新能源汽車車聯網關鍵技術與網聯控制平臺的設計實現研究

陳 璜

（集美大學 誠毅學院，福建 廈門 361000）

新能源汽車自動駕駛的行駛定位跟蹤、自動泊車的誤差產生，取決于車輛當前時刻的行駛速度、前后輪轉角偏差等因素?；贚QR 線性二次型調節器控制、MPC 模型預測控制等方法的車輛行駛循跡控制均屬于非預瞄控制方法，建立的車輛運動學跟蹤誤差模型的行駛跟蹤控制精度低、算法實現過程較復雜?；?G通信網絡、TCP/Ntrip 通信協議支持下，使用單目（雙目）攝像機、感知傳感器、車輛執行器等車輛內部裝置監測空間環境信息，并基于Pure Pursuit 行駛跟蹤控制算法測得車輛行走位置、轉向預瞄點橫向偏差以此確定前輪轉角，控制大曲率半徑下車輛轉向的預瞄距離。建立涵蓋自動駕駛服務、通信連接服務、任務管理、安全管理等功能模塊的車輛云控服務系統，并依托云端平臺、ApriITags 局部定位算法的計算能力，收集區域限定場景的車輛泊車狀態數據、進行自動泊車控制，以實現最小化成本下網聯車輛系統軌跡跟蹤、泊車定位的最優控制。

1 面向城市行駛控制的新能源汽車車聯網關鍵技術

1.1 基于端到端（end-to-end）的自動駕駛技術

傳統基于規則（rule-based）自動駕駛技術的實現，通?；诩す鉁y距雷達、GPS 定位等傳感器采集的行人目標位置信息、路沿位置信息、障礙物位置信息、車道檢測信息，由軌跡控制（Trajectory Tracking control）系統規劃合適的行駛路線、提供車輛運動位姿方案，但由于rule-based 規則技術是以車輛本身為感知視角，其系統實現的復雜度過高。這一現實狀況下，采用基于卷積神經網絡的端到端自動駕駛方案，將攝像機拍攝的環境圖像映射為自動駕駛汽車的行駛命令，包括直行命令（1/s）、轉向命令（1/r）。根據圖1 的端到端自動駕駛信號訓練方法，在利用前向單目攝像機捕捉到運動的原始圖像（Video）后，先對圖像作出語義分割（Dilated FCN），使用卷積神經網絡（LSTM）將分割后的原始圖像映射為汽車自動駕駛的行駛控制命令（Motion），運用自動損失函數（Seg-Loss）對圖像邊緣部分的給定像素指標作出調整[1]。此過程中利用攝像頭、GPS 激光測距雷達等設備捕捉到的運動軌跡（Moving Path），利用每幀圖像的攝像頭數據、激光雷達數據輸出目標點位置，通過端到端的神經網絡模型（FCN-LSTM）設置不同訓練信號的網絡權重，采集與訓練單一圖像像素、行駛指———————令及轉向命令，用于預測汽車連續行駛的控制范圍數據集、動作損失狀況。

圖1 新能源汽車端到端自動駕駛技術原理

1.2 RTK-GPS 的車輛行駛載波精準定位技術

城市區域汽車行駛的高精度定位通常采用“GPS+INS”的慣導系統定位方案，定位精度約為10～20 cm 左右，但高精度慣導系統成本過高，因而在GPS 定位技術基礎上提出結合動態載波相位差分技術（Real time kinematic）、多傳感器V-SLAM 圖像提取技術的定位方案。在樓宇、地面、地下通道等城市空間設置多個載波采集的基準測量站，將兩個基準測量站采集到的載波相位觀測量信息、相位差分值信息發送至用戶接收機。依托V-SLAM 視覺提取技術、攝像頭、紅外傳感器等軟硬件拍攝城市的道路空間環境信息，使用EKF 濾波器觀測到多幀圖像的三維特征圖、跟蹤與提取攝相機關鍵幀BA(實時數據)，模擬城市道路場景圖像如圖2所示[2]。由前臺線程對相機跟蹤的關鍵幀運動參數作出優化，后臺線程提取關鍵幀特征點三維特征、并與ORB 三維地圖的特征點作出匹配，利用局部窗口移動判斷圖像灰度的變化，比較相機關鍵幀圖像的像素灰度、紋理等要素與模擬場景圖像（參考幀）的相似度，實現V-SLAM 視覺圖像提取的高定位精度。

