自动驾驶汽车横向控制综述

龚大为

摘要：自动驾驶汽车可以高效地避开障碍物并与其他车辆保持安全距离，从而提高驾驶时舒适性和安全性。这些功能都是通过对车辆进行横向控制实现，目前已有了广泛研究。介绍了车辆动力学研究中常用的整车动力学模型，并说明了几种常见的自动驾驶汽车横向控制方法及其应用，最后总结了自动驾驶汽车横向控制研究的发展趋势。

关键词：自动驾驶汽车;动力学模型;横向控制

0  引言

自动驾驶汽车作为提高交通安全、减轻智能交通环境污染的有效途径，引起了广大学者的研究兴趣。此外，自动驾驶汽车还可以检测环境条件，例如道路上的其他车辆的位置和速度，弯道以及障碍物，即使没有驾驶员的干预，自动驾驶汽車也可以很好的对当前状况做出良好的处理。自动驾驶的这些种种优势，推动了它的创新研究和发展。

自动驾驶汽车主要通过纵向控制和横向控制来进行操控。本文主要对横向控制方面进行阐述，首先介绍了车辆的动力学建模，其中包括常见的几种不同自由度动力学模型和轮胎模型，其次是横向控制中应用较为广泛的控制方法，最后阐述了自动驾驶汽车横向控制研究中的发展趋势。

1  整车动力学建模

自动驾驶汽车的控制一般考虑两种设计思路：一种是模拟驾驶员操纵车辆，这种方法需要一个车辆模型和一个驾驶员模型;另一种是建立整车动力学模型，结合控制理论，来对车辆进行控制。以下主要对后一种控制方法进行阐述。

1.1 整车动力学模型

自动驾驶汽车动力学模型的研究是建立在有人驾驶车辆动力学的基础上的，模型如何选择在于要分析的问题，需要考虑怎样的车辆运动就建立怎样的车辆动力学模型。

1.1.1 二自由度模型

车辆二自由度模型在自动驾驶横向控制中应用最为广泛。研究表明，当车辆的侧向加速度小于0.2g时，二自由度动力学模型可以较好的表现车辆的动力学响应，结合线性轮胎模型，以此设计的控制器拥有良好的性能。文献[1]利用二自由度模型分析出了车辆稳定性区域的边界条件，稳定区域随车速和路面附着条件改变，形成横向控制器的约束条件。

1.1.2 三自由度模型

当在横向控制研究中需要考虑车辆侧倾带来的影响时，可建立包括车辆的侧向运动、横摆运动以及侧倾运动的三自由模型。文献[2]考虑自动驾驶车辆高速时的滑移和侧倾因素，建立了车辆三自由度动力学模型，利用步长可变的离散化方法对模型进行离散，并推导了车辆侧滑和侧倾稳定性约束，设计了模型预测控制器，确保车辆高速无碰撞稳定行驶。

1.1.3 七自由度模型

车辆七自由度模型通常包括车辆的纵向运动、侧向运动、横摆运动以及四个车轮的转动，可对车辆的操纵稳定性等进行分析。文献[3]基于车辆七自由度模型，结合非线性轮胎模型，设计了过激励时的稳定性控制器，提高了车辆操纵稳定性，并对系统进行了鲁棒性评价。

1.2 轮胎力学模型

车辆在行驶过程中所受到的力，除空气动力外，都来源于轮胎与路面的相互作用，因此，在自动驾驶的横向控制中，其力学研究显得尤为重要。

目前用于自动驾驶汽车横向控制的轮胎模型主要分为线性轮胎模型和非线性轮胎模型。线性轮胎模型就是轮胎纵向力和侧向力分别与滑移率和侧偏角呈线性变化，不随侧向加速度、载荷等因素的变化而变化。非线性轮胎模型就是轮胎的纵向力、侧向力和回正力矩等呈非线性变化，常用的有Dugoff轮胎模型、魔术公式、HSRI轮胎模型和Burckhardt轮胎模型等。

