初宏伟 张颖

（1.长春汽车工业高等专科学校，长春 130013；2.一汽-大众汽车有限公司，长春 130013）

主题词：自动驾驶汽车 多传感器 状态估计 执行机构故障 卡尔曼滤波

1 前言

自动驾驶感知系统的性能多依赖于其所配置的传感器硬件方案及相应的汽车状态估计方法。现有自动驾驶汽车所配置的传感器包括惯性导航系统（Inertial Navigation System，INS）、全球定位系统（Global Positioning System，GPS）、雷达、光学传感器等。

以轮胎侧向力传感器为数据源，文献[5]、文献[6]采用递归最小二乘方法估计侧向车速，但因对环境噪声存在高斯噪声假设，其跟踪存在一定时延。文献[7]通过车速传感器的信号，采用龙伯格（Luenberger）观测器法实现了道路坡度的估计。文献[8]采用扩展卡尔曼滤波器实现了车轮侧偏角的估计，但噪声信息未知导致其状态估计存在一定偏差。文献[9]采用无迹卡尔曼滤波器实现了汽车速度估计，并在BMW5上进行了实车试验，纵、侧向速度跟踪较好。

单一传感器量测的可靠性相对较差，而采用不同传感器能够实现信息融合，从而获得更为精准的目标信息。目前，欧盟已开始研究雷达与光学传感器的融合技术。在国内，潘璞利用全球导航卫星系统（Global Navigation Satellite System，GNSS）/INS 组合导航系统设计了自适应卡尔曼滤波方法实现自动驾驶汽车的姿态解算。沈峥楠融合超声波雷达和可见光摄像头实现了车位几何信息识别。彭文正等采用迭代扩展卡尔曼滤波算法融合了惯性测量单元（Inertial Measurement Unit，IMU）、GPS、相机等信息，实现了车辆的定位和速度观测。刘志在深度学习框架下实现了多源信息的深度融合。……