發(fā)布時(shí)間：2022-02-17所屬分類：科技論文瀏覽：1次
摘 要： 摘 要：越野環(huán)境下的無(wú)人駕駛車輛技術(shù)是近年來(lái)智能化領(lǐng)域重要研究方向之一，其在推動(dòng)軍事智能化發(fā)展、提高工農(nóng)業(yè)生產(chǎn)效率等方面起到重要作用，具有一定的軍事戰(zhàn)略意義與民用經(jīng)濟(jì)價(jià)值.文中基于國(guó)內(nèi)外越野場(chǎng)景下無(wú)人駕駛車輛技術(shù)的研究現(xiàn)狀，從環(huán)境感知與導(dǎo)航定位、路 徑
摘 要：越野環(huán)境下的無(wú)人駕駛車輛技術(shù)是近年來(lái)智能化領(lǐng)域重要研究方向之一，其在推動(dòng)軍事智能化發(fā)展、提高工農(nóng)業(yè)生產(chǎn)效率等方面起到重要作用，具有一定的軍事戰(zhàn)略意義與民用經(jīng)濟(jì)價(jià)值.文中基于國(guó)內(nèi)外越野場(chǎng)景下無(wú)人駕駛車輛技術(shù)的研究現(xiàn)狀，從環(huán)境感知與導(dǎo)航定位、路 徑 規(guī) 劃、運(yùn) 動(dòng) 控 制3個(gè)研究層面進(jìn)行歸納總結(jié)，闡 述 了越野場(chǎng)景下無(wú)人駕駛車輛技術(shù)中的關(guān)鍵技術(shù)及其技術(shù)應(yīng)用存在的問(wèn)題，并對(duì)未來(lái)越野環(huán)境下無(wú)人駕駛車輛技術(shù)的研究方向和研究重點(diǎn)進(jìn)行了展望.
關(guān)鍵詞：無(wú)人駕駛;越野環(huán)境;環(huán)境感知與導(dǎo)航定位;路徑規(guī)劃;運(yùn)動(dòng)控制
無(wú)人駕駛車輛又可稱作無(wú)人地面車輛 (un-mannedgroundvehicle，UGV)，多指通過(guò)感知、定位、規(guī)劃與控制等功能模塊實(shí)現(xiàn)與環(huán)境交互并自主行駛的地面移動(dòng)機(jī)器平臺(tái).無(wú)人駕駛車輛作為智能交通系統(tǒng)的主要載體，主要應(yīng)用場(chǎng)景包含了城市環(huán)境與越野環(huán)境，其中針對(duì)越野環(huán)境無(wú)人駕駛技術(shù)的研究在軍事[1]、工農(nóng)業(yè)等[2]方面具有廣泛的應(yīng)用前景.
不同于城市環(huán)境，越野環(huán)境不具備結(jié)構(gòu)化道路及交通規(guī)則信息，且環(huán)境中障礙物復(fù)雜多變，地形起伏大，使得無(wú)人駕駛技術(shù)的發(fā)展在各方面都受到挑戰(zhàn).在感知方面，由于越野環(huán)境信息繁雜且干擾較多，不利于提取環(huán)境特征實(shí)現(xiàn)環(huán)境建模.在 路 徑 規(guī)劃方面，動(dòng)態(tài)復(fù)雜環(huán)境中較高的環(huán)境信息不確定性增大了路徑規(guī) 劃 實(shí) 現(xiàn) 難 度.在運(yùn)動(dòng)控制方面，由 于無(wú)人駕駛車輛是一個(gè)具有復(fù)雜非完整性約束的非線性耦合系統(tǒng)，其與地面間復(fù)雜的相互作用使得車輛與地面的接觸模型不易建立，同時(shí)復(fù)雜越野地形也對(duì)運(yùn)動(dòng)控制算法的魯棒性和實(shí)時(shí)性提出更高要求.
致力于克服以上困難，針對(duì)越野場(chǎng)景下的無(wú)人駕駛技術(shù)開(kāi)展了一系列研究.20世紀(jì)90年代，美國(guó)國(guó)防高級(jí)研究計(jì)劃局(DAPPA)開(kāi)展了 DEMO 系列的無(wú)人車 研 制[3].2004年 后，DAPPA 組 織 了 一 系列無(wú)人車技術(shù)比賽，這些賽事吸引了大批科研機(jī)構(gòu)及企業(yè)的參與，推 動(dòng) 了 無(wú) 人 駕 駛 技 術(shù) 的 發(fā) 展.我 國(guó)在無(wú)人駕駛領(lǐng)域起步較晚，早期針對(duì)越野場(chǎng)景的軍用地面無(wú)人平臺(tái)研究主要有“八五”，“九五”期間開(kāi)展的“軍用地面機(jī)器人 ATB”項(xiàng)目;國(guó)家自然科學(xué)基金委組織并舉辦的“中國(guó)智能車未來(lái)挑戰(zhàn)賽”[4]也促進(jìn)了無(wú)人駕駛技術(shù)在越野環(huán)境下的研究;2014年開(kāi)始由陸軍裝備部開(kāi)展“跨越險(xiǎn)阻”系列比賽，著重解決無(wú)人駕駛車輛在越野環(huán)境下的難點(diǎn)問(wèn)題，為無(wú)人駕駛車輛適應(yīng)復(fù)雜越野工況奠定了基礎(chǔ).
