智能駕駛車輛可能不會(huì)消除所有的碰撞，例如，惡劣的天氣和復(fù)雜的駕駛環(huán)境對(duì)智能駕駛車輛以及人類駕駛員提出了挑戰(zhàn)。在某些情況下，智能駕駛車輛可能比駕駛員更差。智能車輛也可能造成新的嚴(yán)重碰撞風(fēng)險(xiǎn)，例如，網(wǎng)絡(luò)攻擊可能導(dǎo)致崩潰。智能駕駛車輛的開發(fā)者和第三方測(cè)試人員需要開發(fā)出展示安全性和可靠性的創(chuàng)新方法。

要確保智能駕駛車輛的安全，需要掌握一些跨學(xué)科的知識(shí)，包括，硬件容錯(cuò)，機(jī)器學(xué)習(xí)，人車交互，人車協(xié)作等知識(shí)[1]。

對(duì)于完全智能駕駛汽車來(lái)說(shuō)，必須有一定的安全認(rèn)證策略。這一策略必須解決安全工程，硬件可靠性，軟件驗(yàn)證，機(jī)器人，安全性，測(cè)試，人機(jī)交互，社會(huì)認(rèn)可以及可行的法律框架等跨學(xué)科的問(wèn)題。在這些領(lǐng)域中的每一個(gè)領(lǐng)域都將存在微妙的折衷，并且可能在區(qū)域之間有顯著的交叉耦合權(quán)衡。

所以本文提出一些智能安全技術(shù)在汽車方面的應(yīng)用。

1 基于智能編碼器和隨機(jī)森林算法的車輛安全應(yīng)用預(yù)測(cè)[2]

使用機(jī)器學(xué)習(xí)算法預(yù)測(cè)復(fù)雜交通場(chǎng)景的表示方法，這種表示對(duì)于所有車輛的安全應(yīng)用是重要的，特別是在復(fù)雜的交通情況下執(zhí)行動(dòng)態(tài)操縱時(shí)。作為第一步，使用分層情況分類器來(lái)區(qū)分不同類型的交通情景。該分類器負(fù)責(zé)識(shí)別道路基礎(chǔ)設(shè)施的類型以及駕駛環(huán)境中與安全相關(guān)的交通參與者。每一類代表相似的交通情景，一組隨機(jī)森林（RFs）被單獨(dú)訓(xùn)練來(lái)預(yù)測(cè)描述交通參與者未來(lái)行為的概率表示。這種表示被稱為預(yù)測(cè)占用網(wǎng)格（POG）。RFs的輸入是增強(qiáng)占用網(wǎng)格（AOG）。為了提高RFs的學(xué)習(xí)準(zhǔn)確性并執(zhí)行更好的預(yù)測(cè)，使用多層減噪智能編碼器（SDA）將AOG簡(jiǎn)化為低維特征。所提出的由SDA和RF組成的機(jī)器學(xué)習(xí)方法的優(yōu)異性能在模擬和實(shí)際車輛的實(shí)驗(yàn)中得到證明。還介紹了應(yīng)用POG來(lái)估計(jì)交通場(chǎng)景的危急程度并確定安全軌跡。

分層情況分類器用于基于道路幾何和安全相關(guān)的交通參與者對(duì)不同的交通情景進(jìn)行分類，并且針對(duì)分類器的每個(gè)類別單獨(dú)訓(xùn)練一組隨機(jī)森林以預(yù)測(cè)交通情景。圖像失真模型和一組預(yù)定義的規(guī)則被用作分類器中的決策過(guò)程。在SUMO-MATLAB環(huán)境中進(jìn)行仿真以驗(yàn)證分類器，結(jié)果是有希望的。使用多層降噪智能編碼器的無(wú)監(jiān)督降維在增強(qiáng)POG上執(zhí)行。低維特征能夠提高隨機(jī)森林的學(xué)習(xí)和預(yù)測(cè)精度。它們也有助于大大縮短培訓(xùn)隨機(jī)森林所需的時(shí)間。使用900個(gè)測(cè)試場(chǎng)景的仿真結(jié)果和使用實(shí)際車輛的實(shí)驗(yàn)證明，所提出的機(jī)器學(xué)習(xí)方法能夠預(yù)測(cè)占用網(wǎng)格的可靠估計(jì)。還介紹了預(yù)測(cè)占用網(wǎng)格在安全危急情況下為EGO車輛規(guī)劃安全軌跡的應(yīng)用。未來(lái)的工作將重點(diǎn)放在使用卷積智能編碼器降維以及展示預(yù)測(cè)占用網(wǎng)格用于車輛安全的應(yīng)用。

