智能网联汽车课题组（THICV）

融合感知 - 复杂环境感知

1. 面向弱势道路使用者的车载多目标跟踪和运动预测方法

研究背景

易受伤害道路使用者如行人、骑车人或其他骑行者，在实际交通场景中很常见，具有多样性，但易受伤害且缺乏保护。易受伤害使用者的检测是保护他们的第一步，需要进一步跟踪连续帧间的同一目标的位置，形成运动轨迹，实现多目标跟踪，为后续预测其运动意图做准备。

研究成果

针对自动驾驶环境中的自车周围易受伤害道路使用者（VRU，包括行人和骑行者两类）的运动轨迹预测问题，提出了融合多轨迹预测因子的深度循环神经网络轨迹预测方法，同时考虑连续多帧间目标的位置、形状等运动特征线索和局部矩形框的深度外观卷积特征。

在清华大学-戴姆勒联合研究中心建立的易受伤害道路使用者多目标轨迹预测数据库中，综合评价了不同的循环神经网络变体（RNN/LSTM/GRU）、目标轨迹预测因子以及网络参数优化策略，验证了所提出的融合多轨迹预测因子的VRU多目标轨迹预测方法的有效性。

代表作

研究骨干：熊辉

Xiong H, Flohr F. B., Wang S, Wang, B, Wang, J, and Li, K. Recurrent Neural Network Architectures for Vulnerable Road User Trajectory Prediction[C].2019 IEEE Intelligent Vehicles Symposium (IV),IEEE, 2019: 171-178.
Huang B, Xiong H, Wang J, Xu Q, Li X, and Li K. Detection-level fusion for multi-object perception in dense traffic environment[C].2017 IEEE International Conference on Multisensor Fusion and Integration for Intelligent Systems (MFI),IEEE, 2017: 411-416.

2. 基于路侧相机的多目标跟踪方法

研究背景

精确鲁棒的多目标跟踪方法是智能网联汽车实现认知与决策的前提，在自动驾驶感知技术中占据重要地位。同时路侧相机同时具有成本低廉、感知信息丰富、视野开阔等突出优势，因此基于路侧相机的多目标跟踪方法对于实现车路协同感知及高等级自动驾驶具有重要意义。

3. 基于现有车载传感器的胎路附着系数实施估计方法

研究背景

胎路附着系数是描述当前胎路状态的重要参数，也是自动驾驶系统决策与控制算法的重要先验知识，对自动驾驶系统的安全性、舒适性具有重要意义。同时对于网联交通系统，附着系数估计结果可以实现共享，为驾驶员及自动驾驶系统提供预警，从而大大提升整个交通系统的安全系数。

研究成果

基于2D-LuGre轮胎模型及unscented Kalman Filtering，实现在制动、加速及转向三种驾驶工况下的胎路附着系数实时估计，并证明所建立轮胎系统的可观性条件，给出dynamic-based胎路附着系数估计方法的理论边界。通过CarSim-MATLAB/Simulink联合仿真，初步验证了所提方法的有效性。

代表作

研究骨干：林学武

创建: Mar 05, 2021 | 08:56

融合感知 - 多源信息融合

1. 基于多传感器融合的智能汽车环境感知技术研究

研究背景

自动驾驶领域，环境感知是基础。由于各传感器各具优缺点，多传感器融合已成为目前环境感知的研究热点和研究难点。多传感器融合感知方法研究将为构建智能交通和发展自动驾驶提供技术支撑，对汽车行业智能化发展具有重要的研究意义和积极的推动作用。

研究成果

为解决远距离稀疏点云中目标轮廓缺失造成的运动车辆检测难题，研究提出了基于PE-CPD的运动车辆检测算法。该方法利用随目标距离和虚拟扫描映射角度分辨率自适应变化的阈值筛选场景中的运动目标，随后利用点云配准信息结合运动状态校准和模型选择过程对目标进行位姿估计，并将其引入运动车辆检测过程中。实验结果表明，该方法获得了良好的运动车辆检测性能，尤其针对较远距离稀疏点云场景下的运动车辆检测性能提升明显。

