賈曉燕

（蘭州交通大學交通運輸學院，甘肅蘭州 730070）

0 引言

在過去的二十多年里，世界上大部分貿(mào)易大國（如美國、德國、法國、日本等）的高速公路系統(tǒng)都得到了迅速發(fā)展，車流量顯著增加，交通越來越便利，但同時也帶來了一系列惡劣的后果，如交通擁擠、環(huán)境污染、交通事故等，導致大量的經(jīng)濟損失。在BMW 1997年的研究中發(fā)現(xiàn)，在德國，由于交通擁擠引發(fā)撞車等事故，造成每年損失約合一千億美元。類似的問題也存在于大部分東歐國家。因此，提高對車輛的控制能力，減少交通事故，提高高速公路的利用率，已成為目前研究的熱點問題。

有關(guān)智能交通系統(tǒng)的研究主要分兩個方面：一是自主導航系統(tǒng)的研究，二是車輛智能控制系統(tǒng)的研究。自主導航系統(tǒng)依賴于整個交通系統(tǒng)的建立和完善，而智能車輛控制系統(tǒng)由于便于應(yīng)用，除美國在智能高速公路系統(tǒng)方面已取得部分研究成果之外，各國都側(cè)重于智能車輛控制系統(tǒng)的研究。目前，日本在智能車輛控制方面的研究處于世界領(lǐng)先的地位。

我國在該領(lǐng)域的起步較晚，近幾年雖然高速公路建設(shè)發(fā)展迅速，總里程已位居世界第二，但在智能車輛控制應(yīng)用技術(shù)方面與發(fā)達國家有很大差距。特別是我國南方多陰雨天，北方多大霧天，使得車輛控制問題變得更加復(fù)雜，突發(fā)性的惡劣天氣導致交通事故頻發(fā)，嚴重時整個高速公路系統(tǒng)只能封閉，這大大降低了公路的利用率，嚴重影響了社會生活的正常運行。

本文針對智能車輛控制系統(tǒng)的研究現(xiàn)狀和問題展開討論，其中第1、2兩節(jié)分別分析討論了縱向車輛控制和橫向車輛控制的研究成果，第3節(jié)探討了縱橫向綜合控制問題，第4節(jié)給出本文的結(jié)論，并對今后的發(fā)展方向進行了展望。

1 車輛縱向控制

車輛縱向運動控制的目的是保證車輛行進過程中同前面車輛之間保持一定的安全距離，車輛之間維持相對穩(wěn)定的速度，并且在緊急情況下盡快做出剎車決定。

智能車輛的縱向控制主要是對車輛的節(jié)氣閥和剎車進行控制，在沒有司機的操作下，實現(xiàn)車輛的自動加速或減速。對于智能或自適應(yīng)巡航控制器，它們都是利用傳感器裝置，如雷達，來檢測外部信息（如車輛之間的間距，車輛的位置、速度、加速度等），使車輛在給定的速度下，在車隊中安全行駛，同時還能使公路的利用率最大化。控制器的作用是選擇對節(jié)氣閥還是對剎車進行控制，并且能在兩者之間進行平穩(wěn)的切換。

車隊控制形式主要有兩種：一種是自適應(yīng)智能巡航控制（Autonomous intelligent cruise control），簡稱AICC，此時車輛與外界不進行通訊，司機需要設(shè)定理想的行進速度和路線；另一種是協(xié)作式智能巡航控制（Cooperative intelligent cruise control），簡稱CICC，這種控制要求車隊中的車輛與其它車輛、路邊的監(jiān)測裝置、車行道控制器進行通訊，并且車隊能夠合并或分解，即車輛可以隨時進入一個車隊，也可以從車隊中退出。

1.1 自適應(yīng)智能巡航控制(AICC)

智能巡航控制主要研究的是車隊的穩(wěn)定性問題[1-2]，車隊的空間距離不停的變化是引起車隊不穩(wěn)定的主要原因，減小車隊運動的不穩(wěn)定性是縱向控制的主要研究領(lǐng)域。

AICC的模型是用車輛的速度和加速度建立的，針對不同算法的模型還可能包括車輛的質(zhì)量、空氣阻力、加速度率、道路摩擦等變量。下面我們探討現(xiàn)有的AICC控制方法及應(yīng)用情況。

