1、第第一一章章智能汽车概论智能汽车概论智能汽车基本概念 智能汽车定义 搭载先进的车载传感器、控制器、执行器等装置,并融合人工智能等新技术,具备复杂环境感知、智能决策、自动控制等功能,可实现安全、舒适、节能、高效行驶的新一代汽车。智能汽车通常又称为智能网联汽车、自动驾驶汽车等。智能汽车概论智能汽车分级L0：完全人工驾驶L1：驾驶辅助，单一功能自动驾驶，能自动控制转向加速或制动，但是不能协同控制转向、加速或制动，仅能提供一个方向上的辅助。L2：部分自动驾驶，协同控制转向加速或制动，在特定环境下自动驾驶。解放驾驶人的手脚。但需要驾驶人关注环境，接管车辆。L3：有条件自动驾驶,车辆能够实现特定环境下的自
2、动驾驶。紧急情况下依然需要驾驶人控制，但会预留一定时间。L4：高度自动驾驶，需要在驾驶人设定目的地后，在规定的设计及运行域中有自动驾驶系统完成驾驶任务，不需要驾驶人进行接管操作。L5：完全自动驾驶，能在所有交通环境下完全由自动驾驶系统完成汽车的全部驾驶任务。智能汽车概论智能汽车概论我国汽车驾驶自动化分级智能汽车概论智能汽车发展概述 智能汽车发展意义1.提升交通安全。2.降低交通拥堵。3.减轻驾驶负担。4.节约土地资源。5.减少环境污染。6.促进产业发展。智能汽车的发展阶段 第一个阶段是2000年之前,这一阶段的智能汽车只能实现简单工况的智能驾驶和驾驶辅助,对环境适应性较差,受制于数据量及计算能
3、力的约束,还停留在较低的智能化水平。第二个阶段是2000年之后,随着海量数据及超高计算能力的出现,这一阶段的智能汽车技术得到了迅猛的发展,逐步实现了复杂环境及复杂工况的智能驾驶,驾驶辅助系统已经大规模商业化落地,高度自动驾驶系统也已经开展了大规模的实车道路测试。智能汽车概论智能汽车技术发展路线目前,智能汽车技术发展主要有两种技术路线:一种是以传统车企为主导的渐进式发展路线,按照智能汽车分级的发展历程逐步提高汽车智能化水平,即沿着部分驾驶辅助(L1)、组合驾驶辅助(L2)、有条件自动驾驶(L3)、高度自动驾驶(L4)和完全自动驾驶(L5)的历程分阶段发展智能汽车技术;另一种是以信息技术企业为主导
4、的颠覆式发展路线,力图突破汽车智能化技术逐级发展的思路,希望直接实现车辆的高度/完全自动驾驶自主式智能汽车组成。协同式智能汽车组成。包括技术方面、法规方面以及社会接受等方面的问题 在技术层面,智能汽车环境感知与认知技术、智能决策控制技术、人机共驾技术、智能计算平台技术、车用无线通信网络技术、云控基础平台技术和测试评价技术等共性关键基础技术亟待突破。智能汽车面临的问题智能汽车概论1.3智能汽车技术架构环境感知技术环境感知技术 智能汽车的环境感知模块利用激光雷达、毫米波雷达、视觉传感器、超声波雷达等各种传感器对周围环境进行数据采集与信息处理,以获取当前行驶环境及本车的有关信息。环境感知技术可以为智
5、能汽车提供道路交通环境、障碍物位置、动态目标运动状态、交通信号标志、自身位置等一系列重要信息,是其他功能模块的基础,是实现辅助驾驶与自动驾驶的前提条件。智能汽车概论 决策规划技术决策规划技术是智能汽车的控制中枢,相当于人类的大脑,其主要作用是依据感知层处理后的信息以及先验地图信息,在满足交通规则、车辆动力学等车辆诸多行驶约束的前提下,生成一条全局最优的车辆运动轨迹。决策规划层可以分为全局轨迹规划、行驶行为决策和局部轨迹规划三个部分。智能汽车概论 集成控制技术 集成控制技术主要通过控制车辆驱动、制动、转向、换档等操作,对决策规划层所得到的车辆最优轨迹进行路径和速度跟随,其本质是控制车辆的侧向运动
6、和纵向运动来减少车辆实际轨迹和期望轨迹之间的时间误差和空间误差。典型的智能汽车控制执行技术架构如图114所示。常用的控制技术包括基于最优预瞄的轨迹跟随控制技术、基于模型预测控制理论的轨迹跟随控制技术等。智能汽车概论 测试评价技术测试评价技术 科学、完善的测试评价体系对提高智能汽车研发效率、健全技术标准和法律法规、推进产业创新发展至关重要。但智能汽车测试评价对象已从传统的人、车二元独立系统变为人车环境任务强耦合系统,测试场景及测试任务难以穷尽,评价维度纷繁复杂,传统汽车的测试评价技术已经不能满足智能汽车测试需求。根据测试的真实性及可靠性,智能汽车测试评价内容可以分为模型在环测试、软件在环测试、驾
