万字长文浅谈智能时代的汽车控制

3.1 智能时代汽车控制车载计算与通信技术

随着自动化程度的升高,汽车逐渐成为车轮上的数据交互与计算中心,传统车载计算ECU(Electronic control unit)将难以满足未来高度自动化整车控制需求.兼顾快速性、安全性、扩展性、低成本等多方面需求的车载边缘计算平台将是智能时代汽车控制的刚性需求.带有多线程和并行处理能力的现场可编程门阵列(Field programmable gate array,FPGA)是先进汽车控制与优化算法快速实现的可行方案[96].同时,基于远程计算集群或车载工作站的计算平台[97]是自动驾驶控制技术概念性研发与测试阶段的解决方案,但是其高能耗、高成本等劣势依然是量产化要面临的挑战.NVIDIA公司针对自动驾驶研发了Drive PX Xavier高性能计算芯片[98],Mobileye公司研发了EyeQ系列芯片,其在研的EyeQ5预计在2020年面世并声称其最大计算功率在10瓦左右[100].Google 在2016年发布了TPU,该芯片专为Google 深度学习平台Tensorflow 框架而设计,与同期GPU相比,可以获得高达30倍的性能提升,以及最高80倍的效能提升[101].百度在2018年7 月发布了全能AI芯片“昆仑”并声称是业内设计计算力最高的计算芯片.高通公司将“骁龙”芯片成功地从手机平台移植至车载平台,在一块电路板上集成5G通信,神经网络处理引擎、GPS、WiFi等多功能的芯片,可以适应未来智能网联与高度自动化汽车的需求.目前,无论是整车厂、互联网公司还是高校,都在投入巨大的人力、物力来抢占智能车辆计算平台的战略高地,研究快速、可靠、安全、低成本的边缘计算解决方案将一直是智能化汽车未来发展的热点.此外,云计算、雾计算[99]等集中或分布式高性能计算资源也将在未来对智能化汽车的发展提供支持。

从驾驶辅助向高级自动驾驶进化过程中,图像、激光点云数据以及大量网联/传感信息逐渐渗透到控制系统中,对车载通信技术也提出了更高的要求.当前主要应用两种无线通信技术,即专用短程通信(Dedicated short range communication, DSRC)和4G LTE[102].但是这两种技术都无法提供千兆比特/秒数据速率、高速移动性支持、大规模机器通信和超低延迟,难以满足完全自动驾驶的要求.智能时代的汽车控制也是5G技术重要应用场景之一,相对4G通信技术,5G的数据传输速度可提升至100倍,端到端的延迟可低至毫秒级[103].因此,5G无线通信技术将为未来完全自动驾驶系统带来强大的助力,为汽车节能、排放、安全等各个核心性能指标带来巨大的提升。

3.2 多源异构大数据信息融合技术

复杂环境下感知能力的不足是制约车辆实现完全自动驾驶的瓶颈.智能时代下,摄像头、雷达、GPS、高精地图以及网联环境(V2X)将为汽车的感知系统提供海量的多源异构信息[104].无论信息来自车载传感、路侧还是周车,信息融合技术都必不可少.基于人工智能的新兴多源信息融合技术能够帮助理解环境的复杂度和信息之间的内在关联度、扩展感知空间和时间范围、提升感知可信度,从而使汽车的感知能力及其鲁棒性得到极大提升,是自动驾驶汽车感知技术的发展趋势.未来一段时间,融合算法将一直是多传感器数据应用研究的热点.以卡尔曼滤波算法为代表的传统方法凭借递归形式进行数据融合[105−106].基于人工智能的融合算法主要包括神经网络和深度学习等[107],意在设计网络拓扑结构,将多源信息作为输入,对输出信息进行学习、理解,确定网络权值分配,完成信息融合及知识获取.针对低成本导航系统,文献[108]提出神经网络方法用来融合惯导和GPS信号测量数据,以获得精确的位置信息.深度学习方法普遍采用监督式的深度学习,这种方案需要使用标注好的数据训练,但是依赖人力的标注工作量巨大.无监督学习算法不需要标签,但是需要不断地试错实现,风险较高.文献[109]在基于多图像特征信息感知的目标分类方面,为了提升深度学习中卷积神经网络的训练效率,在设计局部推荐网络基础上,结合目标检测结果共享图像的卷积特征,提出了基于学习的信息融合方法,一定程度上解决了海量样本训练时的空间开销。

3.3 先进控制理论与方法的逐步应用

汽车芯片计算能力的不断提升为先进控制理论与方法、机器学习与深度学习在实车中的应用带来了机遇.有关机器学习与深度学习的知识请参见文献[123−124],出于篇幅考虑本文不再进行详述.下面将以模型预测控制与非线性控制等先进控制方法为例,简要概述其在汽车控制应用中取得的最新进展.

