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

一、引言

無人車是指通過車載傳感系統(tǒng)感知環(huán)境，自動規(guī)劃行車路線并控制車輛實(shí)現(xiàn)預(yù)定駕駛目標(biāo)的智能汽車。依據(jù)自動駕駛程度的不同，美國高速公路安全管理局（NHTSA）將無人車劃分為 5 個層次，而美國汽車工程師學(xué)會（SAE）則將智能汽車劃分為 6 個層次［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智能車輛，逐步過渡到最高層次的全自動無人車。

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

二、我國無人車的發(fā)展現(xiàn)狀

（一）無人車的環(huán)境感知

感知系統(tǒng)是無人車系統(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)，來獲取、整合車輛行駛時外部環(huán)境信息。其主要功能包括車道檢測、交通參與者檢測（車輛、行人等）、交通標(biāo)志檢測和其他車外環(huán)境檢測等。

1.車道檢測

近年來研究者提出了多種車道檢測方法。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態(tài)信息檢測車道，可以很好地將遮擋和真實(shí)的車道線區(qū)分開［2］。常見的方法對于結(jié)構(gòu)化道路效果較好，但在車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)移到了對非結(jié)構(gòu)化道路的檢測 , 即對二級道路或越野道路的檢測。

2.交通標(biāo)志檢測

交通標(biāo)志檢測主要包括兩個基本環(huán)節(jié)：交通標(biāo)志的檢測和判別［3，4］。目前常用的交通標(biāo)志檢測方法包括邊緣檢測、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% 以上的識別率。

3.車輛檢測

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

（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、基于立體視覺、基于運(yùn)動產(chǎn)生的光流等。

（2）假設(shè)驗(yàn)證，即核實(shí)車輛是否存在。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）車輛跟蹤［9］，需要根據(jù)先前幀的車輛位置推測出現(xiàn)在的車輛位置。

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，不可避免地會損失部分深度信息，因此近年來基于立體視覺技術(shù)的道路圖像采集得到更多的關(guān)注。相對于視覺傳感器，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)確可靠的檢測結(jié)果。

4.行人檢測

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

5.聯(lián)合檢測

為了應(yīng)對單個傳感器數(shù)據(jù)可靠性低、有效探測范圍存在盲區(qū)等局限性，目前在無人車感知系統(tǒng)構(gòu)建時，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)對檢測數(shù)據(jù)進(jìn)行分析、綜合與平衡，通過互補(bǔ)特性增強(qiáng)容錯性，從而得到所需要的檢測信息。

（二）無人車的決策

當(dāng)前無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輛動力學(xué)特征、避撞以及節(jié)能舒適三類約束，規(guī)劃有效的軌跡。

1.考慮車輛動力學(xué)特性約束的無人駕駛軌跡規(guī)劃

軌跡規(guī)劃需要充分考慮車輛動力學(xué)系統(tǒng)具有高度非線性、時變性以及各類機(jī)械約束等特點(diǎn)，保證軌跡的可行性［13，14］。清華大學(xué)［13］的研究者基于車輛運(yùn)動學(xué)特性進(jìn)行車輛軌跡規(guī)劃，其控制率簡單、易實(shí)現(xiàn)。吉林大學(xué)［14］的研究者在研究無人駕駛動力學(xué)特性約束時，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)行動作決策，最后規(guī)劃車輛軌跡以避免行駛過程中發(fā)生碰撞。國防科技大學(xué)的研究學(xué)者就采用激光雷達(dá)檢測障礙物以確定原始運(yùn)動軌跡，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人駕駛軌跡規(guī)劃

駕駛員在不同道路工況下，對時間、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)算受試車輛的加速度變化給出舒適性指標(biāo)的評估方法。

三、無人車的控制

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

1.車輛軌跡跟蹤控制

考慮到很難建立精確的車輛動力學(xué)模型、行駛的工況復(fù)雜多變，車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)測理論衍生而來。

