通向自动驾驶的必由之路是1级和2级辅助驾驶技术，目前的国际高端市场技术仍然处于这个阶段。辅助驾驶系统的主要作用是降低驾驶员的操作负荷，尽量将多任务操作简化成单一任务或少量任务操作。例如，在高速公路的车流中行驶时，我们必须同时注意车道线边界、与前车距离、与相邻车道车辆的距离、速度与行为意图、限速与行驶规则、车载系统操作（视野保障、空调、娱乐、通信等）、车辆自身状态等，由于任务繁多，给驾驶员过多压力就会带来安全隐患。从降低任务负荷的角度来看，舒适与便利是安全驾驶必不可少的保障。舒适度是一个主观量，很难分类和量化。我们不妨将驾驶舒适便利技术模块分成7个输入层面和5个效果层面（见图10.1），其中与安全最直接相关的第Ⅰ组任务便是由驾驶辅助系统来解决的。
图10.1 舒适与便利技术模块
2级以下自动化的人机交互关系框图如图10.2所示。这个系统构成的特点是，智能化汽车对环境的感知主要靠车载传感器（毫米波雷达、超声波雷达、激光雷达、摄像头等）来完成，智能判断以某种物理量的阈值判断为主，例如ACC（主动巡航控制）系统以与前车之间的碰撞时间TTC（Time to Collision）阈值判断为唯一标准、LKP（车道保持）系统以车辆与车线之间的横向距离阈值为唯一判据，对信息的综合能力、危险模式的判断能力非常有限。各个功能之间的交互执行能力也很有限，例如，当ACC系统的判断与LKP系统的判断发生冲突时，机器的综合决断能力是有限的。
图10.2 驾驶辅助系统的人机交互关系
在1级和2级自动驾驶（辅助驾驶）阶段，最关键的技术是障碍物识别与跟踪、危险等级判断、轨迹规划与车辆控制，以一汽H7轿车2013年型（见图10.3）的开发为例，分别简述各部分子系统的开发方法。
图10.3 具备ADAS功能的一汽H7轿车（全速ACC系统0～120km/h跟停；
紧急避撞系统＜27km/h内自动刹停，＞27km/h时降低碰撞等级；碰撞预警系统FCW至少提前2s危险预警）
1）移动障碍物识别与跟踪
准确识别与跟踪主目标车辆的运动状态是实现自适应巡航控制（ACC）、避撞等驾驶辅助功能（ADAS）的首要前提。根据图10.4的信息感知流程，移动障碍物感知与识别大致分4个步骤，即原始数据提取、目标筛选、CIP（Close In Path）目标识别和目标跟踪。
图10.4 H7轿车信息感知流程图
（1）原始数据提取。原始数据提取通常是由传感器完成的，目前常用的移动障碍物探测传感器包括毫米波雷达、摄像头和激光雷达等。77GHz毫米波雷达由于实时性好、精度高、运行可靠、不易受天气等环境因素影响，性价比相对合理，目前被公认为是车用移动障碍物探测应用的最佳解决方案之一，得到了全球范围内的广泛应用，代表性品牌有Bosch、Denso、Eaton、Delphi、Continental、TRW等［18］，［19］。利用摄像头进行障碍物探测的技术近年来得到了很大发展，比较有代表性的是以色列Mobileye公司EyeQ系列产品。摄像头在物体分类、横向尺寸判别等方面优势明显，但是在纵向距离识别、速度探测方面相比毫米波雷达还有差距。随着欧洲Euro-NCAP对驾驶辅助系统要求的逐步严格，使用摄像头进行行人识别以及使用摄像头和雷达融合信息进行车辆紧急制动已成为主流技术。受篇幅限制，下面主要介绍单一毫米波雷达传感器的信号识别和跟踪。