为解决地面起伏、障碍物遮挡以及点云稀疏等情况下的地面准确分割难题，研究提出一种基于混合回归技术的点云地面建模算法。该方法沿扫描径向利用RLWR结合梯度滤波器建立地面种子模型，获取全地面种子架构，基于此，沿扫描圆周向利用GPR进行地面自主建模，利用地面圆周向连续性弥补径向点云缺失带来的建模误差。该方法使用地面全平面连续性预测地面点云高度，提高了算法对环境的鲁棒性。

同时，研究提出了基于单模板匹配的点云行人检测算法。利用分层分割多层融合的KDE行人聚类算法解决邻近结伴行人欠分割难题。随后利用主平面投影构造潜在行人聚类的投影图，从中提取能够反映目标轮廓的LARK特征矩阵，计算与模板相似度，判断目标类型。该算法避免了对大量训练数据的需求，能有效区分场景中的行人与其他外形相似的目标。

代表作

研究骨干：刘凯琪

Liu K, Wang W, Tharmarasa R, et al. Dynamic vehicle detection with sparse point clouds based on PE-CPD[J]. IEEE Transactions on Intelligent Transportation Systems, 2018, 20(5): 1964-1977.
Liu K, Wang W, Wang J. Pedestrian Detection with Lidar Point Clouds Based on Single Template Matching[J]. Electronics, 2019, 8(7): 780.
Liu K, Wang W, Tharmarasa R, et al. Ground surface filtering of 3D point clouds based on hybrid regression technique[J]. IEEE Access, 2019, 7: 23270-23284.
Liu K, Wang J. Fast dynamic vehicle detection in road scenarios based on pose estimation with Convex-Hull model[J]. Sensors, 2019, 19(14): 3136.
Liu K, Wang W. Pedestrian detection on the slope using multi-layer laser scanner[C]//2017 20th International Conference on Information Fusion (Fusion). IEEE, 2017: 1-7.
Liu K, Wang W, Sun Z. Recognition of SAR image based on combined templates[C]//2013 IEEE International Conference on Imaging Systems and Techniques (IST). IEEE, 2013: 284-287.

2. 基于多目标优化的传感器优选与部署规划

研究背景

由于具有计算效率高、感知范围广等优点，车-路-云协同融合感知是智能网联汽车发展的必然趋势。传统的传感器部署优化问题研究往往只针对单一指标、单一变量进行优化且缺少合理的路网模型。因此，对多传感器感知系统和城市道路进行抽象化建模，并基于此研究面向感知系统的传感器部署多目标优化算法，对于智能网联汽车感知系统完善与资源充分利用具有积极、重要的意义。

代表作

研究骨干：卢政也

3. 基于多传感器信息融合的目标定位追踪

研究背景

智能网联车辆依赖于传感器的数据支持，在实际应用中单一传感器的工作原理以及应用特性都不同，在部分场景下无法满足需求，多传感器融合已经成为一种共识。应用传感器在信息复杂的环境中抵抗各种噪声干扰并准确识别目标物、融合异步异源信息、获取不变特征，是多传感器融合研究的重点内容，具有重要意义。

研究成果

为了研究多传感器融合感知中如何去降低噪声干扰、提高多传感器融合后对目标的定位追踪的精准性，我们需要分析噪声的来源、针对传感器原始数据的噪声以及由于车辆的基准不稳定造成的噪声改进融合算法，将改进后的算法与未改进的算法进行比较从而减小定位追踪的误差。

代表作

研究骨干：朱世豪

创建: Mar 05, 2021 | 09:29

自动驾驶汽车在交通安全、交通效率、环境保护和节能方面发挥着积极的作用。随着智能车辆的发展，如何与这些动态的、随机的、多样化的交通参与者进行交互，是实现混合交通高水平自动驾驶的潜在挑战。因此，自主驾驶类人决策系统的研究是必要的。但仍存在一些挑战:1)如何识别周围交通参与者的意图，而不是根据周围车辆的当前状态被动地加速或制动; 2)如何量化复杂环境下不同交通因素引起的驾驶风险; 3)如何规划具体的驾驶策略，提高复杂环境下的决策能力。