研究表明，当车辆侧向加速度较小和纵向滑移率较低时，轮胎力近似呈线性变化，此时使用线性轮胎模型即可满足计算要求。当车辆侧向加速度较大或紧急制动时，就需要使用非线性轮胎模型。

要想准确地反映轮胎特性，应选择更精确的轮胎模型，但是轮胎模型一旦复杂起来会大大地增加计算时间，在车辆实时横向控制中可能无法满足实时性的要求，因此，轮胎的建模也要综合考虑再选择。

2  自动驾驶汽车横向控制方法

目前，在自动驾驶汽车横向控制中应用较多的方法有：预瞄控制、PID控制、自适应控制、滑膜控制、模糊控制以及模型预测控制等。

2.1 预瞄控制

预瞄控制的原理就是模拟人类的驾驶过程，根据车辆当前所处的环境决定下一步的行为，即横向控制中输出量方向盘转角，方向盘转角的大小通常取决于道路的弯曲程度，道路弯曲程度越大，方向盘转角越大。文献[4]通过摄像头传感器获得道路信息，利用获取的当前道路信息进行反馈，未来道路信息做预瞄，设计预瞄反馈控制器，仿真和实验都证明了该控制器可以提高跟踪精度和行驶稳定性。

预瞄控制在一定情况下有不错的控制效果，但由于其模型局限性以及参数的不确定性，例如外界扰动、轮胎侧偏特性等，系统的控制性能不够鲁棒。

2.2 PID控制

PID控制在工业中的应用十分广泛，在自动驾驶汽车的控制中将车辆的实际状态与目标状态之间的偏差按比例、积分和微分的关系构成控制量，来对车辆进行控制。文献[5]基于车辆线性二自由度模型，设计了一种运动学航向误差模型和鲁棒PID结合的横向反馈控制器，实车试验的结果表明提出的控制系统具有良好的路径跟踪能力。

PID相较于其他控制算法，其不需要建立模型，但控制参数需要通过多次试验来确定，控制效果的好坏取决于控制参数。而且当车速改变时，控制参数需要重新选取。虽然PID简单方便，但难以应用于多变量和时变系统，目前在自动驾驶汽车中的应用已经逐渐减少。

2.3 自适应控制

自适应控制的控制对象是一个不完全确定性的系统，车辆在行驶过程中就是这样一个系统，车辆的模型参数以及道路环境都存在不确定性。自适应控制就是要当被控对象参数改变以及存在外部扰动时，能对系统进行不断的调整，使之达到最佳控制效果。

文献[6]建立了车辆避障自适应模糊模型，其中模型的参数利用学习算法进行辨识，设计了避障自适应控制器，仿真结果表明，该控制器可以实现自适应避障控制。

2.4 滑模控制

滑模控制是一种控制过程中系统结构按预定的滑模轨迹改变的非线性控制方法，这种控制方法的优势在于滑动模态设计调节的参数少，响应快，且对外部扰动不灵敏。当该控制方法应用于自动驾驶汽车横向控制时可以较好地处理外部扰动带来的影响。

文献[7]基于反步控制设计了路径跟踪的滑模控制切换函数，并设计新的趋近律来减弱滑模变结构系统的抖振，仿真结果表明，设计的控制器能更快收敛横向误差，且抖振减弱。文献[8]设计了由规划层和运动控制层的紧急转向控制策略，其中的运动控制层采用基于轮胎侧向力估计得反步滑模控制方法，建立了考虑轮胎侧偏非线性和未知外界干扰的横向运动控制器，实现了无碰撞路径跟踪。

2.5 模糊控制

模糊控制是一种以模糊集合论、模糊语言变量和模糊逻辑推理为基础的新型控制方法。其主要包括模糊化、规则库、模糊推理和解模糊四个部分。重点在于建立正确的模糊规则，这直接影响到控制性能的好坏。对于车辆横向控制这个复杂且难以精确建模的系统，模糊控制便可以发挥其优势。

