摘要：隨著智能駕駛系統(tǒng)的普及率提高，場(chǎng)景擴(kuò)展和性能提升，其安全性受到越來越多的關(guān)注。圍繞系統(tǒng)安全設(shè)計(jì)中幾個(gè)重要環(huán)節(jié)即風(fēng)險(xiǎn)評(píng)估、事故原因分析、風(fēng)險(xiǎn)控制措施等展開探討，介紹了危害事件的描述和風(fēng)險(xiǎn)評(píng)估方法、事故模型、風(fēng)險(xiǎn)可接受標(biāo)準(zhǔn)，闡述了這些方法之間的關(guān)聯(lián)，并為這些方法在智能駕駛系統(tǒng)的安全設(shè)計(jì)中的應(yīng)用提供了思路。

關(guān)鍵詞：智能駕駛系統(tǒng)；風(fēng)險(xiǎn)評(píng)估；事故模型；風(fēng)險(xiǎn)可接受標(biāo)準(zhǔn)

中圖分類號(hào)：U462 收稿日期：2024-08-09

DOI：10.19999/j.cnki.1004-0226.2024.10.020

1 前言

當(dāng)前智能駕駛系統(tǒng)普及率越來越高，對(duì)駕駛場(chǎng)景擴(kuò)展和性能提升的期望越來越高。根據(jù)2024年智能互聯(lián)網(wǎng)藍(lán)皮書的數(shù)據(jù)，2023年乘用車L2級(jí)輔助駕駛系統(tǒng)滲透率達(dá)到47.3%，2024年1—5月突破50%。針對(duì)更高級(jí)別的輔助駕駛系統(tǒng)，根據(jù)Canalys的報(bào)告，預(yù)計(jì)2025—2026年城市導(dǎo)航輔助駕駛系統(tǒng)等L2+輔助駕駛功能整體滲透率將上升到9.3%，到2025年，L3智能駕駛系統(tǒng)市場(chǎng)滲透率有望達(dá)到4.6%。

整體普及率的提高，以及駕駛場(chǎng)景的持續(xù)擴(kuò)展和性能的不斷提升，顯著改善了駕駛的舒適性和安全性。根據(jù)美國(guó)公路安全保險(xiǎn)協(xié)會(huì)（IIHS）和公路損失數(shù)據(jù)學(xué)會(huì)（HLDI）提供的數(shù)據(jù)顯示，智能駕駛系統(tǒng)的安全輔助功能，如自動(dòng)緊急制動(dòng)（Automatic emergency brake），車道偏離報(bào)警輔助（Lane departure warning），盲區(qū)檢測(cè)（Blind Spot Detection），倒車輔助（Rear Automatic braking， Rearview camera，Rear cross-traffic alert）都能顯著降低整體事故發(fā)生率以及事故中對(duì)交通參與者的損害程度，如圖1所示[1]。

駕駛注意力不集中一直是導(dǎo)致交通事故發(fā)生的關(guān)鍵因素之一，駕駛注意力檢測(cè)相關(guān)的安全輔助功能可以有效預(yù)防由于駕駛注意力不集中導(dǎo)致的交通事故，同時(shí)智能駕駛系統(tǒng)參與的人機(jī)共駕過程在今后很長(zhǎng)時(shí)間內(nèi)將廣泛存在，有研究表明，性能更優(yōu)異穩(wěn)定的智能駕駛系統(tǒng)，更容易造成駕駛員過度依賴，出現(xiàn)駕駛注意力分散的情況[2-3]。

確保駕駛員在人機(jī)共駕過程中始終保持應(yīng)有的接管能力，一直是更高級(jí)別駕駛輔助系統(tǒng)過程中非常關(guān)鍵的安全話題。駕駛注意力檢測(cè)相關(guān)的安全輔助功能在更高級(jí)別輔助駕駛系統(tǒng)中將扮演越來越重要的角色[4]。

