基于车-车通信的网联智能车辆路径规划与控制文献综述

 2023-08-03 04:08
  1. 文献综述（或调研报告）：

目前常用的车-车无线通信方法大致可以通过下列几种方式实现：单片机通信模块，无线局域网（Wireless Local Area Network, WLAN）,专用短距离通信（Dedicated Short Range Communication, DSRC）和以4G-LTE为代表的的蜂窝无线基础设施。其中，如nrf24l01这样的常用单片机通信模块虽然在增加天线后覆盖范围可达2km，但其传输速率仅为B/ms这一数量级，由于用于车辆动作规划的车-车通信对于传输数据的实时性具有很高的要求，因此单片机通信模块在基于车-车通信的车辆动作规划中几乎没有任何应用的实例。由于IEEE基于无线局域网（WLAN）协议提出修改版本IEEE802.11p （通常称“DSRC”），专门用于车辆之间以及车辆与基础设施之间的通信[7]。因此有必要明晰WLAN和DSRC在车车通信环境下的孰优孰劣。一般来讲，WLAN具有较宽的覆盖范围（一般为300m），但在信息传输的延迟和安全性上的表现不及DSRC，故最好用做DSRC的补充通信方式，更适合于用来传输交通路况等实时性需求较弱的信息[8]。DSRC一方面考虑到了车-车通信下车辆动作规划的实际要求，例如节点的高度移动性，多路径以及车辆和行人引起的环境动态。并且，DSRC在与4G-LTE在基于车-车通信的防碰对比试验中展现出良好的性能[9]。数据显示，由于多普勒效应和LTE网络的蜂窝切换时间带来的延迟，LTE无法满足安全应用的最低100ms要求。同时，在通信的有效范围（300m）内，DSRC较4G-LTE具有更佳的通信性能。由于本项目的实验场景是两车在网联下配合汇入同一车道，显然符合这一通信范围。因此，我们可以认为，DSRC车载通信模块是最为符合我们实验要求的通信装置。

与单车智能相比，网联智能汽车的路径规划问题更加复杂。这是因为需要大量的信息共享，同时车车间的交互显著增多。与集中式的算法相比，分布式的控制方法具有更高的效率和更好的灵活度[10]。在分布式的控制下，每辆网联车都有一个自身的控制器，自身控制器做出的决定会影响其他车的控制器，从而产生相互间的作用。

在实验场景的设计中，我们选择换道汇入作为我们重点研究的工况，这是因为换道汇入是一项常见且实用的行车情景。且这一过程中需要同时对车辆横向和纵向的运动进行控制[11]，被控项目较为典型全面。在引入网联后，又增加了车-车间在此过程中的交互，作为提升路径规划效果的帮助手段。在解决这一场景的运动规划中，我们借鉴Gao等的研究[12]，采用如图1所示的运动规划研究框架，即将换道汇入分为路径规划（生成轨迹）和路径追踪两部分。

图1 运动规划研究框架

对于路径规划部分，现有文献大都采用势场法（Potential Field Algorithm），快速搜索随机树法（Rapid-exploring Random Tree, RRT）,最优控制方法（Optimal Control），模型预测控制（Model Predictive Control, MPC）以及插值曲线方法（Interpolating Curve Planner）。其中，势场法对计算资源有着较高的要求，导致实时性尚待改善，同时在实车高速试验中的效果尚待进一步提升[13]。RRT同样有着计算资源消耗高的问题[14]，同时，RRT生成的轨迹不够平顺，在跟踪这些轨迹时会导致乘客舒适域度的下降[15]。最优控制方法能够确保生成避免碰撞的轨迹，同时具有计算资源消耗较少的优点[16]。但在高速情况下无法将轮胎的动力学纳入控制框架，导致无法在高速行驶情况应用[12]。MPC能够考虑整车的动力学同时系统地处理各类约束条件和交通地不确定因素，但其计算复杂度在高阶系统中快速上升[17]，因此在车车通信下实际使用时不适宜用作路径规划。综合实时性和实际应用中的可行性等关键因素，我们采用插值多项式曲线的方式进行路径轨迹的生成。除计算量较少外，插值多项式轨迹还具有可多段平滑拼接，过程平稳，乘坐舒适度良好的优点[18]。在多项式系数的确定中，绝大部分研究[19]将换道时间和换道的行驶距离作为已知条件直接代入，这就忽视了换道汇入过程中可能出现意外情况导致规划失效的隐患，也不利于对换道汇入过程中情况变化的处理。为获得更好的路径规划方法，可参考Yuguo Luo等[20]关于换道汇入的研究。将纵向安全距离、横向加速度约束、换道时间、换道路程以及始末边界条件等列出线性方程组。利用自由系数法建立换道时间及路程的成本函数，从而将路径规划转化为一个约束优化问题。

