跟蹤，具有良好的跟蹤精度、實(shí)時(shí)性和車輛行駛穩(wěn)定性。作為最為成熟的控制器，將PID算法與其它控制算法結(jié)合，亦是研究中常用的思路，例如文獻(xiàn)[31]，提出一種基于MPC與PI控制器結(jié)合的路徑跟蹤協(xié)調(diào)控制方法。

4 總結(jié)

當(dāng)前，針對(duì)智能駕駛汽車的橫縱向控制研究已經(jīng)取得豐碩的研究成果，但依然存在一些不足，未來研究應(yīng)專注以下5方面的改進(jìn)。

（1）理論研究應(yīng)加強(qiáng)實(shí)踐考驗(yàn)。一些控制理論僅提出理論，或者在仿真軟件中進(jìn)行驗(yàn)證，并未在實(shí)車環(huán)境中驗(yàn)證。

（2）汽車在實(shí)際行駛中面臨的實(shí)際工況復(fù)雜度遠(yuǎn)大于實(shí)驗(yàn)仿真設(shè)定的復(fù)雜度。在學(xué)術(shù)上研究多集中在側(cè)向加速度較小的工況下，對(duì)于極限工況的研究應(yīng)該深入。有研究表明智能汽車在中高速下，道路曲率的變化對(duì)軌跡跟蹤控制精度影響較大。同時(shí)道路環(huán)境復(fù)雜，尤其山區(qū)道路曲折坎坷，需要充分考慮山區(qū)道路曲率不連續(xù)、路面突變、氣候變化、隧道和下坡路段多、地面附著系數(shù)變化大的復(fù)雜工況，才能解決智能汽車行駛中的安全性、穩(wěn)定性和舒適性，推進(jìn)智能駕駛汽車的大規(guī)模應(yīng)用。

（3）為了簡化研究難度，對(duì)于汽車控制研究多采用車輛二自由度模型。但當(dāng)行駛工況復(fù)雜時(shí)，二自由度模型并不能準(zhǔn)確反映車輛動(dòng)力學(xué)特性。輪胎也會(huì)出現(xiàn)不同的程度的非線性特征。因此，未來研究中需要建立更高自由度的動(dòng)力學(xué)模型，當(dāng)然這會(huì)增加控制的難度。

（4）多考慮復(fù)雜工況下的橫縱向協(xié)同控制問題。一些研究對(duì)于橫縱向控制進(jìn)行解耦，雖然降低了難度，但是汽車行駛工況復(fù)雜，在實(shí)際工況中橫縱向協(xié)同控制不可避免，建議多進(jìn)行汽車橫縱向協(xié)同控制研究。

（5）單一算法缺點(diǎn)明顯，多算法融合發(fā)展成為趨勢。越來越多的算法互相融合，相互協(xié)同控制，彌補(bǔ)互相的不足，逐步成為智能汽車運(yùn)動(dòng)控制的研究趨勢。