導(dǎo)讀：2018年第三期（總第二十七期）“錢學(xué)森國際杰出科學(xué)家系列講座”在中科院自動化研究所舉辦。本期講座邀請到加拿大滑鐵盧大學(xué)Amir Khajepour作題為“Next Generation of VehicleControl Systems”的報告。報告著眼于汽車控制系統(tǒng)的發(fā)展和目前汽車工業(yè)面臨的挑戰(zhàn)。隨著汽車通信、自主駕駛、傳感系統(tǒng)和人工智能的快速變化，要求在車輛控制系統(tǒng)中采取更全面的方法來處理未來和當(dāng)前新的發(fā)展。Amir Khajepour教授介紹了目前在機電車輛系統(tǒng)中用于開發(fā)下一代車輛控制系統(tǒng)的路線圖。事例和道路試驗結(jié)果表明，新的整體性方法可以提高車輛的安全性，減少開發(fā)時間和誤差。

嘉賓簡介：

AmirKhajepour教授擔(dān)任車輛機電一體化領(lǐng)域的Tier－1 Canada Research Chair 以及在加拿大自然科學(xué)與工程研究理事會（NSERC）、通用汽車（General Motors）擔(dān)任資深的整體車輛控制領(lǐng)域的研究主席。Amir Khajepour教授在幾個關(guān)鍵的多學(xué)科領(lǐng)域開展了廣泛的研究計劃。他發(fā)表了超過450篇論文和會議出版物，8本專業(yè)書籍，并發(fā)表了許多主題演講。他是加拿大工程研究院（Engineering Institute of Canada）院士、美國機械工程師學(xué)會（American Society of Mechanical Engineering）會士和加拿大機械工程師學(xué)會（Canadian Society of Mechanical Engineering）會士，并擔(dān)任Journal of Mechatronics、International Journal of Vehicle Autonomous Systems、International Journal of Powertrain副主編。

報告內(nèi)容：

主持人王飛躍教授：

Amir Khajepour 是加拿大滑鐵盧大學(xué)的教授�；�鐵盧大學(xué)與國內(nèi)高校不同，其要求學(xué)生在校學(xué)習(xí)一年后外出實習(xí)一年，這是全北美唯一一所實行這種學(xué)制的大學(xué)。雖然學(xué)校創(chuàng)建時間相對較晚，于1957年成立，但這種獨特的學(xué)制要求使得學(xué)校所培養(yǎng)的學(xué)生倍受公司青睞。同時，學(xué)校很多畢業(yè)生現(xiàn)在都在硅谷工作或創(chuàng)業(yè)，比如自動駕駛卡車公司。

他是加拿大工程研究院（Engineering Institute of Canada）院士、美國機械工程師學(xué)會（American Society of Mechanical Engineering）會士和加拿大機械工程師學(xué)會（Canadian Society of Mechanical Engineering）會士，并擔(dān)任Journal of Mechatronics（機電一體化）、International Journal of Vehicle Autonomous Systems（國際汽車自主系統(tǒng)）、International Journal of Powertrain（動力傳動系統(tǒng)國際期刊）的副主編。他主要進(jìn)行汽車動力學(xué)、車輛控制系統(tǒng)等方面的研究工作，并且在相關(guān)領(lǐng)域中發(fā)表了非常多的文章。

今天他為我們帶來的報告題目是 Next Generation of Vehicle Control Systems，大家掌聲歡迎Amir Khajepour 教授。

主講嘉賓：

非常感謝王教授的介紹，很榮幸能夠來到這里針對我在下一代車輛控制系統(tǒng)方面的研究工作進(jìn)行報告。

今天，我想首先介紹一下我在滑鐵盧大學(xué)所負(fù)責(zé)的實驗室，接著針對車輛控制系統(tǒng)（Vehicle Control Systems）方面研究的主要挑戰(zhàn)以及下一代車輛控制系統(tǒng)的研究原因進(jìn)行闡述，最后具體展示為應(yīng)對和解決這些挑戰(zhàn)而進(jìn)行的相關(guān)工作。

我所管理的機電車輛系統(tǒng)實驗室（Mechatronic Vehicle Systems Laboratory）擁有包括博士、技術(shù)員、博士后等在內(nèi)的研究人員約40－50人，他們分別負(fù)責(zé)不同的研究項目。所進(jìn)行的工作內(nèi)容不僅限于理論研究，而是涵蓋從理論研究到模型設(shè)計再到量化生產(chǎn)以及測試設(shè)施和實驗測試等全部研究流程范疇。此外，實驗室還擁有如上圖所示的測試車輛。實驗室面向所有類型的交通運輸工具進(jìn)行研究，不論是傳統(tǒng)車輛還是全電式車輛，或是用于電力管理與控制研究的大型運輸卡車，以及用于新技術(shù)開發(fā)的新型城市車輛。

所以我們的研究工作簡單來說就是，提出并探究一些新的想法或概念，將其轉(zhuǎn)化為實體形式并應(yīng)用于實際車輛進(jìn)行全面測試。上圖就是目前實驗室所擁有的一些測試車輛（test vehicles）。

目前，實驗室致力于研發(fā)能夠完全由車輛進(jìn)行自主駕駛及控制的高性能車輛（new high performance vehicle），即性能達(dá)到飽和水平的車輛。例如，我們將一輛SUV（Sport Utility Vehicle，運動型多用途汽車）改造為600馬力（1公制馬力＝75千克力·米／秒＝735瓦特、1英制馬力＝550英尺·磅／秒＝745．7瓦特）的全電動轎車，其能夠以50英里／小時－60英里／小時的速度進(jìn)行自主行駛。同時，這輛車可進(jìn)行與小型轎車同等程度的測試。