基于最優(yōu)預(yù)瞄控制理論的算法可以分為兩類：

一類是基于預(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)前汽車的運(yùn)動狀態(tài)估計(jì)得到的到達(dá)該預(yù)期點(diǎn)的誤差，計(jì)算出一個最優(yōu)的圓弧軌跡，并由軌跡圓弧曲率與轉(zhuǎn)向盤轉(zhuǎn)角的對應(yīng)關(guān)系來確定方向盤的轉(zhuǎn)角輸入［18］。由于使用的是幾何車輛運(yùn)動模型，而幾何車輛運(yùn)動模型僅在車速較低的情況下才能比較真實(shí)的代表實(shí)際的車輛響應(yīng)，所以該方法只適用于低速工況下的軌跡跟隨控制。

另一類方法是以車輛的動力學(xué)模型為基礎(chǔ)，通過建立最優(yōu)的圓弧軌跡與車輛期望的運(yùn)動學(xué)或動力學(xué)物理量，然后對其進(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)合車輛道路相對位置以及車身狀態(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，美國多所高校和企業(yè)合作將這種方法應(yīng)用于參加DARPA 挑戰(zhàn)賽的無人駕駛汽車的上層控制中［21］，無論是在車速較高的行駛工況還是在道路環(huán)境比較復(fù)雜場景中，都能夠取得比較好的控制效果。

2.車輛縱向節(jié)能控制

相比較于傳統(tǒng)車輛，無人駕駛智能車在縱向運(yùn)動過程中通過節(jié)能優(yōu)化能夠有效降低汽車能源消耗。一方面從速度規(guī)劃的角度來講，通過一定的優(yōu)化策略對車輛駕駛進(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，可以將車輛的速度和動力傳動控制結(jié)合起來以提高整車效率［25-28］。隨著信息獲取程度的不斷加深，車輛縱向節(jié)能控制可以分為三個不同的階段：不考慮道路和交通信息的單車縱向速度控制、考慮道路和交通信息的單車縱向速度控制及基于車—車、車—路通信的多車縱向速度控制。

目前實(shí)際應(yīng)用于汽車上的縱向速度控制系統(tǒng)多數(shù)為沒有考慮道路和交通信息的單車優(yōu)化系統(tǒng)。主要集中于改善發(fā)動機(jī)工作點(diǎn)、擋位在線優(yōu)化以及油門和制動踏板操作合理化等［29-31］。傳統(tǒng)的自適應(yīng)巡航控制系統(tǒng)主要針對的是駕駛舒適性和行駛安全性，沒有考慮車輛行駛的經(jīng)濟(jì)性，北京理工大學(xué)學(xué)者基于車輛行駛經(jīng)濟(jì)性，在自適應(yīng)巡航控制過程中研究車輛加速過程的經(jīng)濟(jì)性策略，構(gòu)建出以發(fā)動機(jī)油耗為性能指標(biāo)的最優(yōu)控制問題［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］。

車聯(lián)網(wǎng)和地理信息系統(tǒng)在汽車以及交通系統(tǒng)中的充分應(yīng)用，使車輛不再是交通系統(tǒng)中的單獨(dú)個體，而是與外界車輛和基礎(chǔ)設(shè)施有著信息聯(lián)系的具有高度自動化的行駛工具。車輛縱向速度控制從單個車輛軌跡和能量優(yōu)化逐漸擴(kuò)展到多車縱向速度協(xié)調(diào)控制。車輛縱向速度控制如何對智能交通系統(tǒng)的上層調(diào)度進(jìn)行配合，實(shí)現(xiàn)車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.車輛橫向穩(wěn)定性控制

無人駕駛智能車橫向穩(wěn)定性控制是以傳統(tǒng)的車輛穩(wěn)定性控制基礎(chǔ)上提出來，主要通過兩種技術(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， 能夠通過改變左、右兩側(cè)車輪的縱向力產(chǎn)生附加的橫擺力矩來控制車輛的穩(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前輪轉(zhuǎn)向控制，通過控制側(cè)向輪胎力保證了轉(zhuǎn)彎的穩(wěn)定性并能很精確的預(yù)測車輛的狀態(tài)［36］；我國學(xué)者將主動前輪轉(zhuǎn)向控制和直接橫擺力矩控制結(jié)合起來，構(gòu)成了底盤集成控制系統(tǒng)［37］。

