交通事故是世界上最危险的杀手，统计数据显示，每年世界上有数百万人在车辆的车轮下丧生。先进的驾驶辅助系统（ADAS），例如巡航控制，自适应巡航控制（ACC）和应用于高速公路驾驶和自动停车的协同ACC，应用于城市环境的盲角车辆检测，显着提高了安全性。道路上的完全自动驾驶车辆（AV），无需人为干预，可以显着减少因驾驶员的错误、疲劳和醉酒驾驶引起的事故。完全避免交通事故仍然是不现实的，在不可避免的事故情况下，确定如何生成碰撞严重程度最低的路径是一个需要研究和解决的挑战。
根据车辆事故调查，大多数事故现场可分为以下几类：前方车辆突然转弯或改变其车道而不显示转向信号；前车突然刹车；障碍物从前面的车辆上掉下来；与行人碰撞或与道路上的静态车碰撞。事故造成的损害取决于障碍物的性质（行人，汽车或道路边界等）、碰撞速度及其配置。对于汽车碰撞，碰撞主要取决于碰撞速度、碰撞方向、车辆不匹配、驾驶员的特征（如性别，年龄和体重），汽车大小，以及车辆安全装置。
在过去的几十年里，路径规划研究一直是一个热门话题[15]。路径规划采用了许多技术。这些路径规划方法可以分为三种：基于图搜索的规划器，基于采样的方法和内插曲线规划器。在基于图形搜索的规划器的范围内，Dijkstra算法是一种基于图形搜索的算法，可以在图形中找到单源最短路径[16]; A *算法是一种基于图形搜索的算法，由于实现启发式算法，因而可以实现快速节点搜索[17]；并且状态点阵算法使用具有状态网格的规划区域的离散表示[18]。概率路线图方法（PRM）[19]和快速探索随机树（RRT）[20]是基于抽样的规划者最常用的方法。插值曲线规划器实现了路径平滑和曲线生成的不同技术，例如直线和圆[21]，回旋曲线和多项式曲线。
近年来，基于路径优化的技术已经成为最先进的AV路径规划方法。这项技术的核心是将路径规划问题表述为一个考虑多约束和预期车辆性能的优化问题。模型预测控制（MPC）已被证明非常适合解决路径规划问题，因为它们能够处理多约束和凸问题[10] [22]。此外，MPC以递归方式解决路径优化问题，同时考虑到规划过程中环境状态的更新。因此，MPC用于解决本论文中的路径规划问题。
据我们所知，碰撞缓解研究仍然是路径规划领域研究中的一个空白领域。我们为此合成了一种自动驾驶汽车MPC路径规划控制器，该控制器可以避开障碍物并生成一种具有不可避免的碰撞但可将严重性降到最低的紧急路径。在模型预测控制器中，预测碰撞严重程度、障碍物和道路边界的人工势场、路径跟踪矩阵和其他车辆性能约束被考虑到成本函数中。模拟不同的场景以验证我们提出的控制策略能够生成既可以避开障碍物又可以减轻碰撞严重程度以保持自动车辆的最佳安全性的路径。
本论文研究了自动驾驶车辆的路径规划算法，以便在无法避免碰撞时减轻碰撞严重程度。第II节介绍了碰撞缓解路径规划的控制设计——包括车辆模型、碰撞严重度系数的定义、这里采用的潜在领域代表了路径规划的环境和控制设计。第III节介绍了两个案例研究，以验证拟议的减速路径规划控制策略，然后是第IV节的结论和未来工作。
II.路径规划
本节介绍基于碰撞缓解的自动驾驶车辆路径规划方法的控制设计。该过程包括车辆建模，严重性因子SF的定义，人工势场的引入和用于路径规划的MPC算法。
A.车辆建模
实际上，车辆动力学非常复杂，高保真度模型可能是高度非线性和不连续的。为了设计控制器，使用自行车模型。图1描绘了具有3个自由度的车辆模型图，即纵向，横向和偏航[11]：
图1.车辆自行车模型
车辆相对于全局坐标的运动：
其中，m表示车辆的总质量，
是车辆的偏航惯性矩；r，u和v分别是CG的横摆率、纵向的速度和横向速度。
分别是C.G.到前、后轴的距离。X和Y是纵向和横向的车辆位置，
是车辆的航向角，
