朱林峰 楊家富 施楊洋 方朋朋

（南京林業(yè)大學機械電子工程學院，南京210037）

1 引言

人工智能的迅速發(fā)展正在深刻改變人類社會生活，改變世界。為搶抓這一重大戰(zhàn)略機遇，構筑我國人工智能發(fā)展的先發(fā)優(yōu)勢，加快建設創(chuàng)新型國家和世界科技強國，2017年7月國務院印發(fā)《新一代人工智能發(fā)展規(guī)劃》，其中自主無人系統(tǒng)的智能技術、智能運載工具是發(fā)展規(guī)劃的重點任務，重點發(fā)展無人駕駛汽車和軌道交通系統(tǒng)，加強車載感知、自動駕駛、車聯(lián)網(wǎng)、物聯(lián)網(wǎng)等技術集成和配套，開發(fā)交通智能感知系統(tǒng)，形成我國自主的無人駕駛平臺技術體系和產品總成能力，探索無人駕駛汽車共享模式。2017年12月阿爾法巴智能公交已在深圳試運行，2018年4月美團和百度在雄安試驗無人駕駛送餐，無人駕駛無疑已成為廣大研究者高度關注的熱點。

無人駕駛車輛是在沒有駕駛員主動控制但有連續(xù)監(jiān)測下行駛的車輛，主要依靠計算機、傳感器技術和設備來感知車輛行駛環(huán)境，并根據(jù)感知所獲得的道路環(huán)境和障礙物信息對車輛進行運動控制，從而在保障行駛穩(wěn)定性、動力性和乘坐舒適性的同時，保證車輛能夠精確跟蹤期望路徑［1］。無人駕駛車輛具有參數(shù)不確定性及高度非線性動態(tài)特性等特點，是一種典型的多輸入-多輸出復雜動力學系統(tǒng)，如何構建這一復雜動力學系統(tǒng)的運動控制方法是實現(xiàn)無人駕駛車輛自主行駛的重點。

運動控制分縱向控制和橫向控制，前者是指對油門和制動的協(xié)調，實現(xiàn)對期望車速的精確跟隨，后者是指車輛的自動轉向，即控制車輛沿規(guī)劃的路徑行駛。其中橫向控制是無人駕駛車輛運動控制研究領域中的核心問題之一。本文簡要闡述了近年來國內外橫向控制研究的發(fā)展歷程，分析了橫向控制的經典控制策略、現(xiàn)代控制策略、智能控制策略及橫縱向綜合控制，提出了無人駕駛車輛橫向控制的未來研究方向。

2 無人駕駛車輛橫向控制發(fā)展歷程

無人駕駛車輛的智能行為反映了自然環(huán)境感知、智能行為決策和車輛運動控制能力的關鍵技術。根據(jù)環(huán)境感知所用傳感器系統(tǒng)的不同，無人駕駛車輛橫向控制可分預瞄-跟隨式和非預瞄-跟隨式參考系統(tǒng)。前者通過計算車輛前方期望路徑和車輛之間的位置偏差來車實現(xiàn)自動轉向［2］，例如 Lydie等［3］提到的激光雷達和 Hernandez等［4］提到的全球定位系統(tǒng)（GPS）；后者通過計算期望航向和當前航向的偏差來控制車輛實現(xiàn)路徑跟蹤［5］，例如加利福尼亞大學 PATH項目中的磁鐵跟隨轉向控制系統(tǒng)［6］。

橫向控制最早是1980年俄亥俄州立大學的學者為PATH項目提出［7］。從1988年開始，加利福尼亞大學 Shladover等［6］在橫向控制問題上開始建立模型，推導傳感器系統(tǒng)控制規(guī)律。20世紀90年代，Peng等［8，9］利用頻率線性二次型（FSLQ）最優(yōu)控制理論設計橫向反饋和前饋控制器，還測試了前饋-PID反饋控制算法和最優(yōu)控制算法，但路徑跟蹤未到達系統(tǒng)性能要求。因此，1997年PATH展示了一種預瞄-跟隨式的自動轉向系統(tǒng)［10］，通過預瞄車輛周圍的道路曲率信息來計算前饋控制量。