從上圖中可以看到，所有測試車輛的車載裝置（instrumentation）都配備齊全，使車輛能夠進(jìn)行各種類型的所需測試。

現(xiàn)在我們看到的是測試跑道設(shè)施（test track facilities）。左上角的測試跑道在學(xué)校附近，用于車輛大部分的本地測試。右上角是位于美國米爾福德市的跑道設(shè)施，其用于通用模型車的相關(guān)測試，圖中展示的是路面對比測試路段。下圖展示的是車輛在英國金羅斯市進(jìn)行冬季測試。

背景

Background

接下來我將進(jìn)入報告主體部分——車輛控制。

從整體來看，一輛車（vehicle）就相當(dāng)于一個控制系統(tǒng)，車輛的行駛就像控制器的運行。駕駛員（driver）在駕駛車輛時會對周圍環(huán)境進(jìn)行觀察，例如路面狀況、視野內(nèi)的可見物體等，并給車輛發(fā)送相應(yīng)的信號，即施加給方向盤、剎車和油門的操作信號。隨后，駕駛員通過眼睛和耳朵等感知器官接收車輛產(chǎn)生的狀態(tài)反饋信號，進(jìn)行相應(yīng)的控制調(diào)整。

環(huán)境（environment）能夠?qū)︸{駛員和車輛同時產(chǎn)生影響。如果道路狀況較差，那么車輛可能不會對控制操作做出精準(zhǔn)的反應(yīng)，或者駕駛員的駕駛行為可能會發(fā)生變化。所以環(huán)境是影響車輛控制系統(tǒng)的噪聲和干擾的一部分。

而在車輛中加入控制器（controller）后，就能夠?qū)崿F(xiàn)對車輛故障或難以控制狀況的調(diào)整�？刂破魍ㄟ^環(huán)境輸入獲知行駛環(huán)境路況，同時通過駕駛員的輸入了解駕駛操作狀態(tài)�？刂破魍ǔ＿�需根據(jù)車輛自身的行駛狀況，例如轉(zhuǎn)向角、制動轉(zhuǎn)矩或牽引轉(zhuǎn)矩等信息，向車輛反饋相應(yīng)的信號，從而調(diào)整駕駛員的駕駛行為。

事實上，主動控制系統(tǒng)引入車輛的歷史并不長。17世紀(jì)之前，所有車輛的行駛都僅依賴于駕駛員的操作控制，人類是車內(nèi)唯一的控制器。在那之后，車輛控制系統(tǒng)中開始加入一些被動的安全裝置，比如安全帶（seat belts）。

17世紀(jì)以后，市面上出現(xiàn)了包括主動安全系統(tǒng)在內(nèi)的新型設(shè)備裝置。首先是在1978年出現(xiàn)的防抱死剎車系統(tǒng)（Anti－lock Braking System， ABS），其作用是當(dāng)剎車踏板被用力踩下或車輛在結(jié)冰的地面上制動時，確保車輪不會被完全抱死鎖住。隨后在1980年，出現(xiàn)了能夠?qū)�車身變化進(jìn)行更好地控制的主動或半主動懸架系統(tǒng)（Active／semi－active suspension system）。1987年的牽引力控制系統(tǒng)（traction control system， TCS）用于防止車輛在起動或加速時出現(xiàn)的車輪打滑等現(xiàn)象。其后，1995年面世的車身電子穩(wěn)定程序（Electronic Stability Program， ESP）可以通過在車輛一側(cè)采取制動措施使車身產(chǎn)生轉(zhuǎn)動以控制車輛的移動。在那之后，2004年的主動前輪轉(zhuǎn)向（Active Front Steering， AFS）能夠調(diào)整轉(zhuǎn)向角度來防止某些事故的發(fā)生。

目前市面上任何類型的車輛，都至少擁有最低標(biāo)準(zhǔn)數(shù)量的車輛動力學(xué)控制系統(tǒng)（Vehicle Dynamics Control System， VDC）。同時，無論是用于安全系統(tǒng)還是其他系統(tǒng)中，不同用途的微處理器數(shù)量都在迅速增多，這使得車輛變成了“車輪上的計算機”。而能夠在這些“計算機”上進(jìn)行駕駛操作，主要歸功于大量存在于其中的處理元件和應(yīng)用程序。

挑戰(zhàn)

Challenges

現(xiàn)在的問題是，這些加入到車輛中的主動控制系統(tǒng)都是相對獨立的組件。車輛所需的不同系統(tǒng)組件可能需要分別從不同的公司購買，同時這些組件以及控制器之間還需要進(jìn)行匹配，以確保它們能夠順利地協(xié)同工作。在這個過程中，汽車公司為保證不同控制系統(tǒng)能夠順利協(xié)調(diào)運行，構(gòu)建了許多查找表和事件庫，導(dǎo)致耗費了大量的時間和資金。

而車輛控制系統(tǒng)的復(fù)雜度在未來將會進(jìn)一步增加，其主要與駕駛員輔助系統(tǒng)（Driver Assistance System， DAS）和自主駕駛（Autonomous Driving）有關(guān)，例如增加新型傳感器、路徑規(guī)劃和跟蹤功能以及越來越多的程序代碼和控制算法。同時，除了車輛能夠自主獲取的信息外，所用信息還來自于物聯(lián)網(wǎng)（Internet of Things， IoT），其使得所有事物間都可以進(jìn)行信息交互。與此同時，所獲得的大量信息需要進(jìn)行有效利用，這就引入了信息融合（information fusion）這一復(fù)雜度。此外，連通的車輛（connected vehicle）間可以進(jìn)行溝通交互，這意味著一輛車能夠獲得其附近所有車輛的信息。車輛與其他車輛、基礎(chǔ)設(shè)施甚至所有的事物的信息交互使得系統(tǒng)變得異常復(fù)雜，所以現(xiàn)在的問題是，該如何利用這些復(fù)雜信息？