和
表示后轮胎和前轮胎的力，
是纵向轮胎力。
具有线性轮胎模型的前轮转向车辆的横向轮胎力可以计算为：
其中
是输入转向角，
表示前轮的侧滑角，
表示后轮胎的侧滑角，
和
代表前后轮胎的转弯刚度。
B.潜在碰撞严重度指数PCSI的定义
如引言中所述，事故严重程度主要取决于碰撞速度，障碍物特征和碰撞配置（与停止的车辆、具有刚性固定障碍物、或与任何其他车辆的正面碰撞）。本文考虑了三个主要因素：碰撞速度，碰撞角度和两个碰撞车辆的质量比。
1）相对速度ΔV
许多速度相关指标被用来评估潜在的碰撞严重度，包括等效速度、能量等效速度、加速度严重度指数或乘员碰撞速度。根据美国，英国和澳大利亚的碰撞数据分析，与速度有关的碰撞严重程度是ΔV的函数，ΔV是碰撞时之前和之后的车速变化。相反，但本质上相同，在我们的算法中，采用接近速度作为ΔV的定义来测量潜在碰撞严重度指数( PCSI )：
其中，ΔV和D分别是接近速度和障碍车辆与自我车辆之间的距离。
2）相对航向角θ
数据库分析显示，最高碰撞风险发生在1/3重叠碰撞中，而等效障碍速度高于20英里/小时[13]。在上述分析的基础上, 为了便于实现, 我们将自我车辆与车辆障碍物之间的相对角θ定义为每辆车辆的航向角之和。与相对角度θ相关的潜在碰撞严重性指数定义如下：
3）质量比Wo / W
就两辆车坠毁事故的不匹配而言，报告显示轻型卡车车辆的乘客死亡相对风险比乘用车撞车的风险高3至4倍[7]。关于与两种车辆的质量比相关的潜在碰撞严重性指数，我们可以简单地将其定义如下[14]：
其中Wo和W分别是障碍车辆和自我车辆的重量。因此，潜在的总碰撞严重度指数将是：
其中，A、B和C是潜在碰撞严重程度的重量参数，分别与相对速度、相对角度和质量比相关。
C.障碍描述
其中人工势场（PF）、不可穿越（U）、可穿越（UC）和道路（UR））定义的障碍有三种。势场可以计算为PF的总和[23]：
其中索引 i，j和q代表不能越过
的障碍，可以跨越的障碍是
，
表示车道标记。这三种PF的详细介绍如下：
a）不可穿越的障碍物：
不可穿越的障碍物，如车辆或行人，会造成不稳定、损坏车辆或威胁人们的生命，并且是安全距离SD的函数，
[ 12 ]：
ｙ其中ai和bi分别是PF的形状和强度参数，Xsi表示与障碍物的纵向安全距离，Ysi是与障碍物的横向安全距离，Xo和Yo是最小纵向和横向距离。为了表示安全时间间隙，u表示自我车辆的速度，uoi是障碍物的速度，θe是朝向彼此的航向角。位于( 20m，2m )的不可穿越障碍物的势场如图2所示：
图2.不可穿越障碍物的PF
b )可穿越障碍物：
指数函数用于定义某些障碍物的PF，例如道路上的小碰撞或一些软垃圾不会对自我车辆造成任何损害：
其中aj和bj是障碍物的形状和强度参数，sj表示类似于计算的障碍物和自我车辆之间的归一化安全距离（12）。位于( 10m，2m )的可穿越障碍物的势场如图3所示。
图3.可穿越障碍物的PF
c）道路边界：
当自我车辆在道路上行驶时，尤其是在高速公路上行驶时，除非驾驶员想要改变车道，否则车辆不能越过道路车道标记。禁止撞击道路隔离带，因为它会导致不稳定或严重的车祸。为了避免不希望的道路交叉，道路边界的PF可以定义为：
其中sRq是距离道路边界的车辆安全距离，Da是距离道路边界的允许距离，q表示右侧或左侧的车道标记，aq是强度参数。
利用二次函数来定义车道标记PF，当安全距离减小时，它们的梯度线性增加，如图4所示。
图4.道路边界的PF
D.路径规划的控制设计
本节采用模型预测控制算法进行路径规划。为了达到避障和最低碰撞严重程度的目的，根据目标函数计算出的碰撞严重性因子和人工势场。车辆动态也被认为是最优控制问题。基于上述分析，模型预测控制器可以优化指令跟踪、避障、车辆动态、道路调节，并利用预测值减轻不可避免的碰撞。
