基于视觉和里程计的自主车辆换道方法

⃝可在www.sciencedirect.com上在线获取ScienceDirectICTExpress 5（2019）219www.elsevier.com/locate/icte基于视觉和里程计的自主车辆换道Gábor Pétera，Bálint Kissa， Viktor Tihanyiba匈牙利布达佩斯技术经济大学控制工程和信息技术系b匈牙利布达佩斯技术经济大学汽车技术系接收日期：2019年8月21日;接受日期：2019年在线预订2019年摘要自动驾驶是人类古老的愿望。本文的主要目的是提出一种自主变道方法，如果满足给定的安全标准，则可以实现全自动变道。环境检测由多个传感器执行，例如 雷达激光雷达和智能摄像头还利用车辆的固有传感器来确保车道之间的平稳过渡。在封闭测试轨道上获得的测试结果证明了所提出的方法的实用性。由此产生的算法和在实施过程中收集的经验可能是有用的集成到一个更大的系统。c2019韩国通信与信息科学研究所（KICS）。出版社：Elsevier B.V.这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。关键词：自主车辆;车道变换;视觉;里程计1. 介绍自动变道是一项复杂的任务，因为车辆必须遵循在线计算的预定义曲线。道路上可能有障碍物，如其他车辆或行人，在机动计划阶段应考虑这些障碍物的存在。安全是最重要的，因此，在执行操作会危及车辆周围任何人的任何情况下，应阻止机动。自动驾驶的想法相当古老，第一次实现是在太空飞行器中，由于大的时间延迟，直接控制是不可能的。陆地车辆应用的第一次实现可以追溯到八十年代。Dickmanns和Zapp早在1987年就报道了自动驾驶的视觉反馈系统[1]。在[2]中提出了一种更先进的基于视觉的车道检测系统，该系统在晶片机系统上实现。基于视觉的车道检测系统后来发展成为汽车行业的有力竞争者[3]。由于车辆不能行驶具有不连续曲率的轨迹，因此，∗ 通讯作者。电子邮件地址：pete rg abor@iit.bme.hu（G。Pe' ter），bkiss@iit.bme.hu（B。Kiss），viktor. gjt.bme.hu（V. Tihanyi）。同行评审由韩国通信和信息科学研究所（KICS）负责https://doi.org/10.1016/j.icte.2019.09.005检查不同半径节段之间的过渡[4]。更进一步的是估计没有标记的道路上的车道[5]。为了检测障碍物和周围空间，车辆必须配备不同的传感器，可能以冗余的方式。在应用了所有这些安全措施之后，实施必须确保在较低水平上的实际车道变换，同时通过监测外部传感器信号来在较高水平上保持安全性。在[6]中详细描述了使用多传感器技术的车道标记和物体检测系统。在[7]中提出了具有车道检测和可驾驶区域检测的基于传感器融合的自动驾驶系统。第一个公开的车道变换方法是由Kato在1997年发布的[8]。高速公路驾驶比在城市里更容易，因为那里的环境更有规律。Franke等人[9]对城市内的自动驾驶进行了深入研究。在[10]中提出了一种鲁棒的车道变换辅助系统，它基于图像馈送跟踪自我车辆后面的车辆。在应对正常情况后，避免碰撞成为Shiller和Sundar在1998年详细介绍的主要研究领域[11]。由于无人驾驶汽车在大多数国家仍然被禁止，驾驶员辅助系统被商业化。这种系统不直接控制车辆，但可以在危险情况下显示安全警告-例如即将到来的车辆在盲点[12]。2405-9595/2019韩国通信和信息科学研究所（KICS）。出版社：Elsevier B.V.这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。220G. 彼得湾。 吻和V。中国国际信息通信技术展览会第五届（2019）219Fig. 1. 