近年來(lái)，傳統(tǒng)汽車(chē)車(chē)廠與互聯(lián)網(wǎng)企業(yè)選擇了兩條不同的道路來(lái)發(fā)展無(wú)人車(chē)。傳統(tǒng)汽車(chē)廠商希望先發(fā)展先進(jìn)輔助駕駛系統(tǒng)（ADAS），再逐步過(guò)渡到人車(chē)協(xié)同駕駛，最終實(shí)現(xiàn)無(wú)人車(chē)。而互聯(lián)網(wǎng)企業(yè)，則希望從低層次的普通無(wú)智能車(chē)輛一步跳躍式發(fā)展至全自動(dòng)無(wú)人車(chē)。隨著工業(yè)界對(duì)無(wú)人車(chē)的投入力度加大，無(wú)人車(chē)相關(guān)研究也獲得了大量研究者的關(guān)注。因此，本報(bào)告圍繞無(wú)人車(chē)的環(huán)境感知、決策和控制三個(gè)主要方面，介紹近幾年國(guó)內(nèi)學(xué)者在無(wú)人車(chē)領(lǐng)域的主要研究進(jìn)展，分析國(guó)際學(xué)科發(fā)展趨勢(shì)及國(guó)內(nèi)的研究特色與差距。

一、引言

無(wú)人車(chē)是指通過(guò)車(chē)載傳感系統(tǒng)感知環(huán)境，自動(dòng)規(guī)劃行車(chē)路線并控制車(chē)輛實(shí)現(xiàn)預(yù)定駕駛目標(biāo)的智能汽車(chē)。依據(jù)自動(dòng)駕駛程度的不同，美國(guó)高速公路安全管理局（NHTSA）將無(wú)人車(chē)劃分為 5 個(gè)層次，而美國(guó)汽車(chē)工程師學(xué)會(huì)（SAE）則將智能汽車(chē)劃分為 6 個(gè)層次［1］。雖然這兩種劃分方式在細(xì)節(jié)上存在差異，但是它們都是從低層次的普通無(wú)智能車(chē)輛，逐步過(guò)渡到最高層次的全自動(dòng)無(wú)人車(chē)。

近年來(lái)，傳統(tǒng)汽車(chē)車(chē)廠與互聯(lián)網(wǎng)企業(yè)選擇了兩條不同的道路來(lái)發(fā)展無(wú)人車(chē)。傳統(tǒng)汽車(chē)廠商希望先發(fā)展先進(jìn)輔助駕駛系統(tǒng)（ADAS），再逐步過(guò)渡到人車(chē)協(xié)同駕駛，最終實(shí)現(xiàn)無(wú)人車(chē)。而互聯(lián)網(wǎng)企業(yè)，則希望從低層次的普通無(wú)智能車(chē)輛一步跳躍式發(fā)展至全自動(dòng)無(wú)人車(chē)。隨著工業(yè)界對(duì)無(wú)人車(chē)的投入力度加大，無(wú)人車(chē)相關(guān)研究也獲得了大量研究者的關(guān)注。因此，本報(bào)告圍繞無(wú)人車(chē)的環(huán)境感知、決策和控制三個(gè)主要方面，介紹近幾年國(guó)內(nèi)學(xué)者在無(wú)人車(chē)領(lǐng)域的主要研究進(jìn)展，分析國(guó)際學(xué)科發(fā)展趨勢(shì)及國(guó)內(nèi)的研究特色與差距。

二、我國(guó)無(wú)人車(chē)的發(fā)展現(xiàn)狀

（一）無(wú)人車(chē)的環(huán)境感知

感知系統(tǒng)是無(wú)人車(chē)系統(tǒng)的重要組成部分。感知主要是指運(yùn)用傳感器、定位與通信等技術(shù)，來(lái)獲取、整合車(chē)輛行駛時(shí)外部環(huán)境信息。其主要功能包括車(chē)道檢測(cè)、交通參與者檢測(cè)（車(chē)輛、行人等）、交通標(biāo)志檢測(cè)和其他車(chē)外環(huán)境檢測(cè)等。

1.車(chē)道檢測(cè)

