滑鐵盧大學控制領域大牛：下一代車輛控制系統

來自專欄智車科技7 人贊了文章

導讀：2018年第三期（總第二十七期）「錢學森國際傑出科學家系列講座」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Amir Khajepour作題為「Next Generation of VehicleControl Systems」的報告。報告著眼於汽車控制系統的發展和目前汽車工業面臨的挑戰。隨著汽車通信、自主駕駛、感測系統和人工智慧的快速變化，要求在車輛控制系統中採取更全面的方法來處理未來和當前新的發展。Amir Khajepour教授介紹了目前在機電車輛系統中用於開發下一代車輛控制系統的路線圖。事例和道路試驗結果表明，新的整體性方法可以提高車輛的安全性，減少開發時間和誤差。（更多內容歡迎關注 智車科技IV_Technology）

嘉賓簡介：

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

報告內容：

主持人王飛躍教授：

Amir Khajepour 是加拿大滑鐵盧大學的教授。滑鐵盧大學與國內高校不同，其要求學生在校學習一年後外出實習一年，這是全北美唯一一所實行這種學制的大學。雖然學校創建時間相對較晚，於1957年成立，但這種獨特的學制要求使得學校所培養的學生倍受公司青睞。同時，學校很多畢業生現在都在矽谷工作或創業，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、美國機械工程師學會（American Society of Mechanical Engineering）會士和加拿大機械工程師學會（Canadian Society of Mechanical Engineering）會士，並擔任Journal of Mechatronics（機電一體化）、International Journal of Vehicle Autonomous Systems（國際汽車自主系統）、International Journal of Powertrain（動力傳動系統國際期刊）的副主編。他主要進行汽車動力學、車輛控制系統等方面的研究工作，並且在相關領域中發表了非常多的文章。

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，很榮幸能夠來到這裡針對我在下一代車輛控制系統方面的研究工作進行報告。

今天，我想首先介紹一下我在滑鐵盧大學所負責的實驗室，接著針對車輛控制系統（Vehicle Control Systems）方面研究的主要挑戰以及下一代車輛控制系統的研究原因進行闡述，最後具體展示為應對和解決這些挑戰而進行的相關工作。

我所管理的機電車輛系統實驗室（Mechatronic Vehicle Systems Laboratory）擁有包括博士、技術員、博士後等在內的研究人員約40-50人，他們分別負責不同的研究項目。所進行的工作內容不僅限於理論研究，而是涵蓋從理論研究到模型設計再到量化生產以及測試設施和實驗測試等全部研究流程範疇。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行研究，不論是傳統車輛還是全電式車輛，或是用於電力管理與控制研究的大型運輸卡車，以及用於新技術開發的新型城市車輛。

所以我們的研究工作簡單來說就是，提出並探究一些新的想法或概念，將其轉化為實體形式並應用於實際車輛進行全面測試。上圖就是目前實驗室所擁有的一些測試車輛（test vehicles）。

目前，實驗室致力於研發能夠完全由車輛進行自主駕駛及控制的高性能車輛（new high performance vehicle），即性能達到飽和水平的車輛。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/小時的速度進行自主行駛。同時，這輛車可進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，使車輛能夠進行各種類型的所需測試。

現在我們看到的是測試跑道設施（test track facilities）。左上角的測試跑道在學校附近，用於車輛大部分的本地測試。右上角是位於美國米爾福德市的跑道設施，其用於通用模型車的相關測試，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行冬季測試。

背景

Background

接下來我將進入報告主體部分——車輛控制。

從整體來看，一輛車（vehicle）就相當於一個控制系統，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境進行觀察，例如路面狀況、視野內的可見物體等，並給車輛發送相應的信號，即施加給方向盤、剎車和油門的操作信號。隨後，駕駛員通過眼睛和耳朵等感知器官接收車輛產生的狀態反饋信號，進行相應的控制調整。