2 集合經(jīng)驗(yàn)?zāi)Ｊ椒纸庠谲囕v安全當(dāng)中的應(yīng)用[3]

時(shí)間歷程信號(hào)的比較需要用于不同的目的，特別是對(duì)于車輛安全性的模型驗(yàn)證?，F(xiàn)有的大多數(shù)指標(biāo)只關(guān)注數(shù)學(xué)的價(jià)值。因此它們受測(cè)量誤差，擾動(dòng)和不確定性的影響，難以達(dá)到穩(wěn)定的結(jié)果，且物理解釋清晰。作者ZUOLONGWEI提出了一種新的時(shí)間歷程信號(hào)比較方案，用于車輛安全分析。更詳細(xì)的原理是每個(gè)信號(hào)通過(guò)集合經(jīng)驗(yàn)?zāi)B(tài)分解法被分解成趨勢(shì)信號(hào)和幾個(gè)固有模式函數(shù)（IMF）。趨勢(shì)信號(hào)反映了一般的變化，不受高頻干擾的影響。借助動(dòng)態(tài)時(shí)間扭曲，計(jì)算趨勢(shì)信號(hào)的時(shí)間歷程和誤差。將高頻信息的IMF在頻率，大小和局部特征方面進(jìn)行比較。為了說(shuō)明提出的方案的全面性和有效性，作者提供了三個(gè)車輛事故案例。

在測(cè)試中，加速度計(jì)位于車身和假人的相關(guān)位置，如制動(dòng)鉗，左后座和假人頭部。這些加速度記錄為碰撞響應(yīng)，將用于車輛安全分析。碰撞響應(yīng)的另一個(gè)來(lái)源是有限元或多體軟件中的CAE仿真。在本節(jié)中，來(lái)自CAE軟件的崩潰響應(yīng)將會(huì)作為模型驗(yàn)證目的的常見(jiàn)案例，與全車碰撞事故進(jìn)行對(duì)比。為簡(jiǎn)單起見(jiàn)，本節(jié)中的所有信號(hào)均以10kHz進(jìn)行采樣并過(guò)濾。

結(jié)果表明，該方案的優(yōu)點(diǎn)如下：

（1）趨勢(shì)信號(hào)不受高頻干擾的影響。趨勢(shì)信號(hào)的比較將提供一個(gè)魯棒的結(jié)果來(lái)描述測(cè)試和參考信號(hào)之間的整體差異。

（2）在趨勢(shì)信號(hào)比較中，有助于找到參考節(jié)點(diǎn)和測(cè)試信號(hào)之間的對(duì)應(yīng)關(guān)系，具有明確的物理意義。

（3）每一對(duì)IMF都包含特定頻率間隔的局部信息。所以檢查的是局部信息。一個(gè)大錯(cuò)誤總是指局部特征如峰值和局部振動(dòng)的丟失。

（4）所提出的方案的另一個(gè)優(yōu)點(diǎn)是它涉及更多的特征進(jìn)行比較。這使得提供綜合結(jié)果成為可能，每個(gè)特征的測(cè)量具有明確的物理意義。

3 利用計(jì)算機(jī)視覺(jué)系統(tǒng)進(jìn)行車輛—自行車相互作用的安全診斷[4]

