面向自动驾驶汽车的三枝路口典型危险场景构建方法

场景构建是自动驾驶汽车测试的重要环节,然而针对路口场景,目前研究多集中于十字路口。为了明确自动驾驶汽车在三枝路口运行时所需考虑的典型要素和危险场景,通过收集我国两个城市近3年的道路交通事故数据,依据自动驾驶汽车特点筛选得到378例碰撞事故案例;基于案例中场景要素分析确定聚类参数,通过聚类分析和卡方检验,并基于事故类型提取典型参数特征,得到10类三枝路口典型危险场景。研究成果可为自动驾驶汽车城市道路交叉口测试场景库的扩充提供依据。     

基于事故序列的自动驾驶汽车事故场景提取与分析

测试场景构建对于评估自动驾驶汽车(autonomous vehicles, AVs)上路运行风险至关重要。 通过收集 2019—2021 年 加州自动驾驶汽车事故报告,首先,将事故序列描述为初始阶段、触发事件、应对动作和碰撞阶段的组合,并从事故报告中提 取序列构成基础测试场景。 其次,通过序列比对算法衡量序列之间的不相似度。 最后,使用聚类分析方法得到 9 类场景组及 其典型场景。 频率分析表明最具有代表性的事故模式为 AV 停止后被后方直行的车辆接触。 交叉表分析表明场景组与衡量 事故结果和描述道路环境的变量显著相关。 研究方法为 AV 事故场景提取和分类提供新思路,研究结果对了解 AV 事故模式 具有参考价值。     

自动驾驶自动紧急制动关键场景测试案例提取研究

为提取自动驾驶自动紧急制动(autonomous emergency braking system,AEB)关键场景测试案例,依据不同抽象程度依次重构符合自然驾驶规律的功能场景、逻辑场景、具体场景,进而对AEB系统展开测试并求解其关键场景。从自然驾驶数据集NGSIM筛选出车辆跟随实例构建出功能场景,基于场景要素构建功能场景,提取出该场景的关键字要素,采用高斯混合模型拟合自然驾驶数据,获得具有概率密度分布的逻辑场景,基于Gibbs抽样的蒙特卡洛方法生成具体测试实例,并通过重要性抽样方法生成关键场景。最后对生成到的关键场景聚类加速场景生成,并对其AEB系统在Prescan仿真软件进行测试。结果表明,AEB系统可对生成的关键场景实现避免碰撞。     

基于自然驾驶数据的匝道行驶典型场景聚类分析

匝道行驶由于存在潜在的车辆间交通冲突,对自动驾驶汽车来说是一项挑战,因此,有必要对匝道的典型场景开展研究,以便应用于自动驾驶汽车的开发和测试。基于自然驾驶数据（naturalistic driving data, NDD）研究了匝道行驶典型场景。首先,通过对车辆在匝道上交互时的3个主要元素进行定义,包括初始状态（initial state, S）、驾驶动作（driving action, A）和交互性能（interaction performance, P）,并以此来描述车辆的交互行为;然后,选取用于表征A和P的变量作为聚类特征,通过基于Calinski-Harabasz（CH）指数的K-means聚类方法获得8种聚类结果,根据聚类结果对各变量进行分析,得到4种典型的交互方式;再后,通过分析表征初始状态的变量,运用置信椭圆提取典型的逻辑场景;最后,基于逻辑场景随机选择两个具体场景对自动驾驶系统（autonomous driving system, ADS）进行测试和评估。结果表明,运用研究获得的匝道行驶典型场景进行测试,可揭示自动驾驶汽车与其他交互车辆间的交互能力,说明基于NDD并运用聚类分析方法生成的匝道行驶典型场景是有效的。     

基于参数描述的换道场景自动驾驶精确决策学习

为提高车辆驾驶安全性并充分考虑人类驾驶员对于自动驾驶控制系统的接受度,研究并实现了自动驾驶车辆在换道场景下的精确决策学习。汽车自动驾驶不仅需要决策是否换道,还需要决定汽车的具体微观行为,如换道时间和期望加速度的确定等,因此,车道变换的精确决策需使用3个参数来描述,并需要通过强化学习求解。这种基于参数精确决策的合理性体现在两个方面：首先是不同的决策参数值会影响规划的轨迹,如果决策不精确,将产生运动的不确定性;其次是基于真实交通数据（NGSIM）的分析,因为人类换道行为在换道时间和期望加速度上存在显著的差异性,在当前的决策研究中很少被明确考虑。此外,发现NGSIM数据中存在一些潜在的紧急情况,可以通过优化部分决策参数来提升其安全性;在强化学习算法的设计中,动作过程中加入换道时间和期望加速度;奖励函数考虑了安全性、当前驾驶员的意愿和平均人类驾驶风格;问题求解中,自定义了基函数,并通过基于核函数的最小二乘策略迭代强化学习方法学习精确的安全决策行为。仿真结果表明,使用强化学习参数决策可以实现更精确的决策,从而提高安全性能,并可在变道场景中模仿人类驾驶员的行为。     

