无人驾驶车辆智能控制技术发展

钱玉宝，余米森*，郭旭涛，黄华宝，李世震

(1.长江大学机械工程学院，荆州 434023；2.长江大学新能源特车研究所，荆州 434023)

对无人驾驶的研究可追溯至20世纪七八十年代，在人工智能(artificial intelligence,AI)技术的助力下无人驾驶技术正在阔步向前。将人工智能、智能控制、环境感知、电子计算机等技术融合，涉及深度学习、云端芯片、高精地图、5G通信等前沿热点的无人驾驶技术被美国列为国家层面的技术项目。

在2020年的国民经济和社会发展统计公报[1]中显示，年末中国民用汽车保有量为28 087万辆，同比增长1 937万辆；可预见未来中国汽车保有量仍将呈递增的趋势。现借助CiteSpace的文献可视化功能，分析无人驾驶车辆控制技术中外发展现状，介绍智能控制相关技术在无人驾驶车辆控制当中的应用，论述线控技术、跟踪控制精度等无人驾驶关键技术。最后总结当前无人驾驶车辆在智能控制技术方面存在的不足，并预测无人驾驶车辆在智能控制技术方面的研究方向。

1 车辆控制技术的发展历程

车辆控制技术是汽车性能实现的重要保障；电控系统在汽车上随处可见，大到对发动机动力总成的控制，小到对转向灯的控制。

1.1 无人驾驶&智能控制

无人驾驶作为汽车产业的一个重要里程碑，其自动化程度可从完全由人驾驶到完全自动驾驶不等，汽车工程师协会(Society of Automotive Engineers, SAE)在J3016标准[2]中引入L0～L5 6个等级来对汽车的自动化程度进行划分。

Waymo公司自动驾驶研究计划始于2009年4月[3]，随后Uber[4]、Toyota[5]、Tesla[6]、Mercedes Benz[7]、Ford[8]、Bosch[9]等公司也陆续开始进军自动驾驶。文献[10]详细地罗列出了截至2020年由学术界和科技公司开发的自动驾驶研究平台，简表如表1所示。

表1 无人驾驶研发平台及其合作伙伴[10]

人工智能的诞生意味着科学技术的发展进入到认识人自身的发展阶段。结合人工智能等发展起来的无人驾驶技术是迄今为止最具颠覆性的技术之一。李德毅等[11]提出无人驾驶汽车应当要有在线学习及预测控制等能力的“驾驶脑”。Saridis在智能控制二元论概念的基础上加入运筹学，提出三元论概念[12]，即

IC=AI∩AC∩OR

(1)

式(1)中：IC为Intelligent Control；AI为Artificial Intelligence；AC为Automatic Control；OR为Operational Research。

在一些复杂的控制问题中，仅用传统控制难以解决，随着高度综合与集成多个学科的智能控制技术的出现，传统控制或新兴领域中的一些疑难杂症得到了较好的解决。如非线性、多变量和不确定性的无人飞行器就是智能控制发挥潜力的重要领域。

1.2 国内技术发展

1980年由哈尔滨工业大学、国防科技大学等联合承担的“遥控驾驶防核化侦察车”是中国自动驾驶技术研发的开端。在分析国内车辆控制技术时，以CNKI数据库为文献来源，以“车辆控制”为主题检索国内2000年1月1日—2021年3月25日期间内发表的文献，并在结果中以“无人驾驶、自动驾驶、智能控制、控制策略”等为子主题，在汽车工业、自动化技术、计算机软件及应用这三个学科领域内进行二次检索。检索文献分析结果如图1所示。

从可视化分析图(图1)可知，虽然检索的是国内近20年的文献，但结果表明国内对无人驾驶车辆控制技术的研究主要是从2014年开始，总体上呈现递增的趋势，正好和国内近10年对无人驾驶技术研发热度的升温相互印证。对检索文献的作者进行分析，得出作者合作网络关系图(图2)。由图2可看出，目前无人驾驶车辆控制技术的研发阵地主要在高校，且研究者们主要是以同校课题组或校企合作研发为主。

图1 文献可视化分析

数字表示作者总发文量

中国将自动驾驶各阶段的发展目标及传统汽车自动化研发和产业化发展规划提上了日程[13]。国内各大主机厂对无人驾驶车辆控制技术的发展相对保守，主要是基于对传统汽车电控系统控制策略的优化以及研发智能驾驶辅助控制系统。相对而言，互联网科技公司以及自动驾驶创业公司则采用较为激进的方式，如Apollo自动驾驶开源研发平台。

