智能网联汽车行为决策与车辆控制
决策控制系统的任务是根据感知到的交通环境,结合汽车的路由意图和当前位置,对车辆进行最合理的行为决策和动作控制。
根据前文描述的环境感知和路径规划,智能网联汽车控制系统已经获取了数字化的环境模型,包含了车辆行驶的全局轨迹、轨迹上对车辆运动有影响的障碍物的动态信息,行为决策模块应用上述信息,对车辆在当前环境中局部路径的规划、驾驶模式的选择进行决策。智能网联汽车的行为决策是基于环境感知和导航子系统的信息输出,这包括选择哪条车道,是否换车道,是否跟车,是否绕道,是否停车等。车辆控制是指控制转向、行驶和制动,执行规划决策模块发出的要求速度和要求转向角,也包括转向灯、喇叭、车门窗、仪表等车身电器的控制信号。
行为决策层汇集了所有重要的车辆周围信息,不仅包括汽车本身的当前位置、速度、方向和所在车道,还包括一定距离内与感知相关的所有重要障碍物体信息和预测轨迹,在所获得信息的基础上来确定车辆的驾驶策略,主要包括预测模块、行为规划和动作规划等。
预测模块的功能是预测和跟踪环境中交通参与者的行为。传感模块输出的目标信息包括位置、速度、方向等物理特性和目标分类(如车辆、行人、自行车)。这些感知计算的输出对象属性偏向于客观物理属性。利用这些输出的特性,结合客观物理规律,可以在很短的时间内对目标进行瞬时预测。预测模块需要将对象与周围环境结合起来,积累历史数据知识,对感知对象进行跟踪。
如图 5-14 中,预测模块可以基于当前时刻t及过往时间内目标的运动状态,预测未来时间(t+1、t+2、t+3、t+4…)内不同目标可能的运动轨迹。预测过程中,首先根据检测到的环境目标信息,区分目标类型,获取目标当前运动状态;然后,根据不同类型的目标匹配不同的运动模型,结合目标当前运动状态对目标未来轨迹做出预测。
5-14 车辆、行人的轨迹预测
行为规划是根据路径规划目标,结合环境感知模块对驾驶环境的描述,以及预测模块对驾驶环境变化趋势的预测,对车辆需要采取的行为作出规划。
一种实现行为规划的方法是使用具有大量动作短语的有限状态机。这种方法需要将驾驶行为进行抽象,表述为可以描述各种驾驶过程的有限的驾驶行为,将这些驾驶行为作为驾驶状态,设计有限状态机。有限状态机从行为状态开始,根据不同的驾驶场景跳转到不同的行为状态,并将行为中涉及的车辆动作发送给动作规划层。
图5-15 复杂有限状态机行为规划方法
如图5-15所示,每个状态都是对车辆运动的决定,状态和状态之间存在一定的跳转条件,有些状态可以是自循环的,例如,跟踪状态和等待状态。虽然有限状态机是目前智能网联汽车采用的主流行为决策方法,但要实现复杂的行为决策,需要人工设计大量的状态。
动作规划的功能是根据路径规划给出的轨迹、行为规划确定的驾驶模式,按照特定的动作去跟随轨迹。这些具体的动作规划发送给执行机构实现车辆的运动控制。
将当前的道路系统处理为有向网络图,这种有向网络图中可以表示道路和道路之间的各种连接、交通规则、道路宽度等,每一个有向边都带权重。然后,汽车的路径规划问题就变成了在路网图中,为了使汽车能从从A点位置到达B点位置,在一定方法的基础上,选择最优路径,这就使路径规划问题成为有向网络图搜索问题。
智能网联汽车路径规划中的路由寻径也是解决汽车从A点到达B点的路由问题,但由于输出结果没有被驾驶员使用,而是给下游行为决策和行动规划等模块作为输入,因此路径规划的层次应该是更深入到高精度地图所使用的车道级别。
例如,箭头线段代表高精度地图级别的道路划分和方向,车道1,车道2,……,车道8构成一系列用于路由输出的路由段序列,汽车地图级别的车道划分与实际的自然道路划分不一致,例如,车道2、车道5和车道7都表示由地图定义绘制的“虚拟”转弯车道。同样,一条较长的实际道路也可分为若干车道。作为整个汽车决策控制规划系统的最上游模块,寻路模块的输出依赖于高精度地图的绘制。
基于高精度地图定义的路网道路划分和最优策略的定义下,路由模块需要解决的问题是计算从起点到终点的最优道路行程序列,其中车道、起始位置、终止位置称为路由片段,道路由车道线来标识,起始位置和终止位置分别代表道路上的起始纵向距离和终点纵向距离。
