2.4.4 整车控制策略
智能驾驶与辅助驾驶的控制策略，分为传统控制和智能控制，下面针对当前应用较多的控制方法进行介绍。
1.传统控制方法
传统控制方法主要有PID控制、模糊控制、最优控制、滑动模态控制（模型预测控制MPC）等，这些算法应用都较为广泛。
PID控制器（比例-积分-微分控制器），由比例单元（P）、积分单元（I）和微分单元（D）组成，通过KP、KI和KD三个参数设定。PID控制器主要适用于基本上线性且动态特性不随时间变化的系统。PID是以它的三种纠正算法而命名的。这三种算法都是用加法调整被控制的数值，其输入为误差值（设定值减去测量值后的结果）或是由误差值衍生的信号。
模糊逻辑控制策略（Fuzzy Logic Control Strategy）简称模糊控制（Fuzzy Control），其本质是一种计算机数字控制技术，集成了模糊理论、模糊集合论、模糊语言变量和模糊逻辑推理等。与经典控制理论相比，模糊逻辑控制策略最大的特点是不需要准确的数学公式来建立被控对象的精确数学模型，因此可极大简化系统设计和数学建模的复杂性，提高系统建模和仿真控制的效率。模糊控制系统在建模过程中，利用人类积累的相关知识和生活经验进行推理，模拟人类大脑处理复杂事件的过程，进而产生相应的控制思想——控制思想经过编译成为控制策略。模糊逻辑控制策略由工程人员的控制思路和实践经验积累编译而成，具有较佳的鲁棒性、适应性及容错性。其主要由定义模糊变量、模糊变量模糊化、定义规则库、推理决策和逆模糊化五个环节组成。
最优控制理论是变分法的推广，着重于研究使控制系统的指标达到最优化的条件和方法。为了解决最优控制问题，必须建立描述受控运动过程的运动方程，给出控制变量的允许取值范围，指定运动过程的初始状态和目标状态，并且规定一个评价运动过程品质优劣的性能指标。性能指标的好坏取决于所选择的控制函数和相应的运动状态。系统的运动状态受到运动方程的约束，而控制函数只能在允许的范围内选取。同时，最优控制的实现离不开最优化技术。最优化技术用于研究和解决如何将最优化问题表示为数学模型，以及如何根据数学模型尽快求出其最优解这两大问题。
在系统控制过程中，控制器根据系统当时状态，以跃变方式有目的地不断变换，迫使系统按预定的“滑动模态”的状态轨迹运动。变结构是通过切换函数实现的，特别要指出的是，通常要求切换面上存在滑动模态区，故变结构控制又常被称为滑动模态控制。
2.智能控制方法
相对于传统控制方法，智能控制方法主要体现在对控制对象模型的运用和综合信息学习运用上，主要有基于模型的控制、神经网络控制和深度学习方法等。目前这些算法已逐步在汽车控制中得到应用。
基于模型的控制，一般称为模型预测控制（Model Predictive Control, MPC），又称为滚动时域控制（Moving Horizon Control, MHC）和后退时域控制（Receding Horizon Control, RHC）。它是一类以模型预测为基础的计算机优化控制方法，是在近些年来被广泛研究和应用的一种控制策略。其基本原理可概括为：在每个采样时刻，根据当前获得的测量信息，在线求解一个有限时域的开环优化问题，并将得到的控制序列的第一个元素作用于被控对象，在一个采样时刻，重复上述过程，再用新的测量值刷新优化问题并重新求解。在线求解开环优化问题获得开环优化序列是模型预测控制与传统控制方法的主要区别。预测控制算法主要由预测模型、反馈校正、滚动优化和参考轨迹四个部分组成，最好将优化解的第一个元素（或第一部分）作用于系统。
神经网络控制是研究和利用人脑的某些结构机理及人的知识和经验对系统的控制。利用神经网络，可以把控制问题看成模式识别问题，被识别的模是映射成（行为）信号的（变化）信号。神经网络控制最显著的特点是具有学习能力。它是通过不断修正神经元之间的连接权值，并离散存储在连接网络中来实现的。它对非线性系统和难以建模的系统的控制具有良好的效果。一般情况下，神经网络用于控制系统有两种方法：一种是用其建模，主要利用神经网络能任意近似任何连续函数和其学习算法的优势，存在前馈神经网络和递归神经网络两种类型；另一种是直接作为控制器使用。
深度学习源于神经网络的研究，可理解为深层的神经网络。通过它可以获得深层次的特征表示，免除人工选取特征的繁复冗杂和高维数据的维度灾难问题。深度学习在特征提取与模型拟合方面显示了其潜力和优势。对于存在高维数据的控制系统，引入深度学习具有一定的意义，近年来，已有一些研究关注深度学习在控制领域的应用。目前较为公认的深度学习的基本模型包括基于受限玻尔兹曼机（Restricted Boltzmann Machine, RBM）的深度置信网络（Deep Belief Network, DBN）、基于自动编码器（Autoencoder, AE）的堆叠自动编码器（Stacked Autoencoder，SAE）、卷积神经网络（Convolutional Neural Network, CNN）、递归神经网络（Recurrent Neural Network, RNN）。
智能驾驶系统需要尽量减少人的参与或者没有人的参与，自动学习状态特征的能力使得深度学习在无人驾驶系统的研究中具有先天的优势。如何充分利用和发挥深度学习在无人驾驶系统中的优势并发展包括深度学习在内的无人驾驶系统控制是目前的研究方向。