1.3 国外技术发展

1977年诞生于日本Tsukuba实验室的自主驾驶汽车是最早实现自动驾驶的车辆[14]。2004年，美国国防部高级研究计划局(Defense Advanced Research Projects Agency，DARPA)在莫哈韦沙漠组织的自动驾驶挑战赛加速了该领域相关技术的发展。

在分析技术发展时，以全球最大数据库Web of Science(WoS)为数据来源，采用TS=(“autonomous vehicle*” and intelligent control)检索式，检索了Core Collection中2000年1月1日—2021年3月27日期间发表的文献。

借助CiteSpace以“Country、Author”为对象进行分析，得出可视化结果如图3和图4所示。图3和图4中标记了在自动驾驶车辆控制领域发文量前三的国家，分别是美国、中国和西班牙；发文较多的三位作者分别是MILANES V、TALEBPOUR A和NARANJO J E。其余部分为在可视化结果中不再具体显示作者姓名随用ANONYMOUS(匿名的)做注释。

图3 国家发文量分布视图

图4 作者发文量可视化图

对文献数据做“Title”聚类视图和“Keyword”分析视图，结果分别如图5和图6所示；由图5和图6可知，国外对无人驾驶车辆控制的研究主要集中在对单车智能的控制，单车及车队自适应巡航控制以及车辆动力学模型的优化等。例如，在智能交通的发展策略上，美国选择的是走单车智能的道路，原因其一是就美国5G技术尚未大规模铺开，其二是美国对单车智能的研发处领先位置。在对传统车辆动力性及横向控制方法等的研究基础上，借助fuzzy logic(模糊逻辑)、simulation(仿真)等方法，产生了fuzzy control(模糊控制)、model predictive control(模型预测控制)等控制算法用于对intelligent vehicle(智能车辆)的优化控制，作为汽车工业发展永恒性主题之一的safety在视图中亦有所体现。

图5 WoS文献关键词聚类可视化视图

图6 WoS文献关键词可视化视图

以“Reference、Cited Author”为分析对象得出文献相关性以及作者共被引可视化视图(图7)。由图7可知，TALEBPOUR A与JIA DY、WANG M与CHEN X等作者的文章共被引关系较为密切。

图7 文献相关性以及作者共被引视图

2 智能控制在无人驾驶中的应用

随着车载芯片算力的加强，先进的控制理论与方法以及深度学习在实车上的应用成为可能。有关深度学习和机器学习的知识可参考文献[15-17]。下面将以智能化比例积分微分(proportion integration differentiation, PID)控制及模糊逻辑优化控制等先进控制方法为例，论述其在无人驾驶汽车控制应用中取得的最新进展。

2.1 改进型PID控制的应用

PID控制，即比例-积分-微分(proportional-integral-derivative, PID)，其由P(比例单元)、I(积分单元)、D(微分单元)构成，控制效果主要受比例积分(proportion integration,PI)参数的影响，例如，采用PID对车辆进行纵向控制时，节气门开度在P参数的控制下，车辆可以快速地达到决策规划系统给出的期望速度，I参数可以消除系统的稳态误差使得实车速度无限的逼近期望速度，而D参数用来抑制PI控制中的超调问题[18]。

为了消除传统PID控制的局限性，改进型或者说是智能PID控制[19]应运而生。为适应自动驾驶车辆巡航控制的要求，在以往的研究中引入了PID控制器来让车辆在行驶的过程中可以自行调节；如采用速度控制和距离控制两种稳态操作模式的自适应巡航控制系统(adaptive cruise control，ACC)，其下层控制器可以采用PID对节气门和制动执行器的输入量进行调节来实现“自主”控制。

虽然传统自动驾驶汽车比纯电动和混动自动驾驶汽车的应用面要窄，无人驾驶技术的研发也大都是基于纯电动实车平台，但传统燃油汽车仍然是当前的主流用户。针对传统自动驾驶汽车的能量管理更难及节能的问题，Phan等[20-21]利用道路需求模型和智能系统构建了一种能量管理系统，该系统依据车辆对道路功率的需求，通过智能PID对加速踏板角度的调节来控制发动机空燃比。