這些挑戰(zhàn)要求我們采用全新的思路對車輛控制進(jìn)行研究。首先，需要一個能夠解決系統(tǒng)現(xiàn)存和潛在復(fù)雜度問題的平臺。平臺能夠?qū)�現(xiàn)有系統(tǒng)與無人駕駛、物聯(lián)網(wǎng)等新技術(shù)進(jìn)行無縫整合，但要避免系統(tǒng)間引發(fā)沖突或危險情況。同時，要確保消除由不同系統(tǒng)沖突指令所導(dǎo)致的風(fēng)險。此外，需研發(fā)可應(yīng)用于所有不同類型車輛的控制器，在降低系統(tǒng)整體成本的同時不增加可能發(fā)生沖突故障的組件。

整體車輛控制

Holistic Vehicle Control

所以我們提出了整體車輛控制（Holistic Vehicle Control）方法。車輛應(yīng)配備牽引力控制（traction control）、扭矩矢量控制（torque vectoring）、主動轉(zhuǎn)向（active steering）、差動制動（differential braking）和節(jié)氣門控制（throttle control）等常規(guī)車輛控制系統(tǒng)，以及電源管理（power management）、懸架控制（suspension control）、傳動控制（transmission control）、電子限滑差速器控制（Electronic Limited Slip Differential control， ELSD）等系統(tǒng)。

除添加駕駛輔助系統(tǒng)（Driving Assistance Systems， DAS）和自主駕駛的感知層（perception layer）外，為實現(xiàn)駕駛輔助和無人駕駛，還需在現(xiàn)有基礎(chǔ)上安裝許多新傳感器，包括攝像機（cameras）、GPS、雷達(dá)（radars）、激光雷達(dá)（lidars）等。

與此同時，我們利用物聯(lián)網(wǎng)技術(shù)為車輛提供大量的新信息。也就是說，車輛與周圍其他設(shè)備進(jìn)行交互以獲取交通流量、道路狀況、天氣情況等信息。在了解各系統(tǒng)的工作原理之后，我們就可以對車輛進(jìn)行良好的控制。

主要目標(biāo)

Main Goals

那么，為構(gòu)造安全可靠且可控性強的車輛，需要進(jìn)行哪些工作呢？顯然，首先是車輛狀態(tài)估計，因為車中所有的狀態(tài)和參數(shù)信息不可能都通過傳感器進(jìn)行獲取。例如，用于控制車輪滑動狀況的實際車速，事實上其測量并不容易。其次，傳感器和執(zhí)行器的容錯檢測和處理也非常重要。人類可以通過多種途徑感知車輛的噪音、震動或其他狀態(tài)，但無人車該如何在傳感器發(fā)生故障時獲知車輛的狀態(tài)信息呢？另外，我們應(yīng)該確保所有的行駛情況都基于模型庫，而不是查找表或者事件庫。只有通過這種方式，車輛行駛狀況才能被更合理地解釋、拓展和優(yōu)化。同時，車輛也非常需要一個可以應(yīng)對不同情況的通用路徑規(guī)劃系統(tǒng)。最后，當(dāng)發(fā)生車輛碰撞事故時，自主駕駛系統(tǒng)為減輕事故損失而采取的措施也是研究內(nèi)容之一。以上這些就是我們在研究車輛控制系統(tǒng)時想要實現(xiàn)的主要目標(biāo)。

接下來我將介紹一些我們已完成的研究，并展示一些相關(guān)的示例。

主要目標(biāo)——一種具有容錯性和可靠性的可靠狀態(tài)估計系統(tǒng)

Main Goals： A Reliable State Estimation System with Fault Tolerance and Reliability

當(dāng)談到具有容錯能力和可靠性的一般狀態(tài)估計（generalstate estimation with fault tolerance and reliability）時，我們首先要確保所有具有動力系統(tǒng)（powertrain）和拖車結(jié)構(gòu)（trailer）車輛的正常運行，所以需對車輛中的所有狀態(tài)和參數(shù)進(jìn)行可靠的估計。其次，估計系統(tǒng)的模塊化（modularity）使得系統(tǒng)的添加變得更容易。同時，協(xié)同估計（cooperative estimation）也非常重要。我們希望通過車輛間的信息交互以及額外數(shù)據(jù)的融合進(jìn)一步提高估計系統(tǒng)的性能。并且，估計系統(tǒng)需要進(jìn)行故障診斷和可靠性衡量（fault diagnosis and reliability measures），這有助于確保系統(tǒng)性能足夠良好。

這是一幅估計系統(tǒng)的結(jié)構(gòu)總圖（general diagram），假設(shè)現(xiàn)在有一輛車（左側(cè)中部）和大量傳入車輛的信息。所有來自圖中左下角故障檢測和重構(gòu)部分（Sensor／Actuator Fault Detect ＆ Reconstruction）以用于執(zhí)行器和傳感器運行情況診斷的信號以及來自物聯(lián)網(wǎng)模塊（Internet of Things）的額外信息，都將輸入到右側(cè)的一般狀態(tài)估計模塊（State Estimator）。系統(tǒng)都需要進(jìn)行哪些信息估計呢？