测试车辆。换道需要轨迹和跟踪控制器。因此，路径规划只是故事的一半，控制器设计同样重要[13]。在[14]中提出了基于嵌套PID算法的基于视觉的车道保持，并且[15]提出了模糊控制方法。Du [16]开发了基于模型的车道变换控制器，而Kang [17]提出了用于高速公路驾驶的低纹波车道保持器/变换器控制算法。存在考虑驾驶员舒适性的方法，例如[18]中提出的基于扭矩的车道变换辅助基于V2X通信标准的协同自动驾驶是一个新兴的研究方向。一些方法依赖于值得注意的是，互联车辆很容易受到黑客攻击[21]。本文提出了一种基于方向盘驱动器的变道控制的完整解决方案，并在实车上实现。本文件的其余部分组织如下。第2节列出了测试车辆的功能，特别是用于变道的传感器和执行器。第3节详细介绍了视觉处理管道，接下来是下一节中的里程关系。第5节详细介绍了实施情况，最后一节评价了结果2. 测试车辆测试车辆是第一代智能（见图）。①的人。经过之前的开发阶段，目前的汽车功能与其原始版本几乎没有相似之处。选择该模型是因为其简单性和低转弯半径（小于7米）。这款微型车的一个特点是它的车轮位置：车轮被放置在底盘的四个角落，使汽车相当灵活。前、后轴的轮距各不相同，均在1500 mm左右，轴距在1900 mm左右。一般汽车轮距稍宽，轴距在2500 mm以上。轴距是汽车灵活性的一个关键点，另一个关键点是其后驱动系统。在不需要前驱动轴的情况下，前轮的最大转向角大于平均前轮驱动的汽车。2.1. 传感器测试车辆配备了一套完整的传感器，提供自动驾驶所需的所有测量。以下列表列举了需要换道的车辆。一些传感器是固有的，测量车辆的内部状态，而另一些则收集有关环境的信息。其中一些是有源的，而另一些则发射信号以提供测量。(1) 前雷达(2) 后雷达(3)LiDAR(4) 智能相机(5) ABS轮速传感器(6) 差分GPS(7) 方向盘传感器2.1.1. 前后雷达前雷达是一个主动的外部传感器，收集有关车辆前方即将出现的障碍物的信息。在某些情况下，前雷达检测到的障碍物应禁用变道功能。后雷达与前雷达相同，因此它也是一个有源外部传感器，但在这种情况下收集有关车辆后方物体的信息。如果另一辆车以比自己更高的速度接近，则应阻止变道功能。2.1.2.LiDARLIDAR（光探测和测距）是一种有源外部传感器，发射激光束并获得距离与方位的近距离极坐标图。安装的传感器的有效范围为16米，它们都安装在汽车的前角，共享前视图，同时具有单独的侧视图和后视区域。2.1.3. 智能相机智能摄像头是一种无源外部设备，用于检测障碍物和车道标记。由于它的帧速率是有限的，处理需要一些时间，它还使用汽车的速度信号来补偿这些限制与预测。它可以检测本车道以及下一个左侧和右侧车道的车道边缘标记，因此总共四条参数曲线是其相关输出。2.1.4. ABS轮速传感器ABS车轮传感器是被动的固有传感器，独立测量每个车轮的速度。由于这些是被动传感器，它们在2.7 km/h以下不工作。只要车轮速度高于该阈值，它们就提供可靠的值，以防正确估计有效轮胎直径！所提供的值总是可靠的，因为它是在RPM，但使用不正确的有效车轮直径将损坏测量。由于轮胎由橡胶制成，因此其有效直径在不同载荷下不同。精确值是用从地面到轴心点的刻度测量的G. 彼得湾。 吻和V。中国国际信息通信技术展览会第五届（2019）219221ω而车却停在原地需要注意的是，胎压的变化也要考虑在内！根据欧盟的指令，所有新车都应配备内置的轮胎压力监测系统（TPMS），因此其信号可用于补偿。2.1.5. 差分GPSGPS基本上是一个被动的外部传感器，提供世界坐标系中的绝对坐标。差分GPS与附近的站进行通信，以消除不需要的大气伪影，从而获得更精确的位置估计。标准GPS可以具有10 Hz的刷新率和米量级的位置精度，而差分GPS可以低至几厘米，这是车道内精确定位所需的。