若采用传统PID控制策略来控制制动系统的轮缸压力，制动系统的响应及稳定性无法满足车辆制动性能对制动系统的要求，通过大量实践衍生出了许多改进型控制算法来对PID参数进行整定[22-23]。

Chen等[24]提出了一种用于自动驾驶车辆的智能安全驾驶系统(intelligent safe driving system，ISDS)，该系统分别采用高层控制器来负责决策，低层控制器来负责运动控制的分层控制结构；在低层控制器中，横向运动控制采用双模型预测控制，纵向运动控制则采用带逆模型的PID反馈控制。文献[25]针对驾驶员模型无法体现驾驶操纵熟练程度的缺点，采用基于遗传算法的模糊PID控制对驾驶员模型的方向、速度以及两者的综合进行驾驶员熟练度模拟控制，以提高参数的适应性。

为了充分利用轮胎与路面之前的附着系数φ，提升汽车的动力性以及防止驱动轮滑转；文献[26]提出利用人工鱼群算法来优化车辆防滑的PID神经网络控制参数的方法，并给出了具体的优化步骤。就四轮转向的控制参数优化问题，文献[27]基于人群搜索算法[28]优化了四轮转向PID控制参数。

针对辅助动力单元(auxiliary power unit，APU)在启动时会产生扭转振动的问题，文献[29]凭借非线性状态方程设计了一种PID控制策略来抑制对系统进行主动控制时APU产生的扭转振动。针对传统BP神经网络在学习过程中学习率选取过大会导致振荡的问题，文献[30]提出一种新的前馈(back propagation, BP)神经网络PID参数自适应算法。为解决底盘测功机系统用增量式PID控制易出现积分饱和的问题，文献[31]提出了一种面向汽车底盘测功机的BP+RNN(recurrent neural network, 循环神经网络)变速积分PID控制系统。

Naranjo等[32]提出了一种新的全局误差函数，该函数可使用启发式优化方法进行PID整定，并采用遗传算法(genetic algorithm, GA)、模因算法(memes algorithm, MA)和网格自适应直接搜索(mesh adaptive direct search, MADS)三种黑箱算法进行优化。

在已知模型下对PID参数进行整定可得到较好的控制效果，用PID进行纵向控制在无人驾驶车辆运动控制方面应用最为广泛。若模型未知或系统参数时变，PID控制参数整定往往只能结合经验试凑，工作量极大，且不能对外部干扰输入进行针对性、有效性的补偿。

2.2 基于模糊理论控制的应用

自1965年Zadeh L A创立了模糊集理论[33]和1974年Mamdani E H将模糊逻辑运用在对蒸汽发动机的压力和速度的控制以来，模糊控制开始广泛发展并成功的转化为量产化适用技术，尤其是在家用电器中应用广泛。

模糊控制理论的出现标志着人工智能发展到一个新的阶段。对于时变非线性复杂系统，如对电控液压制动(electro-hydraulic brake, EHB)中液压力的控制，其制动力需实时可调；所以当被控对象的清晰数学模型无法或很难获得的情况下可选择模糊控制器来得到有效的系统响应[34]。Zhang等[35]根据无人驾驶车辆的横向位置和姿态角的实时偏差，设计了一种基于模糊控制算法的反馈控制器来提升横向控制精度。

基于模糊逻辑，文献[36]提出一种面向汽车转向、刹车和油门等底层执行器的控制模式。为获得智能车辆主动底盘侧向稳定性；文献[37]提出一种主动前轮转向和附加横摆力矩的非线性模型预测控制方法，并采用轮胎侧滑角来表示车辆的横向稳定性，有效地解决了制动器及轮胎-路面力的非线性特性。

文献[38]基于车辆二自由度单轨动力学模型，考虑实际交通场景中的车辆状况并总结熟练驾驶员的操作经验，利用模糊控制理论设计了横向模糊控制器。单轨动力学模型如图8所示。汽车行驶时轮胎侧偏会影响对运动目标的实时跟踪，就此问题文献[39]采用车辆非线性动力学三自由度汽车模型，设计了多级模糊控制目标跟踪算法。

êx、êy分别为x、y方向的单元向量；pf和pr分别为前后轮同路面的接触点；θ、δ分别为车辆的朝向角和转向盘转角；l为汽车轴距；分别为汽车后、前轮在路面接触点处的速度