智能駕駛系統(tǒng)的舒適性功能在提升駕駛舒適度的同時(shí)，對(duì)降低事故發(fā)生率也起到了積極作用。奧迪舒適性駕駛輔助功能：交通擁堵輔助（Traffic Jam Assist）使事故發(fā)生率（保險(xiǎn)報(bào)案率），尤其是身體傷害責(zé)任險(xiǎn)和醫(yī)療支付保險(xiǎn)有顯著下降，如圖2所示[5]。

眾多知名車輛安全評(píng)價(jià)機(jī)構(gòu)如歐洲新車評(píng)估規(guī)程（ENCAP），中國(guó)新車評(píng)價(jià)規(guī)程（CNCAP），美國(guó)國(guó)家公路安全局（NHTSA）等均針對(duì)不同類型的駕駛輔助功能分別制定了安全評(píng)價(jià)標(biāo)準(zhǔn)，其評(píng)價(jià)結(jié)果很大程度上影響著對(duì)車輛的整體安全評(píng)價(jià)，且受到越來越多的關(guān)注[6-7]。

越來越多的國(guó)家與地區(qū)將智能駕駛系統(tǒng)的安全輔助功能列為法規(guī)強(qiáng)制標(biāo)準(zhǔn)配置，如歐盟的GSR（General Safety Regulation）規(guī)定，2024年7月后歐盟所有新車型均需安裝具備自動(dòng)緊急制動(dòng)、車道偏離警告、盲區(qū)檢測(cè)、駕駛員監(jiān)控系統(tǒng)、智能速度輔助等多項(xiàng)安全輔助功能的高級(jí)駕駛輔助系統(tǒng)才能通過車輛型式認(rèn)證（Vehicle Type Approval）[8]。

與此同時(shí)，涉及智能駕駛系統(tǒng)的交通事故也時(shí)有發(fā)生，美國(guó)國(guó)家公路安全局（NHSTA）在2021年6月發(fā)起了報(bào)告智能駕駛系統(tǒng)事故的要求（Standing General Order），截至2024年5月，全美高級(jí)駕駛輔助系統(tǒng)（ADAS）和自動(dòng)駕駛系統(tǒng)（ADS）相關(guān)的事故統(tǒng)計(jì)如圖3和圖4所示[9]。

近年來也引發(fā)了一些引起關(guān)注的事件：2023年TESLA Autopilot系統(tǒng)召回，在2021年和2022年，NHSTA針對(duì)TESLA Autopilot 系統(tǒng)相關(guān)的467起事故（其中包含至少13起致命交通事故）展開的調(diào)查（NHSTA Campaign Number： PE21020和EA22002），發(fā)現(xiàn)Autopilot系統(tǒng)無法有效預(yù)防和糾正駕駛員不正確使用高級(jí)駕駛輔助功能，駕駛員容易過度信賴高級(jí)駕駛輔助系統(tǒng)的能力而降低對(duì)于駕駛?cè)蝿?wù)的專注度，從而導(dǎo)致不合理的交通事故風(fēng)險(xiǎn)。2023年12月TESLA發(fā)起針對(duì)該問題的召回，對(duì)所涉及的2 031 220輛不同型號(hào)的車輛進(jìn)行Autopilot系統(tǒng)升級(jí)，改善防止駕駛員錯(cuò)誤使用的措施（NHSTA Campaign Number：23V838000）。同時(shí)NHSTA在2024年4月發(fā)起了召回調(diào)查（NHSTA Campaign Number：RQ24009），跟進(jìn)調(diào)查Autopilot系統(tǒng)升級(jí)方案中所采取的風(fēng)險(xiǎn)抑制措施的有效性。