文献[9]建立了车辆动力学模型和横向误差模型，提出了动态双点预瞄策略，并以此设计了横向模糊控制器，仿真结果表明，在大曲率路径上的横向控制精度依然很高。

2.6 模型预测控制

模型预测控制主要包含预测模型、滚动优化和反馈校正三个要素，基于这三步来解决一系列带约束的优化问题，最终达到控制目的。文献[10]首先基于人工势场法建立危险势场，得到无碰撞轨迹，然后设计了一个多约束模型预测控制器来对车辆进行横向控制，仿真结果表面，该方法在多种驾驶场景中均有较好的跟踪控制效果。文献[11]建立了基于参考轨迹的跟踪误差模型，将线性化后时变误差模型作为模型预测控制的预测模型，设计了模型预测控制器，并进行实车试验，证明了该控制器的控制效果理想。

在车辆的横向控制中，模型预测控制的优势在于其善于解决带优化的约束问题，控制性能优良。对于非线性模型预测控制，其需要在一个控制时域的每个步长内都求解一次优化问题，当选择高自由度的车辆动力学模型时，优化求解会比较耗时，实际应用时很难实现在线实时控制，而线性模型预测控制只是一种次优的选择，因此，在设计时应根据条件和需求选择合适的预测模型。

3  总结与展望

自动驾驶汽车横向控制至今已经取得了长足的发展，今后的研究重点应聚焦于高速工况下和极限工况下。提升高速或极限工况下的横向控制精度可从以下方面进行：

①整车动力学建模。当车辆行驶工况变得复杂时，二自由度模型并不能很好地反映车辆动力学特性，同时轮胎模型也必须考虑非线性特性，但是更高的车辆自由度和更复杂的轮胎模型又会对控制的实时性提出考验。在此，笔者认为可以考虑利用神经网络对模型或某一参数进行学习，以此进行优化。②控制方法优化。横向控制的方法很多，各有优劣，可以考慮智能控制和其他控制方法相结合。③横纵耦合控制。车辆在行驶过程中是横纵向运动相互耦合的非线性系统，单独对横向运动进行控制往往效果欠佳，因此，当行驶工况复杂时应考虑横纵向耦合控制。

参考文献：

[1]Li S E，Chen H，Li R，et al.Predictive lateral control to stabilise highly automated vehicles at tire-road friction limits[J].Vehicle System Dynamics，2020，58（5）：768-786.

[2]刘凯，龚建伟，陈舒平，等.高速无人驾驶车辆最优运动规划与控制的动力学建模分析[J].机械工程学报，2018，54（14）：141-151.

[3]Ahmadi J，Ali Khaki-Sedigh，Abdolreza O.Robustification of input redundant feedback systems using robust actuator weighting in the control allocation problem[J]. International Journal of Control，2012，85（9）：1380-1400.

[4]陈无畏，李进，王檀彬，等.视觉导航智能车辆的路径跟踪预瞄控制[J].机械工程学报，2008，044（010）：277-282.

[5]赵熙俊，陈慧岩.智能车辆路径跟踪横向控制方法的研究[J].汽车工程，2011（05）：18-23.

[6]张学军，郑丽英.汽车智能防撞自适应控制研究与仿真[J]. 计算机工程，2010，036（009）：171-172，175.

[7]姜立标，吴中伟.基于趋近律滑模控制的智能车辆轨迹跟踪研究[J].农业机械学报，2018，049（003）：381-386.

[8]He X， Liu Y， Lv C， et al. Emergency steering control of autonomous vehicle for collision avoidance and stabilisation[J]. Vehicle system dynamics， 2019， 57（8）： 1163-1187.

[9]刁勤晴，张雅妮，朱凌云.双预瞄点智能车大曲率路径的横纵向模糊控制[J].中国机械工程，2019，30（12）：1445-1452.

[10]Ji J ， Khajepour A ， Melek W W ， et al. Path Planning and Tracking for Vehicle Collision Avoidance Based on Model Predictive Control With Multi-constraints[J]. IEEE Transactions on Vehicular Technology， 2017， 66（2）：952-964.

[11]潘世举，李华，苏致远，等.基于跟踪误差模型的智能车辆轨迹跟踪方法[J].汽车工程，2019（9）.