史志坚-文献综述ppt

1、基于无人驾驶汽车的路径追踪算法研究史志坚研究背景 随着科技进步和经济发展，汽车保有量迅速增加，非专业驾驶人员增多，道路交通事故的发生更加频繁，已经严重影响到人们的出行和生命财产安全。公安部统计数据显示，全国接报涉及人员伤亡的交通事故4.6万起，造成1.1万人死亡、5万人受伤，分别上升17.7%、16.5%和12.3%。驾驶员注意力不集中是导致交通事故频发的重要原因之一。 智能车辆可以利用各种先进技术，在危险发生前，提醒驾驶人员做出必要的回避动作或者在紧急状况下，如驾驶者无法做出反应时，自主控制车辆完成规避危险任务，从而避免交通事故的发生。如车道偏离报警及自动校正系统，自适应巡航系统，避障路径规

2、划与控制系统，自动跟随驾驶，自动泊车系统都可以大大减轻驾驶人员的劳动强度和疲劳程度，提高驾驶舒适性。研究开发智能车辆有助于减轻驾驶员的劳动强度，提高车辆行驶安全性，减少道路交通事故和提高交通系统通行效率。研究现状 日本名城大学的 ITS 研究团队（Tsugawa 教授）在 1977 研制成功第一辆自主转向车辆，作为全面自动交通控制系统工程的一部分，它基于嵌入式硬件的简单控制系统，能够完成 50m 左右的转向运动。将电机连接到转向轮，文献6中利用“P”控制即采用视觉输入的比例控制方法解决无人驾驶车辆转向控制的问题。Tsugawa 教授一直致力于自主车辆的研究，基于 DGPS和车辆之间的通信网络，

3、设计出了纵向和横向控制器，实现了汇入车流，车队跟随和避障控制等。因为其无人驾驶场景的特殊性（车队跟随），他们的控制率是基于航位推算的迭代算法，然而该控制算法对一般场景并不适用。研究现状 意大利帕尔马大学视觉实验室 VisLab 一直致力于“ARGO”工程。 他们研制的自主车辆 2010 年从罗马全程高速自主驾驶到到上海参加世博。ARGO 车装载低成本摄像头和 PC，在高速公路上可实现自主车道保持、超车，并且能检测到道路中间的障碍物。文献7中VisLab 研制的无人驾驶车辆使用视觉作为主要的传感器，采用惯性导航系统，基于比例控制，输入信号由视觉道路辨识系统直接提供。通过建立车辆的二自由度动力学模

4、型和预瞄跟随模型，引入反馈监督信号，该控制算法可用于实现车道保持和车队跟随，反馈监督信号结合视觉系统对道路环境的重建并给出合适的比例“P”的大小。该方法的计算复杂度十分高，硬件资源的消耗很大，因为在图像重建道路环境之后，需要通过复杂的拟合过程才能得到合适的方向盘输出。研究现状 美国卡耐基梅隆大学的 NavLab 实验室从上世纪 90 年代初开始无人驾驶车辆的研究工作。1995 年，一辆由美国卡耐基梅隆大学研制的无人驾驶汽车 NavLab-V，完成了横穿美国东西海岸的无人驾驶试验。在全长 4587 公里的美国州际高速公路上，整个实验 98.2%以上的路程是车辆自主驾驶。NavLab 的试验车采用

5、视觉导航，文献8,9中提出最初的转向控制是基于快速自适应横向位置处理的神经网络控制。他们的车道保持控制系统被称为(Autonomous Land Vehicle in Neural Network, ALVINN )，通过BP算法训练一个 3 层网络，将视觉图像作为输入，人类驾驶员的方向盘输出作为导师信号。设计的车道保持控制器可以将行驶侧向误差控制在6.9cm 以内，接近于人类驾驶员的平均水平5.7cm。该方法的缺陷在于必须事先已知道路的场景，一旦出现训练时没有遇到的路况，如车道数变化或道路宽度变化等，该控制系统将会失效。研究现状 西班牙工业自动化研究所从 90 年代末期开始研究无人驾驶车辆控