環境（environment）能夠對駕駛員和車輛同時產生影響。如果道路狀況較差，那麼車輛可能不會對控制操作做出精準的反應，或者駕駛員的駕駛行為可能會發生變化。所以環境是影響車輛控制系統的雜訊和干擾的一部分。

而在車輛中加入控制器（controller）後，就能夠實現對車輛故障或難以控制狀況的調整。控制器通過環境輸入獲知行駛環境路況，同時通過駕駛員的輸入了解駕駛操作狀態。控制器通常還需根據車輛自身的行駛狀況，例如轉向角、制動轉矩或牽引轉矩等信息，向車輛反饋相應的信號，從而調整駕駛員的駕駛行為。

事實上，主動控制系統引入車輛的歷史並不長。17世紀之前，所有車輛的行駛都僅依賴於駕駛員的操作控制，人類是車內唯一的控制器。在那之後，車輛控制系統中開始加入一些被動的安全裝置，比如安全帶（seat belts）。

17世紀以後，市面上出現了包括主動安全系統在內的新型設備裝置。首先是在1978年出現的防抱死剎車系統（Anti-lock Braking System, ABS），其作用是當剎車踏板被用力踩下或車輛在結冰的地面上制動時，確保車輪不會被完全抱死鎖住。隨後在1980年，出現了能夠對車身變化進行更好地控制的主動或半主動懸架系統（Active/semi-active suspension system）。1987年的牽引力控制系統（traction control system, TCS）用於防止車輛在起動或加速時出現的車輪打滑等現象。其後，1995年面世的車身電子穩定程序（Electronic Stability Program, ESP）可以通過在車輛一側採取制動措施使車身產生轉動以控制車輛的移動。在那之後，2004年的主動前輪轉向（Active Front Steering, AFS）能夠調整轉向角度來防止某些事故的發生。

目前市面上任何類型的車輛，都至少擁有最低標準數量的車輛動力學控制系統（Vehicle Dynamics Control System, VDC）。同時，無論是用於安全系統還是其他系統中，不同用途的微處理器數量都在迅速增多，這使得車輛變成了「車輪上的計算機」。而能夠在這些「計算機」上進行駕駛操作，主要歸功於大量存在於其中的處理元件和應用程序。

挑戰

Challenges

現在的問題是，這些加入到車輛中的主動控制系統都是相對獨立的組件。車輛所需的不同系統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行匹配，以確保它們能夠順利地協同工作。在這個過程中，汽車公司為保證不同控制系統能夠順利協調運行，構建了許多查找表和事件庫，導致耗費了大量的時間和資金。

而車輛控制系統的複雜度在未來將會進一步增加，其主要與駕駛員輔助系統（Driver Assistance System, DAS）和自主駕駛（Autonomous Driving）有關，例如增加新型感測器、路徑規劃和跟蹤功能以及越來越多的程序代碼和控制演算法。同時，除了車輛能夠自主獲取的信息外，所用信息還來自於物聯網（Internet of Things, IoT），其使得所有事物間都可以進行信息交互。與此同時，所獲得的大量信息需要進行有效利用，這就引入了信息融合（information fusion）這一複雜度。此外，連通的車輛（connected vehicle）間可以進行溝通交互，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、基礎設施甚至所有的事物的信息交互使得系統變得異常複雜，所以現在的問題是，該如何利用這些複雜信息？

這些挑戰要求我們採用全新的思路對車輛控制進行研究。首先，需要一個能夠解決系統現存和潛在複雜度問題的平台。平台能夠將現有系統與無人駕駛、物聯網等新技術進行無縫整合，但要避免系統間引發衝突或危險情況。同時，要確保消除由不同系統衝突指令所導致的風險。此外，需研發可應用於所有不同類型車輛的控制器，在降低系統整體成本的同時不增加可能發生衝突故障的組件。

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。車輛應配備牽引力控制(traction control)、扭矩矢量控制（torque vectoring）、主動轉向（active steering）、差動制動（differential braking）和節氣門控制（throttle control）等常規車輛控制系統，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。

