5.1  引导虚拟车的概念

引导虚拟车负责指导真实车辆做出决策和实现目标结果，旨在产生一系列适当的行动策略，以帮助真实车辆应对复杂的交通场景。引导虚拟车关注平行驾驶系统中的策略学习在现实世界中能否被恰当地利用。

总的来说，引导虚拟车可以被视为一种特殊的预测性车辆。然而，引导车辆必须比预测车辆更加智能化，因为引导车辆必须对所执行动作与响应之间的关联性进行学习，从而可以在面对复杂场景时引导真实车辆。由于预测车辆能够预测将来会发生的响应，所以引导车辆可以从多个预测车辆中获取预测结果以评估哪些行动有助于获得最大奖励并产生目标结果。

根据上述平行数字四胞胎的框架可知，引导车辆有两个重要任务：首先要判断所学和预测的动作是否可以被实际车辆所采用，其次是如何有效地与实际车辆进行交互。在后文中，这两个问题将根据平行驾驶理论来解决。

5.2  引导虚拟车的学习过程

在预测车辆获得实际车辆和虚拟车辆在执行后状态如何转换的知识之后，引导车辆将进一步关注在平行系统中学到的策略是否能够应用于实际车辆。基于引导车辆的概念，本文将引导车辆的构建划分为两个阶段：第一阶段学习行为的原理，第二阶段评估可能发生的潜在行为，并找出最佳策略集以通知真实车辆。引导车辆的总体框架及其与其他虚拟车的关系如图5所示。

图5  引导虚拟车结构

如图5所示，引导车辆将来自预测车辆的预测结果作为输入，然后将尝试学习基于这些结果制定政策的原理，其中包含来自真实世界和描述车辆必需的上下文信息。在引导车辆获得用于引导真实车辆的最优策略后，会将此信息发送给真实车辆和描述车辆以指导决策。同时，引导车辆将学习到的原理和策略反馈给预测车辆指导其学习的方向，从而可以做出更合理的预测。据此，引导车辆的第一阶段是学习如何根据预测的结果和环境制定合理的策略。在第二阶段，引导车辆将基于学习的原理更新其参数，以确保在给定状态下，实际车辆采取的行动接近引导车辆采取的行动。

6.1  平行驾驶真实车系统

为了试验和验证提出的数字四胞胎理论，本文构建了真实的平行驾驶系统来对真实车和3个“守护天使”进行分析论证。平行驾驶中的真实车可以代表不同智能化等级的自动驾驶车辆，同时它们的数量也是可变的。可以将单一真车作为研究对象，也可以将通过V2V连接的一列车队作为研究对象。

平行驾驶系统中的真实车如图6所示。真实车车载传感器包括激光雷达、摄像头、工控机、人机交互设备（HMI）、紧急停车设备、无线传输设备、差分GPS和惯性导航（IMU）等。其中激光雷达和摄像头的主要作用是感知环境信息，用于描述虚拟车构建驾驶场景和周围环境。车辆的位置信息由惯性导航和GPS组合导航获得。工控机用于处理采集的环境信息和输出控制信号，而无线传输设备则主要用于连接真实车和人工世界中的虚拟车。引导虚拟车通过特定的规则来对比真实车载控制器的控制信号和预测虚拟车的控制信号，通过模式切换的方式来实时选择某一类信号对真实车进行实际控制。

图6  平行驾驶系统中的真实车

6.2  数字四胞胎在矿山中的应用

矿山工作环境恶劣、机械运作单一，需要不断进行重复性操作，驾驶员普遍存在疲劳驾驶现象，交通事故发生率较高，而国家和社会层面对矿山伤亡持零容忍态度；年轻一代很少有人愿意从事矿山设备驾驶，矿区严重缺乏熟练工人，存在明显的人力断层现象；在人工成本支出方面，澳洲Pilbara的一个矿用司机一年工资、住宿等费用大约为100万美元，一台矿卡需要4个司机，运输成本占矿山支出的60%；由于驾驶不熟练或驾驶习惯问题，人工驾驶会造成设备磨损严重、耗油量加大等多种问题；矿山缺乏统一的精确矿山车辆管理系统，且人工驾驶不能实现24小时不间断工作，又容易受到极端天气的影响，矿山整体工作效率偏低。因此，实现矿山无人化，能够解决目前矿山行业普遍存在的安全、成本、效率、环保等多方面的问题。在矿卡需求方面，预计到2020年，澳洲、欧洲和美洲的主要矿业公司中有50%将使用无人化产品，部分矿山已经决定全部采用无人矿卡。但目前无人化矿卡的占比仅不到5%[7]。