騎自行車的人通常會(huì)面臨較高的碰撞風(fēng)險(xiǎn)，因此，需要有效的技術(shù)來(lái)評(píng)估騎自行車人的安全。本節(jié)使用兩種交通沖突的安全分析技術(shù)。

第一個(gè)技術(shù)是，是對(duì)一個(gè)主要交叉路口的安全診斷，其中包括自行車和行人安全問(wèn)題。基于計(jì)算機(jī)視覺(jué)技術(shù)的視頻，從視頻素材中提取和分析數(shù)據(jù)。交通沖突指標(biāo)（如碰撞時(shí)間）用于評(píng)估沿路口的沖突頻率嚴(yán)重程度，以便根據(jù)沖突的頻率和嚴(yán)重程度確定安全問(wèn)題。分析了不同的空間和時(shí)間不一致行為模式。評(píng)價(jià)結(jié)果顯示布拉德橋的出入口是交叉口沖突的主要來(lái)源。

第二個(gè)技術(shù)涵蓋了在同一交叉路口的騎行者屈服行為的詳細(xì)分析。通過(guò)分析不同順序的兩個(gè)自行車道路口中的車輛和自行車的屈服率來(lái)評(píng)估騎行者的屈服行為。根據(jù)交通規(guī)則，也可以通過(guò)觀察十字路口與正式交通規(guī)則的對(duì)比來(lái)研究交通規(guī)則。結(jié)果表明，自行車的屈從率可能會(huì)因交叉路口的配置和合法的行車路線而發(fā)生顯著的變化。

自行車的低屈從率以及相對(duì)較低的車輛屈從率會(huì)帶來(lái)一個(gè)安全問(wèn)題：理解騎車者的行為可以使工程師設(shè)計(jì)和建造符合道路使用者期望的更安全的交叉路口，并開發(fā)更切合實(shí)際的交通行為，安全和運(yùn)營(yíng)模式。在評(píng)估車輛與自行車之間的相互作用是如何發(fā)生的時(shí)候，理解自行車產(chǎn)出率和十字路口行為是非常重要的。

4 智能駕駛車輛安全的具體問(wèn)題：貝葉斯深度學(xué)習(xí)的優(yōu)勢(shì)[5]

本文研究了三項(xiàng)智能駕駛車輛（AV）研究領(lǐng)域的研究主題：安全性，解釋性和合規(guī)性。通過(guò)量化部件的輸出，可以提高安全性。解釋性，關(guān)注于解釋AV所觀察到的以及為什么它做出決定，從而與乘客建立安全感，因?yàn)橐粋€(gè)AV應(yīng)該能夠向乘客解釋它所觀察到的以及為什么它做出了決定，而不是期望乘客信任一個(gè)黑匣子。合規(guī)性是指保持對(duì)乘客的一些控制。通過(guò)告訴乘客AV正在做什么以及為什么，幫助乘客信任AV技術(shù)，克服對(duì)未知的合理恐懼。我們提出了貝葉斯深度學(xué)習(xí)，它將高度靈活的深度學(xué)習(xí)架構(gòu)的優(yōu)點(diǎn)與貝葉斯方法相結(jié)合，幫助工程師了解模型以驗(yàn)證安全標(biāo)準(zhǔn)，如果出現(xiàn)問(wèn)題，通過(guò)審查和解釋決定來(lái)追究保險(xiǎn)責(zé)任和法律責(zé)任。

AV只能接受安全和合法的乘客請(qǐng)求，因此在碰撞事故中保護(hù)乘客免于責(zé)任。制造商（或者也許是軟件提供商）需要平衡運(yùn)營(yíng)框架的靈活性與自身對(duì)責(zé)任風(fēng)險(xiǎn)的容忍度。這個(gè)主題表明了重要的新研究方向。由于社會(huì)已經(jīng)認(rèn)識(shí)到車輛到車輛（V2V）和車輛到基礎(chǔ)設(shè)施（V2I）通信協(xié)議將是有用的，所以也許類似的“車輛到用戶”（V2U）協(xié)議也是可能的。我們相信，相關(guān)的想法可能來(lái)自轉(zhuǎn)移學(xué)習(xí)或數(shù)據(jù)高效的強(qiáng)化學(xué)習(xí)，以盡量減少與乘客的交互。解決這個(gè)未被發(fā)掘的主題所帶來(lái)的問(wèn)題有可能改變我們目前對(duì)于視聽(tīng)的看法。