（2）目标筛选。ADAS系统一般通过两个步骤来完成对目标车辆的筛选，即首先利用横向距离阈值进行非本车道目标剔除，然后根据本车道最近原则选定CIP［20］。试验表明，特别是在复杂的城市道路工况，这个算法的实际效果并不理想，远不能满足ACC等系统的使用需要。在此基础上，文献［21］提出了HORA（Hierarchical Object Recognition Algorithm）方法，并取得了一定的效果；文献［22］提出了生命周期算法，即通过对目标车辆参数的变化规则和当前状态设置生命周期的若干阶段，来进行相应目标信息的更新、预测和跟踪。以上算法无法实现多次的识别与跟踪两阶段的切换，文献［23］完善了两阶段的切换过程。
车载雷达可为ADAS系统提供每个目标的相对车速v、相对车距d和方位角θ三方面的信息。基于雷达信号的特性，通过对多目标的原始信息进行过滤，首先对目标车辆进行初步选择。在城市交通状况下，实际可测到的目标一般多达十余个，其中包括同车道及旁车道的车辆，道路旁的树木、指示牌、护栏，特别是因目标回波反射不均造成的虚假目标，都会对主目标的确定造成困难。因此，首先应利用横向距离区分阀值对雷达信号进行初步过滤，即通过目标是否处于本车即将行驶的车道之内来排除非相关目标的干扰。根据一般行车道的宽度，H7车型选取的横向距离阀值左、右均为1.5m。针对静止目标，还可以使用相对速度阈值（需综合参考雷达速度识别精度、分辨率等参数进行设置）进一步滤除静止目标（如本车前方井盖）。
（3）CIP识别了筛选后的移动目标，使用同车道最短相对车距原则即可初步锁定CIP目标。但是，由于目标车辆的横向距离是随时变动的，故初选中的横向距离区分阀值不能适用于所有工况，并且雷达波束衍射造成的虚假目标也可能存在于本车道之内，因此需要在雷达信号初步过滤的基础上进一步识别有效目标。基于历史信息的一致性检验是一个很好的方法。
一致性检验就是看某个被初选的目标是不是历史一贯性、稳定性地处于本车道之内。为此首先要假设在雷达扫描更新的相邻周期内，本车道内真实目标的运动状态不会出现激变。以雷达扫描周期为50ms为例，50ms之内获得的目标的相对速度、相对距离、方位角都会保持在一定波动范围之内，即：
若t时刻的目标信息通过了一致性检验，则将其作为t+1时刻的衡量依据。虚假目标在短暂时间内也可能满足历史一致性条件，因此对所有符合一致性的目标再设置一个持续时间门限Tr，即增加了目标识别的准确性。
如果阀值选取过大，会造成漏检和目标识别滞后；选取过小，则经常会发生雷达误判现象，因此需要在探测率和误报率之间做出权衡。上述4个阀值，θ0、d0、v0、T0r需要通过大量实车试验才能进行最终的确认。相对识别而言，由于跟踪过程持续时间一般较长，车辆运动状态的起伏波动可能较大，因此一致性检验中应选用相对宽松的阀值。
（4）目标跟踪。确定CIP目标后，就需要对目标运动进行持续跟踪并预测其未来运动行为可能。为了提高目标跟踪过程的准确性，可利用卡尔曼预测等技术对CIP目标信息进行实时更新。基于加速度及角度变化率在周期内保持不变的假设，对下一周期的车辆运动状态估计值为
利用上述车辆状态估计值可对短时间内由于车辆颠簸等原因引起的雷达信号异常或丢失进行补偿，保证了跟踪过程中雷达输出结果的连续性。但是如果长时间目标跟踪丢失，就说明在前方有效区域内没有车辆或有新的目标车辆出现，系统需要删除现有的跟踪重新识别主目标。因此，文献［23］设置了跟踪门限Tt，即对处在跟踪阶段内的主目标信息错误或丢失的时间段进行累计，当总累计时间大于阀值Tt时，则意味需要进行“目标识别”与“目标跟踪”的模式切换。
