电子学

INPY，

品

基于模拟传感器的障碍物策略

使用速度分析对自动驾驶车辆 FURBOT 进行规避

海亚姆·马苏德 *，†

PMAR Robotics， DIME， 热那亚大学， 16126 热那亚， 意大利;molfino@dimec.unige.it （RM）;zoppi@dimec.unige.it （M.Z.）

* 通信方式：khayyam.masood@edu.unige.it; 电话：+39-3205304054

† 当前地址：Università di Genova， PMAR Robotics Group， DIME—Dipartimento di IngegneriaMeccanica， Energetica， Gestionale e dei Trasporti， Via all'Opera Pia， 15/a， 16145 Genova， Italy.

收稿日期： 2020-04-21 ; 录用日期： 2020-05-22; 出版日期： 26May 2020巴

摘要：货运城市机器人车辆 （FURBOT） 是一种自动驾驶车辆，旨在将最后一英里的货物运输到指定的城市站点。这是一款慢速车辆，旨在以完全自主的方式应对城市环境。慢速车辆的避障策略可能略有不同。与高速公路不同，它必须应对行人、红绿灯和速度较慢的车辆，同时保持行驶的平稳性。为了解决这辆车的避障问题，基于传感器反馈的策略已被模拟以实现平稳驾驶和避障。在MATLAB 环境中制定和仿真车辆的完整数学模型。数学模型使用速度控制来避障，而无需转向控制。避障是通过速度控制实现的，策略是通过速度剖析制定的。在创建模拟环境的 sens sory 反馈方面制定了创新技术。使用这些反馈，可以自主创建正确的速度曲线，从而为速度控制器提供宽容的速度曲线输入。接近测量被保证可用于给定行驶范围内的车辆。 新颖性是通过操纵速度曲线来实现的，而无需事先了解环境。 为车辆的仿真环境建模了四种不同类型的障碍物。这些障碍物被随机放置在车辆的路径中，并在仿真环境中验证自主速度分布。获得的仿真结果表明控制器输入的速度曲线令人满意。当前的技术有助于调整现有控制器和为自动驾驶汽车设计合适的速度控制器，并弥合传感器反馈和控制器输入之间的差距。此外，准确的输入分析减少了系统的压力，并为驾驶带来了更加平稳的环境。

关键词：速度剖析;传感器反馈;自主驱动;避障;障碍检测;FURBOT 公司

1.引言

由于对自动驾驶汽车的高需求，近年来，自动驾驶汽车，特别是避障方面的工作正在深入进行。在文献中，自动驾驶汽车的避障主要属于路径规划和转向控制类别 [1–8]。很少有文章提到避障，将障碍物的速度调整纳入计算 [24，9]。避障转向控制是一种很好的技术，特别适用于相对高速的车辆或需要在高速公路上避开障碍物的车辆[136]，但对于缓慢行驶的车辆，通常只有一条指定车道，这种方法是不可行的。

电子学 2020， 9， 883;doi：10.3390/electronics9060883www.mdpi.com/journal/electronics

从对自动驾驶汽车的研究可以清楚地看出，自动驾驶汽车的控制器选择是模型预测控制器或MPC[23，5–11]。这是因为MPC具有预测未来事件并相应地采取控制措施的能力，这与 PID控制器不同，PID 控制器不具备这种预测能力。马的研究人员使用MPC通过转向控制避障[23 5-8]，但是在参考文献[4]中有一个例外，其中MPC不仅用于通过转向控制避障，还用于在车辆意外机动的情况下控制车辆的速度。头。尽管 MPC 是许多人著名的自动驾驶汽车控制选择[10];但许多其他类型的控制算法HMS 也用于速度和转向控制。其中，突出了滑模控制器 [12] 和模糊逻辑控制[13，14]。同样，其他控制理论也用于自动驾驶汽车，具体取决于用户的选择和情况。

