自动驾驶控制系统
目录
控制系统概述
无人车控制架构设计
自动驾驶控制核心技术
车辆纵向控制
车辆横向控制
自动驾驶控制方法
自动驾驶控制技术方案
人机交互系统
控制系统概述
控制技术是智能驾驶的关键，旨在环境感知技术的基础之上，根据决策规划出目标轨迹，通过纵向和横向控制系统的配合使汽车能够按照跟踪目标轨迹准确稳定行驶，同时使汽车在行驶过程中能够实现车速调节、车距保持、换道、超车等基本操作。
无人车控制架构设计
通过雷达、相机、车载网联系统等对外界的环境进行感知识别。
在传感感知融合信息的基础上,通过智能算法学习外界场景信息,规划车辆轨迹,实现车辆拟人化控制融入交通流中。
跟踪决策规划的轨迹目标,控制车辆的油门、刹车和转向等驾驶动作,调节车辆行驶速度、位置和方向等状态,以保证汽车的安全性、操纵性和稳定性。
自动驾驶控制核心技术
自动驾驶控制技术需要在智能驾驶车辆上配置各种对应的系统才能实现其复杂的功能。
车道保持系统使无人车遵循道路标志和声音警告并在车辆开始偏移车道时调整方向,保证无人车沿着目标车道线行驶。
自适应巡航控制系统使无人车和前面的车辆始终保持一个安全的距离,确保无人车的安全性。
自动泊车系统使无人车能够顺利地实现在停车位的倒入和离开。
紧急制动系统使无人车在遇到紧急情况时能够充分有效制动,同时使无人车处于人们的监视和控制范围之内。
车辆纵向控制
车辆纵向控制是在行车速度方向上的控制,即车速以及本车与前后车或障碍物距离的自动控制。巡航控制和紧急制动控制都是典型的自动驾驶纵向控制案例。这类控制问题可归结为对电机驱动、发动机、传动和制动系统的控制。
车辆横向控制
车辆横向控制是指垂直于运动方向上的控制,对于汽车也就是转向控制。目标是控制汽车自动保持期望的行车路线,并在不同的车速、载荷、风阻、路况下有很好的乘坐舒适性和稳定性。
针对低附着路面的极限工况中车辆横摆稳定控制是车辆横向控制中的关键部分。
使用较简单的运动力学模型和驾驶员操纵规则设计控制器
用驾驶员操纵过程的数据训练控制器获取控制算法
自动驾驶控制方法
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Kp、Ki和Kd三个参数的设定。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。
模糊逻辑控制策略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。其主要由定义模糊变量、模糊变量模糊化、定义规则库、推理决策和解模糊化五个环节组成。
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。
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。同时，最优控制的实现离不开最优化技术。最优化技术是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。
基于模型的控制，一般称为模型预测控制（MPC, Model predictive control）,又可称为滚动时域控制（MHC, Moving horizon control）和后退时域控制（RHC, Receding horizon control），它是一类以模型预测为基础的计算机优化控制方法。优化问题如下：
神经控制是研究和利用人脑的某些结构机理以及人的知识和经验对系统的控制。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。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(RestrictedBoltzmann Machine,RBM) 深度信念网络 (DeepBeliefNetwork,DBN) 基于自动编码器的堆叠自动编码器 卷积神经网络(ConvolutionalNeuralNetworks,CNN) 递归神经网络(RecurrentNeural Networks,RNN)
