自动驾驶汽车，已经准备好迎接道路挑战了吗？

        我参加了今年在拉斯维加斯举行的消费电子展会(CES)，并设法乘上了在封闭道路上以12.5mph速度行驶的Inducts公司无人驾驶汽车Navia。整个过程给我的感觉非常安全。但我还是不能肯定放心将作为司机特有的控制权交给软件、激光雷达和摄像机。
商用飞机在飞行过程中使用自动驾驶、自动接近与着陆软件已经有很长时间了，但它们不必处理道路中突然出现的行人，或者在后车中忙着操作短信而没有观察到前面车速减慢然后快速撞向你后保险杠的人。


Inducts公司的无人驾驶汽车Navia

令人高兴的是，业界正在软件和电子控制功能方面做许多开发工作，这些软件和电子控制功能有望进一步完善自动驾驶汽车的安全性和最终实现。下面让我们了解其中一些技术的进展。
滑铁卢大学
Steven Waslander和Nuvation在自动驾驶汽车方面组成了一个很好的团队，他们发表的论文和开发的测试跟踪平台证明理论方案是令人满意的。Nuvation公司的首席执行官Mike Worry是滑铁卢大学电子工程专业毕业的研究生，他与滑铁卢大学签署了一个为期4年的研究协议，目标是为自动驾驶汽车研发新产品。
自动驾驶汽车轮胎动力性能的重要性
自动驾驶汽车的动力性能对乘客、行人和道路上其它汽车的安全性来说至关重要。这些动力性能供自动驾驶汽车中的控制器使用，需要得到很好的理解并经过严格的测试，才能证明自动驾驶汽车的安全性。最近的一些控制器设计正在尝试操作汽车使其接近轮胎摩擦极限，以便最大限度地提高汽车性能。
轮胎/道路摩擦力和它们的相互作用在自动驾驶汽车动力性能方面起着重要的作用。滑动圆圈（Slip Circle）(图1)显示了轮胎产生的最大力。


图1：滑动圆圈中的水平轴作为归一化的侧滑角度，垂直轴作为归一化的纵向滑动比。A点是一个高滑动比和低滑动角度的点，代表汽车加速时的情形。B点是一个低滑动比和高滑动角度的点，代表汽车猛打方向时的情形。虚线代表汽车正以摩擦极限值行驶。(摘自参考文献1)



       

研究小组尝试估计滑动圆圈的参数，因为滑动角度和纵向滑动可以预测汽车的动力性能。他们发现，可以通过精确的GPS和惯性测量单元(这是由最近被飞兆公司收购的Xsens公司定义的)的测量值计算滑动角度。问题是这种方法对噪声非常敏感，现有商用汽车上的低成本传感器无法很好地支持。这些问题提醒研究人员考虑估计/观测器算法，见图2。


图2：带轮胎拖距估计器的观测器框图(Nuvation供稿)。

扩展卡尔曼滤波器(EKF)开发用于估计轮胎在路面上产生的滑动角度和纵向滑移。事实表明，EKF只能在线性轮胎区精确工作，在非线性区不能精确工作。
粒子滤波器(PF)可以对滑动角度作出较为精确的估计，代价是运算强度较高，无法做到实时估计。
试用无迹卡尔曼滤波器(UKF)表明，虽然它们可以得到好的结果，但这种方法也是基于商用汽车中不常见到的传感器。
最近的研究认为，使用轮胎拖距也许是用于估计轮胎/道路摩擦系数和横向轮胎力的更好选择。然而，这种方法也有优缺点。这种方法似乎可以很好地估计摩擦系数和横向轮胎力，线性观测器也能精确地跟踪线性和非线性区的侧滑角度。而且这种方法较少依靠模型和轮胎参数的精度，计算也简单，可以使用目前在大多数商用汽车上安装的传感器。这种方法的缺点是，它有一些前提条件，包括后轮驱动汽车，可忽略的纵向车轮动力(加速和刹车)(这将限制精确地跟踪接近滑动圆圈水平轴区域的滑动角度)。
参考文献1中的文章使用了基于轮胎拖距的观测器设计，其中增加了纵向轮胎动力性能，因此可以在整个滑动圆圈域中得到精确的滑动角度估计值。Dugoff轮胎模型用于计算轮胎/道路力，因为它比大多数其它模型更精确，使用更少的参数，对精确的轮胎参数依赖性也更低。
这篇文章和所用方法的结论是，这种设计的反应速度快，不需要昂贵的传感器。这种方法已被证明在性能上超过其它常见的观测器设计。目前这种模型只使用单轨自行车模型，但以后可以修改为更精确的四轮汽车模型，从而估计出其它汽车动力性能。
这是接受自动驾驶汽车上路的良好起点，但在放心地将方向盘、油门和刹车交给任何完全自动驾驶系统之前还有很长的路要走。