基于交通事故数据的自动紧急制动系统测试场景构建

为了探究面向汽车主动安全技术功能验证的测试场景的科学构建方法,构建符合真实交通状况的高保真测试场景。以自动紧急制动(autonomous emergency braking, AEB)系统为研究对象,以美国高速公路安全管理局事故数据库中筛选出的AEB系统功能适用的6 639起道路交通事故为研究样本,通过机器学习方法实现了由事故数据到测试场景的科学转换。针对传统聚类算法的缺陷,提出了基于层次聚类和K-means聚类相结合的融合聚类算法,并引入聚类曲线以开展事故数据样本的聚类分析。根据聚类获取的12类典型事故场景,构建了面向AEB系统功能验证的14种测试场景。结果表明：相比于传统的K-means聚类算法,融合聚类算法平均减少了8次迭代次数;聚类结果平均减少3%的波动;实现事故数据样本的科学准确聚类且提升数据聚类效率。所提出的测试场景在实现对现有AEB测试场景有效覆盖的同时,为标准测试场景的进一步扩充提供了有力支撑。     

自动驾驶汽车测试技术与应用进展

针对自动驾驶汽车的决策规划、环境感知等测试需求,从测试方法、测试工具以及测试加速三个方面,系统地总结了自动驾驶汽车测试技术与应用现状,深入地分析了自动驾驶汽车测试技术的特点和适用范围.最后,指出了自动驾驶汽车测试技术的未来发展方向.     

涉及骑车人的典型交通危险场景

对上海地区真实交通中的自然行驶工况进行视频采集、筛选和分类,得到152例涉及骑车人(自行车、摩托车、电动助力车)的危险工况.通过聚类分析和卡方检验得到了7类典型的危险场景.最后用PreScan软件对这7类危险场景进行虚拟建模,得到了涉及骑车人的典型危险工况场景库.     

基于自然驾驶研究的直行追尾危险场景诱导因素分析

基于中国自然驾驶工况数据,筛选了直行追尾危险工况,通过修正的DREAM(driving reliability and error analysis method)方法进行了诱导因素分析.对直行追尾危险场景依据车辆行驶特点进行了场景细分,分析了不同场景细分类型下诱导因素逻辑图.结果表明,在直行追尾场景中驾驶员的"力度不足"和"距离过短"为占比最高的紧急事件(危险特征),并分析了追尾场景中4个细分类型对应的紧急事件特点.研究发现,中国驾驶员的驾驶习惯与欧美有较大差别,直行追尾危险场景中最主要的深层诱导因素为驾驶员习惯性期待他车特定驾驶行为等不良驾驶习惯,而不是在驾驶过程中与驾驶操纵无关的第二行为.     

基于目标优化的自动驾驶决策规划系统自动化测试方法

利用仿真技术的场景测试方法已成为国内外研究热点,其中如何在大量场景中找到有价值的关键场景至关重要.针对上述问题,基于优化搜索算法提出了一种面向决策规划系统的关键场景自动化测试方法,能够克服传统场景测试方法的盲目性,提高测试效率.基于决策规划系统硬件在环测试平台,验证了该方法的有效性,并对比了不同搜索算法的关键场景生成效...     

论自动驾驶汽车交通事故致人损害的民事责任

自动驾驶系统虽然在现阶段尚不具有民事主体资格,但其特殊性决定了自动驾驶汽车交通事故致人损害的民事责任不完全等同于传统机动车交通事故侵权责任。根据自动驾驶系统是否存在缺陷,此种责任可分别成立机动车交通事故侵权责任和产品责任。就前者而言,自动化程度的不同决定了责任主体也有所不同,其或者是人类驾驶员,或者是人类驾驶员与生产者,或者是所涉各方当事人。就后者而言,其责任主体不仅包括自动驾驶汽车的生产者和销售者,还包括编程者、设计者等人员。由于自动驾驶系统的智能性,上述责任在责任构成和免责事由等方面也具有一定的特殊性。     

自动驾驶车辆对人工驾驶车辆跟驰行为影响分析

针对自动驾驶车辆（automated vehicle, AV）与人工驾驶车辆（manual vehicle, MV）组成的混行跟驰环境，基于Waymo公开数据集研究混行环境中AV前车对MV后车跟驰行为的影响。首先，探究混行环境中期望安全裕度模型和智能驾驶人模型的建模能力和模型参数变化，研究表明，混行环境中MV跟驰行为的机制没有发生变化，但是MV驾驶人的减速敏感程度更低。其次，从跟驰安全性、稳定性和环境效应3个方面对混行跟驰行为进行进一步分析得到，混行环境中的MV跟驰行为的稳定性和环境效应得到了改善，但是安全性并没有发生变化。最后，通过对前车速度波动性进行讨论发现，AV前车主要是通过降低自身速度波动性，从而抑制MV后车的速度波动性，改善MV后车在稳定性及环境效应方面的表现。     

