汽车工业研究·季刊2021年第1期
近年来，自动驾驶由理论走进现实，其中避障技术一直是人们研究的热点，避障技术通过现代信息技术和车辆传感技术等有效提高了车辆行驶安全性[1]。本文将介绍避障技术中的传统算法和智能算法，分别对它们的计算量、实时性和准确性进行阐述归纳，并且分析它们各自的优缺点，并
对避障技术中的控制方法和控制策略
进行相应的总结。
避障技术算法研究
目前常用的避障算法有人工势场
算法、基于图片搜索的算法、智能优化算法等。
1.1人工势场法别克凯越油耗
人工势场法是通过设计目标对车
辆吸引力的大小，以及障碍物对车辆
行驶中的排斥力的大小，在它们相互作用的影响下。得到一条较为平滑安全的路径。这是一种虚力法，其算法比较简单明了，使得运算时间较少，获得数据结果较快，实时性较好，但是在目标点近距离障碍物突出时，会产生较大排斥力，使得产生不了合理路径，从而到达不了目标位置，另外传统人工势场法还容易出现局部最小点的问题。针对这些问题，各国学者进行了大量的研究优化。
（1）通过在人工势场函数中加入一个由目标点与车辆之间的距离得到的调节因子，在到达目标点附近时，使得在目标点周围存在障碍物时斥力明显减小，缓解了目标不可达问题，另外通过优先由行为决策对障碍物情况的判断处理在进行人工势场法计算，并且再换道过程中，采用正弦避撞方式，使得局部目标点一直处于对称轴线上，从而避免了局部最小值[2]。
（2）在局部避障路径规划中，基于人工势场法，利用高斯组合隶属函数建立引力的目标点函数，并在引力点函数中考虑了障碍物约束和车辆约束，加入松弛因子，使得无人驾驶的汽车能够较为平滑地避开障碍物，降低了车辆抖动程度，提高舒适性[3]。
（3）通过在人工势场法的基础上建立虚拟力场作用域，车道纵向与横向距离条件不一致，改变人工势场纵向横向距离，纵向较大横向较短，从而形成了椭圆形势场区域，另外通过定义斥力函数，将速度、质量等因素
考虑进去，使得仿真条件贴近现实[4]。
1.2基于图片搜索的算法
本文主要讲述A*算法[5]在避障技术中的应用。A*算法是一种静态路网中求解最优路径的方法。常规条件下，A*算法所规划的路径平滑性较差，其计算量较大，实时性有比较大的提升空间，另外普通A*算法在栅格地图中很难实现最优路径的选择。为
汽车避障有关技术研究综述
▶◀
搜汽车有惊喜……………………………………………………………………………宋永雄周舟李军
20
了提升效果，大量学者做了大量研究。
（1）通过将节点不在简单定义在栅格的中心，而是把每个栅格的变现都定义为可访问的节点，这使得A*算法能够搜多的方向延伸至无数个，解决了常规A*算法在栅格地图应用时不能得到最优路径[6]。
12308网上订票（2）先应用半定规划的迭代区域膨胀算法进行多次凸优化从而得到合理的内切椭圆，此内切椭圆内部就是能够避障区域，再通过A*算法得到内切椭圆中的最优路径。通过先应用于半定规划的迭代区域膨胀算法得到一个避障区域，有效的减小了A*算法的数据量，降低了运算时间[7]。
1.3智能优化算法
智能优化算法是受生物体社会性或者一些自然现象规律的启迪而产生的算法。包括模糊逻辑算法、遗传算法、蚁算法、快速扩展随机树算法（Rapidly Random-exploring Trees, PPT）、神经网络算法、粒子算法（Particle Swarm Optimization,PSO）等。
其中，粒子算法（PSO）通过模拟出鸟类觅食行为从而得到搜索目标函数的最优值，其算法简洁但是收敛精度比较低，容易造成局部最优状态；神经网络算法主要模拟动物神经网络行为，进行分布式并行信息处理，其泛化能力差，但是优秀的学习能力使得它与其他算法结合有一些优异的表现。快速扩展随机树（RRT）算法则是不用进行建模，使得路径寻速度较快，但是其所创造的路径不太光滑。
（1）将粒子算法与三次样条插值结合，构造出一条平滑路径，引入惯性权重增强全局搜索能力，并且加入学习因子减少了改进算法的参数，使得整体复杂度降低[8]。
（2）采用动量梯度下降自适应学习率方法对网络模型进行训练，进而预测出自车待制动系数，引入聚类算法思想，进一步改善BP神经网络的预