7、驶模拟器测试、硬件在环测试、车辆在环测试、封闭试验场测试和公共道路测试。随着测试过程的不断深入,测试结果的真实性和可靠性也在不断增大。智能汽车概论第第二二章章机器视觉感知技术机器视觉感知技术第二章智能汽车环境感知与定位技术第二章智能汽车环境感知与定位技术2.1智能汽车环境感知架 机器视觉感知系统 机器视觉感知系统是指智能汽车利用摄像头拍摄车外环境,根据搜集到的信息得到反映真实道路的图像数据,然后综合运用各种道路检测算法,提取出车道线、道路边界以及车辆的方位信息,判断汽车是否有驶出车道的危险。当情况危险时,机器视觉感知系统会通过报警系统给驾驶人发出提示,同时根据视觉导航的输出,对车辆的执行机构发
8、出指令,决定车辆当前的前进方向并控制车辆的运动状态。毫米波雷达 机器视觉感知系统是指智能汽车利用摄像头拍摄车外环境,根据搜集到的信息得到反映真实道路的图像数据,然后综合运用各种道路检测算法,提取出车道线、道路边界以及车辆的方位信息,判断汽车是否有驶出车道的危险。当情况危险时,机器视觉感知系统会通过报警系统给驾驶人发出提示,同时根据视觉导航的输出,对车辆的执行机构发出指令,决定车辆当前的前进方向并控制车辆的运动状态。机器视觉感知技术激光雷达激光雷达由发射系统、接收系统、信息处理三部分组成。激光器将电脉冲变成光脉冲发射出去,光接收机再把从目标反射回来的光脉冲还原成电脉冲,最后经过一系列算法来得出目
9、标位置(距离和角度)、运动状态(速度、振动和姿态)和形状,可以探测、识别、分辨和跟踪目标。超声波雷达超声波雷达是利用超声波为检测媒介的传感器。超声波雷达在智能汽车中,常用于泊车辅助预警以及汽车盲区碰撞预警。超声波雷达成本低,在短距离测量中具有优势,探测范围在0.13m,而且精度较高,非常适用于泊车。但其测量距离有限,且很容易受到恶劣天气的影响。机器视觉感知技术车道线检测技术通过安装于车内的摄像头感知行驶车辆的前方道路情况，在通过图像处理单元对图像进行处理，确定道路形状和相对位置。常见算法可分为基于特征和基于模型。基于机器视觉的车道检测技术机器视觉感知技术2.2.2基于机器视觉的障碍物识别技术通
10、过安装在车内或者外后视镜的摄像头采集图像，通过图像处理算法对侧后方行驶的车辆进行检测、标记。机器视觉感知技术2.3毫米波雷达感知技术毫米波雷达是只能驾驶不可或缺的传感器，作为车载的核心传感器，拥有对多目标优良的感知特性，满足ADAS于驾驶人的实时交互需求，因此成为智能辅助驾驶领域的又一关键传感器。机器视觉感知技术智能汽车毫米波雷达检测机理雷达电磁波发射机理,包括雷达发射波形和雷达发射天线等雷达电磁波传播机理,包括雷达内部衰减和雷达环境衰减。雷达电磁波反射机理,包括雷达目标后向发射和雷达环境杂波等。雷达电磁波接收与处理机理,包括雷达接收天线、雷达接收机特性、雷达信号理方法等。机器视觉感知技术毫米
11、波雷达的测速测距原理智能汽车毫米波雷达通常发射连续高频等幅波,其频率在时间上按线性规律变化,鉴于智能汽车毫米波雷达需同时测量目标的距离和速度,发射波形一般选择三角形线性调频。假设发射的中心频率为f0,B为频带宽度,T为扫描周期,调制信号为三角波,c为光速,R和V分别为目标的相对距离和相对速度,在发射信号的上升段和下降段,中频输出信号可以表示为如图所示的形状。机器视觉感知技术车载毫米波雷达的优缺点优点 探测性能稳定、作用距离较长、环境适用性好。与超声波雷达相比,具有体积小、质量轻和空间分辨率高的特点。与光学传感器相比,毫米波雷达穿透雾、烟、灰尘的能力强,具有全天候、全天时的特点。与激光雷达相比,
12、成本更低。缺点 在探测精确度方面，毫米波雷达的探测距离收到频段损耗的直接制约。无法感知行人，并且对周围所有障碍物无法进行精准的建模。机器视觉感知技术雷达目标反射特性分析雷达目标反射特性分析 雷达散射截面积是目标在给定方向上返回入射雷达功率大小能力的一种量度。雷达入射电磁波能量密度交通场景中的介电常数和磁导率的比值，空间波阻抗Z0雷达截面的目标所获取的总功率：如果目标将这些功率各向同性散射，则在距离为R的位置，其散射功率密度为机器视觉感知技术由上面公式得到RCS：机器视觉感知技术雷达环境杂波分析地物杂波分析地物杂波是雷达入射电磁波的分布散射回波，它对智能汽车毫米波雷达的影响较大，地物杂波是极为不
13、稳定的，例如由于风的作用，会引起树木、草丛等的微运动，这些因素均会引起地物杂波随时间的幅度起伏和频谱展宽。天气杂波分析由于智能汽车毫米波雷达工作波长处于毫米量级，其波长与雨、雪等气象粒子的直径尺寸较为近似，根据电磁理论，当入射电磁波波长和物体尺寸是同一数量级时，沿目标长度上的入射场相位变化是较为显著的。智能汽车毫米波雷达近距离探测时，气象杂波的电磁谐振散射特征较为明显和复杂,气象杂波对雷达检测的影响较为严重。机器视觉感知技术激光雷达感知技术 激光雷达指以激光作为载波、以光电探测器作为接收器件、以光学望远镜作为天线的光雷达。在汽车智能化技术领域,车载激光雷达通常是指发射激光束以探测驾驶环境中物体