一些更先进的GPS接收机也有一个IMU（惯性测量单元），并结合两个传感器和一些传感器融合，他们可以提供更高的速率，如100赫兹的位置估计GPS接收机的基本输出是以WGS 84（1984年世界大地测量系统）参考系统给出的位置。WGS 84中给出的坐标由纬度（度）、经度（度）和高度（米）三个三元组组成。该系统是通用的，因此坐标指的是精确的位置，然而与笛卡尔坐标系中给出的处理距离相比，处理角度值是复杂的。这个问题的解决方案是UTM（通用横轴墨卡托）参考系统。UTM使用笛卡尔坐标（X和Y，以米为单位）、区域（实际上是60）和半球（北/南）， 表达立场。此框架用于大多数本地地图。WGS 84和UTM之间的转换基于级数展开，根据Karney [22]，它的精度高达几纳米，因此在GPS接收器获得位置的情况下，它超过了所需的精度。输入的WGS 84数据总是立即转换为UTM数据，以便进行简单的处理。（高度对于车辆的运动也是不必要的2.1.6. 方向盘传感器方向盘传感器是一种主动式内置传感器，用于确定方向盘的准确方位。这对于任何涉及车辆横向运动的操作都是必要的，例如变道。传感器值不直接使用，但它是项目期间开发的转向控制的重要组成部分。2.2. 控制器开发为了使车辆按照命令行动，还需要执行机构。对于变道操纵，方向盘被致动。这是由一个伺服电机内置到转向柱。伺服系统由戴姆勒改装，通过电流（扭矩）设定点信号进行控制转向图二、 识别执行器动态模型的信号 。(1) 识别(2) 模型开发(3) 控制器设计(4) 验证通过向转向伺服机构输出150功率单位设定值并在反馈信号到达预定义安全区域的边界时反转其符号来实现识别，类似于[23]中建议的方法。如图2所示，只要识别过程正在运行，该过程就转化为方向盘的快速循环左右旋转。识别是使用Matlab/Simulink和dSpace Autobox硬件在1ms的周期内实现的。转向系统使用简单的扭矩方程并通过添加一些摩擦损失来建模。让我们引入以下符号：τ表示由转向伺服机构产生的扭矩;I是由伺服机构致动的转向系统的惯性;α是角加速度;ω是角速度。速度ταpos=I（1）αneg=−Coef fFriction·ω（2）α=α阳性+α阴性（3）ωstec=α（4）状态向量包含方向和角速度的转向杆。摩擦力被认为是角速度的线性函数。非线性力，例如轮胎-路面接触点处的摩擦力车轮角度由精密传感器测量，因此，[单位]=A[单位]+B·˙(5)环路控制是可能的。ωωτ所选择的控制器使用状态反馈的极点配置返回和负载估计器。控制器开发过程包括以下步骤：y=C[π]+Dτ（6）222G. 彼得湾。 吻和V。中国国际信息通信技术展览会第五届（2019）219−[客户端]−--⎢ ⎥ ⎢ ⎥⎢⎥=/2+/2 (10)⎣⎦⎣⎦0−4⎣⎦25000C2−中心C3−中心C2−LeftC 3−LeftC2−右C3−右⎡ ⎤ ⎡ ⎤ ⎡⎤图3.第三章。 转向柱控制的闭环信号。代入实际值得到以下动力学：xstec =[01]x+[0]u（7）在照相机周围放置印刷的支撑盒，以消除测试期间放置在仪表板上的物体的不需要的反射。相机以可变的帧速率提供信息，刷新间隔在60和150 ms之间。这意味着如果没有补偿，延迟将是无法忍受的，特别是在较高的速度下（例如高速公路巡航）。因此，摄像头需要车辆估计速度以获得可靠的输出。高速机动的一个高级选项是基于里程计的车道跟踪，通过消除相机的低刷新率来实现更鲁棒的方法。在此设置中，每次相机刷新都会重置里程模块，从而实现相机更新之间的精确跟踪。3.1. 车道多边形相机的输出流提供多个信息槽，包括车道多边形的系数。 车道多边形为三阶多边形，用于描述附着到摄影机本身的帧中车道标记的曲线。由于摄像机能够检测本车道和两个相邻环境车道，共有4个参数集（见图）。 4）. 