近年來(lái)研究者提出了多種車(chē)道檢測(cè)方法。例如，清華大學(xué)的研究者采用了一種基于顏色信息的方法，利用道路尺寸形狀和動(dòng)態(tài)信息檢測(cè)車(chē)道，可以很好地將遮擋和真實(shí)的車(chē)道線區(qū)分開(kāi)［2］。常見(jiàn)的方法對(duì)于結(jié)構(gòu)化道路效果較好，但在車(chē)道線并不一定清晰或存在的情況下容易誤判。因此，目前很多研究機(jī)構(gòu)將重心更多轉(zhuǎn)移到了對(duì)非結(jié)構(gòu)化道路的檢測(cè) , 即對(duì)二級(jí)道路或越野道路的檢測(cè)。

2.交通標(biāo)志檢測(cè)

交通標(biāo)志檢測(cè)主要包括兩個(gè)基本環(huán)節(jié)：交通標(biāo)志的檢測(cè)和判別［3，4］。目前常用的交通標(biāo)志檢測(cè)方法包括邊緣檢測(cè)、顏色分割［5］等；而常用的交通標(biāo)志判別方法，主要方法包括基于神經(jīng)網(wǎng)絡(luò)［6］、基于形狀（模式匹配）［7］和基于顏色等方法。目前，越來(lái)越多的研究將重心轉(zhuǎn)向神經(jīng)網(wǎng)絡(luò)方法，普遍可以達(dá)到95% 以上的識(shí)別率。

3.車(chē)輛檢測(cè)

車(chē)輛檢測(cè)可使用毫米波段雷達(dá)、視覺(jué)傳感器等多種設(shè)備。中國(guó)科學(xué)院自動(dòng)化研究所的研究者對(duì)于最近幾年該領(lǐng)域的研究方法進(jìn)行了很好的總結(jié)［8］。目前主要的檢測(cè)過(guò)程大致分為三步：

（1）假設(shè)產(chǎn)生，即定位感興趣的區(qū)域。常用方法有基于二維圖像的先驗(yàn)知識(shí)、基于立體視覺(jué)、基于運(yùn)動(dòng)產(chǎn)生的光流等。

（2）假設(shè)驗(yàn)證，即核實(shí)車(chē)輛是否存在。常用方法有基于顯性規(guī)則（基于模板）和基于隱形規(guī)則（基于外觀）兩種。

（3）車(chē)輛跟蹤［9］，需要根據(jù)先前幀的車(chē)輛位置推測(cè)出現(xiàn)在的車(chē)輛位置。

由于攝像頭采集的本質(zhì)是三維環(huán)境在二維投影上的表征，不可避免地會(huì)損失部分深度信息，因此近年來(lái)基于立體視覺(jué)技術(shù)的道路圖像采集得到更多的關(guān)注。相對(duì)于視覺(jué)傳感器，毫米波雷達(dá)的優(yōu)點(diǎn)是不受光線、天氣等因素的干擾，因此與圖像數(shù)據(jù)融合后可以得到更準(zhǔn)確可靠的檢測(cè)結(jié)果。

4.行人檢測(cè)

近年來(lái)，研究者提出了多種基于視覺(jué)傳感器和紅外線傳感器的行人檢測(cè)方法。其過(guò)程可分為三步：行人定位［10］、行人識(shí)別與行人跟蹤。行人定位方面，我國(guó)中科院電子所提出了基于色彩分層模型的實(shí)時(shí)多目標(biāo)魯棒跟蹤算法［10］。行人識(shí)別方面，香港中文大學(xué)使用卷積神經(jīng)網(wǎng)絡(luò)將錯(cuò)誤率降至 11%［11］，而中科院計(jì)算研究所［12］同時(shí)最小化經(jīng)驗(yàn)風(fēng)險(xiǎn)與表征學(xué)習(xí)風(fēng)險(xiǎn)，區(qū)別化學(xué)習(xí)不同人體結(jié)構(gòu)特征，并以此提高行人識(shí)別率。行人跟蹤方面則主要使用卡爾曼濾波、Condensation 算法和動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)等方法。特別是隨著深度學(xué)習(xí)技術(shù)的成功應(yīng)用，行人檢測(cè)的精度在最近幾年中有了顯著的提高。

5.聯(lián)合檢測(cè)

為了應(yīng)對(duì)單個(gè)傳感器數(shù)據(jù)可靠性低、有效探測(cè)范圍存在盲區(qū)等局限性，目前在無(wú)人車(chē)感知系統(tǒng)構(gòu)建時(shí)，一般使用多種傳感器進(jìn)行數(shù)據(jù)采集，利用多傳感器信息融合技術(shù)對(duì)檢測(cè)數(shù)據(jù)進(jìn)行分析、綜合與平衡，通過(guò)互補(bǔ)特性增強(qiáng)容錯(cuò)性，從而得到所需要的檢測(cè)信息。

