下载掌阅APP，畅读海量书库
立即打开
自动驾驶在美国拥有相对较长的发展历程，其间经历了多次波荡起伏。自动驾驶概念最早出现在1940年纽约世界博览会上由通用公司展示的Futurama原型。随后其发展经历了大致4个阶段。第一阶段是20世纪50年代，由通用汽车公司（General Motors Company，GM）与美国无线电公司（Radio Corporation of Amercia，RCA）合作提出的自动高速公路系统的概念。第二阶段，是由俄亥俄州立大学Robert Fenton教授带领的一系列研究工作，从1964年一直延续到1980年。第三个阶段是由加利福尼亚州运输部（California Department of Transportation，CALTRANS）和美国加州大学交通研究中心（The University of California Instituteof Transportation Studies，UCITS）于1986年在伯克利创建高级运输和公路合作组织（Partners for Advanced Transit and Highways，PATH）项目为代表，现已成为交通运输研究中最富有成果的项目之一 [18] ，其主要研究领域包括自动驾驶、车辆与道路通信、交通安全、先进交通决策与管理、队列与车辆能耗和排放控制、深度学习与车辆感知等。1994年之后，美国运输部启动了国家自动高速公路系统联盟计划（National Automated Highway System Consortium，NAHSC）。该联盟努力扩大该计划的专业知识和资源，并促进全自动化公路系统目标的实现。1997年，NAHSC在圣地亚哥进行了一次具有标志意义的展示，根据安装在道路中央的磁地钉的引导，8辆全自动汽车排成紧密队列一起行驶，如图1.4所示。这次演示验证了AHS项目的可行性，在AHS项目的研究中具有重大意义。虽然此次展示表明了该项目的可行性，但也展示了自动驾驶是极为复杂的系统，需要巨大的投入，实现完全的自动驾驶需要一个长期的过程。此后，美国交通运输部（United States Department of Transportation，USDOT）逐步取消了对NAHSC的财政支持，转而致力于发展以短期安全为导向的技术开发。同样在1997年，智能汽车倡议计划（Intelligent Vehicle Initiative，IVI）开始执行，这是一个政府与业界相互合作，以加快安全性能的开发和商业化，以及驾驶员辅助系统为目的的计划。第四个阶段一直持续至今，其主要代表是美国国防部高级研究计划局（Defense Advanced Research Projects Agency，DARPA）挑战赛，以及其后Google公司在2010年对外界发布的自动驾驶项目等，如图1.5所示。
图1.4 NAHSC演示中的汽车队列
图1.5 Google自动驾驶汽车
2016年美国汽车工程师学会（Society of Automotive Engineers，SAE）发布了自动驾驶系统的等级划分，见表1.2。
表1.2 自动驾驶系统等级划分
续表
第一级为驾驶辅助系统，比如自适应巡航控制、车道线保持技术等，已经应用于各种车辆上。最近报告显示，自引入自适应巡航控制到实车以来，经过14年的时间，新车市场渗透率达到5%，对驾驶员来说是非常有用的辅助系统。
第二级为部分自动驾驶，车辆不允许驾驶员的双手脱离转向盘。部分自动化系统近年已在一些车辆上使用，并将在未来几年内普及。
第三级为有条件自动驾驶，根据路况条件所限，必要时必须交由驾驶员驾驶，允许驾驶员将注意力暂时远离驾驶以参与其他活动，提供更高水平的驾驶员舒适性和便利性，但是，当系统达到其功能极限时，驱动器仍然需要在几秒钟内重新进行控制。
