2. 日立(中国)研究开发有限公司, 北京 100190
2. Hitachi(China) Research & Development Corporation, Beijing 100190, China
以智能化、网联化为重要特征的全球科技革新正在为汽车产业带来重大变革。近年来，汽车智能化技术快速发展，一方面智能驾驶技术的理论研究和实践应用同步推进，另一方面智能化-网联化融合的发展方向已得到更多认可。包括美国《智能交通系统战略规划2020—2025》[1]、欧盟《网联自动驾驶路线图》[2]、我国《智能汽车创新发展战略》[3]、《智能网联汽车技术路线图》[4]等在内的国内外重要文件，对基于网联协同赋能智能驾驶提供了前瞻指导。
智能网联汽车(intelligent and connected vehicle，ICV)能基于传感器、控制器、执行器等装置，融合通信与网络技术，具备环境感知、智能决策、协同控制等功能，实现安全、高效、舒适、节能的智能驾驶[4]。ICV技术包含智能化与网联化2方面，智能化汽车能够不依靠网联信息实现自主式智能驾驶，等级自低至高包含驾驶辅助至完全自动驾驶5级，网联化汽车则能基于通信设备实现信息交换，自低至高包含网联辅助信息交互、网联协同感知、网联协同决策与控制3级[4]。随着智能驾驶等级由低至高、应用场景由简单变复杂、控制对象由单车变为多车，新的挑战不断出现，而相关技术也不断更新迭代。
从ICV系统的顶层设计到产业化应用过程，架构、功能与应用是关键的3方面技术，三者关系见图 1。面向未来ICV在功能上的进一步增强，与应用场景上的进一步丰富，在系统架构方面，研究者需要基于智能车辆平台与网联交通系统的协同创新，实现驾驶功能与硬件设施的协调融合；面向人-车-路多因素耦合的真实交通环境，ICV需要进一步提升其功能技术(感知、决策与控制)的智能化水平以应对交通环境中的种种挑战；在技术应用方面，以高级驾驶辅助系统(advanced driver assistance systems，ADAS)为代表的低等级ICV技术已取得良好产业化成果，而如何将更高等级技术投入应用，仍存在一系列的问题与挑战。
|
| 图 1 智能网联汽车架构、功能与应用结构关系图 |
基于近年来智能网联汽车领域的研究进展，本文从架构、功能与应用3个方面，梳理分析ICV的系统顶层架构设计，感知、决策与控制等关键功能技术，及服务于实际场景的落地应用。本文在单车自主式智能技术的基础上，进一步讨论了如何基于网联协同式技术提升系统整体性能，并基于上述分析框架，总结了国内外围绕ICV技术取得的重要研究进展，对未来重点研究方向进行了展望。
1 架构技术ICV依托于车载及路侧安装的感知、计算、控制等新型设备，因而亟需研究者在车辆架构设计与交通系统架构设计中进行创新。架构技术是ICV系统硬件及功能构成的顶层设计，一方面保障各模块安全、高效运行，另一方面也需考虑技术的长期发展，便于新模块接入。ICV的架构研究一般包含新概念车辆平台与车-路-云融合系统2个层级。
1.1 新概念车辆平台区别于传统汽车，新概念车辆平台融合智能驾驶与清洁能源系统，基于对车辆与环境信息的采集、识别与融合，通过对多系统多目标的协同控制，提高车辆的综合性能[5]。新概念车辆平台是实现与发展ICV技术的硬件基础。
在ICV技术发展初期，车辆使用传感器数量较少、实现功能较简单，多采用“模块分离设计、功能叠加产生”的方式[6]，即在原系统基础上直接叠加新的智能功能。同时现有关于先进驾驶辅助系统的研究，如自动紧急制动、车道保持控制等，多针对独立系统进行单一功能开发。而随着智能化水平不断提升、系统日益复杂，以上开发模式会出现结构配置冗余、多系统间协调性差等多方面问题。
针对上述问题，汽车集成设计相关传统研究主要关注车辆电子电气系统设计领域，如能量优化型电动汽车机电一体化设计、电动车辆制动系统液/电协同设计等。目前，“域(domain)”的设计理念已成为汽车电子电气架构设计趋势，即将分散的控制器按照功能域划分、集成为运算能力更强的域控制器。有关功能域的具体划分，不同企业具有不同设计理念，如宝马7系采用的横向/纵向动力学、辅助与安全、信息通信娱乐等[7]。博世公司提出了未来汽车电子电气架构3阶段发展趋势[8]：现阶段随着高成本计算芯片普及，现有部分域控制器会进一步融合为跨域控制器；到“车辆融合”阶段，所有域控制器可融合为中央计算单元，形成车载电脑+区域ECU架构；未来高速移动网络通信的发展将使“车-云计算”成为可能，车内网、车外网边界不再明确，部分功能将被转移到云端。
有关智能汽车集成设计的研究既包括电子电气架构，也考虑了多源信息融合、多目标控制协同等智能化功能与算法方面。如图 2所示，清华大学李克强团队提出“智能环境友好型车辆”(intelligent environment-friendly vehicle，i-EFV)概念[5]，即基于汽车电动化与智能化两方面需求，综合考虑自车结构与功能、交通系统协同优化等，提出了结构共用、信息融合与控制协同3种理论方法。其中，结构共用通过冗余结构的简化与整体系统方案的优化，以最少的结构和最低的成本实现最多的系统功能和最高的效率；信息融合将多源环境信息在时间与空间上进行互补与冗余组合优化，产生对环境的一致性描述；控制协同旨在综合安全、节能、环保和舒适等多目标，协同整车驱动、制动与转向等多系统，优化车辆的行驶性能。
|
| 图 2 新概念车辆平台发展思路 |
1.2 车-路-云融合系统
随着移动通信技术的发展，未来智能汽车将与智能交通系统融合，并可能将部分感知、计算等功能由自车转移至路侧设施，乃至管理更大区域的云端。面向未来ICV技术发展，需要探索实现车辆、道路、云端的深度融合与系统重构。
有关网联系统的传统研究，主要关注车-路协同与车联网信息服务2个领域。在车路协同领域，有研究实现了基于路侧设施辅助或基于车车通信的高速公路编队自动驾驶与多种辅助驾驶[9]，然而这些技术没有考虑云端平台，受到分散架构下路侧设备性能与协作能力的局限，难以整体优化全域ICV运行。在车联网云服务领域，早期研究主要关注提供管理与信息服务，包含基于公共平台[10]与基于自组织网络[11]2种主要方式，但不涉及车辆行驶优化。近年来研究者开始关注车-路-云融合[12]，相关研究包含面向信息服务的系统架构、计算分层架构、云与边缘控制器的切换方法等。然而相关研究较少涉及面向复杂交通场景的感知、决策、控制融合及车路云一体化，难以进一步发展能够支撑更多功能与应用场景的ICV架构。
针对上述问题，清华大学李克强团队首先提出了ICV云控系统的概念[13]，融合人、车、路、云多元素，基于融合感知、决策与控制的方法提升道路交通系统的安全性、效率等综合性能。云控系统由云控平台、路侧基础设施、网联式智能汽车、通信网与资源平台组成，架构如图 3所示。其中，云控平台基于协同应用对实时性与服务粒度的不同要求，划分为边缘云(服务街、区)、区域云(服务省市)、中心云(服务全国)3级。相对于传统车联网系统架构，云控系统具有5个特征：1) 车路云泛在互联，通过标准化通信机制连接全域内各节点；2) 交通全要素数字映射，构建物理世界在信息空间的实时数字映射，实现融合感知；3) 全局性能优化，基于协同决策提升交通系统的运行性能；4) 高效计算调度，保障全域协同应用的运行实时性与高并发性；5) 系统运行高可靠，基于可靠性动态需求分析与多重备份等方式，保障系统运行的可靠性。
云控系统概念能有效指导未来智能交通系统的设计，且适合于在技术发展过程中不断支持新系统与新功能的引入。基于云控系统架构，李克强团队开发了基于边缘云的车路融合感知与协同决策控制等一系列功能技术，并在真实场景测试中取得了良好的应用效果[14]。
2 功能技术基于ICV系统的顶层架构设计，功能技术进一步学习和模拟人的驾驶行为，以辅助人的驾驶、乃至最终替代人的驾驶。ICV关键功能技术主要包括感知、决策、控制3方面：感知技术，获取车辆行驶状态与周边环境信息，理解行车环境态势；决策技术，基于安全、高效等目标，规划驾驶行为与行驶轨迹；控制技术，基于车辆动力学模型，控制车辆执行器实现规划结果的稳态跟踪。网联化技术能进一步为智能汽车赋能，通过车-路-云融合解决自主式技术的难题，并协同提升交通系统性能。
由人、车、路3方面要素构成的闭环交通系统，构成了智能网联汽车各项功能的应用场景。研究各要素交互机理和演化规律，对量化行车态势、优化驾驶决策与协同目标控制都具有重要意义。