首先，從圖片的頂部車輪扭矩估計模塊（Wheel Torque Estimator）開始，我們需要了解施加于每個車輪的扭矩，以確定車輪沒有出現(xiàn)打滑或鎖住的現(xiàn)象。接下來，力估計模塊（Force Estimator）會對坡度和傾角進(jìn)行估計。如果存在一定的坡度或傾角，則需通過圖中底部的道路檢測模塊（Robust Road Grade／Bank Estimator）檢測和估計行駛路況，并且右側(cè)中部的速度估計模塊（Velocity Estimator）將測量每個車輪的速度。最后，圖片右上角的估計可靠性模塊（Estimator Reliability）會衡量所有已完成估計的可靠性，并將所得結(jié)果信息返回控制系統(tǒng)，使其能夠?qū)�控制器進(jìn)行相應(yīng)的操控。

下面是部分測試結(jié)果。測試通過極端不理想的行駛路況來觀察車輛的估計結(jié)果，同時車輛需盡量保持穩(wěn)定車速。在測試過程中，車輛以環(huán)形路線在干燥的瀝青路面（dry asphalt）和濕滑的瀝青路面（wet asphalt）上交替行駛，與此同時分別對其在兩種道路上行駛的縱向速度（longitudinal velocity， vx）和橫向速度（lateral velocity，vy）變化進(jìn)行估計。測試結(jié)果如上圖，圖中的兩條曲線分別代表GPS數(shù)據(jù)和估計數(shù)據(jù)。可以看到，系統(tǒng)對車輛實際狀況的估計結(jié)果準(zhǔn)確度非常高。

主要目標(biāo)——傳感器和執(zhí)行器的故障檢測和處理

Main Goals： Sensor and Actuator Fault Detection and Handling

針對傳感器的失靈或故障現(xiàn)象，我們構(gòu)建了一個可重構(gòu)車輛容錯控制系統(tǒng)（reconfigurable fault－tolerant vehicle control system），并將其添加在圖中左上角的駕駛員輸入之后。系統(tǒng)在接收到傳感器失靈或故障的信號后，必須確保能夠檢測到對應(yīng)傳感器，并通過其他傳感器對其進(jìn)行重構(gòu)。

你可能會問，如何對傳感器進(jìn)行重構(gòu)？實際上車輛中存在一些附加的傳感器，其主要為慣性測量單元（Inertial Measurement Unit， IMU），其能夠通過縱向速度（longitudinal acceleration）ax、橫向加速度（lateral acceleration）ay和角速度（yaw rate）對某些傳感器進(jìn)行重構(gòu)。

接下來我以橫向加速度ay傳感器的檢測和重構(gòu)為例進(jìn)行具體說明。在圖中，藍(lán)黑紅三色曲線分別表示橫向加速度的實際數(shù)值、重構(gòu)數(shù)值和測量數(shù)值。當(dāng)傳感器在2秒時發(fā)生故障導(dǎo)致檢測信號丟失后，系統(tǒng)利用其他的傳感器重構(gòu)所得信號的準(zhǔn)確度較高。所以，即使在失去傳感器檢測信號的情況下，系統(tǒng)依然可以獲得良好的重構(gòu)信號。

現(xiàn)在再來看剛才這個示例的容錯估計研究（fault tolerant estimation）。上面四幅圖分別是左前（Front Left， FL）、右前（Front Right， FR）、左后（Rear Left， RL）和右后（Rear Right，RR）四個車輪側(cè)向力估計（Lateral Tire Force Estimation）的對照實驗結(jié)果，圖中的藍(lán)黑紅三色曲線分別表示輪胎側(cè)向力的實際信號、重構(gòu)信號和測量信號。顯然可以看到，非容錯系統(tǒng)只能給出具有較大誤差的故障信號（fault signal），而重構(gòu)信號則能夠得到各車輪側(cè)向力的準(zhǔn)確數(shù)值。

另外，我們的研究工作還包括利用外界信息對估計結(jié)果進(jìn)行完善。這些信息可能來自V2R（Vehicle to Road Infrastructure）、物聯(lián)網(wǎng)或V2V（Vehicle to Vehicle），但是該如何使用這些信息進(jìn)行估計的優(yōu)化呢？在擁有系統(tǒng)內(nèi)置估計的情況下，我們需要將數(shù)據(jù)融合以優(yōu)化估計。

在研究網(wǎng)絡(luò)通信的整體概念后，我們將其理論引入估計結(jié)果的提高研究中，并將車輛的通信網(wǎng)絡(luò)分為車輛內(nèi)網(wǎng)絡(luò)（Intra－Vehicle Network）和車輛間網(wǎng)絡(luò)（Inter－Vehicle Network）。

通過車輛內(nèi)網(wǎng)絡(luò)，車輛中不同位置的度量值可用于同一位置估計結(jié)果的完善。例如位于圖片左下角的這輛車，其四個車輪都與車身相連。由于車輛整體的剛體運動，車輪所在四個角的速度映射到車輛中心位置都應(yīng)得到相同的結(jié)果，這就是網(wǎng)絡(luò)通信的相同理論。

利用這個理論，車輛每個角車輪的速度數(shù)據(jù)可以通過車輛內(nèi)網(wǎng)絡(luò)傳到中心位置，同時根據(jù)輿論動力學(xué)（opinion dynamics）提高中心位置估計結(jié)果的可靠性。所以即使某個車輪提供的是錯誤數(shù)據(jù)，中心位置的狀態(tài)仍可通過其他車輪的數(shù)值進(jìn)行估計，并返回給車輛的每個角調(diào)整車輪狀態(tài)。

上圖是在冰面上的加速和制動測試所得部分結(jié)果，四張圖分別代表車輛四個車輪的數(shù)據(jù)，研究對象是車輪中心的速度。藍(lán)色和紅色的曲線分別描述傳感器實際測得車輪外圍（Wheel Peripheral）和車輪中心（Wheel Peripheral）的速度，黑色曲線是通過車輛內(nèi)網(wǎng)絡(luò)計算所得數(shù)值（Measure）。