智能化汽车控制与决策问题通常是多目标并带有约束的.模型预测控制(Model predictive control,MPC)[125]最早应用于工业过程控制,能够处理带有约束的多变量、多目标优化问题.从上世纪90年代第一次应用在发动机怠速控制[126]之后,MPC应用于汽车控制的文献开始大量涌现.目前,MPC已经逐渐成为解决汽车动力总成[14,127−128]、能量管理[129−130]、排放[131]、车辆稳定性[133]等关键控制问题的重要方法.美国通用集团(General Motor,GM)用了5年时间,研发了基于MPC的涡轮增压发动机管理系统[132],该系统将逐步应用于GM旗下2018年以后的量产车型,在世界范围内实现了预测控制汽车应用量产化零的突破.在智慧城市和网联交通的背景下,通过引入未来交通预瞄信息,MPC在车辆预测节能[130]与预测安全[134]等方面有了更广阔的应用前景.随着车辆系统的日益复杂,系统中含有大量不确定性或无法机理建模的动态,基于学习的MPC也逐渐成为了汽车控制的热点[135].此外,优化算法嵌入式研究[136]也必将加速推进MPC在未来智能化汽车控制中的应用进程。

汽车控制系统中涉及诸多底层执行机构的跟踪控制问题,而大部分跟踪控制系统具有强非线性、高耦合性等特点,使得传统PID控制难以保证控制需求.反馈线性化[137]、反步法[10]等基于模型的非线性控制方法能够大幅提高控制系统的跟踪性能并具有良好的鲁棒性,虽然需要较为繁杂的公式推导和简化,依然具有很大应用潜力.面向解决汽车控制实际工程中的跟踪控制问题,文献[138]提出了一种新颖的“三步法”非线性控制系统设计方法,所得到的控制律以“稳态控制−前馈控制−误差反馈控制”的形式呈现,具有设计思路清晰、物理意义明确、工程实现结构简单等优点.该方法首先应用于缸内直喷汽油发动机的轨压控制,并在一汽技术中心的支持下完成了实验台架测试[139].随后,该方法扩展到了高阶、非仿射等一些系统中,分别为变速箱换挡控制[140]、汽车稳定控制[141]、故障诊断[142]等问题提供了解决方案。

在未来,先进控制理论与方法将渗透到汽车控制的各个方面为智能化赋能,如博弈论在人机共驾[143]和电动化汽车能量分配[144]中的应用、逻辑控制[145]在车辆调度、故障诊断中的应用等。

3.4 智能化汽车控制系统新功能

在智能交通和车辆智能化发展的背景下,汽车可以获取更多的外界信息,以模型预测控制为代表的先进控制方法与以深度学习、强化学习为代表的人工智能新技术将得到广泛关注.如前所述,随着云计算逐渐成熟和车辆边缘计算能力的显著提升,复杂高级算法在实车控制系统在线实现成为可能.这些技术的发展不仅增强了汽车上层驾驶决策与规划的能力,也为汽车转向、制动、驱动的新系统/新功能的衍生式发展创造了条件。

3.4.1 开放道路复杂场景的驾驶决策与规划

相比于简单工况,开放道路复杂环境的驾驶决策需要对复杂信息进行分析建模,并在海量信息的支持下做出最优决策,其控制脉络如图4所示.车辆及环境建模、其他交通参与者行为预测和不确定性分析是开放道路驾驶决策的难点.近年来,深度学习认知能力[201]和强化学习的优化框架为开放道路复杂环境下自主决策带来了新思路.基于端对端的自动驾驶深度学习技术通过对采集的驾驶图像集训练,可实现从图像到车辆方向的直接控制[110].NVIDIA针对端对端的方案,进一步提出了可解释的神经网络系统[111],并应用在车道估计[112],车道保持等方面[113]。