2.1 人-车-路闭环交通系统驾驶员(人)、车辆(车)、交通环境(路)三要素及其相互作用，构成了以自车为中心的微观交通系统基本单元。在国内外部分研究中，也有使用人-车-环境(driver-vehicle-environment，DVE)描述该系统。对人-车-路系统的认识是智能驾驶技术的重要理论基础，包括交通各要素建模、要素间影响机理与系统动态演化分析。
人-车-路系统的理论研究最早应用于系统仿真领域，如“自适应集成驾驶人-车辆接口”项目(adaptive integrated driver-vehicle interface，AIDE)[15]，即提出了一个完善的人-车-路系统模型，以帮助设计人机交互。而随着ICV的发展，研究者开始关注如何指导智能驾驶算法设计。如图 4所示，一方面，全面认识交通系统各要素及其耦合机理，能够支撑对行车安全态势的准确判断；另一方面，通过学习人的驾驶行为机制，能使系统更好地理解人、服务人，以至替代人[16]。
|
| 图 4 人-车-路耦合交通系统研究与ICV功能技术应用关系 |
在人、车、路三要素中，围绕车-路特征及其耦合关系，研究者已在车辆动力学领域开展了一系列研究，包括车辆动力学模型、车辆控制方法与道路附着、不平度对车辆动力学响应的影响等。相关研究主要以经典力学和控制理论为基础，具有较为统一的建模方法。而驾驶人行为机制的时变不确定、难以量化分析的特点使得人-车-路系统耦合建模通常主要考虑驾驶人行为[17]，主要包括：1) 认知模型，通过对驾驶人认知功能的详细建模，模拟其驾驶过程，如Salvucci等[18]应用的ACT-R认知架构等；2) 心理动机模型，前述AIDE项目是其典型代表，通过动机模型挖掘了驾驶环境对人的意义；3) 基于其他理论的驾驶人行为拟合，如Guo等[19]提出经典的预瞄-跟随驾驶人模型。王建强等[20]使用虚拟力建模驾驶人感知到的环境风险，并基于物理学最小作用量原理拟合驾驶人行为。研究者通过对多位驾驶人实际驾驶过程采集分析，及基于虚拟力的环境风险耦合建模(见图 5)，发现人的驾驶过程可用最小作用量表达。
道路使用者是道路环境的重要构成，而多道路使用者之间的行为交互，对交通环境的动态演变具有重要影响，也是影响智能车-人驾驶车辆异质性混合交通系统安全性的重要因素。面向此类交互现象，Markkula等[21]对现有建模方法进行了总结，包括基于博弈、基于语义信息传递与基于社会学理论等方法。然而现有模型侧重对交互现象的解释，面向交通的演变预测，模型精度仍不足。
目前关于人-车-路系统的研究较为初步，而智能驾驶功能技术开发中面对的多种挑战，也常与对人-车-路系统的认识不足有关：
1) 多因素耦合建模与量化问题。例如，如何耦合分析车辆操纵稳定性与环境障碍物2种异源异构的车-路因素，从而为研究极限工况下车辆失稳-碰撞协同避免问题提供理论支撑。
2) 对人的行为机制认识不足。一方面，现有理论难以充分解释人的行为意图的产生机理；另一方面，对人与车、人与人的交互机制研究及优化设计方法探索有限。交通系统中“人”(包含驾驶员和其他道路使用者)是构成交通系统复杂性与不确定性的重要因素，也是发展更高等级智能驾驶面临的重要挑战。
3) 现有研究大多面向结构化道路场景，以道路设施和交通规则作为理解环境与驾驶人行为的重要基础。而在缺少上述信息的非结构化道路中，人-车-路的交互与系统演变将更加复杂而不确定，为智能车的感知、决策和控制带来挑战。
2.2 感知技术感知系统是ICV获取环境信息的通道。感知技术利用传感器获取外界信息，并对这些信息的理解，产生进行驾驶决策所需的输入依据。基于感知过程及功能划分(见图 6)，感知技术主要包括基于单车的自主感知技术、基于网联通信的协同感知技术，及基于感知信息的环境理解技术。
|
| 图 6 环境感知技术路线 |
2.2.1 单车自主感知
地图与定位技术。高精度地图是车辆理解周边环境的基础，随着智能驾驶等级的提升，对地图也有更高的要求，如完全自动驾驶需要静态地图、动态交通信息和高度动态信息来共同辅助车辆构建周边环境模型。欧盟SAFESPOT项目提出4层的局部动态地图概念[22](见图 7)，包含持续静态数据层(车道线位置、路口结构等)，瞬时静态数据层(交通标识、关键地标等)，瞬时动态数据层(信号灯相位、交通拥堵与管制等)，高度动态数据层(交通参与者位置、速度等)。高层地图的构建依赖于网联通信与路侧设施的支持，是协同感知的重要功能。基于高精度地图与各类传感器，车辆定位方法包含3类：1) 信号定位，基于导航卫星、蜂窝网络信号等进行定位；2) 航位推算定位，基于车辆初始位置，使用惯性导航提供的加速度与转角信息推算车辆位移；3) 地图匹配定位，基于激光雷达与视觉传感器信息，与地图中地标进行特征匹配。基于多种定位方法的组合定位，现有研究常使用多种Kalman滤波算法实现最优融合[23]。
目标识别与跟踪技术。在目标识别技术方面，近年来深度学习的出现，及其在图像、激光点云处理等领域取得突破，推进了相关应用提升[24-25]。例如针对目标识别常采用的卷积神经网络和图神经网络，相对于传统方法，深度学习网络的优势在于其多层网络结构能从不同网络层次中自动学习最能表征目标的特征，而无需事先设计分类所需特征。如陈文强等[26]提出的基于深度强化学习的行人-骑车人联合检测算法，能够基于一个网络实现2类目标的识别和区分。然而，深度学习方法也仍存在2方面缺陷：1) 深度学习基础理论研究不足，限制了感知效果进一步提升；2) 深度学习需要大量数据支持，而当训练好的模型遇到新的状况，可能产生难以预估的错误结果。在真实交通环境中，强光、雨雪雾等不良天气会影响传感器输入，有可能导致识别失效。
跟踪技术利用连续帧数据计算目标运动轨迹，为轨迹预测、意图识别、决策规划等算法提供输入信息。现有自动驾驶系统大多数采用基于检测的跟踪算法(tracking-by-detection)[27-28]，其以目标检测结果为输入，并将跟踪问题转化为检测结果的数据关联问题，主要包括特征提取、数据关联和生命周期管理3个模块。基于检测的跟踪方法将目标识别与跟踪分为2个独立的部分，目标特征无法得到共享，推理流程较为复杂，场景适用性有待提升。因此，联合检测与跟踪方法[29-30]逐步成为学界所关注的对象，以实现目标检测网络与目标跟踪算法的结合，从而端到端地计算目标运动轨迹。然而，此类方法尚处于初步发展阶段，跟踪精度、准确率、鲁棒性均有待进一步提高。
2.2.2 网联协同感知基于单车传感器的环境感知有诸多不足，如感知距离较短，存在视野盲区，易受天气影响等。而基于车-车互联、车-路互联，协同感知技术对于提升感知环境能力具有极大潜力。
如图 8所示，在云控系统中，基于不同车辆、路侧获得多源传感器信息，在路侧边缘云上应用车路融合感知技术，最终实现全域交通参与者的运动状态辨识[14]。协同感知的基础是多源传感器信息融合。该融合技术可分为前融合与后融合2类，前融合主要计算任务在云端，各传感器可将原始数据或特征数据直接上传；后融合则需传感器端在本地完成目标识别，再于云端进行融合。受通信能力局限，现有协同感知方法主要基于后融合实现，如Kim等[31]提出的融合感知框架，基于各车上搭载的传感器与车-车通信进行融合感知，从而减少每辆车感知盲区。
此外，由于在单个车辆或路侧终端也可能有多个传感器，如图 8所示，数据融合同样需要在本地进行。一些前融合算法同样应用于该任务，如Vora等[32]基于PointPainting算法对图像与激光点云数据进行融合，Chen等[33]先通过神经网络对传感器数据进行特征张量提取，并基于特征融合产生统一的目标识别结果。有关路侧传感器的建设也是未来的应用研究方向。如Chang等[34]提出了考虑包含路段-路口等多场景的传感器优化布置方法，通过求解路网中布置传感器的类型、位置与姿态，使得在保障传感器感知覆盖的条件下成本最小。
2.2.3 环境理解人驾驶员在感知周围环境时，不仅获取了各环境因素的物理信息，也需要理解其相互作用关系，最终对环境风险态势进行判断。目前有关环境理解的研究主要包含交通参与者意图识别、轨迹预测，与行车风险评估。
