量产的智能驾驶系统缺陷及解决方案详解（二）

前文“量产的智能驾驶系统缺陷及解决方案详解（一）”我们对智能驾驶2级辅助中的功能控制问题进行了详细介绍，其中包括低速跟车功能TJA以及高速跟线功能ICA的一些常见问题，并且针对性的提出了相应的解决方案。该两类功能控制问题主要涉及逻辑层面解决方案，而本文将针对控制层面进行讲解。

目前从售后市场统计的基本的横向控制功能问题主要包括如下几类：

1）横向控制超调问题

横向控制过程中，容易出现控制超调，导致急速偏离车道；

2）驾驶员纵向干预时，横向控制鲁棒性降低

当驾驶员踩油门踏板对纵向进行加速控制时，横向压线行驶不退出；

3）驾驶员横向干预时，横向控制鲁棒性降低

驾驶员对方向盘超控后，系统出现强烈对抗或极易退出两种极端；

对于自动驾驶控制回环中我们不难看出主要体现在控制器+执行器的交互执行结果上，其整个横向控制逻辑图如下：

当控制端准确地发送的控制信号时，执行端则需要在适当延迟条件下将性能响应到位，如果执行器响应过程中出现如下不同的情况，则会导致不同的执行结果。

1）延迟较长时间开始响应自动驾驶控制器指令

2）响应执行器结果的最小值比控制端发出的最大值更大

3）响应执行结果的最大值比控制端发出的最大值小

4）响应执行结果后执行器清零（或回退）慢

本文主要针对如上问题进行原因分析并提出解决方案。

横向控制超调问题

横向控制超调主要表现为当系统控制器发出转向指令后，执行器在执行转向过程中会出现转向过度或转向不足等情况，此时系统功能无法及时的满足驾驶员的驾驶需求导致偏出目标车道的情况，这种控制缺陷主要影响系统性能指标，且会在一定程度上一定程度上影响控制执行结果（如偏离车道可能导致系统退出）。

对于超调控制来说，主要是指执行器执行结果超过控制端指令发出值后导致车辆偏出车道。执行器执行结果偏大的原因除开本身控制端响应能力外，更多的是对于响应初期的系统助力曲线标定不合理。如下图表示了执行器EPS基础助力曲线的生成图谱。

从上图中不难看出，对于上层发出的相同的扭矩信号，其执行器EPS执行的助力曲线随着车辆速度值不断增加而增大，也就是低速时（实线表示）需要更多的基础助力，而高速（虚线）时，其基础助力则较低。但是EPS对于基础助力的反应是一个过程量，如果在同一时间段内，速度变化了较大值，则基础助力曲线的反射弧来不及跟上由轮端反馈回来的速度变化，则会导致较高的速度下使用前一时刻较大的基础助力曲线进行助力，其结果是助力超调，导致其执行结果超调。

此类问题从根源原因上看是无法解决的，因为助力曲线标定结果受速度的影响比较大，而速度值总是在轮端执行后才会返回来被检测到，因此该延迟会导致其执行助力过程总是滞后的，这里要想解决该问题要么通过选择更好的执行器单元，要么摒除基于上层扭矩产生的基础助力逻辑，可直接通过转角控制逻辑进行，因为转角控制中的回环控制是放在EPS内部进行的，即整个系统只需要将期望执行的航向角转化为执行转角并发送给执行器EPS，则一切均可交由EPS进行执行控制了。

除开以上助力曲线导致的问题外，其执行器响应时间延迟也是造成超调的原因。由于整个闭环控制中，监测端是上级ADAS系统，当系统监测到其发出的指令在一定时间内响应不到位时，会认为自己未能发送足够执行扭矩进行控制，因此会加大发送扭矩，而实际情况是该扭矩比期望的真实值更大，这就造成了响应超调了。

对于EPS响应延迟问题当前没有特别好的解决方案，除开由于网络传输延迟造成的造成的系统响应延迟外，大部分原因是由于EPS固有性能缺陷产生，解决此问题的方法也比较简单，通常都是通过对招标技术要求进行参数限制来进行提升性能。