（二）無(wú)人車(chē)的決策

當(dāng)前無(wú)人駕駛決策主要研究短期軌跡規(guī)劃。目前，該領(lǐng)域的研究的熱點(diǎn)與難點(diǎn)主要集中在如何合理考慮車(chē)輛動(dòng)力學(xué)特征、避撞以及節(jié)能舒適三類(lèi)約束，規(guī)劃有效的軌跡。

1.考慮車(chē)輛動(dòng)力學(xué)特性約束的無(wú)人駕駛軌跡規(guī)劃

軌跡規(guī)劃需要充分考慮車(chē)輛動(dòng)力學(xué)系統(tǒng)具有高度非線性、時(shí)變性以及各類(lèi)機(jī)械約束等特點(diǎn)，保證軌跡的可行性［13，14］。清華大學(xué)［13］的研究者基于車(chē)輛運(yùn)動(dòng)學(xué)特性進(jìn)行車(chē)輛軌跡規(guī)劃，其控制率簡(jiǎn)單、易實(shí)現(xiàn)。吉林大學(xué)［14］的研究者在研究無(wú)人駕駛動(dòng)力學(xué)特性約束時(shí)，提出了載荷轉(zhuǎn)移率等高線圖以及載荷轉(zhuǎn)移率防側(cè)翻指標(biāo)，并驗(yàn)證了其作為無(wú)人駕駛軌跡規(guī)劃的側(cè)傾約束指標(biāo)的有效性。

2.考慮障礙物避撞的無(wú)人駕駛軌跡規(guī)劃

避障主要研究如何搜尋可供軌跡規(guī)劃的空間，進(jìn)行動(dòng)作決策，最后規(guī)劃車(chē)輛軌跡以避免行駛過(guò)程中發(fā)生碰撞。國(guó)防科技大學(xué)的研究學(xué)者就采用激光雷達(dá)檢測(cè)障礙物以確定原始運(yùn)動(dòng)軌跡，并采用共軛梯度非線性最優(yōu)化算法以及 Bezier 插值方法修正原始運(yùn)動(dòng)軌跡，最終實(shí)現(xiàn)避障軌跡規(guī)劃［15］。

3.考慮能耗和舒適度的無(wú)人駕駛軌跡規(guī)劃

駕駛員在不同道路工況下，對(duì)時(shí)間、距離、能耗以及舒適度等要求的偏重不一。在實(shí)際應(yīng)用中，如何針對(duì)不同情況綜合考慮這些軌跡規(guī)劃目標(biāo)，是目前的研究難點(diǎn)之一。時(shí)間最短或軌跡最短的行駛軌跡并不一定具有最低能耗和最佳舒適度。香港城市大學(xué)［16］的研究者從能耗的角度出發(fā)，提出以最高能量效率為優(yōu)化目標(biāo)的軌跡規(guī)劃算法，進(jìn)行軌跡和速度規(guī)劃。清華大學(xué)［17］的研究者提出了計(jì)算受試車(chē)輛的加速度變化給出舒適性指標(biāo)的評(píng)估方法。

三、無(wú)人車(chē)的控制

智能汽車(chē)的無(wú)人化使得車(chē)輛在融合自身狀態(tài)、路面交通等信息的基礎(chǔ)上，在滿(mǎn)足橫向穩(wěn)定性的前提下實(shí)現(xiàn)運(yùn)行軌跡跟蹤的自動(dòng)控制。其中，軌跡跟隨控制主要是研究如何通過(guò)控制車(chē)輛的轉(zhuǎn)向系統(tǒng)以及制動(dòng)/ 驅(qū)動(dòng)系統(tǒng)使得車(chē)輛能夠以期望的速度沿著期望的路線行駛， 從而實(shí)現(xiàn)車(chē)輛的無(wú)人駕駛操作。

1.車(chē)輛軌跡跟蹤控制

考慮到很難建立精確的車(chē)輛動(dòng)力學(xué)模型、行駛的工況復(fù)雜多變，車(chē)輛軌跡的精確跟隨控制具有極大的挑戰(zhàn)。目前絕大部分關(guān)于軌跡跟隨的研究方法中，從原理上講主要是由預(yù)瞄理論和模型預(yù)測(cè)理論衍生而來(lái)。