图4 开放道路复杂场景的驾驶自主决策与规划技术
Fig.4 The technology of decision-making and planning in open road with complex scenario

针对环境不确定性,机器学习中的动态贝叶斯网络能够建立复杂状态的概率分布模型,是交通环境不确定性辨识与预测的典型解决方案[114].例如,文献[115]采用贝叶斯变化点来预测其他交通参与者的潜在行为,通过评估车辆与其他车辆相互作用的结果,可做到减速放行或者加速通过等控制策略.在有效利用复杂信息的前提下,自动驾驶决策的核心是如何在交互式环境下做出最优决策,这正是强化学习的用武之地:如文献[116]针对弱信号下右转速度控制问题,研究了基于AC算法的最优控制策略;文献[117]针对跟车问题,提出了一种基于强化学习的油门控制方法,并声称其控制策略接近最优控制解.同样,文献[118]提出了一种基于参数化强化学习的车辆纵向优化控制方案.针对模拟环境与实际环境差异产生的不确定性问题,文献[119]提出一种基于图像语义分割网络的强化学习新框架.针对实际应用中的数值问题,文献[120]采用基于逆强化学习方法,学习人类驾驶过程中的高价值策略,在仿真中验证了该方法可以学习人类的驾驶技巧,如加速迫使周围车辆减速等.为了减少对数据的依赖和考虑安全性,文献[121]提出自主学习过程,通过检查分类、聚类、自主学习、在线学习和优化模型,只使用少量数据就可进行自我完善的学习。

其实,现阶段基于深度学习的驾驶决策与规划仍存在问题[122],如对数据依赖等.一些研究已试图提出新的学习框架和策略[121].在未来,不断完善机器学习在复杂信息的处理、转化和优化决策上的能力,突破开放道路复杂场景时自主决策技术,提高对突发事件的处理能力,是汽车自动驾驶控制研究的一个发展趋势。

3.4.2 网联车辆的智能节能

智能节能技术是在传统节能技术的基础上,利用人−车、车−车、车−路通信的网联信息,对车辆行驶状态进行综合优化控制,从而进一步提高整车能源利用效率.如图5所示,车辆利用导航、高精度地图和交通环境的预测信息,综合考虑未来交通状态对车辆行驶经济性的影响,利用滚动时域的优化思想,有预见性地协调优化车辆驱动、制动和传动等系统状态,最终实现整车行驶能量的降低[146−149].相关研究表明,利用网联信息对车辆进行合理的速度规划可以使道路通行率提高10 %以上,随着网联车辆渗透率的不断提高,最终可以提高50%∼90%[150].此外,通过车辆的行驶策略与交通的协调优化,可以使整体交通能源消耗降低15%∼20%[151−152],若进一步考虑车辆动力传动系统的优化匹配,能源消耗可降低至30 %.考虑到网联技术带给汽车巨大的节能潜力,美国能源部高级能源研究计划署(ARPA-E)于2017年斥资3200万美元,资助10个由美国顶尖高校和汽车研发部门组成的科研团队,开展为期3年的代号为“NEXTCAR”研发项目,从不同角度研究下一代智能网联汽车的节能技术,期待达到20 %燃油经济性的提升[153].在此背景下,智能节能技术已经成为汽车智能化领域的热点研究方向之一。

图5 智能网联环境下的智能节能与减排技术框图
Fig.5 Connectivity for improved fuel economy and reduced emission

在城市快速路和高速公路工况中,由于道路交通条件比较单一,节能潜力主要从考虑道路坡度、曲率等信息以及车速摄动中获取,如利用道路的坡度和GPS定位,综合优化驾驶任务的完成时间和消耗的能量[154−155].相比高速路,城市路况则更为复杂,具有更多的约束条件和场景,所以目前针对城市路况下智能节能主要集中在某些特定的场景.考虑未来交通灯信息和预测速度信息,对行驶速度进行规划可以有效降低车辆红灯的等待时间同时达到节能的目的[130,156−157].对于电动汽车在固定路段行驶任务的速度规划问题,通常要考虑电机和电池效率因素,对电动汽车行驶过程中的电机需求力矩、制动力、能量回收进行优化,实现整车续航里程的提升[158−162].在实际道路行驶条件下,前车的驾驶行为对本车的能耗具有较大影响.因此,在预测巡航控制系统框架下,适当放宽巡航速度以及前后车间距的跟踪要求,可以提高车辆的节能潜力[156,163]。

