袁朝春，孫彥軍

（江蘇大學(xué) 汽車工程研究院，江蘇 鎮(zhèn)江 212013）

車輛換道避撞作為一種常見的交通駕駛行為，要求智能車能夠自主地對周圍環(huán)境進(jìn)行判斷，在換道允許的情況下進(jìn)行換道避撞，并保證智能車對規(guī)劃路徑進(jìn)行準(zhǔn)確穩(wěn)定跟蹤。換道避撞軌跡規(guī)劃屬于局部路徑規(guī)劃，國內(nèi)外學(xué)者都對這一領(lǐng)域進(jìn)行了深入研究［1-10］。Neto等［1］采用7階貝塞爾曲線生成目標(biāo)軌跡，但是這種方法需要確定多個(gè)目標(biāo)，計(jì)算量大且復(fù)雜不穩(wěn)定?；谡刺菪渭铀俣鹊膿Q道軌跡［2］雖然可以滿足車輛換道的約束條件，但是模型較為復(fù)雜，不夠靈活，難以根據(jù)實(shí)際的交通情況來調(diào)整換道軌跡；基于圓弧的換道軌跡［3-4］會(huì)在圓弧與直線連接處出現(xiàn)換道軌跡曲率不連續(xù)，導(dǎo)致車輛無法沿?fù)Q道軌跡平順行駛，不滿足換道約束；基于正弦函數(shù)的換道軌跡［5］在起始點(diǎn)和終止點(diǎn)處會(huì)出現(xiàn)曲率極大值，導(dǎo)致車輛無法按照規(guī)劃的路徑完成換道動(dòng)作。在軌跡跟蹤方面，目前大多數(shù)研究在車輛動(dòng)力學(xué)模型或者運(yùn)動(dòng)學(xué)模型的基礎(chǔ)上采用模型預(yù)測控制理論或者最優(yōu)控制理論。倪蘭青等［6］和Yoon Y等［7］基于多約束模型設(shè)計(jì)了軌跡跟蹤控制器，通過控制車輛前輪轉(zhuǎn)角實(shí)現(xiàn)了車輛的軌跡跟蹤；Soudbakhsh等［8］基于線性二次型最優(yōu)控制理論設(shè)計(jì)了LQR路徑跟蹤控制器，通過輸出最優(yōu)的前輪轉(zhuǎn)角來對車輛進(jìn)行控制；任殿波等［9］建立了最優(yōu)預(yù)瞄模型，以最小化橫向預(yù)瞄誤差和車輛與期望軌跡的橫擺角誤差為目標(biāo)，實(shí)現(xiàn)車輛的穩(wěn)定跟隨控制。基于模型預(yù)測控制最大的優(yōu)點(diǎn)是可以對車輛的中間狀態(tài)變量進(jìn)行約束，適合求解多約束問題，最優(yōu)控制相對于模型預(yù)測控制算法來說求解簡單，實(shí)時(shí)性較好。

為進(jìn)一步提高智能車橫向避撞能力，本文首先以時(shí)間變量的五次換道軌跡為基礎(chǔ)，通過考慮當(dāng)前路面附著、智能車到障礙物的縱向距離、障礙物相對車輛質(zhì)心的寬度以及道路利用效率對智能車的換道避撞軌跡進(jìn)行規(guī)劃；然后引入可拓控制理論，根據(jù)智能車的換道避撞速度和路面附著對智能車的路徑跟蹤進(jìn)行切換控制。在智能車低速高附著的工況下，智能車換道避撞的自身穩(wěn)定性較好，采用兩點(diǎn)預(yù)瞄PID對智能車進(jìn)行控制，在保證跟蹤精度的狀況下保證控制器求解的實(shí)時(shí)性。隨著速度增加和路面附著系數(shù)下降，車輛穩(wěn)定性開始變差，此時(shí)采用模型預(yù)測控制對智能車部分動(dòng)力學(xué)參數(shù)進(jìn)行約束控制，在保證跟蹤精度的同時(shí)保證智能車換道避撞的動(dòng)態(tài)穩(wěn)定性。為了驗(yàn)證本文控制策略的可行性及有效性，利用商業(yè)軟件CarSim和Simulink聯(lián)合完成離線仿真。