第四级为高度自动驾驶——自动驾驶系统完成所有驾驶操作，驾驶员可以不接管车辆。第四级车辆自动化包括各种需要单独考虑的功能集合。这些系统可以完全替代驱动程序（不需要驱动程序干预），但只在特定的有限条件下（Operational Design Domain，ODD）实现自动驾驶，比如：自动泊车系统、特殊运输方式的自动公共汽车、校园或行人专用区的低速自动驾驶等。
第五级为完全自动驾驶——无论任何路况、任何天气，车辆均能实现自动驾驶，即实现车辆自动驾驶。
在亚洲地区，随着汽车数量的增长，许多国家大城市的公路运输问题日益严重。为解决这些问题，以ETC为代表的一些技术首先得到应用，与此同时，也开展了ITS相关技术的研究。
由国家科技部资助的国家智能交通系统工程技术研究中心（National Intelligent Transport Systems Center of Engineering and Technology，ITSC）成立于1999年，致力于通过使用通信和信息技术提高行车安全和效率 [19] 。目前的研究项目涵盖领域从社会科学到技术，主要包括：电子不停车收费和短距离通信、交通数据分析、商用车的安全监测和预警技术、自动扫雪车、政策咨询与规划等。西安交通大学、清华大学、国防科技大学等高校已开展了一系列的自动驾驶车辆相关研究，并取得了大量成果。2009年以来，国家自然科学基金委员会主办了中国智能车未来挑战赛，其比赛项目有综合道路测试（包含道路避障绕行、交通灯识别、自主泊车等）和城区道路特定行驶（包含交叉路口识别、行人检测与停车让道等）。在2019年的比赛中，清华大学、西安交通大学等多支队伍参加了比赛。尽管是在无GPS的乡间泥泞小路，绝大多数的车也安全通过了。
在企业界，2018年，百度Apollo开放平台率领百余辆车，在无人驾驶模式下完成了“8”字交叉跑等动作，如图1.6（a）所示。2016年4月，长安汽车完成了从重庆到北京的2 000 km的自动驾驶路测，最高时速达120 km/h，实现了中国首次长距离自动驾驶系统测试。2017年7月，长安自动驾驶L4级技术代客泊车CS55在杭州上市发布会亮相，实现自动驶入、自动规划路径、自动搜索车位、自动泊车、自动驶出停车场五大功能，该技术计划将于2022年实现车型量产，如图1.6（b）所示。
图1.6 国内自动驾驶汽车
1973年，日本通产省就开始着手汽车交通综合控制系统（Comprehensive Automobile Control System，CACS）的相关研究工作 [20] 。从20世纪80年代以来，已经进行了许多项目的研究，其中具有代表性的有：由建设省进行的路/汽车通信系统（Road/Automobile Communication System，RACS）。而后发展的高级道路运输系统（Advanced Road Transportation System，ARTS），其通过整合道路和车辆建立了整个道路交通的发展概念。同时也进行了与此相关的其他项目的研究，包括超级智能车辆系统（Super Smart Vehicle System，SSVS），推动汽车安全技术的研究和开发的高级安全车辆（Advanced Safety Vehicle，ASV），和促进社会基础设施信息系统（如交通信号和导航系统）发展的通用交通管理系统（Universal Traffic Management System，UTMS）等。在2001年“E-JAPAN优先政策计划”中，ITS被置于社会中关键要素位置，日本全国各地开始应用车辆信息与通信系统（Vehicle Information and Communication System，VICS）。2019年，国土交通省和经济产业省共同在全国多个城市试点开展了一项名为“智能出行挑战”的智慧化出行推广项目，旨在通过向社会推广新型出行服务模式来解决交通从业者逐年减少的问题，同时促进地方的政企合作。
日本汽车工业协会对自动驾驶发展路线提出如下思路：2020年之前，为自动驾驶技术的应用和引进期；2020—2030年，为加大普及和发展期；2030—2050年，为巩固和成熟期。面向这一发展路线，汽车行业不仅要推动技术开发，还要以产、官、学合作的方式推动法律建设、通信与数据提供基础设施、新一代交通环境建设等工作。其目的是通过自动驾驶技术实现“零事故”“零拥堵”“自由出行”与“高效物流”的目标。