假设路径规划模块接受期望车道、速度、障碍物、道路边界和车辆状态的信息。
使用等式( 1 ) - ( 6 )，车辆在全局坐标中的动态可以以状态空间形式写成：
其中，
横向和纵向速度v，u；车辆的航向角
和横摆率r。系统输入包括纵向轮胎力FxT和转向角δ。y是包括横向位置和速度的输出矩阵。
包括所需车道和目标纵向速度的所需输出矩阵，表示要跟踪的参考点如下所示：
其中ydes是所需的输出矩阵，包括所需的车辆横向位置Ydes和所需的速度udes。ldes是从右侧开始计算的所需车道索引号。Lw是车道的宽度。MPC的优点之一是它不仅能够处理对输入、状态和输出的限制。因此，包括道路规则、致动器容量约束和车辆动态约束在内的约束都被考虑到MPC问题中。
首先，根据道路规定，公路车辆不应违反最高和最低速度的要求。约束可以表示为：
其中umin和umax表示最小和最大允许速度。
此外，致动器容量被认为是：
其中Reff表示车轮的半径; δmax表示最大转向角；Tmax是最大推进扭矩; △δ是一步中转向角的变化率，△δmax是其容量。纵向载荷传递效率包含在轮胎力椭圆约束中：
其中FxT_max表示最大总纵向轮胎力。Fyf0_max和Fyr0_max表示标称最大横向前后轮胎力。W是车辆的重量， h是C.G.的高度，μ是轮胎 - 路面摩擦系数。成本函数包括势场U，严重性因子SF，所需路径的跟踪，控制输入及其变化以及松弛变量如下所示：
其中t + k表示当前时间t之前的k个步长的预测值。Nc和Np分别表示控制范围和预测范围。
是k步的松弛变量向量，表示轮胎力的软约束的惩罚。目标函数包含潜在字段、碰撞严重程度、路径跟踪、输入、输入变化和松弛变量。其中，路径跟踪，输入，输入变化和松弛变量分别加权加权矩阵Q，R，S和用P加权的松弛变量的第一范数。通过（21.a）预测州。公式（21.b）生成输出，其中C是输出，D是前馈矩阵。在（21.d）中给出了对致动器的约束，车辆速度和轮胎容量约束的相应线性约束，其中ys是软约束变量向量并且还包括以提供对边界违反的许可。对应于致动器约束的松弛变量被设置为零，因为它们不能被违反。线性化约束可以作为（21.c）中输入和状态的函数写入，其中Ds和Cs分别表示前馈和输出矩阵。车速及其违规限制在（21.f）和（21.g）中表示。通过减少（21.h）中的控制输入数量可以降低计算成本，并且控制输入在第一个Nc预测步骤之后每Nrc步骤改变一次。
III.案例分析
自动驾驶车辆和控制器的参数如表I所示。
案例研究1：如图5所示，自我车辆在车道1上以60km / h的速度起动，同时在车道2中间，前方10m处有一辆障碍车辆。1号车道的人行横道已满。然而，道路边界没有隔离带。在这种情况下，碰撞是不可避免的，因为车辆1和行人之间没有足够的空间停车，车道2也不清楚。
图5.案例研究1的示意图
使用工作中描述的方法，自我车辆的横向距离如图6所示。可以看出，车辆选择越过道路边界而不是撞击行人和左侧车辆。速度如图7所示，可以看出自我车辆也采用苛刻的制动来越过道路边界。图8展示了自我车辆的前轮胎力。
图6.自我车辆的横向距离
图7.自我车辆的纵向速度
图8.自我车辆的横向前轮胎力
案例研究2：自我车辆在车道1上以60km / h的速度启动。在车道2的中间有一辆障碍车1，速度为25km / h，最初在X方向上在障碍物前方的10m处。人行横道部分和右侧人行道都被行人占用。与此同时，左侧人行道是空的。设计这样的情况使得自我车辆在停留在道路边界内时不能避开两个障碍物。示意图如图9所示。
图9.案例研究2的示意图