在汽车安全与完整性水平(automotive safety integrity level，ASIL)评估方面，文献[40]提出了一种数值量化的方法，该方法还借助模糊控制理论对风险评估步骤进行细分。为减少商用长途汽车司机的职业伤害，Taghavifar等[41]建立了6-DOF(6自由度)耦合的人体和座椅悬架系统，并基于一种新的学习速率梯度下降的神经网络逼近器算法和自适应间接型模糊神经网络控制器进行耦合，使得控制器收敛于不确定模型的理想参数。

Ma等[42]提出一种可适用各种自动驾驶等级的微观车辆引导模型，其模型的第一部分是依据自动化程度的不同来调整传统微观汽车的跟随模型；第二部分是一个模糊控制模型，描述了自动驾驶汽车如何依据乘车人想要达到的车速来控制加速踏板的角度；并通过模拟数据与实际驾驶员的测试数据对比得出该驾驶模型可较准确地再现参与者的行为。

Huang等[43]提出了一种基于现场可编程门阵列(field programmable gate array，FPGA)的全机械式自动驾驶轮式车辆的机电设计及实时模糊控制与计算智能优化的方法；利用布谷鸟搜索(cuckoo search，CS)的优点，提出一种基于进化CS的模糊系统——CS-fuzzy，并利用CS的计算智能对模糊系统结构进行优化。

模糊理论的本质作用就是把不能量化的参数“量化”它，基于模糊理论的控制算法的建立不依赖于精确的数学模型，常用于解决时变非线性复杂，系统模型难以获得的控制问题；由于控制精度难以估量，所以该控制方法不适用于在高速等极限工况下自动驾驶汽车对控制系统高精度的需求。

2.3 其他智能控制技术的应用

智能控制在日常生产生活、科研实验也应用普遍，如用于三高(高风险、高转速、高难度)的直升机风洞动态实验[44]。针对质子交换膜(proton exchange membrane，PEM)燃料电池自主供气的特点，文献[45]研究了包括PID控制、模糊控制、模型预测控制在内的控制逻辑和策略。

行驶在高速工况下的车辆，轮胎有可能发生驻波现象[46]，针对这一问题，文献[47-49]分别采用了约束H∞控制方法和鲁棒非线性控制方法对转向及制动子系统的协调来实现对汽车的方向稳定性和轨迹跟踪控制。为了提升对无人驾驶车辆横向运动的控制性能，文献[50]提出一种神经网络滑膜控制策略。

迁移学习[51]是机器学习中最前沿的研究领域，通俗来讲就是运用已学到的知识来学习新知识，Udacity开源了一个可从模拟中学习的无人驾驶汽车工程教学模拟器[52]。通过迭代学习的思想，借助前一次或几次的跟踪误差来修正系统当前迭代次数的控制输入来设计控制器，是解决一些重复运动系统中跟踪控制问题的有效方法。文献[53]基于迭代学习设计了一种纯电动汽车ACC驱动和制动控制算法。

文献[54]综述了海洋机器人运载器中的基于模糊逻辑的制导与控制。针对水下自动潜航器因外界测量噪声等对路径跟踪的干扰，Zendehdel等[55]设计了一种监督式两级控制器，即采用反馈线性化技术进行线性化处理，然后描绘出模糊PID跟踪控制律。Liao等[56]总结了水面无人车(unmanned surface vehicle，USV)在不同阶段的动态特性，提出一种改进型自适应模糊PID控制策略来解决USV的控制问题。

3 无人驾驶车辆控制的关键技术

把智能控制新技术融入无人驾驶车辆控制系统的决策、执行等核心环节，以提高系统的安全、节能、环保等性能是汽车控制的目标[57]。下面就无人驾驶车辆中线控技术的优化、车辆跟踪精度的控制以及人机协同控制三个关键控制技术展开论述。

3.1 线控技术的优化

线控底盘好比是驾驶员的手和脚，应当大力发展汽车线控技术[58]，线控油门/转向/制动等技术的突破将会极大地把汽车向智能化方向推进。有关汽车线控转向技术的发展概况及线控转向系统的典型布置方案可参考文献[59]。

3.1.1 线控转向控制策略

高度电子化和智能化的线控转向(Steering-by-wire，SBW)是转向系统新产物，SBW可根据不同的行驶工况获得更有利于驾驶的变角传动比[60]，相比于传统机械式转向系统，SBW的响应速度和准确性都有较大提升，人参与驾驶的程度也进一步降低，是实现无人驾驶的关键技术[61-62]。SBW的主要结构如图9所示，其中ECU为电控单元。

