智能网联汽车主动避撞技术的研究现状与趋势

智能网联汽车主动避撞技术的研究现状与趋势

王云云

江淮汽车集团股份有限公司技术中心  安徽合肥  230601

摘要：汽车能否成功避撞直接影响其行驶的安全性与稳定性，因而汽车避撞技术的研究越来越重要。通过时间序列分析和归纳研究，从"优化控制策略、设计安全距离模型、行车信息感知与处理、车辆动力学、差异化预警、优化算法"等方面分析智能网联汽车主动避撞技术的研究现状，进而预测其未来研究趋势是"算法逐步优化、深度逐步加大、范围逐步拓展、四化程度逐步提高"，最后认为该领域的研究应综合多种算法或综合多个角度以满足现实需求。

关键词：智能网联汽车；主动避撞技术；现状；趋势

引言

主动避撞技术是智能网联汽车智能驾驶的关键技术，其离不开“运动规划与障碍物识别”等技术或方法的支持，其对降低交通事故发生率、提高汽车行驶安全性与稳定性具有重要意义。当前关于智能网联汽车主动避撞技术的研究，主要分为“优化控制策略、设计安全距离模型、行车信息感知与处理、车辆动力学、差异化预警、优化算法”等方向，内容多且条目繁杂，很少有文献将研究内容进行归纳、分析与总结。本文将解决上述问题，系统地分析智能网联汽车主动避撞技术的研究现状，并预测其研究趋势，以期为该领域研究人员提供直观的参考依据和继续研究的基础价值。

1.概述

1）主动避撞系统（也称自动避撞系统）是智能网联汽车的一部分，其主要用途是“提前发现与本车有碰撞可能的障碍物（如车辆、行人等），必要时能使汽车自动制动或做出避让动作”。2）运动规划模块是智能网联汽车车载系统的核心组成部分，也是主动避撞系统不可缺少的部分。运动规划方法可分为路径规划、路线规划、动作规划和轨迹规划。路径规划是基于行车安全性，采集环境多源信息，不断探索起点到终点所有可行路径，以确定最优路径。3）汽车障碍物识别技术是判断车身的一定距离和范围是否有障碍物，及障碍物的大小和距离等等相关信息，防止发生意外碰撞事情，显然该项技术可为汽车主动避撞技术提供基础支撑。当前为检测与识别障碍物，多种传感器被应用于智能网联汽车，例如激光雷达、超声波雷达、毫米波雷达、红外雷达等。随着社会经济的不断发展和科技的进步，障碍物检测与识别算法的鲁棒性和实时性逐渐增强。

2.智能网联汽车主动避撞技术的研究现状

2.1优化控制策略

当前国内外学术界关于主动避撞控制策略的研究主要根据“纵向避撞控制策略、制动与转向协调避撞控制策略”等进行分析。以前者为例，智能网联汽车主动避撞系统通过雷达等环境感知设备获取障碍物的速度、大小、与本车距离等信息（其主要针对汽车行驶纵向上的障碍物），判断本车与障碍物发生碰撞的可能，然后采取制动或避让措施。以后者为例，有研究提出一种采用非线性模型预测控制的转向和制动同时进行的避撞策略，它主要是通过对车轮转向角度和横向加速度进行相关约束条件，这样转向避撞的安全及稳定性得到了提高。

2.2行车信息感知与处理

2.2.1车距测量

基于机器视觉车间距离测量方法的优点是探测环境范围宽、获取目标信息完整，缺点是实时性差、运算量大、准确度低。相比机器视觉测距，基于车载雷达系统车间距离测量方法的优点是结构简单、发射功率低、分辨率与灵敏度高、抗干扰能力强；缺点是装置清洁度要求高、成本高。

2.2.2车速测量

当前车速的获取主要有直接法和间接法。直接法虽精度高，但高昂的成本限制其发展与应用，目前汽车主要是通过间接法来测量车速。例如线性卡尔曼滤波法主要是针对低自由度汽车模型进行车速估计；非线性卡尔曼滤波法主要是针对高自由度汽车模型进行车速估计。