[10] 中给出的过去十年对自动驾驶汽车的展望也表明，很难将运动预测与车辆控制无缝集成。不仅如此，MPC 还报告了转向控制问题 [10]。因此，只有当我们可以在没有 MPC 帮助的情况下通过计算预测我们的 moti 时，为我们的车辆使用 PID 似乎是一个足够好的选择。过去十年对自动驾驶汽车的研究还表明，在解决意外障碍或解决常见的城市问题（例如交通信号灯）方面所做的工作很少。

自动驾驶汽车的大部分自动驾驶都围绕着巡航控制 [13，15]这对于高速行驶或高速公路行驶的车辆来说非常重要。Reference[6] 在车辆倾覆的意义上对高速车辆使用了额外的约束。相对较少约束的自动驾驶汽车不仅对自身有害，而且对环境也非常危险。最近完成的另一项有趣的工作是保持中心线，即中心线控制 [39，15]。这是自动驾驶的另一个非常关键的方面，尤其是在巡航控制方面。车道纪律是自动驾驶汽车的主要要求之一。对于全自主地面车辆 （AGV） 来说，实验避障很少见，然而，在 [16] 中，使用转向控制的 AGV 实现了避障和实验结果。

货运 Urban Robotic vehicle 是一种自动驾驶汽车，需要在城市环境中自主运行以进行最后一英里的货运交付。它必须在 2021 年在希腊特里卡拉举行的欧洲 H2020项目 SHOW（全球采用的 SHared 自动化操作模式）中实现这一目标。在演示中，它需要在自行车道上运行，没有可用的变道选项。图1显示了 FURBOT 在Trikala的SHOW 项目演示区域。这项工作是实现 SHOW 项目设定的 FURBOT 自动化目标的尝试。FURBOT 的速度控制器需要对速度分布进行真正的分类，以实现正确的自动化。由于车辆需要在城市环境中低速行驶，因此必须在其路径内遇到障碍物。因此，产生了避免 obstacle 的需求。

（a） 示范区第一角 （b） 示范区第二角

图 1. 希腊特里卡拉的货运城市机器人 Ve直升机 （FURBOT） 示范区（来源街景，谷歌地图 [17]）。

很少有文章解决城市环境中的避障问题。参考文献 [8] 是为数不多的在城市环境中进行避障的研究之一。然而，仅观察到车辆避让。本研究中未观察到车辆可能遇到的其他障碍物。

对于缓慢行驶的车辆，避障通常仅限于自动停车问题 [18，19]这是车速较慢时的通常设置，速度控制也是除了转向控制之外，还需要。然而，这个问题在车辆的路径驱动中非常有限，但它在自动驾驶中具有积极的实际应用。使用数学模型生成轨迹也是自动驾驶汽车的工作 [11，16]，但它是自动驾驶模块的初始步骤之一。

INRIA团队RITS（机器人和智能交通系统）致力于自动驾驶汽车已超过15年，并且正在研究用于避障的类似类型的慢速车辆。他们发表了关于行人检测 [20，21] 和行人避让 [22] 用于行人避障的方法与本研究中使用的方法相同，即减慢车辆速度，直到障碍物离开路径，从而避开障碍物。他们的研究也是这项研究的基准。用于避障或因障碍物调整导航的速度分析仍然是一个新颖的概念，并且正在研究中。除了 INRIA在 [22] 中为行人避障所做的工作;在缓慢移动的物体后面进行巡航控制的速度分析的另一种用途是 [23]速度分析不仅对于避开障碍物是必不可少的，而且对于确保平稳行驶和驾驶舒适性也是必要的 [24].