5 統(tǒng)計(jì)模型——智能駕駛車輛安全驗(yàn)證的檢查[6]

本節(jié)提出統(tǒng)計(jì)模型，驗(yàn)證智能車輛控制器。目標(biāo)是檢查各種交通情況下的安全屬性。更具體地說(shuō)，專注于堵車情況?？刂破饔蒀++程序指定。使用傳感器記錄附近車輛的位置和速度，并修改受控車輛的位置和速度以避免碰撞。使用隨機(jī)高層Petri網(wǎng)對(duì)環(huán)境進(jìn)行建模，可以描述其他車輛的隨機(jī)行為。使用線性時(shí)間邏輯的量化HASL（一種線性時(shí)序邏輯）來(lái)表示所需的屬性?？梢栽贖ASL中指定大量的性能指標(biāo)。使用COS-MOS來(lái)評(píng)估這個(gè)模型的特性。具有兩個(gè)性能指標(biāo)：預(yù)期行駛距離和碰撞概率。在各種情況下使用模擬，用置信區(qū)間來(lái)估計(jì)這些指數(shù)。有兩個(gè)簡(jiǎn)單的控制器：一個(gè)為基本的控制器，在不改變車道的情況下調(diào)整車輛的速度，另一個(gè)稍微改進(jìn)的控制器根據(jù)情況改變車道?？刂破鞯娜萘恳稽c(diǎn)點(diǎn)的增加可以使車輛的安全性能大幅度提高。

結(jié)果表明，Petri網(wǎng)具有以下優(yōu)點(diǎn)：能夠管理用戶定義的數(shù)據(jù)結(jié)構(gòu)和代碼，量化不同事件發(fā)生的頻率以及其他車輛行為的不可預(yù)測(cè)性。

6 基于GPS-INS集成的碰撞車輛檢測(cè)系統(tǒng)[7]

主要目標(biāo)是提供檢測(cè)車禍位置的方法，這些模型考慮了基于GPS/INS的導(dǎo)航算法，導(dǎo)航傳感器的校準(zhǔn)技術(shù)，以及車輛事故發(fā)生時(shí)的去噪方法，和環(huán)境傳感器的測(cè)量數(shù)據(jù)，來(lái)表示車禍位置。此外，基于位置的事故檢測(cè)模型在不同的情況下進(jìn)行測(cè)試。

考慮四種主要算法：

1）加速度計(jì)和陀螺儀的系統(tǒng)誤差的校準(zhǔn)

2）用去噪技術(shù)消除所述傳感器中部分隨機(jī)誤差

3）GPS和INS的集成全面覆蓋導(dǎo)航系統(tǒng)

4）基于移動(dòng)車輛的動(dòng)態(tài)檢測(cè)事故

將四種主要算法結(jié)合到一個(gè)全球事故檢測(cè)系統(tǒng)中，即使在惡劣的城市環(huán)境中也能提供穩(wěn)定和準(zhǔn)確的車禍定位。使用Powell的Dog Leg算法來(lái)補(bǔ)償?shù)统杀緫T性的系統(tǒng)誤差；用GPS和INS組合使用EKF來(lái)增強(qiáng)導(dǎo)航解決方案；并利用慣性傳感器來(lái)估計(jì)車輛的受力情況。

結(jié)果表明，在沒(méi)有GPS信號(hào)的惡劣環(huán)境下，可以檢測(cè)到事故的位置。同樣的結(jié)果證實(shí)，傳感器的校準(zhǔn)在位置校正算法中具有重要的作用。

7 智能車輛道路信息可靠性的學(xué)習(xí)[8]

