市区智能驾驶关键技术研究

开篇：润墨网以专业的文秘视角，为您筛选了一篇市区智能驾驶关键技术研究范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！

麻省理工综述《汽车的颠覆性创造》2012年第4期曾刊登过这样一句话：“移动机器人才是21世纪的交通工具，‘汽车’过时了。”

汽车引入人类生活，以孤立的模式运行，已有百余年历史。汽车电子和汽车数字化已经相当成熟，车辆动力学性质已经相当完善。汽车质量好坏主要体现在被动安全上，体现在高速情况下呈现出的非线性特征。辅助驾驶和主动安全成为汽车业的核心竞争力。

现代交通让人类成为流动的社会，庞大的汽车业成为仅次于房地产的第二制造业，我国连续3年成为世界第一汽车大国，城际间高速公路总里程已达849万公里，市区道路迅速扩张，智能交通呼之欲出，中国汽车进入重要转型期。

然而在大交通时代，交通事故已成为“全球第一祸”，据统计，2011年中国有6万人死于交通事故，平均每天约164人。驾驶员注意力分散、判断错误、疲劳驾驶、酒后驾驶和操纵不熟练等，造成对方向盘、制动、油门的控制不当，是引发交通事故的重要原因。

由此可见，实现智能交通，发展智能驾驶技术是大势所趋。首先，信息技术挑战人工孤立驾驶汽车的状态，渴望把人从低级、繁琐、持久的驾驶活动中解脱出来，告别疲劳驾驶，实现零追尾、零碰撞、零死亡；其次，人工驾驶和智能驾驶长期并存，自然交互，可实现安全、便捷的交通；再次，轮式机器人将改变整个汽车工业和整个交通状况，提升人类移动生活的品质。另外，在屡屡谈到云计算、物联网和智慧城市的今天，可以说，没有智能驾驶，难谈车联网：没有车联网，难谈智能交通；没有智能交通，难谈智慧城市。

1 浅析智能驾驶

1.1智能驾驶发展路线

智能驾驶策略可分三步走。

第一步是结构化道路智能驾驶，如城际道路。

第二步是半结构化道路智能驾驶，如市区街道道路。

第三步是非结构化道路智能驾驶，如特殊道路和气候环境下的智能驾驶。

1.2智能驾驶的基础科学

人类的视听觉认知可以计算吗？脑科学认为，人类的视听觉认知是不可以计算的。计算机科学则认为，特定情境下，人类的视听觉认知导致特定的行为，是可以被形式化表达并进行计算的。半个世纪以来，人们不断地举行人机国际象棋大赛，人类象棋冠军时输时赢，而通过总结分析，人们认为，模拟对手的机器人对棋局态势的认知和决策，是可以被形式化表达并进行计算的。

在特定的城际道路上，驾驶员对周边环境的视听觉认知，导致恰当的驾驶动作。那么，作为完成驾驶动作的三件事，掌握方向盘、控制油门和刹车以及变换档位，是否可以被形式化表达并进行计算呢？我认为也是可以实现的。视听觉认知计算也有三个难点，第一，感知难点――机器视觉如何表征驾驶员的自然视觉？第二，认知难点――如何形式化不同人的驾驶行为？第三，执行难点――如何确保自动和人工两种模式的自然切换？

从科学的角度讲，归根到底是驾驶员注意力的选择和分配问题。驾驶员必须在车辆导航、危险检测、速度控制和车道保持之间分配注意力。我们希望信息化可以使驾驶员的移动生活变得更加愉快、更加丰富多彩。但是现在的情况是更可能分散注意力，所以我们需要智能驾驶。

机器人如何模拟自然视听觉中的主要特征呢？主要有6个特征，即先验知识优先、动目标优先、全局（大尺度）优先、差异优先、前景优先、驾驶过程中的注意切换。这些问题对于信息科学家或者认知科学家来说，怎样把它们形式化是很重要的。

一般来说，解决智能驾驶问题无非是三种方法：一是状态空间说，从感知空间转到决策空间，再转到行为空间，最后向状态空间转移；二是先把驾驶行为变成规则，把每条规则激活，当多条规则激活的时候，形成一个推理机制，这是专家系统说；三是机器学习说，主要做模式识别、全局规划、局部规划，最优规划。而智能驾驶的基本目标可以归纳为安全性（safetv）、智能性（smanness）、平稳性（smoothness）、便捷性（speed）这“4S”。