图9 线控转向系统结构[60]

为了提升车辆转向时的操纵稳定性，文献[63]借助分数阶PID理论设计了一种SBW主动控制方法。余卓平等[64]针对配备SBW系统的车辆在转向时对转向轮转角的控制存在非线性和不确定性的问题，设计了一种前馈+抗积分饱和的控制方法来获得理想的轮转角，并借助Lyapunov函数证明SBW系统的渐进稳定性。

在自动驾驶线控系统的软件开发方面，Arango等[65]介绍了一种基于机器人操作系统(robot operat-ing system，ROS)的高鲁棒性自动驾驶线控系统开发过程，为自动驾驶电动汽车设计了一种开源底盘；该系统由一个线控转向模块和一个线控节气门模块组成，这些模块允许控制单元通过本地网络发送车轮线速度和曲率的命令来控制车辆。

为提高SBW系统对转向轮转角的跟踪能力，针对传统滑模控制(sliding mode control，SMC)设计时需要预先获取系统的扰动量，文献[66]提出一种自适应模糊滑膜控制(adaptive fuzzy sliding mode control, AFSMC)方法，该方法可通过在线模糊自适应系统实时估计系统扰动量。文献[67]针对一种直驱式SBW系统构型，提出基于径向基神经网络滑模控制(radial basis function sliding mode control, RBFSMC)的车轮转角控制方法，即先采用RBF对系统的不确定性和电机力矩扰动进行实时估计，再结合传统的SMC设计车轮转角控制器以提高转角控制的自适应性和稳定性。

3.1.2 线控制动控制策略

线控制动(brake-by-wire，BBW)系统[68]，又称机电制动系统，可对每个车轮施加制动力矩。制动作为汽车主动安全性的重要保障，BBW也是智能汽车的关键技术之一。就EHB系统而言，对制动力控制的关键是对液压力的精确控制[69]，而液压力调节的关键在液压力控制算法，控制算法的优劣是EHB精确且快速地对液压力进行调节及与整车良好匹配的关键所在。

集成式线控液压制动(integration electro-hydraulic brake, IEHB)也是制动系统的发展趋势；但电动主缸的引入增强了系统的非线性，从而致使IEHB对轮缸液压力的精确控制难以实现，针对此问题文献[70]采用非线性鲁棒补偿RBF网络的控制策略对电动主缸进行控制。

基于汽车线控技术发展而来的EHB系统，其主动制动相比于防抱死制动系统(antilock braking system, ABS)及依靠差动制动来实现车身稳定性控制的电子稳定程序(electronic stability program, ESP)具有更强的主动制动能力，非常适合无人驾驶汽车。文献[71]提出一种串联式制动系统，即EHB&ESP协调制动，既可保证硬件冗余又可实现分时独立工作。针对线控制动过程中压力跟随精度不高的问题，文献[72]建立了基于电子稳定控制系统(electronic stability controller，ESC)的线控制动模型，并设计了一种逻辑门限控制与模糊控制联合的复合控制策略，基于ESC的BBW系统结构如图10所示。

图10 线控制动系统结构[72]

为获得满意的性能和控制效果，在硬件改进方面Wang等[73]设计了可安装在EHB系统上的新型电动助力器来实现主动制动控制的同时为制动助力。针对路面自适应性和控制器鲁棒性问题，文献[74]以液压调控的BBW系统为基础，提出上层采用计算机视觉，下层引入SMC理论的双层制动系统结构，即下层对路面类型进行识别，依据识别结果制定当前路面的最佳滑移率；下层则针对制动参数不确定性问题，对制动过程中的最佳滑移率进行跟踪控制。

汽车在制动时，车内乘客的乘坐舒适性也是制动系统设计所要考虑的因素，在未来的智能车辆中尤其体现。针对配备了BBW系统的车辆，文献[75]提出一套完整的控制方案来保证车辆制动时车内乘客的乘坐舒适性。有关智能互联电动汽车(electric vehicles, EVs)BBW系统发展趋势和关键技术可参考文献[76]。