14、的位置、速度等特征量的雷达传感器。常用车载激光雷达主要功能为，短时间内以雷达为中心，发射狭窄的激光束照射到物体表面上，通过激光发射位置的角度和激光的飞行时间来得到该激光束所照射到的物体表面相对于雷达中心的方向和距离,即该激光束照到的点的方位。由于激光雷达能在短时间内发射数量庞大的激光,故其产生的点最终可以通过“点云”的形式呈现。机器视觉感知技术激光雷达传感器检测机理 从车载雷达的基本功能来讲,激光雷达的主要功用是,探测环境中障碍物的位置信息和运动信息,提供环境感知和理解的数据支持,为决策提供依据。在距离探测方面,激光雷达传感器主要是利用飞行时间(Time-of-Flight,TOF)原理。飞行
15、时间指的是激光束从激光发射器发射出去直至被目标反射回接收器期间经历的时间差。机器视觉感知技术基于三维激光雷达的道路环境感知利用三维激光雷达进行道路感知时，每秒可以检测到高达几十万的点云信息，检测距离可达100。机器视觉感知技术基于激光雷达点云图的联合感知与运动预测感知环境状态，特别是物体的存在和运动行为的能力，是只能汽车的关键。利用激光雷达扫描周围障碍和行人，并预测他们的运动。机器视觉感知技术智能汽车常用的定位技术及其机理 常用的车辆定位技术包括卫星定位、基于信标阵列的定位技术、航迹推算、惯性导航、全球卫星定位系统定位、视觉定位、基于激光雷达的定位技术等。定位按照结果简单分类车辆定位从原理上主
16、要基于：相对定位经过网络辅助或差分增强的GPS技术 绝对定位GPS与其他传感器进行数据融合形成的定位系统通过信标或地图匹配的原理进行定位。机器视觉感知技术机器视觉感知技术辅助增强的卫星定位 通过卫星接收机引入网络辅助，从网络获取解算信息或者直接将结算任务交给网络服务器。位置差分、伪距差分、实时动态差分等差分增强系统。232机器视觉感知技术航迹推算航迹推算在4000年前的海上航行时就已经被使用,原理是以起航点或者观测船位为推算起始点,根据船舶最基本的航海仪器(罗经和计程仪)指示的航向、航程,以及船舶的操纵要素和环境因素等,在不借助外界导航物标的情况下,推算出具有一定精度的航迹和船位的方法和过程。
17、机器视觉感知技术 航迹推算公式：机器视觉感知技术惯性导航惯性导航系统通过惯性传感器测量角速度和加速度信息。惯性测量单元是惯性导航的硬件基础，用于测量三轴角速度信息以及三轴加速度信息。惯性系统通过对角速度的积分得到车辆的航向、俯仰和侧倾，通过对加速度的积分和二次积分可以求取车辆的速度和位置。机器视觉感知技术视觉SLAM 视觉同步定位与建图是基于单、双目摄像头、深度摄像头等传感器进行视觉图像处理以达到即时定位与地图构建的目的。单目摄像头缺乏尺度信息且不适合快速运动。双目摄像头已知基线长度，从而结合两个视角图片视差解算真实环境深度信息。深度摄像头则是通过主动红外结构光测距原理获取图像深度信息，相比于
18、双目摄像头，物理测量手段削减大量计算，时间开销很小，但抗干扰性差、适用范围小，目前适用于室内。机器视觉感知技术激光雷达SLAM激光雷达(LiDAR)最显著的特点就是分辨率高,通过雷达返回极高精度的距离、角度、反射强度等信息,可以得到物理世界精确的二维或三维坐标。另外,激光雷达有较好的隐蔽性和抗有源干扰能力以及良好的低空探测性等优点。但是激光雷达也存在致命缺陷,如在大雨、浓烟、浓雾等天气里,由于衰减急剧加大,可视距离大受影响,并且当前激光雷达价格高昂这一问题亟待解决。通过多种传感器融合的方式采集数据，并采用线下出的方式将多种数据进行融合产生高精地图。机器视觉感知技术基于信标导引的定位技术基于信标
19、导引的定位技术通过传感器检测预先设置在固定位置的信标，从而获得自身位置信息的定位方式。电磁感应导引 光学导引 磁带磁钉导引 射频识别导引机器视觉感知技术多传感器数据融合多传感器数据融合克服单个传感器数据可靠性低、有效探测范围小等局限性，同事保证为车辆运行提供可靠环境信息，在智能汽车的设计过程中使用多个传感器进行数据采集,并利用融合技术对采集到的数据进行分析、综合、平衡,通过各个传感器进行信息互补,从而进行容错处理,扩大系统的时频覆盖范围,增加信息维数,避免单个传感器的工作盲区,从而得到所需要的环境信息。卡尔曼滤波器种类 经典卡尔曼滤波 扩展卡尔曼滤波 无迹卡尔曼滤波机器视觉感知技术经典卡尔曼滤