矿山是一个相对封闭和结构化的受控环境，除作业设备和专业人员外，无外来车辆和行人的干扰，加上驾驶员的劳动强度高、工作条件恶劣，因此矿山是无人驾驶技术能够快速落地和急需落地的主要场景之一。相比于单台设备的无人化，矿山更需要所有设备之间的集群化智能协同无人作业，这正是平行驾驶所能提供的重要解决方案。平行驾驶通过描述系统能够获得感知极限和意外情况下的数据与场景，通过大量算法与大规模算力分析并评估行驶决策，将知识与经验分享给系统中所有车辆。它依靠具有感知、传输与决策能力的单车，以及背后庞大的GPU等设备进行数据存储与计算，使得车辆本身具有根据环境变化调整自身行为的能力，只有出现预警时，才需要人来操作。平行无人矿山系统就是将平行驾驶技术应用到矿山整体场景中的平行智能解决方案。

6.2.1  平行无人矿山的构成

平行无人矿山由四部分组成：平行无人矿山管控中心、无人矿卡运输平台、自主挖掘/铲运平台，以及远程接管平台。平行无人矿山管控中心负责对无人矿山实施全面实时监控与综合调度，通过所建立的虚拟矿山与实际矿山的实时互动与双向优化，保障实际矿山安全作业。无人矿卡运输平台以及自主挖掘/铲运平台搭载多种传感设备，实现矿山的自主挖掘、装载、无人化运输、卸载一体化作业。远程接管平台负责监控矿山设备的运营，在无人矿卡运输平台或自主挖掘/ 铲运平台主动提出接管请求时，或在特殊紧急情况下，经由平行无人矿山管控中心的综合决策，下达接管指令，由远程接管平台实现对多台设备的干预与接管。作为矿山的神经中枢，平行无人矿山管控中心对矿山进行全天候、全方位的监测与管理，实现生产方案优化、资源调度、生产设备监测与维护、人事资源管理等功能，保障无人矿山的安全、高效运营[8]。平行无人矿山系统如图7所示。

图7  平行无人矿山系统

平行无人矿山系统中的数字四胞胎分别为：无人矿卡、自主挖掘和铲运机等组成的真实系统，管控中心的虚拟平行矿山（描述系统）、管控中心的大数据分析与深度学习等组成的预测系统，管控调度和接管平台组成的引导系统。矿山生产运行的各种数据被传输至信息处理中心，在信息处理中心通过数据融合、数据挖掘、可视化处理等手段构建与实际矿山运行系统平行的各个子系统。通过建立描述矿山、预测矿山和引导矿山3个软件定义的虚拟矿山系统可以构建一个完整的实际矿山平行系统。这样，一方面利用实际数据建立虚拟模型，完成对矿山生产作业各方面的并行、在线、实时仿真；另一方面通过对平行系统的演化及与真实系统的协同交互完成对现实系统的预测、评估与优化。

6.2.2  虚拟平行矿山构建

作为平行无人矿山管控中心的基础，虚拟端平行矿山的构建至关重要。实际工作中，矿山系统复杂多变，难以对其建立可靠的数学模型，因此矿山生产过程难以精确控制，存在较大的安全隐患。利用信息技术对矿山系统中各个子系统的关键动态属性进行数据采集；利用数字建模、虚拟技术、可视化技术等方法建立与现实相对应的人工系统，将各采集点的数据实时导入人工系统，使得人工系统成为与现实系统相对应的平行系统；在平行系统中利用各种智能算法、优化算法对现实系统的作业进行预测、优化并将结果反馈给现实系统，从而实现对现实系统的优化控制。

以无人矿卡为例的虚拟端平行矿山系统的架构如图8所示，其可视化显示场景如图9所示。虚拟平行矿山中的无人矿卡仿真平台涵盖了整车模型、可视化场景、虚拟传感器/环境感知、偏差计算、规划与决策、控制算法等模块。可输出的数据包括各视角下的摄像头画面、雷达数据、车辆三维坐标、航向、车速、方向盘、油门/刹车踏板开度、车身姿态、轮胎力等。借助该平台可实现对无人矿卡算法在规划、决策、控制等方面有效性的快速验证，尤其是各种极端工况下的验证，同时也可实现对矿卡性能的准确模拟。

图8  虚拟端平行矿山架构

在平行矿山系统中，每一个子系统都会建立一个与之对应的平行子系统，将现实空间的物理系统映入虚拟空间建立平行系统，可以从本质上解决各子系统网联化程度低、调度难、管理混乱等问题。同时，还可以通过计算实验和平行执行的方式将在虚拟世界中探索获得的预测与管理策略作用于现实矿山系统，对各类复杂的矿山调度、协同、管理、控制、通信等问题不断进行分析和评估，使现实矿山系统能够应对未知的工作场景和任务[9]。