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

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

主要目標

Main Goals

那麼，為構造安全可靠且可控性強的車輛，需要進行哪些工作呢？顯然，首先是車輛狀態估計，因為車中所有的狀態和參數信息不可能都通過感測器進行獲取。例如，用於控制車輪滑動狀況的實際車速，事實上其測量並不容易。其次，感測器和執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，但無人車該如何在感測器發生故障時獲知車輛的狀態信息呢？另外，我們應該確保所有的行駛情況都基於模型庫，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、拓展和優化。同時，車輛也非常需要一個可以應對不同情況的通用路徑規劃系統。最後，當發生車輛碰撞事故時，自主駕駛系統為減輕事故損失而採取的措施也是研究內容之一。以上這些就是我們在研究車輛控制系統時想要實現的主要目標。

接下來我將介紹一些我們已完成的研究，並展示一些相關的示例。

主要目標——一種具有容錯性和可靠性的可靠狀態估計系統

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

當談到具有容錯能力和可靠性的一般狀態估計（generalstate estimation with fault tolerance and reliability）時，我們首先要確保所有具有動力系統（powertrain）和拖車結構（trailer）車輛的正常運行，所以需對車輛中的所有狀態和參數進行可靠的估計。其次，估計系統的模塊化（modularity）使得系統的添加變得更容易。同時，協同估計（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據的融合進一步提高估計系統的性能。並且，估計系統需要進行故障診斷和可靠性衡量（fault diagnosis and reliability measures），這有助於確保系統性能足夠良好。

這是一幅估計系統的結構總圖（general diagram），假設現在有一輛車（左側中部）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部分（Sensor/Actuator Fault Detect & Reconstruction）以用於執行器和感測器運行情況診斷的信號以及來自物聯網模塊（Internet of Things）的額外信息，都將輸入到右側的一般狀態估計模塊（State Estimator）。系統都需要進行哪些信息估計呢？

首先，從圖片的頂部車輪扭矩估計模塊（Wheel Torque Estimator）開始，我們需要了解施加於每個車輪的扭矩，以確定車輪沒有出現打滑或鎖住的現象。接下來，力估計模塊（Force Estimator）會對坡度和傾角進行估計。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，並且右側中部的速度估計模塊（Velocity Estimator）將測量每個車輪的速度。最後，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，並將所得結果信息返回控制系統，使其能夠對控制器進行相應的操控。

下面是部分測試結果。測試通過極端不理想的行駛路況來觀察車輛的估計結果，同時車輛需盡量保持穩定車速。在測試過程中，車輛以環形路線在乾燥的瀝青路面（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）變化進行估計。測試結果如上圖，圖中的兩條曲線分別代表GPS數據和估計數據。可以看到，系統對車輛實際狀況的估計結果準確度非常高。

主要目標——感測器和執行器的故障檢測和處理

Main Goals: Sensor and Actuator Fault Detection and Handling

針對感測器的失靈或故障現象，我們構建了一個可重構車輛容錯控制系統（reconfigurable fault-tolerant vehicle control system），並將其添加在圖中左上角的駕駛員輸入之後。系統在接收到感測器失靈或故障的信號後，必須確保能夠檢測到對應感測器，並通過其他感測器對其進行重構。

你可能會問，如何對感測器進行重構？實際上車輛中存在一些附加的感測器，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）對某些感測器進行重構。

接下來我以橫向加速度ay感測器的檢測和重構為例進行具體說明。在圖中，藍黑紅三色曲線分別表示橫向加速度的實際數值、重構數值和測量數值。當感測器在2秒時發生故障導致檢測信號丟失後，系統利用其他的感測器重構所得信號的準確度較高。所以，即使在失去感測器檢測信號的情況下，系統依然可以獲得良好的重構信號。