测性能[9]。
（3）基于快速扩展随机树
（RRT）算法提出了模糊快速探索随机
树算法，减少了其中的节点的数量，
从而使得算法的数据量降低了[10]。
1.4协同算法
现如今，为了满足计算效率与计
算质量的要求，很多时候会选择两种
或多种算法协同计算。
（1）通过对A*算法与模糊逻辑算
法结合，有效的解决了A*算法在路劲
规划中规划时间长和对于动态环境适
应性较低的缺点，从而使得对于速度
要求较高的车辆有了一定的适用性[11]。
（2）在针对经典人工势场法的局
部最小化的问题，将修正的APF算法
与模糊逻辑算法结合得到一种协同算
法，从而克服人工势场法的缺陷。提
高了算法在实际环境中的有效性，并
且利用粒子优化算法优化了模糊逻
辑算法的隶属度函数，有效提高相应
速度[12]。
（3）采用自适应圆弧优化算法结
合加权障碍物步长调节算法，优化了
最优路径长度，通过将改进的A*算法
结合动态窗口法，并利用预瞄偏差角
追踪法得到移动目标点，提升了算法
的运算效率，使得在复杂环境下的形
式能力得到提升[13]。
（4）考虑人工势场法局部最小化
问题以及实际环境部分参数不确定问
题，结合模糊逻辑算法，进行模糊决
策，从而解决引力方向偏角以及行驶
速度不确定问题，并且通过协同算
法，避免了路径震荡，提高了舒适
性。[14]。
（5）在针对路径规划中静止障碍
和移动障碍的安全性代价函数的设计
中，利用离散高斯卷积算法结合基于
移动障碍运动状态估计的局部路径规
划算法在多条规划路径中选取最优避
撞路径。通过加权函数这样使得汽车
行驶中转动避障舒适度提升[15]。
（6）建立不确定性模型预测算法
得到不同速度加速度与路面情况的关
系，再通过蒙特卡洛算法求得碰撞概
率。优势在于能够给人提供一个明确
的在避撞情况下是制动还是转向的损
失最小结果[16]。
（7）通过将加速能力带入速度的
算法，以航行的车辆尽可能快的顺利
接受命令来制定成本函数，使得形成
复合算法能够在车辆通过不同大小和
数目的障碍物时，安全的挖掘出车辆
的动态极限，并且能够有效的提高车
辆的变速性能增强避障效果。
[17]。
避障技术控制研究
本文避障控制主要针对于跟踪控
制，跟踪控制有很多方法，包括比
例-积分-微分控制[18]（Proportional-In⁃
tegral-Derivative,PID）、模型预测控制
（Model Predictive Control,MPC）、滑模
控制（Sliding Mode Control,SMC）等。
2.1比例-积分-微分控制（PID）
PID控制主要由（k p，k i，k d）三
个参数控制，因为其形式简单可调参
数较少，使得计算效率高，鲁棒性较
好，但是对于非线性对象处理就有较
大局限性。
（1）将PID控制的自适应能力与
遗传算法寻优能力结合，对路径跟踪
精度有了一定的提升，避免了纯PID
控制对非线性化的处理性能不佳的状
况。通过遗传算法对PID控制参数进
行实时调整来提高路径跟踪的稳定性
和动态跟踪能力[18]。
（2）针对路径跟踪精度设计出车
辆模糊免疫P路径跟踪控制器调控最
优方向盘转角，并通过模糊免疫PID
控制制动与油门，引入了车速反馈实
时更新车辆侧向速度的增益，从而保
证转向速度与纵向速度的解耦控制，
增强车辆稳定性[19]。
（3）相较于常规方法，设计出了
一套路面峰值附着系数辨识算法，能
够有效地识别不同路面从而得到路面
21
汽车工业研究·季刊2021年第1期
附着系数等相关数据。然后应用但神经元PID压力控制器灵活控制制动压力。此方法比常规制动改善了在不同路面应用不同制动方案，增强了制动效果[20]。
2.1模型预测控制（MPC）
模型预测控制具有模型的预测、滚动优化、和反馈校正的基本特征，不需要精确的数学模型，能够处理多变量多约束问题，在解决无人驾驶在冰雪路面或者高速工况等复杂的道路环境由其优势，但是针对非线性问题有时会出现计算量过大的情况。由于模型预测控制的的优势，目前的应用与研究较为广泛。
