林泓熠，魏政君，鐘宇婷，趙克剛

（華南理工大學機械與汽車工程學院，廣州 510640）

0 引言

隨著計算機技術、電子信息技術、新能源技術等的進步，汽車產(chǎn)業(yè)正朝著電動化、智能化、網(wǎng)聯(lián)化發(fā)展[1－3]。新一輪汽車科技革命與汽車產(chǎn)業(yè)變革，迫切需求有關汽車的研究與開發(fā)順應時代發(fā)展[4]。然而，目前國內(nèi)智能汽車研究水平較低，高校智能汽車領域?qū)嶒炂脚_也較為匱乏。鑒于此，搭建無人駕駛汽車實驗平臺，設計相關實驗研究可促使車輛工程、計算機、自動化等多學科知識進行融合，以滿足汽車“新三化”轉(zhuǎn)型的需求。

無人駕駛汽車主要利用傳感器來感知車輛周圍環(huán)境，并根據(jù)感知所獲得的道路、車輛位置和障礙物信息，控制車輛的轉(zhuǎn)向和速度，從而使車輛在道路上安全行駛[5]。國內(nèi)外對無人駕駛汽車的仿真也做了大量研究。德國研究人員Sandeep Sovani[6]提出了在無人駕駛車輛和高級駕駛員輔助系統(tǒng)的開發(fā)中，虛擬測試必不可少的6個具體領域：駕駛場景系統(tǒng)仿真、軟件及算法建模與開發(fā)、功能安全分析、傳感器的性能仿真、電子產(chǎn)品硬件仿真和半導體模擬。北京理工大學宋威龍等[7]利用PreScan和Matlab/Simulink，針對智能車輛在交叉口與其他車輛交互的問題進行交叉口聯(lián)合仿真，驗證了基于車輛行為交互的兩階段智能車輛交叉口行為決策方法。吉林大學王楠等[8]采用PreScan建立的仿真場景，并將Car?Sim動態(tài)模型與PreScan中的仿真車輛相結(jié)合，對所提出的汽車自適應巡航（ACC）系統(tǒng)的模式劃分方法和控制算法在典型工況以及前車切入等復雜工況下的適應性進行了驗證。上述文獻雖然能夠利用仿真平臺分析車輛運行狀態(tài)，但利用Prescan與Matlab/Simulink實現(xiàn)車輛定位與雷達探測等功能需要編寫大量代碼，定位精度較低且實時通訊能力較差。因此，多數(shù)無人車控制實驗僅能停留在理論仿真階段，若要將實驗遷移至實際車輛，必將產(chǎn)生諸多問題且安全性得不到保障。

本文按照真實汽車等比例縮放建立了無人駕駛汽車實驗平臺，基于Autoware設計了一套可應用于真實車輛的無人車控制方案，通過CAN總線信號傳輸與ROS實時通訊控制車輛，實現(xiàn)識別障礙物、決策、控制與避障等功能。同時，采用LGSVL與Autoware進行聯(lián)合仿真，利用汽車安全勢場模型的最小縱向安全距離進行安全性評估，驗證其安全性與可行性。

1 硬件平臺

實驗小車基于一個獨立驅(qū)動全線控底盤開發(fā)，采用后驅(qū)＋前輪轉(zhuǎn)向＋四輪制動方式，按照真車1∶2比例縮放，力求最大限度模擬真實汽車，其整體構(gòu)造如圖1所示。動力電池、整車控制器（VCU）、CAN總線安裝在線控底盤內(nèi)；底盤的上方利用鋁板和亞克力板搭建了開放的調(diào)試平臺；考慮到真實車輛重心對操作的影響，上層亞克力板設計了一定的配重；中層搭載了工控機、GPS信號分析儀等硬件設備；頂層安裝了激光雷達，便于車輛在不同工況下的自我導航與定位，避免安全事故；小車與全球定位系統(tǒng)（GPS）相連，對所規(guī)劃路線的不合理之處進行修正，以增加其可靠性。

圖1 實驗小車整體構(gòu)造

考慮到不同工況下的路線設計不一樣，小車對外留有多個API接口，可根據(jù)實際情況外接其他的定位設備或?qū)肓硗獾牡貓D文件。出于穩(wěn)定性和安全性的考慮，小車保留了人為操控的最高權(quán)限，當發(fā)現(xiàn)小車明顯偏離正常路線時，操作人員可以立刻通過遙控掌握小車的最高控制權(quán)。