我们的问题围绕着 FURBOT，它必须克服障碍并调整自己以保持其车道。最好的选择不是由于车道限制而通过转向控制，而是通过速度控制。此外，它必须在其路径中克服除移动车辆（例如交通信号灯）以外的其他类型的障碍。在文献中，很少有人将交通信号灯视为自动驾驶汽车的障碍。红绿灯的通常工作通常是在其识别系统上 [25]。在文献中没有找到具有专用车道的慢速移动的自动驾驶地面车辆的避障。因此，我们 work 的需求就产生了。这一点对于必须在密集环境中行驶的车辆来说，要为所有类型的障碍物做好准备，无论是慢速车辆、交通信号还是人为障碍;在这样的城市环境中，车辆需要能够根据所有这些障碍物进行调整。除此之外，FURBOT 还必须通过调整速度来管理避障，因为它必须在单车道上运行。因此，自主速度曲线对于其驱动非常重要。牢记车道限制和避开障碍物的目标，最好的选择是满足自主速度分析。这一需求为我们在这项研究中开展的工作的技术要求定下了基调。

2.横向和纵向运动方程

使用沿 x 轴、y 轴的力和沿 z 轴的力矩的牛顿-欧拉运动方程表示所使用的总结数学模型，由等离子 （1）–（3） 给出.

在上面的方程式中;Mv是车辆的质量，F是牵引力，Fd是阻力，FG是重力，F是作用在车辆上的滚动摩擦力。同样，Iz是车辆的转动惯量，Caf /Car分别是前/后轮的转弯刚度。 δ 是转向角，1/a2是后/前轮与车辆重心的距离。FURBOT 的详细数学定制模型之前发表在 [26] 中。 此模型用作

在相同的 MATLAB/SimuLink 环境中对障碍物进行建模，并实施本研究中提出的避障技术。

3.障碍物特性与建模

障碍物表征对于车辆的自主控制非常重要。为 FURBOT 设计并建模了四种不同性质的obstacles，用于速度分析。数学建模和模拟障碍的方法将在下面的相应部分中讨论。 建模的障碍的四种不同性质是

•交通信号

• 人/静止物体等

• 减速器

• 车辆交互缓慢

3.1.传输信号

创建用于识别交通信号和颜色变化的数学信号带来了三个主要障碍;发出信号灯的当前颜色，在绿灯或红灯后接近黄灯，最后接近当前交通灯颜色的灯的速度。为了发出交通信号灯的当前颜色，每个颜色检测都等同于一个称为 t 的数值;0 表示绿色，1 表示黄色，2 表示红色。在三个脉冲发生器的帮助下，生成了所需的交通信号输出。选择的信号属性为红色 60 秒、黄色 10 秒和绿色 40 秒。红绿灯的数字信号输出如图 2 所示

图 2. 交通信号输出。

在对交通信号灯突袭时的车辆速度曲线进行建模时，出现了一个不熟悉的问题。问题是当黄灯从红灯变为黄灯或从绿变为黄灯时，如何处理黄灯。这个想法是在信号灯之前停下来，以防灯在绿灯后变黄，如果灯从红灯变为黄灯，则继续行驶，如果汽车在信号灯处停下来，则切换到巡航。使用直观的方法来解决这个问题;由于信号的颜色被赋予了数值，因此带有交通信号灯数值WRT时间限速器的耦合导数可以定义信号是变红还是在变黄后变绿。利用这种意识形态，制定了由方程 （4） 给出的参考速度 Vrefsig 的直观条件方程。

其中 R是值为 0.05 的速率限制器，vrefred/vrefgreen 分别是红光和绿光的参考速度。使用这个方程式，如果该值大于 0，我们可以停止车辆，如果该值小于 0，则继续巡航，同时考虑到黄色交通信号灯。图3显示了车辆接近 the 信号。信号的开始对应于交通信号灯传感器捕获的信号。图3a 反映了交通光检测的传感器输出，而图3反映了 s 信号传感器的条件导数值。

（a） 交通信号灯传感器反馈 （b） 传感器反馈导数

图 3. 红绿灯传感器并得出反馈。

保持交通信号的参考速度曲线，以便在接近红绿灯时将车辆的速度稳步降低到零。这是通过考虑车辆的当前速度和到光的距离来实现的，如公式 （5） 中给出，其中Vrefsig 是交通信号灯 d obs 引起的参考速度是到障碍物的剩余距离，d波段是车辆的停止标准，dinit是障碍物的初始检测，Vref 是 v ehicle 的期望参考速度，即在我们的例子中为 20 公里/小时。因此，使用此公式的示例速度曲线如图 4 所示：停车车辆的标准是在红绿灯前 2 m，即 d波段。相同的公式也用于其他障碍物的速度曲线，但减速带除外，它使用了速度曲线之间的简单切换。