現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）、左後（Rear Left, RL）和右後（Rear Right,RR）四個車輪側向力估計（Lateral Tire Force Estimation）的對照實驗結果，圖中的藍黑紅三色曲線分別表示輪胎側向力的實際信號、重構信號和測量信號。顯然可以看到，非容錯系統只能給出具有較大誤差的故障信號（fault signal），而重構信號則能夠得到各車輪側向力的準確數值。

另外，我們的研究工作還包括利用外界信息對估計結果進行完善。這些信息可能來自V2R（Vehicle to Road Infrastructure）、物聯網或V2V（Vehicle to Vehicle），但是該如何使用這些信息進行估計的優化呢？在擁有系統內置估計的情況下，我們需要將數據融合以優化估計。

在研究網路通信的整體概念後，我們將其理論引入估計結果的提高研究中，並將車輛的通信網路分為車輛內網路（Intra-Vehicle Network）和車輛間網路（Inter-Vehicle Network）。

通過車輛內網路，車輛中不同位置的度量值可用於同一位置估計結果的完善。例如位於圖片左下角的這輛車，其四個車輪都與車身相連。由於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得到相同的結果，這就是網路通信的相同理論。

利用這個理論，車輛每個角車輪的速度數據可以通過車輛內網路傳到中心位置，同時根據輿論動力學（opinion dynamics）提高中心位置估計結果的可靠性。所以即使某個車輪提供的是錯誤數據，中心位置的狀態仍可通過其他車輪的數值進行估計，並返回給車輛的每個角調整車輪狀態。

上圖是在冰面上的加速和制動測試所得部分結果，四張圖分別代表車輛四個車輪的數據，研究對象是車輪中心的速度。藍色和紅色的曲線分別描述感測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網路計算所得數值（Measure）。

這是一項很難進行的測試，特別是當車輪旋轉或鎖住時。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打滑失控現象，在下方兩圖中則出現速度突增現象，而利用車輛內網路則能夠實現對車輪中心速度的無偏差準確估計。

車輛間網路（Inter-Vehicle Network）的通信情況也是相似的。每一輛車的通信都依照現行最新標準。

利用通信線路的專用短程通信技術（Dedicated Short Range Communications, DSRC），所有車輛都能夠實現信息傳送。其中，根據SAE J2735標準，車輛能夠向外界發送包含臨時車輛ID（temporal vehicle ID）、車輛的緯度、經度和海拔（latitude，longitude and elevation of the vehicle）、縱向速度（longitudinalvelocity）、縱向加速度（lateral acceleration）、制動系統狀態（brake system status）以及車輛大小尺寸（vehicle size）等在內的信息。利用這些信息可進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估計和無人駕駛來說都非常重要。

可以想像車輛現在處於一個網路中，網路中的每一個節點都在向其傳送信息。根據從每個節點獲得的信息能夠對現有信息進行完善，隨後再將更新後的信息傳回其他車輛。甚至，可以利用這些信息根據輿論動力學向指定車輛發送信息，以完善車輛的狀態估計。這就是我們所採用的信息融合方法。

上圖就是車輛間網路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送的速度及其他信息，進行自身狀態估計的完善，同時，其也向其他車輛發送信息，使車輛了解各自的狀態估計情況。以上就是狀態估計方面的研究工作。

主要目標——基於模型的控制系統以實現「一個控制器應對所有車輛」

Main Goals: Model-based Control Systems to Achieve「One Controller, Any Car」

此外，我們希望開發一種可應用於所有車輛的通用整體車輛控制系統（Holistic Vehicle Control System）。其能夠兼容任何類型的執行器，實現執行器和感測器的容錯，並在任何路況下都始終保持魯棒性。同時根據未來發展趨勢，其還應具有嵌入式電源管理系統（embedded power management system），並能夠實現通用路徑規劃（universal path planning）和無人駕駛領域研究中日益重要的碰撞緩解（crash mitigation）。