2 控制原理

小車控制系統(tǒng)采用Linux操作系統(tǒng)，運用ROS連接機器人操作系統(tǒng)，同時與多個節(jié)點建立通信，且各節(jié)點間互不干擾[9－10]。小車整體控制原理如圖2所示。首先，將激光雷達、GPS、攝像頭等不同傳感器的信息收集，將地圖導入LGSVL仿真軟件共同輸入到Autoware。Auto?ware可將激光雷達信號轉(zhuǎn)化為障礙物語生成柵格圖，還可利用GPS信號分析模塊進行精確定位與路徑規(guī)劃。之后，利用ROS將所得數(shù)據(jù)編譯后與Kvaser進行信息交互，將程序語言轉(zhuǎn)化為線控平臺可直接識別的CAN報文，通過整車控制器（VCU）控制實驗小車。最后，實驗小車還配備了具有最高控制權(quán)的遙控，以應對各類突發(fā)狀況[11－12]。

圖2 小車整體控制

其中，Autoware可認為是一個ROS功能包的集合，其主要包含定位（Localization）、檢測（Detection）、預測和規(guī)劃（Prediction & Planning）、控制（Control）4個模塊，在運行Autoware并讓汽車實現(xiàn)無人駕駛的情況下即可獲得ROS節(jié)點之間的聯(lián)系。利用Autoware生成的點云圖如圖3所示，圖中可清晰看出實驗車輛位置、雷達掃描線方位以及周邊障礙物情況。

圖3 Autoware點云

相比于傳統(tǒng)利用Prescan與Matlab/Simulink等僅能實現(xiàn)仿真的方式，Autoware在ROS下運行具有極強的實時性，工控機可將數(shù)據(jù)不間斷地傳輸給車輛，同時接收車輛反饋的狀態(tài)量與環(huán)境參數(shù)，如車輛位置、車輛速度、車輛航向角、鄰近障礙物、道路標線等。Autoware功能強大，其自帶路徑規(guī)劃、定位導航等模塊，可直接在相應模塊進行設置，相對于編寫大量代碼而言，此控制方式操作簡單快捷。因此，利用Autoware的仿真分析不再獨立于實際車輛之外，其易遷移性與可應用性遠勝傳統(tǒng)實驗。

3 實驗仿真

由于實車試驗存在較大危險性，且受到成本、場地等因素的限制，搭建仿真實驗非常必要。采用LGSVL仿真器搭建仿真平臺，可以模擬幾種常見的自動駕駛汽車的工況，在不同駕駛場景下聯(lián)合Autoware進行實驗。仿真器可自由給仿真車輛搭載相應傳感器，如GPS、激光雷達、視覺攝像頭等；亦可通過導入地圖設置場景，并自由添加其他車輛與行人。通過導入自主編寫的代碼與模型進行仿真，可檢測車輛自動循跡能力并識別周圍的道路、行車及行人的情況。

3.1 仿真步驟

首先，利用LGSVL仿真軟件搭建仿真模型。使用Unity軟件進行場景搭建并作為地圖導入LGSVL仿真器中；在車輛模型下添加所需傳感器生成Simulation，并選擇是否需要添加其他車輛或行人，以及仿真場景中當前時間和天氣狀況。靜態(tài)系統(tǒng)在顯示器實現(xiàn)可視化。其次，編寫代碼將LGSVL中傳感器收集到的數(shù)據(jù)導入Au?toware。以激光雷達為例，可在Autoware中生成點云圖，并進一步實現(xiàn)定位導航、路徑規(guī)劃等功能，并進行聯(lián)合仿真。之后，處理仿真實驗數(shù)據(jù)，繪制速度、加速度、自車橫擺角速度曲線圖，并計算有關最小縱向安全距離進行結(jié)果分析。仿真實驗步驟如圖4所示。

圖4 仿真實驗操作步驟流程

3.2 仿真工況

以較普遍的3種需要先減速后換道超車的行駛工況為例，設定實驗車輛正常行駛車速約為10 m/s。

（1）工況1：靜止障礙物工況，即本車行進道路前方出現(xiàn)一靜止障礙物。

（2）工況2：同車道動態(tài)障礙物工況，即本車行進道路前方出現(xiàn)速度較慢的車輛，設為約5 m/s。

（3）工況3：不同車道動態(tài)障礙物工況，即其他車輛突然切入本車行進道路前方。

圖5～7所示分別為3種工況的系統(tǒng)仿真場景。

圖5 靜止障礙物工況

圖6 同車道動態(tài)障礙物工況

圖7 不同車道動態(tài)障礙物工況

3.3 評價模型

仿真實驗的評價采用汽車安全勢場模型。此模型定義車輛行駛過程中對其周邊影響區(qū)域為一物理勢場，越靠近車輛，該勢場越強，即面臨的安全風險越大。該模型根據(jù)車輛不同的運動狀態(tài)測算周邊區(qū)域的風險系數(shù)，其表達式如下[13]：

