文丨高工
汽車主機廠ADAS研發人員
前面有篇文章講到過HWA高速公路輔助，使用場景主要是針對高速。而我們今天要說的TJA呢，主要是針對低速。二者的分屬於高/低速的L2級自動駕駛範疇。
複習一下：目前的L2級功能主要有兩類：一類是單車道內的自動駕駛，如ICA（IACC）整合式自適應巡航、TJA交通擁堵輔助；一類是支援指令式變道的自動駕駛，如HWA高速公路輔助駕駛。
也就是說HWA與TJA除了有速度的使用場景不同之外，還有一個區分點：
HWA：可變道的輔助駕駛
TJA：單車道內的輔助駕駛
表：L2級自動駕駛代表功能
一、TJA交通擁堵輔助功能= ACC（速度在60km/h以下）+LKA（橫向控制）
適用車況：TJA的工作速度區間是0-60km/h。
TJA和ICA在大部分工況下可認為是“ACC + LKA”的功能組合，僅在60 km/h以下速度區間存在一定差別。
1) TJA的功能
TJA的工作速度區間為（0~60）km/h，在此速度範圍內可為駕駛員提供車輛的縱向和橫向輔助。TJA的縱向輔助由ACC系統實現，用於將自身車輛維持在固定的車速或者與前方道路使用者的固定時距行駛。
TJA不允許駕駛員長時間脫手駕駛，在駕駛員接管的環境下（例如轉彎、路口、並道、前方車輛切入等），駕駛員需全權負責車輛的駕駛。
這個時候，縱向的輔助控制同樣由ACC功能實現；
具體表現是當前車行駛的時候，本車就可以跟走，前車停的時候，本車就能隨之停下來，在3S內，前車起步，本車也能自動啟動跟車，如果停車時間超過了3s，司機只需要輕踩下油門踏板，車就會起步了。但在過急彎道、路口、並道或者前方有車輛變道切入，司機需要負責接管車輛。
TJA的橫向輔助策略為：如果車道線存在，車輛會被維持在車道之內行駛，否則車輛會跟隨前方車輛的橫向移動行駛。橫向的控制由TJA車道保持輔助功能來實現（LKS可以理解成控制方向盤轉向）。如果車道線存在並且被成功識別，則保持在當前車道線內行駛，或者跟隨前方車輛的橫向軌跡移動。
TJA交通擁堵輔助主要是為了適用在城市工況下，環境非常複雜，功能實現的難度也更大。但實際我們在低速的城市工況中，太多太多複雜的狀況，比如突然橫插進來的車輛、騎腳踏車的摩托車或者腳踏車，又或者前面道路損耗有大坑、前面車道上有石塊、垃圾、動物屍體等等靜止的障礙物。
當然，有廠家的車型可能會增加一些識別方案，對汽車、行人之外的靜止物體進行探測識別，這樣的技術難度和複雜度大大提高，最重要的是成本會增加。
所以，應用較多也比較早的 ACC多是針對高速巡航下，因為工況相對簡單，用起來體驗也會相對好一點（在一些智慧駕駛輔助系統低於L2的車輛上，大家一般不願意在低速下使用，就是這個道理）。而低速區間的城市工況太複雜，TJA交通擁堵輔助系統實現難度更大。因此，可以理解成帶TJA的智慧輔助駕駛等級是高於L2級的。
2) ICA的功能（僅作補充參考使用，只想理解TJA可以忽略此段）
ICA的工作速度區間為60km/h以上，在此速度範圍內為駕駛員提供車輛的縱向和橫向輔助。ICA的縱向輔助同樣由ACC系統實現，可將自身車輛維持在固定的車速或者與前方道路使用者的固定時距行駛。ICA的橫向輔助策略與TJA不同，ICA始終將車輛維持在車道中心附近行駛，不具備無車道線時的跟車功能。
ICA同樣不允許駕駛員長時間脫手駕駛，在駕駛員接管的環境下（例如轉彎、路口、並道、前方車輛切入等），駕駛員需全權負責車輛的駕駛。
二、 TJA和ICA的控制原理
TJA和ICA採用了“前視攝像頭FCM + 前毫米波雷達FRM”的1R1V感測器資料融合方案，其控制系統架構見下圖。
總體來說，TJA的軌跡預測過程包括對於靜態環境估計（如車道模型），環境過程估計（一般指車道環境中行駛的車輛），此外，還包括附加感測器（諸如導航資訊、環視攝像頭資訊等）對TJA估計過程的最佳化。
靜態環境估計
靜態環境估計一般指對於行駛車道模型估計，車道模型的一般估計方法是採用拋物線形式進行，而以自車座標為原點建立的車道拋物線模型表示為
該拋物線只有兩個引數，其求解過程是透過在實際估計過程中對道路模型中的兩個實際障礙點的探測，其結果便可帶入到拋物線中進行二引數方程求解。同時透過不斷更新的實際點帶入方程求解後獲得不同的方程引數解，對方程解的評價過程是利用直方圖描述其求解質量的，若實際探測到的前方目標位置與預測軌跡曲線差值不具有一致性，那麼相應的直方圖分佈就比較零散，不具有集中分佈的特性。直方圖具有收斂一致性時，說明求解的拋物線方程是有效的。
如下圖表示採用了靜態環境估計模型利用不同探測點對於車道曲線模型進行估計的結果。可以看出，其中紅色的估計曲線模型具有最好的質量權重，其軌跡結果最符合預期。
動態過程估計
動態過程估計是指對於目標車輛的行駛軌跡預測，有兩種不同的計算TJA行駛軌跡的方法，其一是關注附近運動車輛的位置，而另一個涉及車道標記。由於環境探測過程中不止一輛車，因此相應的估計過程包含如下幾個步驟：
1）感測器探測到環境中的所有車輛目標，TJA系統模型對於所有運動車輛的歷史軌跡進行估算；
2）選擇自車前方對應的車輛作為跟隨目標，且該對應前方車輛需要去除對向來車對本車軌跡估計的影響；
3）採用如上提到的曲線模型對實際探測到的同向行駛車輛進行軌跡預測，並對於預測結果進行分組；
4）計算估計軌跡質量，質量評估採用權重分配，權重最高的最為軌跡曲線的計算結果；
如下圖表示了對於前方車輛以及側前方車輛按照實時打點進行估計的結果，其中前方車輛的行駛軌跡在預測中最能擬合出一條一致性曲線，因刺激具備較好的質量以及連續性。由此可以暫時摒除旁邊車道車輛對本車道的影響。
最後，補充一點很現實的問題——由於ADAS車輛的攝像頭通常安裝在擋風玻璃後方，故前方較低速的相鄰車輛通常會遮擋當前車輛攝像頭對目標車道線的檢測，而在交通擁堵的情況下，前方車輛的探測資訊對於當前車輛的軌跡預測規劃則更可靠、更穩定。因此，這種情況下應該在車道線消失點繼續跟隨可探測的前車保持橫向對中行駛。此外，在很多低速情況下，當其前視攝像頭探測視野範圍受阻，則可以利用在泊車控制中的環視攝像頭進行道線探測，並維持車輛對中到車道中央繼續行進，因為環視攝像頭的探測距離和探測範圍有限，因此該策略僅適合於跟隨前車停走狀態下的低速行駛，配合跟車軌跡行駛控制，可以進一步延長擁堵狀態下的橫向控制時間。
-END-
關注《無人駕駛俱樂部》，讓你更懂汽車無人駕駛技術！