文中側(cè)重于從環(huán)境感知與導(dǎo)航定位、路徑規(guī)劃、運(yùn)動(dòng)控制3個(gè)層面闡述國(guó)內(nèi)外在越野環(huán)境下無(wú)人駕駛技術(shù)的相關(guān)研究.
1 環(huán)境感知與導(dǎo)航定位
環(huán)境感知系統(tǒng)是無(wú)人駕駛車輛中最為重要的部分之一，其通過(guò)分析各種傳感器采集的特征信息最終實(shí)現(xiàn)車輛周圍環(huán)境模型的建立、車輛位置信息的獲取以及車 輛 行 駛 狀 態(tài) 的 估 計(jì)，為 后 續(xù) 的 決 策、規(guī)劃、控制模塊的 實(shí) 現(xiàn) 提 供 了 關(guān) 鍵 信 息.這 里 所 討 論的環(huán)境感知系統(tǒng)的技術(shù)主要包括外部環(huán)境感知技術(shù)與導(dǎo)航定位技術(shù)兩部分
.1.1 環(huán)境感知技術(shù)
外部環(huán)境感知系統(tǒng)所使用的傳感器主要包括三維激光雷達(dá)、毫米波雷達(dá)、立體相機(jī)、紅外相機(jī)、超聲波傳感器等.感知系統(tǒng)運(yùn)用這些傳感器可在無(wú)人駕駛車輛中實(shí)現(xiàn)障礙物檢測(cè)、可通行區(qū)域分析、目標(biāo)檢測(cè)與跟蹤等功能.
越野環(huán)境存在環(huán)境特征不易提取、路面狀況復(fù)雜多變等特點(diǎn)，因此越野環(huán)境下的感知技術(shù)多聚焦于地面擬合與分類、正負(fù)障礙識(shí)別、路面通過(guò)性分析等方面.地面擬 合 多 用 于 獲 取 地 面 狀 態(tài)，為 無(wú) 人 車輛行駛提供可通行區(qū)域分析，因此該功能實(shí)現(xiàn)多采用能精確獲取環(huán)境三維信息的激光雷達(dá).目前基于激光雷達(dá)的越野環(huán)境下地面分割方法主要有：基于數(shù)據(jù)驅(qū)動(dòng)的方法，將人工提取的點(diǎn)云特征用于算法訓(xùn)練以構(gòu)建地面模型[5];基于概率圖模型的方法，如采用馬爾可夫隨 機(jī) 場(chǎng) (Markov random field，MRF)[6]結(jié)合點(diǎn)云掃描特性的方法來(lái)獲取精確的地面點(diǎn)云分割結(jié)果.路面屬性的分類用于獲取路面粗糙度等信息，有助于車輛行駛的穩(wěn)定控制，其需要環(huán)境中稠密的紋理特征信息及顏色信息，因此多采用相機(jī)實(shí)現(xiàn)此 功 能.丁 澤 亮 等[7]構(gòu)建了越野環(huán)境下的圖像數(shù) 據(jù) 集，并將場(chǎng)景識(shí)別與基于圖 像的路面語(yǔ)義分割 融 合，提高了路面提取算法對(duì) 于越野環(huán)境的適應(yīng)性 與 準(zhǔn) 確 性.MEI等[8]則 采 用 推 理 與 學(xué)習(xí)模型實(shí)現(xiàn)基于視覺(jué)的道路檢測(cè)，以 適 應(yīng) 越 野 地形的多樣性.對(duì)于越野環(huán)境中正負(fù)障礙的區(qū)分，正障礙一般指在地面以上的物體，負(fù) 障 礙 則 包 含 凹坑、水體等在地面或以下對(duì)車輛行駛有 較大影響的部分，如圖1所 示.相 較 于 正 障 礙，負(fù) 障 礙 的 檢測(cè)更具挑戰(zhàn)性.基 于 激 光 雷 達(dá) 的 負(fù) 障 礙 檢 測(cè) 方 法大多是先對(duì)激光雷達(dá)掃描特征信息進(jìn) 行提取，再對(duì)提取的特征使用分類器分類[9]、數(shù) 據(jù) 聚 類[10]等方式進(jìn)行處理以獲得最終檢測(cè)結(jié)果.CHEN 等[11]則基于雙目相機(jī)的 U-V 視差原理提出一 種 激 光 成像視差圖的方法，實(shí) 現(xiàn) 了 正 障 礙、凹 坑 和 水 面 的 統(tǒng)一檢測(cè).