國(guó)內(nèi)也曾多次發(fā)生涉及智能駕駛系統(tǒng)的事故?？v觀這些事件，隨著系統(tǒng)復(fù)雜度的提升，與傳統(tǒng)完全由人駕駛車輛的情況相比較，涉及智能駕駛系統(tǒng)的事故，在事故原因的多樣性和復(fù)雜性等方面均存在較大的差異。這些新的變化對(duì)全面分析事故起因，并進(jìn)一步采取措施提升智能駕駛系統(tǒng)的安全性，降低事故風(fēng)險(xiǎn)帶來了新的挑戰(zhàn)[10]。

2 風(fēng)險(xiǎn)評(píng)估

危害事件的風(fēng)險(xiǎn)程度可以用危害事件所造成后果的嚴(yán)重程度、危害事件發(fā)生的可能性來綜合評(píng)價(jià)。風(fēng)險(xiǎn)評(píng)估矩陣示例如圖5所示[11]。

危害事件的風(fēng)險(xiǎn)評(píng)估需要描述目標(biāo)危害事件，危害事件由危害行為和相關(guān)場(chǎng)景構(gòu)成，可以使用危害事件的危害行為和相關(guān)參數(shù)來進(jìn)行描述。比如目標(biāo)車輛不當(dāng)制動(dòng)行為導(dǎo)致被追尾的危害事件，如圖6所示。

主要的參數(shù)：自動(dòng)車和跟隨車的行駛車速（假設(shè)兩車速度相同）；兩車之間的跟車間隔，該參數(shù)符合偏態(tài)高斯分布[12]，如圖7所示；汽車發(fā)生不當(dāng)制動(dòng)時(shí)的減速度，參數(shù)符合一定的頻率分布[13]；跟隨車駕駛員的反應(yīng)時(shí)間，該參數(shù)符合偏態(tài)高斯分布，如圖8所示[14]。

使用蒙特卡洛模擬（Monte Carlo Simulation），按照各參數(shù)的概率分布取樣本并進(jìn)行一定數(shù)量的不當(dāng)制動(dòng)事件模擬，幫助評(píng)估危害行為導(dǎo)致危害事件發(fā)生的概率，分析危害事件發(fā)生概率與危害事件相關(guān)參數(shù)之間的關(guān)系。同時(shí)危害事件導(dǎo)致的事故后果嚴(yán)重程度可以參考事故數(shù)據(jù)庫如GIDAS來進(jìn)行分析[15-16]。

明確危害事件的發(fā)生概率和后果嚴(yán)重程度能幫助我們?cè)u(píng)估危害事件的風(fēng)險(xiǎn)程度?？紤]到危害事件的發(fā)生概率以及后果嚴(yán)重程度均與危害事件參數(shù)相關(guān)，比如不當(dāng)制動(dòng)行為造成追尾碰撞危害事件的概率與制動(dòng)減速度、制動(dòng)事件產(chǎn)生的速度降、車輛行駛速度等參數(shù)相關(guān)，也識(shí)別出危害事件的風(fēng)險(xiǎn)與危害事件相關(guān)參數(shù)之間的關(guān)聯(lián)。

3 事故模型

目標(biāo)危害事件的風(fēng)險(xiǎn)水平受到各方面相關(guān)因素的影響，控制危害事件的風(fēng)險(xiǎn)需要能夠系統(tǒng)、全面、客觀調(diào)查和分析危害事件背后的相關(guān)因素，尋找防范措施。事故模型是用于描述、分析和預(yù)測(cè)事故發(fā)生原因、過程及后果的抽象系統(tǒng)或框架，為分析危害事件的原因，制定風(fēng)險(xiǎn)控制策略提供了方法。

3.1 常用的事故模型

a.基于事件的事故模型（Event-based accident models）。基于事件的事故模型認(rèn)為事故是由一系列按發(fā)生先后順序排列，且相互構(gòu)成因果關(guān)系事件構(gòu)成的，這里的事件可以是系統(tǒng)組件的失效、人為失誤等。

b.基于系統(tǒng)理論的事故模型（Accident model based on System Theory，STAMP）[17-18]。基于系統(tǒng)理論的事故模型，認(rèn)為系統(tǒng)安全是系統(tǒng)遵守系統(tǒng)安全約束，維持系統(tǒng)安全穩(wěn)態(tài)的持續(xù)閉環(huán)控制過程，這個(gè)閉環(huán)控制過程貫穿整個(gè)社會(huì)技術(shù)系統(tǒng)（Socio-Technical System），如圖9所示[17]。

