朱麒融

摘 要：無人駕駛汽車是依靠車內以計算機系統為主的智能駕駛儀來實現無人駕駛的智能汽車，它是利用車載傳感器來感知車輛周圍環(huán)境，并根據感知所獲得的道路、車輛位置和障礙物信息，控制車輛的轉向和速度，從而使車輛能夠安全、可靠地在道路上行駛。無人駕駛汽車對解決現存的交通駕駛問題和提升安全性具有重大的現實意義。國內外對無人駕駛車輛避障的研究成果，主要從對周圍動態(tài)環(huán)境的探測、對路徑軌跡的跟蹤與預測以及行駛路徑規(guī)劃3個方面對避障過程進行分析研究，從而讓未來的無人駕駛技術的發(fā)展更有無限可能性。

關鍵詞：無人駕駛車輛 避障方法 動態(tài)環(huán)境 路徑軌跡

中圖分類號：U463.6 文獻標識碼：A 文章編號：1672-3791（2016）07（c）-0053-03

從機械性來看，無人駕駛汽車是一種典型的四輪式移動機器人，依靠車內以計算機系統為主的智能駕駛儀，使汽車自動從設置完畢的出發(fā)地根據實時路況規(guī)劃當前最佳行駛路線，行駛到目的地并自動避障越障。設計無人駕駛汽車涉及許多交叉學科知識，需要許多學科的融合，關鍵技術涉及到環(huán)境感知、模式識別、智能決策和計算機技術等學科的先進研究領域。

無人駕駛車輛的避障主要分成3個過程，如下所示。

（1）運動障礙物檢測：對運動過程中環(huán)境中的運動障礙物進行檢測，主要由車載環(huán)境感知系統完成。

（2）運動障礙物碰撞軌跡預測：對運動過程中可能遇到的障礙物進行可能性評級與預測，判斷與無人駕駛車輛的碰撞關系。

（3）運動障礙物避障：通過智能決策和路徑規(guī)劃，使無人駕駛車輛安全避障，由車輛路徑決策系統執(zhí)行。

1 運動障礙物檢測方法

感知技術的工作原理：激光傳感和微波傳感技術利用雷達向周圍目標物體發(fā)射激光和微波再接收物體反射回來的激光或者微波，通過分析計算得出周圍物體的距離信息。視覺傳感系統利用圖像傳感器將電壓模擬信號通過A/D轉換轉變成數字信號的能力，攝像機依據小孔成像原理將周圍景物投射到圖像傳感器的電荷耦合靶面上，電荷耦合靶面根據光照強度產生不同強度的電流，電流信號在圖像傳感器行車電壓模擬信號從而完成圖像數字化。近來還有車聯網技術如Zigbee和RFID技術實現障礙信息共享。

運動障礙物由于具有運動性，用單一激光傳感器掃描來獲得運動信息是不合理的，需要長時間持續(xù)收集運動信息。目前用于周圍環(huán)境探測的傳感器分為被動傳感器與主動傳感器兩類。被動傳感器有可視圖像傳感器、紅外圖像傳感器，由于對環(huán)境有很強的依附性，很容易受到環(huán)境的大影響。主動傳感器有通過發(fā)射無線電波收集物體反射無線電波來感測的雷達，發(fā)射收集分析超聲波的超聲波傳感器，掃描物體反射激光的激光雷達，利用攝像頭測量紅外光束反彈時間的飛行時間傳感器。

由于精確性和成本，實驗所用的大多是激光雷達為車載傳感器。此時檢測方法主要有3種。

（1）地圖差分法。地圖差分法是指根據地圖上不同障礙物在不同時刻的狀態(tài)來分析障礙物分布，得到運動信息。肖正2007年提出了動態(tài)環(huán)境中基于時空關聯屬性的動靜態(tài)障礙實時檢測方法。將不同時刻環(huán)境感知傳感器的讀數統一轉換到世界坐標系中，分析障礙的時間屬性和空間屬性，就能夠識別動態(tài)障礙和靜態(tài)障礙。該方法不需要將傳感器讀數映射到柵格地圖上，節(jié)省了存儲和計算時間，提高了障礙識別效率。

（2）實體類聚法。實物類聚法通過將激光雷達收集到的數據進行分類，將運動障礙物的實體信息根據分類進行匯總，每一個障礙物實體狀態(tài)信息由很多個類別中的信息組成，從而對其進行一些狀態(tài)描述。

（3）目標跟蹤法。目標跟蹤法指對障礙物進行軌跡跟蹤從而獲得運動信息。由于在多目標環(huán)境下數據的關聯性和激光雷達傳感器的必然誤差，不同時刻的目標關聯需要按情況分類討論。