1 智能車動(dòng)力學(xué)建模

在智能車的換道避撞過程中，其側(cè)向加速度、橫擺角速度、輪胎側(cè)偏角和前輪轉(zhuǎn)角等對車輛影響較大，因此采用簡化的3自由度模型。

1）忽略懸架作用，認(rèn)為汽車只在XY平面內(nèi)運(yùn)動(dòng)。

2）智能車在換道過程中速度保持不變。

3）忽略左右車輪在轉(zhuǎn)向過程中的載荷轉(zhuǎn)移。

針對上述假設(shè)，智能車簡化3自由度模型如圖1所示。

通過對智能車X軸方向、Y軸方向以及繞Z軸方向進(jìn)行分析，同時(shí)引入魔術(shù)公式輪胎模型，得到基于前輪側(cè)偏角較小和線性輪胎假設(shè)后的車輛動(dòng)力學(xué)非線性模型為：

2 換道避撞路徑規(guī)劃

一元五次多項(xiàng)式擬合出的智能車變道軌跡各點(diǎn)曲率連續(xù)且無較大突變，曲率光滑，其綜合性能較好，因此本文采用五次多項(xiàng)式換道避撞模型［11］為基礎(chǔ)，其解析函數(shù)為

其中：ye為智能車完成變道避撞所需要的側(cè)向位移，取值為3.75 m（標(biāo)準(zhǔn)車道寬度）；xe為智能車完成換道避撞所需要的縱向位移。

在車輛換道過程中，假設(shè)智能車縱向速度vr不變，則：

其中te為車輛變道時(shí)間，則可以得到只有時(shí)間變量的換道避撞軌跡模型為

對式（4）進(jìn)行2次求導(dǎo)，得到車輛換道過程中的側(cè)向加速度為

側(cè)向加速度表達(dá)式為一元三次多項(xiàng)式，在［0，te］范圍內(nèi)存在最大值點(diǎn)，通過求式（5）的極值點(diǎn)，得到其最大值為

由式（6）可知，換道過程中的最大側(cè)向加速度與換道時(shí)間和換道橫向距離有關(guān)，其中ye為道路寬度，所以換道側(cè)向加速度最大值由換道時(shí)間te決定。在車輛轉(zhuǎn)向時(shí)側(cè)向加速度最大值不應(yīng)超過道路附著系數(shù)，即側(cè)向加速度最大值小于μg。根據(jù)文獻(xiàn)［12］，過大橫向加速度會(huì)造成駕乘人員的不舒適性與車輛的不穩(wěn)定性，因此取0.6μg。

如圖2所示，假設(shè)在車輛換道避撞過程中相鄰車道無車輛干擾，根據(jù)給定的五次多項(xiàng)式換道路徑，在換道過程中智能車與前車最容易發(fā)生右前后點(diǎn)角碰和車身側(cè)刮，其中右后點(diǎn)為最后1個(gè)碰撞點(diǎn)，因此只需要在有限的縱向距離S3內(nèi)保證智能車右后點(diǎn)跨過障礙物即可。

根據(jù)以上分析，在縱向上，可以得到智能車臨碰撞時(shí)間點(diǎn)tc為

式中：τdelay為智能車檢測規(guī)劃時(shí)滯；vf為前車行駛速度；d0為預(yù)留安全距離，一般取值為2～3 m。

在橫向必須滿足智能車質(zhì)心的橫向位移y（tc）減去LOB的距離要大于前方障礙物相對于智能車質(zhì)心的橫向?qū)挾萕b，其中LOB＝LOAcosα，LOA為智能車質(zhì)心到右后點(diǎn)的距離。以O(shè)點(diǎn)為圓心對智能車進(jìn)行旋轉(zhuǎn)，根據(jù)式（4）進(jìn)行求導(dǎo)可得車輛航向角φ在te／2取最大值。此時(shí)，LOB也取得最大值，β為智能車中心軸線與OA之間的夾角，所以智能車在橫向上滿足式（8）即可。

根據(jù)式（8）可以求解出滿足避撞要求的臨界最小換道時(shí)間tec，令η為臨界避撞最小換道時(shí)間與當(dāng)前路面下允許的最小換道時(shí)間的比值，即η＝tec／temin。若η小于1則說明臨界換道時(shí)間小于此附著條件下的最小換道時(shí)間，此時(shí)不允許進(jìn)行換道避撞；若η大于1說明有一定的換道緩沖，可以進(jìn)一步充分利用縱向距離來減小橫向加速度，但是η越大說明智能車的換道時(shí)間越長，過長的換道時(shí)間會(huì)造成道路利用率降低，因此取1≤η≤1.5。