基于最優(yōu)預(yù)瞄控制理論的算法可以分為兩類(lèi)：

一類(lèi)是基于預(yù)瞄假設(shè)以及最優(yōu)曲率控制原則，即駕駛員根據(jù)前方軌跡一點(diǎn)的信息和當(dāng)前汽車(chē)的運(yùn)動(dòng)狀態(tài)估計(jì)得到的到達(dá)該預(yù)期點(diǎn)的誤差，計(jì)算出一個(gè)最優(yōu)的圓弧軌跡，并由軌跡圓弧曲率與轉(zhuǎn)向盤(pán)轉(zhuǎn)角的對(duì)應(yīng)關(guān)系來(lái)確定方向盤(pán)的轉(zhuǎn)角輸入［18］。由于使用的是幾何車(chē)輛運(yùn)動(dòng)模型，而幾何車(chē)輛運(yùn)動(dòng)模型僅在車(chē)速較低的情況下才能比較真實(shí)的代表實(shí)際的車(chē)輛響應(yīng)，所以該方法只適用于低速工況下的軌跡跟隨控制。

另一類(lèi)方法是以車(chē)輛的動(dòng)力學(xué)模型為基礎(chǔ)，通過(guò)建立最優(yōu)的圓弧軌跡與車(chē)輛期望的運(yùn)動(dòng)學(xué)或動(dòng)力學(xué)物理量，然后對(duì)其進(jìn)行反饋跟蹤控制，從而間接實(shí)現(xiàn)最優(yōu)的軌跡跟隨控制。合肥工業(yè)大學(xué)結(jié)合車(chē)輛道路相對(duì)位置以及車(chē)身狀態(tài)信息，設(shè)計(jì)了期望橫擺加速度生成器［19］；吉林大學(xué)根據(jù)預(yù)瞄—跟隨駕駛員模型理論，對(duì)側(cè)向和縱向都建立了基于加速度反饋的跟隨控制算法［20］。

與此同時(shí)，美國(guó)多所高校和企業(yè)合作將這種方法應(yīng)用于參加DARPA 挑戰(zhàn)賽的無(wú)人駕駛汽車(chē)的上層控制中［21］，無(wú)論是在車(chē)速較高的行駛工況還是在道路環(huán)境比較復(fù)雜場(chǎng)景中，都能夠取得比較好的控制效果。

2.車(chē)輛縱向節(jié)能控制

相比較于傳統(tǒng)車(chē)輛，無(wú)人駕駛智能車(chē)在縱向運(yùn)動(dòng)過(guò)程中通過(guò)節(jié)能優(yōu)化能夠有效降低汽車(chē)能源消耗。一方面從速度規(guī)劃的角度來(lái)講，通過(guò)一定的優(yōu)化策略對(duì)車(chē)輛駕駛進(jìn)行決策和綜合優(yōu)化［22-24］，可以達(dá)到降低能耗的目的，另一方面，可以將車(chē)輛的速度和動(dòng)力傳動(dòng)控制結(jié)合起來(lái)以提高整車(chē)效率［25-28］。隨著信息獲取程度的不斷加深，車(chē)輛縱向節(jié)能控制可以分為三個(gè)不同的階段：不考慮道路和交通信息的單車(chē)縱向速度控制、考慮道路和交通信息的單車(chē)縱向速度控制及基于車(chē)—車(chē)、車(chē)—路通信的多車(chē)縱向速度控制。

目前實(shí)際應(yīng)用于汽車(chē)上的縱向速度控制系統(tǒng)多數(shù)為沒(méi)有考慮道路和交通信息的單車(chē)優(yōu)化系統(tǒng)。主要集中于改善發(fā)動(dòng)機(jī)工作點(diǎn)、擋位在線優(yōu)化以及油門(mén)和制動(dòng)踏板操作合理化等［29-31］。傳統(tǒng)的自適應(yīng)巡航控制系統(tǒng)主要針對(duì)的是駕駛舒適性和行駛安全性，沒(méi)有考慮車(chē)輛行駛的經(jīng)濟(jì)性，北京理工大學(xué)學(xué)者基于車(chē)輛行駛經(jīng)濟(jì)性，在自適應(yīng)巡航控制過(guò)程中研究車(chē)輛加速過(guò)程的經(jīng)濟(jì)性策略，構(gòu)建出以發(fā)動(dòng)機(jī)油耗為性能指標(biāo)的最優(yōu)控制問(wèn)題［32］。清華大學(xué)采設(shè)計(jì)了以降低油耗為目標(biāo)的分層式自適應(yīng)巡航控制器，實(shí)驗(yàn)表明該策略在節(jié)能和跟蹤方面具有很好的效果［33］。