圖2 基于V-SLAM 技術的城市道路模擬場景圖像

2 新能源汽車網聯云控平臺的設計與功能實現

2.1 車輛網聯云控系統的組成架構設計

基于車載攝像頭、RTK-GPS 高精度定位器、IMU 傳感器等感知設備，以及CAN 總線、VCU 整車控制器等網絡通信技術建構起車輛網聯云控服務系統，接收車輛行駛的定位信號、車輛測距信號、轉向信號、轉彎制動信號，由ROS 工作進程組將車輛軌跡跟蹤定位、自動泊車的處理圖像與數據上傳至云端服務器，通過融合圖像處理實現多個任務進程的同步執行。使用互相獨立的Car secret token manager 車輛管理協議、Task tokenmanager 任務協議，實時處理計算新能源車端數據、提供任務控制服務，做出車輛數據采集、車輛狀態監控、自動駕駛的任務處理[3]。因而車聯網云服務控制端作為新能源車輛行駛數據傳輸、任務管理的資源容器，由車端駕駛管理系統負責實時數據的計算處理、指令任務響應，再由云端服務平臺處理所有非實時的感知計算任務，具體云控服務組成架構如圖3 所示。

圖3 新能源車輛網聯云控系統的軟件服務架構

2.2 車輛網聯云控系統的功能模塊及實現

（1）用戶身份認證與資源授權模塊（Security Manager）。為保證外部用戶對車輛客戶端的安全訪問要求，設置網聯車輛身份認證、安全管理模塊。使用Token 登錄信息驗證機制向實體客戶作出web 訪問、數據資源使用及處理的授權，由后臺服務器端驗證用戶名、密碼，并生成客戶調用API 請求的數據指令、token 身份驗證信息。采用明文數據加密方式加密用戶登錄流水號，當用戶再次登錄網聯車輛客戶端時可識別與認證用戶流水號[4]。

（2）連接服務模塊（Connection Service）。連接服務模塊為新能源車輛網絡通信、接口調用及任務執行的管理模塊，通常包括系統調度與調試、連接管理、網絡服務等組成結構。當連接服務模塊收到底層資源管理容器的數據訪問、連接服務請求后，由網絡服務器（Netty Server）負責處理數據分包與解碼請求、數據下發網絡連接請求[5]。由上層連接管理器基于TCP/Ntrip 網絡通信協議接收下層傳送的解碼數據，為網絡連接請求、數據傳輸提供統一的調用接口，將車輛圖像字節信息（channel）封裝到任務請求中，并交由系統調度與調試器（AsyncDispatcher）作進一步處理。

（3）任務管理器模塊（Task Manager）。車輛網聯云控服務端的任務管理器模塊被用于某一時間周期內的車輛多種控制任務的執行管理。首先任務跟蹤服務子模塊設置Push、Pull 兩種隊列消息發送/接收模式，負責提供統一的任務啟動、任務進度、任務結束接口[6]。Pull 模式是由任務跟蹤服務器端主動從車輛云控端獲取任務消息，Push 模式是在任務跟蹤服務模完成車輛行駛任務的處理后，經由數據IP 地址將行駛定位跟蹤結果發送至客戶端。任務啟動/停止服務（Task Launcher/Stop Service）子模塊負責對正在執行的任務作出啟動/終止命令描述，通過自定義部署命令為多種任務的快速執行提供支持；在車輛行駛、轉彎等控制任務執行失敗時，由任務存活管理器控制客戶端重啟或放棄執行失敗的任務。

（4）自動駕駛服務模塊（Autonomous Driving Service）?；赗TK-GPS 衛星輔助定位技術確定車輛道路行駛的空間位置，采集道路圖像的經度、緯度和高度信息，將其轉換為坐標系的（X、Y、h）點坐標。利用VSLAM 視覺圖像提取技術、回環檢測技術作出當前幀圖像的濾波噪聲去除、ORB 特征點提取，提取得到圖像輪廓點、暗區域亮點和亮區域暗點[7]。

在三維空間由多個基準測量站采集行駛過程中的載波信息，將提取圖像點與城市道路模擬幀（參考幀）圖像點作出匹配，整合提取圖像的關鍵幀和關鍵點，得到車輛在所有?？奎c的定位數據。依據不同道路的彎道曲率半徑、限制速度等信息作出車輛行駛軌跡、行駛目的地規劃，生成合適的車輛速度、轉彎軌跡曲率數據，為新能源汽車的道路行駛軌跡跟蹤、轉彎提供支持，具體車輛自動駕駛的路徑規劃與控制如圖4 所示。

