项目五任务2：整车底盘线控系统的控制与优化（教师手册）

任务5.2整车底盘线控系统的控制与优化-教师手册项目五底盘线控系统的综合测试课程名称底盘线控执行系统测试装调学习任务名称整车底盘线控系统的控制与优化课时4课时课程内容智能网联汽车路径规划、智能网联汽车行为决策与车辆控制、整车底盘线控系统的路径规划与优化一、学习目标1、目标制定【知识目标】理解路径规划的概念、分类、一般步骤、常用算法和未来发展；理解汽车智能驾驶行为决策与车辆控制。【技能目标】能够独立完成给定场景的车辆行驶策略规划；能够熟练完成给定场景的底盘线控系统的控制与优化。【素养目标】严格遵守线控底盘测试的标准流程；独立地计划并实施；耐心友善地与客户沟通；耐心优化控制指令及参数。【思政目标】通过了解智能网联汽车的前沿科技，激发学生的爱国主义，增强四个自信。2.通过讲述德科智控的品牌故事，展现工匠踏实肯干、勤奋专研的精神，鼓励学生努力学习，提高自己的科学素养和创新创业能力二、学习内容1.学习情境描述一台线控底盘车辆，客户反映自动驾驶时，偶尔会出现线控转向不足的问题，假设你是测试工程师，你将如何进行测试并优化？2.学习内容分析本次课程内容来源于企业真实的工作任务，为了更好地对接企业工作任务及流程，提炼本次工作任务的三要素（如表1所示）。表1工作内容分析表工作对象与客户沟通车辆问题、对客户车辆进行调试测试、输出测试报告，并给出优化方案工具材料底盘线控产品使用手册、台架、工具箱、个人防护用品、清洁抹布工作要求能根据客户描述的问题，使用测试软件和仿真软件，输出测试报告及优化方案并与客户沟通。三、教学策略1.适用的教学方法角色扮演（客户与维修技师）、引导文法、项目教学法2.适合的组织形式个人，学生需独立地计划并实施测试。四、教学资源1.学习环境为了更好地开展工学结合的一体化教学模式，在教学场地方面，我们充分利用了与企业工作环境一致的校企合作校内培训基地作为我们的教学场地，该教学场地内设学习讨论区、资料查询区、方案展示区、操作实训区、工具存放区等（如图1所示）。图1教学场地布置图2.学习资源根据完成工作任务及达成学习目标需要，本次课我们为学生提供了如下学习资源（如表3、4所示）。表2软件资源一览表序号名称数量图例功能特色1学生手册1本/人学生学习理论知识的载体2教学课件1套辅助教师讲解理论知识，引导学生讨论工作方案3工作页1本/人学生按照工作流程设计，模拟真实的工作场景，填写工单4教师手册1套辅助教师备课表3硬件资源一览表序号名称数量图例运用环节功能特色1教学台架1辆/工位课中帮助学生掌握实践技能2安全帽2顶/工位课中实训操作时，用于保障学生人身安全3工作手套2双/工位课中实训操作时，用于保障学生人身安全4清洁抹布1块课后清洁设备五、教学实施过程（一）学习情景导入【提示】教师导入学习情景布置工作任务，学生接受任务一台线控底盘车辆，客户反映自动驾驶时，偶尔会出现线控转向不足的问题，假设你是测试工程师，你将如何进行测试并优化？车辆感知决策及控制（二）理论知识【提示】教师讲授分析解决问题的思路和方法，引导学生信息采集，了解任务智能网联汽车路径规划【过渡】提问同学们什么是路径规划？举例手机导航的实际场景。路径规划的概念连接起点位置和终点位置的序列点或曲线称之为路径，构成路径的策略称之为路径规划。路径规划是按照一定的评价标准，比如路径长度最短或能量消耗最少原则等，寻找一条从起始状态到目标状态的无碰撞路径。路径规划路径规划是解决智能网联汽车如何达到行使目标问题的上层模块，它依赖于为智能联网汽车驾驶定制的高精度地图，与普通导航单纯提供指引的性质不同，智能网联汽车的路径规划模块需要提供能够引导车辆正确驶向目的地的轨迹。这些轨迹至少要达到车道级导航的水平，而且轨迹上影响车辆行驶的周边的环境也需要被准确描述和考虑。路径规划模块需要根据局部环境感知、可用的全局车道级路径、相关交通规则，提供能够将车辆引导向目的地（或目的点）的路径。