直接橫擺力矩控制主要通過控制內(nèi)側(cè)和外側(cè)車輪的縱向力矩分配來控制車輛的橫擺力矩，進(jìn)而提高車輛的穩(wěn)定性。歐美學(xué)者應(yīng)用模型預(yù)測控制理論對主動前輪轉(zhuǎn)向及差動制動的協(xié)調(diào)控制進(jìn)行了研究［38］；日韓學(xué)者采用動態(tài)逆的方法對集成控制進(jìn)行了研究［39］。為了提高車輛的橫擺穩(wěn)定性，增益可調(diào)的 LPV 控制律被用來設(shè)計(jì)集成控制器，并基于 LMI 框架對控制器進(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)動力分配方法［41］。

三、國內(nèi)外發(fā)展比較

國內(nèi)無人駕駛技術(shù)的發(fā)展呈現(xiàn)百花齊放、百家爭鳴的態(tài)勢，在一些方面取得了全球領(lǐng)先的進(jìn)展。由國家自然基金委員會資助，自 2009 年起每年舉辦的“中國無人智能車未來挑戰(zhàn)賽”是目前國際上持續(xù)時間最長的無人車比賽，吸引了來自眾多國內(nèi)高校及研究所參賽，極大地推動了國內(nèi)無人車技術(shù)的發(fā)展。2016 年，清華大學(xué)、西安交通大學(xué)和中國科學(xué)院自動化研究聯(lián)合推出了新的無人車智能測試?yán)碚摗⒃u價系統(tǒng)和量化評估方法，在2016 年和 2017 年的“中國無人智能車未來挑戰(zhàn)賽”取得了成功應(yīng)用［17］。

目前，傳統(tǒng)車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)無人車的算法實(shí)現(xiàn)。而一些新興互聯(lián)網(wǎng)企業(yè)開始采用端對端式來實(shí)現(xiàn)無人車，接受輸入感知的圖像等信息直接輸出控制命令。而無論是哪種方式都越來越多地借助深度學(xué)習(xí)技術(shù)。國內(nèi)的無人車研發(fā)機(jī)構(gòu)和創(chuàng)業(yè)公司在這兩方面都展開了研究。

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

四、我國發(fā)展趨勢與對策

雖然目前無人車產(chǎn)業(yè)化仍存在各種問題，但市場對于汽車主動安全技術(shù)、智能化技術(shù)的持續(xù)增長的需求，推動了無人駕駛技術(shù)由輔助駕駛逐步向完全無人化演進(jìn)。當(dāng)前，國內(nèi)外對于無人車前景普遍表示樂觀。

我國無人車借此東風(fēng)，正在如火如荼地發(fā)展中，眾多新興無人車創(chuàng)業(yè)公司如雨后春筍般成立起來。但可以預(yù)見的是，無人車的研發(fā)到應(yīng)用的過程可能會持續(xù)相當(dāng)長的時間，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，各大高校向無人車領(lǐng)域適當(dāng)關(guān)注，引領(lǐng)更多學(xué)子投入相關(guān)研究，為無人車的發(fā)展做好人才儲備。

在可預(yù)期的未來，隨著傳感器技術(shù)及計(jì)算機(jī)技術(shù)的發(fā)展，無人駕駛汽車使用的各種傳感器（如激光雷達(dá)等）在性能上將會取得很大提升，價格也將大幅降低，滿足一般消費(fèi)者的承受能力 , 這將會進(jìn)一步地推動無人駕駛車的市場化。

五、結(jié)束語

本報(bào)告圍繞無人車的環(huán)境感知、決策和控制三個主要方面，介紹國內(nèi)主要研究進(jìn)展，分析國際學(xué)科發(fā)展趨勢及國內(nèi)的研究特色與差距。總結(jié)起來，國內(nèi)學(xué)者在無人駕駛研究上取得了一批國際水平的成果，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)視覺檢測中的應(yīng)用進(jìn)展與展望［J］．自動化學(xué)報(bào)，2017，43（8）： 1289-1305.

［9］ 管皓，薛向陽，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，陳無畏，王檀彬，等 . 基于期望橫擺角速度的視覺導(dǎo)航智能車輛橫向控制［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 . 汽車智能巡航技術(shù)發(fā)展綜述［J］．北京汽車，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.