主题：【原创】汽车安全技术杂谈-主动安全技术（序） -- 波波粥

可以说车用电子元件的可靠性要求仅次于军用级元件的要求。为汽车开发一个半导体产品费时几年是常事，时间主要都用在各种可靠性测试方面了。一旦装车，这些元件需要在非常严酷的环境（高低温、湿度、盐度、振动，等等）下可靠工作十多二十年。车子能跑多久，它们就要可靠多久。如果是涉及安全的元件就更加不得了。

对于汽车商来说，采用新元件、新厂商是劳神费力的工作。一旦证实性能，他们会长期使用一家的产品。同可靠性相比，成本不是那么敏感。这是跟消费类电子产品差别很大的地方。

所以综合起来看，这个行业进入门槛很高，当然回报也很不错，最后寡头化也是在所难免。

那个Lexus的LS600貌似开出线了能自动打方向调整回来，还有自动平行泊车，很好玩阿

用的是Laser Scanner.设定的是Time Headway就是去前车的距离等于本车车速乘以Time Headway.

主动安全技术进入市场的另外一个障碍就是法律。如果车子take over,将来打起官司来就麻烦了。所以，汽车生产厂家都叫他们driver assist system

上一篇说到，由于ACC技术的发展，汽车也变得更加“聪明”起来，未来的无人驾驶汽车并不是梦，但同时对于汽车控制系统的要求是越来越高了。由于汽车行驶动力学的高度非线性特征和行驶工况和周围环境的复杂多变,要实现汽车自动驾驶的精确控制,势必涉及汽车强非线性特征和非线性控制理论及其相应技术。在控制领域的研究课题中，不确定性系统的控制问题长期以来都是控制理论研究的中心主题之一，但是这个问题一直没有得到有效的解决。因为目前无论是经典控制理论还是现代控制理论多利用数学解析的方法，都必须知道被控系统的数学模型，在面对非线性系统控制问题时,多采用对被控系统进行等效线性化的方法,建立一阶或二阶等效线性模型，并进行模型的参数辨识。但这种方法由于参数辨识过程的引入，运算量极大，且随着系统非线性的加剧，精度会变得很差。

呵呵，汽车想要变成机器人，那么就要向人学习嘛，汽车的传感器就像人体的感知器官，中央电脑就相当于人的大脑，我们把这一系统称为“神经网络”，利用神经网络的学习能力，使它在对不确定性系统的控制过程中自动学习系统的特性，从而自动适应系统随时间的特性变异，以求达到对系统的最优控制；显然这是一种十分振奋人心的意向和方法。

在河里，润树河友对于化工控制过程中的神经网络应用有过很精彩的帖子，大家可以看看

润树:【原创】7. 神经网络及其应用

我不是搞自动化出身，不过在汽车行驶运动学方面和一位数学家短期工作过，对神经网络在汽车自动控制方面的应用有点粗浅的认识，呵呵，希望能够引出大家的玉来。

简单来说，神经网络的基本属包括：

非线性，人脑的思维是非线性的，故人工神经网络模拟人的思维也应是非线性的。

非局域性，非局域性是人的神经系统的一个特性，人的整体行为是非局域性的最明显体现。神经网络以大量的神经元连接模拟人脑的非局域性，它的分布存储是非局域性的一种表现。

非定常性，神经网络是模拟人脑思维运动的动力学系统，它可以按照不同时刻的外界刺激对自己的功能进行修改，故而它是一个时变的系统。

非凸性，神经网络的非凸性即是指它有多个极值，也即系统具有不只一个的较稳定的平衡状态。这种属性会使系统的演化多样化。

在汽车控制领域，我们可以使用一种“BP网络”。所谓“BP(Back Propagation)网络”是一种多层前向网络，采用最小均方差学习方式。

神经网络的学习：

典型的三层前向神经网络：

汽车控制系统的难点在于汽车侧向运动（汽车运动也呈现三维状态：俯仰运动，滚转运动，横摆运动。汽车侧向运动是一个合成运动），由于汽车轮胎及转向系统都具有高度非线性且参数时变特征,尤其是汽车高速行驶工况下轮胎力学特性呈现出严重的非稳态非线性特性。哈哈，说了这么多的“汽车侧向运动的非线性，非稳态”，大家可能也是看得一头雾水吧，简单来说，我们转动方向盘，汽车行驶方向应该服从方向盘转角的变化，可是在实际行驶中，方向盘转角引起了汽车侧向运动加速度的动态变化，方向盘转角输入都有相应的侧向加速度与之一一对应。从汽车运动学的角度来看，汽车的侧向位置又是由当前汽车的运动状态(在当前控制周期内，汽车的位置、速度和加速度已知且固定)和因方向盘转角输入引起的汽车侧向运动加速度的变化所决定。所以，汽车的转向角度并不是严格服从我们的“指令”。因此,汽车的侧向运动控制实质上就是汽车侧向加速度的控制。