6、制技术。其团队成员J E Naranjo 等人研究并验证了模糊推理系统应用在仿驾驶员行为的无人驾驶车辆控制中的有效性和稳定性。文献10-12中提出以纵向控制作为研究起点，逐步实现了城市工况下带“STOP&GO”功能的自适应巡航系统；侧向控制方面，他们实现了超车，十字路口管理系统以及行人防撞系统等。J Perez 在文献中采用四层神经网络 BP 算法训练隶属度函数，优化了 J ENaranjo 的人工调节隶属度函数的方法。他采用三个优秀驾驶员的行为作为导师信号，进行离线训练，确定隶属度函数。仿真结果表明，新的隶属度函数相比前者的控制效果更加平稳，舒适性更强，更加节能和环保。研究现状 西安

7、交通大学人工智能研究所是国内无人驾驶车辆研究的先驱之一。从 2001 年开始展开了汽车辅助驾驶的合作研究。早期的原型车为一辆越野车，所搭建的汽车实验平台被称作是 SpringRobot。文献13-16中提出针对较大前轮转角条件下二自由度汽车模型不适用的情况，通过引入大转向条件下的 SpringRobot 转向模型，结合经典二自由度汽车模型用专家模糊系统解决了侧向控制中的大曲率转向问题。基于辅助驾驶新概念的发展，提出了认知车的概念，指出研究以驾驶员为中心的自主驾驶技术将成为无人驾驶车辆的新发展趋势。研究现状 北京理工大学也是国内无人驾驶车辆研究的先驱之一。他们从80年代中后期开始针对军用车辆进行

8、地面无人驾驶技术的研究。文献17,18中显示迄今为止成功研制了军用地面智能机器人和末制导专用遥控靶车。陈慧岩等在文献19中通过建立汽车的二自由度模型，设计了一种简单的模糊 PID 控制器，完成车道保持，减小了超调的同时提高了系统的响应速度。其他诸如清华大学，湖南大学，中科院合肥智能机械研究等一批高校和研究所也都竞相展开相应研究。研究现状吉林大学的智能驾驶平台“JLUIV5-CyberCar”同样采用视觉导航，通过建立汽车的二自由度简化模型，采用“Backstepping”算法将复杂的非线性系统进行解耦，并用李雅普洛夫法证明了其稳定性20，21。王荣本等在文献22中提出了一种新的导航控制方法，根

9、据线性二次型最优理论设计出的最优控制器跟踪直线轨迹，同时利用设计的模糊变结构控制器快速跟踪弧线导航路径。实验结果表明在 3.5m/s 低速下，该控制器的侧向偏差在 3cm 以内，方向偏差在 3以内。郭孔辉在文献23, 24中指出将驾驶员模型的研究成果映入到无人驾驶车辆的控制中是十分必要的，同时提出了一种集成驾驶员纵向和横向耦合控制的自动驾驶模型，典型的仿真场景表明该文提出的驾驶员模型十分适用于无人驾驶车辆的控制。研究现状 为保证智能车辆系统实时性、稳定性要求，国内外学者已经开展了大量的研究，提出了许多控制方法，包括传统的 PID 控制、反馈线性化控制等，也有一些新的方法，如滑模控制、最优控制、

10、后推控制、预瞄控制、神经网络控制等，这些方法都取得了一定的成果29-33，但大多假设智能车辆以一定的速度或在很小的速度变化范围内行驶，通过角速度来控制车体姿态。当速度变化较大时，控制的跟踪性能变差，甚至出现振荡。下图为1990-2011年SCI数据库中有关无人驾驶车辆转向控制律文章的统计数据。研究现状总体来看，现有的路径跟踪控制方法主要包含以下两类： （1）基于车辆当前位置与期望路径之间侧向距离偏差与方位偏差的位置偏差反馈控制系统。 文献25以当前路径信息作为反馈、以未来路径信息作为预瞄，设计了预瞄加反馈的控制器，预瞄距离和智能车速度根据预瞄路径的弯曲程度自动调整。文献26提出了一种基于车辆位

