基于多目标优化的自动驾驶汽车轨迹跟踪控制的研究

郭建宏

摘 要：由于汽车数量的迅速增长，交通拥堵问题越来越严重，交通事故发生率也随之不断上升，对人类生产生活造成了巨大损失。为了能够减少甚至避免道路交通系统中存在交通控制方面的盲点性和冲突，自动驾驶汽车技术已经成为当前研究的热点。针对基于多目标优化的交通轨迹跟踪控制问题进行了分析与研究，首先介绍了一种简单实用且能有效避免交通事故发生的方法;针对国内外相关课题研究现状作简要综述并提出自己所存在和有待解决或改进的关键性问题：即车辆动力学参数确定困难、运动学特性不同时间下位置变化导致轨迹失调及道路拥挤等现象。

关键词：目标优化 自动驾驶 轨迹跟踪

1 引言

在现实生活中，由于各种环境因素，车辆的轨迹跟踪也是一个典型且难以解决的问题，至今为止对于该方面一直没有较为成熟完善的理论和方法。随着计算机技术、计算流体力学等相关学科领域知识不断发展与进步以及人们对交通安全关注意识提升而提出了更加精确化、智能化与自动化控制策略。在这些新奇有效手段当中遗传算法是最具有代表性并且实用性较高的一种，其研究也已经非常深入；模糊逻辑法作为经典的车辆轨迹跟踪方法之一。

2 相关理论概述

典型的人工神经网络有如下几个特點：

1）非线性。在输入层和输出层之间，一般情况下，系统中神经元数目越多，其权值变化越大。因此对于不确定因素存在时变函数可以忽略不计；

2）实时性差或局部最优解是不可优化的（如噪声干扰等问题导致无法跟踪指定目标位置而影响工作效率等）；人工神经网络具有很强的自学习能力、容错能力及非线性映射功能。[1]

2.1 自动驾驶车辆的相关概念

自动驾驶汽车是以驾驶员的位置为基准，按照一定车速、方向进行行驶，在车辆行驶过程中能够自主感知周边环境并对周围状况作出相应反应。而交通安全问题则主要指交通事故所引发的各种伤亡事故。道路交通系统作为一个复杂多变且动态变化大众化体统工程对象之一其本身又具有复杂性和不确定性等特点。自动驾驶车辆是指以无人作为操作核心的车辆。它能够根据驾驶员的视觉判断出行驶方向，并按照一定路线自行进行运动。在道路交通环境中，有两种类型：一种为非自主式交通；另一种则是具有非人为化特征（如车速、车距等）道路条件下运行时进行控制和协调所采取措施而实施的方法称为自动驾驶行为；其中由智能车辆或者其他辅助驾驶员操纵汽车或其它辅助司机操作从而实现其目的的方式被称之为自动驾驶策略。

2.2 自动驾驶车辆的目标

车辆的自动驾驶是以车辆为研究对象，通过计算机技术、传感装置和控制器等控制设备来达到对汽车进行动力调整以及安全防护。在实际情况中，由于环境因素影响导致驾驶员状态不稳定或出现事故时驾驶员无法正确识别出行人与车物之间的相对关系。为了解决这些问题我们通常采用交通模拟实验法或者人工视觉系统进行试验验证自动驾驶车辆轨迹跟踪算法是否准确可靠；通过建立合适的目标函数和期望输出值来对无人驾驶汽车控制模型进行优化处理。自动驾驶汽车的研究对象主要是由驾驶员操纵车辆，并在其行驶过程中保持稳定。因此，需要对车辆进行控制。通过使用传感器采集到实时数据从而获取当前交通状况和车速信息、路面环境条件以及道路拥堵情况等参数值，来确定当前状态下所处路段或车道是否畅通；同时利用摄像头所拍摄的图像来判断前方路况和车辆位置并做出相应调整以避免偏离预定轨迹运行，使驾驶员始终保持安全驾驶。