3 換道避撞路徑跟隨控制

在路徑跟隨控制方面，基于預(yù)瞄的PID控制系統(tǒng)具有計(jì)算量小、實(shí)時(shí)性好的特點(diǎn)，但無法對智能車的中間狀態(tài)量進(jìn)行約束控制；基于MPC的控制系統(tǒng)可以對車輛中間狀態(tài)進(jìn)行約束，但需要實(shí)時(shí)進(jìn)行約束求解，求解量較大，實(shí)時(shí)性較差。因此，本文根據(jù)智能車換道速度和路面附著系數(shù)對智能車的路徑跟蹤進(jìn)行可拓切換控制，當(dāng)智能車的行駛速度低且路面附著較好時(shí)，車輛自身穩(wěn)定性好，采用兩點(diǎn)預(yù)瞄PID路徑跟蹤控制器，保證換道避撞路徑跟蹤的實(shí)時(shí)性；當(dāng)車速較高、路面附著較差時(shí)，采用MPC預(yù)測控制來對車輛的部分動(dòng)力學(xué)參數(shù)進(jìn)行約束，在保證其良好的跟蹤能力的同時(shí)，提高車輛行駛的穩(wěn)定性。

基于可拓決策控制的橫向避撞路徑跟蹤控制系統(tǒng)結(jié)構(gòu)主要分為上下兩層，如圖3所示，圖中vr為智能車的行駛速度，μ為當(dāng)前路面的附著系數(shù)。

上層控制為橫向可拓控制器，其主要作用是根據(jù)智能車獲得實(shí)時(shí)車速以及路面附著系數(shù)，將智能車的行駛狀態(tài)劃分為經(jīng)典域、可拓域和非域。根據(jù)智能車換道避撞時(shí)的速度和路面附著系數(shù)大小分別采用不同的控制策略，實(shí)現(xiàn)經(jīng)典域和可拓域路徑跟蹤的切換控制，如圖4所示。

圖4 中，A1和A2為路面附著系數(shù)μ的倒數(shù)，其中經(jīng)典域?qū)?yīng)智能車低速高附著路面下進(jìn)行換道避撞，此時(shí)智能車行駛穩(wěn)定性較好，不需要對車輛的動(dòng)力學(xué)參數(shù)進(jìn)行過多約束，故采用簡單的兩點(diǎn)預(yù)瞄PID控制來保證智能車橫向避撞過程中路徑跟蹤的實(shí)時(shí)性。在可拓域中，隨著智能車速度的增加或者路面附著系數(shù)的降低，智能車在橫向避撞過程中路徑跟蹤偏差開始增大，并且智能車避撞過程中的穩(wěn)定性開始變差，此時(shí)必須對車輛的部分動(dòng)力學(xué)參數(shù)進(jìn)行約束控制，以換道避撞的穩(wěn)定性和安全性為主，防止車輛側(cè)翻，因此采用MPC預(yù)測控制算法。非域?qū)?yīng)智能車處于極高速度行駛狀態(tài)且路面附著系數(shù)極低，此時(shí)車輛如果進(jìn)行換道避撞很容易造成車輛側(cè)翻或者滑出行駛道路，故出于安全考慮，禁止智能車進(jìn)行換道避撞，而采用緊急制動(dòng)來進(jìn)行避撞。

3.1 上層控制器設(shè)計(jì)

3.1.1 確定特征量

在路徑跟蹤過程中，隨著車速以及路面附著系數(shù)的降低，車輛的跟蹤誤差變大，穩(wěn)定性變差。因此，選智能車的行駛速度vr和路面附著系數(shù)μ的倒數(shù)作為橫向可拓控制器的特征量。令A(yù)＝1／μ組成特征狀態(tài)S（vr，A）。

3.1.2 劃分可拓集合

智能車速度由自車搭載的車速傳感器獲得，利用智能汽車獲取的前方道路圖像信息和路面附著特性辨識原理，采用概率統(tǒng)計(jì)模型隱馬爾可夫模型對智能汽車前方規(guī)劃行駛區(qū)域附著信息進(jìn)行準(zhǔn)確估計(jì)［12］。通過在附著系數(shù)為0.8的路面上以不同的速度進(jìn)行雙移線兩點(diǎn)預(yù)瞄PID路徑跟蹤仿真，獲得路徑跟蹤誤差結(jié)果如圖5所示?？梢钥闯觯寒?dāng)車輛速度超過15 m／s時(shí)，開始出現(xiàn)較大的路徑跟蹤誤差，因此可拓穩(wěn)定域的速度邊界v1取為50 km／h，可拓域的速度邊界v2取為車輛國家高速公路最高限定速度120 km／h。對于路面附著系數(shù)，根據(jù)文獻(xiàn)［13］可知，干水泥及瀝青路面附著系數(shù)都大于0.6，濕滑及冰雪路面附著系數(shù)在0.3～0.6范圍，因此可拓域的路面附著邊界取A1＝1／0.6，A2＝1／0.3。