車(chē)聯(lián)網(wǎng)和地理信息系統(tǒng)在汽車(chē)以及交通系統(tǒng)中的充分應(yīng)用，使車(chē)輛不再是交通系統(tǒng)中的單獨(dú)個(gè)體，而是與外界車(chē)輛和基礎(chǔ)設(shè)施有著信息聯(lián)系的具有高度自動(dòng)化的行駛工具。車(chē)輛縱向速度控制從單個(gè)車(chē)輛軌跡和能量?jī)?yōu)化逐漸擴(kuò)展到多車(chē)縱向速度協(xié)調(diào)控制。車(chē)輛縱向速度控制如何對(duì)智能交通系統(tǒng)的上層調(diào)度進(jìn)行配合，實(shí)現(xiàn)車(chē)輛縱向速度控制與交通系統(tǒng)智能化的整合與提升，也是當(dāng)前研究的技術(shù)熱點(diǎn)［34，35］。

3.車(chē)輛橫向穩(wěn)定性控制

無(wú)人駕駛智能車(chē)橫向穩(wěn)定性控制是以傳統(tǒng)的車(chē)輛穩(wěn)定性控制基礎(chǔ)上提出來(lái)，主要通過(guò)兩種技術(shù)途徑實(shí)現(xiàn)。一種是基于轉(zhuǎn)向的穩(wěn)定性控制系統(tǒng)；另外一種是直接橫擺力矩控制， 能夠通過(guò)改變左、右兩側(cè)車(chē)輪的縱向力產(chǎn)生附加的橫擺力矩來(lái)控制車(chē)輛的穩(wěn)定性。

基于轉(zhuǎn)向的穩(wěn)定性控制系統(tǒng)主要包括前輪轉(zhuǎn)向控制、后輪轉(zhuǎn)向控制以及四輪轉(zhuǎn)向控制。對(duì)于前輪轉(zhuǎn)向，日韓研究人員基于側(cè)向輪胎力反饋提出了主動(dòng)前輪轉(zhuǎn)向控制，通過(guò)控制側(cè)向輪胎力保證了轉(zhuǎn)彎的穩(wěn)定性并能很精確的預(yù)測(cè)車(chē)輛的狀態(tài)［36］；我國(guó)學(xué)者將主動(dòng)前輪轉(zhuǎn)向控制和直接橫擺力矩控制結(jié)合起來(lái)，構(gòu)成了底盤(pán)集成控制系統(tǒng)［37］。

直接橫擺力矩控制主要通過(guò)控制內(nèi)側(cè)和外側(cè)車(chē)輪的縱向力矩分配來(lái)控制車(chē)輛的橫擺力矩，進(jìn)而提高車(chē)輛的穩(wěn)定性。歐美學(xué)者應(yīng)用模型預(yù)測(cè)控制理論對(duì)主動(dòng)前輪轉(zhuǎn)向及差動(dòng)制動(dòng)的協(xié)調(diào)控制進(jìn)行了研究［38］；日韓學(xué)者采用動(dòng)態(tài)逆的方法對(duì)集成控制進(jìn)行了研究［39］。為了提高車(chē)輛的橫擺穩(wěn)定性，增益可調(diào)的 LPV 控制律被用來(lái)設(shè)計(jì)集成控制器，并基于 LMI 框架對(duì)控制器進(jìn)行了分析［40］。吉林大學(xué)提出了一種基于模型預(yù)測(cè)控制、采用分層集成控制結(jié)構(gòu)的控制算法，并研究了基于二次規(guī)劃的驅(qū)動(dòng)力分配方法［41］。

三、國(guó)內(nèi)外發(fā)展比較

國(guó)內(nèi)無(wú)人駕駛技術(shù)的發(fā)展呈現(xiàn)百花齊放、百家爭(zhēng)鳴的態(tài)勢(shì)，在一些方面取得了全球領(lǐng)先的進(jìn)展。由國(guó)家自然基金委員會(huì)資助，自 2009 年起每年舉辦的“中國(guó)無(wú)人智能車(chē)未來(lái)挑戰(zhàn)賽”是目前國(guó)際上持續(xù)時(shí)間最長(zhǎng)的無(wú)人車(chē)比賽，吸引了來(lái)自眾多國(guó)內(nèi)高校及研究所參賽，極大地推動(dòng)了國(guó)內(nèi)無(wú)人車(chē)技術(shù)的發(fā)展。2016 年，清華大學(xué)、西安交通大學(xué)和中國(guó)科學(xué)院自動(dòng)化研究聯(lián)合推出了新的無(wú)人車(chē)智能測(cè)試?yán)碚?、評(píng)價(jià)系統(tǒng)和量化評(píng)估方法，在2016 年和 2017 年的“中國(guó)無(wú)人智能車(chē)未來(lái)挑戰(zhàn)賽”取得了成功應(yīng)用［17］。

