關于自適應巡航控制系統(tǒng)研究的國內外文獻綜述1.1自適應巡航控制系統(tǒng)簡介ACC的系統(tǒng)組成見下圖1.6。圖STYLEREF1\s1.SEQ圖\*ARABIC\s16ACC系統(tǒng)組成ACC由感知單元、決策單元和控制單元組成，感知單元包括雷達等傳感器用于測量自車與前車相對距離、相對速度、自車速度和轉角等信息；控制單元ECU進行決策和控制，選擇行駛方式，并發(fā)出控制指令；執(zhí)行單元用于實現(xiàn)車輛速度/加速度控制、起/停控制和報警等功能。1.2毫米波雷達工作原理毫米波雷達是ACC的重要傳感器，雷達系統(tǒng)通過輻射電磁波和接收物體反射的電磁波來探測和定位目標，其工作過程主要如下：雷達天線通過特定波形的電磁波，在有效輻射范圍內對目標進行捕獲，目標電磁波向多個方向反射，并將一部分能量由雷達接收天線返回，并經過放大、信號處理等過程，計算出最終目標相對于雷達的位置、運動速度、方位等信息。1.3毫米波雷達在ACC中的作用毫米波雷達在ACC中起到的主要作用有運動狀態(tài)測量、目標識別和目標跟蹤。目標識別和跟蹤是ACC的重要問題，前方目標的識別和跟蹤效果依賴于傳感器的采集到的信息以及對信息的利用和處理。（1）運動狀態(tài)測量吉林大學的高振海REF_Ref73567421\r\h[8]等人考慮了地面車輛運動以地表平面上二維運動為主、機動性小、跟蹤坐標系運動的特點，考慮到系統(tǒng)過程噪聲及雷達等車載傳感器觀測噪聲的統(tǒng)計特性難以事先確定的問題，建立了基于車載雷達運動坐標系的前方目標的運動狀態(tài)模型和完整運動狀態(tài)觀測模型，采用自適應卡爾曼濾波算法實現(xiàn)了前方目標的側縱向速度和側縱向位置等運動狀態(tài)的完備準確實時估計。①前方目標的運動狀態(tài)模型（前方目標在車載雷達運動坐標系中的運動方程）：x公式(STYLEREF1\s1SEQ公式\*ARABIC\s12)式中，xobj_Rt、xobj_Rt和xobj_Rt分別為前方目標在車載雷達運動坐標系中的距離、速度和加速度。xt、xt和xt分別為前方目標在大地坐標系下的位置、速度和加速度。x0②前方目標狀態(tài)估計的狀態(tài)模型和量測模型：x公式(STYLEREF1\s1SEQ公式\*ARABIC\s13)Φ=1TΦ為系統(tǒng)狀態(tài)轉移矩陣，G為系統(tǒng)噪聲系數矩陣，T是采樣時間間隔，狀態(tài)向量x=x，x，x，前方目標運動狀態(tài)的觀測方程：z公式(STYLEREF1\s1SEQ公式\*ARABIC\s14)H式中：zk為觀測向量；vk為高斯白噪聲序列，vt=v③自適應卡爾曼濾波算法及其濾波方程：圖STYLEREF1\s1.SEQ圖\*ARABIC\s17自適應卡爾曼濾波算法及其濾波方程x(k)和y(k)為k時刻的狀態(tài)向量和量測向量；A為系統(tǒng)狀態(tài)轉移矩陣；H為輸出狀態(tài)矩陣；K(k)為卡爾曼增益矩陣；P為預測協(xié)方差矩陣；q(k)、Q(k)分別為系統(tǒng)噪聲的均值和自協(xié)方差矩陣；r(k)、R(k)分別為觀測噪聲的均值和自協(xié)方差矩陣。b為遺忘因子（0<b<1），采用遺忘因子可以限制濾波器的記憶長度，加大信息數據對估計的作用。（2）目標識別清華大學的劉志峰REF_Ref73567441\r\h[9]等人在分析測量環(huán)境的基礎上,使用同車道最近目標的準則進行目標初選,使用Kalman濾波方法進行目標的有效性檢驗,并使用有效目標生命周期來進行目標決策。圖STYLEREF1\s1.SEQ圖\*ARABIC\s18目標的有效性檢驗和決策流程圖試驗證明:該方法能夠適應多種典型工況,有效排除虛假目標、干擾目標及車輛顛簸和擺動的影響,能正確地挑選并穩(wěn)定地跟蹤有效目標,具有一定魯棒性。此外，針對彎道進/出情況，清華大學的DzhangREF_Ref66718953\r\h[10]提出了一種基于雷達的弧形道路目標車輛識別與跟蹤的新算法，利用單擺線路面模型估計了前車與前車之間的相對橫向距離，用t-檢驗算法對曲線上的主車道和相鄰車道的前車進行了區(qū)分。