20、波卡尔曼滤波器本质上是通过对下一时刻状态的先验估计与测量反馈相结合，得到该时刻相对准确的后验估计的过程。对于线性离散系统，要求满足过程模型为叠加过程激励噪声的线性系统、测量模型为叠加测量噪声的线性系统,并且噪声都服从正态分布,即系统可以用如下两个方程表示,其中离散时间状态差分方程为机器视觉感知技术扩展卡尔曼滤波 扩展卡尔曼滤波器是一种卡尔曼滤波器的非线性系统版本，EKF 用非线性状态方程获取更加精准的状态预测值以及对应的测量值，通过非线性变换使得变换后的系统仍旧满足理想高斯分布的假设。机器视觉感知技术无迹卡尔曼滤波 无迹卡尔曼滤波是指非线性系统状态估计时采用无损变换的方法将非线性系统线性化，通
21、过非线性函数概率密度分布进行近似即使系统模型的复杂度提升也不会增加算法的实现难度。（1）UT算法 构造Sigma点，根据状态向量x的统计量均值x和协方差 Px，构造Sigma点集。对Sigma点进行非线性变换 计算y的均值和方差，对变换后的Sigma点集Yi进行加权处理，从而可以得到 y 的均值和方差。（2）UKF算法流程UKF算法可以看作是经典KF算法与UT变换的组合，即将KF算法中的预测方程用UT变换来处理均值和协方差的非线性传递，就变成了UKF算法。机器视觉感知技术机器视觉感知技术智能汽车环境感知与定位仿真实例相比于激光SLAM，视觉SLAM（vSLAM）具有感知能力强、重定位能力更强，
22、以及价格更低，安装方式多元化，能充分利用图像丰富的颜色、纹理信息等多方面的优点。基于滤波器的方法 基于优化的方法机器视觉感知技术基于优化方法的vSLAM基于特征点基于直接法机器视觉感知技术实验验证及结果分析 摄像头标定并得到到摄像头的内参数矩阵和畸变参数 计算出的畸变参数，对广角摄像头产生的畸变进行畸变校正处理。结合低照度图像增强算法图像优化算法，基于LSD_SLAM得到算法跟踪效果图和建模效果图。机器视觉感知技术智能汽车决策规划架构分层递阶式优点：各个模块之间功能次序分明，问题的求解精度和求解效率得到相应的提高。具备了良好的规划推理能力，容易实现高层次的智能控制。分层递阶式缺点：对全局环境模
23、型的要求比较理想化，对传感器性能和系统的计算能力要求都较高，在控制的过程中具有一定的时延，其实时性和灵活性表现较差。架构的可靠性不高。机器视觉感知技术反应式架构反应式架构为并联式 优点：每个模块均可以独立接收感知信息，并根据感知信息独立做出相应的动作。多个模块之间可以协调工作，通过多个模块的累加可以适应复杂、陌生的环境。各个模块的功能相互独立虽然模块之间相互影响但又不存在必然的依赖关系。缺点：多个模块平行工作可能带来相悖的规划结果，具体到车辆上会形成对相同控制执行机构的冲突，因此需要设计额外的仲裁模块来解决冲突。通过模块累加的方法可以提高系统的适应性，但随着任务复杂度的提高以及不同模块之间产生
24、交互影响作用的增加，系统的设计、测试难度都会增加，缺乏实现较高智能决策工作的能力。机器视觉感知技术机器视觉感知技术混合式架构在整体设计上，为了确保架构能够达到较高的智能水平，依然以分层递阶的方式逐步分解问题。在每个层次上，为了保障该层次的鲁棒性、灵活性，采用反应式架构对其进行分解。机器视觉感知技术第第三三章章智能车决策规划技术智能车决策规划技术智能汽车行为决策方法正确的决策方法是智能汽车行驶安全性及合理性的重要保障，其目的是接收最新的本车状态信息以及环境感知信息结合交通规则，决策产生一个能够完成驾驶任务的行为，作为下层轨迹的目标。常用的智能汽车行为决策方法 有限状态机法 层次状态积法 博弈论法
25、 概率图模型法智能车决策规划技术有限状态机法有限状态机是一种描述特定对象的数学模型，由有限状态组成，决策过程根据当前状态以及接收事件产生相应的动作从而引起状态的变换，适用与具有复杂控制逻辑系统的建模。事件 状态 转换 动作 常表示为一个五元模组：F=(Q,q0,qf)式中,Q为状态机F中所有状态的集合,Q=q1,q2,qn;为引发状态转移的事件的集合,=e1,e2,en;为状态转移函数,:QQ;q0为初始状态,q0Q;qf为终止状态,qfQ。智能车决策规划技术应用有限状态机解决智能汽车的行为决策问题时，可将自动驾驶过程分解为几种基本的驾驶行为模式 车道保持行为(A)，自动驾驶系统的默认模式。车