目前，傳統(tǒng)車(chē)廠基本都采用分解式設(shè)計(jì)，從環(huán)境感知，決策和控制三方面分別研發(fā)無(wú)人車(chē)的算法實(shí)現(xiàn)。而一些新興互聯(lián)網(wǎng)企業(yè)開(kāi)始采用端對(duì)端式來(lái)實(shí)現(xiàn)無(wú)人車(chē)，接受輸入感知的圖像等信息直接輸出控制命令。而無(wú)論是哪種方式都越來(lái)越多地借助深度學(xué)習(xí)技術(shù)。國(guó)內(nèi)的無(wú)人車(chē)研發(fā)機(jī)構(gòu)和創(chuàng)業(yè)公司在這兩方面都展開(kāi)了研究。

但整體來(lái)看，無(wú)論是實(shí)驗(yàn)行駛距離還是人工干預(yù)程度，國(guó)內(nèi)的無(wú)人駕駛技術(shù)相較國(guó)外依然存在差距，特別是國(guó)內(nèi)的相關(guān)硬件研發(fā)明顯滯后于國(guó)外，專(zhuān)用的計(jì)算芯片和一些特定傳感器的研發(fā)尚待奮起直追。

四、我國(guó)發(fā)展趨勢(shì)與對(duì)策

雖然目前無(wú)人車(chē)產(chǎn)業(yè)化仍存在各種問(wèn)題，但市場(chǎng)對(duì)于汽車(chē)主動(dòng)安全技術(shù)、智能化技術(shù)的持續(xù)增長(zhǎng)的需求，推動(dòng)了無(wú)人駕駛技術(shù)由輔助駕駛逐步向完全無(wú)人化演進(jìn)。當(dāng)前，國(guó)內(nèi)外對(duì)于無(wú)人車(chē)前景普遍表示樂(lè)觀。

我國(guó)無(wú)人車(chē)借此東風(fēng)，正在如火如荼地發(fā)展中，眾多新興無(wú)人車(chē)創(chuàng)業(yè)公司如雨后春筍般成立起來(lái)。但可以預(yù)見(jiàn)的是，無(wú)人車(chē)的研發(fā)到應(yīng)用的過(guò)程可能會(huì)持續(xù)相當(dāng)長(zhǎng)的時(shí)間，需要大量人才和資金的投入。希望在人工智能大潮的背景下，各大高校向無(wú)人車(chē)領(lǐng)域適當(dāng)關(guān)注，引領(lǐng)更多學(xué)子投入相關(guān)研究，為無(wú)人車(chē)的發(fā)展做好人才儲(chǔ)備。

在可預(yù)期的未來(lái)，隨著傳感器技術(shù)及計(jì)算機(jī)技術(shù)的發(fā)展，無(wú)人駕駛汽車(chē)使用的各種傳感器（如激光雷達(dá)等）在性能上將會(huì)取得很大提升，價(jià)格也將大幅降低，滿(mǎn)足一般消費(fèi)者的承受能力 , 這將會(huì)進(jìn)一步地推動(dòng)無(wú)人駕駛車(chē)的市場(chǎng)化。

五、結(jié)束語(yǔ)

本報(bào)告圍繞無(wú)人車(chē)的環(huán)境感知、決策和控制三個(gè)主要方面，介紹國(guó)內(nèi)主要研究進(jìn)展，分析國(guó)際學(xué)科發(fā)展趨勢(shì)及國(guó)內(nèi)的研究特色與差距?？偨Y(jié)起來(lái)，國(guó)內(nèi)學(xué)者在無(wú)人駕駛研究上取得了一批國(guó)際水平的成果，但在以后的工作中還需要更加深入推進(jìn)相關(guān)理論和技術(shù)的研發(fā)，并積極推進(jìn)相關(guān)人才培養(yǎng)。

參考文獻(xiàn)

［1］ SAE International Standard J3016，2016.

［2］ Cheng M，Zhang G，Mitra N，et al. Global Contrast based Salient Region Detection［C］．IEEE Conference on Computer Vision and Pattern Recognition. IEEE Computer Society，2011，409-416.

