自动驾驶的控制过程还需要解决哪些规控问题
文章来源：焉知智能汽车
发布时间：2022-01-12
深入理解驾驶人驾驶行为和机器智能控制系统之间的交互机制和冲突机理，进而建立人机协同共驾系统，也是智能汽车技术发展过程中亟待解决的关键问题。
虽然无人驾驶被广泛为时汽车智能的终极目标，然而，受限于汽车技术各个阶段的发展规律、法律与法规、事故责任划分等约束，驾驶人作为驾驶过程的参与者，甚至驾驶主体在很长一段时间内仍将是事实。深入理解驾驶人驾驶行为和机器智能控制系统之间的交互机制和冲突机理，进而建立人机协同共驾系统，也是智能汽车技术发展过程中亟待解决的关键问题。
其中的人机共驾系统是指驾驶人和机器均具有车辆控制权的智能汽车系统。人类智能和机器之间存在很强的互补性，与机器系统的精细化感知、规范化决策、精准化控制相比，人的驾驶行为具有模型、退化、延迟、个性化等特点，且易受心理和生理状态等因素的影响。而机器对比人而言，学习能力和自适应能力相对较弱，环境理解的综合处理能力不够完善，对于未知复杂工况的决策能力较差。因此，人机共驾系统主要功能就是要整合驾驶人和机器的优势，屏蔽两者的劣势，实现人机智能的混合增强，最终达到“1+1>2”的效果，从而提高汽车的安全性、舒适性等性能。
根据控制权分配方式的不同，人机共驾系统可以分为切换型和共享型人机共驾两种模式，在切换型人机共驾系统中，驾驶权被分时赋予驾驶人或机器，在共享型人机共驾系统中，驾驶权按照一定的权重被同时分配给驾驶人和机器。
在切换型人机共驾系统中，驾驶权可以在驾驶人和机器之间进行灵活自由的转移。系统中存在一种判断机制，根据驾驶人和机器的工作状态、操纵模式等对两者的控制输入进行评价，选择其中更优的一方接入车辆控制。对于切换型人机共驾系统，控制权切换过程是重点。以驾驶人接管机器为例，切换过程如下图表示。
该模式的优点包括：
驾驶人和机器之间不存在交互和耦合，车辆控制过程明确清晰；驾驶方式改变较小，驾驶人适应性好。而它的缺点主要是在驾驶权切换过程中，难以保证驾驶人具有良好的工作状态。在机器驾驶过程中，驾驶人注意力可能已经分散，当控制1权被切换到驾驶人是你，需要驾驶人几种注意力，重新形成对周围驾驶环境的感知。这一过程存在较大的不确定性，制约了控制权的自由切换。因此，该模式的主要设计难点在于如何评价驾驶人和机器哪一方面的表现更优，并在此基础上根据驾驶人状态等因素合理选择驾驶权切换时机，实现控制权平滑、无忧切换。
在共享型人机共驾系统中，驾驶人和机器同时占有车辆的控制权，两者通过操纵机构进行交互和耦合，任何一方均可实现实时地控制车辆。双方共同驾驶过程类似于一场博弈，各方会根据自身的目标和对方的行为形成最优的控制输入，以期望在控制权共享的情况下最大化的实现自身目标。
进一步分析，按照驾驶人和机器控制结合方式的不同，该模式可以分别为串联式共享型人机共驾和并联式共享型人机共驾。串联式共享型人机共驾系统示意图，机器不直接对操纵输入端（踏板、转向）进行控制。仅对按照一定的比例进行叠加或修正，达到驾驶人和机器时间控制车辆的效果。
并联式共享型人机共驾系统示意图如下，驾驶员和加的控制同时直接施加到操纵输入端，系统通过调节控制权系数K实现人机耦合优化。实际控制输入可用以下公式表示：
K为控制权分配系数，Uh为驾驶人输入，Um为机器输入，U为系统实际输入。
如上并联式共享人机共驾系统优点包括：驾驶人始终参与驾驶过程，可以保证驾驶人状态的一致性；操纵过程中存在人机交互、便于驾驶人掌握机器状态，该模式的缺点主要在于驾驶人和机器易于形成冲突，由于双方可以同时对车辆进行控制，当两者在对相同的环境判断产生不同的驾驶意图时，不同的控制目标将作用于同一个车上，由此将产生较大的冲突。因此，在该模式下需要重点关注的问题为如何预防人机冲突的出现，并在冲突发生后及时消解。