11、姿误差模型的积分误差 Back-stepping 控制方法。这些都是以车辆前方或当前位置与道路的位置偏差作为输入，通过各种反馈控制方法设计车辆运动学反馈控制系统。由于没有考虑车辆的动力学特性，无法满足实际要求。同时由于车辆系统时间滞后性，控制过程中会存在大的延迟环节，因此存在控制精度不高，实时性差的缺点。研究现状（2）通过期望路径产生描述车辆运动的期望动力学物理量，然后通过车辆状态反馈进行跟踪控制。 这类控制方法主要是根据期望路径计算出描述车辆跟踪目标路径的车辆自身物理量，如车辆横摆角速度、侧向加速度等，然后设计反馈控制系统进行跟踪这些物理量。王家恩等27基于车辆期望横摆角速度进行了路径跟踪横

12、向控制；而文献28则根据“最优曲率模型”，提出了基于侧向加速度的方法。但是他们都只设计了单一的期望物理量，而且在设计期望物理量时又只考虑了车辆与期望路径之间侧向距离偏差。由于车辆在行驶过程中侧向加速度与横摆角速度共同影响着车辆的横向运动状态，因此随着纵向车速的变化，该类方法会出现较大的跟踪误差和跟踪稳定性问题。前景展望 路径追踪问题一直是无人驾驶车辆和移动机器人领域研究的热点，并有了一定的发展，但对其实用性研究中尚存在以下问题值得开展进一步研究：1. 由于智能车辆是一个与人、环境关系复杂的系统，对实时性和安全性的要求较高，这就需要一种鲁棒性更高，偏差率更小的路径追踪控制算法来保证实际的需求。2

13、. 由于智能车辆系统在软硬件资源上都具有较好的可扩展性，可将目标路径跟踪控制、道路及障碍物检测等算法，结合驾驶员状态监控应用于车道保持系统、自适应巡航控制、车辆防碰撞系统等方面，进行具有实用性的汽车辅助驾驶产品开发。参考文献1 张迎春,黄志红智能交通系统（ITS）的发展J科技信息，2009 (26)：485-4862 李都厚,刘群,袁伟等. 疲劳驾驶与交通事故关系J. 交通运输工程学报, 2010, 10(2):104108.3 杨明无人自动驾驶车辆研究综述与展望J哈尔滨工业大学学报，2006，38(8) (ZK)：1259-12624 Margie PedenWorld Report on

14、Road Traffic Injury Prevention-Summary，World HealthOrganization，20055 周培云. 自主式智能车辆导航与路径规划技术研究D. 北京: 北京理工大学, 2009.6 S Tsugawa, T Yatabe, T Hirose, S Matsumoto. An automobile with artificial intelligence A.International joint conference on Artificial intelligenceC. Tokyo, Japan, 1979, 2:893895.7 Brogg

15、i A. The Argo Autonomous Vehicles Vision and Control Systems J. InternationalJournal of Intelligent Control and Systems, 1999, 3(4): 409-441.8 Y Z Zhu, Y Zheng, and U Ozguner. Waypoint Selection in Constrained Domains J. LectureNotes in control and Information Science, 2007(369):191-202.9 Pomerleau

16、D A. Neural Networks for Intelligent Vehicles A. Intelligent Vehicles 93SymposiumC, Carnegie Mellon University, 1993: 19-24.10 Sotelo M A, Alcalde S, Reviejo J, et al. Vehicle Fuzzy Driving Based on DGPS and VisionC.IFSA World Congress and 20th NAFIPS International Conference, Vancouver, BC , Canada