3.1.3 關(guān)聯(lián)度計(jì)算

設(shè)vr-A特征平面的原點(diǎn)為S（v0，A0），記其中A1、v1為經(jīng)典域邊界值點(diǎn)，A2、v2為可拓邊界值點(diǎn)。對于vr-A平面上的任意一點(diǎn)S（vi，Ai），定義關(guān)聯(lián)函數(shù)為［14］：

式中：M1為經(jīng)典域測度值；M2為可拓域的測度值；為點(diǎn)S（vi，Ai）的測度值。

3.1.4 模式劃分

特征狀態(tài)關(guān)聯(lián)函數(shù)F（s）表明了系統(tǒng)特征狀態(tài)和關(guān)于特征狀態(tài)S（vi，Ai）的可拓集合的關(guān)聯(lián)程度，進(jìn)而劃分測度模式，對應(yīng)不同的可拓集合范圍。不同可拓集合范圍對應(yīng)不同的路徑跟蹤控制方法，為使智能車在換道避撞過程中可以更好地跟蹤規(guī)劃的路徑，具體分為以下3種情況。

1）經(jīng)典域：測度模式M1＝｛S｜F（S）≥0｝。滿足F≥0的特征狀態(tài)S（vi，Ai）位于平面的經(jīng)典域內(nèi)。在經(jīng)典域內(nèi)車輛轉(zhuǎn)向避撞的速度較低，路面附著系數(shù)較好，此時(shí)智能車路徑跟蹤誤差較小，采用兩點(diǎn)預(yù)瞄的反饋PID控制即可獲得良好的控制效果，而且PID算法相比其他算法結(jié)構(gòu)簡單，實(shí)時(shí)性較好。

2）可拓域：測度模式M2＝｛S｜-1≤F（S）＜0｝。滿足-1≤F＜0的特征狀態(tài)S（vi，Ai）處于可拓域內(nèi)。在此區(qū)域內(nèi)車輛避撞跟蹤控制仍然采用兩點(diǎn)預(yù)瞄PID控制方式會(huì)出現(xiàn)較大偏差，并且車輛的穩(wěn)定性開始變差，所以在此區(qū)域內(nèi)通過引入車輛模型預(yù)測控制，對智能車的部分動(dòng)力學(xué)參數(shù)進(jìn)行約束，保證智能車在高速低附著路面下轉(zhuǎn)向避撞的穩(wěn)定性。

3）非域：測度模式M3＝｛S｜F（S）＜-1｝。滿足F＜-1的特征狀態(tài)位于非域內(nèi)，此時(shí)智能車速度很快，并且路面附著系數(shù)較低，在此情況下進(jìn)行轉(zhuǎn)向避撞很容易造成智能車沖出路面或者側(cè)翻，所以在此區(qū)域內(nèi)智能車采用緊急制動(dòng)來避免碰撞。

3.2 下層控制器設(shè)計(jì)

3.2.1 兩點(diǎn)預(yù)瞄PID控制

在智能車行駛速度較低、路面附著較大的情況下，智能車本身具有較好的穩(wěn)定性，此時(shí)采用常規(guī)的兩點(diǎn)（近點(diǎn)和遠(yuǎn)點(diǎn)）預(yù)瞄PID控制，兩點(diǎn)預(yù)瞄模型如圖6所示。

PID通過調(diào)整合適的參數(shù)就能得到接近實(shí)際的最優(yōu)方向盤轉(zhuǎn)角。本文PID控制采用智能車與預(yù)瞄點(diǎn)A和B間的橫向距離混合偏差ey（t）作為控制對象，可得兩點(diǎn)預(yù)瞄的PID控制算法：

3.2.2 MPC模型預(yù)測控制

在智能車換道避撞速度較快或者路面附著系數(shù)較低的情況下引入MPC預(yù)測控制算法，通過對智能車換道避撞過程中增加多種約束，保證智能車在高速或者低附著路面下的車輛穩(wěn)定性。