道路估計(jì)是車輛安全重要的任務(wù)之一。本節(jié)提出了一個(gè)新的概念，定義，測(cè)量，學(xué)習(xí)和集成可靠性的道路估計(jì)任務(wù)。引入了一個(gè)新的誤差度量。基于不同情況的傳感器和背景信息的大型數(shù)據(jù)庫(kù)，訓(xùn)練貝葉斯網(wǎng)絡(luò)和隨機(jī)森林來(lái)學(xué)習(xí)可靠性。

為了估計(jì)車道信息的可靠性，我們首先介紹一下我們的傳感器設(shè)置和整體框架。除了GPS接收器外，我們的車還配備了三個(gè)傳感器：?jiǎn)螖z像機(jī)、激光雷達(dá)和雷達(dá)傳感器。為了在地圖上定位，我們采用一種簡(jiǎn)單的最近鄰方法，直接使用GPS定位并將其與最近的道路位置相匹配。只使用標(biāo)準(zhǔn)的導(dǎo)航地圖，而不是高精度的地圖，適用于所有系統(tǒng)。該地圖僅提供道路路線和道路屬性，如道路類型（公路、農(nóng)村、城市）、車道類型（正常、分叉或合并）等。為了減少計(jì)算時(shí)間，我們?yōu)槊總€(gè)傳感器輸入被簡(jiǎn)化。可以得到四個(gè)假設(shè)：LH，RH，CH和VH，

左側(cè)車道標(biāo)識(shí)：左側(cè)假設(shè)（LH）右側(cè)車道標(biāo)識(shí)：右側(cè)假設(shè)（RH）車道中心假設(shè)（CH）

主導(dǎo)車輛的軌跡：車輛假設(shè)（VH）

使用可靠性估計(jì)，可以獲得超過(guò)90%的準(zhǔn)確性，公路，農(nóng)村，出口和匝道的情況下，約85%的城市情景?；诳煽慷鹊能嚨肋x擇可以通過(guò)忽略不可靠的假設(shè)來(lái)提高系統(tǒng)的可用率，提高車輛的安全性。

8 車輛防盜系統(tǒng)和安全控制系統(tǒng)[9]

設(shè)計(jì)了汽車系統(tǒng)的智能安全控制系統(tǒng)，有兩個(gè)與控制器區(qū)域網(wǎng)絡(luò)相連的電子控制單元（ECU）。一種ECU具有汽車點(diǎn)火系統(tǒng)的生物指紋安全系統(tǒng)。另一種ECU基于模糊邏輯算法的智能模式雨刷動(dòng)作和汽車前照燈調(diào)整，消除炫光效果。

汽車點(diǎn)火系統(tǒng)具有生物安全性。它需要指紋模塊和GSM模塊。當(dāng)指紋模塊與數(shù)據(jù)庫(kù)模板匹配時(shí)，車輛認(rèn)證訪問(wèn)。如果指紋不匹配，GSM模塊將消息發(fā)送給車主，消息也將顯示在液晶顯示器上。繼電器用于點(diǎn)火系統(tǒng)的切換。它有5V電源。當(dāng)指紋模板匹配時(shí)，繼電器將激活汽車點(diǎn)火系統(tǒng)。其他ECU主板包括智能模式雨刷和汽車頭燈系統(tǒng)。雨刮式傳感器用于雨強(qiáng)探測(cè)。根據(jù)探測(cè)結(jié)果，調(diào)整雨刮器的運(yùn)動(dòng)。其他傳感器BH1750檢測(cè)亮度。根據(jù)夜間的亮度調(diào)整頭燈系統(tǒng)。

在實(shí)施該系統(tǒng)后得出以下好處：

（1）與傳統(tǒng)方法相比，布線復(fù)雜度降低了

（2）由于手動(dòng)切換頭燈和雨刷系統(tǒng)的干擾消除，這可以通過(guò)下雨滴和光傳感器來(lái)實(shí)現(xiàn)

