高度自动驾驶卡车的挑战与实践

最新推荐文章于 2025-11-24 15:05:14 发布

原创最新推荐文章于 2025-11-24 15:05:14 发布 · 531 阅读

4 ·

CC 4.0 BY-SA版权

文章标签：

#自动驾驶 # 卡车 # 轨迹规划 # 传感器融合 # 倒车停车

高度自动驾驶卡车驾驶在高速公路和城市交通中

与乘用车不同，由于商用车辆的长度以及由多个拖车部件组成的结构，其对驾驶员辅助系统提出了相当特殊的挑战。在eJIT研究项目中，IAV使用一辆原型半挂卡车，研究了如何实现从一个装卸区到另一个装卸区的高度自动化驾驶模式行驶路线。

商用车辆正在迈向自动驾驶吗？

现代汽车工程涉及高度自动化。大众、特斯拉、奥迪或福特等汽车制造商正在量产车辆中将自适应巡航控制或车道保持辅助等驾驶员辅助系统作为标准配置。这些是关键技术，允许实现更高自动化程度的元件。即使在今天，驾驶员几乎无需操作即可在高速公路上实现高度自动驾驶。其他驾驶员辅助系统还包括泊车功能，可自动寻找停车位并自动泊车。通常，相关的软件开发环境（例如汽车数据和时间触发框架（ADTF））在实现各种功能（如智能轨迹规划、目标检测或道路标志识别）以及实现底层处理能力方面提供了高度的灵活性。

最熟悉的进展（以及媒体中炒作最多的进展）几乎都集中在乘用车驾驶员辅助系统的开发上。相比之下，商用车辆则带来了相当特殊的问题。与乘用车不同，商用车辆不仅大得多、更长，而且通常以半挂卡车的形式出现，由多个拖车部件组成，总长度可达16米以上。这些车辆在某些道路上的使用受到限制。

拖车设计在几何尺寸方面差异很大。通常情况下，牵引车并不局限于某一种特定类型的拖车。仅这些事实就给轨迹规划算法带来了复杂的挑战。城市环境中自动驾驶的其他有趣问题还包括：
– 算法如何可靠地检测到狭窄道路只有在对向交通等待的情况下才能通过？
– 如何有意识地检测并区分等待的对向交通（例如，有礼貌的驾驶员为对向卡车让出空间）与其他恰好正在等待的车辆？
– 车辆在进入环岛时，如何可靠地预测对向交通的情况？
– 另一辆车是否驶出环形交叉路口？
– 要实现多挂车道路列车的倒车停车或到达特定停靠位置，需要什么条件？

准时制物流中的示例应用

之前提到的实现商用车自动驾驶所面临的各项挑战正在eJIT研究项目[1]中得到解决。该研究项目由德国联邦经济和能源部（BMWi）资助，重点在于将电动半挂卡车部署到两条准时制物流路线，并在实际运行中进行测试。今年夏季（2017年），首辆电动半挂卡车投入运行并完成了初步测试。

示意图0

除了纯电驱动运行外，该项目还包括在德国莱比锡的一条路线上实现从装卸区到装卸区的高度自动化驾驶模式。该路线包含急转弯路段，以及进入和驶出环岛、左转进入对向交通，并在装卸区停车。相关路线如图2所示。

示意图1

详细分析该路线场景会发现，其对算法提出了多项要求，尤其是对各种子场景的轨迹规划。下文将探讨其中的一些挑战和基本方法。

驾驶铰接列车的挑战

驾驶卡车比驾驶乘用车更具挑战性。除了重型货车体积更大之外，还需考虑牵引单元与一个或多个挂车构成的完整运动学链。在急转弯或交叉路口处，这种复杂性尤为明显，卡车驾驶员必须提前规划车辆移动，并充分考虑车辆尺寸。