一y= 10x+ [0]u（8）控制器的设计是基于状态反馈与负载估计器。由于它是一个SISO系统，可以使用Acker-mann公式。为了满足所需的性能，系统的带宽被选择为每秒10弧度，而阻尼因子被定义为0.85。采样时间与识别率相同：1 ms。验证是控制器开发的重要组成部分 因为需要在部署之前测量性能特性。在获得满意的仿真结果后，在实际试验车上对控制算法进行了试验。结果示于图1。3 .第三章。控制变量（转向角）精确地跟随设定点值，唯一的稳态误差发生在设定点设置为四百度可以看到，输出控制器饱和。原因是机械限制：方向盘在370度和+370度之间工作。3. 愿景车道变换算法最重要的传感技术是视觉，因为道路上的标记是大多数其他传感器类型无法检测到的（LIDAR可以根据它们的反射率检测车道标记）。随着自动驾驶的需求和可能性的增加，市场上也有现成的解决方案。所选择的摄像头能够提供有关汽车前方环境空间的高级信息。摄像头被放置在车内挡风玻璃后面，因此光线会在这个额外的表面上散射和反射。然而，最大的问题是阳光直射，当图像传感器试图补偿大量的光子时，阳光可能会参数集包括4个多边形参数和最后一个值，该值对应于实际多边形检测的置信水平。在检测良好的车道标记曲线的情况下，它等于100%，而在不存在车道的情况下，它等于零。至少在理想的情况下，实际上它是介于两者之间的东西。LC=f（x）=C0+C1x+C2x2+C3x3（9）在进一步处理之前的第一步是通过检查相应的置信度变量来检查在有效车道的情况下，多边形可以用于进一步处理，否则，必须估计多边形。车道通常至少在一侧有标记，或者有时在没有车道标记的道路上，摄像头无效。但是一个有效的多边形足以估计其他丢失的多边形。由于车道宽度对于给定的车道或多或少是恒定的，对于一种类型的道路，可以通过从同一车道的另一侧偏移多边形来估计缺失的车道曲线。测量结果表明，测试轨道配备了3.8米宽的车道。这种人工车道多项式确保了缺失车道标记的或多或少的正确表示。这种方法的一个缺点是它也会在实际道路旁边生成虚拟车道，因此需要基于地图的检查来确保给定车道存在于车辆被命令切换车道的位置[24]。由于车道多边形表示车道的边缘，因此应首先计算车道的中心多边形。多边形由它们的系数集C0，C1，C2，C3给出. 中心曲线可以参数化为：C0−中心C 0−左侧tC 0−右侧C1−中心C1−左侧tC1−右侧进入电枢。为了避免大多数反射，G. 彼得湾。 吻和V。中国国际信息通信技术展览会第五届（2019）219223图四、 通过智能摄像头将Polyvinyl安装在车道标记上。图六、变 道-状态机。图五、里 程 计 算 的 基本位移。C0值表示车道曲线起点和摄影机帧原点的偏移。C0−Left与C0−Right之差等于车道宽度。具有自我多项式使得控制算法能够停留在实际车道的中心，或者如果曲线被对应于相邻车道的曲线代替，则可以执行车道改变但是换道并不像用目标车道的中心多项式代替自我中心多项式那么简单。从理论上讲，它应该工作，但智能摄像头不断刷新车道信息，并在车道交叉口的瞬间，它进入无效状态（没有车道信息）。另一方面，摄像头针对汽车沿车道中心线行驶的情况进行了优化，因此，所提供的系数的置信水平随着机动开始而降低。4. 里程计里程计算取代丢失的摄像头信息在车道变换机动。如果测量车轮速度（或等效地，车轮接触点位移），则里程计提供了预测车辆相对于已知起始点的实际姿态（位置和取向）的机会。这些测量越精确，结果就越好。阿克曼转向车辆里程计的流行方法是将车辆表示为仅具有两个车轮的自行车。后轮被放置在后轴的中心，而前轮由于两个前轮在除空档位置之外的任何时候都具有不同的转向角，因此可以使用考虑汽车的轴距和前轮的轮距的变换来获得虚拟中间轮的转向角。可以看出，这种变换需要精确测量这些距离和角度，具有几个误差点。一种更简化和资源友好的方法是将汽车表示为差分驱动实体（见图5）。