行人、车辆等交通参与者的行为具有随机、时变等特点，基于观测信息识别其行为意图、预测其未来轨迹，对行车安全具有重要意义。其中，意图识别对象是目标的离散化语义行为，如行人是否穿行，前车是否选择并道等；轨迹预测则给出目标在预测时域内的时序位置分布。一些研究基于分层思想，将意图识别结果作为轨迹预测的先验条件，从而取得更好的预测效果。意图识别方法可分为基于模型与机器学习2类[35-36]，如动态Bayes网络(dynamic Bayesian network，DBN)，博弈模型，长短期记忆网络等；轨迹预测方法主要通过机器学习算法实现[37-38]，包括滤波算法、Gauss过程回归(Gaussian process regression，GPR)，图神经网络与生成对抗网络等。Wu等[39]针对路侧行人穿行问题，提出了一种综合考虑行人姿态与环境因素的意图识别与轨迹预测方法。该方法首先基于长短期记忆网络识别行人动作(如站立、行走、奔跑等)，并结合环境因素使用深度置信网络(deep belief network，DBN)辨识穿行意图，最后基于粒子滤波算法进行行人轨迹预测。
基于各种感知信息，行车风险评估技术量化交通环境中各要素对车辆行驶造成的碰撞风险、违规风险等，是智能汽车安全决策的重要前提。现有智能驾驶行车风险的研究主要面向避免发生碰撞，可为分5类[40]，包括时间逻辑方法、运动学方法、碰撞概率法、人工势能场法、统计学习法，见表 1。
| 方法 | 方法特点 | 存在不足 |
| 时间逻辑 | 简单场景高效可靠，如距离碰撞时间TTC、车头时距THW等 | 对横向风险不敏感，难以应对复杂场景 |
| 运动学 | 简单场景高效可靠，适于控制算法设计，如安全距离等 | 对横向不敏感，难应对复杂场景与功能 |
| 碰撞概率 | 能够结合运动预测，适合复杂交通环境 | 高精度预测困难，更适用于邻近碰撞场景 |
| 人工势能场 | 可融合多种风险因素，并结合驾驶人主观认知 | 模型较复杂，参数标定较困难 |
| 统计学习 | 能基于机器学习方法，提取历史场景参数中的风险特征 | 可解释性较弱，对数据的依赖性较强 |
然而在人-车-路多因素耦合的实际交通系统中，风险来源种类繁多，现有驾驶辅助技术常针对单一风险源进行设计。例如，针对驾驶人不当操作的车道偏离预警、盲区警告等，针对碰撞风险的自动制动系统，针对失稳风险的电子稳定系统等。然而在真实交通环境中多种风险可能耦合出现，而针对独立风险设计的应对方法之间缺少协同、甚至可能互相矛盾。
因此，面向未来的驾驶辅助或更高等级的自动驾驶技术，如何将人-车-路系统中多种风险因素进行有效耦合与评估，将是重要的研究课题。针对上述问题，清华大学王建强团队提出了基于安全场的风险评估理论[41]，通过场的形式综合量化评估人、车、路多风险因素。如图 9所示，针对不同的风险源，该理论分别使用势能场(描述静态障碍物)、动能场(描述动态障碍物)与行为场(描述驾驶人行为特征)进行建模，为行车风险评估提出了新的理论方法。
|
| 图 9 基于安全场的行车风险评估 |
2.3 决策技术
基于感知系统提供的环境与自车信息，决策系统进一步规划驾驶行为与行驶轨迹，将乘员安全、高效、舒适地送达目的地。基于控制对象的不同，决策技术可分为单车自主式决策与网联协同式决策(见图 10)。在现有ICV技术架构中，决策系统以自主式决策为基础，在云控场景下可基于网联通信与云端计算，协调区域内所有车辆的驾驶行为，以提升交通系统的通行效率、安全性与能效。
|
| 图 10 驾驶决策技术路线图 |
2.3.1 自主式决策
现有自主式决策方法常具有分层结构，包含全局路径规划、行为规划与运动规划3个主要阶段。而随着机器学习技术的发展，也有研究者通过端到端方法直接基于感知结果生成驾驶决策。
1) 全局路径规划。基于地图信息，全局路径规划首先计算出抵达目的地的最优路线。近年来基于电子地图已产生较多研究和应用。基于传统的Dijkstra和A*等算法，研究者进一步考虑了计算实时性、个性化推荐等需求，在预处理、分层式计算以及代价函数设计等方面进行了诸多改进，例如微软研究院提出的Customizable Route Planning算法[42]，将能更精准合理地给出全局路径。而未来融合了更多网联交通信息的高精度地图，也将有助于更优的全局路径的规划。
2) 行为规划。全局路径规划通过离线计算产生，不考虑交通参与者、信号灯等微观交通环境。而面向实际交通环境的实时规划任务，主要包含行为规划与路径规划。其中，行为规划产生语义性的目标驾驶行为，如“停车等待”“向右换道”“加速”等。传统行为规划算法常基于有限状态机设计[43]，并包含场景辨识(如“信号灯路口”等环境相关场景，或“换道超车”等任务相关场景)与行为规划(如根据信号灯选择通过路口或等待)2层。
有限状态机具有逻辑性强、简单场景下可靠性高等优点。面向复杂交通场景，研究者探索基于现代优化方法与机器学习方法等实现部分场景下的行为规划。例如王晓原等[44]基于决策树算法，从人自然驾驶数据中学习其推理决策过程；最优规划常以Markov决策过程(Markov decision process)为基础模型，并在决策过程中融合环境的预测信息与不确定性，如Hubmann等[45]基于路口场景中的环境车意图识别，规划最优行为决策序列。
3) 轨迹规划。基于行为规划结果，轨迹规划包含行驶路径规划，与路径上的速度规划两步。传统路径规划方法包含RRT、A*搜索、Bézier曲线等移动机器人路径规划算法。而考虑到车辆运动模型、行驶平顺性等实际约束与性能目标，现有的路径与速度规划常基于优化算法实现。例如，Pony.ai公司将路径规划转化为基于参考路径求偏移量的二次规划问题[46]，Apollo公司则将速度规划转化为位移-时间图上的最优路径规划问题[47]。
轨迹规划需要考虑车辆可执行性、环境演变预测等约束信息，及高效、舒适、节能等优化目标。近年来，模型预测控制算法(model predictive control，MPC)因其具有路径-速度同步规划、预测式规划、能结合车辆运动学模型与动力学约束等特点而得到了较多关注。例如Batkovic等[48]基于对行人的运动轨迹预测，以人-车距离作为约束目标设计了基于MPC的轨迹规划算法。
4) 端到端的决策。近年来人工智能领域的快速发展，启发研究者使用深度学习方法，实现类似人的直接从环境感知结果产生驾驶决策的端到端式方法。端到端方法主要包含强化学习与监督式学习2类。强化学习以Markov决策过程为基础，通过在仿真环境下与环境的交互，学习使回报最大化的驾驶策略[49]。监督式学习则基于环境信息与驾驶人的实际驾驶操作，使系统学习驾驶能力。例如Nvidia公司基于深度卷积神经网络(convolutional neural networks，CNN)[50]，使车辆实现基于图像输入的自主驾驶，并在没有人工提供标签的前提下提取了道路轮廓等关键信息。
然而，理论与应用方面存在差异与局限性，使得端到端方法距离实用化仍有一定距离。例如：可解释性不足，出现错误时难以溯源和更正；训练成本高，传感器输入很多无关信息使得学习效率有限；泛化能力弱，可能难以应对不同于训练场景的新场景。尽管如此，研究者依然期望通过深度学习来提升智能汽车决策能力。例如Mobileye公司提出基于简化输入信息[51]，设计面向行为规划功能的强化学习算法，以提升训练效率、实现更具远见的驾驶决策。
2.3.2 协同式决策协同式决策属于近年来新兴的研究领域，主要基于车-车或车-路间的网联通信，协调域内多车的驾驶行为。如图 11所示，协同式决策研究主要基于2类场景：路段队列编队决策和路口通行决策。
|
| 图 11 协同式决策场景与任务 |
路段队列编队决策。车辆队列编队任务常包括3种[52]：1) 编队的生成与维持，各个自动驾驶汽车基于其初始位置形成编队；2) 行驶过程中的队形保持；3) 编队的队形变化管理，在遇到障碍物或车辆出入队列时，快速完成队列的变换和恢复。针对上述任务，目前有3种常见方法[53-54]，包括领导跟随法、虚拟结构法和基于行为的方法。
领导跟随法中，编队存在领航车，跟随车跟踪领航车的位置和速度。该方法有助于简化控制器设计，但存在过于依赖领航车、缺少跟随车反馈渠道问题；虚拟结构法中，编队车辆基于共享的期望队形结构规划驾驶行为。该方法有助于设计车辆协同行为，但其通常采取集中式控制的方法，单点故障可能导致系统失稳；基于行为的方法中，行为协调器预设避障、编队保持、目标搜索等多种基本行为，并根据实际场景输出最终行为。该方法适用于动态环境，但系统动力学模型复杂、设计难度大。
在编队决策中，同样伴随着轨迹规划任务。多车协同轨迹规划方法在单车轨迹规划的基础上发展而来，并且融合了针对多车系统的规划目标与约束，包括实现队形保持与变换、减少路径总长度、减少总耗时等。
