基于仿真的鲁棒容错障碍物避让技术：应用于存在定位故障和多源不确定性的自动驾驶车辆

《Simulation Modelling Practice and Theory》：Simulation-Based Robust Fault-Tolerant Obstacle Avoidance for Autonomous Vehicles under Localization Faults and Multi-Source Uncertainties

针对前车打滑、定位故障及多源不确定性的主动障碍物规避难题，提出鲁棒容错框架，集成Riccati观测器补偿定位故障，Tube-MPC实现安全轨迹跟踪，硬件在环验证显示成功率从54%提升至96%，执行时间4.4ms。

　　

曹立鹏|何彦松|王永生|陈健|罗宇功

清华大学车辆与移动学院，北京，100084，中国

摘要

在自动驾驶车辆中，主动避障面临诸多挑战，这些挑战源于前车打滑、定位故障以及多源不确定性等因素的复合影响，这些因素可能危及车辆预期功能的安全性（Safety of the Intended Functionality，简称SOTIF）。本文提出了一种鲁棒且容错的框架，该框架将多个模块整合到一个统一的架构中。本文采用了一种先前开发的打滑轨迹预测方法来描述前车的运动状态，同时利用Riccati观测器来估计和补偿定位故障。不确定性主要从两个方面进行处理：一是本车自身的多源干扰（观测误差、执行误差、参数变化以及路径曲率变化）；二是周围车辆轨迹的预测不确定性。在规划阶段，通过五次多项式结合分离轴定理生成无碰撞轨迹，以考虑本车及周围车辆的不确定性。在控制阶段，基于管线的模型预测控制（Tube-MPC）控制器确保在有限的本车干扰下能够实现轨迹的鲁棒跟踪。在24种代表性场景下的硬件在环（HIL）验证表明，该方法的成功率从54%提升到了96%，同时保持了4.4毫秒的实时可行性。

引言

自动驾驶车辆在提高驾驶安全和交通效率方面具有巨大潜力。作为自动驾驶的关键功能，主动避障技术受到了广泛关注。该技术的实现包括感知、决策和控制等关键步骤。通过使用激光雷达（LiDAR）、摄像头和高精度地图（HD maps）等先进传感器，车辆能够准确感知环境中的障碍物及其自身运动状态[1]。随后，利用避障决策算法规划最优避障轨迹，并精确跟踪以实现安全避障。

如前所述，主动避障的实施涉及多个关键阶段，任何阶段的故障都可能导致严重后果。为提升自动驾驶车辆的安全性，提出了“预期功能的安全性”（SOTIF）概念，旨在减轻因功能规范不足或性能缺陷带来的风险[2]。

近年来，许多研究探索了自动驾驶车辆的容错和鲁棒避障控制方法。基于观测器的算法（如Riccati观测器和滑模观测器）被用于定位故障的检测和补偿[3,4]，而鲁棒模型预测控制策略则用于在有限干扰下提升车辆稳定性[5]。同时，自动驾驶车辆还需应对来自传感器观测噪声、执行器误差、系统参数变化和道路曲率变化等多源不确定性[6][7][8][9]；为此，概率滤波器（如卡尔曼滤波器和免疫卡尔曼滤波器）和集合论方法被广泛应用[10,11]。然而，现有方法大多孤立地处理这些因素，仅关注单一来源的不确定性或特定类型的故障，很少考虑它们在预测和规划过程中的联合传播和相互作用[12,13]。

因此，现有的主动避障方法无法充分考虑前车打滑、本车定位故障以及多源不确定性等复杂情况，从而暴露出规范上的不足。在这些条件下，前车打滑、本车定位故障以及传感器和执行器的多源不确定性会共同作用，导致主动避障系统难以规划和执行安全避障轨迹。

为克服这些挑战，本文提出了一种鲁棒且容错的主动避障框架，该框架同时考虑了定位故障和多源不确定性。通过硬件在环（HIL）仿真平台验证了该框架的有效性，该平台为前车打滑、定位故障和多源干扰等安全关键场景提供了真实且可控的测试环境。本文的主要贡献如下：1.

统一处理定位故障和多源不确定性的框架。提出了一种新框架，利用代数集合论和干扰不变集同时处理定位故障和多种不确定性源。

2.

集成Riccati观测器以实现实时故障检测和补偿。首次将Riccati观测器应用于避障流程，实现了安全关键控制回路中的实时故障检测和补偿。

3.

基于管线的模型预测控制（Tube-MPC）策略确保鲁棒且容错的避障控制。开发了一种基于Tube-MPC的控制策略，以在复杂干扰和故障场景下实现轨迹的鲁棒性和容错性。

4.

硬件在环实验验证了实际可行性。

进行了广泛的HIL实验，验证了所提出方法的有效性，弥合了仿真与实际应用之间的差距，并证明了其在不确定和易出故障的驾驶环境中的实际可行性。

本文的其余部分结构如下：第2节回顾相关研究，第3节介绍研究场景和车辆模型，第4节介绍所提出的鲁棒容错避障框架，第5节通过硬件在环实验验证该方法并讨论结果，第6节总结未来研究方向。

部分摘录

主动避障与多源不确定性

主动避障一直是自动驾驶研究的核心课题，是确保驾驶安全和SOTIF的关键手段。近期研究越来越多地关注在不确定条件下的鲁棒性和容错性提升。现有方法大致可分为基于规则的方法和基于学习的方法。基于规则的方法采用确定性规划和优化技术，例如时空车道变换规划[14]。

问题陈述与车辆模型

本节定义并描述了涉及前车打滑的主动避障场景，以及研究中涉及的自车和周围车辆的模型。

方法

在本节中，我们将讨论干扰不变集、控制不变集、最大正不变集、最大鲁棒正不变集、闵可夫斯基加法、切比雪夫减法和笛卡尔积等概念。由于篇幅限制，这些概念在此不再详细阐述，详细内容可参考[35]。

为了使本车能够在前车打滑且存在定位故障的复杂环境中主动避障

实验

在介绍实验设计和结果之前，先对仿真和HIL平台进行了验证和确认，以确保模型的准确性和可靠性。验证过程重点检查了关键状态变量和控制器输出的一致性，而确认则是通过将仿真动态响应与先前实验测试和参考仿真在相同操作条件下的结果进行比较来完成的。

结论

本文提出了一种鲁棒且容错的主动避障框架，该框架在轨迹规划和控制过程中明确处理了定位故障和多源不确定性。该框架整合了基于代数不变集的干扰模型、用于定位故障估计的Riccati观测器、基于五次多项式的轨迹规划（结合分离轴定理）以及Tube-MPC跟踪控制器。在规划阶段，

致谢

作者感谢重庆市自然科学基金项目、重庆市科学技术委员会（项目编号：CSTB2025NSCQ-BSX0004）的财政支持。