路径规划的分类路径规划技术是汽车自动控制技术的重要组成部分。根据对环境信息的把握程度可把路径规划分为全局路径规划方法、局部路径规划方法两种。全局路径规划局部路径规划全局路径规划是对全局环境已知，并根据算法搜索出最优或接近最优的路径。而局部路径规划则对环境局部未知或完全未知，通过传感器为自动驾驶提供有用的信息确定障碍物和目标点的位置，并规划起始点到目标点的最优化路径。其中，从获取障碍物信息是静态或是动态的角度看，全局路径规划属于静态规划(又称离线规划)，局部路径规划属于动态规划(又称在线规划)。全局路径规划需要掌握所有的环境信息，根据环境地图的所有信息进行路径规划；局部路径规划只需要由传感器实时采集环境信息，了解环境地图信息，然后确定出所在地图的位置及其局部的障碍物分布情况，从而可以选出从当前结点到某一子目标结点的最优路径。根据所研究环境的信息特点，路径规划还可分为离散域范围内的路径规划问题和连续域范围内的路径规划问题。离散域范围内的路径规划问题属于一维静态优化问题，相当于环境信息简化后的路线优化问题；而连续域范围内的路径规划问题则是连续性多维动态环境下的问题。路径规划的一般步骤一般的连续域范围内路径规划问题，其一般步骤主要包括环境建模、路径搜索、路径平滑三个环节。路径规划的一般步骤（1）环境建模环境建模是路径规划的重要环节，目的是建立一个便于计算机进行路径规划所使用的环境模型，即将实际的物理空间抽象成算法能够处理的抽象空间，实现相互间的映射。（2）路径搜索路径搜索阶段是在环境模型的基础上应用相应算法寻找一条行走路径，使预定的性能函数获得最优值。（3）路径平滑通过相应算法搜索出的路径并不一定是一条运动体可以行走的可行路径，需要作进一步处理与平滑才能使其成为一条实际可行的路径。对于离散域范围内的路径规划问题，或者在环境建模或路径搜索前已经做好路径可行性分析的问题，路径平滑环节可以省去。路径规划的常用算法一类是基于环境先验信息的全局路径规划，主要方法有栅格法、可视图法、自由空间法等。另一类是基于传感器信息的局部路径规划，常用的方法有人工势场法、遗传算法、蚁群算法、神经网络算法、空间搜索法、层次法、动作行为法、Dijkstra算法、Lee算法、Floyd算法等。（1）全局路径规划1）栅格法即用编码的栅格来表示地图，把包含障碍物的栅格标记为障碍栅格，反之则为自由栅格，以此为基础作路径搜索。栅格法一般作为路径规划的环境建模技术来用，作为路径规划的方法它很难解决复杂环境信息的问题，一般需要与其他智能算法相结合。栅格法2）可视图法首先将自动驾驶视为一个点，然后将起点、障碍物和目标点的每个端点连接起来，并以直线连接各个端点，从而将路径规划问题转化为从起点到目标点的最短路径寻找问题。可视图法的优点是概念直观、简单，缺点是灵活性不好。当目标点或障碍物或起始点发生变化时，需要对视图进行重构，而且障碍物的数目越多，算法越复杂。3）C空间法又称可视图空间法，即在运动空间中扩展障碍物为多边形，以起始点、终点和所有多边形顶点间的可行直线连线（不穿过障碍物的连线）为路径范围来搜索最短路径。C空间法的优点是直观，容易求得最短路径；缺点是一旦起始点和目标点发生改变，就要重新构造可视图，缺乏灵活性。即其局部路径规划能力差，适用于全局路径规划和连续域范围内的路径规划。尤其适用于全局路径规划中的环境建模。4）自由空间法针对可视图法应变性差的缺陷，采用预先定义的基本形状（如广义锥形，凸多边形等）构造自由空间，并将自由空间表示为连通图，然后通过对图的搜索来进行路径规划。由于起始点和终点改变时，只相当于它们在已构造的自由空间中位置变化，只需重新定位，而不需要整个图的重绘。缺点是障碍物多时将加大算法的复杂度，算法实现困难。（2）局部路径规划算法1）遗传算法遗传算法是自动驾驶路径规划常用的算法。该算法模拟达尔文的生物进化理论，结合进化中优胜劣汰的概念，是一种基于自然选择和遗传学原理的搜索算法。