路口通行决策。城市路口交通流冲突汇聚，是最容易拥堵的交通场景，协同式决策有助于提升整体通行效率与安全性。路口协同决策常分析2类场景：信控路口通行，优化信号灯配时，并基于信号灯与交通信息优化车速曲线；非信控路口通行，协调规划每辆车通过路口的顺序与速度。
信控路口决策方法通常包含路侧的中心式规划与各车的分布式速度规划2步[55]。中心式规划有关于信号灯配时与各车通行时间。以提升路口的总体通行效率为目标，基于车辆位置、速度输入，求解最优的信号灯配时与各车通行时间。各车基于接收的配时和通行时间信息，以提升能效为目标规划各自最优的速度曲线。
随着ICV的不断发展与普及，交通系统有可能摆脱对信号灯的依赖，从而进一步提高路口通行效率。在有关非信控路口通行的研究中，决策任务的承担者包含中心系统(集中式)与车辆(分布式)2类[56]。集中式决策方法便于实现系统的协同优化，但车辆较多时计算开销大、系统容错能力相对不足；分布式决策方法为各车独立设计决策器，系统鲁棒性相对较高，但是每辆车难以把握全局信息，系统难以达到全局最优。一些研究考虑结合2种方法的优势，中心系统仅保留车辆通信次序的决策，而将轨迹规划任务转移至车辆端。例如可采用虚拟队列法[57]，基于通行次序将各方向车辆投影至同一队列，进而设计车辆的跟驰算法。
相比于自主式决策技术，协同式决策技术的系统设计更复杂，对智能网联汽车渗透率、路侧设施建设等支撑条件也有更高的要求。目前，有关协同式决策的理论研究较为初步，但基于现有研究中展现出的优越性能，协同式决策技术有望成为未来智慧交通系统的重要功能支撑。
2.4 控制技术决策系统产生离散驾驶行为与轨迹规划，控制系统则进一步以车辆动力学模型为基础，通过对转向、制动等执行装置的控制实现规划结果。由控制对象的不同，智能网联汽车控制技术同样分为自主式控制与协同式控制2类。其中，自主式控制是实现协同式控制的基础，而协同式技术以网联多车、车-路或者车-路-云整体交通系统为控制对象，基于整体系统动力学模型进一步对系统控制性能进行优化。针对自主式控制与协同式控制技术，如图 12所示，本文从系统模型、性能目标、控制方法和前沿探索4个角度进行分析。
|
| 图 12 自主式与协同式控制 |
2.4.1 自主式控制
自主式控制技术早期应用于车辆电子稳定控制等主动安全与舒适性系统，在车辆动力学模型、动力学控制等方面已取得较多成果。智能网联汽车主要面向轨迹跟踪控制进行研究。
车辆模型。车辆模型可包含运动学模型与动力学模型，简化描述车辆的运动和力学特性。目前常用车辆模型是基于二自由度模型的运动学和动力学模型[58]，该模型简化了左右轮速差异、车辆纵向运动等因素，在满足常规驾驶工况条件下简化控制器设计、保障计算实时性。二自由度模型简化了悬架作用，并假设轮胎具有线性侧偏特性，只具有车辆横摆与侧向运动2个自由度。
性能目标。控制系统主要任务是实现车辆对规划轨迹的有效跟踪，并达到较好的燃油经济性、舒适性等性能目标。基于最优控制的车辆控制方法常耦合考虑多方面性能目标，而针对多目标间的协调与制约关系，Li等[59]提出了多目标协调式自适应巡航控制，在保障跟踪性能与能效的前提下满足驾驶人在车距预期、乘坐舒适等方面的个性需求。
控制方法。以轨迹跟踪为主要目标，目前常用的控制方法包括3种[60]：比例-积分-微分控制(proportion-integral-derivative，PID)、线性二次型调节器(linear quadratic regulator，LQR)和模型预测控制MPC。PID算法常与预瞄机制相结合，特点是易于实现，适用于速度、曲率变化较小的场景，但无法实现多目标优化、难用于复杂场景。LQR算法对车辆模型参数的观测噪声不敏感，然而难添加约束，在复杂场景效果不够理想；MPC算法跟踪效果好、鲁棒性强，且能够处理复杂约束问题，难点是损失函数调参复杂、求解的计算耗时久、成本高。
前沿探索。自主式控制的研究前沿主要在极限工况下的控制问题，例如紧急避障问题、低附着路面行驶与漂移控制等。在极限工况下车辆易发生失稳，同时轮胎附着力接近饱和，轮胎力学特性非线性强，难以使用传统力学模型描述。针对极限工况下的控制问题，一方面需要进一步精化理解车辆动力学特性，另一方面也需要更加先进复杂的控制技术。例如Li等[61]基于车辆失稳动力学机理研究建立稳定性裕度描述方法，并基于MPC设计车辆控制算法；Zhang等[62]将最优控制方法与强化学习方法结合，实现了面向多种场景的车辆漂移控制。
2.4.2 协同式控制协同控制技术以车路云一体化融合为背景，以域内多智能车的协同系统为控制对象。在多智能体系统研究中，人们关注智能体间基于一定信息拓扑结构相互作用而形成的动态系统。出于习惯，研究者有时以“协同控制”(cooperative/coordinated control)统称协同决策与控制，且针对多车队列等部分协同驾驶场景，二者在功能目标(提升通行效率与能效等)、控制对象(如各车的车速)、实现算法等方面存在一定交叉。本文分析的协同控制方法针对具有系统动力学建模的协同系统，在保障稳定性、鲁棒性、内聚性等系统控制基本性能的基础上，一般会通过优化控制等方法进一步追求车路云整体系统的高效、节能等目标。
网联系统模型。网联协同控制系统可以视为由多个车辆个体(有时也包括路侧单元)通过信息交互进行控制、进而相互耦合组成的动态系统。系统模型可分为4个部分[63]：节点动力学，用于描述单个车辆的动力学行为；信息拓扑结构，用于描述节点间信息传递的拓扑关系，说明队列中每辆车使用的信息；多车几何构型，用于描述相邻2个车辆节点之间期望车距的数学表达；分布式控制器，考虑到系统复杂性和控制执行可实现性等因素，现有研究常采取分布式控制方法。采取图 13中的四元素模型架构，能够进行一般性数学描述。
性能目标。节能、高效是车路云协同控制的最终目标，而就协同控制系统本身而言，研究者一般需要分析其基本的控制性能。重要性能指标包括：1) 内稳定性(internal stability)，控制系统的基本性能，例如在Lyapunov意义下线性闭环系统所有特征根均需具有负实部。2) 稳定裕度(stability margin)，在内稳定性成立的基础上，进一步刻画系统初始扰动的衰减速度。3) 队列稳定性(string stability)，在具有内稳定性的车辆队列中，依然需要保障扰动不会沿队列传递而放大。4) 内聚性能(coherence behavior)，用于刻画系统在随机扰动下的鲁棒性能。基于上述性能指标分析，能够对协同系统的性能与鲁棒性进行更深入的研究。
控制方法。协同控制的常见算法同样包含PID、LQR、MPC等方法，但其控制架构基于控制任务承担者的不同，包含集中式控制与分布式控制2种[64]。集中式控制完全由中央控制单元承担，其控制器结构相对简单，但具有难以实现大规模车群控制、难以应对系统的结构改变、易受到通信能力限制等问题。分布式控制方法在上述问题中具有更好的性能。分布式控制中，每辆车基于自身可获得的网联信息进行反馈控制。以队列控制为例，现有反馈控制方法常基于信息流拓扑结构设计线性控制器，并基于控制系统的性能要求，针对具体应用场景进行参数设计。
前沿探索。面向协同控制系统的落地应用，需要综合考虑真实交通环境诸多非理想条件的影响，包括混行的人驾驶车辆、非理想通信、对抗信息攻击等。
在智能网联汽车发展的过程中，势必长期存在自动驾驶-人驾驶共存的混合交通工况。现有研究多通过智能网联汽车与人驾驶汽车的仿真建模与大规模交通仿真，分析智能网联汽车不同渗透率下的交通性能。近年来，针对混合交通工况的智能网联汽车协同控制吸引了广泛关注，Stern等[65]、Zheng等[66]分别提出了自适应工况控制方法和结构约束最优控制方法，并通过实车实验或理论验证，指出低渗透率下智能网联汽车优化交通流的潜能。
通信丢包、时延等是网联环境下常见的非理想通信因素[67]，实车实验指出，这些因素可能为协同控制性能带来严重影响[68]。处理时延时，现有研究使用假设包含固定时延、周期性变化时延、有界随机时延等。丢包问题描述方法可分为确定性过程描述与随机的Markov跳变系统等。引入时延与丢包考虑，设计稳定且具有较优性能的网联控制方法是目前的热点研究方向。
3 应用技术近年来智能网联汽车技术的发展催生了一批产业化落地应用。特别是脱胎于主动安全技术的ADAS系统已经具有了较高的市场渗透率。针对智能网联汽车技术应用的现状与面临问题，本文将基于其技术等级进行讨论。