2.3 自动驾驶车辆定位

车辆的自动跟踪系统是指通过采集到的目标位置数据，然后利用计算机视觉技术、检测设备等进行处理得到道路状况信息。由于在实际环境中对前方物体或其它障碍物都非常敏感且存在一定程度上距离较远时，为了保证实时性和准确性需要采用多个传感器获取当前状态下待测目标所在区域内所有特征点位之间相对近线性关系。车辆跟踪系统是一个非线性的连续过程控制系统，因此其控制精度将受到影响。车辆的自动跟踪系统是在车辆行驶过程中，利用计算机技术、传感器等多种先进设备对交通流进行实时监控和反馈控制。由于智能控制理论与方法已经逐渐应用到了实际生活当中并取得了较好效果。因此我们可以将其作为一个完整的智能车系统来实现该目标所要求得功能及性能指标：时间上跟踪精度高；车辆在行驶过程中能够保持恒定或运动状态是研究自动驾驶系统的关键因素之一。

2.4 自动驾驶车辆轨迹跟踪辨识

车辆跟踪问题是一个非线性的、多目标优化控制过程，在实际系统中，受多种干扰，存在着各种不确定因素和噪声信号等。为了解决这些复杂多变的、非实时性地分析研究对象或约束条件下如何进行自动驾驶轨迹预测就显得特别重要。在进行自动驾驶车辆轨迹跟踪控制时，其目的是使驾驶员能够实时掌握自己的车速，以及当前道路中存在哪些不确定因素。这些信息包括：当前道路是否有车可以行驶；当遇到其他人追逐或者追尾行为时该辆车可能偏离某方向行进。为了对这几种情况实施有效追踪就需要建立一个完整且准确的数学模型，来描述这种情形下所对应跟踪车辆轨迹之间相互变换规律和运动状态与实际行驶状况间的关系。

3 多目标优化模型

在对车辆进行跟踪控制的过程中，需要考虑多方面因素，其中最重要的是目标优化问题。为了能够使多道人有足够的时间来完成任务指标。首先要确定一个合理、高效和可操作性强并且可以实际应用到生活当中去解决这个问题所需具备什么特性；其次是建立数学模型并将其转化为简单明了且容易实现以及易于理解等特点；最后就是在进行参数选择时，一定要考虑车辆运动学特征与动力学行为之间是否匹配于其他因素的影响。在进行多目标优化控制时，首先要建立一个初始化的模型，这个初始化模型是整个系统中最核心和基础部分。因为车辆本身具有一定形状尺寸、轨迹长度等特征，所以需要对该参数作适当修正；其次就是确定合适的遗传算法来实现最优解得近似函数；最后再通过计算得到期望路径下运动状态信息（即速度－加速度）以及目标位置上对应点处相应时间内行驶状况及周边环境的变化。

3.1 多目标优化模型的建立

在进行多目标优化控制的过程中，我们需要对车辆行驶轨迹以及道路状况做一定权衡，然后再通过计算使系统达到最满意状态。因此有必要先建立一种能够兼顾各种约束条件下同时考虑多种约束情况的模型来作为实现最优问题解决方法。为了保证车辆跟踪算法具有良好性能和较高精度以得到较为理想效果并且满足实际应用要求，在进行多目标优化控制之前必须设定一个初始值或者是函数参数（如噪声、速度等）。[2]由于每个车辆都不是由同一个车集合组成，而是由多个不同类型的车集组合而成。在现实生活中存在着两个以上具有一定精度高分辨力和适应度强性能、且能满足其特定要求而又不影响运行速度或环境适应性等特性指标。为了解决上述典型复杂模型之间可能相互矛盾及多目标跟踪系统的非线性问题。需要对车辆进行建模分析以获得最准确轨迹信息，使之成为一个完整的控制方案。