3.2 STAMP的主要特點(diǎn)

a.基于系統(tǒng)理論，從系統(tǒng)整體出發(fā)，認(rèn)為系統(tǒng)安全是復(fù)雜系統(tǒng)的涌現(xiàn)特性（system emergent property），幫助理解系統(tǒng)整體安全約束，避免出現(xiàn)以系統(tǒng)組件安全來評(píng)價(jià)系統(tǒng)安全，形成對(duì)系統(tǒng)安全片面理解的情況。

b.以分析系統(tǒng)閉環(huán)控制問題的邏輯來審視系統(tǒng)安全問題，更有利于識(shí)別復(fù)雜系統(tǒng)各層級(jí)控制過程中可能造成系統(tǒng)安全約束違反的隱患，如控制邏輯設(shè)計(jì)問題、系統(tǒng)組件之間交互問題、系統(tǒng)與外部交互問題、時(shí)間延遲、系統(tǒng)干擾等，并持續(xù)提升系統(tǒng)適應(yīng)安全相關(guān)變化，抵抗安全相關(guān)干擾的能力。

c.以社會(huì)技術(shù)系統(tǒng)（Socio-Technical Systems）的視角，在一個(gè)更全面的復(fù)雜閉環(huán)系統(tǒng)中審視系統(tǒng)安全問題，擴(kuò)展了事故原因分析的廣度和深度，有助于識(shí)別智能駕駛系統(tǒng)相關(guān)事故（危害事件）背后的復(fù)雜因素和根本原因，如操作過程因素，人機(jī)共駕沖突，管理或者設(shè)計(jì)決策過程的問題，系統(tǒng)設(shè)計(jì)流程缺陷，安全文化和意識(shí)的缺失等。

d.在整體和局部分析過程中與FMEA、FTA等安全分析方法形成優(yōu)勢(shì)互補(bǔ)。

3.3 相關(guān)建議

參考STAMP事故模型的分析思路，降低智能駕駛系統(tǒng)的事故風(fēng)險(xiǎn)，可以從以下幾個(gè)方面做出努力。

3.3.1 法規(guī)和標(biāo)準(zhǔn)層面

隨著新技術(shù)迭代更新速度的加快，需要更高效的機(jī)制來幫助法規(guī)和標(biāo)準(zhǔn)更好地適應(yīng)新技術(shù)的迭代更新，如高效反饋機(jī)制收集諸如技術(shù)評(píng)估、事故報(bào)告等反映新技術(shù)應(yīng)用安全狀態(tài)的信息，以降低法規(guī)和標(biāo)準(zhǔn)制定這個(gè)閉環(huán)控制過程的時(shí)延，對(duì)系統(tǒng)開發(fā)和使用方面的后續(xù)環(huán)節(jié)形成有效的安全約束。

3.3.2 公司管理層面

通過制定相應(yīng)的公司安全政策（包含流程，規(guī)定以及行為準(zhǔn)則等各方面）來規(guī)范項(xiàng)目管理，產(chǎn)品設(shè)計(jì)和開發(fā)、生產(chǎn)、運(yùn)營(yíng)和維保等過程，優(yōu)化各環(huán)節(jié)問題決策過程和行為養(yǎng)成機(jī)制，形成鼓勵(lì)正確執(zhí)行法規(guī)和標(biāo)準(zhǔn)層面安全約束的企業(yè)安全文化。