“目标识别”与“目标跟踪”两种模式交替进行，对切换时机的把握关系到雷达信息的真实性以及应用到ADAS系统里的可靠性。一方面，应尽量快速、准确地识别前方目标的新状况，且不易受其他车道的车辆及障碍物干扰，以免因识别错误而发生跟踪目标频繁变换的情况；另一方面，跟踪阶段不应有长时间的滞后，以便对前方车辆切入和驶出情况具有一定的敏感性，能及时、正确地判断出目标的变换。文献［23］为此设置了一个切换时间门限Ts，当首次到达阈值Ts时，若有符合标准的新目标出现，则再次进行跟踪，否则继续识别主目标；当再次到达Ts后，根据识别结果决定是否进入跟踪阶段。依次循环。由于跟踪门限的设置本身会造成随后的切换延时，因此可变阈值Ts会随进入切换阶段的时间线性增加。
（5）特殊场景问题。目标跟踪与识别要解决的一个重要问题是弯道识别，即要识别本车正前方的车辆是本车道车辆，还是前方弯路上的邻道车辆；或者，前面不在本车正前方的车辆是邻道车辆，还是本道车辆随弯道而转向到了两侧。为此，必须进行弯道半径的估计，通常采用横摆角速度估计、方向盘转角估计、侧向加速度估计以及左右轮速差估计等几种方法，这些方法在不同的工作条件下（如侧向风、道路横倾、车轮半径偏差等）测量灵敏度和有效性是不一致的。文献［23］利用横摆角速度进行弯道半径估计，原理如下所述。
利用横摆角速度估计弯道半径的公式如下：
式中，dφ/dt为横摆角速度；Ry为道路的弯道半径；vx为车辆的纵向速度。
在图10.5中，主车行驶在半径为R的弯道C上，旁侧车道的车辆出现在D点，其对应的道路圆心角为
式中，φ为圆心角的半值；L为主车后轴至雷达安装点的纵向水平距离。
图10.5 弯道目标补偿（由一汽技术中心安全研究室提供）
与旁车道目标对应同一圆心角的主车道轴线位置出现在E处，和主车的横向距离为df为
此时，如果有
则说明目标车辆行驶在主车道轴线的右侧，ED即横向相对距离dy，其值为
纵向相对距离为
利用上述方程即可实现弯道半径预测以及弯道过程中纵向与横向相对距离的补偿。
弯道、坡道工况是辅助驾驶和自动驾驶技术面临的重要挑战，路径几何预测技术是其最有效的解决方案。各种曲率弯道中的目标判断、车辆控制和直线行驶工况有很大区别，避撞、协同驾驶必须以定义每一辆车的车道属性为前提。单独依靠车载惯性传感来预测弯道还有一定的局限性，尤其是在进入弯道之前的直道阶段，车载传感是测不出横向加速度的。对惯性测量的补偿方法有影像传感、卫星定位、数字地图信号融合、车联网协同控制等方法。就卫星定位服务而言，其目前的定位精度在10m以上，直接用于车道定位还有一定困难，但是可以将其作为一个辅助参数，把前方道路的曲率融合到惯性测量的判断里面。未来的亚米级车辆定位和车辆互联技术可以为车道属性提供可靠判断。
2）前方障碍碰撞危险判据
通过传感器（毫米波雷达、超声波雷达、影像、激光雷达等）探测到环境中的障碍信息的物理量以后，必须运用碰撞危险判断准则对这些障碍物的运动学信息进行处理，判断危险的等级，然后触发相应的自动系统动作。反过来，不同的判据需要提取不同的物理探测量，确凿的判据有助于制定更明确的障碍物信息提取要求，这些要求再加上气候/光线等环境适应性要求，就构成了未来传感器研发的方向。
目前常用的前方车辆碰撞危险评价判据有7种［24］，［75］～［78］，强调的危险关注点各有不同，其中TTC和THW判据已经得到广泛应用。
（1）TTC（Time to collision：碰撞时间）［25］，假设当前时点本车与前车的相对速度不变的情况下，本车与前车碰撞发生时的时间。
式中，vr为本车与前车之间的相对速度，假设在碰撞之前辆车一直以目前速度匀速行驶。参数示意见图10.6。
图10.6 计算碰撞危险判据所需的计算参数量
（2）THW（Time Headway：车间时间），本车到达前车的当前位置时的时间。
式中，D为与前导车之间的距离；vh为本车行驶速度，假设前车突然刹停在当前位置，所以是TTC的极端情况估计。