3.1 智能化技术驾驶辅助(L1)与部分自动驾驶(L2)。 ADAS功能包含了常见的L1与L2级智能化技术。近年来ADAS在我国新车市场渗透率逐步提升，也已成为C-IASI、C-NCAP等安全测试的常规评价项目。其中，特斯拉、小鹏等品牌搭载的L2级自动驾驶系统已能够实现高速公路场景中的自主跟车、换道、进入匝道等常规行为，并宣传其车载硬件具有发展更高等级自动驾驶功能的潜力。
尽管如此，近年来有关ADAS系统造成交通事故的案例屡见不鲜。除驾驶员不当操作的原因外，现有技术的可靠性仍需进一步提升。当智能驾驶系统发生错误，原因可归纳为2类：1) 功能安全范畴(ISO 26262)，即由于系统失效而造成错误；2) 预期功能安全范畴(safety of the intended functionality，SOTIF，ISO/PAS 21448)，即在系统不失效的情况下，由其功能不足、或由可合理预见的人员误用所导致的错误。例如在2019年5月，一辆特斯拉轿车因未能成功识别白色货车而发生碰撞，即属于SOTIF问题。
此外，为提升驾驶人对ADAS系统接受度、实现良好的人-机协同，辅助功能的介入应符合驾驶人的意图与习惯。例如虞辰霏等[69]提出了基于自适应驾驶人特性的前撞预警方法，以解决预警系统误检率高、驾驶人接受度差的问题。Na等[70]针对驾驶员与主动转向避障功能的动态交互问题，建立基于驾驶员-车辆闭环动力学系统的动态博弈模型，以优化避障过程人机协同。
有条件自动驾驶(L3)。 L3级自动驾驶与L2级智能驾驶的差异，在于特定场景下L3级系统能够完全接管驾驶责任。首款用于量产车的L3级自动驾驶系统是2017年奥迪A8上搭载的Traffic Jam Pilot系统，能够在60 km/h以下的拥堵高速公路上完全接管驾驶。
然而，由于L3级自动驾驶能够完全接管驾驶，发生事故后的法律责任主体将难以认定。目前全球大部分国家法律不支持L3级自动驾驶的使用，在我国市场奥迪A8即不具有Traffic Jam Pilot系统。此外，L3级自动驾驶不能应对所有交通状况，而目前有关人机共驾的研究尚不成熟。例如当系统需要驾驶人接管时，驾驶人有可能无法在短时间内进入驾驶状态，从而带来事故隐患。
高度自动驾驶(L4)。 L4级驾驶中，驾驶任务完全由车辆承担。受限于智能技术发展水平、基础设施建设与法律法规支持，L4级技术目前主要应用于环境较为简单的特定场景中。例如港口、园区内无人驾驶，送货、环卫等低速车辆，及试验区域内的无人出租车。
面向特定场景的L4级自动驾驶已逐步投入商业化运营，人们期望它能够进一步突破场景限制，实现城市中无人出租车运营。服务于技术的开发与测试，近年来国内外建设了一系列的测试场和实验区。美国MCity是最具代表性的测试区之一[71]，基于强化试验的设计思想，多种道路突发状况可以集中发生，因此每km的测试路程能够代表真实环境中几十甚至几百km的行程。我国同样重视测试场的建设，于2018年4月下发了《智能网联汽车道路测试管理规范(试行)》，目前上海、北京、重庆、广州等多座城市均有测试场已投入运行。然而，现有方法仍难以充分评估ICV应对各种可能工况的驾驶能力与安全性，也尚未形成业界统一的测评标准。L4级的ICV需要怎么测、怎么评，仍属于前沿的科学问题。
3.2 网联化技术网联辅助信息交互(L1)。 L1级网联化技术基于车-路通信，对导航等辅助信息、车辆行驶数据与驾驶员操作等数据进行交互。此类技术对通信实时性、可靠性要求较低，主要对驾驶员、交通管理与车企等提供信息参考。目前已有一系列L1级网联化技术进入应用，例如斑马系统基于4G网络，能够提供电子导航、交通信息、远程车辆控制等服务。
网联协同感知(L2)。协同感知技术需要在车-车、车-路、车-人间建立实时、可靠的通信传输，并依赖于车路云一体化系统中路侧、云端基础设施建设。协同感知作为网联化技术的基础应用，已得到了国内外广泛关注与支持。如在网联通信标准方面，欧盟在2014年即提出了有关车-车、车-路通信实现协同感知的ETSI EN 302 637-2标准，我国也在2017年的SAE 53-2017标准中对围绕协同感知的V2X消息进行了定义，并且正在推进有关感知数据共享的多项标准制定工作。
基于我国《智能网联汽车技术路线图(2020年版)》的发展规划(基于2016年版本[4]进一步发展，以下简称《路线图2.0》)，2025年左右部分协同感知功能将开始投入应用，特别是重点路口、路段和封闭园区，将基于路侧设备对摄像头、雷达等感知信息进行融合，弥补自动驾驶车辆对于远程、盲区内目标感知能力的不足。
网联协同决策与控制(L3)。面向协同决策与控制应用，车路云一体化系统建设进一步完善、通信可靠性与实时性进一步提升。我国《路线图 2.0》规划在2035年左右基于路侧感知的全局连续式布设，实现车辆和道路的全息协同与数据融合，进而实现交通系统最优调度和车辆全局最优轨迹规划。
目前，用于特定场景和功能的网联协同决策与控制技术已开始投入运营。例如清华大学与潍柴动力合作研制的云控汽车节能驾驶系统(CloudEDS)[14]，基于云端地图数据、计算环境与通信技术，增强车辆道路感知范围，并向车辆下发最优车速控制序列。系统主要面向物流运输的牵引车与载重货车应用，取得了良好的节能效果。
城市交通信号灯的配时优化同样能够在现阶段投入应用。云控交通信号管控系统(CloudTCS)[14]基于路侧设备实时采集的车辆行驶轨迹与云控平台运行的优化算法，实现对城市大规模区域交通信号的自适应动态优化。2017年投入使用以来，系统已应用于济南、北京、深圳等城市，并实现了路口通行能力的提升。
基于上述分析，目前较低等级智能网联汽车技术正在快速投入应用，但受限于理论技术水平、政策法规制定，及路侧基础设施建设等多方面因素，更高等级技术应用目前仍局限在特定场景中。面向未来智能网联汽车应用发展，可以总结以下趋势：
1) ADAS技术与网联信息服务将加速推广，提升消费者对ICV技术的信任与需求，并促进相关产业形成规模化，有利于技术降本与创新。
2) 高等级技术实践应用遵循从特定场景到市郊/高速场景，再到市区场景的推广过程，逐步提升场景的不确定性与复杂性，全场景应用将面临较长的发展过程。
3) 安全技术将成为社会关注重点，在ICV能够实现的功能上，进一步关注系统的可靠性及其面对偶发状况的预期功能安全性。ICV的测试与评价技术仍需进行更多研究。
4) 由单车智能化向智能-网联融合应用发展，弥补单车在感知、决策等能力方面不足，并进一步形成其在安全、高效与节能方面的优势。
5) 政府-科研机构-企业加强协作，推进标准设计、法规制定与基础设施建设，以打通车-车、车-路之间信息管道，支撑高等级ICV技术应用。
6) 加速路侧、云端设施建设，形成车路云一体化智能交通系统，面向信息服务、智能驾驶与交通管控提供多级应用。
4 结论面向智能网联汽车关键技术的发展现状与挑战，本文从架构、功能与应用3个方面进行了分析，并涉及基于单车的自主式智能驾驶技术，与基于车-路-云一体化融合的网联协同式智能驾驶技术。其中，重点面向人-车-路多因素耦合的交通环境，对智能网联汽车感知、决策与控制等方面采用相关技术进行了现状分析与前沿展望。
在架构方面，新概念车辆平台以集成化设计为特征，包含结构共用、信息融合与控制协同3个方面；而基于新概念车辆平台的车-路-云融合架构将成为实现网联化协同的重要基础。
在功能方面，ICV通过感知、决策与控制3项主要功能技术来应对人、车、路三要素交互耦合构成的复杂环境。本文基于智能化、网联化2个方面，对ICV主要功能的技术路线、实现方法与前沿探索进行了分析和展望。
在应用方面，ICV应用具有由低等级向高等级发展、从特定场景向普遍场景推广、从单车自主向网联协同发展、政府-科研-企业高度融合等特征。目前，低等级ICV技术已投入量产应用，而高等级ICV技术的落地将有赖于法律完善、功能技术进步、基础设施建设与测评体系统优化等多方面的发展与支持。
| [1] |
ITS JPO. ITS JPO strategy plan 2020-2025[EB/OL]. (2021-01-20). https://www.its.dot.gov/stratplan2020/index.htm.
|
| [2] |
ERTRAC. Connected automated driving roadmap[EB/OL]. (2019-08-03). https://connectedautomateddriving.eu/wp-content/uploads/2019/04/ERTRAC-CAD-Roadmap-03.04.2019-1.pdf.
|