1. 基于行人行为识别与意图识别的轨迹预测方法

研究背景

行人轨迹预测在车辆防撞保护系统及自动驾驶中都起着重要作用。目前对行人轨迹预测的研究主要分为三类，它们分别基于运动模型，基于行人意图，以及基于学习性方法对行人轨迹进行预测。但这些方法对行人行为考虑较少，运动模型也往往不符合行人的运动特性。结合行人复杂行为，提出新的行人运动模型，进行行人意图识别，并最终融合行为与意图，获得良好的预测结果对提升自动驾驶安全性有着重要意义。

研究成果

为了获得精确的行人轨迹预测结果，研究提出了一种基于行人行为和意图识别的行人轨迹预测方法。行为识别方法将行人行为分为站立、行走和跑步。结果表明，该分类对一般的人行横道场景具有较好的适应性。DBN用于获得行人过路意向，所有参数均来自一般过路场景的经验数据和公告数据。轨迹预测方法将行为和意图结果结合在一起，在采集的BPI数据集中定义的8个典型的人行横道场景中表现良好，尤其是在停止场景中。结果表明，该方法在不训练行人轨迹的情况下，可以准确地预测一般的人行横道场景的行人轨迹。

代表作

研究骨干：吴浩然

2. 基于博弈论的车辆意图识别

研究背景

理解并准确预测驾驶人、行人等的意图，判断其行为，是提高自动驾驶车辆安全性和智能性的重点和难点。尤其在中国复杂、时变、耦合的驾驶场景中，自动驾驶车辆与人的交互性更为重要。目前SOTA方法大多使用深度学习等黑箱模型，可解释性差。研究希望能够通过博弈论的可解释性模型，对驾驶场景中人的意图、行为进行建模。

研究成果

为了研究驾驶员驾驶过程中的驾驶意图交互过程，建立可解释性模型，采用混合动态博弈模型对其建模。利用现有自然驾驶数据集highD，对特定四车博弈场景进行筛选分析，用驾驶经验和实际数据拟合出驾驶收益函数，得出实际驾驶人的意图交互模型，最后输入到行车风险场中，得到全局风险评估结果。

代表作

研究骨干：杨奕彬

创建: Mar 05, 2021 | 09:51

智能决策 - 行车风险评估

自动驾驶汽车在交通安全、交通效率、环境保护和节能方面发挥着积极的作用。随着智能车辆的发展，如何与这些动态的、随机的、多样化的交通参与者进行交互，是实现混合交通高水平自动驾驶的潜在挑战。因此，自主驾驶类人决策系统的研究是必要的。但仍存在一些挑战:1)如何识别周围交通参与者的意图，而不是根据周围车辆的当前状态被动地加速或制动; 2)如何量化复杂环境下不同交通因素引起的驾驶风险; 3)如何规划具体的驾驶策略，提高复杂环境下的决策能力。

1. 考虑人车路特性的行车风险综合评估

研究成果

交通事故统计表明，在动态的交通环境中进行风险评估是必要的。如果风险与不同的交通元素(即。可准确评估道路、环境和车辆)，可显著避免或减轻潜在的事故。因此，针对复杂道路交通环境状况难以评估的问题，研究提出了一种基于等效力和场理论的人车路耦合作用下的主客观风险统一驾驶环境状况评估方法。