3.3.3 項(xiàng)目管理層面

在確認(rèn)項(xiàng)目要求和范圍、制定項(xiàng)目計(jì)劃、評(píng)估項(xiàng)目資源和風(fēng)險(xiǎn)等項(xiàng)目啟動(dòng)過程中，充分考慮項(xiàng)目相關(guān)安全需求和約束，在項(xiàng)目過程管理活動(dòng)中，充分評(píng)估安全相關(guān)的狀態(tài)和風(fēng)險(xiǎn)，并做出符合安全約束的決策，在項(xiàng)目層面有效執(zhí)行公司安全政策，貫徹企業(yè)安全文化，為項(xiàng)目如產(chǎn)品設(shè)計(jì)和開發(fā)、生產(chǎn)、運(yùn)行和維保等各項(xiàng)活動(dòng)中有效落實(shí)項(xiàng)目安全需要和約束提供有力支持。

3.3.4 系統(tǒng)設(shè)計(jì)方面

智能駕駛系統(tǒng)是一個(gè)人機(jī)混合控制的閉環(huán)控制系統(tǒng)（圖10、圖11），以分析系統(tǒng)閉環(huán)控制問題的思路和方法有助于更全面地發(fā)現(xiàn)智能駕駛系統(tǒng)安全設(shè)計(jì)的不足，完善系統(tǒng)安全設(shè)計(jì)[19-20]。

a.提升系統(tǒng)應(yīng)對(duì)駕駛?cè)蝿?wù)的能力。系統(tǒng)能力和性能不能滿足客觀復(fù)雜駕駛場(chǎng)景的安全需要，主要原因有以下幾個(gè)方面。①反饋和測(cè)量環(huán)節(jié)：由于性能局限性或者抗干擾能力不足，造成場(chǎng)景關(guān)鍵要素識(shí)別準(zhǔn)確率較低，識(shí)別距離過短，識(shí)別精度較低等反饋信息偏差的情況；反饋信息傳輸?shù)娇刂破鞯臅r(shí)間延遲過長(zhǎng)。②控制環(huán)節(jié)：對(duì)被控制過程（自然駕駛環(huán)境和過程）的理解不充分導(dǎo)致對(duì)被控過程建模的局限性，造成反饋和測(cè)量信息缺失或者控制策略偏差，無法產(chǎn)生安全的控制行為；控制器產(chǎn)生與交通規(guī)則或周邊交通參與者的習(xí)慣所不相適應(yīng)的駕駛行為，如速度過慢，緊急制動(dòng)干預(yù)時(shí)機(jī)過早，反應(yīng)或行動(dòng)猶豫遲緩，貼近一側(cè)車道線行駛等情況容易對(duì)周邊交通參與者造成干擾，與周邊車輛的駕駛行為形成沖突，是導(dǎo)致不合理的事故風(fēng)險(xiǎn)重要因素之一[21-24]；控制器產(chǎn)生不安全的駕駛行為，如橫向或者縱向加速度，方向盤角速度等安全約束的缺失，造成整車高風(fēng)險(xiǎn)的動(dòng)態(tài)行為[25]。

b.系統(tǒng)的電子電氣設(shè)計(jì)。智能駕駛系統(tǒng)的大部分閉環(huán)控制過程由電子電氣系統(tǒng)負(fù)責(zé)完成，而電子電氣系統(tǒng)本身受到系統(tǒng)失效和硬件隨機(jī)失效的影響，提升電子電氣系統(tǒng)的安全設(shè)計(jì)水平也是降低事故風(fēng)險(xiǎn)的重要方面[26]。

c.系統(tǒng)應(yīng)對(duì)信息安全威脅的能力。隨著智能駕駛系統(tǒng)對(duì)信息交互依賴度的提升（V2X），提升系統(tǒng)應(yīng)對(duì)信息安全威脅的能力越來越重要[27]。

