智慧高速公路已经到来！我们的自动驾驶技术，能够保证安全吗？

阅读文章前辛苦您点下“关注”，方便讨论和分享，为了回馈您的支持，我将每日更新优质内容。

文 | 南柯归洵

编辑 | 南柯归洵

前言

在未来自动驾驶汽车有望成为交通的首选，目前基于高精度传感器数据的自主决策以及控制技术，有望在各种典型道路场景中得到广泛应用。

这些场景涉及在高速公路和城市街道以及停车区和独特的路况中行驶，其中多车道高速公路在鼓励沿线和周边地区的资源开发、物流和吸引投资方面发挥着至关重要的作用。

同时高速公路为自动驾驶汽车提供了更实用的操作环境，因为它们具有近似恒定的速度和规则的车道布置。

如果想要让多车道高速公路适用于自动驾驶技术的话，我们都需要做些什么？

实时动态环境

一辆合格的自动驾驶汽车需要考虑实时动态环境，所以他需要局部轨迹规划，以确保行车安全性和可行性。

为了应对复杂性，我们一般将轨迹规划分为两大类：基于优化的方法和基于抽样的方法。

如果选择基于优化的方法的话，我们需要具有成本函数和约束的数学模型，基于约束的优化问题可以通过线性或非线性规划方法求解，求解的难度取决于成本和约束函数的复杂程度。

对于这个问题，有人将车辆横向轨迹跟踪问题，转化为MPC框架中的约束最优控制问题，同时基于系统动力学和二次成本函数可以有效实现静态和动态避障。

同时这个算法还可以参考平滑不连续和高曲率曲线，让其能够适用于不同的交通场景。

有学者将轨迹规划分为纵向和横向两个考虑因素，并将它们转化为优化问题，通过建立上下边界确定碰撞边界，然后分别确定横向和纵向行进速度。

有学者完成了基于五次多项式的车辆变道轨迹规划，并创建了一个考虑潜在事故风险的紧急制动的安全变道模型。

同时他还引入了人工势场作为避障的条件，结合五度样条曲线法和二次规划法，综合考虑驾驶安全性、驾驶舒适性和效率，筛选出最优变道轨迹。

协调策略

之后有个学者提出了一种CAV协调策略，这种策略通过车辆到基础设施（V2I）通信促进多车道高速公路匝道的合并操作。

不过他们的研究更多地关注单个主车道，较少讨论多车道场景，所以虽然这个策略非常好用，但是对于我们来说用处不大。

不过有学者通过MVMP的新兴范式，提出了一个最佳控制框架，该框架考虑了诸如地层的重新配置，原始形状保持和完全避免碰撞约束等因素。

然而他们的方法对轨迹生成方法的考虑较少，所以这种方法对于我们的研究同样用处不大。

同时还有一些学者提出了一种基于有限状态机的综合多车道形成算法，并开发了编队协议和各种轨迹生成方法。

然而在这种情况下，关于车辆控制方法的讨论却较少，有限状态机是最常用的决策方法，他们通过设计状态逻辑、耦合方法和条件来实现智能车辆驾驶决策。

还有一些人研究了异构和不确定非线性自动驾驶汽车的前向跟踪控制问题，他们考虑了非线性车辆动力学的时变参数不确定性，以及地层行进引起的空气阻力减小等情况。

同时还提出了一种协调主动前转向和直接偏航转矩的自适应控制策略，咏柳以提高高速和宽曲率条件下的路径跟踪精度。

也有学者针对轮毂电动汽车横向摇摆稳定性控制问题，设计了一种基于主动前转向和电机转矩分配整体控制结构的模型预测控制器，他们完成了对八自由度电动汽车模型的验证。

同时还有几种基于AI自动学习的方法，比如摩洛哥学者提出的集成决策和控制框架，该框架使用参与者强化学习方法，来模拟多车道高速公路场景中的经济驾驶行为。

基于学习算法的决策方法

国内外对高速公路场景的自动驾驶技术进行了研究，我们可以看到，这些测试的智能车辆都使用了基于决策方法的技术。

基于学习算法的决策方法，如深度学习（DL）和决策树，也可以广泛用于智能汽车的决策，基于学习的方法结构简单，适用于特定场景。

然而神经网络或深度学习方法存在不确定性，相比之下，经典方法在层次结构上精确、可扩展、可调，并且具有宽遍例的优点。

对于我们来说驾驶的安全性更加重要，考虑到基于规则的决策方法在设计中的便利性和可靠性，并结合高速公路相对简单的道路结构，将基于规则的方法作为高速公路上智能车辆行为决策的主要方法。

不过以前的大多数研究，都更加地关注巡航和跟随自动驾驶汽车的纵向控制。

因此在实际高速公路场景中，由于调节速度范围相对较小，仅使用纵向控制无法满足自动驾驶汽车相关交通法规，以及政策对车辆经济性和安全性的要求，所以研究自动驾驶汽车的变道行为和横向控制具有重要意义。

法律法规

自动驾驶汽车的变道行为和人为驾驶一样，也受到与自动驾驶技术相关的政策和交通法规的约束，遵守自动驾驶政策和合规性，是确保自动驾驶汽车在多车道场景时，做出准确和安全的变道决策的重要因素。