文獻[3]提出一種基于模糊神經(jīng)網(wǎng)絡(luò)算法的車輛控制器，用雷達來模仿司機對車間距的控制行為，已在雪弗萊汽車上應(yīng)用了該控制器，并在菲尼克斯51高速公路上進行了成功測試。文獻[4]也提出一種模糊網(wǎng)絡(luò)控制器，來控制車輛速度和車間距，利用雷達來檢測車輛速度誤差和車輛之間的間距，并將該控制器安裝在林肯汽車上，在圣地亞哥的I-15高速公路上進行了實驗。文獻[5]提出了三層自動控制的模型，應(yīng)用模糊邏輯控制方法，文獻[6]對該模型和控制方法進行了測試。

文獻[7]提出4層的自動控制模型，其中計劃層發(fā)出控制命令，要求車輛換道、減速、加速等；校準層利用5種類型的反饋控制率，來完成一定的任務(wù)（計劃層發(fā)出命令），5個控制律分別為跟隨車輛的距離、領(lǐng)隊車輛的速度、合并加速度、分解減速度以及車輛自由換道。這些控制是為了既保證車輛間比較小的距離（提高高速公路的利用率），同時又保證車輛在高速公路上安全行駛。

文獻[8]提出一種縱向控制方法，車輛的驅(qū)動力F采用PD控制。即：式（1）中：M為這輛車的質(zhì)量；gf為前面車輛的加速度；g0為本車加速度；kp為比例系數(shù)；kd為微分系數(shù)；ds為車輛間的距離；dt為車輛間的理想距離，是前面車輛的速度；v0為本車的速度。

當F＞Mg0時控制節(jié)氣閥，當F＜Mg0時控制剎車。

利用車輛之間的通訊系統(tǒng)，可以測量車輛之間的距離和車輛的速度。文獻[9]發(fā)展了PID和基于滑動模型的PI控制，采用模糊邏輯控制器和模糊專家系統(tǒng)，決定在何種情況下應(yīng)該采用哪種控制方式。

1.2 協(xié)作式智能巡航控制（CICC）

CICC控制，要求車輛能與車隊中其他車輛進行實時通訊，為車輛的停止和前進收集各種數(shù)據(jù)和信息，對傳感器設(shè)定有效的控制策略。

車輛上安裝的傳感器，主要有雷達傳感器[10]，激光傳感器與視覺傳感器[11]，或同時安裝多種傳感器[12]。多種傳感器的融合可以彌補不同環(huán)境下測量的需要，可以通過這種方法將獲取的各種信息結(jié)合起來對車輛進行控制。對多種測量信號的擬和方法，文獻[13-14]設(shè)計了全維狀態(tài)估計器。但在實際操作中，環(huán)境的變化十分頻繁，很難預(yù)測傳感器會怎樣工作，一旦傳感器的融合策略中沒有某一種情況，控制器會失去控制能力。盡管如此，文獻[12]提出的多傳感器結(jié)合方法，仍是一種可以進一步發(fā)展的策略，這種策略克服了單傳感器感應(yīng)范圍有限、使用的環(huán)境也有限制的缺點，利用多傳感器的融合，對于解決低能見度情況下車輛跟隨問題，提出一種可行的方案。

文獻[15-16]利用上述傳感器通訊，使被控車輛得到車與車之間的距離、相對速度、前車的速度等信息來對跟隨車輛進行控制，車與車之間有全面的通訊能力。

文獻[17]提出一種基于自適應(yīng)控制理論，從車隊中車輛質(zhì)量的不確定性問題出發(fā)，設(shè)計了車輛控制器，定義了誤差方程：式（2）中：q1，q3，q4是控制參數(shù)；下標 l代表領(lǐng)隊車輛，使方程滿足條件S˙l1+λSl1=0，得到車輛的控制律如下：

式（3）、（4）中：δ是距離誤差，Mi是車輛質(zhì)量，λ 是正常數(shù)。

經(jīng)過成功的仿真試驗，驗證了該控制律可以使車隊保持穩(wěn)定。

文獻[18]提出利用李亞普諾夫第二方法，得到車隊中以車輛間距作為控制量的控制律，本文中采用一個三階的車輛模型，提出期望誤差的概念，并進行了模擬仿真，其結(jié)果顯示這種利用李亞普諾夫方程設(shè)計的控制器要比PID控制器更加敏感，控制效果更好。

2 車輛橫向控制

車輛的橫向控制的目的是對車輛的轉(zhuǎn)向進行控制。主要關(guān)心的是路徑的保持、轉(zhuǎn)向、改變路徑和躲避前方可能出現(xiàn)的障礙物。自動轉(zhuǎn)向系統(tǒng)可以大幅度降低由車輛行駛過程中出現(xiàn)的道路偏離或轉(zhuǎn)向過度而引起的交通事故。