自我车辆的轨迹如图10所示。在这种情况下，自我车辆避免撞击行人并通过进入左车道来最小化事故严重性。图11显示了自我车辆的纵向速度。图12显示了自我车辆的前轮胎力。据我们所知，人类生命的保护是最重要的。仿真结果满足联网和自动驾驶车辆交通道德规则的要求。
图10.自我车辆的横向距离
图11.自我车辆的纵向速度
图12.自我车辆IV的横向前轮胎力。
汽车自动化基础硬件设施
1.摄 像 头
博世：第三代前置摄像头
● 摄像头功能安全等级提高到ASIL-B
● 运用人工智能算法：卷积神经网络算法
● 将密集光流检测和纹理检测结合，为未来L4以上的自动驾驶做好准备
博世目前生产的摄像头传感器是按照ADAS等级的需求而设计，面向未来的自动驾驶，博世正在开发第三代前置摄像头。第三代前置摄像头分为单目和双目，是具有革命性意义的产品。
首先，像素提高到200万，同时支持的最大水平视角达到了正负50°，在75m范围内都可以通过立体视觉产生视差进行空间检测，技术核心是摄像头功能安全等级提高到ASIL-B；其次，应用密集光流检测法，该系统可识别路边打伞的目标人群，能清晰地做好轮廓区分；同时，运用人工智能算法，将卷积神经网络算法集成在SOC（服务器操作中心）上，加强对物体的检测，区分路上目标哪些是人、哪些是车、哪些是可通行区域、哪些是道路标志线等，即使在复杂工况下，也可做到高准确度的检测；此外，将密集光流检测和纹理检测结合起来，为未来L4以上的自动驾驶做好准备，最高可支持800万像素传感器，以及支持红绿灯的检测。
大陆：第五代摄像头MFC 500
● 加入深度学习算法
● 拥有800万像素和125°广角
● 具备模块化、可扩展和互连性等特征
大陆集团针对智能驾驶推出了第五代摄像头MFC 500，它在前一代摄像头技术上加入深度学习算法，从而提高车辆的环境感知、驾驶路径规划及运动控制能力。
MFC 500的深度学习方法具有可拓展性，这意味着更多的数据、更强的计算能力和更高的性能。据悉，MFC 500多功能摄像头将于2020年量产，其分辨率最高可达800万像素，并具有125°广角，可更早地探测到交叉车流中的物体。
此外，MFC 500最重要的特征还有模块化和互连性，其硬件与软件能够通过神经网络处理从简单的物体探测，到快速的复杂情况分析等一切实现自动化驾驶的任务。
麦格纳：EYERIS®摄像头技术
● 提供逼真的360°全景的环境图像
● 将集成时间按和开发成本降到最低
麦格纳EYERIS®摄像头技术包含多项功能，如拖车辅助、自动泊车、行人检测和环视功能。该技术的一项最新应用是一款3D全景环视系统，用于停车或低速行驶时给驾驶员提供辅助。驾驶员可以通过简单易用的界面来调整显示周围环境的视角画面；当在行驶道路上探测到障碍物时，系统将对驾驶员发出警报。
该系统为驾驶员提供了逼真的360°全景的环境图像，并大幅提升了现有的泊车辅助系统所提供的鸟瞰图质量。这项即时可用的创新技术将集成时间按和开发成本降到最低，使之成为了汽车制造商的简单、经济、高效的选择。
2.毫 米 波 雷 达
博世：第五代毫米波雷达
● 第五代毫米波雷达带宽提高到1.5个G
● 应用先进的技术原理进行无线电波调频，满足对多复杂目标高准确性的探测要求
博世计划在2018年、2019年推出第五代毫米波雷达，在2021年左右推出至尊型毫米波雷达，这是为L3高速段以上开发的雷达。与第四代对比，第五代毫米波雷达不仅是带宽从1个G提高到了1.5个G；同时也大大拓展了雷达可占用带宽，实现更高的反射量。第五代毫米波雷达对于很多目标，比如卡车，它的反射点会更多，同时对道路边界的静止目标将获得更多反射还原，以实现更准确的环境建模。
