无人驾驶汽车运动控制研究综述 .pdfVIP

无人驾驶汽车运动控制研究综述

作者：叶立堃

来源：《中国新通信》2022年第16期

摘要：随着传统控制方法的日益革新与智能化控制技术的不断发展，无人驾驶汽车领域逐

渐兴起，正成为新时代智能交通发展大背景下的先行领航。无人驾驶汽车的控制具有非线性、

不确定性、高迟延性等特点，如果仅依靠传统的控制方法则无法满足其在复杂环境下自适应动

态调整的需求，由此可能造成汽车路径规划的不准确性以及一系列的安全隐患。因此需要引入

智能化控制技术对无人驾驶汽车进行控制，以应对复杂工况下的随机情形，通过其在线自调整

合理改善系统的性能指标。本文综述了当前基于无人驾驶汽车的现代智能控制方法的研究成果

及发展前景，首先介绍了无人驾驶控制中横向控制以及纵向控制这两大部分的核心技术及其性

能特点，进而阐述了当前无人驾驶控制方法的技术壁垒，最后总结了无人驾驶控制在更深层产

业应用中的发展前景。

关键词：无人驾驶汽车；横向控制；纵向控制；技术缺陷；发展前景

一、引言

相比于传统汽车，无人驾驶汽车能够有效规避由于驾驶员操作失误所带来的种种安全隐

患。其次，无人驾驶汽车能通过卫星导航监控实时的路况，从而规划出最优的路线，缓解城市

道路堵塞所带来的交通压力。谷歌的无人驾驶项目于2009年正式落地，并在2016年成立主理

无人驾驶业务的Waymo公司，其迄今已收集了几十亿非公制的模拟驾驶数据和超过350万

非公制的道路驾驶数据。特斯拉ModelS车型采用Autopilot自动驾驶系统，该系统的落地

使得特斯拉ModelS在高速公路上能够自如实现辅助自动驾驶的功能，并且能对驾驶员驾驶情

况及道路环境做出更加密切的监视[1]。无人驾驶汽车的控制主要集中在对其运动的控制上，

目标是提高汽车应对复杂路况的自适应调整能力，提升其进行路径规划的准确程度，保证在路

面行驶时的安全性以及高效性。无人驾驶汽车具有稳定性低、时延、高度非线性等特点，有着

较为复杂的耦合动力学结构[1]，因此研究更加稳定高效的控制算法并将其应用于无人驾驶汽

车模型架构的优化，具有十分重要的意义。

二、无人驾驶汽车横向控制

无人驾驶汽车架构的核心内容，其实就是对其运动控制的研究。而此研究主要集中在横向

控制的范畴。横向运动控制指智能汽车通过车载传感器感知周围环境变化，结合全球定位系统

（GlobalPositioningSystem，GPS）获取汽车的位置信息与参考路径，并在特定控制方式的逻

辑运算下得出最优的参考行驶路径[2]。

（一）PID控制

无人汽车最常见的控制方法就是智能PID控制。根据不同智能理论进行划分，其可以分

为：模糊PID控制、专家PID控制以及神经网络PID控制。其底层依托的是传统PID控制原

理——PID控制器对系统给定值同系统输出值的偏差分别进行比例、积分、微分运算，三者分

别主要起到加快调节速率、消除系统稳态误差以及改善性能指标品质的作用，由此得到其输出

值。而智能PID则是在传统PID的基础上引入智能控制的概念，能够有效改善系统的性能，能

自动识别路径参数并进行动态规划调整，提高汽车的自跟踪能力，具有更强的自适应与自组织

能力，更加适用于无人驾驶汽车的应用场景[3]。文献[4]提出一种基于无人路径跟踪的数学模

型，得到了一种改进的增量式PID算法，提高了无人系统模型的响应速度，减小了调整时间，

降低了超调量，并对无人汽车航向进行精确校正。

（二）BP神经网络

神经网络是基BP于反向传播而构建的多层、多节点的神经网络系统。其在每次训练中根

据所得结果与预想结果的偏差，修改各个节点的权值和阈值组合，在不断地优化与改进过程中

训练出与理想结果一致的最优解模型。而无人汽车运动控制系统的设计则可以放在此框架下进

行。其运动模型将以期望轨迹作为理想参照，在多次训练中预期输出最优化的轨迹模型。此

外，BP神经网络具有较强的自适应调节能力，能够克服无人汽车控制中不确定性强、鲁棒性

差的特点，可以较高程度上优化算法的控制参数，提升控制的精确性以及普适性[5]。文献[6]

提出一种基于BP神经网络的PID控制器，能有效避免快速响应过程中振荡所产生的影响，使

控制系统更加稳定、拥有更好的性能指标。

（三）自适应模型预测控制

自适应模型预测控制（AdaptiveModelPredictiveControl，AMPC）可以看作是一个以周

围环境改变为参照自动调节自身性能的自反馈控制体系，