代表作

研究骨干：黄荷叶

Heye Huang, Yang Li, Xunjia Zheng, Jianqiang Wang*, Qing Xu, Sifa Zheng. Objective and Subjective Analysis to Quantify Influence Factors of Driving Risk. In IEEE Intelligent Transportation Systems Conference (ITSC), 2019.
Heye Huang, Wenjun Liu, Xunjia Zheng, Qing Xu, Jianqiang Wang*. Path Planning for Vehicle Obstacle Avoidance Based on Collaborative Perception. In International Conference on Green Intelligent Transportation Systems and Safety (GITSS), 2019.
Xunjia Zheng, Heye Huang, Jianqiang Wang*, Xiaocong Zhao, Qing Xu*. Behavioral decision-making model of the intelligent vehicle based on driving risk assessment. Computer-aided Civil and Infrastructure Engineering, 2019.
王建强, 郑讯佳, 黄荷叶. 驾驶人驾驶决策机制遵循最小作用量原理[J]. 中国公路学报, 2019.

2. 基于意图识别的态势分析

研究成果

了解周边车辆的动态特性，估计混合交通的潜在风险，有助于安全高效的自主驾驶。现有的风险评估方法在提前发现危险情况和处理混合交通的不确定性方面存在挑战。研究在考虑周车意图的基础上对动态行车风险进行评估，并输出概率风险图支持车辆拟人化决策。具体来说，意图识别模块来识别周围车辆的意图可能性，人车路耦合模型可以通过分析驾驶员、车辆、道路三者之间的相互作用来反映三者之间的耦合关系。最后，形成了考虑多车交互的潜在风险图，输出给自主决策模块进行安全约束下实时行为决策。

代表作

研究骨干：黄荷叶

Heye Huang, Yang Li, Xunjia Zheng, Jianqiang Wang*, Qing Xu, Sifa Zheng. Objective and Subjective Analysis to Quantify Influence Factors of Driving Risk. In IEEE Intelligent Transportation Systems Conference (ITSC), 2019.
Heye Huang, Wenjun Liu, Xunjia Zheng, Qing Xu, Jianqiang Wang*. Path Planning for Vehicle Obstacle Avoidance Based on Collaborative Perception. In International Conference on Green Intelligent Transportation Systems and Safety (GITSS), 2019.
Xunjia Zheng, Heye Huang, Jianqiang Wang*, Xiaocong Zhao, Qing Xu*. Behavioral decision-making model of the intelligent vehicle based on driving risk assessment. Computer-aided Civil and Infrastructure Engineering, 2019.
王建强, 郑讯佳, 黄荷叶. 驾驶人驾驶决策机制遵循最小作用量原理[J]. 中国公路学报, 2019.

3. 基于意图识别和轨迹预测的风险评估

研究背景

传统的风险评估方法仅仅考虑了当前的行车状况和环境因素，缺乏对周围运动物体的行为是否会改变的考虑。如果我们能够准确识别周围运动物体的意图，并预测其可能的轨迹，那么基于预测信息构建的风险评估模型能够更加准确的表现风险的分布，从而为风险评估之后的决策提供一个更好的支持。

研究成果

在预测信息的获取部分，我们采用了深度学习的方法。相比传统的将车辆的位置信息和速度信息直接作为训练数据的做法，我们首先将这些信息用场来描述，得到一个能够反应场景信息的矩阵作为输入。这样的方法提高了预测的准确率和对场景的适应性。最后，我们基于预测信息对环境进行风险评估模型的建立。

代表作

研究骨干：涂茂然

创建: Mar 05, 2021 | 10:03

智能决策 - 单车自主决策

自动驾驶汽车在交通安全、交通效率、环境保护和节能方面发挥着积极的作用。随着智能车辆的发展，如何与这些动态的、随机的、多样化的交通参与者进行交互，是实现混合交通高水平自动驾驶的潜在挑战。因此，自主驾驶类人决策系统的研究是必要的。但仍存在一些挑战:1)如何识别周围交通参与者的意图，而不是根据周围车辆的当前状态被动地加速或制动; 2)如何量化复杂环境下不同交通因素引起的驾驶风险; 3)如何规划具体的驾驶策略，提高复杂环境下的决策能力。