［3］ Alvarez J，Lopez A. Road Detection based on Illuminant Invariance［J］．IEEE Transactions on Intelligent Transportation Systems，2011，12（1）：184-193.

［4］ Guo C，Mita S，McAllester D. Robust Road Detection and Tracking in Challenging Scenarios based on Markov Random Fields with Unsupervised Learning［J］．IEEE Transactions on intelligent transportation systems，2012， 13（3）：1338-1354.

［5］ Lu X，Wang Y，Zhou X，et al. Traffic Sign Recognition via Multi-Modal Tree-Structure Embedded Multi-Task Learning［J］．IEEE Transactions on Intelligent Transportation Systems，2017，18（4）：960-972.

［6］ Hu W，Zhuo Q，Zhang C，et al. Fast Branch Convolutional Neural Network for Traffic Sign Recognition［J］． IEEE Intelligent Transportation SystemsMagazine，2017，9（3）：114-126.

［7］ Zeng Y，Xu X，Shen D，et al. Traffic Sign Recognition Using Kernel Extreme Learning Machines With Deep Perceptual Features［J］．IEEE Transactions on Intelligent Transportation Systems，2017，18（6）：1647-1653.

［8］ 張慧，王坤峰，王飛躍 . 深度學(xué)習(xí)在目標(biāo)視覺(jué)檢測(cè)中的應(yīng)用進(jìn)展與展望［J］．自動(dòng)化學(xué)報(bào)，2017，43（8）： 1289-1305.

［9］ 管皓，薛向陽(yáng)，安志勇 . 深度學(xué)習(xí)在視頻目標(biāo)跟蹤中的應(yīng)用進(jìn)展與展望［J］．自動(dòng)化學(xué)報(bào)，2016，42（6）： 834-847.

［10］ Gao S，Han Z，Li C，et al. Real-time Multipedestrian Tracking in Traffic Scenes via an RGB-D-based Layered Graph Model［J］．IEEE Transactions on Intelligent Transportation Systems，2015，16（5）：2814-2825.

［11］ Tian Y，Luo P，Wang X，et al. Deep Learning Strong Parts for Pedestrian Detection［C］．Proceedings of the IEEE international conference on computer vision. 2015，1904-1912.

［12］ Yao H，Zhang S，Zhang Y，et al. Deep Representation Learning with Part Loss for Person Re-identification［J］． arXiv preprint arXiv：1707.00798，2017.

［13］ Liu W，Li Z，Li L，et al. Parking Like a Human：A Direct Trajectory Planning Solution［J］．IEEE Transactions

onIntelligentTransportation Systems，2017（. Inpublishing）.

［14］ Zhang X，Yang Y，Guo K，et al. Contour Line of Load Transfer Ratio for Vehicle Rollover Prediction［J］． Vehicle System Dynamics，2017，DOI：10.1080/00423114.2017.1321773.

［15］ Li X，Sun Z，Cao D，et al. Real-Time Trajectory Planning for Autonomous Urban Driving：Framework， Algorithms，and Verifications［J］．IEEE/ASME Transactions on Mechatronics，2016，21（2）：740-753.

［16］ Liu S，Sun D. Optimal Motion Planning of a Mobile Robot with Minimum Energy Consumption［C］．2011 IEEE/ ASME International Conference on Advanced Intelligent Mechatronics（AIM）. 2011，43-48.

［17］ Li L，Huang W，Liu Y，et al. Intelligence Testing for Autonomous Vehicles：A New Approach［J］．IEEE Transactions on Intelligent Vehicles，2016，1（2）：158-166.

［18］ Ding H，GuoK，Wan F etal.AnAnalyticalDriverModelforArbitrary Path Following atVaryingVehicleSpeed［J］． International Journal of Vehicle Autonomous Systems，2007，5（3-4）：204-218.

［19］ 王家恩，陳無(wú)畏，王檀彬，等 . 基于期望橫擺角速度的視覺(jué)導(dǎo)航智能車(chē)輛橫向控制［J］．機(jī)械工程學(xué)報(bào)， 2012，48（4）：108-115.

［20］ 丁海濤，郭孔輝，李飛，等. 基于加速度反饋的任意道路和車(chē)速跟隨控制駕駛員模型［J］．機(jī)械工程學(xué)報(bào)，2010，46（10）：116-120.

［21］ Levinson J，Askeland J，Becker J，et al. Towards Fully Autonomous Driving：Systems and Algorithms［C］// Intelligent Vehicles Symposium（IV），2011 IEEE. IEEE，2011：163-168.