盡管單一傳感器在越野環(huán)境下的感知領(lǐng)域取得了諸多進(jìn)展，但受限于傳感器的工作原理，有時(shí)無(wú)法滿足復(fù)雜越野環(huán)境下的感知需求.因此，能夠提供穩(wěn)定、豐富的感知信息的多傳感器融合方法既是當(dāng)前的研究熱點(diǎn)，也是今后的發(fā)展方向[12].MILELLA 等[13]將毫米波雷達(dá)與相機(jī)融合，提取各傳感器特征進(jìn)行融合并構(gòu)建了一種自監(jiān)督訓(xùn)練的路面分類器，該算法減少了人工標(biāo)注訓(xùn)練數(shù)據(jù)的時(shí)間，并且提高了算法的環(huán)境適應(yīng)性.REINA 等[14]則將毫米波雷達(dá)對(duì)2D物體的檢測(cè)結(jié)果與雙目視覺(jué)對(duì)物體的分類特征相結(jié)合實(shí)現(xiàn)了一種用于農(nóng)業(yè)場(chǎng)景下的3D目標(biāo)檢測(cè)方法.
1.2 導(dǎo)航定位技術(shù)
導(dǎo)航定位技術(shù)能夠?qū)崟r(shí)對(duì)無(wú)人駕駛車輛進(jìn)行位姿與速度估計(jì)，獲取車輛的相對(duì)與絕對(duì)的位置信息，為控制模塊更好地控制車輛的運(yùn)動(dòng)提供準(zhǔn)確的狀態(tài)估計(jì).無(wú)人駕駛車輛的導(dǎo)航定位技術(shù)主要包括全球?qū)?航 衛(wèi) 星 系 統(tǒng) (globalnavigationsatellitesystem，GNSS)與 慣 性 導(dǎo) 航 系 統(tǒng)(inertialnavigationsystem，INS)組合的定位技術(shù)，利用感知傳感器實(shí)現(xiàn)的里程計(jì)與同時(shí)定位與建圖(simultaneouslocalizationandmap-ping，SLAM)技術(shù)，以及多種定位技術(shù)融合的方案.
GNSS與INS可 以 通 過(guò) 多 種 融 合 方 法[15]實(shí) 現(xiàn)組合導(dǎo)航，以彌補(bǔ)二者自身在定位方面的不足，實(shí)現(xiàn)車輛的長(zhǎng)時(shí)間準(zhǔn)確定位，目前已經(jīng)廣泛應(yīng)用于無(wú)人駕駛車輛中.但是組合導(dǎo)航在面對(duì) GNSS出現(xiàn)長(zhǎng)時(shí)間丟失數(shù)據(jù)的情況時(shí)，定位結(jié)果仍會(huì)產(chǎn)生較大的偏差.因此，利用車輛自身運(yùn)動(dòng)信息及環(huán)境變化信息進(jìn)行車輛自定位的里程計(jì)的應(yīng)用在無(wú)人駕駛車輛精確定位方面具有較大的幫助.傳統(tǒng)里程計(jì)主要為輪式里程計(jì)，但 由 于 越 野 環(huán) 境 下 地 形 復(fù) 雜，車 輪 易 滑轉(zhuǎn)，不利于輪式里程計(jì)的定位，所以其多與其他定位傳感器融 合 以 提 高 航 位 推 算 的 精 度[16].利 用 感 知傳感器實(shí) 現(xiàn) 的 里 程 計(jì) 主 要 包 括 視 覺(jué) 里 程 計(jì)(visualodometry，VO)與激光雷達(dá)里程計(jì)兩種.對(duì)于 VO，其成本較低，且相對(duì)位置估計(jì)較為準(zhǔn)確，因此被廣泛應(yīng)用與研究.YI等[17]就提出一種基于多 相 機(jī) 協(xié) 作的全景視覺(jué)與立體感知方案用于提取越野環(huán)境特征，以降低視覺(jué)里程計(jì)在越野環(huán)境下受光照、遮擋、地形崎嶇等不利因素的影響，提高視覺(jué)里程計(jì)的適應(yīng)性與魯棒性.相較于 VO，受益于激光雷達(dá)的量測(cè)原理，激光雷達(dá)里程計(jì)具有不受光照影響，相對(duì)位置估計(jì)精確的特點(diǎn).FU 等[18]提出一種將相關(guān)掃描匹配與局部匹配融合的兩階段點(diǎn)云配準(zhǔn)算法，提高了越野環(huán)境下激光雷達(dá)點(diǎn)云配準(zhǔn)的性能，有利于提高激光雷達(dá)里程計(jì)的定位精度.SLAM 通過(guò)傳 感 器 的 探 測(cè) 信 息 建 立 環(huán) 境 地 圖并使用該地圖實(shí)現(xiàn)實(shí)時(shí)定位，能夠解決里程計(jì)在位置估計(jì)時(shí) 存 在 較 大 累 計(jì) 誤 差 的 問(wèn) 題.由 于 SLAM在缺少 GPS或 GPS信號(hào)弱的環(huán)境下對(duì)車輛進(jìn)行長(zhǎng)時(shí)間定位具有一定的優(yōu)勢(shì)，因此其在越野環(huán)境下具有較大的發(fā)展?jié)摿?劉忠澤等[19]針對(duì)大尺度范圍的越野場(chǎng)景，提出以一種具有拓?fù)鋵哟蔚娜S體素子地圖的方式構(gòu)建環(huán)境地圖，利用特征匹配進(jìn)行閉環(huán)檢測(cè)，使用IMU 對(duì)車輛全局位姿進(jìn)行優(yōu)化，實(shí)現(xiàn)了野外實(shí)時(shí)環(huán)境地圖的創(chuàng)建與精確定位.俞毓鋒等[20]則采用視覺(jué)與激光雷達(dá)融合定位的方式，將定位看作圖像與激光雷達(dá)間特征關(guān)聯(lián)的最小化重投影誤差問(wèn)題，減小了SLAM 算法在越野環(huán)境下特征誤檢測(cè)、特征遮擋以及誤匹配對(duì)定位的影響.此外，深度學(xué)習(xí)方法也逐漸應(yīng)用于 SLAM 中，借助深度學(xué)習(xí)在特征提取方面的優(yōu)勢(shì)，不少算法都取得了較好的結(jié)果[21].
