下载掌阅APP，畅读海量书库
立即打开
智能驾驶汽车通过搭载先进的车载传感器、控制器和数据处理器、执行机构等装置，借助车联网和V2X等现代移动通信与网络技术实现交通参与物彼此间信息的互换与共享，从而具备在复杂行驶环境下的传感感知、决策规划、控制执行等功能，以实现安全、高效、舒适和节能的自动或智能行驶。智能驾驶汽车代表了汽车技术和产业化的重要发展方向，也是未来汽车技术创新的主流趋势。
无人驾驶是汽车智能化追求的终极目标，是信息通信等先进技术在汽车上的深度应用，体现了更便捷、更简单的人车交互方式，是对人的更大程度的解放。由于不存在驾驶人，无人驾驶主要关注乘坐舒适性。具有先进驾驶辅助系统（Advanced Driving Assistance System, ADAS）的汽车是智能驾驶的初级阶段，对于车辆的驾驶性和乘坐舒适性均有很高的要求。
除此之外，具备“人—车—环境”协同、驾驶风格自适应的研究，也是驾驶性在智能驾驶汽车上的另一研究方向。具备“人—车—环境”协同、驾驶风格自适应的车辆，可以通过学习驾驶人的习惯，监控道路状况、天气情况、车辆状态等，同时兼顾车上乘员感受、自动调整参数和驾驶风格、优化驾乘感受并进行持续迭代，“人—车—环境”协同自适应驾驶具有更高的驾驶性要求，可以不断满足驾驶人的需求，同时兼顾乘员舒适性。
先进驾驶辅助系统是利用安装于车上的各式各样的传感器，在第一时间收集车内外的环境数据，进行静态/动态物体的辨识、侦测与追踪等技术上的处理，从而能够让驾驶人在最短的时间内察觉可能发生的危险，以引起注意和提高安全性的主动安全系统。ADAS采用的传感器主要有摄像头、雷达、激光传感器和超声波传感器等，可以探测光、热、压力或其他用于监测汽车状态的变量，通常位于车辆的前后保险杠、侧视镜、变速杆内部或者风窗玻璃上。早期的ADAS技术主要以被动式警报为主，当车辆检测到潜在危险时，会发出警报以提醒驾驶人注意异常的车辆或道路情况。对于最新的ADAS技术来说，主动式干预也很常见。
先进驾驶辅助系统目前包括导航与实时交通系统（TMC）、电子警察系统（Intelligent Speed Adaptation或Intelligent Speed Advice, ISA）、车联网系统（Vehicular Communication Systems）、自适应巡航控制系统（Adaptive Cruise Control, ACC）、车道偏移报警系统（Lane Departure Warning System, LDWS）、车道保持系统（Lane Keep Assistance）、碰撞避免或预碰撞系统（Collision Avoidance System或Precrash System）、夜视系统（Night Vision System）、自适应灯光控制（Adaptive Light Control）、行人保护系统（Pedestrian Protection System）、自动泊车系统（Automatic Parking）、交通标志识别（Traffic Sign Recognition）、盲点探测（Blind Spot Detection）、驾驶人疲劳探测（Driver Drowsiness Detection）、下坡控制系统（Hill Descent Control）和电动汽车报警（Electric Vehicle Warning Sounds）系统等。其中与驾驶性直接相关的是自适应巡航控制系统（ACC）。
自适应巡航控制系统（图2-68）是基于普通的巡航定速系统延伸发展而成的，是先进车辆控制系统和汽车驾驶辅助系统的重要组成部分。一方面，ACC系统旨在提高驾驶人的驾驶舒适性，减轻驾驶人长时间驾驶的压力，从而减少因驾驶疲劳造成的交通事故；另一方面，该系统能够提高驾驶平顺性，并且能够让交通更加顺畅。