| [3] |
国家发展改革委. 关于印发《智能汽车创新发展战略》的通知[R]. 北京: 国家发展改革委, 2020. National Development and Reform Commission of China. Notice on printing and distributing innovation and development strategy of intelligent vehicle[R]. Beijing: National Development and Reform Commission of China, 2020. (in Chinese) |
| [4] |
中华人民共和国工业和信息化部. 智能网联汽车技术路线图[R]. 北京: 工信部, 2016. Ministry of Industry and Information Technology of China. Roadmap of intelligent and connected vehicle[R]. Beijing: Ministry of Industry and Information Technology of China, 2016. (in Chinese) |
| [5] |
李克强, 张书玮, 罗禹贡, 等. 智能环境友好型车辆的概念及其最新进展[J]. 汽车安全与节能学报, 2013, 4(2): 109-120. LI K Q, ZHANG S W, LUO Y G, et al. Concept of intelligent environment-friendly vehicle and its recent development[J]. Journal of Automotive Safety and Engergy, 2013, 4(2): 109-120. (in Chinese) |
| [6] |
解来卿. 基于结构共用的智能电动车辆传感器优选配置与节能控制[D]. 北京: 清华大学, 2019. XIE L Q. Optimized selection of sensors configuration and energy-saving control for intelligent vehicle based on structure sharing[D]. Beijing: Tsinghua University, 2019. (in Chinese) |
| [7] |
KELLERMAN H, NÉMRTH G, KOSTELEZKY J, et al. BMW 7 Series architecture[J]. ATZextra Worldwide, 2008, 13(8): 30-37. DOI:10.1365/s40111-008-0098-2 |
| [8] |
NAVALE V M, WILLIAMS K, LAGOSPIRIS A, et al. (R) evolution of E/E architectures[J]. SAE International Journal of Passenger Cars-Electronic and Electrical Systems, 2015, 8(2): 282-288. DOI:10.4271/2015-01-0196 |
| [9] |
MISENER J A, SHLADOVER S E. PATH investigations in vehicle-roadside cooperation and safety: A foundation for safety and vehicle-infrastructure integration research[C]//2006 IEEE Intelligent Transportation Systems Conference. Toronto, Canada: IEEE, 2006: 9-16.
|
| [10] |
WANG J, CHO J S, LEE S, et al. Real time services for future cloud computing enabled vehicle networks[C]//2011 International Conference on Wireless Communications and Signal Processing (WCSP). Nanjing, China: IEEE, 2011: 1-5.
|
| [11] |
LEE E, LEE E K, GERLA M, et al. Vehicular cloud networking: Architecture and design principles[J]. IEEE Communications Magazine, 2014, 52(2): 148-155. DOI:10.1109/MCOM.2014.6736756 |
| [12] |
KAIWARTYA O, ABDULLAH A H, CAO Y, et al. Internet of vehicles: Motivation, layered architecture, network model, challenges, and future aspects[J]. IEEE Access, 2016(4): 5356-5373. |
| [13] |
李克强, 常雪阳, 李家文, 等. 智能网联汽车云控系统及其实现[J]. 汽车工程, 2020, 42(12): 1595-1605. LI K Q, CHANG X Y, LI J W, et al. Cloud control system for intelligent and connected vehicles and its application[J]. Automotive Engineering, 2020, 42(12): 1595-1605. (in Chinese) |
| [14] |
李克强, 李家文, 常雪阳, 等. 智能网联汽车云控系统原理及其典型应用[J]. 汽车安全与节能学报, 2020, 11(3): 261-275. LI K Q, LI J W, CHANG X Y, et al. Principles and typical applications of cloud control system for intelligent and connected vehicles[J]. Journal of Automotive Safety and Energy, 2020, 11(3): 261-275. DOI:10.3969/j.issn.1674-8484.2020.03.001 (in Chinese) |
| [15] |
AMDITIS A, ANDREONE L, PAGLE K, et al. Towards the automotive HMI of the future: Overview of the AIDE-integrated project results[J]. IEEE Transactions on Intelligent Transportation Systems, 2010, 11(3): 567-578. DOI:10.1109/TITS.2010.2048751 |
| [16] |
WANG J Q, HUANG H Y, LI K Q, et al. Towards the unified principles for level 5 autonomous vehicles[J/OL]. Engineering, 2021. https://doi.org/10.1016/j.eng.2020.10.018
|
| [17] |
XIE S S, CHEN S T, ZHENG N N, et al. Modeling methodology of driver-vehicle-environment system dynamics in mixed driving situation[C]//2020 IEEE Intelligent Vehicles Symposium (IV). Las Vegas, USA: IEEE, 2020: 1984-1991.