1. 自动驾驶汽车的决策和运动规划

研究成果

针对现有的智能决策系统的问题是难以适应的司机在复杂的交通环境和集成各种驾驶辅助功能,我们提出一个拟人化的决策战略决策机制自学的基础上,提出“学习人,模拟人和超越人”的想法。通过分析各种影响因素的风险评估之间的关系,基于交通元素之间的函数关系和车辆机动系统特征,我们将解决动作的机械系统找到最优解,并使智能车辆适应人类的个性但不限于在特定场景。将驾驶员决策背后的物理机制与人工智能方法相结合，建立统一的智能驾驶决策模型，实现基于驾驶员特征识别的个性化驾驶决策和多目标协同控制。

代表作

研究骨干：黄荷叶

Heye Huang, Yang Li, Xunjia Zheng, Jianqiang Wang*, Qing Xu, Sifa Zheng. Objective and Subjective Analysis to Quantify Influence Factors of Driving Risk. In IEEE Intelligent Transportation Systems Conference (ITSC), 2019.
Heye Huang, Wenjun Liu, Xunjia Zheng, Qing Xu, Jianqiang Wang*. Path Planning for Vehicle Obstacle Avoidance Based on Collaborative Perception. In International Conference on Green Intelligent Transportation Systems and Safety (GITSS), 2019.
Xunjia Zheng, Heye Huang, Jianqiang Wang*, Xiaocong Zhao, Qing Xu*. Behavioral decision-making model of the intelligent vehicle based on driving risk assessment. Computer-aided Civil and Infrastructure Engineering, 2019.
王建强, 郑讯佳, 黄荷叶. 驾驶人驾驶决策机制遵循最小作用量原理[J]. 中国公路学报, 2019.

2. 基于动态交通环境预测与交互的智能驾驶决策方法

研究背景

自动驾驶决策技术在很多简单场景中已得到成功应用，但面对更加复杂的城市交通环境，现有方法仍无法有效应对动态多变的人-车、车-车混行场景、实现安全与高效的驾驶决策。研究适应动态环境的决策方法、融合人/车行为认知与意图交互技术，使智能车能够学习人类所具有的预测与博弈能力，将对提高智能化驾驶决策水平、推进无人驾驶城市应用带来重要意义。

研究成果

基于风险评估的安全场方法与滚动时域优化方法，首先提出了一种考虑目标意图预测的运动规划算法。相对于其它方法，能够更有效地在动态环境中考虑意图识别的不确定性与其他风险因素，实现拟人化的安全决策。当前的研究进一步考虑冲突场景中的多智能体交互过程，基于博弈论的方法建立决策模型，并基于数据与逆强化学习方法对驾驶人行为与特性进行提取。

随着智能驾驶算法的复杂化，车载处理器对算力、能耗与体积具有极高的要求。课题基于FPGA的并行运算能力开展智能驾驶算法设计与车载应用，实现了包含A*搜索、贝赛尔曲线等路径规划算法的FPGA设计，并基于Altera Stratix V设计PCI-e通信模块，在课题组实验平台车上进行了搭载与性能测试。

代表作

研究骨干：崔明阳

创建: Mar 05, 2021 | 10:17

协同控制 - 单车容错控制

1. 通信时延与丢包下智能网联汽车控制性能分析

研究背景

网联化技术使得智能汽车的感知、决策、控制等多个环节突破自车性能的限制，带来安全、高效、舒适与节能等多方面的提升。然而，网联化技术固有的通信时延与丢包将影响智能网联汽车网联控制的安全与性能。研究智能网联汽车的横向与纵向网联控制应用受时延与丢包的影响，对智能网联汽车的应用有重要意义。

研究成果

通过Simulink与CarSim联合仿真研究了时延与丢包对网联路径跟踪控制与网联跟车控制的影响，得出了如下结果。横向控制误差与时延及丢包率呈非线性正相关。时延、丢包率及弯道半径存在阈值，在阈值内误差变化平缓，在阈值外误差增长快速。纵向控制中，稳态距离误差与时延呈正比例，瞬态误差与时延正相关，在超过一定丢包率时，稳态误差增长快速。