由于控制汽车不在范围内（只有里程计在手），这是一个公平的假设，因为阿克曼转向车辆可以执行差动驱动车辆的运动的子集。224G. 彼得湾。 吻和V。中国国际信息通信技术展览会第五届（2019）219222e机器人使用这种方法，只有后轮距离和来自后传感器的车轮速度。前轮的速度和方向盘方向是完全无关的，这减少了可能的错误，因为车辆有一个未知的方向盘传感器偏移。只要沿后轴不存在滑动事件，里程计就提供车辆从给定起始点的相对位移的准确估计，如等式2中所总结的。其中x和y表示位置，θ表示产生可以被馈送到横向运动控制器模块的有界输出。至于图6中所描绘的车道变换状态机，车道变换可以由转向信号杆启动。一旦检测到足够长的脉冲，高级安全核心就会检查环境传感器是否存在安全隐患。这包括所选车道上的障碍物或从后面以高于车辆本身的速度接近的物体。这些情况被视为不安全的情况，其中车道变换请求被忽略，并且驾驶员被通知有关阻塞事件。如果情况被评估为安全，Xi+1=xi +Lcos（θi +θ）（11）开始.目标车道的中心曲线被馈送到车道跟随控制器而不是自我车道参数，并且里程计被重置到原点。当相机输出信息时-yi+1=yi+Lsin（θi+θ）（12）在它自己的坐标系中，原点在这种情况下意味着车辆的X，Y和θ分量的[0， 0，期间θi+1=θi+θi=θi+δR−δL（十三）机动，车道信息被冻结，导航仅使用里程计运行通过适当调整里程计依赖于车轮的精确旋转值，因此ABS速度传感器起着重要作用。如前所述，这些传感器是被动的-仅使用感应，它们需要最小量的车轮速度，否则它们不产生输出信号。这个最小速度大约是2.7 km/，高于任何汽车的怠速，即使是在一档。因此，基本上只有在车辆停止的情况下，错误传感器信号的问题才会持续存在。这给了系统一个限制：从静止状态变道是不可能的。 但是只要车辆已经在运动中，里程函数就可以被评估，给出精确的结果。幸运的是，ABS需要高速率和高精度的车轮速度，因此这些传感器提供了出色的输出，不需要进一步的信号形成，除了单位转换，因为输出以RPM给出，而不是以米每秒。将转换后的值提供到里程函数中刷新车辆5. 执行最 终 系 统 在 Matlab/Simulink 环 境 中 使 用 dSpace 的Autobox实时运行计算。启动周期时间设置为1 ms，但在添加越来越多的高级功能后，系统变得不稳定。解决方案是将处理周期频率从1 kHz降低到100 Hz，因此周期时间增加了10倍，达到10 ms。这一变化是必要的，稳定性恢复到最大状态，而不会失去任何功能。由于转向控制器是用离散矩阵设计的，所以在时基改变后不必更换或重新设计任何东西。Autobox硬件通过CAN接口和模拟/数字I/O提供了易于使用的车辆接口解决方案。相应的Simulink模块实现了快速的面向解决方案的软件开发，而没有通常嵌入式系统编程带来的麻烦轨迹跟踪算法基于差分驱动漫游车的内置纯追踪算法。由于该算法的横向输出是偏航率，因此转换器通过控制器，可以设置车道变换的目标陡度和行为，以便使其尽可能平滑当车辆到达目标车道的中心线时， 摄像机开始拾取车道，并开始产生有效的车道信息。机动的临界点是从里程计驱动反馈切换回相机驱动状态。为了确保平滑过渡，与目标曲线的距离和正确的方向都必须在给定范围内，以便实现平滑过渡。如果车辆过早释放，摄像头可能会还没学会新的路线在延迟释放的情况下，由摄像机检测到的曲线可能变得损坏，因为它仅是实际车道中心曲线的三阶估计。当车辆未对准时，可能发生延迟或提前释放，这可能意味着突然的转向反应，其可能最终导致灾难性的振荡。如果在车辆定向良好但其位置与中心曲线相比错误的时刻发生错误释放，则车辆可能无法 能够到达中心线作为车道以下控制器在位移的情况下使用低误差放大器。