|
| [18] |
SALVUCCI D D. Modeling driver behavior in a cognitive architecture[J]. Human Factors: The Journal of the Human Factors and Ergonomics Society, 2006, 48(2): 362-380. DOI:10.1518/001872006777724417 |
| [19] |
GUO K, GUAN H. Modelling of driver/vehicle directional control system[J]. Vehicle System Dynamics, 1993, 22(3-4): 141-184. DOI:10.1080/00423119308969025 |
| [20] |
王建强, 郑讯佳, 黄荷叶. 驾驶人驾驶决策机制遵循最小作用量原理[J]. 中国公路学报, 2020, 33(4): 155-168. WANG J Q, ZHENG X J, HUANG H Y. Decision-making mechanism of the drivers following the principle of least action[J]. China Journal of Highway and Transport, 2020, 33(4): 155-168. DOI:10.3969/j.issn.1001-7372.2020.04.016 (in Chinese) |
| [21] |
MARKKULA G, MADIGAN R, NATHANAEL D, et al. Defining interactions: A conceptual framework for understanding interactive behaviour in human and automated road traffic[J]. Theoretical Issues in Ergonomics Science, 2020, 21(6): 728-752. DOI:10.1080/1463922X.2020.1736686 |
| [22] |
Safespot. Cooperative vehicles and road infrastructure for road safety[EB/OL]. 2010. http://www.safespot-eu.org.
|
| [23] |
REDMILL K A, KITAJIMA T, OZGUNER U. DGPS/INS integrated positioning for control of automated vehicle[C]//ITSC 2001. 2001 IEEE Intelligent Transportation Systems. Proceedings (Cat. No. 01TH8585). Oakland, USA: IEEE, 2001: 172-178.
|
| [24] |
张新钰, 高洪波, 赵建辉, 等. 基于深度学习的自动驾驶技术综述[J]. 清华大学学报(自然科学版), 2018, 58(4): 438-444. ZHANG X Y, GAO H B, ZHAO J H, et al. Overview of deep learning intelligent driving methods[J]. Journal of Tsinghua University (Science and Technology), 2018, 58(4): 438-444. (in Chinese) |
| [25] |
ZHANG H, HONG X G. Recent progresses on object detection: A brief review[J]. Multimedia Tools and Applications, 2019, 78(19): 27809-27847. DOI:10.1007/s11042-019-07898-2 |
| [26] |
陈文强, 熊辉, 李克强, 等. 基于深度神经网络的行人及骑车人联合检测[J]. 汽车工程, 2018, 40(6): 726-732, 725. CHEN W Q, XIONG H, LI K Q, et al. Concurrent pedestrian and cyclist detection based on deep neural networks[J]. Automotive Engineering, 2018, 40(6): 726-732, 725. (in Chinese) |
| [27] |
FORTMANN T E, BAR-SHALOM Y, SCHEFFE M. Multi-target tracking using joint probabilistic data association[C]//19th IEEE Conference on Decision and Control including the Symposium on Adaptive Processes. Albuquerque, USA: IEEE, 1980: 807-812.
|
| [28] |
SADEGHIAN A, ALAHI A, SAVARESE S. Tracking the untrackable: Learning to track multiple cues with long-term dependencies[C]//2017 IEEE International Conference on Computer Vision (ICCV). Venice, Italy: IEEE, 2017: 300-311.
|
| [29] |
ZHOU X Y, KOLTUN V, KRäHENBüHL P. Tracking objects as points[J/OL]. arXiv, (2020-08-21). http://arxiv.org/abs/2004.01177.
|
| [30] |
MEINHARDT T, KIRILLOV A, LEAL-TAIXE L, et al. TrackFormer: Multi-object tracking with transformers[J/OL]. arXiv, (2021-04-28). http://arxiv.org/abs/2101.02702.
|
| [31] |
KIM S W, QIN B X, CHONG Z J, et al. Multivehicle cooperative driving using cooperative perception: Design and experimental validation[J]. IEEE Transactions on Intelligent Transportation Systems, 2015, 16(2): 663-680. DOI:10.1109/TITS.2014.2337316 |
| [32] |
VORA S, LANG A H, HELOU B, et al. PointPainting: Sequential fusion for 3D object detection[C]//2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). Seattle, USA: IEEE, 2020: 4603-4611.
|
| [33] |
CHEN X Z, MA H M, WAN J, et al. Multi-view 3D object detection network for autonomous driving[C]//2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Honolulu, USA: IEEE. 2017: 6526-6534.
|
| [34] |
CHANG X T, XU Q, LI K Q. Road network sensor deployment optimization method for road user perception[C]//Proceedings of China SAE Congress 2020. Beijing, China: China Machine Press, 2020.
|
| [35] |
XIE G T, GAO H B, QIAN L J, et al. Vehicle trajectory prediction by integrating physics-and maneuver-based approaches using interactive multiple models[J]. IEEE Transactions on Industrial Electronics, 2018, 65(7): 5999-6008. DOI:10.1109/TIE.2017.2782236 |
| [36] |
HUANG H Y, WANG J Q, FEI C, et al. A probabilistic risk assessment framework considering lane-changing behavior interaction[J]. Science China Information Sciences, 2020, 63(9): 190203. DOI:10.1007/s11432-019-2983-0 |
| [37] |
LI Y, LU X Y, WANG J Q, et al. Pedestrian trajectory prediction combining probabilistic reasoning and sequence learning[J]. IEEE Transactions on Intelligent Vehicles, 2020, 5(3): 461-474. DOI:10.1109/TIV.2020.2966117 |
| [38] |
LIU J X, XIONG H, WANG T H, et al. Probabilistic vehicle trajectory prediction via driver characteristic and intention estimation model under uncertainty[J]. Industrial Robot, 2020(10): 3526-3532. |
| [39] |
WU H R, WANG L K, ZHENG S F, et al. Crossing-road pedestrian trajectory prediction based on intention and behavior identification[C]//2020 IEEE 23rd International Conference on Intelligent Transportation Systems (ITSC). Rhodes, Greece: IEEE, 2020: 1-6.
|
| [40] |
LI Y, ZHENG Y, MORYS B, et al. Threat assessment techniques in intelligent vehicles: A comparative survey[J]. IEEE Intelligent Transportation Systems Magazine, 2020(99): 1-21. |
| [41] |
WANG J Q, WU J, LI Y. The driving safety field based on driver-vehicle-road interactions[J]. IEEE Transactions on Intelligent Transportation Systems, 2015, 16(4): 2203-2214. DOI:10.1109/TITS.2015.2401837 |
| [42] |
DELLING D, GOLDBERG A V, PAJOR T, et al. Customizable route planning[C]//Proceedings of the 10th International Conference on Experimental Algorithms. Berlin, Germany: Springer-Verlag, 2011: 376-387.