吉林大學的JiangchaoShiREF_Ref66719007\r\h[11]提出了一種利用車輛軌跡半徑識別前方目標車輛的方法，并通過仿真驗證了曲線目標識別算法和切換邏輯的可行性。（3）目標跟蹤吉林大學的ShipingSongREF_Ref73567494\r\h[12]提出了毫米波雷達對于目標車輛的跟蹤算法框架。圖STYLEREF1\s1.SEQ圖\*ARABIC\s19毫米波雷達目標跟蹤算法框圖首先對雷達目標測量數據進行預處理，使用基于毫米波雷達探測參數的數據進行可信度判斷，消除毫米波雷達探測范圍外的目標測量信息。利用曼哈頓距離對目標進行聚類，消除雜波干擾，將多個目標測量聚為一個目標。其次，利用最近鄰法進行數據關聯(lián)，以確定雷達接收到的測量信息與真實目標之間的對應關系。由于測量噪聲的統(tǒng)計特性難以確定，采用改進的自適應擴展卡爾曼濾波(IAEKF)算法對運動狀態(tài)進行跟蹤和優(yōu)化。同濟大學的LiboHuangREF_Ref73567524\r\h[13]考慮距離分辨率和速度分辨率對多目標跟蹤的影響，提出了一種適用于汽車雷達的極坐標卡爾曼濾波方法，該方法可以方便地將雷達測得的目標縱向速度、距離和方位角的測量值置于極坐標中。在此基礎上，考慮雷達對目標距離、縱向速度和方位角的不同測量精度，提出了一種適用于汽車雷達的多目標跟蹤系統(tǒng)。圖STYLEREF1\s1.SEQ圖\*ARABIC\s110多目標跟蹤算法框圖濾波方程：X公式(STYLEREF1\s1SEQ公式\*ARABIC\s15)Hn=Xn,n?是估計的目標狀態(tài)，Xn,n?1?是預測的目標狀態(tài)，Yn是測量向量，Hn為權重方程，M為觀察矩陣，Rn德科電子有限公司的JanK.SchiffmannREF_Ref73575868\r\h[14]提出了一種基于目標運動歷史的連續(xù)估計目標前方道路曲率的方法，該算法利用前車的觀測軌跡來確定前方道路的形狀和主車道的方向，從而提高目標車道的確定精度。偉世通亞太的ShunjiMiyaharaREF_Ref66719119\r\h[15]提出了一種在非均勻條件下基于相位圖上方位角和相對速度之間的軌跡跟蹤目標車輛的新方法。（4）總結毫米波雷達是ACC的重要組成元件。毫米波雷達在ACC中起到的主要作用有運動狀態(tài)測量、目標識別和目標跟蹤。目前在此方面的研究重點都在于改善ACC的性能，提升測量的實時性和準確性、目標識別與跟蹤的效果，但是對于ACC中出現(xiàn)的SOTIF問題考慮較少。1.4毫米波雷達的SOTIF問題毫米波雷達的性能受降雨、降雪、霧氣和地面的影響。（1）降雨對毫米波雷達性能的影響西安電子科技大學的YangRuikeREF_Ref66718533\r\h[16]等人研究了雨后向散射增強對毫米波雷達探測性能的影響，使用增強理論和Mie理論計算雨的后向散射。結果表明，考慮到雨的反向散射增強，毫米波雷達的信噪比明顯降低，雜波噪聲比提高。Mie理論：σ公式(STYLEREF1\s1SEQ公式\*ARABIC\s16)σ公式(STYLEREF1\s1SEQ公式\*ARABIC\s17)an和b后向散射增強理論：實際波數K=k+2π公式(STYLEREF1\s1SEQ公式\*ARABIC\s18)k為真空波數；N0為每單位體積的粒子數；F為復合散射幅度；粒子濃度很小，K'近似等于k；衰減率K''K公式(STYLEREF1\s1SEQ公式\*ARABIC\s19)實際的入射和散射波數K公式(STYLEREF1\s1SEQ公式\*ARABIC\s110)K公式(STYLEREF1\s1SEQ公式\*ARABIC\s111)Kiz≈降雨條件下的目標雷達方程P公式(STYLEREF1\s1SEQ公式\*ARABIC\s112)Pt為雷達系統(tǒng)發(fā)設功率，e?0.46A為降雨衰減因子，G為雷達天線增益，λ為雷達系統(tǒng)波長，Ls考慮后向散射增強的雨雜波功率P公式(STYLEREF1\s1SEQ公式\*ARABIC\s113)IL(1)、信雜比S/C=公式(STYLEREF1\s1SEQ公式\*ARABIC\s114)信噪比S/N=公式(STYLEREF1\s1SEQ公式\*ARABIC\s115)σ為目標雷達截面，Te為等價噪聲溫度，Bn為噪聲帶寬，此外，代爾夫特理工大學的RossizaGourovaREF_Ref73575968\r\h[17]對兩個近距離的不同波束寬度的雨水反向散射進行了理論分析。