自动驾驶算法的异常事件生成系统设计与评估

评价自动驾驶算法对异常交通事件的响应具有重要的应用价值,针对在真实世界中制造异常交通事件存在代价高、风险大等问题,本文提出了一种面向自动驾驶算法评估的异常交通事件生成方法,该方法可以自动生成5类异常交通事件;基于该方法,搭建了一个驾驶策略评估系统,以实现对自动驾驶算法的评估.为验证生成的异常交通事件的有效性,对一种基于深度网络的模仿学习自动驾驶算法进行了评估.实验结果表明,生成的异常交通事件可以更全面地评估自动驾驶算法的性能.     

危险驾驶行为的刑法规制

刑法意义上的危险驾驶行为是一种独立的犯罪行为,是指机动车驾驶人员因对其自身驾驶技术过于自信,在自身处于无法安全驾驶状态、机动车处于非正常状态下仍执意进行驾驶,或非正常驾驶机动车,对不特定人的人身、财产及其他合法权益以及公共财产安全形成严重威胁,但未发生损害后果的行为。对危险驾驶行为的判断标准和定罪要件进行理论分析,不但有利于司法实践正确定罪量刑,而且有利于刑法规制的完善。     

基于机器视觉的车辆自动驾驶模糊控制设计

针对车辆动力学控制系统所具有的强非线性特点提出了基于机器视觉的车辆自动驾驶模糊控制方案.采用Michael等人提出的车辆系统动力学模型,通过模糊控制规则的量化划分对车辆在道路上的运动进行了仿真.仿真的结果 显示,本方案可以很好地解决空旷道路上的车辆自动驾驶问题,并且该控制方法 可以保证车辆快速准确地在道路上安全高速行驶,具有很好的鲁棒性.     

典型危险化学品事故模拟试验研究

研究设计了池火灾、有毒物质泄漏等典型危险化学品事故场景,并采用相关系数、偏差等方法与选择的理论计算模型进行了对比分析.事故模拟试验结果表明,池火灾事故模拟试验值与计算值的相关系数、偏差分别为0.993,7.9%,有毒物质泄漏模拟试验值与计算值的相关系数和偏差分别为0.976、22.6%,试验数据与模型计算结果具有较好的一致性,拟合性较好,事故计算模型具有较高的准确度.研究成果对确定危险化学品事故计算模型、科学分析危险化学品事故后果提供了技术支持.     

基于图像信息处理的车辆自动驾驶控制方法

在分析驾驶员利用图像信息进行驾驶的一般规律基础上,提出了利用图像信息处理技术实现车辆路迹踪自动行驶的控制方法和规则,并进行了模拟计算和试验,结果表明,所提出的控制方法和规则用于进行车辆的自动驾驶是可行的。     

自动驾驶车辆路径跟踪控制方法研究

路径跟踪控制是自动驾驶车辆关键技术的一个重要环节,主要研究如何控制关键的参数使得自动驾驶车辆稳定无偏差地沿着已经规划好的路径行驶。本文介绍了常用的一些控制方法,并分析了其在自动驾驶汽车路径跟踪方面的研究应用,指出将多种算法相结合、改善模型动力学约束的完整性等会使路径跟踪的效果更精准的研究。     

事故接管场景下L3自动驾驶换道轨迹的评价和分类

为研究L3自动驾驶事故场景下人工接管后换道轨迹的评价和分类问题,通过驾驶模拟实验采集换道轨迹数据;从舒适性、高效性、生态性、安全性四个方面选取9个评价指标;采用熵权TOPSIS模型对换道轨迹进行评价并完成标签标定;用标定后的数据训练得到SVM分类器模型,并将其应用于换道轨迹的分类中,该模型在测试集的平均准确率为79.55%,平均精确率为79.52%,平均召回率为79.51%,平均F1值为77.43%。结果表明：应用熵权TOPSIS模型得到的评分最高的换道轨迹在舒适性、高效性、生态性和安全性上综合表现优秀;SVM分类器能以较为稳定的准确率完成换道轨迹的分类。得到的最优换道轨迹可为驾驶员的换道提供指导,也可为自动驾驶车辆的轨迹遵循提供参考。     

自动驾驶技术研究现状及发展趋势

自动驾驶能够有效避免因驾驶技能、心理变化、疲劳程度等人为因素而导致的交通事故,能够有助于合理管控道路交通流量以改善道路的通行能力,还能够提供舒适友好的驾乘体验,具有广阔的应用前景以及潜在的社会效益。对自动驾驶技术的发展历程进行概述,从环境感知、高精度定位、场景认知、协同决策、控制与执行等方面对自动驾驶技术的中外最新研究成果进行了概要论述,并对自动驾驶技术研究的共性问题以及发展趋势进行了探讨与展望。