26、辆跟随行为(B)，是指智能汽车按照自车道前车行驶状态自适应调节自身行驶状态。车辆变道行为（C），是指智能汽车当前车道不具备通行条件或邻车道具有更高的通行效率时，从当前车道切换到相邻车道的过程。制动避障行为（D），当智能汽车前方方出现紧急情况或意外危险且不具备换道条件时，智能汽车只能通过紧急制动降低车速或停车，以避免与前方车辆或障碍物发生碰撞。智能车决策规划技术智能车决策规划技术对于有限状态机的五元组模型 F=(Q,q0,qf)智能车决策规划技术层次状态机法根据道路环境对上层状态进行分类，然后根据具体的行驶行为为特征设计下层状态。智能车决策规划技术博弈论法博弈论是一种能够表征博弈对象之间合作与冲
27、突的数学模型。在智能汽车决策问题中，可将交通参与者建模为博弈对象并建立其交互模型通过逻辑推理或收益计算寻求博弈均衡点从而得到车辆决策。按照博弈对象之间是否存在通信：合作博弈 非合作博弈智能车决策规划技术概率图模型法概率图模型是贝叶斯体系下的重要模型，按照图结构可将概率图模型分为链图和高斯图。链图：贝叶斯网络,包括高斯混合模型、隐式马尔可夫模型、卡尔曼滤波、粒子滤波。马尔科夫随机场，包括吉布斯-玻尔兹曼机、条件随机场等模型。智能车决策规划技术智能汽车全局轨迹规划全局轨迹规划在全局地图指导下，根据驾驶任务等先验信息，基于车辆起点，终点及其他全局约束条件，在全局地图上规划出从起点到终点的路径。根据算
28、法原理的不同，全局轨迹规划方法大致包括 图搜索算法 图形学法 随机采样算法 智能仿生算法智能车决策规划技术图搜索法基于图搜索的路径规划需要依赖精确的感知信息，其主要任务在于根据感知信息构建路网，因此随着障碍物的增多，其运算量将急剧增加。图搜索算法大多用于二维空间的全局轨迹规划，主要包括 Dijkstra算法 A*算法 D*算法智能车决策规划技术Dijkstra算法设置两个点的集合 S 和 U，集合 S 中存放已找到最短路径的的节点，U 集合中存放当前还未找到最短路径的节点。初始状态时，集合 S 中只包含起始点，然后不断从集合中选择到起始点路径长度最短的节点加入集合 S 中。智能车决策规划技术A
29、*算法 与 Dijkstra 算法相比，A*算法增加了启发式估计，是一种建立在Dijkstra算法基础上的启发式搜索算法，在实际静态道路网的最佳优先搜索问题上应用较多。A*算法的评估函数为F(n)=G(n)+H(n)式中，F(n)为起始节点经由候选节点 n 到目标节点的代价评估函数；G（n）为起始节点到候选节点 n 的实际代价值;H(n)为候选节点到目标节点的估计代价。智能车决策规划技术智能车决策规划技术D*算法 Focussed D算法是 Anthony Stentz 设计的一种增量启发式搜索算法，它结合了A*算法和原始D*算法的思想，Focussed D算法源于对原始D*的进一步开发。D*
30、Lite是Sven Koenig和Maxim Likhachev基于LPA_star的增量启发式搜索算法，是结合A*思想和动态SWSF-FP的增量启发式搜索算法。D*算法及其变体已广泛应用于移动机器人和自主车辆导航。但 算法的可靠性往往随着规划路径长度增加而降低，并不适用长距离路径规划。智能车决策规划技术图形学法图形学法是基于环境模型的基础上进行路径规划的方法：栅格法，使用简单、普适性高且易于实现；缺点在于栅格分辨率越高，环境表示越精确，然而其运算量成指数上升。可视图空间法，简单直观，容易求得最短路径。但一旦起始点与目标点发生改变，就要重新构造视图。Voronoi图法，优点是把障碍物包围在元素
31、中，能实现有效避障；缺点是图的重绘比较费时，因而不适用于大规模环境下的路径规划。智能车决策规划技术随机采样类算法 基于随机采样的路径规划算法通过均匀随机采样的方法来探索高维状态空间的连通性，此类算法有两个主要特点 不需要对状态空间的自由区域进行建模 由于其随机采样的特点，搜索速度快，规划效率高，缺陷在于不能处理非完整约束动力学问题。随机采样类算法主要包含概率路标算法、快速随机树算法等。快速随机树算法主要特点：具有概率完备性,只要搜索时间足够长,RRT生成的随机树最终将覆盖全部可行空间。不需要事先对环境建立栅格地图,只需要将全局环境划分为可行的自由空间和不可行的障碍空间,并给定起始和目标状态即可