欧洲自20世纪70年代以来已进行了一些项目，其中，德国在20世纪70年代中期就开始实施驾驶员引导和信息系统。欧洲研究协调局（European Research Coordination Agency，EUREKA）在1986—1994年领导实施了欧洲高效率和安全交通计划（Programme for a European Traffic with Highest Efficiency and Unprecedented Safety，PROMETHEUS）。其目的在于提高行车安全和道路交通的管理。同时，欧洲车辆安全型专用道路设施（Dedicated Road Infrastructure for Vehicle Safety in Europe，DRIVE）项目和1990—1994年实施的DRIVE Ⅱ项目主要研究交通基础设施，如道路收费和停车换乘，以减少城市区域的交通负荷。这些方案已被近来实施的欧洲运输机动性计划（Programme for Mobility in Trans-portation in Europe，PROMOTE）和远程信息处理计划证明是成功的。1991年，欧洲道路运输通信技术实用化促进组织（European Road Transport Telematics Implementation Coordination Organization，ERTICO）成立，这是一个跨行业、公私合作的以发展和部署智能运输系统与服务为目的的组织 [21] 。最近几年实施的先进驾驶辅助系统（Advanced Driver Assistance Systems，ADAS）项目主要用于提高道路安全、效率和舒适性。其为该领域的专家、主管部门和公众之间的交流和传播提供了平台。
在此框架下，欧洲各国也在推进各自的研究项目，以法国为例，PREDIT项目以陆路运输的研究、实验和创新为目的，由分管科研、运输、环境和行业的部委以及国家环境能源管理局（Agence de l'Environnement et de la Maîtrise de l'Énergie，ADEME）和国家研究推广局（Agence Nationale de Valorisation de la Recherche，ANVAR）共同负责实施 [22] 。自1990年起，PREDIT项目进行了3个阶段：第一阶段PREDIT 1（1990—1994年）主要致力于汽车技术创新；PREDIT 2（1996—2000年）涵盖领域较广泛，包括人类和社会科学的各个方面和运输服务组织等。PREDIT 3（2002—2006年）的研究内容主要针对货物运输、能源和环境问题，以及对多元化的安全性研究。成立于2001年的安全驾驶行动研究项目（Action de Recherche pour une COnduite Sécurisée，ARCOS）由大学和企业进行合作，旨在改善道路交通的安全性。PREDIT 4项目于2008年已开始实施，其目标是到2020年将能源效率提高20%，优先发展其他运输方式，并制定了生态税等措施。
世界上ITS发展的简要年表如图1.7所示。
图1.7 世界ITS发展简要年表
自动协同驾驶网络中的智能车辆队列需要完成的操作动作可分为分离、合并、跟随和改变车道等。AHS中自动车辆的控制结构设计应致力于使车辆队列具有更好的灵活性，包括合并和变换车道操作的平滑过渡，为双方的安全和效率提供良好的兼容性。
