模块化自动驾驶车辆的安全保障自适应控制：应对对接/分离操作中的不确定性与安全挑战

本研究针对模块化自动驾驶车辆（MAV）在动态对接/分离操作中面临的安全保障、感知与控制不确定性等挑战，提出了一种集成模型预测控制（MPC）、控制屏障函数（CBF）和自适应参数调整机制的安全保障自适应模型预测控制（SAAMPC）框架。通过Simulink仿真与缩比实车平台验证，该框架显著提升了MAV在复杂环境下的操作安全性与鲁棒性，为实现MAV实际应用奠定了关键技术基础。

　　

近年来，模块化自动驾驶车辆（Modular Autonomous Vehicles, MAV）作为一种新兴智能交通形态，因其能够根据实时需求动态调整运力而备受关注。通过车辆在行驶过程中的自主对接（docking）与分离（undocking），MAV可灵活适应通勤、物流、应急运输等多样化场景，有望显著提升道路利用效率、降低碳排放。然而，尽管其概念已在迪拜、帕多瓦等地的NEXT系统中得到初步验证，真正实现全自动、高安全性、高精度的动态对接操作仍存在巨大技术挑战。这主要包括：在极近距离高速接近时的安全保障难题，感知与控制系统在噪声、扰动下的鲁棒性要求，以及真实道路环境中坡度、曲率、摩擦等多变因素带来的不确定性。

针对上述问题，美国威斯康星大学麦迪逊分校的研究团队在《Communications in Transportation Research》发表了一项创新性研究，提出了一种名为“安全保障自适应模型预测控制”（Safety Assurance Adaptive Model Predictive Control, SAAMPC）的综合控制框架，旨在实现MAV在不确定环境下的分布式安全对接与分离操作。

该研究主要依托三大技术模块协同工作：首先，采用模型预测控制（MPC）进行轨迹优化，以最小化距离与速度误差；其次，引入控制屏障函数（CBF）分别处理纵向与横向安全约束，确保车辆在临界状态下仍不发生碰撞；最后，设计了一套基于卡尔曼滤波的动态参数自适应机制，能够根据实时感知数据和控制误差调整MPC和CBF中的关键参数，从而应对系统不确定性和外部扰动。

在仿真与实车试验中，作者设置了领先车辆（LV）与跟随车辆（FV）之间的跟驰、对接和分离三类场景。通过Simulink平台构建了车辆动力学模型和传感器噪声模型，并在缩比机器人车辆平台上部署了红外测距、Wi-Fi通信和线控驱动系统，以验证SAAMPC在真实环境中的有效性。

研究结果显示，在纵向安全控制方面，SAAMPC能够根据实时距离和速度差动态计算最大允许加速度，并通过安全补偿项ε_t实现对控制指令的软约束。在横向控制中，采用基于位置偏差和变化率的PD控制策略，成功实现了车辆在狭窄环形路径上的车道保持。特别地，在对接阶段，FV能够在初始阶段快速接近LV，随着距离减小逐渐降低加速度，最终在几乎零相对速度下完成物理连接；分离过程中则能平稳拉开距离并恢复至正常跟驰状态。

通过多项指标分析，作者得出结论：SAAMPC框架不仅能够有效处理传感器噪声、模型误差和外部干扰，还可显著提升MAV在动态操作中的安全性和稳定性。该研究首次在实车平台上验证了MAV全自动对接与分离操作的可行性，为未来智能交通系统中MAV的规模化应用提供了关键控制技术基础。

尽管当前研究仍局限于单车跟驰和圆形轨道实验，其控制架构与自适应机制已展现出较强的通用性和扩展性。作者指出，未来工作将聚焦于多车道交互、信号控制交叉口、车辆编队等更复杂场景下的MAV协同控制问题，进一步推动模块化自动驾驶车辆从概念验证走向实际落地。