它是当代人工智能科学的一个重要研究分支，是一种模拟达尔文遗传选择和自然淘汰的生物进化过程中的计算模型。它的思想源于生物遗传学和适者生存的自然规律，是按照基因遗传学原理而实现的一种迭代过程的搜索算法。最大的优点是易于与其他算法相结合，并充分发挥自身迭代的优势，缺点是运算效率不高，不如蚁群算法有先天优势，但其改进算法也是研究的热点。遗传算法具有快速的全局搜索能力，因此可以快速搜索全局最优路径，但系统中的反馈信息利用率不高，往往导致不作为的冗余迭代，求解效率低。蚁群算法通过信息素的积累和更新，收敛于最优路径。它具有分布性、并行性和全局收敛性等优点。但在初始阶段，所有路径上的信息素都是相等的，使得算法有点像贪婪算法。该算法收敛速度慢，得到的解往往不是最优解。2）蚁群算法蚁群算法的思想来自于对蚁群觅食行为的探索，每个蚂蚁觅食时都会在走过的道路上留下一定浓度的信息素，相同时间内最短的路径上由于蚂蚁遍历的次数多而信息素浓度高，加上后来的蚂蚁在选择路径时会以信息素浓度为依据，起到正反馈作用，因此信息素浓度高的最短路径很快就会被发现。算法通过迭代来模拟蚁群觅食的行为达到目的。具有良好的全局优化能力、本质上的并行性、易于用计算机实现等优点，但计算量大、易陷入局部最优解，不过可通过加入精英蚁等方法改进。蚁群算法相对于遗传算法来说具有一定的记忆力。蚁群算法有多种原理，如觅食原理、避障原理和遗传算法。蚁群算法属于群智能优化算法，具有并行性。每一个粒子都能被主动优化，而遗传算法不能。蚁群算法3）神经网络算法神经网络算法是人工智能领域中的一种非常优秀的算法，它主要模拟动物神经网络行为，进行分布式并行信息处理。但它在路径规划中的应用却并不成功，因为路径规划中复杂多变的环境很难用数学公式进行描述，如果用神经网络去预测学习样本分布空间以外的点，其效果必然是非常差。尽管神经网络具有优秀的学习能力，但是泛化能力差是其致命缺点。但因其学习能力强鲁棒性好，它与其他算法的结合应用已经成为路径规划领域研究的热点。神经网络算法可以通过大量实际驾驶行为数据，学习避障和路径规划中隐含的、难以人工设计并提取的特征。深度学习的基本模型包括基于受限玻尔兹曼机的深度信任网络、基于自动编码器的堆叠式自动编码器、卷积神经网络、递归神经网络。神经网络算法由于无需迭代，采用前向网络学习算法学习避障的速度非常快，自组织神经网络特性也可用于融合传感器信息，学习从地图上不同位置到目的地的行驶路线。一旦学习完成，自动驾驶就可以实现自主导航。通过司机在场景中的驾驶操作可以得到一套训练集，输入到神经网络单元进行训练，再输出一个决策计划结果。在获得预期的轨迹后，需要控制车辆的转向、制动、驱动以跟踪轨迹。4）人工势场法是一种虚拟力法。它模仿引力斥力下的物体运动，目标点和运动体间为引力，运动体和障碍物间为斥力，通过建立引力场斥力场函数进行路径寻优。优点是规划出来的路径平滑安全、描述简单等，但是存在局部最优的问题，引力场的设计是算法能否成功应用的关键。人工势场法路径规划的未来发展随着科学技术的不断发展，路径规划技术面对的环境将更为复杂多变。这就要求路径规划算法要具有迅速响应复杂环境变化的能力。这不是单个或单方而算法所能解决问题，因此在未来的路径规划技术中，除了研究发现新的路径规划算法外，还有以下几方而值得关注：（1）先进路径规划算法的改进。任何一种算法在实际应用过程中都要面对诸多困难，特别是自身的局限性。例如：A*算法作为一种启发式搜索算法具有鲁棒性好，快速响应的特点，但是应用于实际中还是存在弊端，对于A*算法应用于无人机航迹规划时的弊端，李季等提出了改进A*算法，解决了A*算法难以满足直飞限制并且有飞机最小转弯半径等约束的局限性这一问题。（2）路径规划算法的有效结合（即混合算法）。任何的单一路径规划算法都不可能解决所有实际应用中的路径规划问题，特别是在面对交叉学科的新问题时，研究新算法的难度大，路径规划算法间的优势互补为解决这一问题提供了可能。