PATH在1994年提出了四层控制结构。该四层结构为：链路、协调、管理和车辆动力学。其中，链路层在路侧系统上，其他三层则位于车辆系统中 [23] 。该四层控制结构可视为近期新提出的控制结构的基础。2000年，Horowitz和Varaiya，以及PATH的研究人员对四层控制结构进行了改进，在原四层控制结构的基础上增加了网络层，提出了五层控制结构 [24] 。同样在2000年，一组日本研究人员为先进车辆控制与安全系统（Advanced Vehicle Control and Safety System，AVCSS）提出了三层控制结构，即车辆控制层、车辆管理层和交通管理层 [25] 。这种控制结构以车辆结构为中心，能够使汽车系统得到更好的组织设计。
2005年，Halle在Tsugawa结构和PATH项目的基础上提出了一种新的三层控制结构体系 [25,26] 。该控制结构体系由引导层、管理层和交通控制层组成，如图1.8所示。该结构体系增加了车辆队列间的协调操作，比如队列内协调和队列间协调操作。
图1.8 自动驾驶分层结构体系
纵向控制和横向控制是车辆自动化的两个基本功能。研究人员和汽车制造商为满足自动高速公路系统的要求开展了大量汽车纵向控制研究开发工作 [27-29] ，通过使用线控节气门和制动控制器辅助驾驶员对车辆实现纵向控制，分为“自主”和“非自主”两类。自主系统意味着被控车辆需要的所有信息均由车载传感器进行采集，而车辆间的通信和车路之间的通信则需要非自主系统来完成。
纵向控制系统的设计面临着一系列挑战，如非线性车辆动力学、相关控制算法的设计、车辆间距策略、串稳定性、交通流的稳定性，以及车辆在所有车速工况下的运行情况等 [30,31] 。Guo等人设计了一种基于神经网络技术的自适应估计方法来逼近自主车辆的模型不确定性 [32] 。Ganji等使用滑模变结构控制方法对混合动力车辆纵向速度进行控制，并将结果与混合粒子群优化的比例-积分-微分（PID）控制方法进行对比 [33] 。Zhu等提出了一种基于模型预测控制的地面自主车辆速度跟踪控制方法，实现了高精度速度控制任务 [34] 。马国成等为处理车辆跟随控制中车距与车速误差不易同步收敛的问题，设计了线性二次型调节器求解最优期望加速度，并通过仿真和实车试验对控制性能进行验证 [35] 。为解决车辆纵向控制中的这些难题，纵向控制系统的子系统可分别采用上位控制器和下位控制器进行分层控制，如图1.9所示。上位控制器决定被控车辆的期望加速度或速度，下位控制器决定跟踪期望加速度或速度所需的节气门和制动命令 [29,36] 。李文昌等针对智能电动汽车的纵向控制在不确定性干扰下存在非线性和强时变特征，提出一种分层控制架构下的智能电动汽车纵向跟车运动自适应模糊滑模控制方法。根据经典力学理论建立表征智能电动汽车纵向行为机理的动力学系统模型，并进一步构建智能电动汽车纵向跟车运动分层控制构架。上层控制根据本车与前车的行驶状态信息得出期望加速度滑模控制律，进而利用自适应模糊系统替代滑模切换项以改善控制性能；下层控制通过设计驱动/制动切换策略以提高行驶舒适性，然后基于逆动力学模型实时求解期望控制力矩以跟踪期望加速度。为验证所提方法的有效性，在不同行驶工况下进行的仿真试验结果表明，该方法能实现本车平稳准确地跟随前车行驶，且对前车加速度的干扰具有鲁棒性 [37] 。
图1.9 两层结构的纵向控制
车辆纵向动力学中的非线性和不确定性是节气门和制动控制器设计面临的主要挑战，许多研究者和汽车制造商从不同角度对车辆纵向控制进行了大量研究。从20世纪70年代到80年代，出现了一些关于汽车发动机控制系统和制动系统的研究 [38-42] 。随后，第一代发动机控制系统以及制动系统的控制方面均取得了重大的进展 [43,44] ，如制动防抱死系统（Anti-lock Braking System，ABS）现已经被汽车行业广泛采用。
从20世纪90年代以来，在上述研究结果的基础上，结合节气门和制动控制的汽车纵向控制的研究逐渐增加并且备受青睐。Ioannou和Chien提出了具有固定增益和增益调整的PID控制器以及用于车辆纵向控制的自适应控制方法，使用准确的全阶非线性纵向模型进行模拟仿真并进行实车试验，结果表明模拟与试验的结果能够较好吻合 [45] 。然而，要使用这些控制器，首要条件是必须建立一个准确的节气门开度的车辆速度和位置模型，要得到这个模型，需要通过进行大量的实验来确定所需要的参数。然而，在很多情况下，这些数据是不公开的。韩国汉阳大学的研究团队在对车辆走停巡航控制系统的研究中，设计了前馈和PI反馈相结合的下位控制器，该控制器可以控制车辆跟踪期望加速度，系统响应速度较好，但对车辆动力学模型的参数不确定性及外部干扰的鲁棒性较差 [46] 。