1.3智能驾驶技术分解

在智能驾驶的关键技术中，假设选用的车辆满足动力学要求，车载传感器获得的相关视听觉信号和信息，通过认知计算，控制相应随动系统，最后落实到：

一、组合导航：在哪里，到哪里，设定通过的路口，道路中的哪条车道为基本车道；

二、自主驾驶：车道保持+超车并道+红灯停绿灯行+灯语笛语交互等；

三、人工干预：目的地表达：人机交互，意外处置。

在这三大块中，人工干预优先于自主驾驶，自主驾驶优先于组合导航。如果自主驾驶足够精细和准确，知晓车道的周边环境，知晓车在车道上离前方路口多远，路口的物理和几何性质等，智能驾驶可以近似等于自主驾驶。如果位置服务足够精准，路径规划可以足够准确，知晓车道的物理性质，知晓车在车道上离前方路口多远，路口的物理和几何性质等，那么，智能驾驶可以近似于网络导航。

在智能驾驶中，可以利用智能手机、平板等手持设备，语音和触摸等方式自然交互，如果交互界面足够方便，开车就如同开电梯，甚至可以实现触摸驾驶、语音驾驶、视觉驾驶等更加便捷先进的驾驶方式。

2 市区智能驾驶基础

市区的智能驾驶是在城际智能驾驶的基础上实现的。首先要做机电一体化的改装，包括转向控制、制动控制、油门控制、档位控制等（见表1）。改装的原则是要能够确保自动和人工两种工作状态自然转换。

城际高速道路是全封闭的结构化道路，没有红绿灯，没有行人道，交通和道路标识比较清晰、完整、规范，主要依靠自主驾驶。我们在京津高速公路上已经开展了智能驾驶试验，京津高速全长101.8Km，双向6-8车道，设计车速120Km/h。途大桥8座，大桥13座，无隧道。如果车辆全程定位精度在亚米级，可导航到特定车道，对静目标环境能够正确感知和应对，自主驾驶则可以实现混杂在正常交通流中从北京到天津的目标。目前已进行试验18次，累计智能驾驶1万多公里。

在较为典型的第14次试验中，刚下过中雨，仍有零星小雨，转多云，地面有少量积水，环境温度32度，能见度大于200米，路面情况车流量相对较小。经过试验，最终结论是3号智能车在天津至台湖段高速道路上，仅使用单个摄像头、前后向各一个雷达、以及速度传感器，无人驾驶，检测到周边移动障碍物17497次，自动控制转向18020次，自主超车7次，被超车140次。往返总里程172公里，行驶时间6505秒，平均车速90.2km/h，最高车速110km/h，其间因工人修补路面人工干预行驶200米。试验达到预期目的，但是可以看出，车辆在高速行驶过程中对于突发事件的处置，是城际道路智能驾驶的最难点。

3 市区智能驾驶策略与试验

市区道路可认为是半结构化道路，红绿灯、人行道、立交桥、路口等复杂多样，交通和道路标识有新有旧，机动车和非机动车混杂，人车混杂，遮挡多，干扰大，车辆拥挤，闹区和城乡结合部差别明显。

策略一：确保认知工程中的抽象和分离

明确机械组、电子电气组、导航组、视觉组、雷达组、决策组、控制组、试验组等各自的任务和自测方法、接口和相互关系、联合试验和相互检验方法。

可以仅用一个传感器，通过多线程方法分别对车道线/路肩、周边障碍物、信号灯及交通标志等，进行检测认知的全部活动；也可以部署更多个专用传感器，各自完成单一工作；既要考虑增加传感器数量对资源的开销，又要考虑对环境的感知得通过冗余、印证，提高可靠性。智能驾驶和周边环境、气候等息息相关，传感器种类和配置是一个优化问题，没有唯一解，也可以说没有尽头。

抽象就是要把传感器等硬件的物理参数虚拟化为标准参数，从常规的修改代码简化为修改配置文件，使得传感器选型和调试过程相对隔离。分层是要把本车状态、环境感知与检测、信息处理、决策、控制相对隔离，互相服务，并确保实时数据的动态采集。

策略二：路权和变粒度路权雷达图融合

我们提出了路权，是车辆行进中任一时刻对前方所需空间的占有权。一辆在行车的路权是一个流动的扇形区，可用距离和角度未表示：

rROw=f1（1，ν，ξ，r，t）|t=t1

θROw=f2（1，V，ξ，r，t）|t=t1

它和本车的尺寸、速度、周边的车流量、前方拥有的空间密切相关，是本车速度的非线性函数。因为如果在特定地段的所有车辆都匀速行驶，每辆车只占用最小路权，如公路火车。还有，飙车占用了较大的路权。另外，高峰时段停在车道上的故障车，也占用了较大的路权。

由此可知，智能驾驶是智能车在任意时刻对其前方可拥有的道路使用权的占有过程，包括检测、请求、响应等。多车交互是车群在任意时刻对道路使用权的竞争、放弃、占有等协同过程。交通事故的根本原因就是路权冲突。