21世紀初，Hernandez等［4，11］通過 GPS準確預估了車輛相對于道路的橫向位移。2005年之前，無人駕駛車輛的方向控制結構多是PID控制，之后，文獻［12］提出了一種雙閉環(huán)控制結構，外環(huán)控制基于模糊控制計算方向盤的目標位置，內環(huán)控制通過執(zhí)行機構移動轉向桿來達到這一目標位置。近年來，智能控制理論受到控制理論界的關注，Onieva等［13］獲取駕駛員的車輛操作信息，并通過遺傳算法訓練，將之作為模糊控制器的輸入?yún)?shù)來完成無人駕駛車輛的自動轉向。Lombard等［14］提出了基于 GNSS定位的橫向控制策略，利用線性二次調節(jié)器作為控制器來設定方向角。

我國無人駕駛車輛興起于20世紀80年代，1980年開始研制“遙控駕駛的防核化偵探車”，在20世紀末和21世紀初，多所高校聯(lián)合研制ATB、THMR-V、CA7460等。2007年，付其軍等［15］引入了一種結構簡單、易于實現(xiàn)且工作可靠的雙閉環(huán)PID調節(jié)的轉向控制策略，滿足轉向系統(tǒng)對準確性、快速性、平穩(wěn)性的要求。隨著控制理論與方法的發(fā)展，針對無人駕駛車輛泊車時自動轉向問題，將車輛橫向運動學模型簡化成一種線性時變模型，且制定出相應的橫向位置最優(yōu)跟蹤控制方案［16］。針對環(huán)境模型未知或半知，無人車難以準確獲得動態(tài)參數(shù)的情況，文獻［17］基于行為融合采用模糊邏輯的思路對無人駕駛車輛進行智能控制。

獨立的橫向控制系統(tǒng)并不能體現(xiàn)無人駕駛車輛實際運行時的特性，且很多橫向控制研究在實際工程中并沒有考慮橫縱向動力學的相互影響。同時考慮橫縱向控制的綜合性策略是未來發(fā)展方向。對此，Attia等［18］基于非線性模型預測控制設計了整車控制系統(tǒng)，提高了車輛橫向控制精度。混雜系統(tǒng)適合具有邏輯切換的不連續(xù)動態(tài)過程，為了保證無人車安全可靠運行并快速響應上層指令，文獻［19］利用混雜系統(tǒng)理論設計無人駕駛車輛整車控制策略，而文獻［20］利用有限狀態(tài)機理論，采用分層決策的思路設計差動轉向無人車整車控制策略。

分析近年來國內外橫向控制研究工作，可以清晰地看到，一方面，橫向控制已由駕駛輔助系統(tǒng)經部分自動化系統(tǒng)、高度自動化系統(tǒng)、完全自動化系統(tǒng)，發(fā)展到現(xiàn)在的智能化系統(tǒng)。另一方面，橫向控制策略的不足和行駛環(huán)境外界因素的干擾，使人們在解決路徑跟蹤的準確性時不能很好地應用控制策略和控制理論。這種需求和現(xiàn)狀的矛盾構成了無人駕駛車輛發(fā)展的強大動力，同時也是人們不斷的研究橫向控制的主要原因之一。

3 無人駕駛車輛橫向控制策略

無人駕駛車輛是一個高度非線性和參數(shù)不確定性的復雜系統(tǒng)，導致對其橫向控制具有一定難度，尤其在一些復雜路況下，因此前期只能單獨設計。但如果不能把橫、縱向控制有機地結合為一個整體，而是單獨設計互不關聯(lián)，那么將削弱甚至不能達到預期的系統(tǒng)性能。從控制理論與方法的發(fā)展歷史角度來看，無人駕駛車輛橫向控制的發(fā)展過程是螺旋式的，從簡單的調節(jié)裝置、PID控制，發(fā)展到基于傳遞函數(shù)模型的經典控制，之后是基于受控系統(tǒng)狀態(tài)空間模型的現(xiàn)代控制，再到基于復雜系統(tǒng)和擺脫受控系統(tǒng)數(shù)學模型的智能控制（目前的最新應用），最后到橫縱向結合為一個整體的綜合控制（未來發(fā)展方向）。

幾種控制策略的主要特點如表1所示。

表1 控制策略的主要特點Tab.1 The main features of the control strategy

3.1 經典控制策略

經典控制以傳遞函數(shù)為數(shù)學模型，以頻率響應法和根軌跡法為主要分析和設計工具，使用拉普拉斯變換求解系統(tǒng)的輸入輸出關系，主要研究系統(tǒng)的動態(tài)性能，常見的經典控制有反饋控制和PID控制。1992年，為了解決無人駕駛車輛在彎曲道路的跟蹤路徑的問題，Peng等［9］開始嘗試使用帶有前饋控制的PID控制器來進行橫向控制，而Marino等［21］為了解決如何在曲率不確定的路況下，根據(jù)陀螺儀測量的橫擺角速度和視覺系統(tǒng)測量的橫向誤差來跟蹤路徑的問題，研制了一種基于視覺的車道保持嵌套PID自動轉向控制策略。理論分析時常用的自動轉向控制方法是通過橫擺角速度反饋將橫擺運動和橫向運動解耦，建立3自由度的動力學模型，對路徑跟蹤PID控制器仿真［22］。