d.人機(jī)交互。多個(gè)控制器參與控制的復(fù)雜控制系統(tǒng)更容易出現(xiàn)邊界模糊（Boundary Areas）和不同控制器之間產(chǎn)生控制沖突（Overlapping Control）的情況，基于人機(jī)共駕模型的人機(jī)交互設(shè)計(jì)如合理的駕駛員接管策略，通過信息交互增強(qiáng)駕駛員對(duì)當(dāng)前駕駛環(huán)境、系統(tǒng)控制行為和狀態(tài)、駕駛員當(dāng)前職責(zé)的理解等措施，能有效緩解邊界模糊和重復(fù)控制問題[28-29]。

e.系統(tǒng)使用和運(yùn)行方面。通過更為嚴(yán)格的法規(guī)或者操作規(guī)定來提升駕駛員的安全意識(shí)，輔助駕駛員行為監(jiān)控策略，引導(dǎo)駕駛員安全使用智能駕駛系統(tǒng)也非常重要。

4 風(fēng)險(xiǎn)可接受標(biāo)準(zhǔn)

我們的愿景是零事故（Vision Zero），這也是車輛安全堅(jiān)持不懈努力的目標(biāo)。在實(shí)踐過程中，一個(gè)合理且被廣為認(rèn)可的風(fēng)險(xiǎn)可接受標(biāo)準(zhǔn)也同樣非常重要。一些風(fēng)險(xiǎn)管理框架和原則，如ALARP（as low as reasonably practicable）、MEM（minimal endogenous mortality）、GAMAB為我們建立被認(rèn)可的風(fēng)險(xiǎn)可接受標(biāo)準(zhǔn)指明方向，為進(jìn)一步明確各方面的風(fēng)險(xiǎn)可接受標(biāo)準(zhǔn)提供了參考，總體上來講，風(fēng)險(xiǎn)水平越高的危害事件，風(fēng)險(xiǎn)可接受的標(biāo)準(zhǔn)也越為嚴(yán)格。風(fēng)險(xiǎn)可接受標(biāo)準(zhǔn)是明確社會(huì)技術(shù)系統(tǒng)（Socio-Technical system）中各層級(jí)閉環(huán)控制過程的安全約束，如法規(guī)（比如交通安全法規(guī)）、行業(yè)標(biāo)準(zhǔn)（比如功能安全標(biāo)準(zhǔn)，信息安全標(biāo)準(zhǔn)）、產(chǎn)品設(shè)計(jì)目標(biāo)（比如智能駕駛系統(tǒng)造成的嚴(yán)重事故的概率是同等場(chǎng)景下人類駕駛員的1%等）的重要依據(jù)。

需要特別指出的是，風(fēng)險(xiǎn)可接受標(biāo)準(zhǔn)是一個(gè)整體概念，涵蓋可能導(dǎo)致目標(biāo)危害事件發(fā)生的各方面因素，導(dǎo)致目標(biāo)危害事件風(fēng)險(xiǎn)過高而不被接受的因素往往是最薄弱和容易被忽視的環(huán)節(jié)（木桶效應(yīng)）（圖12），故需要避免單純從某一個(gè)方面的因素出發(fā)，對(duì)風(fēng)險(xiǎn)可接受標(biāo)準(zhǔn)的達(dá)成形成片面的理解。

同時(shí)對(duì)某一個(gè)方面的風(fēng)險(xiǎn)可接受標(biāo)準(zhǔn)的忽視，不但會(huì)增加目標(biāo)危害事件的整體風(fēng)險(xiǎn)水平，還會(huì)造成其他維度需要滿足更高的風(fēng)險(xiǎn)可接受標(biāo)準(zhǔn)（更嚴(yán)格的安全約束），比如缺失較為嚴(yán)格的法規(guī)或者操作指南來有效規(guī)范駕駛員使用智能駕駛系統(tǒng)的行為，造成系統(tǒng)設(shè)計(jì)需要更多的考慮駕駛員濫用行為的措施等。