Gerdes和Hedrick等人提出了一种基于多滑模面控制的发动机和制动控制系统 [47] ，该系统由三个基本要素组成：根据车辆加速度合成输入的上层滑模控制器；选择加速或制动控制的切换逻辑；控制发动机和制动操作的下位滑模控制器。但基于上述模型的方法需要精确的发动机和制动系统动力学模型作为前提。研究表明，与人类驾驶相比，纵向系统可以平滑车辆加速踏板和制动踏板的操作，从而可以提高燃油经济性 [48] 。此外，对混合动力汽车和电动汽车的研究还表明，纵向控制算法对燃油经济性和行驶里程的改善 [49] 。此外，加州大学伯克利分校的研究团队针对车辆纵向动力学模型存在的非线性和不确定性等特性，采用滑模变结构控制方法设计了纵向控制下位控制器 [50] 。韩国全北国立大学的Liang等在对车辆制动系统的研究中采用变参数滑模控制方法设计了制动控制系统的下位控制器，并通过车辆状态估计滑模控制器的系数 [51] 。
模糊逻辑控制也可以用于车辆纵向控制。Naranjo等设计了两个单独的模糊控制器分别控制加速踏板和制动踏板来执行ACC和走/停动作 [52] 。为了避免这两个踏板同时动作，必须通过两个控制器的隶属度函数值进行界定。系统采用了固定车头时距策略来确定被控车辆与前车的距离。该系统在两车队列中开展了实验验证，结果表明该自动车辆和人为驾驶的表现极为相似，并且能够自适应速度的变化。
上位控制器的作用是确定被控车辆的期望加速度或速度，其首要设计任务包括间距策略及其相关控制算法的设计。间距策略用于使被控车辆与前方车辆保持期望间距 [28,31] ，通常希望的间距是车辆速度的函数，但也可以是一个固定的距离或者是其他变量的函数，如被控车辆与前车之间的相对速度。由于它对车辆安全性和通行能力具有较大影响，在车辆纵向控制系统中具有重要作用。间距策略及其相关的控制算法可以从串稳定性、交通流稳定性和交通流量等方面进行评估 [31,53] 。
在早期的研究中已有多种间距策略被提出 [28-30,54-55] 。从交通容量角度考虑，建议车间距为固定间距1 m [54] ，如果采用这样紧凑的固定车间距构成车辆跟随模型，将大大提高道路的通行能力。然而，研究表明车辆控制器需要获取车辆队列中头车的信息以保证队列的稳定性 [30,36] 。因此，需要车间通信为跟随车辆提供头车状态。目前，研究人员和汽车制造商最常用的间距策略是固定车头时距（Constant Time Gap，CTG）策略 [28] ，与固定间距策略不同，CTG策略不需要车间通信就能够实现车辆的跟随。目前已有很多研究工作是基于CTG间距策略开展的。此外，部分制造商也推出了基于CTG策略的巡航系统 [27,55-57] 。但是，CTG策略的使用仍存在一些问题：
①使用CTG策略，目前的巡航控制系统不适合高密度的交通状况，并且运行速度应当高于40 km/h [27] 。
②使用标准CTG策略，难以保证交通流量的稳定性 [53] 。
Yi等人在进行车辆走停巡航控制系统的上位控制器研究时，采用线性二次型最优控制理论设计了应用于走停巡航控制系统的上位控制器，考虑到车辆乘坐舒适性，设定了期望加速度的上下界 [46] 。
车辆偏离车道是引发致命交通事故中的重要因素之一。据统计，美国每年由于车辆偏离车道导致的死亡人数超过25 000例，占美国公路交通事故总死亡人数的60%，其中，弯道事故率是直道的3倍 [58] 。车辆横向控制系统为车辆的转向控制问题提供了一个可行的解决方案，它能够根据道路参考系和车载传感器感知道路中心线，并决定转向控制命令，控制车辆沿期望路径行驶，或者将车辆引导到相邻车道。车辆横向控制的设计要求是确保较小的横向误差和相对小的横摆角度，同时保持车辆在不同驾驶条件下的乘坐舒适性。