       

自适应巡航控制和追尾碰撞避免
这些是可以并且正在被应用于未来全自动驾驶上路汽车的功能。除了汽车四周的盲点后视镜和安全摄像机外，任何可以得到的辅助功能都将更好地帮助分心和粗心的司机减少事故。
许多汽车已经在使用自适应巡航控制(ACC)功能来提高安全性和舒适性。现在我们正在期待利用汽车到高速公路通信技术帮助提高交通效率，就像加州那样，最终发展成车到车通信。为了达到这个目的，我们需要实现合作性自适应巡航控制(CACC)。这将在汽车之间引入无线通信技术，实现更近的汽车安全距离和更少的“幽灵式交通拥堵”。这种现象是“人类”司机在交通高峰期彼此跟车太近、即使有一辆车轻踩刹车、后车司机都会接连反应从而将此事件放大而发生的。这种现象也被称为车流不稳定性。CACC可以用来彻底消除这种现象。
GCDC(Grand Cooperative Driving Challenge)组织声称，GCDC团队成员间彼此竞争相当激烈，都旨在设计和实现最高效的合作型汽车系统。这种系统能够在各种合作性场景中执行先进的操作。为了达到这个目的，汽车之间必须通过无线通信交换有关它们方位和意图的信息，如图3所示。


图3：GCDC挑战组织支持针对实际高速道路上的协同驾驶进行创新性技术的开发。(照片由GCDC提供)

下面是GCDC对作为终极驾驶模式的自动驾驶汽车的评论：
鉴于拥堵、交通安全和排放问题，道路交通将继续面临严重的挑战。合作型和自动驾驶系统在某种程度上可以让司机从驾驶工作中解放出来，可能为其中一些问题提供解决方案。
目前市场上存在不同程度的自动驾驶系统，而在所有交通条件下能够完全自动驾驶的汽车离现在还很遥远，不过先进驾驶辅助系统(ADAS)已经进入市场。自适应巡航控制和车道保持辅助系统就是明证。
协同驾驶的关键是通信。信息交换可以实现汽车之间、汽车和路边系统之间的合作。比如了解有关事故和危险等即将出现的交通情况的早期告警，可以实现更加高效和安全的交通流量。
在2011年的GCDC中，汽车的CACC使用带前馈元件的线性反馈控制器，如图4所示。


图4：使用带前馈元件的线性反馈控制器的反馈控制模型(搞自参考文献3)



       

比例微分(PD)控制器
PD（Proportional Derivative）的增益通过实验选取，前馈控制器设计用于提高高速道路上的车流稳定性。这里使用了简化的汽车模型，其参数对反馈控制器几乎没有影响。这里的关键目标是使用能够完全自适应汽车模型中变化的控制器，以便能够在实际道路驾驶条件下使用。
现有的比例微分控制方法无法包含由本文较早前所说的侧向控制器和滑动圆圈引起的限制。如果我们想要得到适应真实高速公路和普通公路的可行工作系统，这些问题都需要解决。
这里的动态模型使用了源自参考文献4的模型预测控制(MPC)技术。假设汽车有2个激光雷达，一个位于车前部，一个位于车后部。所提出的控制模型如图5所示。