盡管經典控制在國內外工程上得到了廣泛應用，但對于高度非線性系統(tǒng)和多變量系統(tǒng)仍有局限性，難以滿足復雜系統(tǒng)對穩(wěn)定性的要求。

3.2 現(xiàn)代控制策略

現(xiàn)代控制理論是在20世紀50年代中期迅速興起的空間技術推動下發(fā)展起來的。最優(yōu)控制是對一個受控的動力學系統(tǒng)或運動過程，從一類允許的控制方案中找出最優(yōu)方案，使系統(tǒng)的運動在由某個初始狀態(tài)轉移到指定目標狀態(tài)時，其性能指標值為最優(yōu)。無人駕駛車輛在彎曲道路行駛時，最優(yōu)控制與經典控制相比控制精度更高，Kise等［23］通過引入 Fiala公式［24］提出一種車輛的自主轉向最優(yōu)控制算法，建立2自由度“自行車”模型來補償輪胎的滑移角與輪胎在地面上產生轉彎力的非線性。針對自動駕駛拖拉機一類具有大延遲、高度非線性特征的復雜系統(tǒng)，采用橫向偏差和航向角作為輸出反饋控制系數(shù)，減少了整定輸出反饋控制參數(shù)的時間［25］。為了保證無人駕駛車輛準確穩(wěn)定地跟蹤路徑并有較強的魯棒性，文獻［26］基于預瞄-跟隨式參考系統(tǒng)（圖1），采用最優(yōu)控制理論設計的導航控制器由狀態(tài)反饋控制律和用于補償參考路徑曲率擾動的前饋控制律組成。

圖1 控制器結構圖［26］Fig.1 Controller structure diagram［26］

上述最優(yōu)控制能在橫向控制模型參數(shù)不確定且存在干擾的條件下取得最優(yōu)效果，主要依賴于精確的數(shù)學模型，模型參數(shù)時變和外界干擾將會影響無人駕駛車輛系統(tǒng)的魯棒性。為減小不確定性對系統(tǒng)的影響，研究人員又發(fā)展了智能控制策略。

3.3 智能控制策略

所謂智能控制，即設計一個控制器或系統(tǒng)，使之具有學習、抽象、推理、決策等功能，并對環(huán)境（包括被控對象或被控過程）信息的變化有適應性，從而實現(xiàn)由人來完成的任務。目前，國內外已存在的無人駕駛車輛橫向智能控制策略有：模糊控制、自適應控制、模型預測控制、神經網(wǎng)絡控制、滑?？刂啤Ⅳ敯艨刂?。

模糊控制是在人工經驗基礎上，將操作人員熟練的實踐經驗加以總結和描述，模仿人的思維方式進行推理和決策。由于系統(tǒng)存在延時性，文獻［27］結合模糊控制理論和模型匹配法設計了模糊上位控制器和模型匹配下位控制器，能精確控制節(jié)氣門和制動盤踏板。鑒于與其他智能算法結合可減小設計控制器過程中隸屬度函數(shù)參數(shù)和控制規(guī)則帶來的誤差，郭景華等［28］通過遺傳算法自動優(yōu)化橫向模糊控制器的隸屬度函數(shù)參數(shù)和控制規(guī)則，張長龍［29］通過其設計的參數(shù)自整定模糊PID控制器來提高自動轉向的性能。