這是一項很難進(jìn)行的測試，特別是當(dāng)車輪旋轉(zhuǎn)或鎖住時。車輪外圍速度在第一行兩幅圖中與車輪中心速度的偏差說明車輪出現(xiàn)打滑失控現(xiàn)象，在下方兩圖中則出現(xiàn)速度突增現(xiàn)象，而利用車輛內(nèi)網(wǎng)絡(luò)則能夠?qū)崿F(xiàn)對車輪中心速度的無偏差準(zhǔn)確估計。

車輛間網(wǎng)絡(luò)（Inter－Vehicle Network）的通信情況也是相似的。每一輛車的通信都依照現(xiàn)行最新標(biāo)準(zhǔn)。

利用通信線路的專用短程通信技術(shù)（Dedicated Short Range Communications， DSRC），所有車輛都能夠?qū)崿F(xiàn)信息傳送。其中，根據(jù)SAE J2735標(biāo)準(zhǔn)，車輛能夠向外界發(fā)送包含臨時車輛ID（temporal vehicle ID）、車輛的緯度、經(jīng)度和海拔（latitude，longitude and elevation of the vehicle）、縱向速度（longitudinalvelocity）、縱向加速度（lateral acceleration）、制動系統(tǒng)狀態(tài)（brake system status）以及車輛大小尺寸（vehicle size）等在內(nèi)的信息。利用這些信息可進(jìn)行有針對性的車輛碰撞減緩處理，所以車輛具體信息的獲取對狀態(tài)估計和無人駕駛來說都非常重要。

可以想象車輛現(xiàn)在處于一個網(wǎng)絡(luò)中，網(wǎng)絡(luò)中的每一個節(jié)點都在向其傳送信息。根據(jù)從每個節(jié)點獲得的信息能夠?qū)ΜF(xiàn)有信息進(jìn)行完善，隨后再將更新后的信息傳回其他車輛。甚至，可以利用這些信息根據(jù)輿論動力學(xué)向指定車輛發(fā)送信息，以完善車輛的狀態(tài)估計。這就是我們所采用的信息融合方法。

上圖就是車輛間網(wǎng)絡(luò)的整個信息交互過程。圖中最上方的車輛接收其他車輛所發(fā)送的速度及其他信息，進(jìn)行自身狀態(tài)估計的完善，同時，其也向其他車輛發(fā)送信息，使車輛了解各自的狀態(tài)估計情況。以上就是狀態(tài)估計方面的研究工作。

主要目標(biāo)——基于模型的控制系統(tǒng)以實現(xiàn)“一個控制器應(yīng)對所有車輛”

Main Goals： Model－based Control Systems to Achieve“One Controller， Any Car”

此外，我們希望開發(fā)一種可應(yīng)用于所有車輛的通用整體車輛控制系統(tǒng)（Holistic Vehicle Control System）。其能夠兼容任何類型的執(zhí)行器，實現(xiàn)執(zhí)行器和傳感器的容錯，并在任何路況下都始終保持魯棒性。同時根據(jù)未來發(fā)展趨勢，其還應(yīng)具有嵌入式電源管理系統(tǒng)（embedded power management system），并能夠?qū)崿F(xiàn)通用路徑規(guī)劃（universal path planning）和無人駕駛領(lǐng)域研究中日益重要的碰撞緩解（crash mitigation）。

從上圖最左邊來看，對于一般的車輛控制過程，無論車輛由系統(tǒng)自主控制還是由駕駛員控制來進(jìn)行路徑規(guī)劃或駕駛操作，或是兩者通過轉(zhuǎn)換機制交替進(jìn)行控制，控制都需經(jīng)過命令解釋器（Command Interpreter）。系統(tǒng)能夠通過命令解釋器理解駕駛操作的目的，例如踩下油門或踩下剎車的操作目標(biāo)。同時，車輛需要一個可重構(gòu)系統(tǒng)（Reconfigurable HVC）。其能夠在某個執(zhí)行器發(fā)生故障時，通過對所需工作任務(wù)進(jìn)行再分配以確保對車輛的正常控制。隨后，系統(tǒng)將通過估計和故障診斷（Estimation ＆ Fault Diagnosis）以及執(zhí)行器（Actuator）。最后，控制命令到達(dá)車輛各元器件，實現(xiàn)車輛控制操作的具體實施。

控制的可重構(gòu)性（control reconfigurability）是針對現(xiàn)有的甚至未來的任何車輛而言的。首先根據(jù)動力傳動系統(tǒng)（Driveline），車輛可分為全輪驅(qū)動（All Wheel Drive ， AWD）、前輪驅(qū)動（Front－Wheel Drive， FWD）和后輪驅(qū)動（Rear Wheel Drive， RWD）。根據(jù)驅(qū)動系統(tǒng)，可分為扭矩矢量控制（Torque Vectoring）、差動制動（Differential Braking）和兩者的結(jié)合體（Hybrid），也可分為主動前輪轉(zhuǎn)向（Active Front Steering， AFS）、主動后輪轉(zhuǎn)向（Active Rear Steering， ARS）和主動全輪轉(zhuǎn)向（All Active Steering， AAS）。除驅(qū)動系統(tǒng)外，還可以添加懸架系統(tǒng)等其他系統(tǒng)，控制器則需要能夠控制所有這些系統(tǒng)。下面將展示我們已研發(fā)的這類控制器的測試結(jié)果，在測試中一個控制器將被應(yīng)用于不同的驅(qū)動系統(tǒng)或車輛中。

上圖所示是綜合穩(wěn)定性和牽引力控制系統(tǒng)（combined stability ＆ traction control）的回轉(zhuǎn)滑測試（Slalom Maneuver），車輛在干燥的路面上以0速度起始后全力加速。在這個測試中，車輛使用全輪驅(qū)動（AWD）和扭矩矢量控制（Torque Vectoring， TV）。