车道保持和车道变换是车辆横向控制系统的两个基本功能 [59] ，到目前为止，车道保持辅助已经大大地改善了车辆的主动安全性，而车辆换道辅助仍需进一步突破，因此，在自动驾驶实现过程中需要鲁棒性较强和高精度的横向控制器。车道保持系统会自动控制车辆转向，以保持车辆在其车道行驶或者沿着车辆周围的曲线行驶。车道保持的问题可以看作如何减少车辆偏移车道线的偏移量，Fenton和Selim采用优化设计方法设计了速度自适应横向控制器，该控制器为速度的非线性函数，需要全状态反馈，因此设计了状态观测器 [60] 。许庆等人面向网联车辆控制系统，关注随机通信丢包或时延下的量化控制器设计问题，将存在不可靠通信条件的系统建模为跳变系统，提出适用于非理想通信环境下的网联车辆控制方法，以及基于线性矩阵不等式的控制器求解方法，保证系统的稳定性 [61] 。在文献[62]中，根据车辆与参考车道线间的横向位置误差和侧偏角误差生成的期望横摆角速度，并设计了PI控制器用于减小车辆实际横摆角速度与期望横摆角速度间的误差。在文献[63]中介绍了3种基于视觉的横向控制策略：超前滞后控制、全状态反馈以及输入—输出线性化，并开展了一系列的对比实验。尽管这些独特的基于模型的控制方法能够获得可以接受的控制结果，但是它们的性能对于模型的不匹配和非模型动态因素很敏感。明尼苏达大学的Rajamani等基于智能车非线性运动学模型，采用输入状态反馈的线性化方法，设计了无预瞄和有预瞄的横向控制系统，并对比证明了带有预瞄的横向控制系统优于无预瞄横向控制系统 [36] 。此外，还有一些较为复杂的控制方法，如滑模控制器 [64] 、H ∞ 无穷控制器 [65] 、模型预测控制器 [66] 和自适应控制器 [67] ，然而这些控制器对于车辆的实时嵌入式系统而言均显得过于复杂。
车辆换道系统能够自动操纵车辆从当前车道换至相邻车道。其实，当横向传感器可以在两车道之间测量车辆位置时，换道和车道保持动作几乎是完全相同的。一种主要的解决方法是前视横向参考/感知系统（如机器视觉系统），它能够获取较大范围的车辆横向位移。根据测量结果，横向控制器可以模仿人类驾驶员来执行车道变换动作 [63,68] 。王荣木团队将横向控制研究作为确定性最优控制问题，以Ackerman原理为基础搭建了视觉导航式智能车辆运动状态方程，从而设计了横向最优控制器 [69] 。然而，机器视觉系统的可靠性很容易受到光和天气等条件变化的影响。下视横向参考/感知系统（如安装在高速公路中的磁道钉）是一种更为可靠的感知方案，但不足之处是传感器的量程偏小。在这种情况下，车道变换控制问题变得更加复杂，因为横向传感系统无法检测到两个车道，而车辆必须在看不到道路参照系的情况下移动一定的距离。
为了解决这个问题，研究人员设计了虚拟期望轨迹（Virtual Desired Trajectory，VDT）为车辆在换道过程中提供参考，设计中需要考虑乘客舒适性和过渡时间。对于VDT有四种可选轨迹：圆形轨迹、余弦轨迹、五阶多项式轨迹和梯形加速度轨迹，这四种轨迹采用过渡时间作为性能指标，横向加速度及加速度冲击作为约束，车辆速度作为设计参数进行评价。其中，梯形加速度轨迹的优势更明显 [23,70] 。通过使用VDT，车道变更动作便可作为车道跟踪问题来研究。因此，可考虑使用统一的控制算法来执行车道保持和换线的跟踪任务，以使横向控制系统更简单和更紧凑。Chot针对自主车辆的横向控制问题，提出了一种基于线性矩阵不等式（LMI）的H ∞ 无穷控制算法，该算法利用侧偏移和目标横摆角的反馈，有效地实现了前视和下视传感器的融合，为验证该控制器的性能，在多体动力学中进行了车道变换和循环车道跟踪仿真。针对位置和偏航角的均匀随机噪声以及质量和转弯刚度的建模不确定性，将所提出的算法的鲁棒性与目标车道上的三次曲线法和航向角方法进行了比较 [71] 。