2 路徑規(guī)劃
路徑規(guī)劃是無(wú)人駕駛車輛實(shí)現(xiàn)智能化的關(guān)鍵技術(shù)，其能夠基于環(huán)境感知與導(dǎo)航定位，在給定起始點(diǎn)和目標(biāo)點(diǎn)后，按照性能指標(biāo)規(guī)劃出一條無(wú)碰撞，可跟蹤的路徑.在越 野 環(huán) 境 下，路徑規(guī)劃面臨著環(huán)境復(fù)雜度與不確定性增加的挑戰(zhàn).這就需要路徑規(guī)劃模塊在規(guī)劃路徑時(shí)納入更嚴(yán)格的環(huán)境約束，不僅要考慮所選路徑的耗時(shí)、距離等條件因素，還應(yīng)當(dāng)考慮路徑的平順性以 及 越 野 路 面 的 特 性.在 技 術(shù) 層 面，路徑規(guī)劃可以大致分為基于圖形搜索的方法、基于隨機(jī)采樣的方法和基于優(yōu)化理論的路徑規(guī)劃方法.
2.1 基于搜索的路徑規(guī)劃算法
基于圖搜索的路徑規(guī)劃算法主要是利用柵格地圖對(duì)環(huán)境進(jìn)行映射，將環(huán)境信息以概率或其他形式賦值給每個(gè)網(wǎng)格，此后在整個(gè)柵格圖中搜尋初始位置到目標(biāo)位置的全局最佳路徑.
傳統(tǒng)搜索算法在動(dòng)態(tài)多變的越野環(huán)境下難以運(yùn)用，TENIENTE等[22]便提出一種 HRA*算法，采用一種混合節(jié)點(diǎn)擴(kuò)展技術(shù)，將滿足車輛運(yùn)動(dòng)學(xué)約束的空間隨機(jī)搜索技術(shù)與僅考慮到達(dá)目標(biāo)地的運(yùn)動(dòng)學(xué)可行路徑的成本度量相結(jié)合，提高了復(fù)雜環(huán)境下的路徑規(guī)劃效率與魯棒性.此外，越野環(huán)境地形復(fù)雜、路點(diǎn)稀疏，路徑 規(guī) 劃 僅 通 過(guò) 單 路 點(diǎn) 規(guī) 劃 易 出 現(xiàn) 錯(cuò) 誤，因 此PETEREIT等[23]在混合 A*算法基礎(chǔ)上添加了多路點(diǎn)規(guī)劃、車輛動(dòng)力學(xué)約束、路面特征分析等方法，以實(shí)現(xiàn)復(fù)雜環(huán)境中近似最優(yōu)的路線的規(guī)劃.同時(shí)，基于搜索的方法在大場(chǎng)景下的路徑規(guī)劃時(shí)效性也是重要研究方向之一，AMMAR等[24]提出時(shí)間松弛版的 Dijk-stra與 A*算法，通過(guò)柵格地圖結(jié)構(gòu)實(shí)現(xiàn)最佳路徑的近似，并達(dá)到了時(shí)效與精度的平衡.此外，針對(duì)環(huán)境模型表征的改善也能夠提高基于搜索路徑規(guī)劃的精度與時(shí)效性，GRAF等[25]通過(guò)構(gòu)建一種基于圖的、層次的、多分辨率的地形模型來(lái)精確表征環(huán)境，并采用多種優(yōu)化手段降低路徑搜索空間，加快算法收斂，最終可以在越野環(huán)境下實(shí)現(xiàn)快速局部路徑規(guī)劃.
盡管搜索算法在一些場(chǎng)景中有較好的表現(xiàn)，但該方法也具有一定的局限性.搜索算法的增量性質(zhì)導(dǎo)致其計(jì)算復(fù)雜度較高，不適用于車輛高速行駛或動(dòng)態(tài)障礙物分布較密場(chǎng)景下的路徑規(guī)劃，且搜索算法多基于二維柵格圖，不能較好地解決高維空間下的路徑規(guī)劃問(wèn)題，因此多數(shù)應(yīng)用搜索算法實(shí)現(xiàn)越野環(huán)境下路徑規(guī)劃的研究多注重于解決這兩個(gè)問(wèn)題.
