控制执行我们离真正的自动驾驶还有多远

嘉定智能低碳汽车科普生态建设项目雍雅

上一期中，我们介绍了自动驾驶的“指挥官”——智能决策的发展现状和应用场景，嘉定智能低碳汽车科普生态建设项目雍雅并在路径规划中对全局和局部运动规划作出了区分，全局规划就如同“地图导航”一般，通常只需要形成一个粗略的路径，但局部运动却需要实施生成精确的路径，具体到如何转弯、如何超车等等，从而保证车辆按照规划目标行驶。

但是，在做出具体的决策和指令之后，又如何才能保证车辆根据指令进行运动和行驶呢？这就是今天我们要学习的内容——控制执行模块。

环境感知模块如同自动驾驶技术的眼睛，负责采集并处理环境信息和车内信息，理解自身和周边的驾驶态势；规划决策相当于大脑，依据感知信息来进行决策判断，制定相应控制策略，替代人类驾驶员做出驾驶决策；而执行控制就相当于驾驶员的手脚，在系统做出决策后按照决策对车辆进行控制，反馈到底层模块执行任务。

因此，尽管决策规划一直是自动驾驶最核心和最需要突破的技术，但“不能脱离手脚谈大脑”，如果把规划决策和控制执行剥离开来，自动驾驶就会无从做起。

图1自动驾驶系统结构框图

具体来说，控制执行功能包括哪些部分呢？

控制执行是汽车安全和平稳行驶的基础，在传统的驾驶汽车的过程中，驾驶员可以通过踩踏油门、转动方向盘、拉起手刹等动作直接对车辆的驾驶进程进行控制，那对于自动驾驶来说，又该如何实现呢？

“驾驶员”角色的缺乏，使得车辆需要把各个操控系统直接通过总线与决策系统相连接，才能够按照决策系统发出的总线指令精确地控制加速程度、制动程度、转向幅度、灯光控制等驾驶动作，以实现车辆的自主驾驶。

控制执行的功能分类也很直观，分为纵向控制和横向控制技术：纵向控制通常是指对车辆的驱动与制动控制，对应的是驾驶员对油门和刹车的制动，实现车速的精确控制；横向控制则是指方向盘角度的调整以及轮胎力的控制，对应的是驾驶员的转向和路径调整动作。

由于道路条件和车上控制系统性能的限制，目前考虑的自动驾驶结构几乎都是手动自动可转换的，且通常仍然需要在智能驾驶汽车上配置各种对应的系统，才能实现其复杂的功能。

图2

（1）纵向控制系统

纵向控制系统需要精准把控行车速度以及本车与前后车或障碍物的距离，根本上是在做出决策之后，通过整车控制器，对驱动电机、发动机、制动和传动系统进行控制，从而使车身做出刹车、起步、加速等动作。

系统之间串并联方式的不同，电机-发动机-传动模型、汽车运行模型和刹车过程模型的不同，所结合的控制器算法的不同，都会造成纵向控制系统结构的差异。

图3典型的纵向控制系统结构

相比驾驶员的人脑决策来说，自动驾驶的纵向控制系统对危险场景的反应速度更快，避撞控制更加精确、有效，因此被认为是最重要的控制系统之一，也是自动驾驶解决交通堵塞、降低交通事故发生率的有效方式之一，可以最大限度避免交通事故的发生以及人员的伤亡。

同时，由于机器的决策结果更精细，控制精度更高，纵向控制系统在保证自动驾驶行驶安全的前提下，还可以相对缩短车间距离，从而有效提高道路通行率，减轻因堵车造成的环境污染。

目前，实现L1以上级别对自动驾驶汽车几乎都配备了自适应巡航控制系统（ACC）和紧急制动系统（AEB），可以使车辆和前方车辆始终保持安全的距离，确保无人驾驶汽车的安全性，同时在车辆遇到紧急情况时，能够进行充分有效的制动，及时将决策和控制权交还给驾驶员。

图4

（2）横向控制系统

横向控制，顾名思义，是指垂直于运动方向上的控制，因此，除了包含纵向控制系统中对电动机、制定系统的控制外，横向系统还需要通过线控转向来控制车辆的正常转向。

横向控制不仅能在功能上使汽车根据上层运动规划输出的路径、曲率等信息进行跟踪控制，保持期望的行驶路线，减少跟踪误差，同时也可以保证车辆行驶的稳定性和舒适性，保证乘客在不同的车速、载荷、风阻、路况下均有良好的乘坐体验。

