組成自動駕駛的關鍵技術包括感知、規劃和控制三大部分。自動駕駛車通過傳感器感知環境并進行定位，根據感知系統獲得的信息和行駛目標進行速度和路徑的規劃，并以控制系統為基礎實現車輛的運動控制。

背景

導航是感知系統下重要的模塊，其性能優越程度決定了自動駕駛的性能。基于擴展卡爾曼濾波器的GNSS/SINS松耦合組合是最常見的導航算法之一，但是此算法對GNSS的魯棒性極低，不適用于狹窄的道路。另一個重要的方法是車道檢測和跟蹤。一種是基于霍夫變換表示的視覺，但這種方法要求路面高度清潔。另一種基于激光雷達，通過獲取雷達掃描點的坐標并將其轉換為光柵圖像，然后利用光柵圖像中的點密度提取車道線。

規劃系統的經典形式是比例積分微分（PID）控制器，它不需要系統模型，并且基于誤差信號設計了控制率。但當路徑的曲率較大時，跟蹤精度會降低。另一種典型的方法是基于車輛運動學模型。該方法利用車輛運動模型預測一段時間內的未來運動，并通過連續優化的控制參數來擬合這一系列運動，但此方法只考慮重心的偏差和預測時域中的偏差。

在這項研究中，研究人員基于平方根容積卡爾算法（SCKF），以二階固定非線性展開為測量模型，設計了融合IMU、GNSS接收機和里程表的組合導航控制算法。導航控制算法將預期路線劃分為多段，并根據電子地圖的經緯度、航向角和關鍵點序列來進行計算，最終得到無人駕駛車輛與分段路線之間的角度偏差。該算法通過增量式PID控制器消除偏差，實現逐段路徑跟蹤。仿真實驗結果表明，基于SCKF的組合導航算法的精度優于基于SKF的組合導航。該系統的組成如圖1所示。

圖1

導航系統

基于慣性導航誤差模型的濾波器在觀測異常時容易出現異常甚至發散。其原因是基于小誤差假設建立了組合導航的濾波觀測方程。當慣性導航誤差變大時，濾波觀測方程的線性化過程將不理想。

因此，在本研究中，引入了一種非線性濾波器，立方體卡爾曼濾波器（SCKF），該濾波器使用三階球面徑向體積規則來近似非線性變換中所需的積分運算。為了避免矩陣計算過程中的失真，本文推導了與平方根卡爾曼濾波器相似的立方卡體爾曼濾波器。

最終的推導結果如下，Wk為反饋矩陣，X k|k為最佳狀態，Pk|k為方差矩陣。

引導算法

引導控制算法基于地圖信息和關鍵點生成坐標序列，并生成用于分段運動控制的引導參數，以根據所建立的路線實現自動駕駛。制導控制算法的體系結構如圖3所示。

圖3

考慮到具有輪距W和車輪半徑r的四輪驅動車輛，四輪轉向模型如圖4所示。

圖4

制導參數由航向角偏差d和橫向距離偏差r組成。制導參數與關鍵點坐標序列的關系如圖5所示。

圖5

結論

研究人員對該系統進行了仿真測驗，結果表明，基于SCKF的組合導航算法的精度優于基于SKF的組合導航。為了驗證自動駕駛算法的有效性及其對衛星信號干擾的魯棒性，進行了無人駕駛汽車的室外自動駕駛實驗。該算法是自動駕駛儀的基本形式，具有很高的工程應用價值和參考價值。這項工作缺乏對環境感知的處理，例如障礙物的存在。因此，下一步的研究將集中于在線路徑規劃和重構。