图5：所提出的控制模型(摘自参考文献3)。

  
这种模型使得，当后方车辆离得很远时，误差不会累积。每辆汽车都装备有无线数据接收器，用于同时接收前方和后方车辆的加速信息，见图6。


图6：每辆车都安装有无线数据接收器，可以同时接收前方和后方车辆的加速信息。

参考文献3写道：
开关依据的是

。如果

小于10米，那么随后就是6个状态的跟随式MPC模型，并使用追尾碰撞检测。否则就使用由Kianfar et al开发的状态MPC，并且只使用前方车辆碰撞检测。这样能够确保我们的控制器在大多数情况下都与大部分其它MPC控制器一样工作，并且在关键时候会更出色。
其中

和

是车辆之间的距离误差。这种误差在理想情况下应该是零。这两个误差都设置有最小约束条件，并且保持用MPC检查车辆之间的速度和速度误差。为了确保系统呈现出车流稳定状态，当加速度是正值时，我们需要使汽车的加速度总是小于前方车辆的加速度。如果加速度是负值，车子的加速度就变成更低的限值(前方汽车存在速度误差的上限和下限值，但后方汽车只有更低的限值)。

参考文献3中提到的这个团队在Nuvation的协助下已经建立了一个平台，可以用来在测试轨道上运行的1/5大小的远程控制电动汽车模型上测试所有CACC算法。


图7：位于测试轨道上的1/5尺寸的遥控电动汽车模型。这些汽车可以达到120km/h的速度(Nuvation提供)。



       

本文小结
今天的汽车上已经有巡航控制功能控制着油门踏板。一些汽车拥有车道偏离避免和安全摄像机。我们将向采用CACC的未来自动驾驶汽车迈出第一步，这将导致追尾碰撞避免功能的追加和更平顺、更安全的交通流量。
在华尔街日报的一篇文章中，日产汽车公司透露在2020年之前将发布多种自动驾驶的功能。日产的首席执行官Carlos Ghosn表示，目前有4种社会经济趋势与自动驾驶(Autonomous Drive)汽车有关——全球巨型城市的出现、对联网要求的增长、人口老化以及市场中妇女的影响力和购买力的增长。
日产的下一步计划是：
交通拥堵导航。到2016年年底，日产将提供可以在拥堵的高速道路上自动驾驶并且安全的汽车。
完全自动化的停车系统。同样到2016年底之前，日产将在更大范围的汽车上安装完全自动化的停车系统。
多车道控制。到2018年，日产计划提供能够自动判断危险并改变车道的汽车。
交叉路口的自动驾驶。到2020年，日产将推出交叉路口自动驾驶功能，无需司机干预汽车就能安全通过城市交叉道路。
Ghosn对日产的自动驾驶(Autonomous Drive)技术和无人驾驶汽车(self-driving cars)作了区分。
“我想要澄清一下，日产引领的自动驾驶(Autonomous Drive)技术和无人驾驶汽车(self-driving cars)之间有很大的差别。自动驾驶是要释放或减轻司机的日常任务，特别是在拥堵或长距离行车条件下。司机仍然可以控制汽车，但这时的汽车能够自动做更多的事情。”Ghosn表示，“相较而言不要求任何人工干预的无人驾驶距离实际商用还有很长的距离。目前它们只适合严格控制的道路环境，要求速度低，而且面临着法规雷区。”
参考文献:
1 Pneumatic Trail Based Slip Angle Observer with Dugoff Tire Model, Song, Chi Kam Chun, Huissoon, Waslander
2 Understanding Parameters Influencing Tire Modeling, Nicholas D. Smith, Department of Mechanical Engineering, Colorado State University, 2004 Formula SAE Platform
3 MPC Based Collaborative Adaptive Cruise Control with Rear End Collision Avoidance, Sancar, Fidan, Huissoon, Waslander, Department of Mechanical and Mechatronics Engineering University of Waterloo
4 Design and Experimental Validation of a Cooperative Driving System in the Grand Cooperative Driving Challenge, Kianfar, R. et al., IEEE Intelligent Transportation Systems, vol.13, no.3, pp.994,1007, Sept. 2012