1）預(yù)測模型。智能車的非線性動(dòng)力學(xué)模型（1）可以寫成：

首先，對智能車非線性動(dòng)力學(xué)模型進(jìn)行線性化，得到線性時(shí)變方程［15］

式中：

對式（13）采用1階差商方法進(jìn)行離散化處理，得到智能車離散的狀態(tài)空間方程：

式中：Adyn（k）＝I+TAdyn（t），Bdyn（k）＝TBdyn（t）。

2）約束條件。在高速以及低附著路面行駛時(shí)，不僅要對避撞過程中的側(cè)向加速度進(jìn)行限制，還要對智能車動(dòng)力學(xué)特性以及輪胎側(cè)偏角進(jìn)行約束。

質(zhì)心側(cè)偏角約束：根據(jù)博世公司所進(jìn)行的穩(wěn)定性研究成果［16］，在附著系數(shù)較低的路面上，極限值近似為±2°，因此質(zhì)心側(cè)偏角約束為-2°≤β≤+2°。

輪胎轉(zhuǎn)角及增量約束：根據(jù)車輛側(cè)向跟蹤能力試驗(yàn)［17］，汽車前輪轉(zhuǎn)角及其增量極限設(shè)置為-25°≤δ≤+25°。

輪胎側(cè)偏角約束：輪胎側(cè)偏角在不超過5°的情況下，側(cè)偏力與側(cè)偏角為近似的線性關(guān)系，高速和低附著情況下對前輪側(cè)偏角進(jìn)行更嚴(yán)格約束，因此輪胎側(cè)偏角約束為 -2.5°≤αf，t≤+2.5°。

3）控制器設(shè)計(jì)。將智能車的避撞規(guī)劃軌跡與期望軌跡的誤差、控制量的增量和松弛因子組成目標(biāo)函數(shù)，如式（15）所示。

式中：Np和Nc分別為預(yù)測時(shí)域和控制時(shí)域；Q和R為權(quán)重矩陣。綜合目標(biāo)函數(shù)和車輛動(dòng)力學(xué)約束條件，避撞路徑跟蹤控制器在每個(gè)控制周期內(nèi)要解決式（16）的優(yōu)化問題［18］。

式中：yhc為硬約束輸出；ysc為軟約束輸出；yhc，min和yhc，max為硬約束極限值；ysc，min和yhs，max為軟約束極限值。

在每個(gè)控制周期內(nèi)完成式（16）的約束求解后，得到了控制時(shí)域內(nèi)的一系列控制輸入增量和松弛因子：

將約束求解結(jié)果控制序列中的第1個(gè)元素作為實(shí)際的控制輸入增量作用于系統(tǒng)，即：

進(jìn)入下一個(gè)控制周期后，重復(fù)上述過程，循環(huán)實(shí)現(xiàn)對期望換道避撞軌跡的跟蹤控制。

4 換道避撞仿真

為了驗(yàn)證所提出的汽車主動(dòng)換道避撞控制策略的有效性，采用CarSim和Matlab進(jìn)行聯(lián)合仿真驗(yàn)證，智能車仿真參數(shù)見表1，可拓路徑跟蹤控制仿真模型見圖7。

表1 智能車仿真參數(shù)

4.1 低速高附著路況換道避撞路徑跟蹤仿真

智能車以10 m／s的速度在路面附著系數(shù)為0.7的道路上行駛，在第1 s時(shí)發(fā)現(xiàn)前方30 m處有相對車輛質(zhì)心寬度2 m的靜止障礙物。根據(jù)計(jì)算得出臨界換道時(shí)間tec＝4.35 s，此道路允許的最小換道時(shí)間temin＝2.29 s，計(jì)算得η＝1.7，為了避免智能車過長換道時(shí)間，影響道路利用效率，取η＝1.5得到最終的換道時(shí)間為3.44 s。可拓控制選擇兩點(diǎn)預(yù)瞄PID算法對規(guī)劃路徑進(jìn)行跟隨控制，圖8為此工況下2種控制算法路徑跟蹤仿真結(jié)果。

從圖8（a）（b）可以看出：在低速高附著情況下，可拓控制和MPC模型預(yù)測控制都具有較小的跟蹤偏差，兩者相差不大；從圖8（c）（d）可以看出：兩者的質(zhì)心側(cè)偏角和橫向加速度也具有相同的變化趨勢，質(zhì)心側(cè)偏角最大為0.6°，橫向加速度最大值為1.7 m／s2，變化趨勢平滑，車輛穩(wěn)定性較好?？赏乜刂撇捎脙牲c(diǎn)預(yù)瞄PID控制，是因?yàn)樗惴ê唵巍⒕哂休^好的實(shí)時(shí)性，最后通過仿真對其實(shí)時(shí)性進(jìn)行說明。