尤为值得一提的是，博世应用了先进的技术原理进行无线电波调频，可以满足博世对多复杂目标的高准确性探测要求；同时，也应用了先进的天线发射方式以实现更长的角度和精度。
海拉：77GHz雷达传感器
● RF-CMOS工艺实现紧凑化设计
● 雷达传感器的自我诊断系统，这是实现高度自动驾驶的重要先决条件
早在2005年，海拉就将其第一代24GHz雷达传感器投入批量生产，这也是ADAS的重要传感设备。同时，海拉正在利用模块化平台的方法研发24GHz雷达传感器，这有助于海拉实现将驾驶辅助系统应用于大众市场这一目标。
面向未来的自动驾驶，77GHz雷达技术将变得越来越重要。海拉的77GHz雷达传感器的核心射频芯片是基于RF-CMOS工艺，其不仅具有射频收发模块，还高度集成了具有连续数字信号处理的带有自诊断的单片微波集成电路。这不仅可以实现紧凑化设计，为传感器的安装提供新的可能，诸如安装在车身侧面内部，以便于传感器能360°无死角地识别整辆汽车周围的环境，从汽车、骑自行车的人到行人，这在自动泊车中尤其重要；同时，雷达传感器的自我诊断系统一直监控所有功能的运行情况，这是实现高度自动驾驶的重要先决条件。
麦格纳： ICON RADAR高清雷达
● 美国军用技术血统
● 探测距离超过300m且4D扫描
● 具备顶尖的成像能力和极强的抗干扰能力
小编提示：请在wifi环境下观看视频
麦格纳的ICON RADAR采用了美国的军事技术，具有环境探测精准、探测范围广和弹性高的特点，成为了高分辨率汽车雷达一个新的标杆技术。其探测距离超过300m，能以比人类眨眼快50倍的速度在距离、高度、深度和速度4个维度持续扫描四维空间环境，探测并追踪的物体数量比同类竞品多100多倍，并且能对探测物逐一分类。
同时，ICON RADAR能探测车辆周围不同的静态物体，比如护栏、路面杂物和减速带等，并与车辆进行信息交互；它还能追踪大量的移动物体，比如车辆、骑行者、行人和宠物等。
ICON RADAR具备顶尖的成像能力和极强的抗干扰能力，它将数据从192个虚拟接收器中融汇并入一个小巧的系统中，使分辨率精度达到了一个新的高度。
此外， ICON RADAR尺寸紧凑，为汽车外观的设计提供了极大的灵活性，易于集成到汽车厂商的自动驾驶系统中，或者是集成在麦格纳的MAX4自动驾驶平台上。
加特兰：77GHz毫米波雷达芯片
● 高集成和低成本
● 实现了业界最小的芯片功耗和芯片尺寸
2017年10月，加特兰微电子科技量产发布了业界首款基于CMOS工艺的77GHz毫米波雷达射频前端单芯片Yosemite。该芯片的创新首先在于材料和工艺的突破，带来最大的两个优势——高集成和低成本；同时，Yosemite实现了雷达系统射频前端的全集成，降低了板级设计难度，提高了射频系统的批量稳定性和一致性；更重要的是，CMOS半导体工艺带给芯片巨大的批量成本优势；此外，通过电路设计的创新，Yosemite芯片的功耗指标低至业界同类产品的1/3~1/2，实现了业界最小的芯片功耗和芯片尺寸，而这对于下游客户来讲都是实实在在的“好处”。
Yosemite芯片自发布后，广受市场欢迎与认可。截至目前，已经有数十家客户测试评估，帮助十多家客户完成产品开发，其中包括tier1厂商、雷达模块制造商等。终端市场覆盖乘用车前装、商用车前装、商用车后装等。
3.激 光 雷 达
法雷奥： SCALA激光扫描仪
● 探测距离可达150m，探测视野达145°
● 为周围环境创建3D地图，确切探测障碍物
法雷奥SCALA激光扫描仪是目前市场上首款也是唯一一款量产的车规级激光雷达，具有价格优势。SCALA能够探测静止及移动物体，其探测距离可达150m，探测视野达145°，是自动驾驶汽车的核心部件。该技术通过为周围环境创建3D地图，可以确切探测障碍物，并对车辆进行精准定位，以确保车辆的整体安全。