通过自动驾驶试验平台及LTE-V原理样机进行了实车试验，取得了如下结果。随机因素对控制误差的影响与一定小时延与丢包率影响相当。大时延与丢包造成横向控制响应迟缓、误差加大、轨迹低频震荡。时延及丢包率与纵向控制误差非严格正相关。一定大时延与丢包率下，时延与丢包出现时机比其严重度对控制影响更显著。

代表作

研究骨干：常雪阳

2. 有界对抗信息下智能网联车辆控制方法

研究背景

未来，车联网环境可能使智能网联车辆的控制系统遭受对抗信息的入侵，从而影响车辆控制的安全性，而车辆的安全性至关重要。因此，研究适应于对抗信息的车辆控制方法以确保车辆的安全性具有实际意义。一方面，经典控制方法在此情况下不足以保证车辆的控制安全；另一方面，现有关于对抗信息下控制方法的研究依然存在一些问题，如复杂时变约束下难求解、控制性能优化不足、与车辆控制结合不紧密等，仍需更多的研究加以完善。

研究成果

为研究不确定的有界对抗信息对车辆状态的潜在影响，对车辆在这一情况下的状态可达性进行了分析。通过采用状态反馈控制律，可将车辆未来的实际轨迹与参考轨迹之间的偏离量与参考轨迹的选取解耦，并能实现二者偏离量所成的差分可达集的可达性分析。进一步，通过构建动态反馈控制律的优化问题，既能缩小且重塑差分可达集，又能为用于参考轨迹生成的控制量界限留出更多余地，在一定程度上缓解了现存反馈矩阵与控制量界限的权衡折中关系。

为保证车辆在有界对抗信息下车辆控制的安全性，基于可达性分析并借助可满足性模理论进行了车辆安全性验证，在滚动时域控制的框架下建立了适用于车辆在无限时域下的优化控制方法。一方面得到既保证安全性、又兼顾控制性能的参考轨迹最优控制策略，另一方面可提升所研究车辆控制方法在更多复杂交通场景下的适用性。跟车场景与换道场景下的仿真结果验证了控制方法的有效性。

代表作

研究骨干：刘艺璁

创建: Mar 05, 2021 | 10:34

协同控制 - 多车协同控制

1. 混合交通环境下交叉路口信号灯-车辆协同控制方法

研究背景

交叉路口是城市中的常见场景，也是影响道路交通效率和车辆燃油经济性的重要因素。当交通拥堵发生时，交叉路口信号灯会导致车辆频繁的启停及怠速，带来了车辆燃油经济性的下降，而常见固定配时的信号灯控制方法难以解决的交通拥堵问题。智能网联汽车的出现为进一步的交通优化提供了可能，一方面，智能网联汽车可以得到信号灯配时等交通环境信息，对自车的行驶轨迹进行优化；另一方面，智能网联汽车可以获取周围其他车辆的信息，通过对自车的控制改善区域交通效率。然而，智能网联汽车的普及仍需数十年的时间，现有对人工驾驶车辆与网联自动驾驶车辆共存的车辆协同控制算法研究未能充分考虑驾驶人驾驶车辆的信息。研究针对混合交通环境，提出了智能网联车辆队列形成方法及分层优化信号灯控制方法，可以在不同市场渗透率下对交通效率和燃油经济性进行优化。

研究成果

为考虑人工驾驶车辆的行驶情况，研究提出了混合交通下的混合队列形成方法，通过将智能网联汽车与驾驶人驾驶车辆组合成为“ 1+N ”的队列模式，使智能网联汽车主动引导后续驾驶人驾驶车辆通过交叉路口。基于系统分析，证明了保证混合队列的稳定性、可控性的充要条件，为混合队列的控制提供了理论基础。