2.2 基于采樣的路徑規(guī)劃算法
基于采樣的路徑規(guī)劃方法主要是通過(guò)在規(guī)劃空間內(nèi)隨機(jī)采樣的方式來(lái)探求空間上的連通性，其不依賴于精確的空間建模和狀態(tài)之間的連接，適用于地形復(fù)雜、高維且不易建立精確地圖的越野環(huán)境.
較為經(jīng)典的基于采樣的路徑規(guī)劃方法如概率路徑圖(probabilisticroadmaps，PRM)[26]與快速 擴(kuò) 展隨機(jī)樹(shù)(rapidly-exploringrandomtrees，RRT)[27]，這兩種方法及其變種已廣泛應(yīng)用于無(wú)人駕駛路徑規(guī)劃[28].LEE等[29]將基于采樣的機(jī)會(huì)約束 RRT*算法與線性二次高斯運(yùn)動(dòng)規(guī)劃(LQG-MP)算法結(jié)合，實(shí)現(xiàn)了在可變形的高滑地形下穩(wěn)定可靠的路徑規(guī)劃.JI等[30]則將地形信息與車輛特征結(jié)合構(gòu)建包含6自由度元素的構(gòu)形空間，并在構(gòu)形空間中運(yùn)用采樣算法實(shí)現(xiàn)車輛在大范圍越野環(huán)境的下的運(yùn)動(dòng)規(guī)劃.在實(shí)際 應(yīng) 用 中，采樣算法的時(shí)效性至關(guān)重要，HIDALGO 等[31]提出 了 一 種 運(yùn) 用 GPU 加 速 RRT處理大型二維地圖的算法，通過(guò)同時(shí)計(jì)算四顆樹(shù)的方式來(lái)提升處理速度，并降低靠近障礙物的節(jié)點(diǎn)的拓展概率來(lái)減少碰撞檢測(cè)對(duì)算法效率的影響，以加快路徑規(guī)劃速 度.此 外，采 樣 方 法 的 使 用 需 要 有 較好的采樣 規(guī) 則 與 指 導(dǎo) 啟 發(fā)，YANG 等[32]在 其 無(wú) 人平臺(tái)的局部路徑規(guī)劃中通過(guò)對(duì)包含空間高階信息且平滑的參考路徑進(jìn)行分段狀態(tài)采樣，最終能夠標(biāo)識(shí)出一條無(wú)碰撞、運(yùn)動(dòng)學(xué)可行且曲率連續(xù)的路徑.
2.3 基于優(yōu)化的路徑規(guī)劃算法
智能優(yōu)化算法一般是受自然生物規(guī)律或者物理現(xiàn)象的 啟 示 而 設(shè) 計(jì) 出 的 隨 機(jī) 搜 索 算 法，如 蟻 群 算法[33]、遺傳算法[34]等.蟻群算法是較為典型的智能優(yōu)化算法之一，具有易并行計(jì)算、魯棒性強(qiáng)等優(yōu)點(diǎn).但蟻群算法在越野環(huán)境的苛刻約束條件下應(yīng)用存在計(jì)算量較大，容易陷入局部最優(yōu)解的問(wèn)題.針 對(duì) 越野環(huán)境下蟻群算法應(yīng)用的缺點(diǎn)，一些學(xué)者提出了改進(jìn)方法.對(duì)于越野環(huán)境涉及大量坡道且路面粗糙度不一的情況，為保證規(guī)劃路徑的可跟蹤性，需對(duì)道路特征進(jìn)行處理，吳天羿等[35]通過(guò)與路面坡度和粗糙度約束結(jié)合的蟻群算法估計(jì)函數(shù)實(shí)現(xiàn)路徑最優(yōu)化.對(duì)于越野環(huán)境中存在點(diǎn)位多、分布散等狀況，王書(shū)勤等[36]建立了混合整數(shù)規(guī)劃模型，提出了一種混合蟻群算法，利用選擇、交叉和變異算子對(duì)解進(jìn)行優(yōu)化.
基于最優(yōu)化的路徑規(guī)劃則主要是考慮車輛的非線性系統(tǒng)，本 質(zhì) 是 求 解 帶 約 束 的 最 優(yōu) 化 問(wèn) 題.HU等[37]就引入障礙物與地形的勢(shì)場(chǎng)函數(shù)模型，將路徑規(guī)劃問(wèn)題轉(zhuǎn)化為求解車輛最優(yōu)控制問(wèn)題，并把勢(shì)場(chǎng)梯度納入目標(biāo)函數(shù)中，最終通過(guò)仿真越野環(huán)境測(cè)試了該多階段路 徑 規(guī) 劃 算 法 的 有 效 性.此 外，基 于 離散優(yōu)化的方法也在無(wú)人駕駛路徑規(guī)劃領(lǐng)域有較為成功的應(yīng)用[38].