達姆施塔特工業(yè)大學的AlebelArageREF_Ref66718561\r\h[18]通過理論分析和實際測量表明，在雨雪天氣條件下，天線透鏡或天線罩表面水膜的形成對汽車遠程雷達的性能有很大的限制。電介質材料如冰層，吸收系數可以忽略不計，對汽車雷達傳感器性能的影響一般較小。（2）降雪對毫米波雷達性能的影響麻省理工學院的K.H.DingREF_Ref73576000\r\h[19]提出了時變積雪對雷達后向散射特征的影響的研究，為了計算積雪的反向散射系數，采用了具有簇狀雪粒微觀結構的致密介質輻射傳輸（DMRT）理論。然后，該耦合模型用于預測環(huán)境變化對毫米波雷達響應的影響，并將模擬結果與積雪反向散射測量結果進行比較。DMRT方程：&公式(STYLEREF1\s1SEQ公式\*ARABIC\s116)θ為海拔角0<θ<π；Il(θ,?,z)為角度(θ,?)下的Stokes向量；κel為實際消失率；Plθ,?;&公式(STYLEREF1\s1SEQ公式\*ARABIC\s117)散射層的強度被分為向上強度Il+θl,?l,z和向下強度Il?π?θl,?l,z；Tl(l+1)θ圖STYLEREF1\s1.SEQ圖\*ARABIC\s111多層雪介質原理圖此外，中國電波傳播研究所青島分所的張在峰REF_Ref73576038\r\h[20]對35、94和140GHz三個典型頻率干雪和潮濕雪的衰減率和反射率進行了計算,從而考察了干雪和潮濕雪對毫米波雷達性能的影響。金澤大學的KeisukeYonedaREF_Ref73576051\r\h[21]通過對誤差傳播的不確定性進行建模，開發(fā)了一種受降雪影響較小的基于毫米波雷達的地圖生成方法和實時定位方法。（3）霧天對毫米波雷達性能的影響南京大學的LinLinREF_Ref73576063\r\h[22]提出了霧霾的衰減效應和毫米波傳播過程中大氣衰減的計算模型。并基于該模型計算毫米波傳播的總衰減。通過對有霧和朦朧天氣的仿真分析，研究了雷達探測中非大氣窗帶中毫米波系統(tǒng)的抗探測性能和抗有源干擾特性。霧衰減系數&α=4.343×公式(STYLEREF1\s1SEQ公式\*ARABIC\s118)k是真空中的傳播常數，k=2πf/c；ε水的復介電常數，ε'和ε''是ε的實部和虛部；n(r)單位體積和單位半徑區(qū)間內液滴的數量；霾衰減系數α公式(STYLEREF1\s1SEQ公式\*ARABIC\s119)μ是物質密度，ρ是粒子密度，D是粒子直徑。此外，伊利諾伊大學厄巴納-香檳分校的JunfengGuanREF_Ref73576092\r\h[23]提出了一種可以在低能見度條件下（例如大霧中）改善毫米波雷達的性能的HawkEye系統(tǒng)，該系統(tǒng)利用cGAN架構將毫米波從原始的低分辨率毫米波熱圖中恢復高頻。（4）地面對毫米波雷達性能的影響東風汽車公司技術中心的楊航REF_Ref66718191\r\h[24]針對L3級自動駕駛車輛所配備的77GHz長距毫米波雷達和中距毫米波雷達在感知識別中的主要問題進行了分析，并對毫米波雷達與整車系統(tǒng)適配過程中存在的兩類問題提出了解決措施。一是在毫米波雷達與整車系統(tǒng)的適配過程中，需考量車身材質和形狀對其回波的干擾；二是結合車速、應用場景對雷達輸出信息進行濾波，減少虛警和誤報，使雷達系統(tǒng)獲得更穩(wěn)定、準確的感知結果。車輛顛簸導致俯仰角發(fā)生變化，這會使雷達將來自路面的回波作為目標輸出，針對此類虛警問題，對雷達信號讀取程序進行修改，增加前后幀濾波判定，將斷續(xù)出現(xiàn)在路面中間的閃現(xiàn)目標過濾。圖STYLEREF1\s1.SEQ圖\*ARABIC\s112濾波算法流程中距毫米波雷達角分辨率相對較低，其無法返回物體的寬度信息。