5 結(jié)語

一些功能場(chǎng)景的擴(kuò)展或性能提升可能造成危害事件風(fēng)險(xiǎn)以及所適用的風(fēng)險(xiǎn)可接受標(biāo)準(zhǔn)同時(shí)發(fā)生變化或者擴(kuò)展。如對(duì)比高速路況下車輛之間相撞與城市道路中可能發(fā)生人與車輛相撞，由于兩種情況下危害事件后果的嚴(yán)重度不同，危害事件風(fēng)險(xiǎn)水平的變化導(dǎo)致所適用的風(fēng)險(xiǎn)可接受標(biāo)準(zhǔn)和安全約束的變化，如系統(tǒng)功能安全設(shè)計(jì)需要達(dá)到更高的ASIL（Automotive safety integrity level）、信息安全設(shè)計(jì)需要滿足更高的CAL（Cybersecurity assurance level）等。又比如Pilot功能允許駕駛員全程hands off使用，除了需要滿足更為嚴(yán)格的設(shè)計(jì)標(biāo)準(zhǔn)，還需要考慮新的風(fēng)險(xiǎn)可接受標(biāo)準(zhǔn)和安全約束，如hands off情況下駕駛員模型下合理接管時(shí)間，影響駕駛員及時(shí)接管的干擾因素，是否有法規(guī)為風(fēng)險(xiǎn)可接受標(biāo)準(zhǔn)被認(rèn)可提供依據(jù)等，甚至有些情況下還會(huì)面臨風(fēng)險(xiǎn)可接受標(biāo)準(zhǔn)缺失或者不明確的挑戰(zhàn)。

綜合風(fēng)險(xiǎn)評(píng)估、事故模型以及風(fēng)險(xiǎn)可接受標(biāo)準(zhǔn)，幫助我們理解和評(píng)估智能駕駛系統(tǒng)功能場(chǎng)景擴(kuò)展或性能提升過程：對(duì)危害事件的風(fēng)險(xiǎn)水平和事故模型帶來的影響；對(duì)應(yīng)的風(fēng)險(xiǎn)可接受標(biāo)準(zhǔn)和安全相關(guān)約束的變化；風(fēng)險(xiǎn)控制措施和安全設(shè)計(jì)方案的變化；對(duì)應(yīng)的成本。

為智能駕駛系統(tǒng)設(shè)計(jì)過程中評(píng)價(jià)風(fēng)險(xiǎn)水平，識(shí)別風(fēng)險(xiǎn)相關(guān)要素，結(jié)合風(fēng)險(xiǎn)可接受標(biāo)準(zhǔn)明確安全相關(guān)約束，制定合適的風(fēng)險(xiǎn)控制措施和安全設(shè)計(jì)方案提供思路。

參考文獻(xiàn)：

[1]IIHS.Real-world benefits of crash avoidance technologies[EB/OL].[2024-08-09].https：//www.iihs.org/media/290e24fd-a8ab-4f07-9d92-737b909a4b5e/HvQHjw/Topics/ADVANCED%20DRIVER%20ASSISTANCE/IIHS-HLDI-CA-benefits.pdf.

[2]Biondi F N，Jajo N.On the impact of on-road partially-automated driving on drivers' cognitive workload and attention allocation[J].Accident Analysis and Prevention，2024，200：1-8.

[3]Hungund A P，Pai G，Pradhan A K.Systematic Review of Research on Driver Distraction in the Context of Advanced Driver Assistance Systems[J].Transportation Research Record，2021，2675（9）：756-765.

[4]Deng M，Gluck A，Zhao Y，et al.An analysis of physiological responses as indicators of driver takeover readiness in conditionally automated driving[J].Accident Analysis and Prevention，2024，2：195.

[5]IIHS.Audi’s Traffic Jam Assist[EB/OL].[2024-08-09].https：//www.iihs.org/media/2ca9063d-fdb9-4af3-b50f-21a98f027a58/OO7nyg/HL

DI%20Research/Bulletins/hldi_bulletin_39-03.pdf.