图5

对于人类驾驶员来说，转向控制本身就需要丰富的驾驶经验与累积的驾驶技巧，因此自动驾驶中横向控制的实现，很大程度上依然依赖于模拟驾驶员的行为，比如直接基于简单的运动力学模型和驾驶员常用的一些控制操作规则来设计控制器，尽管运动力学模型会比较全面地考虑到路况、行驶状态、舒适性等指标的约束，但依旧存在着模型不够精确、场景不够全面的缺点。

因此，随着大数据和云计算技术的越发成熟，机器学习越来越多地被应用在控制系统中，直接使用驾驶员操纵过程的数据来训练控制器获取控制算法，相当于将驾驶员的成熟的驾驶工况与应对策略让机器进行学习，让控制系统的学习场景更加全面，在面对复杂的行驶工况中也就会更加智能。

通过纵向和横向控制系统的配合，自动驾驶汽车能够按照按给定目标和约束，跟踪目标轨迹准确稳定行驶，同时在行驶过程中能及时、准确地进行车速调节、车距保持、换道、超车等基本操作。

但要真正实现点到点的自动驾驶运行，车辆控制系统必须获取道路和周边交通情况的详细动态信息和具有高度智能的控制性能。完善的交通信息系统和高性能、高可靠性的车上传感器及智能控制系统，依旧是实现自动驾驶的重要前提。

图6

那么，现有的智能控制系统是如何运作的呢？

传统的汽车控制系统中，往往需要依赖于结合动态信号传输、建立运动方程、最优化模型等技术进行复杂的计算，而智能化的控制方法，主要体现在对控制对象模型的运用和综合信息学习运用上。

自动驾驶的核心不在车，而在人，是物化驾驶员在长期驾驶实践中，对“环境感知-决策规划-控制执行”过程的理解、学习和记忆，因此，神经网络和深度学习逐渐成为应用在智能控制系统中的算法基础。

神经控制通过研究和利用人类驾驶员的大脑结构机理以及知识和经验，把控制问题拆封为模式识别问题，将被识别的模式映射成“行为”信号的“变化”信号，而深度学习可以进一步免除人共选取信号特征存在的高维数据和繁复冗杂的问题，在特征提取和模型拟合方面都更具有优势。

图7

而根据从环境感知到最终控制决策的映射过程的差异，自动驾驶控制技术可以分为间接控制和直接控制两种不同方案。

间接控制往往会根据当前车辆行为需求，在满足车辆自身运动学和动力学约束条件下，规划出一条空间上可行且时间上可控的无碰撞安全运动轨迹，然后设计适当的控制律跟踪生成的目标轨迹，从而实现自主驾驶，是目前比较主流的控制方法。

直接控制则对应了上文我们说到的“模拟人类驾驶员”的方法，是基于人工智能的智能驾驶车辆自主控制决策方法，虽然直接控制不需要建立数学模型，具有较强的机动性和实施性，但对于控制对象和环境状态的确定性要求较高，也就是说对于不确定性、不可预测和不可穷尽的真实行驶环境来说，目前依然很难实现。

我们距离自动驾驶完全自主地进行控制执行还有多远？

完全的自动驾驶意味着车辆具有和人类驾驶员完全对等甚至更甚一筹的决策大脑，以及过硬的控制执行系统和驾驶操作能力，也就是说，无论在简单道路场景还是复杂的道路环境下，自动驾驶系统不仅要能及时察觉、判断车内外环境的变化，还能够据此选择正确的方位和反应动作，从而有效地防止道路交通事故的发生。

图8

正如上文所说，人工智能的控制执行系统本质上是模拟人脑对外界环境信息和车体本身信息的感知，通过对驾驶员驾驶样本数据的统计分析和系统辨识技术来建立模型，但这种基于人工智能的控制方法均需要较多的先验知识，对环境的适应性差。

同时，驾驶行为具有异常复杂的模型，其分类方法也不尽相同，比如有些方法将驾驶员模型分为跟车模型、转向模型、驾驶负担模型和安全模型等，都是基于某些固定的场景，且目的更多是为了研究汽车闭环操纵稳定性以及汽车动力学优化设计等，距离工程应用还有一定的距离。

更重要的是，人工智能算法通过在与环境的交互过程中根据反馈信号实现决策的优化，并进一步发布指令给到控制执行系统，但是在过于复杂的形式环境中，算法的收敛速度直接影响自动驾驶对路况相应的实时性，因此如何提高学习算法的算力与速度，也是当前的一个研究难点。

嘉定智能低碳汽车科普生态建设方案,上海市科委科普项目资助（项目编号：20DZ）