在线控系统鲁棒性能够得到保障的前提下，优化线控系统的自适应性，线控技术替代纯机械控制将极大地提升传统车辆的自动化程度。

3.2 控制精度优化

无人驾驶车辆的运动控制问题可分为路径跟踪&轨迹跟踪控制，两者的区别在于路径跟踪中的参考路径与时间参数无关，而轨迹跟踪中的参考轨迹是依赖于时间参数的函数。熊璐等[77]分别从纵向运动控制、路径跟踪及轨迹跟踪控制三个方面论述了无人驾驶车辆的运动控制所用的方法。下面主要针对路径&轨迹跟踪控制的精度问题对现有的解决方法做较为详细的论述。

作为无人驾驶车辆运动控制的核心[78]，路径跟踪控制基本目的是使车辆可沿着事先规划好的路径安全抵达路径终点；即通过控制车辆的纵向车速及转向轮转角来跟踪目标路径，在保证车辆稳定行驶的基础上使车辆与目标路径之间的横向距离及方向偏差最小化[79-81]。

以基于几何学模型的纯追踪算法(pure tracking)为例，其为依据前视距离来计算期望转向角的横向控制算法[82]，基本原理是控制车辆的转向半径R，使车辆后轴中心控制点沿圆弧达到前视距离为L的参考目标点，然后基于Ackerman转向模型计算得到控制所需前轮转向角δf。图11为纯追踪控制器的几何模型，蓝色的圆为适合后轮运动的轨迹，棕色的为参考路径，绿色的弦长是向前看的距离L。

图11 纯追踪控制器几何模型[82]

依据几何关系：

(2)

可得车辆的转向半径R和转向曲率ρ分别为

(3)

(4)

基于Ackerman转向和需求转向半径R可得横向控制核心参数、前轮转角δf的控制律为

(5)

式中：l为汽车轴距；α为车辆中心平面与前视矢量的夹角。

基于几何学模型的纯追踪算法简单实用，但未考虑车辆的动力学特性和转向执行器的动态特性，系统模型与高速工况下的实际车辆特性相差较大，跟踪精度难以保证，所以纯追踪算法适用于低速和小侧向加速度下的跟踪控制，如自动泊车系统中对车辆的横向控制[83]等。

陈龙等[84]就极限工况下的跟踪控制精度和稳定性皆得不到保证的问题，提出可对横&纵向稳定性进行协调控制的方法。刘凯等[85]就高速行驶工况下车辆路径规划与跟踪控制问题运用模型预测控制(model predictive control，MPC)来求解最优控制轨迹及跟踪控制序列来保证精度，但受限于车载芯片的算力，求解难以保证实时性。高速行驶在低附着系数且复杂的路面时，为了保证车辆的跟踪精度和行驶稳定性，文献[85]加入侧偏角软约束来保证精度。

针对自动驾驶车辆跟踪精度与行驶稳定性之间互相矛盾的问题，文献[86]在MPC路径跟踪控制理论的基础上进行优化，依据驾驶员的经验来设计模糊控制器，使控制器中成本函数的权重系数可根据跟踪偏差和道路曲率的变化来自行调整。文献[87-88]分别提出带避撞约束方程的换道轨迹模型和基于行人轨迹预测的主动避撞算法；而针对无人驾驶车辆避撞时容易出现控制精度低、实时性差等问题，Cao等[89]研究了一种考虑转弯特性的无人驾驶汽车轨迹跟踪控制算法。

文献[90]提出一种SBW执行层基于PID控制的路径跟踪控制策略来提升在线控转向系统控制下的横向跟踪精度，逻辑框图如图12所示。SBW执行层在执行决策规划系统下达的指令时，由于车辆在运动过程中模型的不确定性、感知误差、障碍物及交通环境中其他不确定性与随机性而产生跟踪误差，就此问题，文献[91]重点研究了闭环控制系统的鲁棒性和稳定性以提升系统的控制精度。

u为车辆沿x轴方向的速度；β为车辆质心侧偏角；Δf为侧向偏差；wr为车辆横摆角速度；tp为时间；为理想前轮转角；为理想方向盘转角；方向盘转角的稳态增益；K为车辆稳定性系数；I为方向盘转角与前轮转角的比值；L为汽车轴距；Yb为修正系数；Tlz、Trz分别为左右轮回正力矩；Tm为转向执行点击电磁转矩；θm为转向执行电机转角；U为转向执行电机两端电压