32、。可应用于高维空间,并且搜索速度优势更加明显。可以在搜索过程中加入动力学约束条件,可扩展性好,特别适用于包含障碍物和非完整(Non-Holonomic)系统或反向动力学(Kino-dynamic)微分约束条件下的动作规划智能车决策规划技术RRT 算法的搜索过程为，以给定起始位置 Pstart作为随机树 T 的根节点，随后执行如下循环直至新增加的随机树节点 Pnew与目标位置 Pgoal足够接近或者迭代次数达到设定的上限k:在状态空间中随机生成点 Prand,利用度量函数选取当前随机树 T 上与 Prand连接代价值最小的节点 Pnearest作为父节点,并以设定的步长 D 向 Prand方向延
33、伸,得到新节点 Pnew，利用CollisionFree函数检测 Pnearest与 Pnew的连接是否与障碍物发生碰撞：如果该连接无碰撞，则将节点 Pnew添加到随机树 T 上，并更新相应的状态值；反之则放弃节点 Pnew，进入下一次节点搜索。智能车决策规划技术智能仿生算法各种模拟自然界生物行为规律的智能仿生算法也可以用于智能汽车路径规划。智能仿生算法具有自学习、自决定功能，典型的智能仿生算法包括蚁群算法等。智能车决策规划技术智能汽车局部轨迹规划局部轨迹规划是在全局路径的基础之上，结合环境感知系统获取的信息计算出换道、转弯、躲避障碍物等情况下，局部范围内安全、平顺、精确的行驶轨迹。局部轨迹规
34、划方法可分为基于机理与规则的方法和基于数据驱动的方法等。基于机理与规则的方法 基于数据驱动的方法曲线插值法 基于强化学习的方法人工势场法 基于监督学习的方法智能车决策规划技术 强化学习作为一种端到端的车辆控制方法，可以同时对感知、决策、规划、控制部分进行优化，即可以完成综合驾驶场景的特征表征、良好的时机判断和决策输出、精确的轨迹规划和稳定的控制。为值函数近似法策略优化法策略梯度法智能车决策规划技术监督学习需要通过大量带有标签的训练数据训练监督学习模型，从而建立从指定输入到输出的黑箱映射模型。在智能汽车决策规划领域，常用的监督学习方法包括模仿学习和深度神经网络等。模仿学习1）直接模仿学习相比于间
35、接模仿学习逻辑较为简单，本质上是采用监督学习的方式学习人类驾驶人或其他传统机理规则算法的专家示教轨迹，从而得到状态-动作映射模型。2）间接模仿学习通常定义为逆向优化控制问题，通常与强化学习结合转化为逆强化学习问题。智能车决策规划技术 深度神经网络神经网络模型是监督学习中的重要内容，通过建立一定结构的神经网络模型，基于人类驾驶人数据或传统规划算法产生的数据通过误差反向传播和梯度下降等方法训练神经网络参数，从而实现根据当前交通态势和车辆状态进行车辆轨迹规划与预测。长短期记忆网络（LSTM）作为循环神经网络的一种，较好地解决了传统RNN模型中的梯度离散问题，同时在面向序列数据建模问题上具有较好性能，
36、能够记忆和处理序列中数据的长期依赖关系，通常人类驾驶人在驾驶过程中会对一定时间内交通环境变化以及自车运动状态变化进行分析处理，因此 LSTM能够较好地揭示时间序列数据中隐藏的驾驶人操作规律，实现较为准确的轨迹规划与预测。智能车决策规划技术LSTM网络中前向传播计算流程：计算遗忘门 计算输入门 计算描述当前输入的状态单元 更新状态单元 计算输出门 计算LSTM网络的输出智能车决策规划技术智能汽车决策规划仿真实例传统RRT方法的扩张是通过采样状态量进而逆向计算出输入量完成。但是对于汽车而言，其状态空间的维数nx通常较高，且额外的逆向计算也会增加系统开销。针对汽车轨迹规划问题的特性，Kuwata等提
37、出CL-RRT方法。智能车决策规划技术CL-RRT不直接对输入u进行采样，取而代之的是对工作空间进行采样。随之利用包含控制器和车辆模型的闭环控制系统产生出轨迹。智能车决策规划技术智能车决策规划技术智能车决策规划技术智能车决策规划技术第第四四章章智能汽车轨迹跟智能汽车轨迹跟随控制技术随控制技术智能汽车轨迹跟随控制概述智能汽车的轨迹跟随问题实际上分为速度跟随和路径跟随。速度跟随控制主要是将期望车速和实际车速之间的误差经过计算得到期望加/减速度，利用所建立的车辆纵向动力学逆模型将加/减速度转换成执行机构的控制期望，经过执行机构对车辆进行纵向控制。轨迹跟随控制系统最终应该能够满足以下的要求和性能：跟踪
38、精度平稳性适应性速度跟随控制PID控制模糊控制非线性控制滑模变结构控制智能汽车轨迹跟随控制技术基于预瞄理论的控制方法从本质上来说是一种无约束的优化控制方法，忽略或者简化了车辆动力学及状态约束。MPC能够通过车辆的运动学和动力学模型预测未来的轨迹的情况下，求解最有控制率。基于模型预测控制理论的智能汽车轨迹跟随控制方法具有在处理约束问题上的优势，还具有利用模型进行预测的优点。但是MPC法由于依靠车辆数学模型对车辆的运动状态进行估计，从而进行滚动优化以及反馈校正，所以对车辆模型的精度要求很高。其次，模型预测控制本质上是一种基于目标函数的优化求解方法，优化目标中各个部分的权重对计算结果影响很大，而且车