4.2 高速低附著路況換道避撞路徑跟蹤仿真

智能車以30 m／s的速度在路面附著系數(shù)為0.4的路面上行駛，在第1 s時(shí)發(fā)現(xiàn)前方60 m處有相對車輛質(zhì)心寬度1 m的靜止障礙物。根據(jù)計(jì)算得出臨界換道時(shí)間tec＝3.11 s，此道路允許的最小換道時(shí)間temin＝3.03 s，計(jì)算得η＝1.03，符合換道避撞要求。此時(shí)可拓控制器切換MPC預(yù)測控制算法對車輛的換道軌跡進(jìn)行跟蹤控制，跟蹤結(jié)果如圖9所示。

從圖9（a）（b）中可以看出：在高速低附著行駛工況下進(jìn)行換道避撞，MPC預(yù)測控制相比預(yù)瞄PID控制有更小的跟蹤誤差，其最大跟蹤誤差為0.15 m，而預(yù)瞄PID控制最大誤差達(dá)到了0.26 m；從圖9（c）（d）中可以看出：MPC預(yù)測控制的質(zhì)心側(cè)偏角遠(yuǎn)小于約束值，而預(yù)瞄PID控制的質(zhì)心側(cè)偏角已經(jīng)超出約束范圍，車輛出現(xiàn)側(cè)滑；同時(shí)MPC預(yù)測控制的橫向加速度較為平滑，在換道過程中的舒適性也優(yōu)于兩點(diǎn)預(yù)瞄PID控制。因此，在高速低附著工況下切換MPC預(yù)測控制可以有效保證車輛換道避撞的穩(wěn)定性和安全性。

通過Matlab的Profile函數(shù)對單獨(dú)兩點(diǎn)預(yù)瞄PID控制、單獨(dú)MPC預(yù)測控制和可拓聯(lián)合控制模型分別設(shè)置斷點(diǎn)，求解各模型在相同附著路面不同速度下的單次運(yùn)行時(shí)間，同時(shí)求得各速度下的平均誤差均方根值，求解結(jié)果見表2?？梢钥闯觯嚎赏芈?lián)合控制在不同速度下的五次平均誤差均方根值為0.060 6 m，單獨(dú)的MPC預(yù)測控制的誤差均方根值為0.059 9 m，兩者相差很小，但是可拓聯(lián)合控制相對于單獨(dú)MPC控制在單次平均運(yùn)行時(shí)間上減少了25.56 ms。雖然單獨(dú)兩點(diǎn)預(yù)瞄PID控制的單次平均運(yùn)行時(shí)間更小，但是其有較大的誤差均方根值，說明其跟蹤效果較差，且在高速低附著時(shí)車輛的穩(wěn)定性較差。通過以上分析可以看出，可拓控制可以綜合兩點(diǎn)預(yù)瞄PID控制算法和MPC預(yù)測控制算法優(yōu)點(diǎn)，具有良好的路徑跟蹤能力和求解實(shí)時(shí)性。

表2 3種路徑跟蹤控制算法結(jié)果

5 結(jié)束語

本文主要對智能車換道避撞的路徑規(guī)劃和路徑跟蹤系統(tǒng)進(jìn)行了研究，在換道避撞路徑規(guī)劃方面，綜合考慮了路面附著系數(shù)、智能車到障礙物的縱向相對距離、障礙物相對車輛質(zhì)心的寬度及道路利用率，以五次多項(xiàng)式為基礎(chǔ)對智能車的換道避撞軌跡進(jìn)行了規(guī)劃。在路徑跟蹤方面，引入可拓控制理論對智能車不同的換道工況進(jìn)行切換控制。仿真結(jié)果表明：在低速高附著路面換道避撞行駛時(shí)，采用兩點(diǎn)預(yù)瞄PID控制算法來保證換道避撞求解的實(shí)時(shí)性；在高速低附著的路面行駛時(shí)，切換為MPC模型預(yù)測控制，通過對車輛的部分動(dòng)力學(xué)參數(shù)進(jìn)行約束控制，在保證換道避撞的跟蹤精度的同時(shí)確保智能車換道避撞的穩(wěn)定性。通過可拓切換控制，可以綜合預(yù)瞄PID和MPC預(yù)測控制算法的優(yōu)點(diǎn)，提高智能車換道避撞的路徑跟蹤控制能力。