（3）TTC−1（TTC的倒数）［26］，前车视觉大小增加率的时间变化，或车间距离对数的时间变化。
式中，vr为与前车之间的相对速度。
（4）KdB（接近/远离状态评价指标）［27］。驾驶员通过前车在视觉上的面积变化判断前车的接近和远离，进而采取加减速操作，KdB指标就是依据这一原理制定的，即把前车面积的时间变化量转变为感觉量。当本车与前车的车间距离小于等于100m，并且相对速度vr=−0.1km/h时，被认为已达到人类感知能力的边缘，故此时的KdB为0dB。
（5）KdB_c，这个指标对KdB中的相对速度进行了修正，即使本车与前车的相对速度为0，指标也能对碰撞危险进行评价［27］。
（6）RF（Risk Feeling），这个指标是TTC和THW的倒数的线性和［25］。
（7）MTC（Margin to Collision），这个指标利用“前车制动距离+车间距离”与本车制动距离的比值来评价本车与前车同时急减速（0.7G）时碰撞的可能性［28］。
式中，μ为附着系数，干燥路面，0.7μ潮湿路面，0.5μ
前车减速、本车加速、长时间近距跟车都是与前车发生碰撞的危险因素，做避撞判断的时候应同时考虑。但是，上述7个指标对各种不同工况的敏感程度是不一样的。例如，根据日常经验，当本车与前车之间相对速度为0但是跟车距离非常近的时候，会隐藏着相当大的碰撞危险。如果两车的绝对速度很高，一旦前车急减速，过短的车间距离使后车无法及时采用制动措施，就会发生碰撞。此时已经很危险，但是TTC的计算指标却是无穷大，即意味着现在很安全，这显然是一种非常严重的误判。
文献［24］对前车慢速、本车高速、等速近距三种工况进行了建模分析，发现7个判据在不同工况下表现出了不同的工况敏感度。
当前后车速一致时，THW、KdB_c、RF和MTC能够发挥作用，TTC、KdB和TTC−1（=0）失效。从计算公式可以看出，TTC、TTC−1、KdB都需要测量车辆之间的相对运动，当相对速度为0时，就无法对碰撞危险做出判断。THW、KdB_c、RF、MTC的计算公式中包含了本车速度信息，即使当相对速度为0的时候，仍然可以根据本车速度的高低合理评价潜在的碰撞危险。
人在驾驶的时候，会利用周边的信息，如车外的标示等推测出自车的位置、车速等，以对行驶的方向进行预知。同样，司机在加速行驶的时候，也是建立在一定的预知条件上的。由于存在这个预知作用，所以主动接近前车的危险感觉与前车减速时被前车被动迫近的危险感觉是不一样的。上述7个判据都能评价本车接近前车时的危险程度，当进一步比较在不同跟车速度下不同的主动危险感觉差异时，TTC受影响最大，KdB_c所受影响最小。TTC、TTC−1、KdB表达式里包含了车辆相对关系信息，随着本车速度的提高，能够更好地评价出本车速度增加所导致的主动危险感觉的上升。
前车慢速行驶、本车高速行驶时，所有7个判据都能给出正确判断，但是如果当前车在低速行驶又同时进行制动时，只有TTC、TTC−1、KdB、RF、MTC能评价出不同制动减速度所带来的不同的危险等级。
综合对比结果如表10.3所示。
表10.3 各危险评价指标的评价结果
表10.3显示，RF和MTC既可以评价潜在危险，也可以评价车速变化（本车和前车）带来的“明显危险”和驾驶员的“主观危险感觉”。TTC无法对潜在危险进行评价，但TTC对变速带来的“明显危险”和驾驶员的“主观危险感觉”比较敏感。
碰撞危险判据对不同工况的敏感侧重现象表明，只有对多元信息进行融合判断才能正确评价危险等级，因此目前还没有任何一个单一判据能满足所有工况要求，即雷达、摄像等环境传感信息的融合显得越来越重要。