39、辆的行驶工况极为复杂，因此，MPC控制器中权重系数的调整与选择对轨迹跟随的效果影响很大。智能汽车轨迹跟随控制技术基于最优预瞄理论的控制跟随方法 最优预瞄理论算法概述预瞄控制算法大多基于一个假设：在短时间内，车辆的纵向速度被认为是一个常数或者是一个缓慢变化的参数，于是对车辆进行纵向和横向解耦，从而分别进行纵向速度跟随控制与侧向的路径跟随控制。最优预瞄控制理论的控制算法 基于预瞄假设以及最优曲率的控制 以车辆的动力学模型为基础，通过建立最优的圆弧轨迹与车辆期望的运动学或动力学关系。车辆动力学的选择一般采用二自由度模型。智能汽车轨迹跟随控制技术基于最优预瞄理论的路径跟随控制 最优预瞄理论的路径跟随理
40、论依据是模拟驾驶人的开车过程，通过对道路前方信息的预估，为了使得车辆实际轨迹与期望轨迹的偏差最小从而得到一个最优的转向盘转角输入。选择一个合理的预瞄距离，并计算出预瞄距离和期望路径的误差与转向盘转角之间的传递函数关系，分叫基于最优预瞄理论的前馈控制。在路径跟随的过程中，计算车辆的航向角和期望航向角的误差，并基于车辆航向角的误差进行反馈控制，这部分叫基于最优预瞄理论的反馈控制。智能汽车轨迹跟随控制技术最优预瞄理论前馈控制的原理如下：驾驶人沿着当前车辆行驶的方向进行预瞄根据当前的车辆状态，选择一个合理的预瞄距离；轨迹中离预瞄点最近的点与预瞄点的距离，该距离就称之为预瞄误差，确定预瞄误差与转向盘转角
41、之间的传递函数关系，最后根据该传递函数，就可以得到最优的转向盘转角。假设车辆沿着该曲线稳态行驶，跟随误差为零，根据车辆二自由度方程,可以得到稳态下车辆模型方程为。智能汽车轨迹跟随控制技术根据稳态圆周运动的规律，可以得到下面的关系式 Vss=Rrss期望的转向盘转角与预瞄误差之间的传递函数可以表示为智能汽车轨迹跟随控制技术基于最优预瞄理论的速度跟随控制智能汽车系统中轨迹规划层给出的轨迹形式为一系列的点集（xi,yi,si,vx,i）,参考的车速可以表示成构成理想轨迹的点集的函数。F=(Kp+KI)(aref-ax)智能汽车轨迹跟随控制技术基于模型与控制理论的轨迹跟随控制方法模型预测控制算法概述近
42、年来，模型预测控制理论被广泛应用到智能汽车轨迹跟随控制中来，原因是它在处理约束和求解最优控制序列方面有着很明显的优势。MPC控制器也称作滚动时域控制器，该控制器根据控制系统的动力学模型预测未来一段时间内系统的输出行为。智能汽车轨迹跟随控制技术预测控制算法主要包括三个步骤：预测系统未来动态。数值求解优化问题。将优化解的第一个元素，作用于系统。智能汽车轨迹跟随控制技术基于MPC的轨迹跟随控制智能汽车的轨迹跟随问题，包括路径和速度跟随，都可以通过MPC控制实现。基于MPC的轨迹跟随控制器的设计方法：要建立车辆纵横向耦合的车辆动力学模型对连续车辆模型进行离散化通过离散化可以得到下面的离散化后的系统模型
43、。选取合适函数使得在智能汽车的路径和速度的跟随过程中的路径误差和速度误差最小。满足一定约束条件下，求解在每一个时间步长内的优化问题。最后求得最优的转向盘和纵向加速度输入智能汽车轨迹跟随控制技术MPC的设计过程 线性时变的MPC控制器的设计 考虑车辆的轮胎侧偏角约束。MPC的二次规划问题求解。MPC控制器的约束处理 智能汽车轨迹跟随控制技术考虑稳定性的轨迹跟随控制方法极限工况的分析与选取车辆极限工况是指轮胎与地面间的摩擦力合力超出一定的范围，导致地面无法提供维持车辆理想运动状态所需的摩擦力，因此运动状态发生改变致使行驶轨迹超出安全区域范围的危险工况。轮胎摩擦圆边界约束指的是轮胎所受纵向力与侧向力
44、的合力不超过轮胎垂向力作用下所形成的最大摩擦力，一旦车辆当前运动状态下所需的轮胎合力超出摩擦圆边界，将会导致无法维持理想运动状态的危险情况,车辆便进入了极限工况中。智能汽车轨迹跟随控制技术轮胎合力超出摩擦圆边界的原因：车速较高且车轮转角较大导致车辆侧向加速度较大在雨雪天气或冰面上行驶时，路面附着系数降低，导致摩擦圆边界缩小。智能汽车轨迹跟随控制技术考虑稳定性的车辆状态估计考虑稳定性的车辆状态估计三自由度车辆动力学模型三自由度车辆动力学模型 相比二自由度模型而言，纵向速度u不再是常量，前轮转角不满足转动较小的假设，模型具有非线性特性。这里不考虑车身的俯仰与侧倾运动，假设左右前轮转角相等，仅考虑沿