在UTM参考系中具有姿态坐标，将轨迹叠加到具有已知GPS坐标的地图段上是一个简单的工作流程，包括以下任务：获取地图上2个远距离像素的WGS 84位置WGS 84-UTM转换的2个点基于像素距离/ UTM距离比• 根据其中一个点确定帧偏移• 将变换应用于轨迹6. 结果结合智能摄像头和汽车内置的ABS轮速传感器，由此产生的车道变化成为人类驾驶员所能做到的最平稳的速度。该系统在半封闭测试轨道上进行了测试，···G. 彼得湾。 吻和V。中国国际信息通信技术展览会第五届（2019）219225图7.第一次会议。 在测试轨道上进行变道机动（GPS数据）。图8.第八条。 在测试轨道上向左变道（GPS数据）。在图1A和1B中描绘的轨迹。7和8该系统的弱点在于车道跟踪算法本身，即一种简单的可调节前视距离的纯追踪算法。经过彻底的测试，这个前瞻性的距离被证明是一个关键因素，因为在直道上驾驶是最佳的在高的前视距离下，导致方向盘操作平稳，而在赛道中间的转弯处驾驶需要方向盘更积极的行为，因此需要减小前视距离。由于摄像机输出的车道信息是多项式形式的，所有的参数都在手边，所以改变是相当容易实现的。7. 结论建议的融合视觉和里程的结果在一个稳定和可靠的方法，满足期望的一条车道改变自动驾驶汽车的特征。未来的计划包括车道跟随算法的优化，以使其更加平滑，因为当前算法在沿直线行驶时会产生方向盘的一些波纹和不必要的运动竞合利益作者声明，本文中不存在利益冲突。确认该项目得到了欧盟的支持，并由欧洲社会基金EFOP-3.6.2-16- 2017-00002共同资助。引用[1] E.D. Dickmanns，A.陈文辉，高速公路车辆自动导航系统之研究，国立成功大学机械工程研究所硕士论文，1998。[2] A.铃木，N. Yasui，N. Nakano，M. 黄子，自动驾驶汽车的车道识别系统，载于：智能汽车92 年 研 讨 会 ， 会 议 论 文 集 。IEEE，1992，pp.第196-201页。[3] A.A. Assidiq，O.O. Khalifa，M.R.伊斯兰，S。Khan，自动驾驶车辆的实时车道检测，载于：计算机与通信工程，2008年。ICCCE2008年。国际会议，IEEE，2008年，pp。82比88[4] W. Nelson ， Continuous-curvature paths for autonomous vehicles ，in：Robotics and Automation，1989.会议记录，1989年IEEE国际会议，IEEE，1989年，pp。1260-1264年。[5] M.A. 作 者 ： F.J. Rodriguez ， L. Magdalena ， L.M. 贝 尔 加 萨 湖Boquete，一种基于彩色视觉的车道跟踪系统，用于无标记道路上的自动驾驶，Auton。机器人16（1）（2004）95[6] R.舒伯特，K。Schulze，G.王志华，自动变道机动的态势评估，北京交通大学学报。 运输单 系统11（3）（2010）607-616。[7] Q.利湖，加-地Chen，M.李，S.- L. Shaw，A. Nüchter，一种用于具有挑战性道路场景的自主车辆导航的传感器融合可驾驶区域和车道检测系统，IEEE Trans. Veh. Technol. 63（2）（2014）540-555。[8] S.卡托角，澳-地Tomita，S.林明，基于视觉的车辆换道控制，载于 ： 智 能 交 通 系 统 ， 1997 。 ITSC'97. ， IEEEConference on ，IEEE，1997，pp. 129比134[9] 联合Franke，D. Gavrila，S. Gorzig，F. Lindner，F.普措尔德角Wohler ， Autonomous Driving Goes Downtown ， IEEE Intell 。 