自適應控制的研究對象是具有一定程度不確定性（被控對象內部模型的結構和參數(shù)、外部環(huán)境，以及測量時產生的不確定因素）的系統(tǒng)。Marino等［30］建立的車輛動力學模型考慮了未知風阻和道路曲率引起的擾動，Netto等［31］在此基礎上提出一種基于視覺系統(tǒng)的橫向自適應控制器。為了消除建立模型時滑動效應的干擾，F(xiàn)ang［32］利用反推法、自適應學習和補償時不變滑動效應，通過滑模變結構控制器（VSC）來改進自適應控制器，進而提高魯棒性。無人駕駛車輛在行駛過程中隨著車速和轉向阻力矩的不同，PID控制器會導致超調、響應時間慢、跟蹤角度不準，結合自適應控制設計的自適應模糊PID控制器能滿足無人駕駛車輛轉向準、響應快、性能穩(wěn)［33］。而田濤濤［34］為了避免無人駕駛車輛的復雜激勵建模，基于橫向控制系統(tǒng)的動態(tài)線性化數(shù)據(jù)模型設計無模型自適應控制算法，并分別利用增量式PID和無模型自適應方法進行實驗（圖2），發(fā)現(xiàn)后者更具自適應性，在直線道路和不同曲率彎道能很好地適應系統(tǒng)變化，而增量PID方法只能在小曲率彎道和直線道路上很好地跟蹤期望路徑。2015屆清華大學“睿龍”號無人駕駛汽車利用無模型自適應控制算法作為核心控制算法，在城郊、道路直行、道路轉彎等復雜路況下完成任務考驗，沒有出現(xiàn)任何故障。

圖2 兩種方法的跟蹤控制對比圖［34］Fig.2 Tracking effect comparison between two control methods［34］

模型預測控制（MPC）是一種將更長時間跨度、甚至無窮時間分解為若干個更短時間跨度或有限時間跨度的最優(yōu)控制問題，并在一定程度上仍然追求最優(yōu)解。由于期望的軌跡在有限的時域內是已知的，F(xiàn)alcone等［35］采用“自行車”模型和Pacejka HB提出的半經驗輪胎模型，針對自主車輛的轉向系統(tǒng)提出非線性模型預測控制方法（NMPC）和線性時變模型預測控制方法（LVTMPC），其設計的MPC控制器在非線性車輛模型的基礎上解決了跟蹤路徑轉向速度問題。此外，針對模型預測控制求解約束優(yōu)化問題計算量大這一瓶頸，文獻［36，37］結合模型預測控制和車輛動力學模型展開研究。Du等［38］提到，在模型預測的滾動優(yōu)化策略中采用遺傳算法與其他滾動優(yōu)化策略相比更精確。

神經網(wǎng)絡控制是一種不依靠定量模型的控制方法，有較強的自適應能力、自學習能力和對非線性系統(tǒng)的映射能力。利用神經網(wǎng)絡較強的自學習能力辨識車輛方向盤的轉角，通過給定方向盤轉角輸入求得用于廣義回歸神經網(wǎng)絡（GRNN）的車輛狀態(tài)參數(shù)，運用 GRNN網(wǎng)絡建立識別方向盤轉角的映射模型［39］。但模糊控制器的隸屬函數(shù)和控制規(guī)則一旦確定便無法修改，控制規(guī)則還需要專家經驗總結，為此，王宏旭［40］采用誤差反向傳播算法對整個網(wǎng)絡中的參數(shù)進行調整，使模糊神經網(wǎng)絡的隸屬函數(shù)以及控制規(guī)則得到優(yōu)化。在這里特別要提到的是 Tang等［41］結合自適應控制提出基于自適應模糊神經網(wǎng)絡（AFFN）的車道變換控制器來預測轉向角，將采集到的車輛加速度、制動、轉向等動態(tài)數(shù)據(jù)傳入駕駛模擬器，若均方根誤差小于設定閥值則結束模擬，若均方根誤差大于閥值則建立模糊神經網(wǎng)絡預測模型（圖3）。這種車輛方向盤識別方法結合自適應算法調整隸屬函數(shù)，改進規(guī)則推理機制，最終提高預測精度，可為提高車輛的操縱安全性，以及研究自動轉向系統(tǒng)和智能泊車系統(tǒng)提供理論基礎。

圖3 預測模型結構圖［41］Fig.3 Forecast model structure［41］

滑?？刂疲⊿MC）也叫變結構控制，與其他控制的不同之處在于控制的不連續(xù)性，會在動態(tài)過程中根據(jù)系統(tǒng)當前狀態(tài)有目的地不斷變化，使系統(tǒng)按照預定的“滑動模態(tài)”狀態(tài)軌跡運動，對干擾和不確定性具有較強的魯棒性和抗干擾性。Hiraoka等［42，43］提出一種基于滑?？刂评碚摰淖詣痈櫩刂破?，可將單級或多級轉向的大型無人駕駛四輪轉向（4WS）車輛的路徑跟蹤問題解耦成前后兩個轉向調節(jié)的問題?？紤]車輛狀態(tài)誤差來源于實車模型，與參考模型的初始狀態(tài)和參數(shù)不同，Tian等［44］采用最優(yōu)控制設計滑模，消除不同初始狀態(tài)引起的狀態(tài)誤差，設計分數(shù)滑模控制來消除不同參數(shù)引起的狀態(tài)誤差。此外，文獻［45］實時規(guī)劃車輛質心與預瞄點間的虛擬路徑，根據(jù)車輛運動學模型和姿態(tài)誤差模型推導出車輛期望的偏航率，使用徑向基神經網(wǎng)絡（RBF）設計滑模變結構軌跡跟蹤控制器。