目前关于智能节能技术的研究主要是针对动力源的能效优化,很少关注辅助设备(如空调系统、照明系统)对整车能耗的影响.实际上空调系统的能耗相当可观,对整车行驶里程的影响非常大,而车辆电动化程度越高,空调系统能量消耗所占总体能耗的比例越高.来自美国的一项统计表明,全美轻型乘用车每年空调所消耗的燃油量可达到70亿加仑[164].美国阿贡实验室针对福特福克斯纯电动车进行了夏季实车测试,在UDDS城市工况下受空调制冷的影响,车辆行驶里程将缩短53.7 %[165].针对冬天城市工况,美国阿贡实验室对2010丰田Prius混合动力汽车也进行了实车测试,分析了暖风对整车油耗的影响[166].因此,把热管理扩展为一个控制维度,通过调控空调的出力,研究车辆的能量与热量一体化优化控制可以进一步挖掘车辆的节能潜力[167].此外,目前智能节能优化方案主要集中于在某个特定场景,一方面车辆系统在复杂多变的交通环境下的节能效果难以评估,另一方面多源信息融合下的节能控制也鲜有研究.因此,车辆智能节能技术与智能交通、道路信息的融合方法需要进一步完善.在智能节能的研究过程中,单一考虑车辆能效提高往往带来“节能不舒适”、“节能动力不足”、“电池老化过快”等其他的性能降低问题,考虑电池健康管理、驾乘舒适性和安全性的多目标智能节能方法也是未来的研究热点。

3.4.3 网联车辆的智能减排

城市拥堵交通环境下,发动机频繁工作在瞬态工况,使得排放较为恶劣.一方面,后处理技术一直不断取得进展[15].另一方面,与智能节能技术类似,结合网联信息的发动机排放控制也为改善发动机瞬态原排提供了机遇。

一般地,在智能网联环境下,基于V2V 信息,通过反馈控制做到车辆的平顺行驶,可以减少起/停过程中车辆的污染排放和燃油消耗[168].面向多交叉口通道的交通场景,通过合作车辆交叉口控制,不仅可以有机会减少追尾事故发生,同时降低车辆的排放[169].进一步,通过协调控制交通灯正时与车辆行驶轨迹对排放优化有着非常重要的意义[170],如结合车辆与动态交通信号灯之间的通信对车辆速度、挡位等进行优化,实现CO、NOx 以及颗粒物等排放物的降低[171−174].目前基于智能网联信息减排的一些成果主要以油耗最低或减少拥堵时间为目标优化巡航车速达到节能减排的目的.未来随着排放法规的日益严格,重型柴油商用车的预测减排控制、基于网联信息的油耗与排放一体化协同控制将是未来重型车辆的研究趋势.此外,基于网联信息的多车协同、多车编队控制也是智能化车辆节能减排研究的热点话题[175−176]。

3.4.4 网联车辆的预测安全控制

结合网联信息的预测安全控制为汽车主动安全的提升提供了机遇.这里提到的预测安全控制的概念如图6所示.预测安全控制技术借助V2V、V2I等网联信息获得的交通预瞄信息,同时借助车辆动力学模型预测车辆未来的动力学信息,进而应用模型预测控制方法来滚动优化安全性能指标,指导车辆在遇到危险隐患情况前有预见性的对转向、制动、驱动等执行机构做出控制决策,从而最大程度规避危险、减少交通事故的发生.预测安全控制比较典型的例子有自主驾驶车辆主动避障系统[177,180]、爆胎后稳定性控制[179]、车道保持[178]以及自动驾驶车辆路径规划与跟踪控制[181]等.考虑到多变量并带有约束,四轮驱动车辆中力矩分配与转向的协同控制[182−183]来保证横摆角速度的跟踪与车辆稳定性依然是一个挑战性的问题.针对垂向主动/半主动悬架控制,利用云端数据或摄像头等信息,可以提前预知前方的坑洼地带,通过调节悬架来协调车辆的舒适性与安全性[184]。