3.2 多目标优化模型的求解

在进行多目标优化的过程中，最重要的是求解车辆之间的运动轨迹，从而使其能够跟踪期望位置。但是由于每个车身上部都是随机分布、具有不确定性和复杂性等特点造成了计算量比较大并且算法也相对比较复杂。为了得到较为准确合理且能被广泛应用推广应用到实际生活当中去时，需要对其进行求解并将它转化为可以实现控制车辆轨迹跟踪问题模型。在建立一个车辆的初始轨迹之后，就是对这个初始位置进行求解，然后再根据给定的求解公式对其进行优化处理达到最终目的。

3.3 数值仿真

在MATLAB的环境下，我们可以通过建立一个初始化模型，来进行自动驾驶车辆轨迹跟踪控制。首先是设定目标函数。这个初始化参数主要包括：驾驶员当前时间点、期望行驶距离以及实际行走速度等信息。通过计算各个状态（如车速和加速度）之间的关系式拟合优度值并将其转化为直线方程。最后再对各子代入器得到一组离散数据集，通过这些集合来进行自动驾驶车辆轨迹跟踪控制仿真实验。

4 自动驾驶车辆轨迹跟踪控制

车辆的轨迹跟踪控制是利用计算机技术，通过对采集到的信息进行处理，根据获得得与期望值相比较而得到目标位置和行驶速度等反馈信号（即运动状态）。在实际生活中由于环境因素、被遮挡及其他干扰原因等影响导致道路状况不理想时可以使用自动驾驶控制器。当摄像头拍摄图像质量较低或者相机不能准确捕捉到车辆轨迹数据时，系统需要人工干预来改变采集的视频或图片，以获得良好的跟踪效果。[3]

4.1 基于多目标优化的自动驾驶车辆轨迹跟踪

车辆跟踪是在多目标优化的基础上发展起来的，其目的在于解决非线性约束，使车辆跟随环境变化、行驶距离和轨迹形状等因素对交通状态产生较大影响。由于道路情况复杂多变以及有众多不确定性因素存在使得基于多目标优化算法具有一定难度。为了提高系统运行速度及抗干扰能力以降低不必要损失，并消除各种不利条件下造成交通事故发生所带来的经济损失与人员伤亡事故。

4.2 基于多目标优化的改进

多目标优化的基本思想是通过分析车辆在不同路径上运行轨迹，计算各参数，以实现对跟踪约束条件和期望速度大小等的最优控制。当车辆行驶过程中遇到障碍物限制时或者由于天气恶劣导致雨雪冰冻、风浪过强以及其他干扰因素使车速下降或停止状态下行驶时，系统需要采取最大制动次数来克服这些不利影响以维持道路畅通和流畅的情况。

5 自动驾驶车辆轨迹跟踪控制实验

在进行了交通流数据的采集之后，利用MATLAB软件对车辆轨迹跟踪，完成了以下实验内容：

（1）对车辆行驶速度、方向及目标位置等参数进行设定；

（2）采用多种算法相结合实现自动驾驶状态下的自适应控制策略。包括基于模糊综合评价方法和遗传算法。其中通过仿真试验表明该系统具有较高稳定性与鲁棒性，在不影响交通流变化以及道路通行能力的情况下有比较理想跟踪性能。

5.1 实验系统的软件环境

在硬件环境方面，本文采用单片机作为控制核心，并使用多种传感器采集车辆的位置信息与轨迹数据。由于车辆本身具有一定形状和大小范围等特性（如车道、方向盘或转向盘）时通过CAN定位算法能够实现对其轨迹跟踪；另外还需要使用一些辅助设备来完成对道路状况的检测及分析处理功能以及用于汽车车速变化监测系统中所需硬件设施。[4]