2.2.3行车信息处理

因行车感知的信息中通常含有一定的噪声，需进行处理才能准确获取目标信息，行车信息处理技术应运而生。主要通过卡尔曼滤波技术对行车信息进行处理，例如通过设计分析n维卡尔曼滤波方程和控制卡尔曼算法去除测量噪声，为使噪声的处理能力能够得到进一步地提高，采用优化交互式卡尔曼滤波算法处理雷达测量产生的噪声信号。

2.3差异化预警

差异化预警方法因其差异化特征的不同而不同，例如，有相关的研究认为驾驶员会因为他们的年纪、性别、性格以及驾驶年龄等等相关的因素差异，就会具有不一样的驾驶习惯和特性。进一步地，对每位驾驶员释放加速踏板和制动启动时刻的TTC值进行聚类分析。

2.4优化算法

当前通过优化算法来提高智能网联汽车主动避撞能力的研究越来越多，这些算法往往基于不同的角度或不同的理论。

近几年，避障算法主要集中在人工势场算法、智能优化算法、协同算法。以人工势场算法为例，通过在人工势场函数中加入一个由目标地点和车辆间相隔的距离算出调节因子，让局部目标点在对称轴线上，以此防止局部的最小值。进一步地，有研究人员通过在人工势场算法的基础上建立虚拟力场作用域，另外通过定义斥力函数，将速度、质量等因素考虑进去。以智能优化算法为例，其包括模糊逻辑算法、遗传算法、蚁群算法、快速扩展随机树算法、神经网络算法、粒子群算法等。以协同算法为例，有相关研究指出，利用移动障碍运动状态估计的局部路径规划算法和离散高斯卷积算法相结合一起使用，在多种规划的路径中择优选用避撞路径。以此，将损失降到最低，使用蒙特卡洛算法算出碰撞概率。

3.智能网联汽车主动避撞技术的研究趋势

3.1研究算法逐步优化

无论是传统算法还是智能算法都有不足之处。以基于图片搜索算法为例，其得到的最优路径比较准确，但计算过程复杂；以人工势场算法为例，其实时性虽好，但局部最小化问题较为严重；以智能算法为例，其具有主动学习功能，但泛化能力差。未来算法将被逐步优化，并且多种算法协同避障成为了人们越来越关注的研究方向。

3.2研究深度逐步加大

在行车安全状态判断方面，现有的汽车主动避撞系统大多准确性能差，难于获取行车时的关键参数，对驾驶员的主观感受等因素也考虑不够，未来会加大研究深度，统筹考虑多种因素。现有的很多避撞安全距离模型较为单一，未来将会针对安全距离模型应用新的算法或技术，将会加深研究力度。目前针对汽车路径规划与跟踪控制的研究，大多不能满足实时性要求，未来该方面的研究也将深入考虑实时效应。

3.3研究范围逐步拓展

汽车更容易在低附着系数的路面发生交通事故，未来不仅是研究高附着系数路面上汽车行驶时的避撞问题，针对低附着系数路面避撞问题的研究将逐步增加。汽车实际行驶时需综合考虑纵向制动和转向换道，所以研究范围亟待拓展，预测未来汽车纵横向相结合的避撞问题将成为研究热点。

3.4四化程度逐步提高

智能化、集成化、复杂化和信息化，这四种简称为四化。随着经济的发展，人工智能技术被越来越多的应用在汽车主动避撞系统中，使得汽车主动避撞智能化更高效。如果把主、被动安全技术融合一起使用，汽车主动避撞系统的集成化程度也会越来越高。

结语

当前有关智能网联汽车主动避撞技术研究的文章越来越多，涉及到多种算法、多种技术的应用，还有从控制策略和车辆系统动力学的角度出发，综合了行车信息感知与处理技术。未来该领域的研究人员应综合多种算法或综合多个角度进行研究，单一的算法已无法满足现实需求。此外，通过对比研究，可以发现国内在该领域的研究成果相比国外有一定的差距，鉴于中国道路交通情况的复杂性以及当代社会对人身安全提出了更高的要求，提高智能网联汽车的主动避撞能力具有十分重要的现实意义，国内该领域的研究人员任重而道远。

参考文献

[1]赵瑞.基于状态估计方法的车辆主动避撞控制策略研究[D].重庆：重庆理工大学，2022.

[2]李立，徐志刚，赵祥模，等.智能网联汽车运动规划方法研究综述[J].中国公路学报，2019，32（6）：20-33.