魯棒控制是使具有不確定性的對象滿足控制品質的一種控制手段，其不確定多數(shù)由工作狀況變動、外部干擾以及建模誤差引起，而控制系統(tǒng)的魯棒性是指系統(tǒng)在一定（結構、大?。┑膮?shù)攝動下，維持某些性能的特性。Gao等［46］基于半自主車輛的車道保持和避障提出基于魯棒控制的非線性模型預測控制器（RNMPC），用魯棒不變集合保證在存在干擾和模型誤差的情況下滿足狀態(tài)和輸入約束。Kayacan等［47］將其控制動作與前饋和魯棒控制相結合，基于軌跡跟蹤誤差模型設計的線性模型預測控制器能控制跟蹤誤差的大小。魯棒控制與傳統(tǒng)的控制策略相比有良好的抗干擾性和魯棒性。李旭等［48］將魯棒控制器設計問題表示為廣義被控對象的次優(yōu)輸出反饋控制器設計問題。Hima等［49］在設計自主車輛縱向和橫向控制器的過程中主要用到PID控制和H∞魯棒控制來實現(xiàn)路徑跟蹤，實車測試表明盡管模型存在不確定性，但仍能以安全的方式跟蹤規(guī)劃軌跡。

綜上所述，在智能控制領域中，模糊控制能夠模擬駕駛員行為特征對無人駕駛車輛進行操縱，不需要建立精確的被控對象模型，只需根據(jù)已有知識經驗來確定模糊控制的隸屬函數(shù)和控制規(guī)則，能克服非線性和參數(shù)不定的無人駕駛車輛系統(tǒng)，但缺少良好的學習機制，控制精度不高。自適應控制依據(jù)被控對象的輸入和輸出數(shù)據(jù)不斷地辨識和改變模型參數(shù)，以便將無人駕駛車輛控制系統(tǒng)調整到滿意的工作狀態(tài)，比常規(guī)反饋控制要復雜得多，成本也高，在常規(guī)反饋達不到所期望的性能時適用。模型預測控制建立運動學模型方便，采用滾動優(yōu)化策略，可使模型失配、畸變、擾動等引起的不確定性及時得到彌補，從而得到較好的動態(tài)控制性能，但應用這種控制策略設計控制系統(tǒng)非常復雜，實施要求高、在線計算量大、應用范圍有限。神經網(wǎng)絡控制有著較強的自適應能力、自學習能力和對非線性系統(tǒng)的強大映射能力，但網(wǎng)絡訓練的時間長、數(shù)據(jù)樣本多、操作復雜，很難滿足實際的控制需求?；？刂频膬?yōu)勢在于滑動模態(tài)對加在系統(tǒng)上的干擾和系統(tǒng)的攝動具有完全自適應性，無需系統(tǒng)在線辨識，且響應速度快，劣勢是系統(tǒng)控制器的輸出存在抖動現(xiàn)象。魯棒控制不僅能保證控制系統(tǒng)的魯棒性，還能優(yōu)化某些性能指標，但最大的問題是過于依賴設計者經驗，無規(guī)律可循。結合使用各種智能控制策略揚長避短，可使無人駕駛車輛達到性能最優(yōu)狀態(tài)，滿足無人駕駛車輛的穩(wěn)定性和安全性。