对于多空间站路径规划问题，金飞虎等把蚁群算法和神经网络方法相结合解决了这一问题，并避免了单纯运用神经网络算法时出现的局部最小问题。（3）环境建模技术和路径规划算法的结合。面对复杂的二维甚至三维连续动态环境信息时，算法所能做的是有限的，好的建模技术和优秀路径规划算法相结合将成为解决这一问题的一种方法。如栅格法和蚁群算法的结合，C空间法和Dijkstra算法的结合等。（4）多智能体并联路径规划算法设计。随着科学技术的应用发展，多智能体并行协作已经得到应用。其中，多机器人协作和双机械臂协作中的路径冲突问题日渐为人们所关注，如何实现其无碰路径规划将成为日后研究的热点之一。智能网联汽车行为决策与车辆控制【过渡】提问同学们车辆在行驶过程中是如何进行控制？联系传统汽车的控制方式。汽车智能驾驶行为决策智能网联汽车的自动驾驶分为感知定位、规划决策、执行控制三个部分。决策是指决策控制电脑在整个无人驾驶系统中的作用，并根据位置、感知和路径规划等信息确定无人驾驶车辆的策略。智能网联汽车的行为决策是基于环境感知和导航子系统的信息输出，它包括选择哪条车道，是否换车道，是否跟车，是否绕道，是否停车。智能网联汽车的行为决策行为决策层汇集了所有重要的车辆周围信息，不仅包括汽车本身的当前位置、速度、方向和所在车道，还包括汽车一定距离内与感知相关的所有重要障碍物体信息和预测轨迹，在所获得信息的基础上来确定汽车的驾驶策略。主要包括预测算法、行为规划和动作规划等。汽车智能驾驶车辆控制（或者叫执行控制）汽车智能驾驶车辆控制车辆控制是指控制转向、驱动和制动，执行规划决策模块发出需求速度和需求方向盘转角，另外也包括转向灯、喇叭、车窗、仪表等车身电器控制信号。自动驾驶要实现对车辆的运动和车身电器进行自动控制，需要相应的线控系统来满足，其中车身电器系统用于实现对车辆内外部灯光、车门以及人机交互界面等内外部交互的控制，底盘线控系统用于实现对车辆运动的控制。底盘线控系统包括转向、制动、驱动控制，其中制动部分包括行车制动、驻车制动与辅助制动，驱动系统包括发动机/电机/混合动力控制、传动系统控制等。执行控制算法可以划分为车辆的纵向控制和侧向控制。（1）车辆纵向控制纵向控制是通过车辆的驱动和制动系统等控制车速，纵侧向控制的整体效果是车辆沿规划的轨迹，在特定行为模式下，以安全舒适的方式行驶并最终抵达目的地。（2）车辆横向控制横向控制是通过转向系统等控制车辆的横向运动。车辆横向控制用于控制车辆保持在规划的行驶轨迹上，直到完成驾驶任务。横向控制系统通过跟踪和预测当前车辆行驶轨迹，并实时与目标轨迹进行对比，根据轨迹间航向、曲率和距离的偏差，实时调整车辆横向运动，以保证车辆始终跟随目标轨迹。横向控制的算法的设计也受舒安全、舒适、节能等指标的约束。由于智能网联汽车信息的丰富性，横向控制需求的规划轨迹可以来源于很多方面，比如：由高精度地图规划的全局轨迹、根据当前环境状态规划的局部路径、车道保持系统中提供的车道识别信息，在横向控制中需要根据安全、舒适、节能等指标融合各类感知信息，决策最优控制指令。（三）任务实施【咨询】询问学生操作过程中遇到的问题，收集问题任务描述要求在这个右转弯的场景，控制车辆正常右转弯，并在红绿灯处的路口停车。首先需要你对行驶策略进行规划，并在路径规划界面，设置相关指令及参数，按要求完成右转弯的任务。如果行驶不合理，再对指令和参数进行优化。右转弯场景【引导】引导学生思考讨论“车辆在右转弯场景应该如何正常行驶”，比如先直线行驶、转弯前要减速、不能压线等，还可让学生思考讨论“车辆可以在哪条车道上行驶”。整车底盘线控系统的控制与优化流程整车底盘线控系统的控制与优化实训，具体流程如下：整车底盘线控系统的控制与优化流程设备物料介绍【提示】结合实物讲解设备包括智能网联汽车底盘线控实训系统（下文简称台架），物料及防护用品包括清洁抹布、安全帽和工作手套。