人机共驾系统主要包括自动驾驶系统、驾驶人检测模块和人机交互模块。机器通过分析如上驾驶人相关数据，融合周围环境和车辆状态，确定合适的驾驶权切换或驾驶权分配权重。此外，人机交互系统模块形成了驾驶人和机器的沟通桥梁，使双方能够进行有效的表达，提高人机共驾系统的交互性。
当前自动驾驶系统对于其是安全运行的需求越来越高，这就促使其在功能安全的性能指标上需要提升较大的档次。比如原来的ACC系统来说，作为一种辅助性驾驶系统，并不要求他具备较高的功能安全，一般情况仅仅达成ASIL A甚至QM就可以了。但是对于下一代产品中的自动驾驶，由于其在驾驶过程中，通常是替代驾驶员执行了大部分驾驶工作，并且在很多驾驶任务中并不能期望驾驶员会为其在一般情况下的失效负责。因此，自动驾驶系统的功能安全明显比原来的驾驶辅助系统提升了更高的等级。这种等级甚至可以达到ASIL C甚至ASIL D。导致其对执行器的要求越来越高，主要体现在越来越多的控制器会要求在发送响应信号给执行器的同时，执行器会在最快的时间内响应到其发送信号的终极状态，并且不会出现超调或来回震荡等，这就是我们所提到响应精度。
当前传统的底盘控制系统（包含线控制动和线控转向）在应对整个智能驾驶控制中存在相当大的不足，这里我们列举如下两个典型的例子进行说明。
自动换道在避险回退过程中，常常出现回退过度甚至偏出本车道导致不安全，继而系统又通过较大的回调力矩将车辆拉回车道中央。在自动驾驶对中或驾驶员控制换道过程中，驾驶员缓慢施加力矩进行方向盘控制时，容易出现系统抢夺方向盘。
在自适应巡航系统ACC中，在进行速度差较大的情况下实现后车跟随前车行驶过程中，当不间断的在加速跟车和减速跟车过程中，发送的加减速度也会导致制动系统在执行过程中，出现不断地在加减速之间进行回调。这个过程会导致制动系统可能出现响应精度不到位或响应超调的状态。
这些切实存在的问题，严重影响自动驾驶控制精度，延长落地的时间。对于自动驾驶而言，需要结合实际存在的问题给出相应的解决方案，不断协调执行底盘和上层控制器之间的交互问题。
为了更好的实现执行控制，最直观的体现便是对传统底盘系统进行更新升级换代，增加用于控制车辆方向的线控底盘技术，而这种改进的线控底盘技术，这无疑会大大促进整个执行控制的响应能力。
对于自动驾驶来说，线控底盘技术由于操纵机构和执行机构没有机械联结，也没有机械能量的传递。并且，操纵指令由传感元件感知，以电信号1形式由网络传递给电子控制器及执行机构。因此，其执行过程和结果完全受电子控制器的监测和控制。并可以在如下几点上为自动驾驶助力：
1）提供大量的、精确的底盘系统信号。由于底盘传感器种类繁多，控制器在处理这些传感器信号时往往需要采用不同的信号模式和处理方法，且需要更高的实时性要求、更好的校验和解算理论加以支撑。
2）直接给前馈预瞄控制提供精确且逼真的车辆动力学模型。由于底盘车辆及轮胎动力学呈现出复杂的非线性特性，而线控底盘技术可以有效促进研究车辆动力学模型的精确结算机制，有效的促进动力学应用发展。
3）为智能汽车在复杂场景下从驾驶员视角中提供精确的感知状态。线控底盘技术可以从复杂交通场景中给出车辆运行动力学稳定边界精确量化机制，提升动力学状态的精确感知与预瞄技术。在高复杂度、动态交通环境的交互中，为智能驾驶顶层提供相应的助力。
线控转向系统可以将驾驶员输入和前轮转角进行解耦，并特指没有机械连接的转向系统，这是从系统的结构上进行的一个区分。在线控转向中，转向的动力来源于电机，其主要包括了两方面：用来给驾驶员提供转向时的路感及其相应的动力。