2018年消费电子展（CES）上，法雷奥投资的法国Navya公司推出纯电动无人驾驶出租车Autonom Cab，其安装了7个法雷奥SCALA激光扫描仪。
大陆集团：高清三维激光扫描雷达
● 可捕获并处理实时三维机器视觉
● 以高于50次/s的速度生成环境模型
大陆集团正致力于打造下一代环境模型，其研发的高清三维激光扫描雷达能满足监测汽车外围环境的严格要求，可捕获并处理实时三维机器视觉，不含任何机械组件。要处理和分析的数据量越大，需要的计算能力就越高，因此需要更强大的控制单元来构建和管理环境模型。环境模型表示各个传感器和不同应用之间的中间软件层。该层含有数据融合和预期设入的算法，旨在增强精度和可靠性，扩大各个传感器的视野，充当不同功能的抽象层。
大陆集团的辅助和自动化驾驶控制单元将用作评估和解释所采集信息的核心点，以高于50次/s的速度生成环境模型。高清三维激光扫描雷达是生成完整的三维环境模型的核心组件。据了解，大陆集团计划于2020年开始批量生产此产品。
4.传 感 器 融 合
博世：域控制器
● 搭载自动驾驶L2、L3需用的中央行车大脑
● 在L3及未来的L4城市引导上，提供超强能力的域控制器
博世预计在2019年底向市场上推出量产的域控制器，搭载了自动驾驶L2、L3需用的中央行车大脑。在高速公路引导的高速段（L3）及未来的L4城市引导上，提供超强能力的域控制器，引入在基础底层、特征层面运算所需要的硬件加速，不排除像GPU硬件加速的芯片，提高域控制器的运算能力。
伟世通： DriveCore™
● 计算能力扩展性强
● 运算能力覆盖500 GFLOPS-20 TFLOPS
● 加速基于传感器的人工智能算法的开发
伟世通的DriveCore™是一款安全可靠的域控制器，计算能力扩展性强，可以整合多个摄像头、激光雷达、雷达传感器的数据。
DriveCore™有三大组成部分：Compute是一个模块化、可扩展的硬件计算平台，很容易适应各级自动驾驶技术的要求；Runtime提供的安全框架，使应用程序与算法能进行高性能的实时通信；Studio是基于PC的开发环境，它使汽车制造商可以为算法开发人员搭建生态系统，加速基于传感器的人工智能算法的开发。 DriveCore™是业内首款开放协作的平台，提供强大的信息处理能力和先进开发软件，促使自动驾驶系统的快速发展。
法雷奥 ：XtraVue超级视距
● 让驾驶员对道路状况一目了然
● 整合复杂数据，呈现直观影像
法雷奥XtraVue超级视距集成了安装于车身的远程通讯天线、激光扫描仪和法雷奥摄像系统。它能让驾驶员对道路状况一目了然，甚至包括视野之外的路况；同时能将其它互联车辆拍摄的流视屏和道路基建设施摄像头拍摄的影像呈现在车内显示屏上。
得益于现有公共4G网络及车与车之间（V2V）互联网络的发展，这种技术能够将这些复杂的数据整合在一起并且呈现出直观的影像，提升车辆驾驶的视野范围。对驾驶员而言，他们就好像具备了透视前方障碍物的能力，让驾驶行为更加安全。
结论
本文提出了一种用于自动驾驶车辆的路径规划方法，尤其是当碰撞不可避免时，通过产生尽可能减轻碰撞的轨迹。假设运动规划模块从全局规划模块接收期望的车道和速度信息，并且从感知模块接收障碍物和道路边界的信息。本研究采用模型预测控制算法进行路径规划。为了达到避障的目的，将提出的描述障碍物的碰撞严重度因子和人工势场插入到成本函数中，如果避障是不可能的，则为最低碰撞严重度。此外，车辆动态也被考虑到该最优控制问题中以确保所产生的路径的可行性。仿真结果表明，MPC算法能够避开障碍物，并在碰撞不可避免的情况下减轻碰撞。这种拟议的路径规划方法正在进行实地测试，未来应该分析更多的城市情况，例如交通灯处的紧急情况。