具体来说，我们需要建立一个方向盘转角控制器。根据汽车侧向运动动力学特性，建立从理想侧向加速度到实际方向盘转角的模型，进而将该转角输入到汽车动力学系统中，得到实际的侧向加速度等汽车状态输出。控制器包括两个控制回路：内环由常规PID控制器和被控对象(汽车侧向运动动力学模型)组成，PID控制器直接对汽车进行闭环控制。外环由BP神经网络实现PID控制器的参数自整定计算，即将神经网络的输出层神经元的输出定义为PID控制器的三个可调参数，从而通过BP学习算法调整神经网络的加权系数，最终找到在跟踪误差最小原则下的PID控制器参数。这样，我们可以通过这个“自主学习”的控制系统在行驶中不断的调整汽车的行驶轨迹，从而达到保持预设行驶路线或者自动避让障碍物的效果。

在这里，哗啦哗啦的说了一大通汽车行驶运动学的名词出来，把大家看得是晕头转向。我本来以为可以把这篇神经网络讲得有趣些，结果发现是写得前所未有的枯燥，我也在烦恼中。。。

下篇预告：汽车行驶运动学和ESP

好像越写越多了

Is it just one example or the universal way to implement the controller?

汽车运动学控制的神经网络的模型现在提出来的很多，这个模型只是当时我们做的工作的一部分（简化模型），更复杂的还很多。用这两个回路控制，我们当时只能实现低速下的直线行驶和转向。

真是看怕了。以前的导师就是搞这东西的，硬着头皮学了一些。差点儿没疯了。最后还是放弃了。

问个别的问题，汽车智能控制里面有没有针对对车后面的情况进行控制的？比如说，如果后面车太近了，给个提示什么的。

十年以前，用最简单的PID就可以实现高速下的high g maneuver。现在实现自动驾驶的难点是

1.sensor fusion. 怎么利用已有的sensor感知周围环境包括lane boundary, 周围车的位置。如果是urban driving 还要加上pedestrian, traffic sign/light 等等等

2.decision making 根据sensor fusion 的信息决定什么时候换lane,什么时候转弯等等。DAPRA 的urban challenge 是个很好的例子

3.安全性和可靠性。汽车不能像飞机那样搞多余度控制系统。太贵了。steer-by-wire 做了那么多年也没有商业化就是个例子

李书福先生有一句名言：“无非就是四个轮子配一个方向盘，一个发动机加两张沙发。”这句名言广为流传，至今有多个版本，如“造汽车不就是四个轮子、两张沙发加一个铁壳吗？”呵呵，不管在哪个版本中，车轮总是有的，承蒙李书福先生看得起，对车轮这么重视。轮胎是汽车行驶的最基础部件，大家见过没有轮子的汽车么？（小声说，有的，有的，《小灵通漫游未来世界〉里的气垫汽车）

呵呵，大概小灵通坐的就是类似的气垫飞车吧。

言归正传，目前我们所接受的概念“汽车”，还是靠轮子在地上跑的，所以李先生这样重视轮胎是有道理的（说了一句废话，观众席上板砖齐飞）。汽车行驶运动学是汽车主动安全性能研究的重要方面，大家所熟知的ESP（Electronic Stability Program）就是通过影响汽车的操纵性能从而有效地防止汽车达到其动态极限时失控的系统。这里，轮胎扮演了极其重要的角色，汽车的行驶性能最终还是要通过汽车行驶轨迹来体现，这个“轨迹”，不就是轮胎压出来的么

“轮胎，轮胎”，既有“轮”又有“胎”，在这个帖子里，我更多的还是讲“胎”，“轮”更多的是和车轮悬挂系统相关。大家通常意义上理解的“轮胎”还是偏向“胎”的多一些。胎在汽车行驶中扮演了两个角色：在车辆和路面之间传递力；缓和汽车行驶时所受到的冲击，保证汽车有良好的乘座舒适性和行驶平顺性。

在我小时候，形形色色的轮胎最吸引我的就是轮胎上的花纹，可是，这些花纹有什么用呢？这里先卖个关子，提个问题：

[SIZE=3]在干燥路面上什么样的轮胎与路面磨擦力最大？[/SIZE]

a：直纹轮胎

b：块状花纹轮胎

c：没有花纹的轮胎

d：有花纹的轮胎，但花纹类型不属于a和b所描述的

呵呵，前三名将送上鲜花

（这朵花的样子和铁手的花很像的呢）

好象F1是这样的

狂晕！就打了两个字，沙发就没了！