可以看到，第一行和第二行的圖分別是角速度（yaw rate）和側(cè)滑角（sideslip angle）的測試結(jié)果。左邊的兩幅圖是車輛在沒有安裝控制器（Controller off）時進(jìn)行測試的結(jié)果，圖中的期望值（Desired）和實際值（Actual）分別為測試目標(biāo)數(shù)值和實際檢測數(shù)值，測試中車輛角速度的變化應(yīng)隨速度的變化而越來越大。但因為此時車輛中并沒有任何控制器，所以圖中角速度的實際值并不能完全按照期望值進(jìn)行變化，兩者結(jié)果間存在較大誤差。同時，可以看到側(cè)滑角β的結(jié)果變化也很大。當(dāng)側(cè)滑角超過4°時，車輛的滑動角度將會非常大，所以這意味著車輛的行駛狀態(tài)并不穩(wěn)定。

而在車輛中安裝控制器（Controller on）后，觀察左側(cè)兩圖可以發(fā)現(xiàn)，車輛角速度的實際測量值能準(zhǔn)確地按照目標(biāo)期望值變化。這是一個真實的測試案例而不是仿真模擬實驗。而再觀察側(cè)滑角結(jié)果，其變化范圍在大多數(shù)情況下都能穩(wěn)定在4°以下，這說明車輛處于完全平穩(wěn)的行駛狀態(tài)中。

隨后，我們將相同的控制器應(yīng)用于具有完全不同的配置和控制系統(tǒng)的車輛中，這輛車使用后輪驅(qū)動（Rear Wheel Drive， RWD）和差動制動（Differential Braking， DB）。

進(jìn)行相同的測試，左側(cè)兩圖是沒有安裝控制器時的測試結(jié)果。可以看到，角速度的實際值變化無法完全符合期望值變化，同時側(cè)滑角β的最小值低于－20°說明車輛的側(cè)滑偏差非常大。而安裝控制器以后，角速度的實際值能與期望值相符合，且β值的變化范圍完全在1．5°以下，也就是說車輛處于良好的控制下。

在另一種轉(zhuǎn)彎加速（Acceleration in Turn）測試情景下，我們將完全相同的控制器安裝在一輛包含兩個驅(qū)動系統(tǒng)的車中。車輛用后輪驅(qū)動（Rear Wheel Drive， RWD）、主動前輪轉(zhuǎn)向（Active Front Steering， AFS）和差動制動（Differential Braking， DB）。

上圖是在沒有控制器情況下的測試結(jié)果，圖中的紅色虛線為期望的測試結(jié)果，藍(lán)色實線則描述車輛的實際行駛狀況。可以看到，左上圖中角速度的實際測試結(jié)果極值非常大，并且左下圖中側(cè)滑角β值的最小值和最大值分別達(dá)到－50°和80°，說明車輛在這個測試情況下完全打滑失控。同時，車輪速度（wheel speed）的實際結(jié)果也存在較大偏差。

這幅圖展示的就是車輛的實際行駛情況。方框外是干燥的路面，方框內(nèi)則是濕滑的路面。車輛試圖按照藍(lán)色的軌跡行駛，紅色軌跡則代表車輛的實際行駛路線。觀察兩條軌跡間的偏差可以發(fā)現(xiàn)，車輛從濕滑路面的中部開始打滑失控，而當(dāng)行駛到濕滑路面的末端時，其實際行駛方向與目標(biāo)方向間的側(cè)滑角偏差達(dá)到了80°。

上圖是安裝控制器后的測試結(jié)果。這是一個非常困難的測試，車輛需要在濕滑的路面上行駛的同時進(jìn)行全力加速轉(zhuǎn)彎。但可以看到，實際結(jié)果能夠較準(zhǔn)確地按照期望進(jìn)行變化。

這時車輛的實際行駛情況是，紅色與藍(lán)色軌跡完全重合。所以車輛在配有控制器時，實際行駛軌跡能夠完全符合目標(biāo)期望。

主要目標(biāo)——車輛穩(wěn)定控制的通用路徑規(guī)劃

Main Goals： Universal Path Planning with VehicleStability Control

對于通用路徑規(guī)劃這一目標(biāo)，我們利用勢場（potentialfield）來進(jìn)行相關(guān)研究。勢場能夠用于任何物體的描述，而物體的形狀取決于自身的重要性。若物體具有很強的重要性，則將形成非常高的山脈，反之則將形成小丘陵。所以通過這種方式，可以生成不同的行駛狀況情景，或?qū)⑿旭偮窙r環(huán)境轉(zhuǎn)化為丘陵或山谷。

舉例來說，在右上圖中有五輛車行駛在車道上。通常為了保證車輛行駛的安全性，道路中線位置的地面會略微凸起，而道路邊界部分的地面則具有明顯較高的地勢，如左上圖所示。而行駛在道路上的每輛車，例如右上圖中并排的兩輛車，在勢場中則顯示為左下圖中與山岳類似的形狀。將左側(cè)兩幅道路狀況圖疊加，就會生成右下圖中的圖形。如果俯視觀察這些圖形，那么結(jié)果將會非常有趣。

最左側(cè)的圖像代表道路（Road），圖像利用顏色的過渡變化表示地勢高低過渡變化，圖中藍(lán)色和紅色區(qū)域分別表示低地勢和高地勢，也就是剛才所展示的路面地勢狀況。中間圖像中的兩個紅色圓形圖案表示車輛（Vehicle），藍(lán)色背景表示道路。若將兩幅圖像疊加，那么所得結(jié)果將會與最右側(cè)圖像類似。