图9  虚拟端平行矿山可视化显示

6.2.3  虚拟平行矿山应用案例

鉴于矿卡及其工作环境的特殊性，若直接将控制算法进行实车验证，会造成各种不必要的风险、造成测试人员和成本的浪费，且存在测试工况不够充分的问题，借助该虚拟平台可实现对无人矿卡算法的快速、安全、充分验证。虚拟端的矿卡动力学模型已通过实际矿卡整车试验进行了验证。基于该平台，实现了对3种路径跟踪控制算法在特定工况下的测试评估，3种路径跟踪控制算法分别为PID（比例—积分—微分）控制、前馈+预瞄反馈（preview feedback，PFB）控制、虚拟地形场法（virtual terrain field，VTF）控制。

根据ISO 3888-1双移线测试方法并参考《GB/T 25979-2010重型商用汽车列车和外商铰接客车横向稳定性试验方法》，设计矿卡的双移线跟踪道路如图10所示，测试车速为35 km/h，经测试，该路线的最大侧向加速度超过2 m/s2。

矿卡工作时有空载和满载两种状态，空载时总重为80 t，满载时总重为190 t，图11、图12分别对比了空载和满载时VTF、PFB、PID这3种控制方法的侧向位移偏差和控制转角。整体上，控制转角平稳、车辆没有发生失稳现象。空载时，3种控制方法对应的最大侧向位置误差分别为0.097 m、0.129 m和0.107 m；满载时的误差则分别为0.131 m、0.189 m和0.161 m。VTF方法的误差最小，而且误差持续时间最短；PFB方法和PID方法的误差较大，且需要0.5~1 s的时延才能将误差逐渐消除。可见，在双移线路况下，VTF方法的路径跟踪控制效果最佳。

图10  矿卡双移线路径行驶轨迹

图11  矿卡双移线轨迹跟踪偏差及响应曲线—空载

图12  矿卡双移线轨迹跟踪偏差及响应曲线—满载

6.3  数字四胞胎在物流中的应用

近年来，在全球资本和国家政策的激励下，无人驾驶技术发展迅猛并取得了令人惊喜的表现。不同于商用车的推广难以在短期实现，具有特定驾驶环境和驾驶目的的商用车可以较为便利地采用无人驾驶技术，在短期内为无人驾驶技术提供宝贵的实践经验。商用车的特定场景（如矿山、物流、港口、厂区或景区等）具有相对单一的行驶路线，可以快速建立起高精度地图，便于无人车的决策与规划。以物流领域为例，为保证物流系统的快速性和高效性，物流车司机的工作量通常很大，同时在驾驶安全要求下，工作内容单一枯燥，这一行业特点造成了当前物流领域的人力资源短缺、人力投入大、效率难以保证等问题，因此，将无人驾驶应用在物流领域可以突破当前产业瓶颈，具有强而有力的落地依据，可以进一步开发物流行业的潜力，提升运输效率和客户满足度。

基于无人驾驶技术的物流车如图13所示，该物流车配备了激光雷达、毫米波雷达、摄像头与GPS。该无人驾驶物流车配备有远程接管平台，可实现场景响应接管、主动接管、主动避障和遥控端驾驶员监控。同时，中心管控平台可以在已建立的虚拟场景中实时进行计算试验，通过构建与真实交通环境和车辆性能相对应的虚拟交通场景，建立描述虚拟车。之后，在描述车的基础上，通过对车辆在人工场景下的大量计算试验，以及预测车辆可能出现的控制效果，对复杂场景和工况进行试错、优化和预测，进而建立预测虚拟车。最后，通过评估人工场景中可能出现的工况和策略，根据场景反馈获得在该行驶工况中的最优控制策略，进而建立引导车以引导真实车解决现实工况下的问题。平行驾驶四胞胎结构的使用实现了虚实结合，大幅提升了驾驶安全和运行效率，降低了车辆测试成本。

图13  无人驾驶物流车

图14 真实道路信息与软件定义虚拟道路信息

通过虚拟车与实际车的虚实互动，该物流车在高效和安全方面的性能得到了极大的提升。首先，激光雷达和毫米波雷达采集道路环境信息，并通过Panosim进行虚拟场景的构建，如图14所示。同时真实车上的摄像头视角在虚拟世界中也有其对应的虚拟视角[10]，如图15所示。虚拟世界中“守护天使”的目的就是提高真实车辆的效率及安全性，因此可以在虚拟世界中加入各种不同的驾驶场景，同时也可以加入额外的车辆和行人来训练虚拟车的决策和规划模块。

（a）真实行车中摄像头视角

（b）虚拟行车中摄像头视角

图15  真实车辆摄像头视角与虚拟车辆摄像头视角对比

图16  真实车辆与虚拟车辆速率和转向角的对比

该方案采用低成本的Kinect来监控驾驶员，它可以提供RGB图像以及图像的深度信息，同时还能够探测到驾驶员的转头、面部变化（如闭眼、张嘴）和上肢关节移动。如图17所示，如果长时间的闭眼和频繁的打哈欠被DMS检测到，系统将会发出警告。如果驾驶员被检测到视线偏离、分心等，DMS同样会发出警告。

图17  驾驶员监控系统