驾驶员纵向干预，系统退出

这里的驾驶员纵向干预是指驾驶员踩踏油门踏板，其纵向速度会随之增大，此时车辆容易偏出车道，智能驾驶二级系统退出，此时若旁车道有车，则容易与之发生碰撞危险。

分析原因如下，由于动力学控制方程表示如下：

其中v表示车辆当前速度，L表示前后轴距离， k0 表示车辆稳定性常数，该值与车辆自身质量、车长，各轮胎侧偏刚度等因素相关，不同的取值区间表示不同的转向性能。

k0=0，表示中性转向，表征横摆角速度增益

与车速成线性关系，其斜率为1/L；

其车辆横摆角速度与速度在一定的转向角下成正比关系，即越高的速度下其相应的横摆角速度变化越快，将上式带入车道轨迹预估方程中，可以得出如下：

Y= 1/6*1/Vx * Ws'*X3+1/2*1/Vx * Ws*X2+θ*X+D，

由上述车道轨迹规划方程由可知，速度变化的大小直接影响横向规划距离的结果，相同时间内速度变化越快，则规划的横向位移变化越大，由于规划过程采用了卡尔曼滤波的前向预测+更新方式，就更容易出现超调。上述超调控制的结果就是偏出车道，同时超级巡航检测到车辆无法保持在车道中央行驶，退出横向控制。

解决上述问题的方法是进行纵向限速，即系统判断自身对横向的控制能力，当检测到自身对于变化过快的纵向速度/加速度无法在进行准确地横向规划时，随即退出横向控制。比如对于驾驶员踩油门造成的一定油门开度标定一个阈值Th，当实际油门开度大于该Th时，则提前退出横向控制，以避免规划超调导致偏出车道所带来的危险。

驾驶员干预转向控制

驾驶员干预系统正在控制的转向过程时，根据系统所采取的不同转向控制方案会存在不同的感知结果。一般的，采用扭矩控制的过程中，驾驶员接管过程更为容易，接管过程更为平滑，而采用转角控制的方案，驾驶员接管过程则更为费劲，除非其接管力矩标定的更加灵敏。此外，驾驶员干预过程中，若其力矩并未达到系统的退出力矩值，则系统容易出现人机共驾的情况，这种情况下，系统的控制往往显得十分被动，对于整个驾驶过程往往容易出现转向超调或转向不足的现象。其原因是因为进行转向扭矩模型的计算过程中，并未考虑驾驶员输入对整个转向产生的影响，而横向PID的调控过程也是从轮端执行完成后，接收车辆信息进行的反馈调节，因此其调控过程始终滞后于实际的输出量值。这是造成横向控制不精确的直接原因。

要解决以上问题根源，我们除了对驾驶员接管扭矩进行精标外，最重要的还是对驾驶员的干预进行及时而准确地预测。这里需要针对性的搭建驾驶员行为预测模型，如下描述了其中一种比较经典的算法：基于博弈论的驾驶员行为模型控制算法。

如上图，其模型输入涵盖了驾驶员操作主体RDriver（k）与系统控制主体RAFS（k），其中，AFS controller表示由自动驾驶控制的转向过程扭矩或转角，而驾驶员控制器Driver Controller表示对驾驶员驾驶模型的预测器，当对驾驶员操作的预测输出转角δdriver被检测到时，将其作为AFS的作用因子输入到AFS控制器中，从而控制AFS的实际输出转角δAFS, 作为反馈每一个输出控制的实际观测值x（k+1）都将作为作用因子，从而影响Driver Controller与AFS Controller的新一轮预测值。

由此，系统在输入端即根据驾驶员历史操作信息对驾驶员即将发生的操作过程进行预测，并通用影响因子输入到模型中，这就规避了原来PID模型预测的滞后性。

总结

本文从控制层面列举了几种比较典型的控制漏洞，并对这些漏洞进行了详细的原因分析和解决方案描述，智能驾驶2级功能已经如火如荼的上市销售中，对于其功能的可用性，信心感对于驾驶员来说始终存在疑虑，研发工程师只有不断的从客户层面收集用户的体验描述，才能从开发的源头进行优化算法挖掘，使得开发的产品达到极致化的良好体验。

文章转载自公众号： 焉知智能汽车