式中：EV為車輛安全勢場；mi為實驗車輛等效質(zhì)量；(x0，y0)為實驗車輛質(zhì)心坐標；θ為某點到實驗車輛質(zhì)心連線與X軸夾角；k′為偽距離；v、a分別為車輛的速度和加速度；λ、β1、α、τ為待定系數(shù)，此模型中分別取值0.056、－0.169、0.029、2.717。該模型示意圖如圖8所示。

圖8 汽車安全勢場模型

圖8中，參數(shù)表達式如下[14]：

式中：M1與M2分別為實驗車輛（后車）與前車的質(zhì)量；L1與L2分別為后車與前車的車長；Lb為后車在臨界勢場下的前傾距離；Lf為前車在臨界勢場下的后傾距離；G1min與Gmin分別為兩車質(zhì)心間距與車頭間距。根據(jù)汽車安全勢場模型，為滿足超車條件且不產(chǎn)生安全隱患，實驗車輛與前車之間的最小距離D應不小于最小縱向安全距離Dmin：

式中：v1與a1分別為后車的速度和加速度；v2與a2分別為前車的速度和加速度；w為車寬。

3.4 結(jié)果分析

導入基本避障算法，各工況均以0.1 s為間隔采集數(shù)據(jù)，其自車速度、加速度、橫擺角速度變化曲線如圖9～11所示。根據(jù)圖中結(jié)果可以發(fā)現(xiàn)，3種工況下，實驗車輛從起步到識別障礙物之前，車輛速度均能迅速達到期望速度附近并趨于穩(wěn)定，自車加速度迅速增大至穩(wěn)定一段時間后下降，自車橫擺角速度約為0，表明實驗平臺在車輛直線行駛狀態(tài)下工作良好。車輛在識別障礙物后能迅速減速，自車加速度與橫擺角速度變化及時，能夠自主調(diào)整增減并處于相對穩(wěn)定狀態(tài)。完成換道超車后，自車橫擺角速度歸零，車輛再次加速達到期望速度附近趨于穩(wěn)定。在不同工況下，車輛可以根據(jù)實際情況做出調(diào)整，整個避障過程符合實際且較為流暢。

圖9 各工況自車速度變化曲線

圖10 各工況自車加速度變化曲線

圖11 各工況自車橫擺角速度變化曲線

實驗認定自車橫擺角速度開始連續(xù)增大時為換道起始點，歸零穩(wěn)定時為換道超車截止點，換道超車期間重要參數(shù)如表1所示。根據(jù)表中結(jié)果，工況1與工況3的實驗車輛換道時間較長且避障期間最低速度降至小于4 m/s，而工況2的車輛受另一行駛狀態(tài)車輛影響，換道時間較短且最低速度僅降至約8.03 m/s即可達到超車條件。3種工況下最大加速度與最大減速度接近，且最高不超過5.00 m/s2，最大自車橫擺角速度不超過25°/s，使車輛處于相對穩(wěn)定狀態(tài)。3種工況下實驗車輛與前車距離均大于最小縱向安全距離，符合汽車安全勢場理論標準，且實時通訊反饋與控制靈敏度較好。因此，可認為該實驗平臺設計安全可行。

表1 換道超車期間重要參數(shù)

4 結(jié)束語

本文針對高校無人駕駛汽車實驗平臺匱乏的問題，設計并搭建了一個無人車實驗平臺，為相關專業(yè)研究生、本科生的科學研究提供硬件支持。該平臺上的車載工控機接收激光雷達、GPS、攝像頭等傳感器的輸入信息，通過Autoware進行數(shù)據(jù)處理，經(jīng)ROS編譯與Kvaser轉(zhuǎn)換生成符合線控底盤CAN協(xié)議的報文，從而使實驗小車實現(xiàn)既定運動。為保證實驗平臺測試的安全性，本文采用LGSVL與Autoware進行聯(lián)合仿真，驗證了其符合汽車安全勢場模型中的最小縱向安全距離。

與傳統(tǒng)方式的實驗仿真相比，基于Autoware進行的實驗仿真不需要編寫大量代碼且定位準確，同時可以很方便地直接遷移至任何一臺線控車輛。根據(jù)不同車型與工況，只需在Autoware中更改參數(shù)并修改LGSVL仿真場景即可，其工作量小且可操作性強，大大提升了實驗效率。