另外,由于驾驶员的操作不当或路面环境恶劣,车辆往往会进入非线性区域的极限工况,严重危胁驾驶员的生命安全.因此,极限工况下的车辆动力学协同控制是未来的关键技术与发展趋势.极限工况主动安全控制技术的核心问题是如何通过制定主动安全功能的可控度最高的控制系统构架,并根据当前工况下侧−纵−垂向主动安全功能的需求,给出相互冲突的优化目标的数学表达,进而利用交通预瞄信息与动力学预测模型,对底层执行器的控制动作进行直接优化,实现临界稳定情况的主动安全控制.当系统处于失稳状态时,利用安全行驶区域优化结果规划可行的安全性行驶轨迹,进而通过对失稳状态下不稳定平衡点的跟踪控制,实现漂移控制或避免二次碰撞控制,提高汽车的主动安全控制性能。

3.5 人在回路的智能化汽车控制

在汽车智能化与自动化程度由低到高发展进程当中,未来相当长的一段时间内汽车都要与人“打交道”.人在回路(Human in the Loop)从微观角度涉及单车自主驾驶过程中的人机交互接管等问题, 从宏观角度上涉及不同自主驾驶车辆渗透率 (Penetration rate)下自主车辆与人驾驶车辆的协同等问题。

3.5.1 混合增强智能下的人机共驾

图6 预测安全控制框架示意图
Fig.6 Schematics of predictive safety control concept

人工智能虽然已经深入到智能车信息融合与感知、决策与控制各个环节,但真正意义上的全工况自动驾驶在短期内很难实现,驾驶人和智能系统分享车辆控制权、协同完成驾驶任务的人机共驾必将长期存在.因此,结合人类智能与机器智能各自优势的人机智能混合增强技术可以进一步促进汽车智能化的发展,是未来的发展趋势.所谓混合增强智能是通过人机智能的混合增强,形成双向的信息交流与控制,构成“ 1+1>2”的人机合作混合智能系统.人机共驾主要涉及驾驶人意图/行为建模和人机协同两个方面的研究:驾驶人意图识别主要是依靠驾驶人的动作和姿态、车辆状态和交通环境对驾驶人的意图进行推测和估计[185],而驾驶行为建模则涉及模拟人类驾驶过程中预瞄跟踪的特性[186]以及人 − 车 − 路闭环系统随时空迁移的变化特征[187];目前人机共驾按照接管程度可分为增加驾驶人感知能力的智能驾驶辅助[188]、特定场景下人机驾驶权的切换[189−191]和人机协同下的驾驶权动态分配[192−193]。

未来人机共驾的热点科学研究可能围绕如下几点展开:1)驾驶人驾驶状态、习性、技能建模与预测;2)人机共驾车辆的运动稳定性和碰撞安全性理论;3)驾驶人在回路的人机协同感知与认知;4)人机在决策规划以及控制执行中的交互与协同;5)个性化的人机共驾系统;6)面向有条件自动化/高度自动化的人机共驾系统;7)人机共驾系统验证平台与测试评价方法。

3.5.2 不同渗透率下的自动驾驶车辆控制

自动驾驶会是一个逐渐发展与普及的过程.在未来相当长的一段时间内,路面上的交通参与群体将呈现自动驾驶车辆与人驾驶车辆混杂的状态,这就给原本复杂的交通环境带来了更多的复杂度和不确定性.因此,能够适应不同渗透率的智能驾驶控制及其能耗与安全评估将是未来的研究热点.文献[194]面向微观混杂交通环境建模与车辆能耗评估需求,研究车辆并线插车对自动驾驶车辆能耗的影响.该文利用Safety Pilot Model Deployment(SPMD)大数据,提出了随机车辆并线建模方法,用“礼让系数”、“耐心系数”等重要的拟人化参数刻画驾驶人的并线行为并标定出概率分布,将所建立的并线模型应用于混杂交通环境中,揭示了有人驾驶车辆并线插车行为对自动驾驶车辆经济行驶需求下的速度轨迹规划的影响,初步评估了自动驾驶车辆潜在能耗提升潜力.文献[195]针对匝道并入主路情况下的车辆能耗优化问题展开研究,建立了混杂交通的仿真环境,分析了不同混杂率交通环境对自动驾驶控制下车辆能耗的影响,为混杂交通环境下的自动驾驶车辆控制提供了思路.可以预见,复杂交通环境不同渗透率情况下的自动驾驶自适应控制方法研究在未来很长的一段时间都将是热点问题.