（1）将避撞控制分层控制，上层的路径规划引入人工势场函数，其中引力场函数、斥力场函数、控制力函数对目标优化有较大效果，并利用模型预测构建出目标的优化函数，继而采用五次多项式拟合避撞路径，使得避撞功能有了一定的提升[21]。
（2）为了满足路径跟踪的精度与稳定性，将模型预测控制与模糊控制结合，将车辆状态区分为稳态和瞬态，分别在不同状态实施不同模型预测控制策略，不仅在闻稳态时降低了
计算量，也在瞬态时提高了车辆跟踪
精度与效率[22]。
（3）提出一种具有纵向速度补偿
的模型预测控制器，有效弥补了在纵
向速度不足时，在道路曲率开始变化
是，车辆转弯惯性等因素导致的跟踪
误差，并且通过计算保证车辆侧偏驶
中与期望路径相切，使得车辆行驶稳
长安深蓝sl03
定性提升[23]。
（4）通过将模糊自适应控制算法
自适应地控制成本函数的权重，当轮
胎侧偏角和滑移率较小时，将轮胎模
型中纵向力和横向力进行线性化和适
当简化，使得再模型预测控制中的额
计算量有了较大的减少，但又不会降
低准确性[24]。
（5）将驾驶员的驾驶命令录入控
制器命令中，通过这种方式，使得匹
配驾驶员的驾驶命令成为一个控制目
标，并根据避免碰撞和车辆稳定性这
两个附加目标进行评估，只考虑司机
目前的驾驶命令，不需要模型或解释
司机的意图。再通过基于非线性MPC
的控制器使用预先算法计算安全区
域，既保证了驾驶员的驾驶体验感，
又保证了在碰撞危险来临时控制器能
及时反应[25]。
2.1滑模控制
滑模控制本质上其实是一种非线
性控制，其系统结构相对不固定，可
以根据系统当前状态进行合理变化，
SMC响应速度快，对参数和扰动对系
统的影响不敏感，并且物理实现较为
容易。
（1）针对传统指数趋近律滑模控
制在速度以及减速度控制方面存在不
稳定现象设计出全局稳定的指数趋近
律滑模控制器，并通过滑膜控制器调
控机器人姿势，使机器人能够更加稳
定的跟踪目标路线[26]。
（2）将无人差动转向车辆作为研
究对象，分析动力学模型以及非线性
轮胎模型，并且其中加入了车辆运动
过程中轮胎滑移和执行器驱动与制动
的影响，设计出了抗积分饱和的差动
转向车辆动力学滑模控制器，保证了
车辆控制准确性[27]。
（3）设计出反馈线性化控制器和
滑模控制器，并在控制器中加入时间
函数，保证了控制器能够完全控制速
度，同时其创新的p时域酷派2.0
SMC控制器22
汽车工业研究·季刊2021年第1期
汽车工业研究·季刊
2021年第1期
能够很好地降低控制输入的抖动，能够提供较好的跟踪精度[28]。
（4）通过滑模控制结合后车速度以及期望加速度得出安全间距，再利用WIFI 传输相互数据以此协同避撞。由于车车协同避撞，对于每辆车来说所需要的制动强度降低，瞬时制动期望加速度减小，提升了舒适性，当后车减速不足以完成避撞，会产生信号提醒前车加速协同避撞，避免单辆车加速度过大造成冲击度过大降低舒适性[29]
。
结语
本文主要针对避障算法以及控制
进行概括和分析。传统算法以及智能算法都对车辆避障有一定程度的解决，但是每种算法都有其局限性。人工势场法实时性好，但是可能会出现局部最小化问题；基于图搜索算法对最优路径判断较准确，但是可能会出现计算量大的情况；智能算法有能够自行学习的优势，但是其泛化能力较差。因此在追求更高效避障的目标的指引下，多种算法协同避障成为了人们越来越关注的研究方向。避障控制也一样，由于无人驾驶汽车是一个复杂的非线性系统，外部环境也很复杂，但是单一控制都会有一定
的不足，多种控制协同控制会是未来的一个趋势。结合不同控制方法的优势与长处，但同时需要考虑兼容性，计算量等问题，这也是未来的一个研究方向。
参考文献
[1]FRASCH J V,GRAY A J,ZANON M.
一种用于地面车辆实时避障的自动生成非线性MPC 算法[F]控制会议(ECC)论文集),2013:4135-4141.
[2]安林芳，陈涛，成艾国,et al.基于人工势场算法的智能车辆路径规划仿真[J].汽车工程,2017,39(12):1451-1456.[3]修彩靖，陈慧.基于改进人工势场法
的无人驾驶车辆局部路径规划的研究[J].
汽车工程,2013,35(09):808-811.