橫向控制系統(tǒng)主要有兩種：一種是在車下安裝檢測裝置的下方參考系統(tǒng)（Look down reference）簡稱LDR，一種是在車輛前方安裝檢測裝置的前向參考系統(tǒng)（Look ahead reference）簡稱LAR。其中LDR的主要優(yōu)點是數(shù)據(jù)處理比較簡單，在各種氣候和各種路況下都能良好工作，但要在高速公路的道路上安裝電纜或永久性磁鐵的成本很高；而前向參考系統(tǒng)LAR采用的傳感器主要是視覺、超聲和激光等傳感器，利用這些傳感器采集車輛行駛環(huán)境狀況，經(jīng)分析處理做出相應(yīng)的控制決策。文獻[19]提出自回歸滑動平均并帶有模糊邏輯的方法設(shè)計控制器。文獻[20-21]提出卡爾曼濾波方法對控制器進行設(shè)計。文獻[22]設(shè)計具有智能和魯棒穩(wěn)定的模糊PD控制器,進一步把模糊控制系統(tǒng)轉(zhuǎn)化成帶有不確定因素的盧爾系統(tǒng)，用李亞普諾夫直接法，使該系統(tǒng)穩(wěn)定。文獻[23]提出一種魯棒模糊邏輯控制策略。文獻[24]采用最優(yōu)控制的方法，利用立體影像技術(shù)，在沒有路面標線的道路上（十字路口和停車區(qū)域）控制車輛的橫向移動。文獻[25]提出多層前饋的神經(jīng)網(wǎng)絡(luò)控制算法，提高車輛在彎路行駛時的安全性。

3 縱向橫向綜合控制

以上兩節(jié)分析總結(jié)了縱向和橫向車輛控制的發(fā)展情況，本節(jié)討論縱橫綜合控制問題。在車輛的控制中很難處理的一個問題是：車輛高速行駛時作急轉(zhuǎn)彎，使車輛在保持行駛軌道上轉(zhuǎn)彎，同時保證車速不發(fā)生太大減速。另一個難題是避障，控制器需要決定車輛是停止、越過障礙，還是在障礙物前突然轉(zhuǎn)向。這都需要橫向和縱向控制相結(jié)合，利用所有傳感器為控制器提供足夠準確的信息，從而使控制器在做出決定前能計算所有可能的方案，并選擇最優(yōu)方案。

公路上對車輛控制所提供的信息都是可見的，如道路條紋、人行橫道、停車線、信號燈、警告標志等。所以大量的研究工作都在基于視覺傳感器的控制方法研究方面，如文獻[26]提出基于雷達、激光和視覺傳感器數(shù)據(jù)融合的卡爾曼濾波方法，從而實現(xiàn)車輛的縱向橫向綜合控制。

對于車輛的控制方法主要集中在單獨對縱向控制或橫向控制上，而對綜合控制的研究仍舊很少，尤其在應(yīng)用領(lǐng)域上，輔助駕駛系統(tǒng)仍主要是縱向或橫向單獨工作的控制器，對綜合控制需要進一步研究。

4 結(jié)語

國內(nèi)外有關(guān)智能車輛控制的研究已取得了許多有價值的研究成果，但有關(guān)低能見度下車量控制的研究還都很少，現(xiàn)有的智能車輛控制算法很難在低能見度下使車隊穩(wěn)定運行。因此，低能見度下的車輛智能控制是汽車控制研究中一個十分重要的問題。無論是對單個車輛還是對車輛編隊進行控制，要取得好的控制性能都必須依靠車輛間的良好通訊，為有效的車輛控制提供足夠的信息。因此，我們認為以下幾方面急待深入研究：（1）適應(yīng)低能見度的多傳感器融合方法，如車輛雷達傳感器與計算機視覺信息的融合；（2）低能見度下車輛間的通訊及車輛與控制中心的通訊策略；（3）低能見度下的車輛橫向控制與縱向控制方法等。

[1]Swaroop D.V.A.D.G and Huandra R,Intelligent Cruise Control System Design Based on a Traffic Flow Specification [J].Vehicle System Dynamics,1998,30(5):319-344.

[2]Swaroop D.V.A.D.G and Rajagopal K.R,Intelligent Cruise ControlSystemsand Traffic Flow Stability [J].Transportation Research.1999,7(6):329-352.

[3]Wu L,Xu Y,Wang F,Lin Y,Li P,Liu W,Supervised Learning of Longitudinal Driving Behavior for Intelligent Vehicles Using Neuro-Fuzzy Networks:InitialExperimentalResults [J].The International Journal of Intelligent Control and Systems,1999,3(4):442-463.