圖4 車輛自動駕駛的路徑規劃與控制流程

3 基于Pure Pursuit、ApriITags 算法的車輛行駛跟蹤與泊車定位

3.1 基于Pure Pursuit 算法的車輛行進軌跡跟蹤

以車輛單軌軌跡為模型、車輛縱向車身為切線，使用Pure Pursuit 算法作出新能源車輛目標定位的跟蹤計算。選取含有直路、彎道的復雜路徑控制車輛前輪轉角使其沿著目標路點的圓弧行駛（如圖5 所示）[8]，假設車輛坐標系xoy 中車輛前軸位置到預瞄點(前方跟蹤點)的距離為Ld、預瞄點坐標位置為（goal_x,goal_y），車輛航向角為θ、行進道路曲率為k，則應先根據計算式（1）、式（2），將車輛坐標系xoy 的預瞄點轉換為大地坐標系XOY 預瞄點，求得xoy 坐標系內車輛的內側前輪轉向角為δ。

圖5 Pure Pursuit 算法的車輛行進軌跡跟蹤

真實情況下車輛高精度攝像的軌跡定位與實際參考軌跡存在橫向偏差，若車輛前輪與參考軌跡橫向偏差（偏心率）為e、與車輛預瞄點距離為s，與參考軌跡橫向偏差的成立條件為式（3），則可進一步求得xoy 坐標系內車輛的前輪轉向角δ 見式（4）。

在新能源自動駕駛平臺采集車輛轉向角δ、目標路徑的經緯度數值后，需將車輛坐標系xoy 中的車輛點位置轉換為大地坐標系XOY 位置[9]。假設車輛參考軌跡Lat 在大地坐標系內的經度值、緯度值分別表示為Lon、Lat，I、B 分別為經度和緯度系數，結合車輛行進道路曲率k、前輪與參考軌跡偏心率e 可得大地坐標系中的車輛定位位置見式（5）。

3.2 基于ApriITags 算法的車輛泊車定位

在虛擬CAT Vehicle 三維環境內，選取ApriITags 算法作為車輛標簽識別與登記的定位方案，設置不同區域車輛?？康腁prilTags1、2、3、4、5 號標記標簽。利用后置攝像頭、ApriITags 高精度局部定位方法識別車輛泊車位置尾部的ApriITags 標記目標，記錄無人停車場的車輛ApriITags 視覺定位位姿（AprilTags Detection Node）、車輪轉角控制命令（Parking Generation Node）等物理量，完成垂直或平移泊車實驗[10]。在拍攝視頻幀的整幅圖像內識別AprilTags 標簽，根據不同時刻車輛的運行狀態獲得實時反饋，計算后一幀圖像相比前一幀的濾波增益K?；跒V波增益K、觀測變量矩陣Z 更新某一時刻車輛位置的先驗估計狀態x、y，更新誤差協方差，計算公式為

其中x-、y-分別表示前一幀圖像中的車輛位置，U（k）表示某一時刻系統的控制函數，A 和B 表示為圖像噪聲增益矩陣，H 表示后驗狀態估計（x、y）相對于觀測變量矩陣Z 的增益矩陣。通常情況下泊車車位的長度為5～6 m、寬度為1.5～2.5 m，假設m 為車輛與泊車目標位置的水平距離、n 為車輛尾部與泊車位置的垂直距離、c 為車輛尾部與后輪的距離，rmin為車輛的最小轉彎半徑，b0和b1分別為車輛入庫時與水平控制邊線間的距離、入庫后與豎直控制邊線間的距離，則通過不斷檢測IMI1 的航向角變化，可判斷出車輛是否完成泊車，具體計算公式如下

4 新能源汽車車輛定位、行駛速度、轉彎角度的仿真實驗

4.1 仿真實驗設置

借助ROS 機器人系統架構、Gazebo 仿真工具、CAN 控制總線、車輛執行器等軟硬件，設置Gazebo 網絡虛擬環境中車輛定位、自動泊車的仿真實驗。利用CAT Vehicle 測試程序建立可視化的仿真車輛運行環境，在虛擬環境中仿真出全尺寸的房屋、道路Escape 車輛等組成要素，添加車輛上的攝像頭、毫米波雷達、IMU位姿傳感器等裝置。在車輛?？康牟煌瑓^域位置標記1、2、3、4、5 號的AprilTags 標簽，在此基礎上作新能源車輛的自動泊車仿真實驗，實驗達標標準為泊車位置距離ApriITags 標簽為“1m”，車輛位置誤差控制在、航向角度誤差小于3°，ApriITags 視覺定位自動泊車實驗的仿真效果如圖6 所示。