自动驾驶控制技术方案
根据当前车辆行为需求，在满足车辆自身运动学和动力学约束条件下规划出一条空间上可行且时间上可控的无碰撞安全运动轨迹，然后设计适当的控制律跟踪生成的目标轨迹，从而实现自主驾驶。
基于人工智能决策控制模型本质上是模拟人脑对外界环境信息和车体本身信息的感知,同时由驾驶经验并同在线学习机制来获得持续稳定输出的过程。
驾驶行为具有异常复杂的模型，其分类方法也不尽相同，一种分类方法将驾驶员模型分为：跟车模型、转向模型、驾驶负担模型和安全模型等。跟车模型的研究起步相对较早，研究人员先后提出了线性和非线性动力学模型、线性最优模型、神经网络和模糊逻辑模型等；一般认为驾驶员转向模型研究的里程碑为MACDAM的最优预瞄模型；D.D.Salvucci在M.F.LAND文献基础上提出了一种“两点”转向驾驶员模型。
人机交互系统
智能汽车的许多功能都可以借助人机交互系统进行自动化控制，从而减少了人为操作失误，提高了汽车的可靠性。
在恶劣天气或道路条件下，系统可以自动调整车辆的状态，以保证车辆的稳定性和安全性。
通过智能安全系统，车辆可以在发生危险时自动采取紧急措施，以避免或减轻事故的影响。
通过人机交互系统，智能汽车可以向驾驶员提供实时的交通信息和车辆状态信息，帮助驾驶员更好地掌握车辆周围环境的变化，从而提高驾驶员的注意力和反应速度。
智能汽车的人机交互系统可以建立预警系统，及时提醒驾驶员注意潜在的危险情况，如道路施工、交通拥堵等，以便驾驶员能够提前采取应对措施。
智能汽车的自动紧急制动系统可以通过人机交互系统实现。当车辆检测到潜在碰撞风险时，会自动启动紧急制动程序，以避免或减轻事故的影响。
智能汽车的人机交互系统可以提供导航功能，帮助驾驶员更好地规划行程和提高驾驶体验。例如，通过导航系统，驾驶员可以获取实时路况信息、路线规划等。
智能汽车的语音控制系统可以通过人机交互系统实现。驾驶员可以通过语音控制车辆的各项功能，如导航、电话、空调等，从而提高了驾驶的便利性和安全性。
智能汽车的手势识别系统可以通过人机交互系统实现。驾驶员可以通过手势来控制车辆的各项功能，如启动、加速、减速等，从而提高了驾驶的趣味性和便利性。
智能汽车的人机交互系统允许驾驶员根据个人喜好和需求定制界面布局和功能设置，以提升使用体验。智能汽车的人机交互系统采用响应式设计，能够适应不同的设备和屏幕分辨率，确保驾驶员在各种设备上都能获得流畅的使用体验。优秀的人机交互系统可以使人们随时随地对智能汽车的行为进行干预,使其在处理问题时,能够根据实际情况的不同,按照人们的要求,采取更加合理的实施方案。
智能汽车的人机交互系统应该能够快速、准确地处理各种信息和指令，并及时向驾驶员反馈处理结果。智能汽车的人机交互系统具备强大的控制能力，可以对车辆的各种功能和系统进行全面、高效的控制。智能汽车的人机交互系统与其他系统具有良好的兼容性，可以与其他智能设备进行连接和交互。
图形用户界面是最常见的人机界面技术之一，通过图形、图像、颜色等来呈现信息和界面，用户可以通过鼠标、键盘、触摸屏等输入设备进行交互。语音识别技术可以将人类的语言转化为计算机可以理解和处理的语言，而转录技术则将计算机的语言转化为人类可以理解的语言。手势识别技术可以通过用户的手势来进行交互，用户可以通过不同的手势来控制应用程序或设备，从而实现更加直观和自然的交互方式。
利用安装在车辆上的传感、通信、决策及执行等装置，监测驾驶人、车辆及其行驶环境，并通过影像、灯光、声音、触觉提示/警告或控制等方式辅助驾驶人执行驾驶任务，或主动避免/减轻碰撞危害的各类系统的总称。和真实道路试验相比,驾驶模拟器具有可重复性好、工况设定更为灵活、耗时少、效率高、风险低等优点。
对于ADAS系统，驾驶员在获得辅助驾驶的同时，也会分散注意力增加驾驶负担，这是ADAS系统面临的一个重要问题。如何协调好驾驶员基本操纵行为和辅助驾驶系统之间的关系需进一步研究，以确保驾驶员能够安全、有效地使用系统。未来车辆以及交通领域不仅仅是驾驶员和车之间关系的研究，还可能涉及到更为广泛的社会问题。目前各国虽然都获得大量的驾驶员行为信息的数据库，但是如何将这些数据应用于工程系统中仍有待研究。