從上圖最左邊來看，對於一般的車輛控制過程，無論車輛由系統自主控制還是由駕駛員控制來進行路徑規劃或駕駛操作，或是兩者通過轉換機制交替進行控制，控制都需經過命令解釋器（Command Interpreter）。系統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。同時，車輛需要一個可重構系統（Reconfigurable HVC）。其能夠在某個執行器發生故障時，通過對所需工作任務進行再分配以確保對車輛的正常控制。隨後，系統將通過估計和故障診斷（Estimation & Fault Diagnosis）以及執行器（Actuator）。最後，控制命令到達車輛各元器件，實現車輛控制操作的具體實施。

控制的可重構性（control reconfigurability）是針對現有的甚至未來的任何車輛而言的。首先根據動力傳動系統（Driveline），車輛可分為全輪驅動（All Wheel Drive , AWD）、前輪驅動（Front-Wheel Drive, FWD）和後輪驅動（Rear Wheel Drive, RWD）。根據驅動系統，可分為扭矩矢量控制（Torque Vectoring）、差動制動（Differential Braking）和兩者的結合體（Hybrid），也可分為主動前輪轉向（Active Front Steering, AFS）、主動後輪轉向（Active Rear Steering, ARS）和主動全輪轉向（All Active Steering, AAS）。除驅動系統外，還可以添加懸架系統等其他系統，控制器則需要能夠控制所有這些系統。下面將展示我們已研發的這類控制器的測試結果，在測試中一個控制器將被應用於不同的驅動系統或車輛中。

上圖所示是綜合穩定性和牽引力控制系統（combined stability & traction control）的迴轉滑測試（Slalom Maneuver），車輛在乾燥的路面上以0速度起始後全力加速。在這個測試中，車輛使用全輪驅動（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）和側滑角（sideslip angle）的測試結果。左邊的兩幅圖是車輛在沒有安裝控制器（Controller off）時進行測試的結果，圖中的期望值（Desired）和實際值（Actual）分別為測試目標數值和實際檢測數值，測試中車輛角速度的變化應隨速度的變化而越來越大。但因為此時車輛中並沒有任何控制器，所以圖中角速度的實際值並不能完全按照期望值進行變化，兩者結果間存在較大誤差。同時，可以看到側滑角β的結果變化也很大。當側滑角超過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並不穩定。

而在車輛中安裝控制器（Controller on）後，觀察左側兩圖可以發現，車輛角速度的實際測量值能準確地按照目標期望值變化。這是一個真實的測試案例而不是模擬模擬實驗。而再觀察側滑角結果，其變化範圍在大多數情況下都能穩定在4°以下，這說明車輛處於完全平穩的行駛狀態中。

隨後，我們將相同的控制器應用於具有完全不同的配置和控制系統的車輛中，這輛車使用後輪驅動（Rear Wheel Drive, RWD）和差動制動（Differential Braking, DB）。

進行相同的測試，左側兩圖是沒有安裝控制器時的測試結果。可以看到，角速度的實際值變化無法完全符合期望值變化，同時側滑角β的最小值低於-20°說明車輛的側滑偏差非常大。而安裝控制器以後，角速度的實際值能與期望值相符合，且β值的變化範圍完全在1.5°以下，也就是說車輛處於良好的控制下。

在另一種轉彎加速（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動系統的車中。車輛用後輪驅動（Rear Wheel Drive, RWD）、主動前輪轉向（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果，圖中的紅色虛線為期望的測試結果，藍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果極值非常大，並且左下圖中側滑角β值的最小值和最大值分別達到-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。方框外是乾燥的路面，方框內則是濕滑的路面。車輛試圖按照藍色的軌跡行駛，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現，車輛從濕滑路面的中部開始打滑失控，而當行駛到濕滑路面的末端時，其實際行駛方向與目標方向間的側滑角偏差達到了80°。

上圖是安裝控制器後的測試結果。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行全力加速轉彎。但可以看到，實際結果能夠較準確地按照期望進行變化。

這時車輛的實際行駛情況是，紅色與藍色軌跡完全重合。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期望。