（3）夜間駕駛員的眩光效應(yīng)有所下降

（4）由于生物特征安全特性，濫用車輛或盜竊車輛的機(jī)會(huì)減少了

（5）系統(tǒng)是緊湊的。采用智能安全控制，行車足夠安全。

未來(lái)展望

未來(lái)的研究重點(diǎn)可以放在汽車駕駛體驗(yàn)方面，現(xiàn)實(shí)世界的駕駛體驗(yàn)也可能是提高智能駕駛汽車安全以及道路安全的最重要工具之一。智能車輛開發(fā)者利用個(gè)別車輛的駕駛體驗(yàn)來(lái)提高智能車輛安全的技術(shù)水平。控制智能車輛感知，決策和執(zhí)行的機(jī)器學(xué)習(xí)算法在很大程度上依賴于駕駛經(jīng)驗(yàn)的改進(jìn)。因此，無(wú)人駕駛車輛行駛越多（更多樣化）的行駛里程越有可能改善智能車輛安全性能。

然而，智能駕駛汽車從現(xiàn)實(shí)世界的駕駛體驗(yàn)中學(xué)習(xí)出現(xiàn)了自己的問(wèn)題：在現(xiàn)實(shí)環(huán)境中進(jìn)行學(xué)習(xí)意味著早期使用者或其他道路使用者的風(fēng)險(xiǎn)。這類似于讓青少年司機(jī)上路的風(fēng)險(xiǎn)：他們可能不是很好的駕駛員，但他們需要駕駛經(jīng)驗(yàn)才能成為好駕駛員。然而，在積累駕駛經(jīng)驗(yàn)之前，會(huì)給自己和他人帶來(lái)了風(fēng)險(xiǎn)。所以制定了一些政策來(lái)限制沒(méi)有經(jīng)驗(yàn)的年輕駕駛員的風(fēng)險(xiǎn)，例如最低駕駛年齡和對(duì)學(xué)員許可的限制。這些政策試圖平衡長(zhǎng)期改善的目標(biāo)和近期經(jīng)驗(yàn)的需要。

[1]Philip Koopman.Autonomous Vehicle Safety：An Interdisciplinary Challenge[J].IEEE Intelligent Transportation Systems Magazine,2017,9(1)：90-96

[2]Parthasarathy Nadarajan.Predicted-Occupancy Grids for Vehicle Safety Applicationsbased on Autoencodersand the Random Forest Algorithm[C].International Joint Conference on Neural Networks,2017：1244-1251

[3]KJELL GUNNAR ROBBERSMYR.An EEMD Aided Comparison of Time Histories and Its Application in Vehicle Safety[J].IEEEAccess(Volume：5)519-528

[4]Federico Martin Puscar.SAFETY DIAGNOSISOF VEHICLE--BICYCLE INTERACTIONS USING COMPUTER VISION SYSTEMS：A CASE STUDY IN VANCOUVER,B.C.[D].THE UNIVERSITY OF BRITISH COLUMBIA，April 2017

[5]Rowan McAllister.Concrete Problemsfor Autonomous Vehicle Safety：Advantages of Bayesian Deep Learning[C].Proceedings of the Twenty-Sixth International Joint Conference on Artificial Intelligence(IJCAI-17)

[6]Yann Duplouy.Statistical Model-Checking for Autonomous Vehicle Safety Validation[OL].https：//hal.archives-ouvertes.fr/hal-0149106 Submitted on 16 Mar 2017

[7]Neda Navidi.Collision Vehicle Detection System Based on GPS/INSIntegration[J].Journal of Computer and Communications,2017,5,48-70

[8]Tran Tuan Nguyen.Learning of Lane Information Reliability for Intelligent Vehicles[J].2016 IEEEInternational Conference on Multisensor Fusion and Integration for Intelligent Systems(MFI 2016)Kongresshaus Baden-Baden,Germany,Sep.19-21,2016

[9]Nilesh Gaikwad.Intelligent Safety Control for Automotive Systems[C].2016 International Conference on Automatic Control and Dynamic Optimization Techniques(ICACDOT)