3.4 無人駕駛車輛橫縱向綜合控制

針對無人駕駛車輛橫縱向動力學間的耦合、關聯(lián)特性，可分別從分解式控制結構和集中式控制結構對其綜合控制進行研究。Rajamani等［50］通過將橫縱控制器和監(jiān)督器組成橫縱向綜合控制系統(tǒng)來解決無人駕駛車輛編隊行駛中自動插入和退出的控制問題。CARLOS等［51］設計的整車控制系統(tǒng)由縱向和橫向控制器組成，前者調節(jié)車輛的速度，后者進行路徑跟蹤，這種分解式協(xié)調控制只是對橫縱向控制的執(zhí)行進行協(xié)調，從本質上講沒有克服橫縱向動力學的耦合特性。針對無人駕駛車輛的不確定性和冗余等特點提出的橫縱向協(xié)調及重構控制方法［52］，可保證跟蹤誤差的一直有界收斂性。郭景華等［53］通過橫縱向動力學系統(tǒng)間的動態(tài)耦合及協(xié)同進行能量的傳遞、轉換和演變，與解耦控制系統(tǒng)相比，其穩(wěn)態(tài)控制精度和動態(tài)響應性能顯著提高。這種集中式控制結構可以克服系統(tǒng)的非線性和強耦合性。

深度學習在自動駕駛領域可實現(xiàn)無人駕駛車輛端到端的控制技術，目前基于預瞄-跟隨式參考系統(tǒng)的自動駕駛系統(tǒng)存在三種主流方案（圖4）。一種是行為反射方法，直接采集駕駛員在駕駛過程中的圖像和方向盤轉動等數(shù)據(jù)，使用神經網(wǎng)絡模型訓練，輸出車輛方向盤的轉角等參數(shù)來控制無人駕駛車輛。一種是無人駕駛領域應用最廣泛的間接感知方法，將無人駕駛體系分為自然環(huán)境感知、智能行為決策、車輛運動控制等多個子問題，通過車載傳感器識別出道路、車輛、障礙物等與交通相關的對象，提取無人駕駛車輛跟蹤路徑的信息等系列操作來控制無人駕駛車輛油門的開度等。普林斯頓大學的 Chen［54］提出介于前兩種方法之間的直接感知法，對圖像數(shù)據(jù)使用深度卷積神經網(wǎng)絡來訓練學習，得到車與車的距離、車相對于道路的角度等車輛控制參數(shù)。此方法在虛擬駕駛場景和現(xiàn)實駕駛場景進行路測時，都能準確地控制無人駕駛橫縱向運動。

4 總結和展望

自20世紀60年代，無人駕駛車輛橫向控制的研究一直持續(xù)到現(xiàn)在，控制策略先后經歷了經典控制、現(xiàn)代控制、智能控制、橫縱向綜合控制4個階段。根據(jù)對無人駕駛車輛橫向控制策略研究的分析可以看出，縮小實際應用與理想控制策略之間的差距已成為當務之急，從這一目標出發(fā)，可以重點從數(shù)據(jù)驅動、多種控制策略和智能算法相結合，以及橫縱向綜合控制3個方向進行探索，從而提高無人駕駛車輛的可靠性、乘坐的舒適性和操縱的簡易性。

圖4 三種無人駕駛綜合控制方案［54］Fig.4 Three unmanned integrated control schemes［54］

1）數(shù)據(jù)驅動。目前無人駕駛車輛的橫向控制策略大多都是基于模型設計控制器，然而行駛過程中產生的大量輸入輸出數(shù)據(jù)隱含著控制器中的橫擺角速度、制動參數(shù)、航向偏差、期望偏差、航向預估值等模型信息。如何使控制器設計不包含受控過程的模型信息，以便更有效地利用由受控系統(tǒng)運動控制數(shù)據(jù)得到的信息來設計控制器是非常有意義的研究工作，發(fā)展數(shù)據(jù)驅動控制是無人駕駛車輛的必然趨勢。

2）多種控制策略相結合。無人駕駛車輛在行駛過程中受到干擾和不確定性的作用，各種控制策略各有優(yōu)缺點，如何發(fā)揮優(yōu)點、抑制缺點，使所設計的系統(tǒng)具有較強的魯棒性和適應性，這些都是值得研究的內容。對于無人駕駛車輛這個高度非線性、具有較大延遲的復雜系統(tǒng)而言，只有多種控制策略和算法結合使用才能保證無人駕駛車輛的可靠性。

3）橫縱向綜合控制。伴隨深度學習的成熟，如何將無人駕駛車輛的運動控制和環(huán)境感知決策有機集合，如何利用橫縱向動力學關聯(lián)特性的協(xié)調控制策略都是值得研究內容。另外，目前對無人駕駛車輛的運動控制主要集中在獨立設計橫向和縱向控制，且橫縱向綜合控制大多局限于控制理論分析，實現(xiàn)無人駕駛車輛的橫縱向綜合控制的動態(tài)協(xié)調，對無人駕駛車輛運動控制至關重要。