對于長條、連續(xù)出現(xiàn)的障礙物，中距毫米波雷達將識別為多個回波點并輸出。根據毫米波雷達感知特性，真實存在的障礙物周圍回波密度及回波出現(xiàn)概率高。目標回波與地面雜波及目標跳變雜波混雜，使用聚類算法對原始數據進行處理。圖STYLEREF1\s1.SEQ圖\*ARABIC\s113聚類算法流程此外，哈爾濱工業(yè)大學的張厚元REF_Ref73576139\r\h[25]通過設置合理閾值對地面雜波及前上方橫桿檢測進行抑制。南京理工大學的劉宇REF_Ref73576148\r\h[26]對毫米波LFMCW雷達雜波抑制方法及恒虛警檢測技術進行了研究，針對LFMCW雷達的二維R-D譜提出了一種改進的2D-VI-CFAR檢測器。（5）總結毫米波雷達的性能受降雨、降雪、霧和地面等多種因素的影響，現(xiàn)有的研究主要集中在研究各種惡劣條件對毫米波雷達性能的影響分析。針對毫米波雷達本身性能的缺陷，提出的改進方案較少。對于毫米波雷達出現(xiàn)的SOTIF問題考慮較少，也未結合毫米波雷達在ACC系統(tǒng)中的作用進行分析，沒有進一步分析毫米波雷達的某種缺陷對于ACC系統(tǒng)的影響。參考文獻ISO.SafetyoftheIntendedFunctionality：ISO/PAS21448:2019[S].Geneva:ISO,2019.LurieO,MillerJ.HazardAnalysisandRiskAssessmentbeyondISO26262:ManagementofComplexityViaParametrization[J].SAETechnicalPaper,2018,01:1067.HouZ,LiuH,ZhangY.Zero-dayVulnerabilityInspiredHazardAssessmentforAutonomousDrivingVehicles[C]//2019IEEE19thInternationalConferenceonCommunicationTechnology(ICCT).IEEE,2019.ZhangX,ShaoW,ZhouM,etal.Ascenecomprehensivesafetyevaluationmethodbasedonbinocularcamera[J].RoboticsandAutonomousSystems,2020,128:103503.MartinH,WinklerB,S.Grubmüller,etal.Identificationofperformancelimitationsofsensingtechnologiesforautomateddriving[C]//2019IEEEInternationalConferenceonConnectedVehiclesandExpo(ICCVE).IEEE,2019.尚世亮,童菲,郭夢鴿,等.基于駕駛員信心度的SOTIF評價模型建立與試驗[J].機械設計與研究,2020,v.36;No.186(02):128-131.GuoM,ShangS,HaifengC,etal.ControlModelofAutomatedDrivingSystemsBasedonSOTIFEvaluation[C]//WCXSAEWorldCongressExperience.2020.高振海,王竣,佟靜,等.車載毫米波雷達對前方目標的運動狀態(tài)估計[J].吉林大學學報(工學版),44(06):1537-1544.（可英文）劉志峰,王建強,李克強.具有魯棒特性的車載雷達有效目標確定方法[J].清華大學學報:自然科學版,2008(05):875-878.ZhangD,LiK,WangJ.Radar-basedtargetidentificationandtrackingonacurvedroad[J].ProceedingsoftheInstitutionofMechanicalEngineersPartDJournalofAutomobileEngineering,2012,226(1):39-47.ShiJ,WuJ.R