3）轨迹规划与轨迹跟踪
驾驶辅助系统对车辆的干预包括纵向控制和横向控制，纵向控制是指按照原有的直线轨迹只做加速、减速或制动，横向干预的动作有跟线行驶、换线、超车、障碍物规避等。进行车辆横向运动干预时，随后的轨迹不再是直线，需要介入对方向盘的控制，可能的轨迹是一簇曲线，挑选其中最适合的未来轨迹就是轨迹规划。美国国防部组织的DARPA自动驾驶挑战赛活动对轨迹规划理论的成熟度起到了决定性的推动作用［82］～［88］。
在作高速公路上驾驶时，车辆行为是由一些基本的操作组合而成的，这些操作包括跟线行驶、换线行驶、超车、遇障碍换线、换线后遇障碍，等等，每个操作又可以看成是跟线行驶和换线这两个基本动作的组合。换线行驶控制是辅助驾驶的“基本功”，因此可以结合换线工况观察轨迹规划过程。
典型的换道轨迹见图10.7。在车辆稳定性允许的范围内，如图10.8所示，车辆换到左车道可能采取的最快捷路线为a路径，但是出于舒适性考虑，实际操作要比曲线a更加舒缓。当换道操作过于缓慢时，本车又可能与这两个车道上正常行驶的车辆发生冲突，影响交通效率。出于这方面的考虑，换道操作的轨迹最好不慢于轨迹曲线b。曲线a和b之间就是换道轨迹的可选范围，轨迹规划就是根据具体交通状态来选择最佳轨迹。
图10.7 换道轨迹规划
图10.8 换道轨迹坐标
图10.8的换道轨迹中的路径曲线c可用多项式描述：
假设换道前后的直线行驶速度都是u，则开始和结束的边界条件为
因此路径方程可表示为
当强调快捷性时，t为最小值，路径选择为a曲线；当强调舒适性时，车辆的综合加速度为最小值，路径选择为b曲线。路径规划要在舒适性与快捷性之间进行择优权衡，为此文献［29］、［80］构造了一个成本函数J：
式中，w1和w2为加权系数；a为换道过程中的最大综合加速度：
根据式（10.21）～式（10.23），路径规划的目的是使成本函数为最小：
求解上式，可得到加速度与时间的最优解：
式（10.21）可表达为
上述轨迹没有考虑到车辆的动态响应和环境因素。在考虑车辆动态响应范围的基础上，文献［29］制定了方向盘转角控制的优化策略和路径预测方法。图10.8中，X轴与车道中线平行，与前进方向之间的夹角为θ。车载本地坐标为x-y。在已知车速和横摆率的情况下，暂短时间τ1后的车辆运动可预测为
式中，θ为当前车辆偏角；rs为稳态横摆角速度。
车辆从（x1，y1）点行驶到（D，W）位置的过程中，沿车道线轴X方向的行驶距离(Dt)为
式中，δ为转向角；L为轴距。
K由下式表达为
式中，m为质量；Kyr，Kyf为前轴和后轴的转向刚度系数。
用式（10.29）可以得到沿X轴行驶距离(D)t所需要的时间，从而得到转向角δ与行驶时间之间的关系：
同时注意横向加速度与转向角之间的下述关系：
与式（10.22）类似，可以构造出成本函数对转向角进行优化：
用上式对ay和τ分别微分可以求得在不同权重原则下的任意时刻的最佳转向角。
继续考虑以下动力学边界条件：
式中，μ是路面摩擦系数，g是重力加速度。
在稳态转向下，转向半径约为
在任意时间点t的车辆运动参数为
将转向角度和转向速度的极限考虑在内：
就可以得到轨迹预测，将预测轨迹沿途的障碍物纳入判断，就可以得到路径规划。
上述规划过程是依靠车载传感器进行的驾驶辅助判断过程，在实现互联的情况下，外部障碍信息、本车的精准位置、运动历史、路径规划结果等大量信息都会在临近车辆之间共享，会使路径规划变得更加简单。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
