无人驾驶之控制

       智能驾驶汽车的车辆控制技术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。

 自动驾驶控制的核心技术是车辆的纵向控制和横向控制技术。纵向控制，即车辆的驱动与制动控制；横向控制，即方向盘角度的调整以及轮胎力的控制。实现了纵向和横向自动控制，就可以按给定目标和约束自动控制车运行。所以，从车本身来说，自动驾驶就是综合纵向和横向控制

丨车辆纵向控制

       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。各种电机-发动机-传动模型、汽车运行模型和刹车过程模型与不同的控制器算法结合，构成了各种各样的纵向控制模式，典型结构如图 4-3 所示。

此外，针对轮胎作用力的滑移率控制是纵向稳定控制中的关键部分。滑移率控制系统通过控制车轮滑移率调节车辆的纵向动力学特性来防止车辆发生过度驱动滑移或者制动抱死，从而提高车辆的稳定性和操纵性能。制动防抱死系统（antilock brake system）简称 ABS，在汽车制动时，自动控制制动器制动力的大小，使车轮不被抱死，处于边滚边滑（滑移率在 20%左右）的状态，以保证地面能够给车轮提供最大的制动作用力值。一些智能滑移率控制策略利用充足的环境感知信息设计了随道路环境变化的车轮最有滑移率调节器，从而提升轮胎力作用效果。 

智能控制策略，如模糊控制、神经网络控制、滚动时域优化控制等，在纵向控制中也得到广泛研究和应用，并取得了较好的效果，被认为是最有效的方法。

而传统控制的方法，如PID控制和前馈开环控制，一般是建立发动机和汽车运动过程的近似线形模型，在此基础上设计控制器，这种方法实现的控制，由于对模型依赖性大及模型误差较大，所以精度差、适应性差。从目前的论文和研究的项目看，寻求简单而准确的电机-发动机-传动、刹车过程和汽车运动模型，以及对随机扰动有鲁棒性和对汽车本身性能变化有适应性的控制器仍是研究的主要内容。

丨车辆横向控制

车辆横向控制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。

车辆横向控制主要有两种基本设计方法，一种是基于驾驶员模拟的方法；另一种是给予汽车横向运动力学模型的控制方法。基于驾驶员模拟的方法，一种策略是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；另一策略是用驾驶员操纵过程的数据训练控制器获取控制算法。基于运动力学模型的方法要建立较精确的汽车横向运动模型。典型模型是所谓单轨模型，或称为自行车模型，也就是认为汽车左右两侧特性相同。横向控制系统基本结构如图 4-4。控制目标一般是车中心与路中心线间的偏移量，同时受舒适性等指标约束。

传统操纵稳定性控制思路，如电子稳定性控制系统（ESP）和前轮主动转向系统（AFS）等，控制分布的轮胎作用力和前轮转向，通过利用轮胎附着力和降低轮胎利用率来提高车辆稳定性。 

                                                                         自动驾驶控制方法

丨传统控制方法

传统的汽车控制方法主要有：PID 控制、模糊控制、最优控制、滑模控制等，这些算法应用都较为广泛。

• PID 控制

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。PID 是以它的三种纠正算法而命名的。这三种算法都是用加法调整被控制的数值，其输入为误差值（设定值减去测量值后的结果）或是由误差值衍生的信号。

• 模糊控制

模糊逻辑控制策略（FuzzyLogicControlStrategy)简称模糊控制（Fuzzy Control），其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。与经典控制理论相比，模糊逻辑控制策略最大的特点是不需要准确的数学公式来建立被控对象的精确数学模型，因此可极大简化系统设计和数学建模的复杂性，提高系统建模和仿真控制的效率。

模糊控制系统在建模过程中，利用人类积累的相关知识和生活经验进行推理，模拟人类大脑处理复杂事件的过程，进而产生相应的控制思想，控制思想经过编译成为控制策略。模糊逻辑控制策略由工程人员的控制思路和实践经验积累编译而成，具有较佳的鲁棒性、适应性以及容错性。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。

• 最优控制

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。为了解决最优控制问题，必须建立描述受控运动过程的运动方程，给出控制变量的允许取值范围，指定运动过程的初始状态和目标状态，并且规定一个评价运动过程品质优劣的性能指标。通常，性能指标的好坏取决于所选择的控制函数和相应的运动状态。系统的运动状态受到运动方程的约束，而控制函数只能在允许的范围内选取。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。

•  滑模控制

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，故变结构控制又常被称为滑动模态控制。

丨 智能控制方法

相对于传统的控制方法，智能控制方法主要体现在对控制对象模型的运用和综合信息学习运用上，主要有基于模型的控制、神经网络控制和深度学习方法等，目前这些算法已逐步在汽车控制中广泛应用。

• 基于模型的控制

基于模型的控制 , 一般称为模型预测控制（Model predictive control，MPC）,又可称为滚动时域控制（Moving horizon control，MHC）和后退时域控制（Receding horizon control，RHC），它是一类以模型预测为基础的计算机优化控制方法，在近些年来被广泛研究和应用的一种控制策略。

其基本原理可概括为：在每个采样时刻，根据当前获得的当前测量信息，在线求解一个有限时域的开环优化问题。 并将得到的控制序列的第一个元素作用于被控对象，在一个采样时刻，重复上述过程，再用新的测量值刷新优化问题并重新求解。在线求解开环优化问题获得开环优化序列是模型预测控制与传统控制方法的主要区别。预测控制算法主要由预测模型、反馈校正、滚动优化、参考轨迹四个部分组成，最好将优化解的第一个元素（或第一部分）作用于系统。

• 神经网络控制

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。利用神经网络，可以把控制问题看成模式识别问题，被识别的模是映射成“行为”信号的“变化”信号。神经控制最显著的特点是具有学习能力。它是通过不断修正神经元之间的连接权值，并离散存储在连接网络中来实现的。它对非线性系统和难以建模的系统的控制具有良好效果。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。

• 深度学习方法

深度学习源于神经网络的研究，可理解为深层的神经网络。通过它可以获得深层次的特征表示，免除人工选取特征的繁复冗杂和高维数据的维度灾难问题。

深度学习在特征提取与模型拟合方面显示了其潜力和优势。对于存在高维数据的控制系统，引入深度学习具有一定的意义，近年来, 已有一些研究关注深度学习在控制领域的应用。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(Restricted Boltzmann machine，RBM)的深度信念网络(Deep belief network，DBN)、基于自动编码器 (Autoencoder，AE)的堆叠自动编码器 (Stacked autoencoders, SAE)、卷积神经网络 (Convolutional neural networks，CNN)、递归神经网络 (Recurrent neural networks，RNN)。无人驾驶系统需要尽量减少人的参与或者没有人的参与，深度学习自动学习状态特征的能力使得深度学习在无人驾驶系统的研究中具有先天的优势。如何充分利用和发挥深度学习在无人驾驶系统中的优势并发展深度学习在环的无人驾驶系统控制是目前的研究方向。