17、,2001, 3:1472-1477.11 J E Naranjo, Garcia R, Carlos Gonzalez, et al. Crossroad Cooperative Driving Based on GPS and Wireless Communications J.Computer Science, 2007,4739: 1073-1080.12 Milanes V, Perez J, Onieva E, et al. Controller for Urban Intersections Based on Wireless Communications and Fuzzy L

18、ogicJ. IEEE Transactions on Intelligent TransportationSystems, 2010, 11(1): 243-248.13 N N Zheng, Shuming T , Hong C, et al. Toward Intelligent Driver-Assistance and Safety Warning SystemsJ. IEEE Transactions on Intelligent Transportation Systems, 2004, 19(2):8-11.14 Jing Y , N N Zheng. An Expert Fu

19、zzy Controller for Vehicle Lateral ControlC. IndustrialElectronics Society, Taipei, 2007: 880-886.15 Jing Y , N N Zheng. An expert fuzzy strategy for vehicle lateral control under urbanenvironmentJ. International Journal of Vehicle Autonomous Systems, 2010, 8(2/3/4):263284.16 Li L, Wen D, N N Zheng,

20、 etal. Cognitive Cars: A New Frontier for ADAS ResearchJ. IEEE Transactions on Intelligent Transportation Systems, 2011, pp(99): 113.17 龚建伟,陆际联,黄文宇等.轮式移动机器人航向跟踪预估控制算法J. 机器人, 2001, 22(3):193-196.18 Guangming X, Huiyan C, Jianwei G, et al. Development and Implementation of Remote Control System for An

21、 Unmanned Heavy Tracked VehicleC. Intelligent Vehicles Symposium, Istanbul, 2007:663-667.19 Haojie Zhang, Huiyan Chen, Tao Hong. Study on Tracking System of Intelligent Vehicle Based on Self-Tuning Fuzzy ControllerC. Multimedia Technology, Ningbo, 2010.20 You Feng, Wang Rongben, Zhang Ronghui. Resea

22、rch on Lane Changing and Overtaking for Intelligent Vehicle Based on Vision NavigationC. Industrial Technology, Chengdu, China,2008:1-6.21 高振海,管欣,郭孔辉.驾驶员确定汽车预期轨迹的模糊决策模型J. 2000, 30(1):7-10.22 王荣本,张荣辉,金立生等. 区域交通智能车辆导航控制技术J. 2007, 38(7):39-42.23 Guo K, Ding H T, Zhang J W, etal. Development of a longit

23、udinal and lateral driver model for autonomous vehicle controlJ. International Journal of Vehicle Design, 2004, 36(1):5065.24 Guo K, Ding H, Wan F, etal. A unified analytical method for lateral and longitudinal，combined driver modelA. Proceedings of the International Symposium on Advanced Vehicle Co

24、ntrolC, 2006.25 V I Utkin. Variable structure systems with sliding modesJ. IEEE Transactions onAutomatic Control, 1977, 22(2): 212222.26 Xu J X, Pan Y J, Lee T H. A gain scheduled sliding mode control scheme using filtering techniques with applications to multi-link robotic manipulatorsJ. Journal of

25、 Dynamic Systems, Measurement and Control, 2000, 122(4): 641 649.27 Wong L J, Leung F H F,Tam P K S. A chattering elimination algorithm for sliding mode control of uncertain non-linear systemsJ. Mechatronics, 1998, 8(7): 765 775.28 Radu E P, Hans H. A survey on industrial applications of fuzzy contr

26、olJ. Computers in Industry, 2011, 62(3): 213226.29 MacAdam C C, Johnson G.E. Application of elementary neural networks and previewsensorsfor representing driver steering control behaviorJ. Vehicle System Dynamics, 1996,25(1): 330.30 Mars F. Driving around bends with manipulated eyesteering coordinationJ. Journal ofVision, 2008, 8(11): 111.31 W