3 運(yùn)動(dòng)控制
軌跡跟蹤控制技術(shù)是無(wú)人駕駛車輛實(shí)現(xiàn)自動(dòng)控制最重要的部分之一，特別是在復(fù)雜環(huán)境下高精度軌跡跟蹤是保證無(wú)人駕駛車輛行駛安全和完成相關(guān)任務(wù)的基礎(chǔ).但 是，軌跡跟蹤控制在復(fù)雜環(huán)境下的應(yīng)用面臨諸多挑戰(zhàn)：首先，車輛是一個(gè)包含復(fù)雜非完整性約束的非線性耦合系統(tǒng)，容易受到系統(tǒng)不確定性和外界干擾 等 不 利 因 素 的 影 響.其 次，無(wú) 人 駕 駛車輛的運(yùn)動(dòng)控制受到行駛道路的環(huán)境約束以及執(zhí)行機(jī)構(gòu)的飽和約 束.最 后，無(wú)人駕駛車輛高精度的運(yùn)動(dòng)控制需要充分考慮建模誤差、參數(shù)擾動(dòng)等系統(tǒng)不確定性以及外 部 干 擾 的 影 響.故 在 研 究 中，通 常 將運(yùn)動(dòng)控制的 橫 向 和 縱 向 進(jìn) 行 解 耦，分 別 實(shí) 現(xiàn)[39]，常用的無(wú)人駕駛車輛運(yùn)動(dòng)控制方法主要包括非模型類的運(yùn)動(dòng)控制方法和模型類運(yùn)動(dòng)控制方法.
3.1 非模型的控制方法
PID (proportional-integral-derivative)控制是非模型控制方法中一種適用性廣、魯棒性好的控制方法.無(wú)人駕駛領(lǐng)域中常結(jié)合PI來(lái)實(shí)現(xiàn)車輛的縱向運(yùn)動(dòng)控制，結(jié)合PD來(lái)實(shí)現(xiàn)車輛的橫向運(yùn)動(dòng)控制.在越野環(huán)境中實(shí)現(xiàn)車輛運(yùn)動(dòng)控制的首要問(wèn)題是道路場(chǎng)景復(fù)雜多變易導(dǎo)致控制執(zhí)行效果不穩(wěn)定，這便可以使用 PID算法來(lái)實(shí)現(xiàn)初步控制，并針對(duì)不同任務(wù)做出調(diào)整，以滿足不同的場(chǎng)景需求并提高控制的穩(wěn)定性.龍智卓等[40]采用模糊PID控制轉(zhuǎn)向角輸出與增量式 PID控制車輛液壓轉(zhuǎn)向系統(tǒng)的串級(jí)式方法，實(shí)現(xiàn)了地下礦用無(wú)人車輛的行駛控制.OZANA 等[41]提出了一種全局優(yōu)化方法來(lái)設(shè)計(jì)PID控制器的方案，通過(guò)設(shè)計(jì)目標(biāo)函數(shù)各部分的權(quán)重系數(shù)以解決不同需求條件之間的沖突，并通過(guò)仿真測(cè)試表明該種設(shè)計(jì)方法提高了 PID在實(shí)際使用時(shí)的適應(yīng)性.PID控制算法雖然簡(jiǎn)單且容易實(shí)現(xiàn)，但算法參數(shù)受較多因素影響，且敏感度較高，當(dāng)被控制的執(zhí)行器參數(shù)不穩(wěn)定或反應(yīng)滯后時(shí)，PID的控制效果會(huì)有所下降.同時(shí)，該算法只能保證閉環(huán)系統(tǒng)的部分零極點(diǎn)的控制效果.
前饋-反饋控制 算 法 也 是 非 模 型 控 制 算 法 的 一種.其中的前饋控制是為了減小甚至消除路徑曲率變化帶來(lái)的干擾，反饋控制是根據(jù)車輛在控制系統(tǒng)作用后的狀態(tài) 來(lái) 進(jìn) 行 調(diào) 整，以 改 進(jìn) 系 統(tǒng) 的 輸 入.車輛在越野環(huán)境中行駛時(shí)會(huì)受到環(huán)境的多種干擾，這對(duì)車輛運(yùn)動(dòng)控制的實(shí)時(shí)性以及反饋信號(hào)的處理質(zhì)量提出更高要 求.鄭 偉 勇 等[42]提出了一種采用前饋-反饋控制算法的方案，該方案通過(guò)前饋控制提高系統(tǒng)的實(shí)時(shí)性，在反饋控制中結(jié)合模糊邏輯思路，用以排除 外 界 干 擾，提 升 系 統(tǒng) 建 模 的 效 果.蔡 英 鳳等[43]針對(duì)復(fù)雜工況下車輛橫向控制精度較低、穩(wěn)定性較差的問(wèn)題提出了一種可拓優(yōu)度評(píng)價(jià)的橫向軌跡控制器，該控制器包含兩層結(jié)構(gòu)，其中上層控制器結(jié)構(gòu)包含了一種 PID前饋-反饋控制器，該控制器在兩 次變道工況的仿真測(cè)試中能夠使車輛控制系統(tǒng)在小轉(zhuǎn)彎半徑、道路曲率較大的工況下實(shí)現(xiàn)快速響應(yīng).