3.6 自动驾驶控制系统的虚拟测试与评价技术

自动驾驶车辆的设计开发是一项严格的系统工程[202],其中测试和评价是关键要素.自动驾驶控制系统的信息安全性及功能安全性要达到可以信赖的程度,需要完成数亿至千亿英里的里程测试[203].目前在安全性方面评估自动驾驶汽车主要是基于道路测试[204].要完成既定的里程测试,金钱成本和时间成本都是挑战[205].美国谷歌公司提出实际道路测试和封闭试验场虚拟测试相结合的方式,在7 个月时间内完成了300万英里城市道路测试,大幅度增加了测试速度.因此,建立能够反映真实复杂交通环境的虚拟试验平台,开发可靠的补充测试方法(如虚拟测试、情景测试),可以缓解对于实际道路测试的依赖,对于自动驾驶控制系统测试与评价至关重要,是未来的发展趋势。

虚拟测试、加速测试等新兴测试方法正逐渐成为当前的研究热点.为了构建智能驾驶模拟测试场,美国密歇根大学在当地政府的支持下,建造了世界上第一座专为测试智能汽车的虚拟小镇Mcity.Mcity 在2017年发布的白皮书中公开了自动驾驶快速测试的方法论,其主要思想是利用大数据建立可能发生危险情况的随机模型,并通过基于学习的方法提取自动驾驶车辆的应对结果进行重要性抽样,从而完成危险情况下自动驾驶的可靠性加速评估,相较于传统的方式,该方法能够大幅加快测试速度并且减少资金花费[196−197].新型测试方法需要配合虚拟技术的研究,例如虚拟测试中车辆的虚拟感知系统构建、虚拟场景的构建及数据集的获取.密歇根大学交通运输研究所UMTRI融合了视频游戏技术和其他虚拟技术,将现实世界与虚拟世界相结合,应用增强现实技术创造出一种更快、更有效、更具经济效益的CAV(Computer aided verification)测试方法[198].文献[206]指出在驾驶模拟系统中虚拟智能车辆对系统的真实感和实验的可靠性要求很高,并使用数据库技术与碰撞检测算法构建虚拟智能车辆测试方法.文献[207]基于新型视觉传感器,利用公共数据集可用信息合成基于事件相机数据的模拟器,将传统相机与基于事件的传感器相结合,具有低延迟、高时间分辨率和高动态范围的优点.此外,一些商业仿真软件也用于构建模拟驾驶场景,如SIVIC、SCANeR 和preSCAN等[208].最近,基于平行理论的虚拟测试方法被提出[199−200],该方法通过虚实互动的车辆智能评估手段来测试和验证无人车对复杂交通场景的理解和行驶决策的能力,可为推动无人驾驶技术的进一步发展助力。

尽管虚拟测试技术在自动驾驶控制系统测试中发挥着很大作用,但是自动驾驶控制的测试终究离不开实车或硬件在环台架测试.目前,很多自动驾驶新增控制模块需要与原底层执行机构电控单元进行信号交互,而底层电控单元开放权限大多掌握在整车厂或电控供应商手中,考虑产品保密和同行业竞争等因素,获得开放权限并不容易,于是一些重要的测试只能停留在仿真阶段.因此,为了打通完整的自动驾驶测试链条,电控单元接口开放将是未来需要解决的问题。

4 结束语

纵观汽车工业的发展历程,汽车驾驶的自动化进程一直都在进行,自动驾驶技术也从辅助驾驶向着方向盘、油门、制动和挡位的完全自动化操作逐步迈进.汽车智能时代的来临凸显了电控的重要性,控制决策与执行层面的自主研发能力是高度自动化汽车量产的前提和保证.智能时代下,汽车自动化进程中存在空前机遇的同时也存在极大的挑战,前方依然有许多未知的难题等待汽车控制工作者去探索.随着先进的算法与更多信息的相互交融衍生出更多新系统与新功能,汽车将会变得越来越智能,也将会给我们带来更安全、更经济、更便捷、更舒适的智慧出行。