[4]王树凤，张钧鑫，刘宗锋.基于改进
人工势场法的智能车辆超车路径规划研究[J].汽车技术,2018,03):5-9.
[5]Yuan Q,Han C.基于平滑A*算法的
不同网格尺度障碍物环境下机器人路径规划研究[J].计算和理论纳米科学杂志,2016,13(8):5312-5321.
[6]辛煜，梁华为，杜明博.一种可搜索
无限个邻域的改进A*算法[J].机器人,2014,36(05):627-633.
[7]陈光荣，郭盛，王军政,et al.凸优化
和A*算法结合的路径避障算法[J].控制与
决策,2019,1-9.
柠檬dht[8]LI X,WU D,HE J.一种改进的粒子
优化移动机器人路径规划方法[J].控制科学与工程学报,2020,2020(1-12.
[9]章军辉，李庆.基于BP 神经网络的纵向避撞安全辅助算法[J].西安交通大学学报,2017,51(7):140-147.
[10]TAHERI E,FERDOWSI M H,DANESH M.复杂配置空间中的模糊贪婪RRT 路径规划算法[J].控制自动化与系统
学报,2018,16(6):3026-3035.
[11]张海燕，林志贤，郭太良.机器人避障路径规划优化控制仿真[J].计算机仿真,2017,34(09):325-330.
[12]ABDALLA T Y,ABED A A,AHMED A A.基于pso 优化模糊人工势场的移动机器人导航与模糊控制[J].智能与模糊系统杂志,2017,32(6):3893-3908.
[13]王洪斌，尹鹏衡，郑维,et al.基于改进的A*算法与动态窗口法的移动机器人路径规划[J].机器人,2020,42(03):346-353.
[14]韩伟，孙凯彪.基于模糊人工势场法的智能全向车路径规划[J].计算机工程与应用,2018,54(06):105-109+167.
[15]彭晓燕，谢浩，黄晶.无人驾驶汽车局部路径规划算法研究[J].汽车工程,2020,42(01):1-10.
[16]周兵，赵婳，吴晓建,et al.基于外部
动态环境的汽车碰撞危险估计算法研究[J].汽车工程,2019,41(03):72-77.
[17]LIU J,JAYAKUMAR P,STEIN J L,
et al.基于模型预测控制的高速自主地面车辆速度与转向联合控制[J].IEEE 车辆技术汇刊,2017,66(10):8746-8763.
[18]李林琛，蒋小平.基于PID 控制的移动机器人路径跟踪[J].激光杂志,2016,37(02):110-112.
[19]王纪伟，陈刚，汪俊.基于模糊免疫
PID 的驾驶机器人车辆路径及速度跟踪控制[J].南京理工大学学报（自然科学版）,
2017,41(06):686-692.
[20]袁朝春，张龙飞，陈龙,et al.基于路
面辨识的主动避撞系统制动性能[J].吉林大学学报,2018,48(2):407-414.
[21]任玥，郑玲，张巍,et al.基于模型预测控制的智能车辆主动避撞控制研究[J].汽车工程,2019,41(04):48-54.
[22]SUN C,ZHANG X,ZHOU Q,et al.基于切换跟踪误差的自动车辆路径跟踪模型预测控制器[J].IEEE 访问,2019,7(53103-53114.
[23]WANG R,HU C,YAN F,et al.四轮
独立驱动自主地面车辆路径跟踪的复合非线性反馈控制[J].IEEE 智能交通系统汇刊,2016,17(7):2063-2
074.
[24]WANG H,LIU B,PING X,et al.基
于改进MPC 的自动驾驶车辆路径跟踪控制[J].IEEE 访问,2019,7(161064-161073.
[25]ERLIEN S M,FUJITA S,GERDES J
C.共享转向控制使用安全信封，以避免障碍和车辆稳定性[J].IEEE 智能交通系统汇刊,2015,17(2):1-11.
[26]陈勇，刘哲，乔健,et al.轮式机器人移动过程中滑模控制策略的研究[J].控制工程,1-9.
[27]余卓平，章仁燮，熊璐,et al.基于条件积分方法的无人差动转向车辆动力学控制[J].机械工程学报,2017,53(14):29-38.[28]NADERI SAMANI N,GHAISARI J,
DANESH M.基于p 域路径跟踪控制器的类车移动机器人平行停车[J].控制理论与应用,2016,10(5):564-572.
[29]王庞伟，余贵珍，王云鹏,et al.基于滑模控制的车车协同主动避撞算法[J].北京航空航天大学学报,2014,40(2):268-273.
23