現(xiàn)在想象一下，若使水從上述圖形的一端流入，則其將會流經(jīng)較低的平面。也就是說，基于勢場的方法尋找適合車輛的行駛路徑就等同于在勢場中尋找海拔最低的路面。通過最低海拔即可找到最佳路徑，這就是我們所采用的整個研究思路。

上圖是我們研究的一個駕駛情況示例，圖中的紅色方框代表車輛，黑色方框代表以恒定速度移動的障礙物（moving obstacle with constant velocity）�，F(xiàn)在車輛想要維持現(xiàn)有車速向右行駛，故需進(jìn)行變道操作以越過障礙物。顯然，利用勢場的方法，車輛根據(jù)最低海拔找到了適合的行駛路線，由上圖移動到下圖所示的位置。

下面是另一個示例，用于研究車輛在彎曲道路上變換行駛車道的情況（lane change on a curved road），圖中三種顏色的圖標(biāo)分別代表三臺移動車輛�？梢钥吹�，藍(lán)色圖標(biāo)所代表的車輛在向右行駛的過程中找到了合適的行駛路線并進(jìn)行變車道操作。

另外在這個示例中，這種方法使我們不僅能夠?qū)σ苿臃较蜻M(jìn)行控制，同時還能夠?qū)π旭偹俣冗M(jìn)行調(diào)整。在下方兩圖中，藍(lán)色曲線分別表示可進(jìn)行調(diào)整的縱向力（longitudinal force）和轉(zhuǎn)向角（steering angle），紅色曲線分別表示車輛的速度（speed）和側(cè)向加速度（lateral acceleration）。左下圖中的藍(lán)色曲線描繪的是車輛的剎車或加速控制情況，可以看到車輛在變換車道時其車速從近100Km／h驟降到約83Km／h，而在完成車道變換后車速又逐漸回升到100Km／h。

主要目標(biāo)——碰撞減緩與控制

Main Goals： Crash Mitigation and Control

最后對于碰撞減緩（crash mitigation），我認(rèn)為人們需要始終記住，自動駕駛并不意味著能夠避免碰撞事故的發(fā)生。那么問題是，如何進(jìn)行碰撞減緩才能將損害最小化？

對車禍?zhǔn)鹿蕠?yán)重程度（the severity of an accident）來說，其主要影響因素有車速（Speed of the crash）。其次還有障礙物的種類（Nature of the obstacle），比如障礙物屬于大質(zhì)量還是小質(zhì)量固體？同時，車輛安全設(shè)備（Vehicle safety devices）和碰撞的方向（Direction of collision）也很重要，例如以45°角撞擊所造成的碰撞事故將會使被撞車輛的損壞程度最大化。最后是車輛質(zhì)量比（Mass ratio of the vehicles），例如轎車與卡車相撞所造成的損壞顯然要比其與同類型轎車相撞嚴(yán)重得多。

我們可以做的是，利用這些相關(guān)因素以確保在將要發(fā)生碰撞的情況下，將事故損失最小化。上圖就是一些相關(guān)研究示例。在這個場景中有三輛車，其中紅車在行駛過程中突然改變行駛車道，而右側(cè)的藍(lán)車在其變道的同時沒有足夠的時間停車，所以顯然藍(lán)車將會發(fā)生碰撞事故。若其不采用任何碰撞減緩或路徑規(guī)劃措施，則結(jié)果將如左下圖所示，藍(lán)車為躲避紅車而向左前方行駛，最后以45°的夾角撞擊紫車或紅車的側(cè)面。

但按照右下圖所示，碰撞損失最小的情況是藍(lán)車從正后方撞擊紅車。因為藍(lán)、紅兩車的相對速度最小，且追尾事故對相撞兩車來說所造成的損失最小。故在紅車變道時，藍(lán)車應(yīng)在全力剎車的同時迅速實施這項減緩措施，而不是改變行駛方向。

而在相同的情景中，如果前車為卡車而非轎車，那么減緩措施就需要進(jìn)行相應(yīng)的調(diào)整。因為從側(cè)面撞擊紅車所造成的損失比從后方撞擊卡車要小，所以藍(lán)車的碰撞減緩方案應(yīng)為改變行駛方向撞擊紅車。

總結(jié)

Summary

以上就是對我們在研發(fā)下一代車輛方面研究工作的概括性總結(jié)�？偟膩碚f，車輛由于交通方式、無人駕駛和共享經(jīng)濟(jì)等新變化以及不同傳感器的增加而變得更越來越復(fù)雜。就目前來說，所有的組件或系統(tǒng)都為獨立式設(shè)計，這意味著將其結(jié)合的運行效果并不理想，所以應(yīng)盡量避免這種情況的發(fā)生。此外，我們需思考該如何利用當(dāng)前的新型傳感器、車輛通信以及物聯(lián)網(wǎng)，這些都是使系統(tǒng)更加復(fù)雜的新挑戰(zhàn)。但在作為挑戰(zhàn)的同時，其也為車輛的安全和性能優(yōu)化的進(jìn)一步研究創(chuàng)造了新的機會。最后，我認(rèn)為不能局限于車輛控制系統(tǒng)方面的原有研究思路，應(yīng)構(gòu)思統(tǒng)一且整體的新方法去解決問題。另外，還應(yīng)該堅持構(gòu)建基于模型的系統(tǒng)而非臨時的專用系統(tǒng)。