通过对驾驶人驾驶车辆跟车模型的研究，提出了固定配时下最优跟车间距和最大可通行车辆数目的确定方法。对固定长度的队列驶入交叉路口的过程，提出了混合车辆队列最优控制模型，使用基于伪谱法的最优控制方法进行轨迹规划，实现了对燃油经济性的优化。

驾驶人驾驶车辆通过交叉路口时需信号灯引导，因此针对提出的混合交通队列模型，设计了混合交通下的预约式信号灯控制方法。扩展了常见的“先到先得式”智能网联单车优先级分配模型，设计了混合交通下考虑队列长度的综合优先级模型分配方法，实现了八相位下的信号灯时间动态分配，可以综合优化整体交叉路口的通行效率。搭建了基于微观交通流模型的仿真分析平台，对混合队列算法有效性进行了验证。

代表作

研究骨干：陈超义

2. 非理想通信下多车协同控制系统研究

研究背景

近年来，随着通信技术的发展，相关网联化技术给智能汽车突破现有感知、决策、控制等多个环节技术瓶颈带来了更多可能，在安全、高效、舒适与节能等多维度提升了现有智能车性能。然而在处理基于网联技术的应用过程中，现有通信技术的一些固有缺陷或限制不可避免地影响着网联应用的应用范围及表现，例如网络时延、丢包、量化误差、时变拓扑、信道衰减、带宽限制等，某些因素在部分情况下甚至会严重威胁车辆网联应用安全。因此有必要针对非理想的通信因素下车辆控制方法和理论开展研究，为在现有通信限制条件下实现安全可靠高性能的网联车辆控制提供基本的理论基础，为在部分突发通信故障情况下提供降级控制器设计思路，提升智能网联车辆系统安全性。

研究成果

实验室原有研究考虑了对数量化反馈的马尔科夫线性跳变系统，推导了随机意义下的Riccati不等式，并基于求解线性矩阵不等式的方法求解对应于不同模态的跳变控制参数。基于上述方法，本研究利用矩阵增广的方法描述了包含了有限跳变时延的网络对数量化反馈控制系统，利用上述方法求解不同时延状态下镇定的控制参数，并利用缓存的有限步历史时刻的控制量计算当前时刻镇定的控制量，在实际控制中，根据当前时刻通信时延大小切换不同对应控制参数，以达到镇定系统的目的。通过网联车辆横纵向控制场景仿真测试及和常规控制器控制性能的对比，验证了本研究为跳变时延下的网联车辆控制提供了一种可行的控制器设计思路。

代表作

研究骨干：潘济安

Pan J, Xu Q, Li K, et al. Controller Design for V2X Application Under Unreliable Feedback Channel[C].2019 IEEE Intelligent Transportation Systems Conference (ITSC). IEEE, 2019: 2496-2502.

3. 面向多场景的智能网联车群共性决策与控制方法

研究背景

传统的智能网联汽车控制方法大多面向单一场景，难以在场景间进行平滑切换，且其研究场景往往过于简化，难以在进行实际应用。因此，研究面向多种复杂交通场景的共性决策与控制方法，对于智能网联交通系统的整体效率和经济性提升具有重要意义。

研究成果

提出了基于协同指派的智能网联汽车多车协同编队控制方法，采用集中式决策、分布式控制的架构，在带有出、入匝道的多车道高速公路场景下，根据车群、道路参数动态生成多车编队几何构型，构建了车辆-编队内目标位置指派问题模型并选取匈牙利算法进行实时求解，使用分段贝塞尔曲线进行车辆运动轨迹规划与车辆控制，拓宽了现有多车协同控制领域的场景复杂度，提升交通系统整体效率的同时，也提升了车辆的行驶安全性和燃油经济性。

提出了基于车群指派的多车道无信号灯交叉路口通行控制方法，在宏观和微观两个层面分别进行车群通行序列的计算和车辆运动的规划与控制。在宏观层面，构建了多车道交叉路口交通流冲突模型，使用基于图论的树搜索算法计算车群间的无冲突通行序列；在微观层面，提出了车群重组方法，按转向需求对原车群进行拆分和重新组合。本方法解决了现有交叉路口控制方法难以应用到多车道场景的难题，相比于传统方法，提升了交通效率和燃油经济性。

代表作

研究骨干：蔡孟池

Cai M, Xu Q, Li K, et al. Multi-lane Formation Assignment and Control for Connected Vehicles[C]//2019 IEEE Intelligent Vehicles Symposium (IV). IEEE, 2019: 1968-1973.

