无人车辆通用概念及模型预测控制

无人车辆(Unmanned Vehicle)，根据其行驶环境的不同，可以分为空中无人机(Unmanned Aerial Vehicle)、水面无人艇(Unmanned Surface Vehicle)、水下无人潜水器(Unmanned Underwater Vehicle)和地面无人车辆(Unmanned Ground Vehicle)。无人车辆是一种可以较高速度或高速移动的机器人，能够感知行驶环境，进行自主决策，规划行驶路径，并控制车辆跟踪期望路径，到达设定的目的地，完成预定任务。与机器人类似，无人车辆可以独立或者协调合作完成预定任务。同时，需要指出的是，遥操作也是无人车辆的一种重要控制方式。遥操作无人车辆不等同于完全的遥控车辆，而是在自主行驶无人车辆的基础上，增加了人在回路的任务决策、环境感知与规划、控制等功能，是一种提升自主无人车辆控制能力的人机交互方式，或者被称为人在回路的决策、规划与控制方法[1]。

根据以上定义，这里将无人车辆系统分为任务决策子系统、环境感知子系统、路径规划子系统和车辆平台控制子系统。

1.任务决策子系统

无人车辆首先是一个任务平台，在军事领域能够完成侦察、打击、排暴和后勤保障等任务，空中、水面、水下、地面的各种无人车辆之间，或者无人车辆和有人车辆之间能够进行任务分配与协调，不同功能(异构)或相同功能(同构)的车辆协同完成规定任务；在民用领域，无人车辆也可以完成农业灌溉、采矿、码头运输、交通运输等任务。多无人车辆协同完成任务时，具有更高的效率。其任务分配与协调在这里不做详细介绍，可以参阅著者前期研究文献[2-4]。

当任务分配到单台无人车辆后，无人车辆就需要根据任务特性、自身功能条件及已知环境信息进行任务决策与规划。无人车辆在任务决策与规划时，任务完成往往与车辆平台全局路径规划是关联的。例如军用无人侦察车辆任务规划包括两部分内容：一是根据车辆平台任务载荷特点确定完成任务的方式；二是确定完成任务的全局路径，进行初始全局路径规划。任务决策与规划是一种动态规划，需要根据任务和全局环境信息的变化进行调整。以完成侦察任务为例，无人车辆需要遍历侦察区域，同时需要规划出遍历这些区域的最短或最经济全局路径。

2.环境感知子系统

和有人操控车辆一样，无人车辆需要实时得到行驶环境信息。环境信息一般可以通过以下两种途径获得：一是通过无人车辆环境感知子系统利用车载传感器系统获取行驶环境信息，结合环境模型对传感器信息进行融合，理解和识别行驶环境；二是通过通信网络提供的外部环境信息，如车联网给无人驾驶车辆提供的前方道路拥堵情况和周围车辆的行驶趋势，路基交通设施发送的路口交通信号灯情况和变化趋势，或者地面指挥系统给无人机提供的大范围空域环境信息。

环境感知子系统利用上述环境信息，并结合先验环境模型，就能对行驶环境进行理解识别。环境感知是无人车辆可靠行驶的关键。在各种无人车辆中，空中无人机的行驶环境识别较为简单。这也是现在无人机无论是在军事领域还是在民用领域都已经得到广泛应用的原因。地面无人车辆的环境感知是最复杂的。以行驶在城市环境的无人驾驶车辆为例，如果不依赖外部网络提供的环境信息，独立的无人驾驶车辆需要识别行驶道路及与交通规则相关的各类环境信息，包括车道线以及无车道线情况下的道路识别[5-9]、路沿检测[10]、交通标识与信号灯检测[11，12]，以及行人、车辆检测[13]等，而且要综合多种道路交通要素对比较复杂的环境进行理解，为路径规划子系统提供行驶区域信息和障碍物信息。

3.路径规划子系统

路径规划(Path Planning)是指在具有障碍物的环境中，按照一定的评价标准，比如路径长度最短或能量消耗最少原则等，寻找一条从起始状态到目标状态的无碰撞路径。无人车辆路径规划主要继承了机器人研究领域关于路径规划的研究成 果[14-20]，一 般 分 为 全 局 路 径 规 划[1，15，17-20]和 局 部 路 径 规 划[14，15]。全局路径规划功能同时也被视为任务决策规划的一部分。在大多数情况下，无人系统全局路径规划和任务决策与规划是相联系的，二者结合得到无人车辆的全局路径信息；而局部路径规划则是在无人车辆周围局部环境里进行的。(www.xing528.com)

全局路径规划是在地图已知的情况下，利用已知局部信息，如障碍物位置和道路边界，确定可行和最优的路径；但是当环境发生变化，如出现未知障碍物时，就必须通过局部路径规划来生成无人车辆的局部行驶路径或轨迹。局部路径规划是在全局路径引导下，依据传感器感知到的局部环境信息来实时生成车辆所需要行驶的路径。在规划过程中不仅要考虑影响当前任务完成的最优原则，如路径最短、能源消耗最少，或者车辆最安全等，而且要考虑动态环境带来的约束问题。

路径规划技术的研究重点主要包括环境建模和路径搜索策略两个子问题，如图1.1所示。路径规划与障碍物环境信息密切相关，因此障碍物环境的建模方法是路径规划问题研究中的一个关键问题。目前，最常用的三种环境建模方法是单元分解法(Cell Decomposition)、道路图法(Roadmap)和人工势场法(Potential Fields)[21]。其中人工势场法在实时避障方面具有独特优势。在此基础上，又提出了虚拟力场法(Virtual Force Fields，VFF)、矢量场直方图法(Vector Field Histogram，VFH)和向量极坐标直方图法(Vector Polar Histogram，VPH)[14，22]。这些方法在机器人和无人车辆障碍规避方面得到了大量应用。

图1.1　路径规划、环境信息与环境建模的关系

在无人车辆和机器人局部路径规划过程中，还需要考虑的一个重要问题是运动规划(Motion Planning)，即局部路径规划要满足无人车辆的运动学与动力学约束条件。文献[16]提出的满足无人车辆运动微分约束的纵横向协同规划算法就是一种典型的局部路径规划的运动规划方法。将模型预测控制理论应用在无人车辆运动规划时，也将重点探索该方法在处理运动学和动力学约束的途径，在后续章节中将对其重点阐述。

4.车辆平台控制子系统

车辆控制主要是控制车辆平台跟踪路径规划子系统得到的路径，也即车辆的横向与纵向控制[23-25]。和机器人控制一样，无人车辆也存在着路径(Path)与轨迹(Trajectory)的区分。本书的约定轨迹是路径的一种，即同时考虑空间和时间因素的路径。路径跟踪实质上是通过控制车辆的运动来减少车辆与参考路径之间的空间上的误差。如果考虑轨迹，则还包括时间误差。因模型预测控制被重点应用在跟踪控制方法中，所以后续章节将继续对这一点进行详细说明。

车辆平台是无人车辆的重要组成部分。环境感知、决策规划及控制必须与车辆平台进行一体化设计。各种无人车辆在行驶环境中以较高速度行驶时都会与环境发生相互作用，这时车辆动力学与运动学特性就会影响到环境感知、决策规划和控制效果。以最为复杂的地面无人车辆为例，高速行驶的车辆执行机构的控制输入、轮胎与地面摩擦引起的滑移、横向加速度引起的侧倾等动力学非线性约束条件比低速时更加苛刻。因此，无人车辆一方面要在运动规划阶段计算出满足车辆动力学和运动学约束的无碰撞运动轨迹，另一方面要在跟踪阶段生成满足非线性动力学约束和执行机构极限约束的控制量。