ACC系统通过安装于车辆前方的雷达探测在本车前进道路上的车辆，并判断前方一定范围内是否存在速度比本车慢的车辆，若存在，则在本车接近前方车辆时，ACC系统控制降低本车车速，并与前方低速车辆保持一定的安全距离；若不存在，则本车按之前所设定的巡航车速行驶。该系统实现了无驾驶人纵向干预下车速的自动控制，从而达到辅助驾驶人操作的目的。
汽车ACC系统共有4种典型的操作，即巡航控制、减速控制、跟随控制和加速控制，如图2-69所示。
（1）巡航控制 巡航控制是ACC系统的最基本功能，当前车辆前方没有行驶车辆时，当前车辆处于普通的巡航行驶状态，按照设定的车速进行巡航控制。
（2）减速控制 当前方有目标车辆，且目标车辆行驶车速低于当前车辆的行驶车速时，ACC系统控制减速，确保两车距离为所设定的安全距离。
（3）跟随控制 当ACC系统将当前车辆车速减至理想的目标车速后，采用跟随控制，以与目标车辆相同的速度行驶。
（4）加速控制 当前方的目标车辆加速行驶，或与当前车辆发生相对移线后，当前车辆前方无行驶车辆时，ACC系统将对当前车辆进行加速控制，使之达到设定的车速。而后再次进入巡航控制。
图2-68 自适应巡航控制系统
图2-69 ACC典型操作
目前，驾驶性开发多数停留在三种驾驶模式（Normal、ECO、Sport），新能源车辆还有多种能量回收模式，均需要手动切换，但用户使用往往只是用一种模式，多模式开发没有很好地提升驾乘体验，也难以满足不同用户的多种需求。当前，对于驾驶风格的研究多数停留在驾驶需求上，缺乏对大数据的挖掘，无法结合乘员和车辆内外部因素及时调整，并运用到提升整车的驾乘感受上。
“人-车-环境”协同自适应驾驶辅助，主要是可以通过软件算法学习驾驶人的习惯，通过网络和传感器监控道路状况、天气情况及车辆自身状态等，通过建立大数据驾乘模型分析，自动调整参数和驾驶风格，优化驾乘感受，并可以实现持续迭代优化。
“人”指的不仅是驾驶人，还包括乘员。将驾驶人的驾驶主观感受和乘员的乘坐主观感受相结合，同时与整车驾驶性客观数据进行矩阵分析，确定最佳的驾驶模式或驾驶风格。
“车”指的是车辆行驶过程中的驾驶风格、驾驶性相关策略、车辆的各项内部参数。车辆通过不断地解析驾驶性相关策略、各项内部参数与驾驶风格的大数据，定义驾驶风格与参数对应标签。
“环境”指的是车辆行驶过程中，道路状况、海拔、天气情况等外部参数，通过识别外部参数，与车辆内部参数和驾乘感受相结合，建立大数据模型，实现动态性能风格在线识别，设计智能匹配驾驶性策略算法，实现驾驶性策略智能匹配的持续迭代，提升用户驾乘体验。
智能驾驶与辅助驾驶的控制策略，分为传统控制和智能控制，下面针对当前应用较多的控制方法进行介绍。
传统控制方法主要有PID控制、模糊控制、最优控制、滑动模态控制（模型预测控制MPC）等，这些算法应用都较为广泛。
PID控制器（比例-积分-微分控制器），由比例单元（P）、积分单元（I）和微分单元（D）组成，通过 K P 、 K I 和 K D 三个参数设定。PID控制器主要适用于基本上线性且动态特性不随时间变化的系统。PID是以它的三种纠正算法而命名的。这三种算法都是用加法调整被控制的数值，其输入为误差值（设定值减去测量值后的结果）或是由误差值衍生的信号。
模糊逻辑控制策略（Fuzzy Logic Control Strategy）简称模糊控制（Fuzzy Control），其本质是一种计算机数字控制技术，集成了模糊理论、模糊集合论、模糊语言变量和模糊逻辑推理等。与经典控制理论相比，模糊逻辑控制策略最大的特点是不需要准确的数学公式来建立被控对象的精确数学模型，因此可极大简化系统设计和数学建模的复杂性，提高系统建模和仿真控制的效率。模糊控制系统在建模过程中，利用人类积累的相关知识和生活经验进行推理，模拟人类大脑处理复杂事件的过程，进而产生相应的控制思想——控制思想经过编译成为控制策略。模糊逻辑控制策略由工程人员的控制思路和实践经验积累编译而成，具有较佳的鲁棒性、适应性及容错性。其主要由定义模糊变量、模糊变量模糊化、定义规则库、推理决策和逆模糊化五个环节组成。