|
| [43] |
URMSON C, ANHALT J, BAGNELL D, et al. Autonomous driving in urban environments: Boss and the urban challenge[J]. Journal of Field Robotics, 2008, 25(8): 425-466. DOI:10.1002/rob.20255 |
| [44] |
王晓原, 杨新月. 基于决策树的驾驶行为决策机制研究[J]. 系统仿真学报, 2008, 20(2): 415-419, 448. WANG X Y, YANG X Y. Study on decision mechanism of driving behavior based on decision tree[J]. Journal of System Simulation, 2008, 20(2): 415-419, 448. (in Chinese) |
| [45] |
HUBMANN C, SCHULZ J, XU G, et al. A belief state planner for interactive merge maneuvers in congested traffic[C]//21st International Conference on Intelligent Transportation Systems (ITSC). Maui, USA: IEEE, 2018: 1617-1624.
|
| [46] |
孙浩文. 规划控制中的优化算法, 让你坐上安全又舒适的无人车[EB/OL]. (2019-10-18). https://mp.weixin.qq.com/s/G1hpXmO5243Ld6U3c-6Rvw. SUN H W. Optimization algorithm in planning and control for developing safe and comfort automated driving vehicle. [EB/OL]. (2019-10-18). https://mp.weixin.qq.com/s/G1hpXmO5243Ld6U3c-6Rvw. (in Chinese) |
| [47] |
百度Apollo. Apollo自动驾驶入门课程第8讲-规划(下)[EB/OL]. (2018-09-20). https://mp.weixin.qq.com/s/1yA-kgS_rL4o9I4OWeI4-A. Baidu Apollo. Introductory course for automated driving 8-planning (2)[EB/OL]. (2018-09-20). https://mp.weixin.qq.com/s/1yA-kgS_rL4o9I4OWeI4-A. (in Chinese) |
| [48] |
BATKOVIC I, ZANON M, ALI M, et al. Real-time constrained trajectory planning and vehicle control for proactive autonomous driving with road users[C]//2019 18th European Control Conference (ECC). Naples, Italy: IEEE, 2019: 256-262.
|
| [49] |
SALLAB A E L, ABDOU M, PEROT E, et al. Deep reinforcement learning framework for autonomous driving[J]. Electronic Imaging, Autonomous Vehicles and Machines, 2017(19): 70-76. |
| [50] |
BOJARSKI M, DEL TESTA D, DWORAKOWSKI D, et al. End to end learning for self-driving cars[J/OL]. arXiv, (2016-04-25). http://arxiv.org/abs/1604.07316v1.
|
| [51] |
SHALEV-SHWARTZ S, SHAMMAH S, SHASHUA A. On a formal model of safe and scalable self-driving cars[J/OL]. arXiv, (2018-10-27). http://arxiv.org/abs/1708.06374.
|
| [52] |
LIU Y C, BUCKNALL R. A survey of formation control and motion planning of multiple unmanned vehicles[J]. Robotica, 2018, 36(7): 1019-1047. DOI:10.1017/S0263574718000218 |
| [53] |
LUO Y G, YANG G, XU M C, et al. Cooperative lane-change maneuver for multiple automated vehicles on a highway[J]. Automotive Innovation, 2019, 2(3): 157-168. DOI:10.1007/s42154-019-00073-1 |
| [54] |
XU Q, CAI M C, LI K Q, et al. Coordinated formation control for intelligent and connected vehicles in multiple traffic scenarios[J]. IET Intelligent Transport Systems, 2021, 15(1): 159-173. DOI:10.1049/itr2.12022 |
| [55] |
XU B, BAN X J, BIAN Y G, et al. Cooperative method of traffic signal optimization and speed control of connected vehicles at isolated intersections[J]. IEEE Transactions on Intelligent Transportation Systems, 2019, 20(4): 1390-1403. DOI:10.1109/TITS.2018.2849029 |
| [56] |
BIAN Y G, LI S E, REN W, et al. Cooperation of multiple connected vehicles at unsignalized intersections: Distributed observation, optimization, and control[J]. IEEE Transactions on Industrial Electronics, 2019, 67(12): 10744-10754. |
| [57] |
XU B, LI S E, BIAN Y G, et al. Distributed conflict-free cooperation for multiple connected vehicles at unsignalized intersections[J]. Transportation Research Part C: Emerging Technologies, 2018, 93: 322-334. DOI:10.1016/j.trc.2018.06.004 |
| [58] |
KONG J, PFEIFFER M, SCHILDBACH G, et al. Kinematic and dynamic vehicle models for autonomous driving control design[C]//2015 IEEE Intelligent Vehicles Symposium (IV). Seoul, Korea (South): IEEE, 2015: 1094-1099.
|
| [59] |
LI S B, LI K Q, RAJAMANI R, et al. Model predictive multi-objective vehicular adaptive cruise control[J]. IEEE Transactions on Control Systems Technology, 2010, 19(3): 556-566. |
| [60] |
百度Apollo. Apollo自动驾驶入门课程第10讲-控制(下)[EB/OL]. (2018-10-25). https://mp.weixin.qq.com/s/AnWWnD3ScSW6GhrwRGpRDw. Baidu Apollo. Introductory course for automated driving 10-control (2)[EB/OL]. (2018-10-25). https://mp.weixin.qq.com/s/AnWWnD3ScSW6GhrwRGpRDw. (in Chinese) |
| [61] |
LI X Y, XU N, GUO K H, et al. An adaptive SMC controller for EVs with four IWMs handling and stability enhancement based on a stability index[J]. Vehicle System Dynamics, 2020(10): 1-24. |
| [62] |
ZHANG F, GONZALES J, LI S E, et al. Drift control for cornering maneuver of autonomous vehicles[J]. Mechatronics, 2018, 54: 167-174. DOI:10.1016/j.mechatronics.2018.05.009 |
| [63] |
郑洋. 基于四元素构架的车辆队列动力学建模与分布式控制[D]. 北京: 清华大学, 2015. ZHENG Y. Dynamic modeling and distributed control of vehicular platoon under the four-component framework[D]. Beijing: Tsinghua University, 2015. (in Chinese) |
| [64] |
XU B, BAN X J, BIAN Y G, et al. V2I based cooperation between traffic signal and approaching automated vehicles[C]//2017 IEEE Intelligent Vehicles Symposium (IV). Los Angeles, USA: IEEE, 2017: 1658-1664.
|
| [65] |
STERN R E, CUI S M, MONACHE M L D, et al. Dissipation of stop-and-go waves via control of autonomous vehicles: Field experiments[J]. Transportation Research Part C: Emerging Technologies, 2018, 89: 205-221. DOI:10.1016/j.trc.2018.02.005 |
| [66] |
ZHENG Y, WANG J W, LI K Q. Smoothing traffic flow via control of autonomous vehicles[J]. IEEE Internet of Things Journal, 2020, 7(5): 3882-3896. DOI:10.1109/JIOT.2020.2966506 |
| [67] |
PAN J, XU Q, LI K Q, et al. Controller design for V2X application under unreliable feedback channel[C]//2019 IEEE Intelligent Transportation Systems Conference (ITSC). Auckland, New Zealand: IEEE, 2019: 2496-2502.
|
| [68] |
常雪阳, 许庆, 李克强, 等. 通信时延与丢包下智能网联汽车控制性能分析[J]. 中国公路学报, 2019, 32(6): 216-225. CHANG X Y, XU Q, LI K Q, et al. Analysis of intelligent and connected vehicle control under communication delay and packet loss[J]. China Journal of Highway and Transport, 2019, 32(6): 216-225. (in Chinese) |
| [69] |
虞辰霏. 自适应驾驶人特性的前撞预警方法研究[D]. 北京: 清华大学, 2013. YU C F. Study on forward collision warning method adaptive to driver characteristics[D]. Beijing: Tsinghua University, 2013. (in Chinese) |
| [70] |
NA X X, COLE D J. Game-theoretic modeling of the steering interaction between a human driver and a vehicle collision avoidance controller[J]. IEEE Transactions on Human-Machine Systems, 2015, 45(1): 25-38. DOI:10.1109/THMS.2014.2363124 |
| [71] |
孙逢春, 李克强. 电动汽车工程手册: 第六卷[M]. 北京: 机械工业出版社, 2019. SUN F C, LI K Q. Handbook of electric vehicle: Volume 6[M]. Beijing: China Machine Press, 2019. (in Chinese) |