以上就是今天講座的全部內(nèi)容，謝謝大家。

Q＆A

Q1：我想請問教授您如何看待強化學(xué)習(xí)（Reinforcement Learning）？您會選擇怎樣將其應(yīng)用于無人駕駛的研究中？

A1：在大多數(shù)情況下，學(xué)習(xí)方法（例如機器學(xué)習(xí)、深度學(xué)習(xí)和強化學(xué)習(xí)）和其他相關(guān)技術(shù)都應(yīng)用于感知層面。因為人類利用自身的感官來感知車輛行駛環(huán)境的過程無法使用方程式描述，所以車輛一般通過學(xué)習(xí)過程進(jìn)行感知。

而如果車輛的行駛環(huán)境信息已知，我更傾向于推導(dǎo)相關(guān)原理方程式或構(gòu)建環(huán)境模型。為什么要利用學(xué)習(xí)方法來研究已知原理的簡單事物呢？人們通常認(rèn)為通過學(xué)習(xí)方法可以完成任何研究工作，但我不認(rèn)為這個觀點是正確的。當(dāng)模型無法建立時應(yīng)利用學(xué)習(xí)方法，但模型已知時為什么要使用它呢？例如，我曾見過有人用學(xué)習(xí)方法對鐘擺的運動進(jìn)行模擬仿真，為什么要用它來模擬符合微分方程的鐘擺運動呢？

所以，應(yīng)在無法對所研究的復(fù)雜事物進(jìn)行具體公式推導(dǎo)時使用學(xué)習(xí)方法。不了解大腦與眼睛或耳朵等感官進(jìn)行信息傳遞的具體方法過程，才是使用學(xué)習(xí)方法的原因。

Q2：我認(rèn)為碰撞減緩是無人駕駛領(lǐng)域中非常有挑戰(zhàn)性的研究問題。未來車輛的設(shè)計布局是否可能與現(xiàn)有車輛不同，例如沒有駕駛座？

A2：這是我們需要進(jìn)一步研究新事物。首先，這涉及許多倫理道德標(biāo)準(zhǔn)。剛才我只展示了從車輛碰撞損失角度來看明確的示例，而并沒有考慮人類影響因素。但如果現(xiàn)在有兩輛車，一輛車載有兩名乘客，另一輛車只載有一名乘客。那么在無法避免碰撞的情況下，應(yīng)該撞擊哪輛車呢？又或者，一輛車載有年輕乘客，另一輛車載有老年乘客，那么又該撞擊哪輛車呢？

顯然，我并不能做出合理的判斷。至少從現(xiàn)在看來，這些是非常難以回答的問題。具體情景的假設(shè)條件可能不同，但無論如何都需確保最低安全性，例如乘客需要系好安全帶、駕駛員需要按一定思路將碰撞損失最小化。我不認(rèn)為無人駕駛可以解決所有的交通問題，這是過于理想的想法。這在實際生活中是不可能發(fā)生的，我們需要現(xiàn)實一點。

無人駕駛是一種必然的發(fā)展趨勢。想要將新概念融入現(xiàn)有模型或方法中的想法是好的，只需要明確的倫理道德標(biāo)準(zhǔn)就能確定具體該如何實施。但就目前來說，這些仍是我們不知道如何但未來一定能夠解決的問題。

Q3：請問您如何看待最近Uber無人車的交通事故？您認(rèn)為事故的發(fā)生與車輛感知系統(tǒng)有關(guān)嗎？

A3：目前為止，還沒有公布任何具體官方信息，我們所知道的是事故車輛在深夜行駛中撞擊了一輛自行車。車輛制造商聲稱事故問題不在于激光雷達(dá)，其檢測到了自行車，但車輛并沒有做出相應(yīng)的反應(yīng)。有人認(rèn)為感知系統(tǒng)的學(xué)習(xí)訓(xùn)練不夠充分，以致其無法在黑暗的環(huán)境中獲取足夠的信息并識別出自行車。根據(jù)剛才所提到的學(xué)習(xí)方法，感知模塊需對相關(guān)信息進(jìn)行學(xué)習(xí)。如果沒有構(gòu)建對應(yīng)情景進(jìn)行學(xué)習(xí)，例如在不同的光照下識別自行車或其他事物，那么系統(tǒng)可能難以感知和理解周圍的環(huán)境。

我認(rèn)為導(dǎo)致事故發(fā)生的因素可能有很多，車輛感知系統(tǒng)的故障可能只是其中之一。系統(tǒng)的感知模塊可能未在樣本數(shù)據(jù)充足的條件下進(jìn)行訓(xùn)練，以致其無法準(zhǔn)確識別自行車，但車輛制造商聲稱激光雷達(dá)的確檢測到了自行車。

Q4：請問您是否認(rèn)為無人駕駛將完全取代人類駕駛？

A4：我不這么認(rèn)為。因為很多人享受駕駛的過程，我有時候也很喜歡開車，所以我不認(rèn)為無人駕駛的目標(biāo)是使人類擺脫駕駛操作。事實上，無人駕駛應(yīng)形成一個規(guī)范的過程。在受限的環(huán)境中或某些特定情況下，人們雖然坐在車中但更傾向于車輛自主駕駛而非由人類控制操作。

在未來100年內(nèi)，經(jīng)濟(jì)發(fā)展的趨勢并不是使每個人或每個家庭都擁有一輛車，至少在未來50年內(nèi)可能不是。未來發(fā)展更趨向于共享經(jīng)濟(jì)，汽車將會類似于ofo這類共享單車。這是典型的共享經(jīng)濟(jì)，人們隨時都能在需要時輕松獲取自行車，自行車在使用完畢后可由其他人使用，這使得可能沒有人會再購買自行車。我認(rèn)為這可能也是汽車駕駛的發(fā)展趨勢。

或許在未來，某些車輛在懂得如何自主駕駛的同時也配備方向盤等設(shè)施，使任何人都能夠享受駕駛的過程。

▎本文為智車科技原創(chuàng)，轉(zhuǎn)載請注明來源。