交通拥堵归根到底是路权供给与路权需求的矛盾。希望将来不但要买汽油，还要买路权，这样可以精确地计算被使用的道路资源。不同时期，不同路段的路权可以不同，实现城市交通资源的精确管理。在做控制的当中，我们还有另外一个发明，叫做路权雷达图融合（见图1），用雷达图来表示智能车所占用的变化情况。

路权雷达图始终寄生在运行中的车辆上，与车速相关，并随时间动态变化，可以反映车辆所拥有路权及其变化趋势，是智能决策和路径规划的基础。由此构成的变粒度栅格，可用数组结构与之对应，还可以固化成组件。

策略三：协同导航

定位跟导航虽然相关，但却有很多的不同。市区道路驾驶，依靠网络导航和自主驾驶，辅以人工干预，网络导航又需要云计算来支撑。

云计算环境下的网络导航是基于卫星定位技术，并集成通信、地理信息、惯性导航等手段而发展起来的一种组合导航服务。

任何一个复杂路口的地理和文化，都是历史演变的结果，具有鲜明的个性，甚至和城市广场交织。路口通行区有的无标志，有的标志杂乱，人车混杂，车辆拥挤，地标遮挡，红绿灯管控多样而路口过渡区更是各个不一。在这样的前提下，组合导航就出现了三个难点，第一，GPS在智能驾驶中究竟能做到什么？第二，云计算中的位置服务究竟能够做到什么？第三，组合导航的主控权交给谁？

我们的策略是，把路口识别、路口过渡区行驶和路口通行这三件事情区分开来应对，实现导航主控权的接替。

道内导航：通过左右摄像头组合激光雷达算法确定的虚拟中心线实现导航，保持横向误差在20厘米内。

路口名导航：在车道内跟驰的行驶过程中，使用GPS预告将要到达的路口名，GPS作为前方路口的识别器使用。

路口过渡区导航：由路通牌或地上交通标志导航，正确换道后，或跟驰行驶，或作为头车，自行停在路口停止线前，等待绿灯放行。

路口导航：精细地图导航，按照预定路径规划自主行驶，或拐弯、或前行、或掉头。

主控程序实现导航之间的交接，不存在累计误差；车载传感器可印证导航路线，微观意义上的组合导航，实际上是导航印证。

策略四：大数据支持下的路口通行策略

大数据成为连接物理世界和虚拟精细地图的桥。为什么说这时候大数据和云计算起作用呢？因为对每一辆车而言，在一辆车的生命周期当中，80%的时间只行驶在20%的道路上，把这个称为车辆行驶的二八定律。因此常用路口很有限，路口精细地图可以从云计算中获得，这正是位置服务的魅力所在，是地理信息系统的碎片化。

策略五：驾驶行为模拟策略

驾驶是快乐的享受，自动驾驶和人工驾驶两种状态会长期共存。人工驾驶的过程正是机器人学习的过程，轮式机器人能不能模拟车主的驾驶行为，具有自学习功能。机器人可以采集人在车道跟驰、换道、拐弯、泊车等驾驶行为的数据，通过逆向云模型求得特定驾驶人不同驾驶模式的期望、熵和超熵。飙车手、菜鸟和正常驾驶员的行为可以用云模型中的期望、熵和超熵去表征，反映了驾驶行为中不确定性中的基本确定性。

本车道内车间距较小，且没有变大趋势，路权受限，超出容忍；邻车道的车间距较大，且没有变小趋势，路权允许；则从换道窗口中确定换道路径，执行换道。这就是自主换道行为的决策过程，基本自主驾驶模式如表2所示。

4 关于驾驶行为不确定性的表达与计算

我们希望驾驶行为不确定性的表达与计算能够更加形式化。通过自主驾驶、协同导航和人工干预，实现全程智能驾驶，轮式机器人可不时地与人进行自然的语音或触摸交互，也可不交互全自动完成整个行程。出发前，利用车载电子导航地图将车辆所在的物理车道对准电子地图规划轨迹的起点，保证在规定车道虚拟中心线的起点出发，智能车一段一段地行驶过去，自主行驶的速度由周边流量决定，不求快，路口过渡区和路口的速度慢，更有利于精细导航的实现。

我们现在正在攻克6个核心算法，即车道虚拟中心线导航算法、跟驰行驶算法、路口过渡区交通标志识别算法、换道算法、路口停止线识别算法、路口通行算法，期望能在一个比较小的区域实现一个市区的智能驾驶实验。

人类已经进入用信息和信息技术精确调控物质和能量的时代，位置服务成为云计算的示范应用，轮式机器人也将成为汽车的颠覆性创造。机器人可望成为下一个战略型新兴产业，物联网的更高境界必然是机器人联网。