每種傳感器都有其自身的局限性和優(yōu)點，為了能在各種氣候路況條件下提高準確性、精確性及耐用性，需要幾種以上的傳感器組合使用。Dure等人設計了基于光流法的障礙檢測方法及避障算法，獲取環(huán)境數據培養(yǎng)人工神經網絡的障礙識別能力。Seraji等人提出多推理系統決策與多傳感器融合算法，同時應用雷達，激光雷達和CCD相機，通過分層融合選擇方法形成最終決策，從而檢測障礙物。

2 無人駕駛車輛路徑跟蹤

無人駕駛車輛的工作范圍不僅僅是水平直線道路，更多在復雜的路況如坡道等。由于地形的不平坦，常會出現側風或者路面傾斜引起的行駛不穩(wěn)定甚至于側翻事故。因此無人駕駛車輛路徑跟蹤器的設計勢在必行。較早期的有Lazaro J L.等人對智能汽車軌跡傳感器做了初步的設計；國內外學者也將各種理論加入到軌跡跟蹤器的設計中。其Hasberg C.等人研究了在復雜路況下的路徑規(guī)劃問題；Yang Jing等人設計了基于傳感器融合技術的側向控制策略[8]；梁志偉等人做了基于雙層插值的跟蹤算法的嘗試與設計；梁志偉等人研究了自主水下航行器的路徑跟蹤控制，將跟蹤控制問題分為導引和控制兩部分，導引部分采用了視線導引的原理并針對參數的不確定性將航向控制器與路徑跟蹤控制器相結合形成混合路徑跟蹤控制器，給無人車的路徑跟蹤控制提出來新思路；Guo tianyou等人做了減少控制器模型依賴的嘗試；Hamerlain F.等人采用滑膜控制方法設計軌跡跟蹤控制器，但由此產生的抖振降低了車輛的NVH性能，使駕駛舒適度大大下降；Mahapatra S.等人采用了模糊控制方法設計軌跡跟蹤控制器，但車輛的穩(wěn)定性很難保持；Singh A.等人利用神經系統網絡PID方法設計軌跡跟蹤控制器，有自我學習能力，但是魯棒性較差。

3 無人駕駛車輛的路徑規(guī)劃

無人駕駛車輛的路徑規(guī)劃是指在路段上有未知障礙物的情況下，按照一定的評價標準，尋找一條從起始狀態(tài)到目標狀態(tài)的無碰撞路徑。作為無人駕駛車輛技術的智能核心，對未知路徑的規(guī)劃能力是衡量一輛無人駕駛車輛的重要標準。無人駕駛車輛高速行駛、未知障礙動態(tài)等現狀給路徑規(guī)劃系統提出了實時性完整性的高要求。路徑規(guī)劃分為兩大類，全局規(guī)劃與局部規(guī)劃。為了提高全局重規(guī)劃計算效率，一般在全局規(guī)劃之外增加局部規(guī)劃以提高規(guī)劃系統的實時性。全局規(guī)劃指已知全局環(huán)境信息，在有障礙物的全局地圖中按照某種算法尋找合適的從起始位置到目標位置的無障礙無碰撞路徑。

目前應用較廣的路徑規(guī)劃算法是近似柵格法。近似柵格法的所有柵格都是規(guī)定的形狀，通常為矩形，將整個環(huán)境分割成若干個較大的矩形，且每個矩形之間連續(xù)。如，最為典型的四叉樹法，如果大矩形內部包含障礙物或者邊界，則將其分割成4個小矩形，對所有稍大的柵格都進行這種劃分，然后在劃分的最后界限內形成的小柵格間重復執(zhí)行該程序，直到達到解的界限為止。近似柵格法還可以與其他的路徑規(guī)劃方法聯合，如Araujo提出的ART神經網絡的地圖式構建網絡算法，Najjaran等提出的卡爾曼濾波器式構建路徑規(guī)劃，Yang等提出的基于生物啟發(fā)神經網絡與萬個構建集成的完全覆蓋路徑規(guī)劃技術。近似柵格法的缺陷在于，計算數據量大復雜，計算任務繁重，并且實時性和動態(tài)性不足。

Bryan Nagy等人于2001年提出了基于三次曲率多項式的路徑生成方法，并將其成功應用于卡內基梅隆大學的無人車BOSS。在此理論基礎上，方彥軍等人提出了基于多曲率擬合模型的無人車路徑規(guī)劃，抽象出路徑規(guī)劃模型，圖像與雷達激光相結合的數據來源，先在函數中設定參數，利用所有曲線的終點航線角一致、存在連接起點與終點的曲線、覆蓋范圍廣、滿足車輛運動學方程作為約束求得參數的集合，即利用四重參數循環(huán)法解決三次曲率多項式參數計算的問題。