主要目標——車輛穩定控制的通用路徑規劃

Main Goals: Universal Path Planning with VehicleStability Control

對於通用路徑規劃這一目標，我們利用勢場（potentialfield）來進行相關研究。勢場能夠用於任何物體的描述，而物體的形狀取決於自身的重要性。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，或將行駛路況環境轉化為丘陵或山谷。

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，例如右上圖中並排的兩輛車，在勢場中則顯示為左下圖中與山嶽類似的形狀。將左側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，那麼結果將會非常有趣。

最左側的圖像代表道路（Road），圖像利用顏色的過渡變化表示地勢高低過渡變化，圖中藍色和紅色區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），藍色背景表示道路。若將兩幅圖像疊加，那麼所得結果將會與最右側圖像類似。

現在想像一下，若使水從上述圖形的一端流入，則其將會流經較低的平面。也就是說，基於勢場的方法尋找適合車輛的行駛路徑就等同於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，這就是我們所採用的整個研究思路。

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，黑色方框代表以恆定速度移動的障礙物（moving obstacle with constant velocity）。現在車輛想要維持現有車速向右行駛，故需進行變道操作以越過障礙物。顯然，利用勢場的方法，車輛根據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，用於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分別代表三台移動車輛。可以看到，藍色圖標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並進行變車道操作。

另外在這個示例中，這種方法使我們不僅能夠對移動方向進行控制，同時還能夠對行駛速度進行調整。在下方兩圖中，藍色曲線分別表示可進行調整的縱向力（longitudinal force）和轉向角（steering angle），紅色曲線分別表示車輛的速度（speed）和側向加速度（lateral acceleration）。左下圖中的藍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，而在完成車道變換後車速又逐漸回升到100Km/h。

主要目標——碰撞減緩與控制

Main Goals: Crash Mitigation and Control

最後對於碰撞減緩（crash mitigation），我認為人們需要始終記住，自動駕駛並不意味著能夠避免碰撞事故的發生。那麼問題是，如何進行碰撞減緩才能將損害最小化？

對車禍事故嚴重程度（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），比如障礙物屬於大質量還是小質量固體？同時，車輛安全設備（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。最後是車輛質量比（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重得多。

我們可以做的是，利用這些相關因素以確保在將要發生碰撞的情況下，將事故損失最小化。上圖就是一些相關研究示例。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，而右側的藍車在其變道的同時沒有足夠的時間停車，所以顯然藍車將會發生碰撞事故。若其不採用任何碰撞減緩或路徑規劃措施，則結果將如左下圖所示，藍車為躲避紅車而向左前方行駛，最後以45°的夾角撞擊紫車或紅車的側面。

但按照右下圖所示，碰撞損失最小的情況是藍車從正後方撞擊紅車。因為藍、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，藍車應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，那麼減緩措施就需要進行相應的調整。因為從側面撞擊紅車所造成的損失比從後方撞擊卡車要小，所以藍車的碰撞減緩方案應為改變行駛方向撞擊紅車。

總結

Summary

以上就是對我們在研發下一代車輛方面研究工作的概括性總結。總的來說，車輛由於交通方式、無人駕駛和共享經濟等新變化以及不同感測器的增加而變得更越來越複雜。就目前來說，所有的組件或系統都為獨立式設計，這意味著將其結合的運行效果並不理想，所以應盡量避免這種情況的發生。此外，我們需思考該如何利用當前的新型感測器、車輛通信以及物聯網，這些都是使系統更加複雜的新挑戰。但在作為挑戰的同時，其也為車輛的安全和性能優化的進一步研究創造了新的機會。最後，我認為不能局限於車輛控制系統方面的原有研究思路，應構思統一且整體的新方法去解決問題。另外，還應該堅持構建基於模型的系統而非臨時的專用系統。