例如,将汽车在高精地图的车道寻径问题抽象为带权重的有向图上最短路径搜索问题,路由选择模块首先根据车道级别的高精度地图,在所有可能经过的车道上分散撒点,这些点称为车道点。代表汽车可能经过的车道上的位置抽样,在这些点之间通过有向边连接。车道点之间的连接权表示汽车从一个点移动到另一个点的潜在代价。在这种有向加权图的问题抽象下,可以用一种算法来实现路由寻径问题。
车辆动力学是自动驾驶车辆控制的基础。简易的线性二自由度车辆动力学模型如图5-16所示,又称为自行车模型,描述了车辆纵向、侧向、横摆等基本的运动状态,体现了车辆运动过程中典型的轮胎侧偏特性,可以对绝大多数应用场景下车辆运动状态进行比较准确的描述。
图5-16 线性二自由度车辆动力学模型示意图
线性二自由度车辆动力学模型在车辆操纵稳定性分析中占据重要的地位,在车辆结构、车辆控制系统等动静态研究中有着重要的作用,对车辆轮胎、悬架、转向、制动等结构,以及操纵稳定性相关控制系统的研究和设计起着关键的指导作用。线性二自由度车辆动力学模型考虑沿γ轴的侧向运动和绕z轴的横摆运动,并假设纵向车速恒定、侧偏刚度为常数等。线性二自由度车辆动力学模型是一种参数化模型,其描述和实现方式可以为状态方程、传递函数,被广泛应用于车辆稳定性控制、运动状态估计等领域。在此基础上,可以延伸出包含纵向运动、侧向运动、横摆、四个车轮转动的七自由度模型,以及更多自由度的参数化模型。这些模型为车辆主动控制的各类算法,如模型预测控制(MPC)、轨迹跟随控制等车辆纵向、侧向控制算法提供了理论基础。
自动驾驶要实现对车辆的运动和车身电器进行自动控制,需要相应的线控系统来满足,其中车身电器系统用于实现对车辆内外部灯光、车门以及人机交互界面等内外部交互的控制;底盘线控系统用于实现对车辆运动的控制。底盘线控系统包括转向、制动、驱动控制,其中制动部分包括行车制动、驻车制动与辅助制动,驱动系统包括发动机/电机/混合动力控制、传动系统控制等。下面分别以转向、驱动、制动系统划分介绍底盘线控系统的各组成部分。
线控转向系统通过在转向盘到车轮间增加主动控制电动机,实现对转向系统的主动控制。在传统的电助力转向车辆中,可以通过对助力电动机的主动控制实现主动转向,但是也需要在驾驶人干预时主动控制系统能够及时退出,满足人工控制优先的控制需求。线控转向系统具有助力转向功能,正常驾驶时驾驶人能够更轻便地转动转向盘,具有随车速变助力、主动回正控制等转向特性。该系统可以通过转向角度或者转向力矩的方式实现主动控制,如果整车具备车辆状态及环境信息的数据采集和处理,系统进而能够实现侧风稳定补偿、车道保持等辅助驾驶功能,并能够实现自动泊车、自动驾驶等驾驶功能。
根据电动机在转向系统中的安装位置,转向助力系统可以分为转向柱助力型(Column EPS,C-EPS)、小齿轮助力型(Pinion EPS,P-EPS)和齿条助力型(Rack EPS,R-EPS)。其中,C-EPS助力力矩值受到限制,多用于小型汽车;而P-EPS 和R-EPS成本相对较高,多用于中高级车辆。以C-EPS为例,其结构原理如图5-17所示。
图5-17 C-EPS 转向系统结构图 | 图5-18 油电混合动力汽车动力与控制系统结构示意图 |
在重型货车、大型客车等领域,由于需要的转向力矩很大,通常会采取电控液压助力的方式实现主动线控转向。这种结构中可以使用较小的电动机,实现较小的转向控制力矩,由传统的液压助力系统辅助电动机满足大转向力矩主动控制的需求。
图5-19 整车控制器的结构
驱动系统是较早实现主动线控控制的系统。比如电子节气门就是一种典型的线控驱动控制方式,发动机控制系统采集加速踏板角度,然后根据加速踏板角度与节气门开度之间的关系控制节气门,实现非机械结构连接的驱动控制。
随着电驱动系统的发展,混合动力、插电式混合动力、也进一步为线控驱动系统的发展提供了便利的条件。一种油电混合动充的发展提供了便利的条件。一种油电混合动力车动力与控制系统结构如图5-18所示,控制单元根据动力性、经济性需,切切换动力输出、充放电等,实现对驱动系统的主动控制。
各类线控驱动控制系统的核心是整车控制器,整车控制器的结构如图5-19所示。通过加速踏板、档位以及汽车运动状态,判断驾驶人或者自动驾驶系统的操纵或者控制意图,然后通过对自动变速器、发动机(或电机,或发动机与电机的组合)的动力控制,实见主动驱动控制。