对于自动高速公路上的自动驾驶车辆而言，我们希望实现纵向与横向的联合控制。有两种类型的组合方法：非耦合控制和耦合控制。非耦合控制方法不考虑纵向与横向动力学之间的耦合效应，设计的纵向与横向控制器是完全独立的。因此，可以通过简单地组合两个单独的控制器而获得全局控制器。而在耦合方法中，两个运动之间的耦合效应不能被忽略，控制器设计需要考虑耦合效应。显然，考虑了两个运动的耦合效应之后，控制器的设计任务比非耦合情况下更为复杂。
Wijesoma和Kodagoda在类似高尔夫球车的自主引导车辆（Automated Guided Vehicle，AGV）上开发了非耦合模糊控制系统 [72,73] ，他们的研究没有明确考虑车速与转向角（及角速度）之间的耦合效应，车速和转向控制器相互独立。通过在AGV样机上对所提出的模糊控制系统进行了广泛的测试，证明即使同时进行速度和转向操作，其运行结果都是令人满意的。但是，其速度的变化范围为3~7 m/s，显然，这个速度变化对于高尔夫球车是足够的，但是对于高速公路车辆来讲还远远不够。Bom等提出了城市车辆的全局控制策略，纵向控制和横向控制采用非线性完全解耦控制理论 [74] 。然而，在他们的仿真和实验中，最高速度均低于25 km/h，这对于城市车辆有一定可行性，但对于高速公路车辆仍有较大差异。
与此相反，也有学者提出了一些耦合解决方案。Lim和Hedrick考虑了车辆纵向和横向动力学中存在的耦合效应，提出了一种滑模控制器以实现车辆的自动跟随，通过仿真和现场试验对该方法进行了验证，并与PID控制器进行了比较 [75] 。文献[76]和[77]中采用滑模控制和反演控制方法对自动车辆在低速（ v <60 km/h）情况下进行了研究。文献[78]考虑了纵向和横向两种模式之间耦合，提出了基于模糊控制律的T—S模型，“虚拟挂钩”的策略被用于纵向和横向控制器的设计。仿真结果表明，纵向间距误差小于安全距离的5%。然而，定向误差（跟随车和头车之间的定位误差）为40%以上，可额外增加通信系统作为限制该定位误差的解决方案。为了控制智能车辆在参数不确定、耦合动力学和外部扰动的情况下的横向和纵向运动，Guo等人提出了基于反步的变结构控制策略，保证了跟踪误差的全局一致最终有界。仿真结果表明，该控制策略具有较强的鲁棒性和良好的跟踪性能 [79] 。Lee等人通过退步算法设计了耦合鲁棒自适应综合控制系统 [80] 。Garcia等人采用模糊逻辑设计了整车控制器，并开展了实车试验 [81] 。Kumarawadu等人采用神经网络优化的PD控制器设计了横纵向整车综合控制器，在整车控制中取得了较好的仿真结果 [82] 。Chen等人针对多车道和周边多车辆的高速公路环境，设计了分层混合控制系统，来实现智能车的高度自动化驾驶。该系统上层使用有限状态机（Finite-State Machine，FSM）模型，根据相对位置的识别和纵向距离的预测来选择驾驶行为；下层采用模型预测控制（Model Predictive Control，MPC）算法实现车辆横向与纵向的综合控制 [83] 。
国内的智能车横纵向综合控制方法研究也较多且成果丰富。李以农等结合滑模和动态表面控制方法构建了整车综合控制系统，仿真验证结果表明该方法比独立横、纵向控制系统的控制精度更高 [84,85] 。赵津等基于模糊控制逻辑设计的横纵向控制器的控制精度较高 [86] 。任殿波等采用有限时间滑模趋近率研发了车辆换道的整车控制系统，仿真结果表明该控制系统控制下的车辆换道误差极小 [87] 。张琨等设计了一种智能车自主循迹的控制策略，主要包括模糊神经网络的车速控制与转向控制，并设计了基于神经网络预测的期望车速预测控制器 [88] 。胡平等利用反演变方法以及耦合动力学设计了整车控制系统，该控制系统具有强的鲁棒性和稳定性 [89] 。赵盼等设计了一种自适应PID整车控制器并运用于中科大智能车上并在无人车挑战赛取得良好的成绩 [48] 。郭景华等设计了由协调控制律和控制分配律所组成的非奇异滑模协调综合控制系统 [49,90] 。