［22］ Ferguson D，Dolgov D. Modifying speed of an autonomous vehicle based on traffic conditions［P］．U.S. Patent 9， 381，918，2016-7-5.

［23］ Milanés V，Shladover S，Spring J，et al. Cooperative Adaptive Cruise Control in Real Traffic Situations［J］． IEEE Transactions on Intelligent Transportation Systems，2014，15（1）：296-305.

［24］ Moser D，Schmied R，Waschl H，et al. Flexible Spacing Adaptive Cruise Control Using Stochastic Modeling Predictive Control［J］．IEEE Transaction on Control System Technology，2017，DOI：10.1109/ TCST.2017.2658193.

［25］ Liu T，Hu X，Li S，et al. Reinforcement Learning Optimized Look-Ahead Energy Management of a Parallel Hybrid Electric Vehicle［J］．IEEE/ASME Transactions on mechatronics，2017，22（4）：1497-1507.

［26］ Huang D，Xie H，Ma H，et al. Driving Cycle Prediction Model based on Bus Route Features［J］．Transportation Research Part D，2017，54：99-113.

［27］ Li L，Yang C，Yan B，et al. Driving-behavior-aware Stochastic Model Predictive Control for Plug-in Hybrid Electric Buses［J］．Applied Energy，2016，162：868-879.

［28］ Yang C，Li L，You S，et al. Cloud Computing-based Energy Optimization Control Framework for Plug-in Hybrid Electric Bus［J］．Energy，2017，125：11-26.

［29］ Qin H，Long S，Yu K. Simulation Research on the Shift Schedule in the Auto with Automated Manual Transmission based on Cruise Gear Shift Program［J］．Advanced Mater Res.，2013，712：2160-2163.

［30］ Hofman T，DaiC.Energyefficiencyanalysisandcomparisonoftransmissiontechnologiesforanelectricvehicle［C］// Proceedings of IEEE Vehicle Power and Propulsion Conference（VPPC），Lille，2010：1-6.

［31］ Mashadi B，Kazemkhani A，Lakeh R. An automatic gear-shifting strategy for manual transmissions［J］．Proc Inst Mech Eng Part I：J Syst Control Eng，2007，221：757-768.

［32］ 何瑋 . 汽車(chē)智能巡航技術(shù)發(fā)展綜述［J］．北京汽車(chē)，2006，3：36-39.

［33］ Li S，Li K，Wang J. Economy-oriented Vehicle Adaptive Cruise Control with Coordinating Multiple Objectives Function［J］．International Journal of Vehicle Mechanics and Mobility，2013，51（1）：1-17

［34］ 王***，宋鵬飛，張?zhí)N靈 . 智能交通系統(tǒng)發(fā)展與展望［J］．公路，2012，5（5）：217-222.

［35］ 李清泉，熊煒，李宇光 . 智能道路系統(tǒng)的體系框架及其關(guān)鍵技術(shù)研究［J］．交通運(yùn)輸系統(tǒng)工程與信息， 2007，8（1）：40-48.

［36］ Nam K，F(xiàn)ujimoto H，Hori Y. Advanced Motion Control of Electric Vehicles based on Robust Lateral Tire Force Control via Active Front Steering［J］．Mechatronics，IEEE/ASME Transactions on，2014，19（1）：289-299.

［37］ Zhang H and Wang J. Vehicle Lateral Dynamics Control Through AFS/DYC and Robust Gain-Scheduling Approach

［J］．IEEE Transactions on Vehicular Technology，2016，65（1）：489-494.

［38］ Di C，Tseng H，Bernardini D. Vehicle Yaw Stability Control by Coordinated Active Front Steering and Differential Brakinginthe Tire SideslipAnglesDomain［J］．IEEE Transactions onControl Systems Technology，2013，21（4）： 1236-1248.

［39］ Yang I，Byun S，Seo B. Integrated control systems of active front steering and direct yaw moment control using dynamic inversion［C］// 2013 IEEE Intelligent Vehicles Symposium. Gold Coast：IEEE，2013：1303-1306.

［40］ Doumiati M，Sename O，Dugard L. Integrated Vehicle Dynamics Control via Coordination of Active Front Steering and Rear Braking［J］．European Journal of Control，2013，19（2）：121-143.

［41］ Ren B，Chen H，Zhao H，et al. MPC-based yaw stability control in in-wheel-motored EV via active front steering and motor torque distribution［J］．Mechatronics，2016，38：103-114.