45、x轴的纵向运动、沿y轴的侧向运动以及绕z轴的横摆运动。智能汽车轨迹跟随控制技术智能汽车轨迹跟随控制技术智能汽车轨迹跟随控制技术由三自由度模型确定车辆受到的合力与合力矩为：智能汽车轨迹跟随控制技术各个轮胎侧偏角大小与纵向速度、侧向速度、横摆角速度以及前轮转角相关：智能汽车轨迹跟随控制技术轮胎垂向力的FZi计算分别对后轮、前轮接地点取力矩，可得前后轮胎垂向合力分配关系式如下分别对右轮、左轮接地点取力矩，可得左右轮胎胎垂向合力分配关系式如下智能汽车轨迹跟随控制技术轮胎侧向力计算参照前文所述的二自由度车辆动力学模型，忽略纵向力对侧向运动的影响，将侧向力与其所产生的侧向加速度、横摆角加速度表达如下进而可
46、得前后轮侧向合力 FYF_ tatal、FYR_ tatal的表达式如下；代入前后轮轴荷转移系数后，可得到各个轮胎侧向力计算公式表达如下智能汽车轨迹跟随控制技术智能汽车轨迹跟随控制技术 汽车纵向力计算为了对比轮胎合力与摩擦圆边界的大小，也需要计算各个轮胎的纵向力 FXi。纵向力计算过程可参照前文所述的纵向动力学驱动和制动模型，忽略侧向力对纵向运动的影响，在驱动过程中不考虑坡度阻力，在制动过程中不考虑滚动阻力以及空气阻力，将纵向力与其所产生的纵向加速度表达如下考虑左右轴荷转移的影响：智能汽车轨迹跟随控制技术在制动过程中，对于一般考虑理想制动器制动力分配的车辆而言，各个轮胎纵向制动力分配比例与垂向
47、力分配比例相等，故而可根据轮胎垂向力计算结果，结合上式估计轮胎纵向力，其表达式如下智能汽车轨迹跟随控制技术路面附着系数估计方法 直接测量法 间接测量法智能汽车轨迹跟随控制技术考虑稳定性边界的轨迹跟随控制算法智能汽车轨迹跟随控制技术智能汽车轨迹跟随控制算法仿真实例智能汽车轨迹跟随控制算法仿真实例本节应用汽车智能驾驶模拟仿真平台PanoSim，对轨迹跟随控制算法进行全面综合仿真验证。PanoSim作为控制算法仿真验证平台，主要包括以下优点:PanoSim拥有高精度车辆动力学模型，共计有27个自由度，能够全面反映和表征车辆的非线性和耦合特性，且能够进行极限工况下车辆性能的仿真与分析。PanoSim
48、拥有行驶环境模型和高精度传感器模型，为智能驾驶规划决策和控制算法提供了准确输入。PanoSim 拥有界面友好的三维动画显示器、场景编辑器、车辆编辑器以及试验数据处理器，能够轻松自定义仿真工况与算法模型。应用PanoSim智能驾驶仿真平台对轨迹跟随控制算法进行仿真分析，控制算法架构在Simulink环境下搭建，其中车辆动力学逆模型由PanoSim车辆模型提供。对极限工况下的轨迹跟随控制算法进行研究，计算稳定性边界并对期望车速和加速度进行修正，确保车辆始终处于稳定行驶状态。智能汽车轨迹跟随控制技术智能汽车轨迹跟随控制技术第第五五章章典型智能汽车系统典型智能汽车系统纵向驾驶辅助系统自适应巡航控制系统
49、是一种典型的纵向驾驶辅助系统，其利用雷达、摄像头等车载传感器感知主车周围环境提取感兴趣的目标车辆，按照主车与目标车之间的相对运动状态判断系统工作模式，然后通过算法控制自车驱动、制动系统，实现车辆纵向的定速巡航或安全跟车功能。ACC系统控制架构与模式划分ACC系统控制架构主要包括统一式和分层式两种ACC系统分为信号采集、信号处理、信号执行和信号显示。典型智能汽车系统典型智能汽车系统典型智能汽车系统制动距离：典型智能汽车系统典型智能汽车系统典型智能汽车系统3.前车匀减速运动工况典型智能汽车系统安全跟车距离：个性化ACC系统目前的ACC系统设计模式较为单一，对所有驾驶人“一视同仁”，忽略了驾驶人的个
50、性化需求及其对系统的干涉和影响，从而降低了驾驶人对产品的满意度和使用率。不同类型驾驶人的驾驶行为具有显著差异，需要设计不同的ACC系统模式。典型智能汽车系统自动紧急制动系统自动紧急制动系统可在紧急工况下实现车辆的主动制动，可以有效降低车辆追尾事故的发生率。AEB 系统组成及功能原理 前方碰撞预警 制动辅助 自动紧急制动典型智能汽车系统AEB系统组成 感知系统 决策系统 执行系统 人机界面典型智能汽车系统AEV系统分级策略结构典型智能汽车系统典型智能汽车系统典型智能汽车系统典型智能汽车系统侧向驾驶辅助系统车道偏离预警系统可以辅助驾驶人驾驶车辆在正确车道中行驶，当驾驶人因分神、疲劳等原因导致所驾驶