驾驶员辅助系统可以通过将车道作为初始轨迹，并在此基础上计算车辆专用路径来轻松实现这一点。在城市环境中，由于交叉路口的道路速度较低，车辆和挂车路径与道路车道基本一致，因此可根据单轨模型的车辆运动学计算驾驶员路径。这本身可确保车辆任何部分都不会跨越弯道内侧车道边界。然而，必须考虑到车辆尺寸可能导致计算出的路径无法避免跨越外侧车道边界，车辆需要向外摆动进入对向车辆车道，图3。

示意图2

这揭示了另一个挑战——避免与对向车辆发生碰撞。用于物体识别的传感器技术，如雷达或激光传感器，结合数据融合，能够测量位置和尺寸以及其他道路使用者的运动矢量。换句话说，这些运动学数据可用于将物体的运动分类为不同组别，例如行人、骑自行车者、汽车和卡车司机，并以路径的形式预测它们的运动。将这些物体的路径与车辆自身的路径叠加，就可以预先确定是否存在可能的碰撞。例如，如果预测到对向车辆在驾驶员车辆驶入对向车道时已经通过危险区域，则发生碰撞的可能性较低，驾驶员车辆将获得允许通行的信号以完成即将进行的操作。

然而，如果预测的车辆仍处于危险区域，驾驶员的车辆将减速甚至停止，以便让预测的车辆通过，从而避免任何碰撞。此过程也可适用于横穿车道的道路使用者，或与驾驶员车辆同向行驶的道路使用者。然而，由于感知精度不足，特别是在预测物体方向方面，几乎无法达到100%的可靠性。

除了动态物体外，静态物体也起着重要作用。由于带半挂车的牵引车所占空间更大，相比牵引车单独行驶时的路面情况，静态障碍物不仅需要从前方通过，还需确保侧面有足够的间距。此类障碍物的典型例子包括路边停放的汽车、道路施工屏障以及其他限制车道的物体。这类静态物体无需进行绝对精确的识别，可通过“空位”来描述——即由雷达或激光传感器的测量点所限定的360°多边形。如果在本车车道内检测到此类障碍物，图4，路径将自动调整以避开该障碍物。路径通过运动学计算进行优化，并基于前述的碰撞避免方法对合理性进行检查。

示意图3 )
半挂车倒车停车对任何卡车驾驶员来说都是一项艰巨的挑战。成功完成这一操作需要驾驶员具备丰富的经验和直觉。然而，从技术上讲，将这一操作纳入算法是可行的。带有半挂车的倒车行驶卡车可以类比为控制工程中的倒摆——一种典型的不稳定系统[2]。通过控制挂车与牵引车之间的夹角，可以稳定此类系统。此处，按照二维倒摆模型，以牵引车/半挂车铰接位置的横向加速度作为被控变量，图5。必须稳定倒摆以保持其直立状态，防止其倾斜。将卡车倒车进入停车位是一项较为复杂的任务——当停车操作不是直线倒车时，拖车角度始终不为零。换句话说，必须通过规划轨迹来确定该角度。规划可通过使用车辆起始和终止配置作为输入数据的η4‐样条[3]实现，并可通过选择最大转向角等方式进行优化。

示意图4

如果没有对拖车角度的动态感知，则无法实现此类控制。由于挂车本身几乎不可能配备此类角度感知设备，且拖车更换频繁是正常操作，因此必须使用牵引车传感器来检测和测量该角度。例如，可通过常用的倒车摄像头和适当的检测算法实现。

为了使卡车和挂车准确地停入停车位，必须高精度地感知目标位置和形状。无论目标位置是基于车载传感器确定的，还是通过基础设施提供的，都必须检测障碍物。在该项目的框架内，决定倾向于通过激光扫描监测盲区的外部传感器系统。有关可见空地的信息通过无线连接传输给牵引车。牵引车融合这些信息利用自身的传感器图像，可以检测规划路径在多大程度上穿越空地。另一方面，如果检测到障碍物，则不会重新计算路径，而是车辆停止并将情况提示给驾驶员。从组织管理的角度来看，装卸区应无任何障碍物，但在现实中这一点永远无法百分之百保证。因此，停车并将责任交由驾驶员处理是一种更为可靠的方式。