错误的变道行为可能导致以下危害：违反交通法律法规，如非法变道、非法过车道或非法使用应急车道。

并且违反自动驾驶政策和法规，也可能会导致相关监管机构对车辆运营进行处罚、限制或禁止，未能满足安全认证和审查要求可能会导致无法通过测试和验证。

总之我们尽量在不违反交通法规的情况下，对自动驾驶汽车进行安全高效的变道决策和横向控制进行改良。

为此基于有限状态机和逻辑规则方法，设计了一个可应用于多车道高速公路场景的变道决策框架。

该框架包含变道意图设计、变道决策和车辆控制，基于该框架，我们采用相平面法，研究了自动驾驶汽车在变道过程中，接近极限条件下的横向稳定性。

首先我们根据多车道驾驶环境下的驾驶行为，制定良好的驾驶策略，之后在根据决策结果规划行驶速度和变道轨迹，最后则是轨迹由轨迹跟踪控制器跟踪。

因为车辆的驾驶决策是实现智能驾驶的重要组成部分，而决策层决定车辆的各种行为，所以我们首先要基于模糊逻辑理论设计变道判据，考虑变道因子的不确定性，并在这之后设计一种基于相邻车道安全态势的变道方法。

不过考虑相邻车道的危险程度，我们应该决策层用于车辆出行决策，实现对自动驾驶汽车的智能控制。

在实际场景中，车辆必须根据高精度地图导航系统规划的全球路径前往目的地，以获得粗略的参考轨迹和行驶方向。

规避风险

然而车辆在行驶过程中总是会遇到未知的环境不确定性，从而使全局路径难以确保车辆的安全驾驶，无法满足车辆的驾驶要求。

这种情况是不可避免的，所以我们假设全局路径是已知的，并将全局路径和变道操作一起考虑，智能车辆在决策层发出变道命令后规划其轨迹。

汽车（AV）代表当前车道上的自动驾驶汽车，车辆（DA）在自动驾驶汽车前方行驶，变道的目标车道中有两辆车。

也就是前方车辆（FL）和后方车辆（RR），而当前车道（DS）后面的车辆不被考虑在内，因为它受到的影响不答。

在实际的变道过程中，自动驾驶汽车通常会尽快完成变道过程，同时确保乘客的舒适度，所以在寻找最佳变道轨迹时，应考虑效率和舒适性两个因素。

但是效率和舒适性是两个相互冲突的因素，所以最佳的变道轨迹需要能够平衡这两个因素。

所以我们构建了一个成本函数，用来描述舒适性和效率，对于自动驾驶汽车最佳变道轨迹的影响，并考虑安全性和平稳性舒适因素，设计不同变道时间的最佳轨迹。

之后使用加性加速（jerk）评估指标来评估平滑度，轨迹跟踪控制的主要目的是输出适当的控制量，使智能车辆按照规划的轨迹行驶，在保证车辆稳定性的同时提高跟踪精度。

同时针对这个问题，我们基于三自由度车辆动力学模型，来设计了车辆横向摆锤稳定性包络线。

首先建立横摆角速度和非自然质量角的相平面，分析前轮转动时相图中平衡点和鞍点的变化规律，然后结合车辆前后轮最大横向偏转角设计车辆稳定边界，以提高跟踪精度玩弄车辆的动态极限。

同时我们并且考虑到车辆在进行极限运动时可能翻车，采用零矩点分析方法建立了防侧翻约束。

为了提高车辆的横向稳定性，我们又基于三自由度车辆动力学模型，分析了前轮转弯角和相位面的变化规律，建立了稳定性包络曲线来确定稳定性域，并推导出合理的稳定性约束。

并且在设计防侧倾约束时，应该首先进行弯矩归一化，然后分析零矩点的各个位置，将即将发生翻车的临时刻点作为防止车辆翻车的条件。

车辆转向时，如果转向角增加到一定角度，轮胎的侧向力将进入非线性饱和区，车辆将迅速变得不稳定，当前轮或后轮的侧向力饱和时，车辆将很快失去转向能力，无法跟踪所需的轨迹或产生拖尾等不稳定的动作。

因此我们选择利用质心侧向偏转角和横向摆动角速度两个参数，来表征质心侧向偏转角较小时的车辆稳定性，从而提高车辆跟踪轨迹的精度。

在这个过程中，为了使车辆达到其可以执行的最大瞬时极限性能，应保持一致的车辆动态稳定性极限和即将失稳的状态，相平面图分析表明，车辆稳态区极限与鞍点位置有关。

通常情况下，车辆的横向稳定性极限，可以用与后轮最大横向偏转角对应的横向偏转角来表示。

所以我们也可以使用后轮的最大横向偏转角，计算出质心横向偏转角的最大值，当前轮转向角增加时，横向偏转角也会增加。

我们假设前轮横向偏转角达到其最大值，在这种情况下，车辆将趋向于极端转向不足，这可能会导致不稳定，所以我们还应考虑当前轮横向偏转角达到其极限的情况。

结论

这次我们提出了一种通过利用离线仿真平台，而控制智能路径跟踪的方法，并且还验证了所提模型预测控制器的有效性，并通过仿真验证了速度跟踪控制器的有效性。

之后还模拟了当前方目标车辆不符合自动驾驶汽车巡航条件时，如何控制车辆的行驶，这些场景包括：在没有变道条件的情况下，高速超车驾驶，车辆运动状态对第二到相邻车道对自动驾驶汽车的影响。

之后又通过复杂的交通环境，来验证了我们规划的运动方式，验证了运动规划和运动控制的有效性。

验证结果表明：我们提出的决策层架构，能够有效地规划和控制车辆的变道行为，保证车辆在各种场景下的安全性和稳定性。

如果你喜欢我的写的文章，麻烦请点个“关注”，欢迎在评论区与我一同探讨，谢谢。

END