以上就是今天講座的全部內容，謝謝大家。

Q&A

Q1：我想請問教授您如何看待強化學習（Reinforcement Learning）？您會選擇怎樣將其應用於無人駕駛的研究中？

A1：在大多數情況下，學習方法（例如機器學習、深度學習和強化學習）和其他相關技術都應用於感知層面。因為人類利用自身的感官來感知車輛行駛環境的過程無法使用方程式描述，所以車輛一般通過學習過程進行感知。

而如果車輛的行駛環境信息已知，我更傾向於推導相關原理方程式或構建環境模型。為什麼要利用學習方法來研究已知原理的簡單事物呢？人們通常認為通過學習方法可以完成任何研究工作，但我不認為這個觀點是正確的。當模型無法建立時應利用學習方法，但模型已知時為什麼要使用它呢？例如，我曾見過有人用學習方法對鐘擺的運動進行模擬模擬，為什麼要用它來模擬符合微分方程的鐘擺運動呢？

所以，應在無法對所研究的複雜事物進行具體公式推導時使用學習方法。不了解大腦與眼睛或耳朵等感官進行信息傳遞的具體方法過程，才是使用學習方法的原因。

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

A2：這是我們需要進一步研究新事物。首先，這涉及許多倫理道德標準。剛才我只展示了從車輛碰撞損失角度來看明確的示例，而並沒有考慮人類影響因素。但如果現在有兩輛車，一輛車載有兩名乘客，另一輛車只載有一名乘客。那麼在無法避免碰撞的情況下，應該撞擊哪輛車呢？又或者，一輛車載有年輕乘客，另一輛車載有老年乘客，那麼又該撞擊哪輛車呢？

顯然，我並不能做出合理的判斷。至少從現在看來，這些是非常難以回答的問題。具體情景的假設條件可能不同，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。我不認為無人駕駛可以解決所有的交通問題，這是過於理想的想法。這在實際生活中是不可能發生的，我們需要現實一點。

無人駕駛是一種必然的發展趨勢。想要將新概念融入現有模型或方法中的想法是好的，只需要明確的倫理道德標準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？您認為事故的發生與車輛感知系統有關嗎？

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。車輛製造商聲稱事故問題不在於激光雷達，其檢測到了自行車，但車輛並沒有做出相應的反應。有人認為感知系統的學習訓練不夠充分，以致其無法在黑暗的環境中獲取足夠的信息並識別出自行車。根據剛才所提到的學習方法，感知模塊需對相關信息進行學習。如果沒有構建對應情景進行學習，例如在不同的光照下識別自行車或其他事物，那麼系統可能難以感知和理解周圍的環境。

我認為導致事故發生的因素可能有很多，車輛感知系統的故障可能只是其中之一。系統的感知模塊可能未在樣本數據充足的條件下進行訓練，以致其無法準確識別自行車，但車輛製造商聲稱激光雷達的確檢測到了自行車。

Q4：請問您是否認為無人駕駛將完全取代人類駕駛？

A4：我不這麼認為。因為很多人享受駕駛的過程，我有時候也很喜歡開車，所以我不認為無人駕駛的目標是使人類擺脫駕駛操作。事實上，無人駕駛應形成一個規範的過程。在受限的環境中或某些特定情況下，人們雖然坐在車中但更傾向於車輛自主駕駛而非由人類控制操作。

在未來100年內，經濟發展的趨勢並不是使每個人或每個家庭都擁有一輛車，至少在未來50年內可能不是。未來發展更趨向於共享經濟，汽車將會類似於ofo這類共享單車。這是典型的共享經濟，人們隨時都能在需要時輕鬆獲取自行車，自行車在使用完畢後可由其他人使用，這使得可能沒有人會再購買自行車。我認為這可能也是汽車駕駛的發展趨勢。

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施，使任何人都能夠享受駕駛的過程。

【作者簡介】

陳虹宇

中國科學院自動化研究所複雜系統管理與控制國家重點實驗室碩士研究生。

主要研究方向為社會交通，機器學習和深度學習。

E-mail:chenhongyu2017@ia.ac.cn