图 4. 交通信号输出。

3.2. 人/静止物体

与空中车辆不同，道路车辆可能会遇到突然的未知障碍物，例如人类或动物。这些类型的 obstacles 需要突然和立即制动，或者如果物体离车辆较远，则车辆的o总速度会迅速降低。这一需求在参考文献 [22] 中得到了进一步的解释。在对此类障碍物进行建模以更好地控制车辆时，考虑了驾驶现象的这一方面。

静止物体/障碍物/人体检测随机放置在车辆前方 2~20 m 之间。对象在导航路径中的持续时间随机固定在 2~30 s 之间。如果物体在无人机到达之前移开，无人机将继续保持其参考速度，否则它会在障碍物前 2 m 处将其速度调整为零。这有助于在物体远离车辆的情况下逐渐降低车辆的速度，或者在物体靠近障碍物时进行急速和突然的制动。单个此类障碍物检测的参考速度剖面调整如图 5 所示

图 5. st ationary object 的速度分析。

通过观察 Figure 5，我们可以看到速度是如何逐渐调整的，以确保物体的安全并避免碰撞。在单个 5 km 的模拟 n 补丁中，模拟车辆前方具有随机时间的 5 个静止对象。这种障碍在 5 公里的补丁中是随机放置的。此外，障碍物在车辆前面的时间及其与车辆的距离在上述限制之间也是随机的。

图 6. 车辆到障碍物的距离。

图 6 显示了车辆前方检测到的物体。值得注意的是，在障碍物前 2 m 停止的条件并不总是得到满足。在最后一个障碍中，距离减少到 1 m，这是因为汽车位于通往进场的斜坡上。然而，在所有情况下，车辆在与固定障碍物相撞之前都停了下来。接近速度和车辆前方障碍物的时间如图 7 所示

（a） 车辆前方时间 （b） 参考速度调整

图 7. 静止障碍物碰撞避让。

3.3.减速器

在速度破坏者障碍物的情况下，速度调整保持简单，因为速度下降相对较小，并且障碍物的行为没有变化。检测到减速带时，

FURBOT 的速度调整为 10 公里/小时。检测断路器的整体速度调整如图 8 所示

图 8. Speed breaker hurdle avoidance.

3.4.车辆交互慢

驾驶车辆面临的最大障碍之一是慢速车辆的逆向，从而将车辆的速度调整为前方慢速车辆的速度。为此，在车辆 5公里行驶中随机出现的路径中对慢速车辆进行建模。慢速飞行器的数量、速度曲线和任何其他行为都可以在模拟中进行调整。然而，为了测试控制器，设置了一个连续速度曲线为10 km/h 的慢速飞行器。生成一个用于模拟目的的随机信号，表明车辆现在已经远离了 vehicle 的路径。该信号是在遇到车辆后的 5~60 秒之间随机生成的。当慢速飞行器信号消失后，飞行器会与它的默认参考速度分布相配合。

图9显示了 FURBOT 与慢速车辆的整体交互。车辆的速度曲线会随着时间的推移逐渐调整，以缩小两辆车之间的距离，并且不会突然刹车。参考速度调整采用与其他障碍物类似的方法，即随着与障碍物的距离逐渐降低速度。在图9 中，蓝色线e 表示慢速车辆的当前位置，红色虚线表示 FURBOT 的参考速度，橙色线表示到车辆的距离。慢速车辆的检测设置为 20 m 距离。我们可以看到，参考速度在 20 m 标记处开始逐渐降低，并达到车辆前 2 m 的速度，从而避免了碰撞。一旦接收到车辆远离车辆路径的信号，车辆参考 velocity 就会恢复到其原始值。