局部路徑規(guī)劃是指在無法取得全局環(huán)境信息的情況下，只能利用多種傳感器來獲取移動機器人自身的狀態(tài)信息的周圍的局部環(huán)境信息，實時地規(guī)劃理想的不碰撞局部路徑，一般只在短時間內有效。勢場法、模糊邏輯法、神經網絡法、占據柵格法、空間搜索法和基于數據融合的直接規(guī)劃方法。

局部規(guī)劃系統有三大類算法。第一種將局部規(guī)劃看成短程的全局規(guī)劃，從而套用全局規(guī)劃的算法，如，快速隨機樹算法和啟發(fā)式搜索的AD算法。缺陷在于該算法需要預先了解路徑上的障礙，不具有實用性。第二種算法是基于模型預測原理（MPC）的局部規(guī)劃算法，將最佳路徑決策問題化成函數模型求最佳解，對車輛運動多微分方程進行滾動優(yōu)化，利用數學求最佳解方法解決實際問題。缺陷在于設立模型初值的影響較大，而模型在運動中是必然會發(fā)生變化的，因此與實際過程偏差較大。第三種在首先路徑生成部分不考慮環(huán)境約束，生成一組滿足運動學和動力學約束的路徑。路徑生成后，再對環(huán)境約束進行分析，選擇最佳避障路徑。即先寫出滿足其他條件的路徑，再用排除法和最佳解法選出執(zhí)行路徑，具有較好的實用性與便捷度。

（1）Borenstein等人在1991年提出向量場直方圖法（VFH），為現今多障礙環(huán)境中的局部路徑規(guī)劃的技術理論依據。此方法將機器人的工作環(huán)境分解為一串有二值信息的柵欄單元，每個矩形柵欄有一個累計值，表示此處出現障礙物的可能性大小，在實時探障避障的過程中驅動機器人轉向目標點。該算法具有比較迅速的計算速度，但是由于未考慮到無人駕駛車輛的車寬和高速的運動學特性，實際可行性較低。在完善VFH算法的過程中，Iwan等人提出了改良版VFH+和VFH*算法，實現快速規(guī)劃，克服原先的不足。

（2）勢場法指將環(huán)境信息抽象為引力場和斥力場函數，通過合理場函數來規(guī)劃出一條從起始點到終點的無碰撞路徑。缺陷在于當二力合力為零時，無人車將停止前進。智能機器人領域為了優(yōu)化勢場法提出了許多新算法，如Koren Y等人提出了通用勢場法與虛擬立場法。但是由于無人駕駛車輛與智能機器人在道路約束與尺寸約束的差異，優(yōu)化法不適用。針對無人車，Khatib提出了人工勢場法模型。

4 結論

綜上所述，無人駕駛車輛的避障控制系統的研究主要分成3方面：對周圍動態(tài)環(huán)境的探測、對路徑軌跡的跟蹤與預測以及行駛路徑規(guī)劃。對以下方面的研究提出可行性展望。

（1）隨著基礎設施通訊技術蓬勃發(fā)展，可以發(fā)展在城市交通方面的基于車車通信的無人駕駛車輛環(huán)境障礙識別技術。

（2）無人水下航行器的路徑規(guī)劃與軌跡跟蹤研究日趨完善，可以發(fā)展雙棲甚至三棲無人車輛的路徑規(guī)劃，并應用到軍事方面。

（3）提高路徑規(guī)劃的魯棒性與自學能力。

（4）研究無人駕駛車輛在特殊環(huán)境下的避障問題，使無人駕駛車輛的應用環(huán)境范圍再擴大。

參考文獻

[1] 喬偉高，徐學進.無人駕駛汽車的發(fā)展現狀及方向[J].上海汽車，2007（7）：40-43.

[2] 潘建亮.無人駕駛汽車社會效益與影響分析[J].汽車工業(yè)研究，2014（5）：22-24.

[3] 孫秋霞.無人駕駛汽車的前世今生[J].中國科技獎勵，2016（3）：11-13.

[4] 彭金帥.淺析無人駕駛汽車的關鍵技術及其未來商業(yè)化應用[J].科技創(chuàng)新，2015（25）：46.

[5] 肖正.動態(tài)環(huán)境中移動機器人的時空關聯地圖構建的研究[D].中南大學，2007.

[6] Dure. Optical Flow-Based Obstacle Detection and Avoidance Behaviors for Mobile Robots Used in Unmaned Planetary Exploration[C]//Proceedings of the 4th International Conference on Recent Advances in Space Technologies.2009：638-647.

[7] 修彩靖，陳慧.無人駕駛車路徑跟蹤控制研究[J].計算機工程，2012，38（10）：128-130.

[8] 王一強，王視鎏，馮瑞.基于多傳感器融合的自動導引車系統設計與控制策[J].計算機應用與軟件，2011，28（7）：49-52.