为解析两车协作行驶时相互规避的交互过程，我们将尝试把车-车通信下的运动规划问题与博弈论相结合[21]，通过车-车通信获取的更丰富而准确的信息帮助实现更理想的路径规划功能。如果后期决定运用博弈论实时规划运动，我们再建立仿真模型进一步解决这一问题。或者制定一些规则，让车辆根据这些规则采用相应的决策，以完成这一部分的工作。

在路径跟踪部分，常用的方法有几何方法，PID，滑模控制（Sliding Mode Control, SMC），MPC等。以Stanley方法为代表的纯几何方法具有简明易用的优点，却无法考虑汽车的动力性[22]，导致在高速情形无法采用。PID控制有着稳定的跟踪特性，但由于汽车和轮胎的非线性，其参数的调定较为繁琐。SMC是经典的非线性反馈调节方法，具有很高的跟踪精度[23]。但其表现对于控制器的采样频率要求很高，同时它的鲁棒性只在滑模面上有着保障[24]。MPC虽然具有很高的跟踪精度，却具有很高的计算要求，要减轻计算难度则模型必须处在车辆和轮胎的线性区[25]。同时，MPC所需调定的参数已和工业级PID处在同一等级[26]，这也成为它在实际应用中的重大弱点。综合考虑下,我们选择纯跟踪（Pure Pursuit）方法作为路径跟踪的方式。这一方法具备纯几何方法原理简单，易于实现，计算量较小的优点。同时在之前的实验中已有调定预瞄距离的经验积累，具备良好的跟踪精度。