图 9. 缓慢的车辆障碍物避让。

4.仿真平台及结果

提到的所有障碍物都在5公里行驶的一次运行中建模和模拟，并从车辆的预期物流路径中任意选择不同的道路海拔剖面。所选的物流路径和海拔剖面可在参考文献 [26] 中找到。表 1 中给出的模拟中存在的障碍物 此外，整个避障技术在图 10 的流程图中进一步解释流程图信息中的一个附加条件也被放置，在等式 （6） 中给出，以防有多个障碍物定义。

Vref = min（Vrefped， Vrefsig， Vrefcar， Vrefbump） （6）

其中Vrefped是由于行人产生的参考速度，Vrefcar 是来自移动汽车障碍物的参考速度，Vrefbump 是来自目标d 碰撞障碍物的参考速度。上述条件还放置在 case 在彼此存在的情况下检测到多个障碍物。

图 10. 避障算法流程图。

表 1. 模拟 d 驱动器中存在的障碍物类型。

如果在车辆路径内同时遇到两个或多个障碍物;车辆根据等式 （6） 调整其参考速度图11作为一个例子，其中两个障碍物，即移动的汽车和静止的人在车辆通过过程中重合。车辆首先调整其慢速车辆的参考速度，但当检测到人体障碍物时，参考速度会自动调整为较低的参考速度。

图 11. 车辆的参考速度。

两个独立的控制器设计用于车辆的速度控制;一个用于制动力，一个用于牵引力。这种类型的级联控制器是经过特意选择的，因为车辆对加速和制动的要求不同。此外，当施加制动时，牵引力会自动关闭，就像传统车辆一样。低级速度控制器的思想取自 Cycab [22] 中引入的思想，其中速度作为车辆当前速度和目标速度的函数进行调节。仿真的采样时间选择 1 ms，并在每个采样周期更新参考速度。必须更改车辆的控制器以调整避障。对于制动控制，选择了 PI 控制器，而对于牵引力，选择了 PD 控制器。牵引力控制器有一个额外的误差放大系数，用于调整功率控制。表 2 中给出了整体控制器配置

表 2. 速度控制器。

该车辆的数学模型是先前开发的，并在[26]中检查和验证了车辆的参考速度为20 公里/小时，除非需要调整对障碍物的参考。根据公式 （6），从障碍物或通常接收到的最小参考速度是车辆的最终参考速度。图12显示了存在上述障碍物时车辆的参考速度。

图 12. 车辆的参考速度。

如图 13 所示，只有当实际速度和参考速度之间存在正差时，才会激活制动控制。此外，图 14 给出了车辆的实际速度和车辆行驶的距离。比较速度曲线中的颠簸参考速度是由于道路存在坡度剖面，并且车辆速度会随着车辆的重量转移而变化。仿真结果显示算法对障碍的满意承认，控制器采取了正确的预防措施，以避免碰撞或刺痛交通信号灯/减速器。

图 13.制动力与速度差。

（a） FURBOT 的地速（b） 距离 tr提升

图 14. 静止障碍物碰撞避让。

5.结论

研究了车道受限慢速车辆的避障并分享了结果。本研究制定了速度曲线，并在 FURBOT 项目的模拟环境中实施。正确的速度曲线成功地帮助控制了车辆并避免了障碍物和碰撞。该方法本身很新颖，因为它对具有多个输入的控制器的压力较小。在模拟环境中，车辆 FURBOT 的驾驶过程中，所有四个障碍都以随机方式成功建模和避免。此外，这项研究将进一步帮助自动驾驶汽车在半自动驾驶环境中通勤时的自主性，即手动和自动驾驶汽车一起驾驶。城市环境中的真实速度分析也会使手动挡汽车失去另一个基于驾驶员的决策。此外，随着这项技术的实施，我们离在城市环境设置中驾驶我们的自动驾驶汽车 FURBOT 又近了一步。

作者贡献： 概念化，K.M.;方法论，KM;软件，KM;验证，K.M.和M.Z.;形式分析，K.M.;调查，K.M.;资源，K.M.;数据管理，K.M.;写作——原始草稿准备，KM;写作—审查和编辑，K.M.和M.Z.;可视化，K.M.;Supervision，R.M.和M.Z.;项目管理，M.Z.;资金获取，R.M. 和d M.Z.所有作者均已阅读并同意手稿的已发表版本。