4. 混合交通系统性能研究与最优控制器设计

研究背景

传统的智能网联汽车技术多针对所有车辆全部自动驾驶的工况，在实际的智能网联汽车技术推广过程中，势必会存在一个长期的过渡阶段，即智能网联汽车（ICV）与驾驶员驾驶汽车（HDV）共存的混合交通工况。研究两类汽车共存的混合交通系统，设计针对混合交通环境的智能网联汽车技术，对于理解智能网联汽车对交通系统的影响机理、提升过渡阶段ICV对交通系统的积极作用具有重要意义。

研究成果

为研究ICV对交通系统的影响机理，研究针对封闭环形混合交通系统，从理论上分析了该系统的稳定性、可控性、可镇定性以及可达性，证明了由一辆ICV和多辆具有匀质/异质动力学特性的驾驶员驾驶汽车构成的环形混合交通系统在一定条件下的可镇定性，求解了通过ICV主动影响提升交通流速度的上界，揭示了ICV在低渗透率下削减交通扰动、提升交通效率的内在因素和发展潜能。

为解决混合交通工况中通信能力受限条件下的ICV控制策略设计问题，研究将其构建为带有结构约束的最优控制器求解问题，并利用稀疏不变性原理构建原问题的凸放松，从而求得次优的ICV控制策略。此外，传统的ACC、CACC等策略着眼于ICV自身的性能，本策略直接通过控制ICV优化整体交通系统，使得ICV在低渗透率下具有显著提升交通性能的效果。

代表作

研究骨干：王嘉伟

Zheng Y, Wang J, Li K. Smoothing traffic flow via control of autonomous vehicles[J]. IEEE Internet of Things Journal, 2020.
Wang J, Zheng Y, Xu Q, et al. Controllability Analysis and Optimal Controller Synthesis of Mixed Traffic Systems[C]//2019 IEEE Intelligent Vehicles Symposium (IV). IEEE, 2019: 1041-1047.

创建: Mar 05, 2021 | 10:56

协同控制 - 人机交互共驾

1. 人机共驾控制权柔性切换机制

研究背景

驾驶人行为失准是造成交通事故的主要原因。随着智能汽车技术的发展，驾驶系统作为第二驾驶主体，可以协助驾驶人对车辆进行辅助控制，修正驾驶人的偶发错误行为，从而提高行车安全性。在由此构成的人机共驾模式下，驾驶控制权的切换机制在协调人机关系方面起着决定性作用。驾驶控制权切换的合理性在很大程度上决定了人机共驾的安全性以及驾驶人对驾驶系统的信赖和接受程度。因此，为充分发挥现有智能化水平下的驾驶系统对行驶安全的提升作用，对人机共驾中驾驶控制权切换的研究将对智能汽车在现阶段的发展起到重要推动作用。

研究成果

人机共驾中，共驾模式的选择和驾驶控制权的分配高度依赖于对驾驶人状态的正确识别。为了对人机共驾中的驾驶人状态进行分析，研究以行车风险场为理论框架，借鉴物理学中静电场的模型结构，通过风险量描述交通单元的固有风险特性，通过风险分布强度刻画运动状态和交通场景特性对风险态势的影响，提供了一种可扩展可迁移的类电风险场模型，实现了对行车风险的量化。通过分析驾驶人对行车风险的响应机制，析取了驾驶人风险响应特性参数，并基于此构建了个性化的纵向驾驶人模型RRDM。