以独立驱动电动汽车(independently drive electric vehicles, IDEV)的特性为基础，Guo等[92]基于分层策略来提升跟踪精度，即上层控制器采用MPC来跟踪目标轨迹，中层控制器采用模糊理论优化PI控制器参数，并基于SMC产生附加的偏航控制力矩，下层控制器根据车轮的稳定性和附着情况将扭矩分配给各个车轮，但随着算法复杂度的增加，控制参数的实时性难以得到保证。文献[93]设计了低速工况下采用PID，高速工况下采用MPC的方法来对路径进行跟踪控制的混合控制策略。

针对随机网络延迟严重降低车辆控制系统稳定性和轨迹跟踪精度的问题，文献[94]基于MPC的多目标ACC算法，提出一种在线快速计算解决方案，但对芯片的算力要求较高。中国科技大学建立了自己的智能小车自动驾驶系统Sonic，并针对自动驾驶的实时性问题，提出一种新的计算优化框架MPInfer[95]。考虑因随机网络延迟而引起的转向角振荡，Luan等[96]综合考虑控制系统精度、鲁棒性和MPC滚动优化中的计算效率，提出面向不确定模型的UM-AMPC(自适应模型预测控制)算法，借助硬件在环仿真证明了该算法能有效保证随机网络延迟时系统的稳定性及跟踪精度。

在自动泊车技术方面，针对当前泊车算法的迟滞性和精度达不到期望值的问题，文献[97]设计了一种基于驾驶员经验的自动泊车规划算法；而文献[98]则针对低速泊车时车速不稳定使得路径跟踪精度不高的问题，提出一种反演滑模自适应控制策略。为提高车辆智能循迹控制精度；文献[99]提出一种模糊神经网络控制(fuzzy neural network control, FNNC)+神经网络预测(neural network prediction, NNP)的策略。文献[100]则设计了可避免传统反步法中“微分爆炸”现象的一种自适应神经网络动态面控制算法。

3.3 人机协同控制

自动驾驶是一项典型的“智能”技术，但它非天生聪明[101]。文献[102]提出必须保持对自动驾驶汽车的控制，自动驾驶不是，也不应该没有人类操作员。如何协调人机混合驾驶决策自动控制系统和人类驾驶员的权重，即实现人机协同共驾；胡云峰等[103]对智能汽车人机协同控制作出6个展望。

随着5G通信基础设施的布局，车联万物V2X(vehicle to everything)的概念转化现实成为可能。车-车互联V2V(vehicle to vehicle)，车与基础设施互联V2I(vehicle to infrastructure)，车与行人互联V2P(vehicle to pedestrian)等也是当前智能车路系统领域的热门研究方向。文献[104]应用反步法(Backstepping)和Lyapunov(李雅普诺夫)稳定性理论设计了一种可对汇入车队的无人驾驶车辆的行驶轨迹进行跟踪的控制器，并分析了多车协同状态的稳定性。文献[105]就共享智能汽车的技术、法律和管理等提出集车辆、技术、出行“三位一体”的合作模式。文献[106]提出“五位一体”新一代智慧公路发展概念。

4 结论与展望

概述了无人驾驶车辆智能控制技术的发展现状，得到如下结论与展望。

(1)通过文献可视化分析可知，国内对无人驾驶车辆控制技术的研究始于2014年，而国外则始于2009年；国内对无人驾驶车辆控制硬件的基础研究较为薄弱，主要是集中在对控制算法的模拟仿真，对实车的测试也较少。

(2)针对基于精确数学模型构建的控制算法复杂，计算量大，导致难以保证控制实时性，而依据简单数学模型构建的算法又难以适应高精度控制需求的问题，可借助深度学习来训练模型，以寻求最优控制策略，即可简化控制模型又可提升控制精度。

(3)线控技术是高度电子化和智能化的产物，也是实现L5级自动驾驶的关键技术；线控制动为线控技术中的难点，由于汽车的制动是一种强非线性过程，如何在制动能力冗余的同时保证制动系统的稳定性，及优化制动控制策略等需要进一步研究。

(4)开展包含极限工况在内的全工况车辆路径跟踪控制精度与稳定性研究迫在眉睫；借助5G技术，应用非线性控制理论与算法简化构建闭环智能控制理论是实现精确控制的一个可行方法。

(5)在人车协同、车车协同方面可借助迁移学习等机器学习算法来优化驾驶环境，在车路协同方面可用磁流变材料等新型智能材料来优化无人驾驶车辆的行驶环境。