最优控制理论是变分法的推广，着重于研究使控制系统的指标达到最优化的条件和方法。为了解决最优控制问题，必须建立描述受控运动过程的运动方程，给出控制变量的允许取值范围，指定运动过程的初始状态和目标状态，并且规定一个评价运动过程品质优劣的性能指标。性能指标的好坏取决于所选择的控制函数和相应的运动状态。系统的运动状态受到运动方程的约束，而控制函数只能在允许的范围内选取。同时，最优控制的实现离不开最优化技术。最优化技术用于研究和解决如何将最优化问题表示为数学模型，以及如何根据数学模型尽快求出其最优解这两大问题。
在系统控制过程中，控制器根据系统当时状态，以跃变方式有目的地不断变换，迫使系统按预定的“滑动模态”的状态轨迹运动。变结构是通过切换函数实现的，特别要指出的是，通常要求切换面上存在滑动模态区，故变结构控制又常被称为滑动模态控制。
相对于传统控制方法，智能控制方法主要体现在对控制对象模型的运用和综合信息学习运用上，主要有基于模型的控制、神经网络控制和深度学习方法等。目前这些算法已逐步在汽车控制中得到应用。
基于模型的控制，一般称为模型预测控制（Model Predictive Control, MPC），又称为滚动时域控制（Moving Horizon Control, MHC）和后退时域控制（Receding Horizon Control, RHC）。它是一类以模型预测为基础的计算机优化控制方法，是在近些年来被广泛研究和应用的一种控制策略。其基本原理可概括为：在每个采样时刻，根据当前获得的测量信息，在线求解一个有限时域的开环优化问题，并将得到的控制序列的第一个元素作用于被控对象，在一个采样时刻，重复上述过程，再用新的测量值刷新优化问题并重新求解。在线求解开环优化问题获得开环优化序列是模型预测控制与传统控制方法的主要区别。预测控制算法主要由预测模型、反馈校正、滚动优化和参考轨迹四个部分组成，最好将优化解的第一个元素（或第一部分）作用于系统。
神经网络控制是研究和利用人脑的某些结构机理及人的知识和经验对系统的控制。利用神经网络，可以把控制问题看成模式识别问题，被识别的模是映射成（行为）信号的（变化）信号。神经网络控制最显著的特点是具有学习能力。它是通过不断修正神经元之间的连接权值，并离散存储在连接网络中来实现的。它对非线性系统和难以建模的系统的控制具有良好的效果。一般情况下，神经网络用于控制系统有两种方法：一种是用其建模，主要利用神经网络能任意近似任何连续函数和其学习算法的优势，存在前馈神经网络和递归神经网络两种类型；另一种是直接作为控制器使用。
深度学习源于神经网络的研究，可理解为深层的神经网络。通过它可以获得深层次的特征表示，免除人工选取特征的繁复冗杂和高维数据的维度灾难问题。深度学习在特征提取与模型拟合方面显示了其潜力和优势。对于存在高维数据的控制系统，引入深度学习具有一定的意义，近年来，已有一些研究关注深度学习在控制领域的应用。目前较为公认的深度学习的基本模型包括基于受限玻尔兹曼机（Restricted Boltzmann Machine, RBM）的深度置信网络（Deep Belief Network, DBN）、基于自动编码器（Autoencoder, AE）的堆叠自动编码器（Stacked Autoencoder，SAE）、卷积神经网络（Convolutional Neural Network, CNN）、递归神经网络（Recurrent Neural Network, RNN）。
智能驾驶系统需要尽量减少人的参与或者没有人的参与，自动学习状态特征的能力使得深度学习在无人驾驶系统的研究中具有先天的优势。如何充分利用和发挥深度学习在无人驾驶系统中的优势并发展包括深度学习在内的无人驾驶系统控制是目前的研究方向。