3.2 基于模型的控制方法
模型預(yù)測(cè)控制(modelpredictivecontrol，MPC)是一類算法的統(tǒng)稱，該類算法在每個(gè)控制周期，使用車輛的非線性動(dòng)力學(xué)模型預(yù)測(cè)車輛在未來(lái)一段時(shí)間的狀態(tài)，通過(guò)計(jì)算有限時(shí)間跨度的最優(yōu)化控制問(wèn)題，獲得可利用 的 控 制 序 列，最 終 達(dá) 到 最 優(yōu) 控 制 效 果.模型預(yù)測(cè)控制這類算法適用于運(yùn)動(dòng)模型較復(fù)雜的控制系統(tǒng)，如在粗糙土路、冰雪路面等復(fù)雜場(chǎng)景下行駛的車輛的控制系統(tǒng).由于 MPC 方法可考慮車輛運(yùn)動(dòng)學(xué)約束和動(dòng)力學(xué)約束，故對(duì)越野環(huán)境的無(wú)人駕駛的運(yùn)動(dòng)控制問(wèn)題具有突出的優(yōu)勢(shì).
在越野環(huán)境中，基于模型的控制算法需要克服道路場(chǎng)景復(fù)雜多變、外部干擾多、建立車輛模型難度較大等問(wèn)題，但當(dāng)前大多基于模型的控制算法主要考慮車輛的運(yùn)動(dòng)學(xué)約束，極少引入動(dòng)力學(xué)約束，整體方法的處理復(fù)雜度較低，并不完全適用于越野環(huán)境.在此基礎(chǔ)上，SCHILDBACH 等[44]將隨機(jī)約束納入考慮，計(jì)算不滿足隨機(jī)約束的平均時(shí)間概率，同時(shí)結(jié)合了有限時(shí)間跨度中的最優(yōu)控制問(wèn)題的多階段結(jié)構(gòu)，為越野場(chǎng)景下模 型復(fù)雜化提供了基礎(chǔ).劉 凱等[45]考慮復(fù)雜 道 路 下 車 輛 側(cè) 傾 對(duì) 車 輛 跟 蹤 控 制 的影響，建立考慮車輛側(cè)傾角的動(dòng)力學(xué)模型，并添加側(cè)傾安全約束，最終構(gòu)成的控制器通過(guò)仿真測(cè)試表明可以提高車輛跟蹤控制的精度.部分學(xué)者則通過(guò)完善越野場(chǎng)景下的車輛模型實(shí)現(xiàn)車輛的精確控制.胡等[46]通過(guò)在模型預(yù)測(cè)控制跟蹤器里引入反饋校正，系統(tǒng)地表征模型的不精確性，并通過(guò)實(shí)車測(cè)試表明了該方 法 可 以 提 高 路 徑 跟 蹤 精 度，如 圖 2 所 示.
ZHAO 等[47]則通過(guò)估計(jì)滑轉(zhuǎn)滑移率 來(lái) 完 善 越 野 場(chǎng)景下車輛模型，以進(jìn)行準(zhǔn)確的路徑跟蹤.
4 結(jié)束語(yǔ)
無(wú)人駕駛技術(shù)面臨著前所未有的挑戰(zhàn)和機(jī)遇，在近十幾年取得了長(zhǎng)足的發(fā)展.針對(duì)越野場(chǎng)景的無(wú)人駕駛技術(shù)研究也取得了較大的進(jìn)展，為無(wú)人駕駛技術(shù)在軍事、工業(yè)(如礦場(chǎng))、農(nóng)業(yè)(如農(nóng)場(chǎng))的應(yīng)用打下堅(jiān)實(shí)的 基 礎(chǔ).文中就越野場(chǎng)景下的無(wú)人駕駛技術(shù)，從環(huán)境感知與導(dǎo)航定位、路徑規(guī)劃、運(yùn) 動(dòng) 控 制3個(gè)層面做了文獻(xiàn)調(diào)研及總結(jié)，闡述其針對(duì)越野場(chǎng)景的關(guān)鍵技術(shù)及優(yōu)勢(shì)劣勢(shì).未來(lái)無(wú)人駕駛車輛在越野場(chǎng)景下的研究注意包括以下部分：
① 感知系統(tǒng)中深度學(xué)習(xí)的應(yīng)用是今后發(fā)展的主要方向之一，但深度學(xué)習(xí)是一種數(shù)據(jù)驅(qū)動(dòng)類方法，需要大量數(shù)據(jù)訓(xùn)練以進(jìn)行特征學(xué)習(xí)，目前開(kāi)源的大多數(shù)數(shù)據(jù)集[48]都是基于城市等結(jié)構(gòu)化環(huán)境，使得深度學(xué)習(xí)在越野環(huán)境中的應(yīng)用存在一定的難度.因此今后構(gòu)建較為典型的開(kāi)源越野環(huán)境數(shù)據(jù)集尤為重要.