线控转向可以提高整车设计自由度，提高整车舒适度，完全过滤路面颠簸，其转动效率高、响应时间短。同时，其拥有的可变角/力传动比特性，还可以提高车辆碰撞安全性和整车主动安全性，整合底盘系统集成，实现系统综合利用。可以说线控转向是自动驾驶汽车实现路径跟踪与避障避险必要的关键技术。
当前，线控转向系统的研究主要集中在路感反馈控制策略研究、转向执行控制策略研究以及故障诊断与容错控制策略研究 3 个方面。其中路感反馈控制策略研究是最主要的一个研究方向。
路感反馈控制策略研究是一个比较抽象的定义，其定义之一是指驾驶员通过方向盘得到的车辆行驶中的转向阻力矩，该阻力矩主要包含回正力矩和摩擦力矩2部分。
其中，回正力矩往往无法实时准确的获得，作为使车轮恢复到直线行驶位置的主要力矩之一，其数值通常是由经验、统计或实验的方法获得。该值受车辆前轮的受力状态控制，进而又和车辆实时的运动状态及路面附着直接相关。因此，路感的计算公式可以表示如下：
回正力矩与车辆前轮的受力状态存在直接关系，而前轮受力又和车辆实时的运动状态及路面附着直接相关。因此，通常把总的回正力矩除以自方向盘到前轮总的力传动比近似得到的方向盘手力矩看成是路感。
一般对于路感模拟来说，转向盘反力矩是首要考虑的一个条件，其中转向反力矩的计算方式如下：
转向盘反力矩=转向负载观测力矩-虚拟助力矩+转向死点模拟力矩+遇障力矩。
路感
通常采用基于经验设计和基于模型设计这2种方法获得。
路感设计为方向盘转角、车速、横摆角速度等参数的非线性函数关系式，在不同条件下为驾驶员提供不同的路感，简单高效，但是自适应性和精度较差。
因此，在实际计算路感模拟参数过程
中，通常采用基于动力学模型的方法根据车辆的动态响应、驾驶员方向盘输入等路感相关的轮胎力、摩擦力矩等，最终可以计算出路感。
线控制动是线控底盘技术中难度最关键也是难度最高的技术，其关系着底盘安全性和稳定性控制要素。制动性能涉及响应速度、平顺性等。
线控制动系统通过将电子信号通过ECU决策后再向4个车轮制动模块发出制动指令，每个车轮制动模块上单独驱动其电机驱动制动摩擦部分实现合理的动力分配和、制动稳定性控控制和有效制动。整个电信号传输于踏板信号与执行器之间，再配合ABS、TCS、ESC等模块实现车辆底盘集成控制。
当前，线控制动系统的研究主要集中在 3 个方面：踏板模拟、主动制动和制动能量回收。
线控制动系统是通过模拟器或算法模拟的方式提供给驾驶员相应的踏板力的，这就不再需要踏板和主缸之间的机械连接。线控制动系统的好坏主要取决于踏板力的模拟精确程度。一般的情况是通过提前对大量的时延数据进行分析，可以得出踏板力与踏板行程及车辆状态之间的关系，并模拟过程是通过弹簧或动作器踏板力进行的。
主动制动系统主要涉及高级智能驾驶辅助系统ADAS以及自动紧急制动系统AEB的制动功能需求。其要求均是线控制动系统需要准确、快速地响应这个请求。主动制动的响应过程基本都要通过一定的动力学控制算法（包含PID算法、最优控制、鲁棒控制、滑膜控制、模糊控制、神经网络控制、模型预测控制等）进行优化。这些类别中可被大致归类为基于经验的设计方法和基于动力学的计算方法。
制动能量回收是指在减速或制动过程中，驱动电机工作于发电状态，将车辆的部分动能转化为电能储存于电池中。同时，施加电机回馈转矩于驱动轴，对车辆进行制动。在线控制动系统中涉及协调分配电制动力矩和制动力矩，在整个制动能量回收的控制策略研究中基本围绕这一点展开。
本文从控制执行的角度讲解了关于智能汽车在应用过程中规控的基础理论，其中包含人机共驾技术，线控底盘技术等。这些技术在当前这代智能驾驶辅助产品中应用得还并不成熟。但是，鉴于当前这代产品存在的一系列问题而言，我们下一代自动驾驶系统必须要解决掉这些问题。因此，需要从根源上来分析和屏蔽掉这些问题。本文正是从此动机出发进行了相应的分析和解读，对于下一代自动驾驶系统的设计提供了有力的参考。
获取更多评论