13（6）（1998）40-48。[10] W. Liu，X.温湾，澳-地Duan，H. Yuan，N. Wang，用于车道变换辅助的后方车辆检测和跟踪，在：智能车辆研讨会，2007IEEE，IEEE，2007，pp. 252-257[11] Z. Shiller，S.孙达，自动驾驶车辆的紧急换道机动，J. Dyn.系统测量。对照120（1）（1998）37-44。[12] M. Ruder，W.恩克尔曼河高晓松，高速公路变道辅助系统，载于：智能汽车研讨会，2002年。IEEE，第1卷，IEEE，2002年，pp.240-244[13] C.哈蒂波奥卢湖Ozguner，K.A.自动变道控制器设计，IEEE Trans.内特尔运输单系统4（1）（2003）13[14] R. 马 里 诺 ， S. Scalzi ， M. Netto ， Nested pid steering control forlanekeeping in autonomous vehicles ， Control Eng.Pract.19 （ 12 ）（2011）1459-1467。[15] J.E.纳兰霍角冈萨雷斯河，巴西-地加西亚，T. De Pedro，自动驾驶车辆超车的车道变换模糊控制，IEEETrans. 内特尔运输单系统9（3）（2008）438。226G. 彼得湾。 吻和V。中国国际信息通信技术展览会第五届（2019）219[16] Y.杜，Y.王角Y. Chan，Autonomous lane-change controllervia mixedlogical dynamic，in：Intelligent Transportation Systems（ITSC），2014 IEEE 17th International Conference on，IEEE，2014，pp. 1154-1159.[17] C.M. Kang，Y.S. Gu，S.J. Jeon，Y.S.儿子，W。金，S.- H. Lee，C.C. Chung，高速公路自动变道系统的横向控制系统，SAE Int. J.Passenger Cars-Mech. Syst. 9（2016-01-1641）（2016）877-884。[18] M. Bujarbaruah，Z. Ercan，V. Ivanovic，H.E. Tseng，F. Borrelli，基于扭矩的车道变换辅助与主动前轮转向，在：智能交通系统（ITSC），2017年IEEE第20届国际会议，IEEE，2017年，第 10 0页。1比6[19] L. Hobert，A.费斯塔格岛利拉泽尔湖Altomare，F. Visintainer，A.Ko-vacs，增强v2x通信以支持协作自动驾驶，IEEE Commun。麦格53（12）（2015）64[20] F.你，RZhang，G.Lie，H.Wang，H.Wen，J.Xu，基于协同车辆基础设施系统的自主变道机动的轨迹规划和跟踪控制，专家系统应用42（14）（2015）5932-5946。[21] A.锡伊湖Buttyan，Z. Szalay，Hacking Cars in the Style of Stuxnet，2015.[22] C.F. Karney，精度为几纳米的横轴墨卡托，J。Geod. 85（8）（2011）475[23] J. Berner，T. Hägglund，K. J. Paström，具有相位和幅度裕度规格的简单调节器的自动调谐，ControlEng. Pract. 54（2016）231-245.[24] A. Barsi，V. Poto，A. Somogyi，T. Lovas，V. Tihanyi，Z. Szalay，通过创建高清地图来支持自动驾驶汽车，Prod。 Eng.Arch.16（2017）.