5.2 自动驾驶车辆轨迹跟踪模块介绍

自动驾驶交通轨迹跟踪模块是基于遗传算法的基础上建立的，利用遗传算法对车辆中各行进状态进行实时修正，从而使其能在满足一定要求并具有较高速度和足够空间范围内完成目标任务。它采用了一种自适应地方法来解决交通控制问题。车辆跟踪的目的就是使驾驶员能够实时地、完整准确地向轨迹目标前进，在道路中行驶，以尽可能少的占用道路资源。智能交通系统技术和传感控制理论研究发展迅速以及道路交通设施不断完善等因素影响下，自动驾驶汽车越来越多出现在各种复杂环境当中。由于这些原因造成了交通事故发生率大大提高并且死亡率也随之增加；车辆跟踪问题直接关系到驾驶员是否能安全地、准确地向轨迹目标前进，同时还与车辆行驶速度大小有很大的关联性。

5.3 自动驾驶车辆轨迹跟踪过程

在汽车行驶过程中，通过对采集到的数据进行分析，得到车辆行走轨迹和运动学模型。根据建立好的数学模型来计算出跟踪目标车辆行进路线。确定目标区域。在多阶段交通环境下单拥堵车流状况、道路交通事故等情况下，如何有效地预测其当前状态并采取措施以消除事故发生后造成损失以及影响因素成为主要任务；结合汽车实际行驶速度，对单个单一驾驶人进行轨迹跟踪和运动学分析建立相应的模型实现车辆控制策略。

6 存在的问题和不足之处

本文主要研究了人工轨迹跟踪和自动驾驶的基本原理，并结合遗传算法实现车辆运动学自适应控制。（1）目标函数法：在初始化阶段利用计算机完成对初始参数的设定。但是这种方法需要大量计算时间以及运行速度快是一个无法解决并且难以避免缺点；（2）遗传算子选择问题：基于自然界物种优胜劣汰原则建立一种适用于人工轨迹跟踪和自动驾驶系统的多自由度非线性规划设计，但其算法简单、鲁棒性较差且运算效率低；（3）当环境变化时对行人行走有干扰影响；由于人走越远、道路不平等原因导致轨迹跟踪精度不高；在实际情况下行驶状况复杂多变，无法准确实现车辆与背景图像信息实时交互。[5]

7 结语

基于单目标自动驾驶车辆轨迹跟踪的方法，以期望接近最优为目的，通过对蚁群算法、模糊控制理论和遗传算法等多种智能优化技术进行研究。其中介绍了基本蚁群搜索策略模型，模型在求解过程中存在着局部寻优现象且缺乏全局性考虑；最后结合实际情况引入粒子算子来解决非线性问题并验证其有效性与优越性。基于多目标优化的自动驾驶汽车跟踪控制方法，以车辆动力学参数为约束，综合考虑驾驶员与车距，最大爬坡度等因素建立了一种简化连续交通流模型。通过该模型可以实现对不同道路條件下沿路网进行轨迹自适应调整和动态修正。在车辆平均速度较低情况下、当车速接近某一值时以及遇到突发状况不允许自动驾驶的时候均能跟踪到目标位置；而在车辆行驶过程中出现某项参数变化较大且实时控制较为困难时为有效措施。

项目来源：高校教师创新基金项目   项目编号：2023B-285。

参考文献：

[1]黄颖涛，徐筠凯.基于模糊控制的自动驾驶车辆轨迹跟踪控制研究[J].装备制造技术，2018：88-89+111.

[2]李俊彦，宋焕生，张朝阳，侯景严，武非凡.基于视频的多目标车辆跟踪及轨迹优化[J].计算机工程与应用，2020：194-199.

[3]秦万军，徐友春，李明喜，耿帅，李欣莹.基于二自由度模型的无人驾驶车辆轨迹跟踪控制研究[J].军事交通学院学报，2014：35-39.

[4]吴晟博，曹理想.无人驾驶车辆轨迹跟踪控制研究[J].汽车实用技术，2020：51-53.

[5]顾小川，李军.自动驾驶车辆路径跟踪控制方法[J].汽车工程师，2019：13-16.