资金： 本研究没有获得外部资金。

致谢：本文得到了欧盟Horizon2020研究和创新计划的支持，根据第875530 号资助协议，项目 SHOW（SHaredautomationOperatingmodelsfor全球采用）。

利益冲突： 客户声明没有利益冲突。资助者在研究的设计中没有作用;在数据的收集、分析或解释中;在手稿的写作中，或在发表结果的 D Ecision 中。

缩写

本手稿中使用了以下缩写：

引用

1. 布朗，M.;芬克 J.;Erlien， S.;Gerdes，J.C. 用于自动驾驶汽车路径跟踪的安全驾驶包络。控制工程实践2017， 61， 307–316。CrossRef]

2. 季俊杰;卡杰普尔，A.;梅莱克，W.W.;Huang， Y.基于多约束模型预测控制的车辆防撞路径规划和跟踪.IEEE译 Veh. Technol. 2017年，66,952–964。CrossRef]

3. 美国罗索利亚;Bruyne， S.D.;Alleyne， AG 自动驾驶车辆控制：避免 Obstacle的非凸方法 IEEETransControlTechnol2017， 25， 469–484。CrossRef]

4. 马格迪奇 （Magdici， S.）;Althoff，M.自动驾驶车辆的故障安全运动规划。2016 年 IEEE第 19 届智能运输系统国际会议 （ITSC） 会议记录，巴西里约热内卢，2016 年 11 月 1 日至 4 日。CrossRef]

5. 阿巴斯，马萨诸塞州;米尔曼 R.;埃克伦德 J.M.通过自动驾驶汽车的非线性模型预测控制实时避障。2014 年 IEEE 第 27 届加拿大电气与计算机工程会议 （CCECE） 会议记录，加拿大安大略省多伦多，2014 年 5 月 5 日至 8 日。CrossRef]

6. 刘杰;贾亚库马尔，P.;斯坦因 J.L.;Ersal， T. 使用模型预测控制对高速自主地面车辆进行避障的结合速度和转向控制。IEEE 翻译Veh.Technol.2017 年，66,8746–8763。CrossRef]

7. 费博，H.;刘杰;贾亚库马尔 P.;斯坦因 J.L.;Ersal，T.大型、高速自主地面车辆的移动避障。2017 年美国控制会议 （ACC） 会议记录，美国华盛顿州西雅图，2017 年 5 月 24 日至 26 日。CrossRef]

8. 施瓦廷，W.;阿隆索-莫拉 J.;保罗，L.;卡尔·阿曼，S.;Rus， D.使用动态车辆模型进行并行自主的安全非线性轨迹生成。IEEETrans.Intell. Transp. Syst. 201819， 2994–3008.CrossRef]

9. 阿尔奇，F.;波拉克，P.;dela Fortelle， L.使用 simple 动态模型对自动驾驶汽车进行高速轨迹规划。2017 年 IEEE 第 20 届智能交通系统国际会议（ITSC） 会议记录，日本横滨，201 年 10 月 16 日至 19 日7.CrossRef]

10. Berntorp， K. 自动驾驶汽车的路径斜坡和集成防撞。2017 年美国控制会议 （ACC） 会议记录，美国华盛顿州西雅图，2017 年 5 月 24 日至 26 日。CrossRef]

11. 李，B.;杜，H.;李伟;Zhang， B.使用非线性车辆进行避障机动的国际轨迹规划和控制 MP 算法 m. IET Intell.Transp.Syst.2019， 13， 385–397.CrossRef]

12. 胡 C.;王 R.;Yan，F.基于积分滑模的复合非线性反馈控制，用于四轮独立驱动自动驾驶汽车的 P ath 跟随。IEEE 翻译Transp.Electrif.20162， 221–230。CrossRef]