[4]Kim H.M,Dickerson J and Kosko B,Fuzzy Throttle and Brake Control for Platoon of Smart Cars[J].Fuzzy Sets and Systems,1996,84(3):209-234.

[5]Germann S,Isermann R,Nonlinear Distance and Cruise Control for Passenger Cars[C].Proc of American Control Conf.Seattle,1995:3081-3085.

[6]Holzmann H,Germann S,Halfmann C and Isermann R,Intelligent Fuzzy Distance and Cruise Control for Passenger Cars[J].Journal of Intelligent and Fuzzy Systems,1998,6(3):315-327.

[7]Varaiya P,Smart Cars on Smart Roads:Problems of Control[J].IEEE transactions on automatic control，1993,38(2):195-205.

[8]Tachibana A, Automated Vehicle System Cooperated with Infrastructure[C].Proc of the 5th JSME Transportation and Logistics Conference.Japanese,1996:243-246.

[9]Kachroo P,Tomizuka M and Agogino A.M,A Comprehensive Strategy for Longitudinal Vehicle Control with Fuzzy Supervisory Expert Systems [C].IEEE International Conference on Systems,Man and Cybernetics,1995:765-770.

[10]Hoess A,Radar Net[C].Proc of eMobility Conf.Sweden,2001,CD-ROM.

[11]Langheim J,Sensor fusion for DAS[C].Proc of ITSW Conf.Chicago,2002.CD-ROM.

[12]Labayrade R,Royere C,Gruyer D,and Aubert D,Cooperative fusion for multi-obstacles detection with use of stereovision and laser scanner[C].Proc of the 11th ICAR Conf.Coimbra,2003:1538-1543.

[13]Kam M,Zhu M.G,Kalata P,Sensor fusion for mobile robot navigation[C].Proceedings of the IEEE,Jan,1997,85(1):108-119.

[14]Luo Ren C,Yih Chihchen,Su Kuolan,Multi-sensor fusion and integration:approaches,application and future research directions[J].IEEE Sensors Journal,2002,2(2):107-119.

[15]Sheikholeslam S,Desoer C,A system level study of the longitudinal control of a platoon of vehicles [J].Journal of dynamic systems,measurement,and control.1992,114(42):286-292.

[16]Sheikholeslam S and Desoer C,Longitudinal Control of a Platoon of Vehicles[C].Proc of the American Control Conf,San Diego,1993 1:291-297.

[17]Swaroop D,Direct Adaptive Longitudinal Control of Vehicle Platoons[J].IEEE Trans.Veh.Technol.2001,50(1):150-161.

[18]ChongK and Roh D,A LyapunovFunction Approach to Longitudinal Control of Vehicles in a Platoon [J].IEEE Trans.Veh.Technol,2001,50(1):116-124.

[19]Yuhara N,Horiuchi S,Iijima T,Tajima J and Asanuma N,Synthesis and Evaluation ofDriver Assistance Systemfor Vehicle Lateral Guidance and Control[C].3rdITSWorldCongress,Orlando,FL,October1996.

[20]Goldbeck J and Huertgen B,Lane Detection and Lacking by Video Sensors[C].Proceedings of IEEE/IEEJ/JSAI international Conference on Intelligent Transportation Systems,Tokyo,Japan,1999:5-8.

[21]Gern A,Franke U and Levi P.Advanced Lane Recognition-Fusing Vision and Radar[C].Proceedings of the IEEE Intelligent Vehicles Symposium 2000,Dearborn,2000:45-51.

[22]Cai L,Rad A.B,Chan W L and Cai K.Y,A Robust Fuzzy PD Controller for Automatic Steering Control of Autonomous Vehicles Department of Electrical Engineering[J].IEEE Conf.On Fuzzy Systems,2003,1:549-554.

[23]Mengyin F,Ruan J.h,Li Y.b,A New Kind of Robust Design Method of Intelligent Vehicle Lateral Control[C].IEEE Proceedings of WCICA,Hangzhou 2004:2438-2442.

[24]Paetzold F,Franke U,vanSeelen W,Lane Recognition in Urban Environment Using Optimal Control Theory[C].Proceedings of the IEEE Intelligent Vehicles Symposium 2000,2000:221-226.

[25]Wang G,F'ujiwara N,Bao Y,Feed-Forward Multilayer Neural Network Model for Vehicle Lateral Guidance Control[J].Advanced Robotics,1999,12:735-753.

[26]Stiller C,Hipp J,Roessig C and Ewald A.Multisensor Obstacle Detection and Tracking [J].Image and Vision Computing,2000,18(5):389-396.