② 越野場(chǎng)景的復(fù)雜地形不再是城市環(huán)境中的平面.這對(duì)路徑規(guī)劃提出更高的要求，故路徑規(guī)劃需對(duì)精確的車輛模型及環(huán)境信息需進(jìn)行綜合考慮，在滿足車輛動(dòng)力學(xué)約束的前提下提高路徑規(guī)劃效率.
③ 越野場(chǎng)景對(duì)車輛的模型精確度要求更高，越野場(chǎng)景下需要將車輛的側(cè)傾和俯仰等自由度納入運(yùn)動(dòng)控制模型中，以保證在不平路面的安全行駛.
④ 環(huán)境感知、路徑規(guī)劃以及運(yùn)動(dòng)控制3方面的協(xié)調(diào)研究，保證各方面能協(xié)調(diào)互補(bǔ)，整個(gè)系統(tǒng)有序運(yùn)行.——論文作者：胡宇輝， 王旭， 胡家銘， 龔建偉， 王克， 李桂鵬， 梅程
參考文獻(xiàn)：
[1]陳慧 巖，張 玉.軍用地面無(wú)人機(jī)動(dòng)平臺(tái)技術(shù)發(fā)展綜述[J].兵工學(xué)報(bào)，2014，35(10)：1696-1706.CHEN Huiyan，ZHANG Yu.Anoverviewofresearchonmilitaryunmannedgroundvehicles[J].ActaArma-mentarii，2014，35(10)：1696-1706.(inChinese)
[2]譚元杰，李宏鵬，王艷花，等.無(wú)人駕駛農(nóng)業(yè)車輛技術(shù)的研究與應(yīng)用[J].農(nóng)業(yè)技術(shù)與裝備，2020(10)：22-23，25.TAN Yuanjie，LIHongpeng，WANG Yanhua，etal.Studyandapplicationofunmannedagriculturalvehiclesys-tem[J].AgriculturalTechnology & Equipment，2020(10)：22-23，25.(inChinese)
[3]SEETHARAMANG，LAKHOTIA A，BLASCH EP.Unmanned vehiclescomeofage：the DARPA grandchallenge[J].Computer，2006，39(12)：26-29.
[4]孫揚(yáng)，陳慧巖.無(wú)人地面車輛測(cè)評(píng)體系研究[J].兵 工 學(xué)報(bào)，2015，36(6)：978-986.SUN Yang，CHEN Huiyan.Researchontestandevalu-ationofunmannedgroundvehicles[J].ActaArmamenta-rii，2015，36(6)：978-986.(inChinese)
[5]CHENTongtong，DAIBin，WANGRuili，etal.Gauss-ian-process-basedreal-timegroundsegmentationforau-tonomouslandvehicles[J].JournalofIntelligentandRo-boticSystems，2014，76(3-4)：563-582.
[6]張名芳，付 銳，郭 應(yīng) 時(shí)，等.基于三維不規(guī)則點(diǎn)云的地面分割算法[J].吉林大學(xué)學(xué)報(bào)(工 學(xué) 版)，2017，47(5)：1387-1394.ZHANG Mingfang，F(xiàn)U Rui，GUO Yingshi，etal.Roadsegmentationmethodbasedonirregularthreedimensionalpointcloud[J].JournalofJilinUniversity(EngineeringandTechnologyEdition)，2017，47(5)：1387-1394.(inChi-nese)
[7]丁澤亮，胡 宇 輝，龔 建 偉，等.基于深度學(xué)習(xí)的自適應(yīng)場(chǎng)景路面 提 取 方 法[J].北京理工大學(xué)學(xué)報(bào)，2019，39(11)：1133-1137.DINGZelian，HUYuhui，GONGJianwei，etal.Adaptiveroadextractionmethodindifferentscenebasedondeeplearning[J].TransactionsofBeijingInstituteofTechnol-ogy，2019，39(11)：1133-1137.(inChinese)
[8]MEIJilin，YU Yufeng，ZHAO Huijing，etal.Scene-a-daptiveoff-roaddetectionusingamonocularcamera[J].IEEE TransactionsonIntelligent Transportation Sys-tems，2018，19(1)：242-253.
[9]趙一兵，郭 烈，李 明 麗，等.無(wú)人地面車輛野外水體障礙物識(shí)別[J].兵工學(xué)報(bào)，2014，35(Suppl.1)：64-69.ZHAOYibing，GUOLie，LIMingli，etal.Waterhaz-ardrecognitionforUGVinoff-roadenvironment[J].ActaArmamentarii，2014，35(Suppl.1)：64-69.(inChinese)
[10]蔡云飛，石庭敏，唐振民.基于雙多線激光雷達(dá)的非結(jié)構(gòu)化環(huán) 境 負(fù) 障 礙 感 知 技 術(shù) [J].自 動(dòng) 化 學(xué) 報(bào)，2018，44(3)：569-576.CAIYunfei，SHITingmin，TANGZhenmin.Negativeobstacleperceptioninunstructuredenvironmentwithdoublemulti-beamlidar[J].Acta AutomaticaSinica，2018，44(3)：569-576.(inChinese)