设备物料介绍作业前的准备（1）检查并穿戴工作手套和安全帽。（2）检查台架万向轮是否已锁止，确保万向轮处于锁止状态。（3）连接台架电源线，启动台架电源。启动台架电源（4）启动点火开关后台架电脑自动启动，检查换档旋钮的档位是否处于N档。启动点火开关底盘线控系统的控制（1）在电脑桌面打开“智能网联教学车调试软件-线控底盘”。（2）选择CAN通道1，将波特率调整为：500k，打开“开启设备”按钮，CAN数据会实时的刷新。调试软件（3）单击“路径规划”按钮，进入底盘线控系统的控制与优化界面。底盘线控系统的控制与优化界面(4)单击“添加指令”按钮，在第一行指令中选择前进，并输入前进的速度和前进的时间。设置第一行指令(5)再次单击“添加指令”按钮，在第二行指令中选择前进，并输入前进的速度和前进的时间。设置第二行指令(6)再次单击“添加指令”按钮，在第三行指令中选择右转，并输入转向的角度和转向的时间。设置第三行指令(7)再次单击“添加指令”按钮，在第四行指令中选择前进，并输入前进的速度和前进的时间。设置第四行指令(8)单击“执行指令”按钮后，仿真车辆将按照控制指令行驶，观察车辆右转弯行驶是否正确。车辆未完成正常右转弯的场景要求底盘线控系统的控制优化（1）单击“回到起点”按钮，仿真车辆自动回到起点位置。（2）反复调整相关指令参数(答案不是唯一的），再重新单击“执行指令”，让车辆最终完成正常右转弯的场景要求，底盘线控系统的控制与优化任务结束。车辆完成正常右转弯的场景要求整理与清洁（1）关闭软件和电脑。（2）关闭点火开关。（3）关闭台架电源开关并拔出电源线。（4）清洁台架和工作台。（5）卸下安全防护用品。（四）任务考核【提示】教师监督学生完成任务考核了解道路状况观察右转弯场景图，了解并填写道路状况。道路状况转弯前，两个车道都可以右转弯。转弯后，两个车道都可以直行。转弯后，很快有一个红绿灯路口。在下表中填写行驶策略规划序号行驶策略1前进（速度可快）2前进（速度需慢）3右转弯4前进填写第一次设置的控制指令和参数，并分析控制优化方案（没有标准答案）序号指令参数时间1前进3022前进1513右转150.74前进3025678分析控制优化方案：前进的时间不够长，太早右转弯。调整右转弯时机后，又发现右转后压线，且车辆冲出路口停止线。分析人：填写最终成功的控制指令和参数序号指令参数时间1前进3022前进151.63右转150.74前进301.75678（六）思政内容[天津德科智控股份有限公司]-让智能驾驶线控技术更简单！是一家车辆智能驾驶线控技术研发商，专注于车规级线控技术研发与批量产品落地，实现车辆的高级辅助驾驶（ADAS），助力L4级自动驾驶技术在低速场景及商用车领域的应用落地，已成为国内智能驾驶线控技术领军企业。德科智控是国内最早从事电动助力转向系统研究的公司之一，公司创始团队深耕线控底盘技术，以满足车辆电动化、智能化，实现底盘线控类产品安全、可靠为已任。历经二十余年的研发，已实现从电动助力产品到智能线控产品的量产。公司已拥有L4级车辆智能驾驶线控冗余算法，L2-L4级线控智能硬件平台，车规级线控转向系统，车规级线控电液转向系统，电动助力转向系统，电液助力转向系统等产品。德科智控拥有硬件、算法，传感器和电机四大核心技术，可快速响应满足客户需求。拥有独立的总装车间、防尘防静电恒温恒湿控制器总装车间、高效的电机生产线以及完整的实验室。公司还获得了欧盟的ECE认证及IATF16949质量体系认证。德科智控与合作伙伴建立了良好的合作关系，连续8年保持同行业出口第一名，产品在多个细分领域保持第一。德科智控已和数十家行业头部企业战略合作，服务多家高校无人驾驶团队，依托二十余年在电动助力转向系统研发的经验，和近160万台市场交付，融合车规级产品化能力，助力合作伙伴的L4级无人车产品商业化落地和规模化交付，在智慧城市物流、L4级自主代