13. 郭杰;胡，P.;Wang， R. 紧急避障中基于视觉的自动驾驶汽车的非线性协调转向和制动控制。IEEE Trans. Intell.T兰斯普。系统201617， 3230–3240。CrossRef]

14. 本卢西夫，A.;阮，A.-T.;森图， C.;波皮尔高速公路驾驶中驾驶员和自动化之间的触觉共享控制的协同轨迹规划。IEEE Trans. Ind.电子。201966， 9846–9857。CrossRef]

15. 普莱森 M.G.;贝尔纳迪尼 D.;埃森 H.;Bemporad，A.基于 Spatial 的预测控制和几何走廊规划，用于自适应巡航控制与避障相结合。IEEETrans. 控制系统 技术2018， 26， 38–50。CrossRef]

16. 拉格马拉 （Laghmara， H.）;Boudali， M.-T.;劳兰 T.;莱迪，J.;奥胡埃拉 Orjuela， R.;劳芬伯格，JP;Basset，M.自动驾驶汽车的避障、路径规划和控制。2019 年 IEEE 智能汽车研讨会 （IV） 论文集，法国巴黎，201 年 6 月 9 日至 12 日9.CrossRef]

17. 谷歌。“Steetview”，Digital Images，谷歌地图。30 Geor. Kondili， Trikala， Greece 的照片，拍摄于 2019 年。2020. 在线获取：http://maps.google.com（于 2020 年 4 月 17 日访问）。

18. 张晓明;利尼格 Liniger， A.;堺市 （Sakai， A.）;Borrelli，F.使用基于优化的碰撞避免进行自动泊车。2018 年 IEEE 决策与控制会议 （CDC） 会议记录，美国佛罗里达州迈阿密 Beach，2018 年 12 月 14 日至 19 日。CrossRef]

19. 西登托普，C.;劳卡特，V.;克拉斯特夫，B.;卡斯帕，D.;韦德尔，A.;布罗伊尔，G.;Stachniss， C. 自动泊车

使用以前的路径。2015 年汽车应用先进微系统;移动性讲义;施普林格：瑞士 Cham，2015 年;第 3-14 页。CrossRef]

20. Pop， D. 行人行为检测 Ba sedon Deep Learning Approach.StudiaUniversitatis Babes-Bolyai Informatica2019， 64， 5-13.CrossRef]

21. 波普，DO;罗戈赞，A.;纳沙什比，F.;本斯海尔，A.在卷积神经网络中使用跨模态学习进行行人识别s. IEEE Intell.Transp.Syst. Mag.2020 年CrossRef]

22. 弗洛雷斯，C.;Merdrignac， P.;Charette， R.D.;纳瓦斯，F.;米兰斯，V.;Nashashibi F.合作社

具有基于预测的行人避让功能的汽车跟随/紧急制动系统。IEEETransIntellTranspSyst2019， 20， 1837–1846。CrossRef]

23. 雅各布森，S.E.T.;古斯特·阿夫森，A.;武，N.;Madhusudhana， S.;哈梅德尼亚，A.;新泽西州夏尔马;穆尔戈夫斯基，N.在静止或缓慢移动的物体后面进行预测性巡航控制。2019年 IEEE智能汽车研讨会 （IV） 论文集，法国巴黎，2019 年 6 月 9 日至 12 日。CrossRef]

24. 杜 Y.;刘 C.;Li， Y. 提高自动驾驶汽车驾驶的速度控制策略 comfort.IEEE Intell.TranspSyst. 杂志2018， 10， 8–18。CrossRef]

25. 艾克勒，S.;瓦尔登格罗，M.;维尔纳，T.;Kieninger， M. 用于交通标志识别系统的未来计算机视觉算法。2015 年汽车应用先进微系统;移动性讲义;施普林格：瑞士 Cham，2015 年;页。69-77 页。CrossRef]

26. 马苏德，K.;佐皮，M.;Molfino，R.Mathe 使用半自动驾驶车辆的速度控制进行性能评估的数学建模。 第15 届工业和环境应用中软计算模型国际会议论文集，西班牙 Sevill e，2020 年 5 月 13 日至 15 日。