圖6 ApriITags 視覺定位自動泊車實驗的仿真效果

4.2 自動循跡駕駛仿真實驗結果

基于CarSim 軟件建立整車的轉向、制動物理模型，基于Simulink 仿真分析軟件對曲線道路中車輛自動循跡行駛作出仿真實驗。假設整車質量為1 200 kg、路面附著系數為0.9，在單向雙車道道路下基于Pure Pursuit 算法輸入規劃路徑長度1 000 m，實驗工況車速20 km/h、30 km/h、50 km/h，使車輛分別在低速、中速、高速的工況下行駛。使用高精度差分INS 慣導系統，每0.1 s 對自動循跡行駛的車輛實時位置作出1 次定位，得到近似S 形的弧線路徑的位置信息。使用車輛前輪與預瞄點的橫向偏差計算公式[e（k）-e（k-1）]/T、δ=artan=artan（Lk），路徑跟隨運動控制公式u（j）=k，得出不同工況下車輛自動循跡駕駛的橫向位移偏差、轉向角δ、路徑跟隨仿真結果如圖7 所示和表1 所列。

表1 車輛自動循跡駕駛的橫向位移偏差、轉向角δ、路徑跟隨仿真實驗

圖7 車輛自動循跡駕駛的橫向位移偏差、轉向角δ、路徑跟隨仿真實驗

車輛云控系統的最大橫向位移偏差限制為3 m/s，車輛物理量采集頻率為20 Hz，每次行駛約產生100個采集定位點。由表1 可知，基于Pure Pursuit 算法、綜合控制器的車輛自動循跡駕駛，在20 km/h、30 km/h等中低速工況下的整體路徑跟隨效果更好，跟隨車輛前輪、被跟隨車輛預瞄點之間的橫向位移偏差更??；但中低速工況下跟隨車輛的轉向角δ=33.0～39.0、轉向角橫擺速度更大，表明車輛的側向動力學穩定裕度、轉向靈活性高，而高速工況下車輛的轉向角、轉向角橫擺速度更小，表明此時車輛自動循跡駕駛的穩定性較差。因而中低速工況下車輛自動循跡駕駛的橫向位移偏差、轉彎角度等仿真實驗結果符合自動駕駛汽車路徑跟蹤控制要求，且跟隨車輛的橫向位移偏差、車輛行駛速度間呈現正相關關系，在不同道路曲率k 下，通過采用中低速的車輛行駛速度，可有效保障自動循跡駕駛跟蹤精度。

4.3 自動泊車仿真實驗結果分析

在虛擬CAT Vehicle 三維環境中進行垂直泊車、平移泊車、精細調整的10 次仿真試驗，車輛泊車速度限定在0.2 m/s 左右，記錄仿真車輛的ApriITags 視覺定位位姿（xvi，yvi，zvi，yawvi）、車輪轉角控制命令（velocity，steer）等物理量。從圖6 結合車輪在某一時間序列內的轉角控制命令（如圖8 所示）可得車輛垂直泊車完全進入車位，而平移泊車與ApriITags 標簽的距離、航向角度未達到精度要求，在精細調整泊車后滿足仿真實驗的精度要求。

圖8 數據采集時間序列內的車輪轉角控制角度

根據以上圖8 可得網絡虛擬空間垂直泊車仿真的第一階段，車輪轉角為左偏置30°恒定，而后依據車輛后置攝像頭對停車位AprilTags 標簽的圖像檢測，啟動控制命令逐漸調整車輪轉角。第二階段平移調整的車輪轉角角度仍為30°，但轉角方向與之前相反，第三階段則為細微的車輛位姿控制調整。

基于RTK-GPS 載波精準定位計算并確定車輛的相對位姿（xreal，yreal，zreal，yawreal），對比AprilTags 視覺定位偏移量與車輛實際橫向（縱向）偏移量之間的誤差大小，具體數據采集序列點的仿真結果如圖9、圖10所示。

圖10 AprilTags 視覺定位與車輛縱向偏移量對比

由以下圖9、圖10 可得在車輛泊車不同環境空間序列點采集數量為55 以上情況下，車輛實際橫向（縱向）偏移量，與AprilTags 視覺定位橫向（縱向）偏移量的對比誤差逐漸減小，其中第一個波峰階段之前對應的時間點為車輛垂直泊車時間點，圖9 第二個波峰對應時間點為車輛泊車的橫向調整時間點，最終AprilTags視覺定位偏移量與實際偏移量的距離趨于0。

5 結語

新時代新能源汽車的智能物聯網服務功能實現，需建構完善的網聯城市路況監測、自動駕駛系統。針對汽車行駛測試園區的限定場景，借助云端計算平臺設置低成本的行駛控制方案，將網聯車輛云控平臺作分布式解耦，利用車輛控制的不同功能模塊形成新能源汽車內部軟硬件、網絡云控服務平臺連接，加強不同模塊間的數據傳輸與指令控制，可大大提升網聯汽車的數據信息交互效率、行駛控制質量。