线控制动系统可以主动产生制动压力,并分配至各车轮制动轮缸,使车辆产生稳定平衡的制动力。典型的线控制动系统核心是液压调节器,其原理如图5-20所示,液压调节器通过电动机推动柱塞泵在其内部主缸油道产生一个稳定的压力源(由溢流阀控制最大压力值,目前一些压力调节器可在内部形成25MPa的主动制动压力源),并由轮缸的液压阀组合控制,实现各轮缸增压、保压和减压控制,进而实现对各轮缸的主动制动控制。
图5-20 AMESim 仿真环境下的线控制动系统液压调节器结构图
随着自动驾驶技术的不断进步,对于线控制动的功能和性能要求越来越高,传统的液压调节器很难满足长时间、持续产生主动制动压力的要求,也很难满足线控制动系统备份冗余和使用寿命的要求,因此一些专门用于自动驾驶系统的新型液压调节器,以及iBooster 等取代了传统真空助力与液压调节器的线控制动系统被设计出来,用于满足未来自动驾驶领域的需求。
在底盘线控系统的基础上,智能网联汽车还需要车身电器控制系统,实现自车与其他车辆、环境中交通参与者、交通系统以及车内人员的交互。
通过各类具体控制算法的设计实现纵侧向控制,并由底盘线控与车身电器控制等系统实现各类控制指令的执行。执行控制是智能驾驶系统的动作执行环节,前面所描述的环境感知、路径规划、行为决策,都需要执行控制的具体实现,才能到达车辆自动驾驶、完成各项智能化任务的目标。
智能网联汽车执行控制相关算法的实现,基于环境感知技术,根据决策规划出目标轨迹,通过侧向控制与纵向控制系统的配合,使车辆在行驶过程中能够准确、稳定地跟踪目标轨迹,可以实现如速度调整、距离保持、换道和超车等基本操作。
汽车底盘线控系统为自动驾驶提供了有效的执行机构,可以有效地实现纵侧向控制。在具体的自动驾驶控制算法设计中,主要有 PID 控制、模型预测控制、模糊控制、最优控制等。其中,最典型且应用最广泛的是 PID(Proportional-Integral-Deriaive Controler)控制。
执行控制算法可以划分为车辆的纵向控制和侧向控制,纵向控制是通过车辆的驱动和制动系统等控制车速,侧向控制是通过转向系统等控制车辆的侧向运动。纵侧向控制的整体效果是车辆沿规划的轨迹,在特定行为模式下,以安全舒适的方式行驶,并最终抵达目的地。
图5-21 典型的纵向控制结构
4.车辆纵向控制
车辆纵向控制主要是对车辆前进方向上行驶速度的控制,可以理解为将行驶轨迹考虑为直线,车辆在各轨迹点的速度规划和运动控制。纵向控制需要综合规划出的行驶轨迹曲率、交通规则给出的车速限定、人工设定的车速值、环境中相关目标的信息(与自车的距离、相对速度、相对位置等)等信息,通过控制发动机/电机驱动系统、传动系统和制动系统实现车辆的纵向运动控制。
纵向控制不仅要考虑对规划轨迹的跟随,还要考虑驾驶的安全性、舒适性、节能性等综合性能指标。完整的纵向控制还涉及对各动作执行机构的控制、人机交互界面的设计等,同时还需要考虑纵侧向运动间的耦合,根据路面附着条件、车辆的操纵稳定性限值等做出全局最优控制。
纵向控制实现的典型结构如图5-21所示,通过各类传感器获取驾驶人意图、环境信息,结合车辆的目标跟随特征,调整车速、与前方目标的距离等控制参数,由驱动、传动、制动系统控制车辆,保证安全、舒适、节能等性能,完成预定的纵向控制相关的驾驶任务。
车辆侧向控制用于控制车辆保持在规划的行驶轨迹上,直到完成驾驶任务。侧向控制系统通过跟踪和预测当前车辆行驶轨迹,并实时与目标轨迹进行对比,根据轨迹间航向、曲率和距离的偏差,实时调整车辆侧向运动,以保证车辆始终跟随目标轨迹。侧向控制的算法的设计也受安全、舒适、节能等指标的约束。
由于智能网联汽车信息的丰富性,侧向控制需求的规划轨迹可以来源于多方面,比如∶由高精度地图规划的全局轨迹、根据当前环境状态规划的局部路径、车道保持系统中提供的车道识别信息,在侧向控制中需要根据安全、舒适、节能等指标融合各类感知信息,决策最优控制指令。
侧向控制实现的典型结构如图5-22所示,通过各类传感器获取驾驶人意图、环境信息,结合车辆的侧向控制特征,调整车速、转向盘转角(转速),由驱动、传动、制动、转向系统控制车辆,实现轨迹保持、车道保持、换道、侧向避障等驾驶任务,保证安全、舒适、节能等性能,完成预定的侧向控制相关的驾驶任务。
图5-22 典型的侧向控制结构