参考文献

  1. 李克强，戴一凡，李升波，等．智能网联汽车（ICV）技术的发展现状及趋势[J]．汽车安全与节能学报，2017, 8(1): 1-14.
  2. XU Z, WANG M, ZHANG F, et al. PaTAVTT: A Hardware-in-the-loop Scaled Platform for Testing Autonomous Vehicle Trajectory Tracking[J]. Journal of Advanced Transportation, 2017, 2017: 9203251.
  3. LI L, HUANG W L, LIU Y, et al. Intelligence Testing for Autonomous Vehicles: A New Approach[J]. IEEE Transaction on Intelligent Vehicles, 2017, 1 (2): 158-166.
  4. 柴琳果，蔡伯根，王化深，等．车联网关键指标对车辆安全影响仿真测试方法[J]．汽车工程， 2017, 39(11): 1316-1324.
  5. 马育林，徐友春，吴青．车队协同驾驶混成控制研究现状与展望[J]．汽车工程学报，2014,4 (1):1-13.
  6. 中国公路学报编辑部. 中国汽车工程学术研究综述·2017[J]. 中国公路学报, 2017, 6(1): 69-70.
  7. M. Whaiduzzaman, M. Sookhak, A. Gani, and R. Buyya, “A survey on vehicular cloud computing,” Journal of Network and Computer Applications, vol.40, no.1, pp. 325–344, 2014.
  8. WEI G, BIN S, BAI C, et al. Multiple V2V Communication Mode Competition Method in Cooperative Vehicle Infrastructure System[C] // 2016 IEEE 19th International Conference on Intelligent Transportation Systems (ITSC). Rio de Janeiro, Brazil, 2016: 1200-1205.
  9. ZHI X, XIAO L, XIANG Z, et al. DSRC versus 4G-LTE for Connected Vehicle Applications: A Study on Field Experiments of Vehicular Communication Performance[J]. Journal of Advanced Transportation, 2017, 2017: 2750452. Rawlings JB and Mayne DQ. Model predictive control: theory and design. Nob Hill Publishing, Madison, WI, USA, 2009, pp.409–479.
  10. Milaneacute;s, V. , Llorca, D. F. , Villagraacute;, J. , Peacute;rez, J. , Fernaacute;ndez, C. , Parra, I. , et al. (2012). Intelligent automatic overtaking system using vision for vehicle detection. Expert Systems with Applications, 39 (3), 3362–3373.
  11. Gao, Y, Gray, A, Frasch, J. V. , Lin, T. , Tseng, E. , Hedrick, J. K. , et al. (2012). Spatial predictive control for agile semi-autonomous ground vehicles. In Proceedings of the eleventh international symposium on advanced vehicle control VD11 (pp. 1–6).
  12. Kitazawa, S. (2016). Control target algorithm for direction control of autonomous vehicles in consideration of mutual accordance in mixed traffic conditions. In Proceedings of the 2016 international symposium on advanced vehicle control.
  13. Ma, L. , Xue, J. , Kawabata, K. , Zhu, J. , Ma, C. , amp; Zheng, N. (2014). A fast RRT algorithm for motion planning of autonomous road vehicles. In Proceedings of the seventeenth IEEE international conference on intelligent transportation systems, ITSC 2014 (pp. 1033–1038).
  14. Katrakazas, C. , Quddus, M. , Chen, W.-H. , amp; Deka, L. (2015). Real-time motion planning methods for autonomous on-road driving: State-of-the-art and future research directions. Transportation Research Part C: Emerging Technologies, 60 , 416–442.
  15. Chu, K. , Lee, M. , amp; Sunwoo, M. (2012). Local path planning for off-road autonomous driving with avoidance of static obstacles. IEEE Transactions on Intelligent Transportation Systems, 13 (4), 1599–1616.
  16. Carvalho, A. , Gao, Y. , Gray, A. , Tseng, H. E. , amp; Borrelli, F. (2013). Predictive control of an autonomous ground vehicle using an iterative linearization approach. In Proceedings of the sixteenth international ieee conference on intelligent transportation systems (ITSC 2013) ITSC (pp. 2335–2340).
  17. J. W. Lee and B. Litkouhi, “A unified framework of the automated lane centering/changing control for motion smoothness adaptation,” in Proc. 15th IEEE Int. ITSC, Sep. 2012, pp. 282–287.
  18. Ammoun, S., Nashashibi, F., Laurgeau, C., 2007. An analysis of the lane changing manoeuvre on roads: the contribution of inter-vehicle cooperation via communication. In: Intelligent Vehicles Symposium, Istanbul, 13–15 June 2007, pp. 1095–1100.
  19. Y. Luo et al. A dynamic automated lane change maneuver based on vehicle-to-vehicle communication Transportation Research Part C 62 (2016) 87–102.
  20. Zhang, Wang, Chen, et al. A non-cooperative vehicle-to-vehicle trajectory-planning algorithm with consideration of driverrsquo;s characteristics[J]. Proc IMechE Part D: J Automobile Engineering 2019, Vol. 233(10) 2405–2420.
  21. Snider, J. M. (2009). Automatic steering methods for autonomous automobile path tracking. Technical report CMU-RITR-09-08 . Pittsburgh, PA: Robotics Institute.
  22. Hafizah, N. , Hairi, A. , Hudha, K. , amp; Abdul, Z. (2016). Modelling and control strategies in path tracking control for autonomous ground vehicles: A review of state of the art and challenges. Journal of Intelligent amp; Robotic Systems, 86 (2), 225–254.
  23. Rupp, A , amp; Stolz, M. (2017). Survey on control schemes for automated driving on highways. In Automated driving (pp. 43–69). Springer.
  24. Besselmann, T. , amp; Morari, M. (2009). Autonomous vehicle steering using explicit LPV-MPC. In Proceedings of the 2009 European control conference (pp. 2628–2633). 1.
  25. Watzenig, D. , amp; Brandstauml;tter, B. (2017). Comprehensive energy management: Eco routing amp; velocity profiles . Springer.

剩余内容已隐藏，您需要先支付 10元 才能查看该篇文章全部内容！立即支付

以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。

您可能感兴趣的文章