[6]Assisted Driving Gradings Explained Euro NCAP.Assisted Driving Gradings Explained[EB/OL].[2024-08-09].https：//www.euroncap.com/en/car-safety/assisted-driving-gradings-explained/ .

[7]Euro NCAP.Euro NCAP Vision 2030：a Safer Future for Mobility[EB/OL].[2024-08-09].https：//www.euroncap.com/en/press-media/press-releases/euro-ncap-vision-2030-a-safer-future-for-mobility.

[8]Regulation（eu）2019/2144 of the European parliament and of the council of 27 November 2019 on type-approval requirements for motor vehicles and their trailers，and systems，components and separate technical units intended for such vehicles，as regards their general safety and the protection of vehicle occupants and vulnerable road users[Z].

[9]NHSTA.NHSTA Standing General Order on Crash Report[EB/OL].[2024-08-09].https：//www.nhtsa.gov/laws-regulations/standing-general-order-crash-reporting#level-2-adas

[10]Abdel-Aty M，Ding S.A matched case-control analysis of autonomous vs human-driven vehicle accidents[J].Nat Commun.，2024，4931：15.

[11]Mil-std-882e，standard practice for system safety[S].

[12]Piao J，Mcdonald M.Low speed car following behaviour from floating

vehicle data[C]//IEEE Intelligent Vehicles Symposium.IEEE，2003.

[13]Marc G.“How Long Does It Take to Stop？”Methodological Analysis of Driver Perception-Brake Times[J].Transportation Human

Factors，2000，2（3）：195-216.

[14]Fabris S，Lovric T.Method for hazard severity assessment for Method

for hazard severity assessment for the case of undemanded decelera

tion-Simone Fabris[C]//Conference： 2nd VDA Automotive SYS

Conference，Quality，safety and security for automotive software-

based systems.Berlin，May 2012.

[15]Ding S，Abdel-Aty M，Barbour N， et al. Exploratory analysis of

injury severity under different levels of driving automation（SAE

Levels 2 and 4）using multi-source data[J].Accident Analysis and

Prevention，2024，206.

[16]Nancy L.A new accident model for engineering safer systems[J].Safety Science，2004，42（4）：237-270.

[17]Qureshi Z H.A review of accident modelling approaches for com

plex socio-technical systems[M].Australian Computer Society，

Inc.，2007.

[18]Nancy G.Leveson，John P.Thomas.STPA Handbook[Z].Cambridge，MA，USA，2018.

[19]John P.Thomas. Basic STPA Tutorial[Z].MIT，USA，2013.

[20]Zhang Q，Chen Q A，Hong D K，et al.A Systematic Framework to

Identify Violations of Scenario-dependent Driving Rules in Autonom

ous Vehicle Software[J].Performance Evaluation Review，2021（1）：

49.

[21]Rus D，Karaman S，Mora J A，et al.Social behavior for autonomous vehicles[J].Proceedings of the National Academy of Sciences of the United States of America.2019，116（50）：24972-24978.

[22]Grahn H，Kujala T，Silvennoinen J，et al.Expert Drivers' Prospective Thinking-Aloud to Enhance Automated Driving Technologies-Investigating Uncertainty and Anticipation in Traffic[J].Accident： analysis and prevention，2020，14（6）：105-107.

[23]Rasouli A，Tsotsos J K. Autonomous Vehicles That Interact With

Pedestrians：A Survey of Theory and Practice[J].IEEE Transactions

on Intelligent Transportation Systems，2019（99）：1-19.

[24]張俊.基于車聯(lián)網(wǎng)數(shù)據(jù)的駕駛行為識(shí)別與風(fēng)險(xiǎn)評(píng)估方法研究[D].合肥：中國(guó)科學(xué)技術(shù)大學(xué)，2020.

[25]ISO 26262-1：2018（E），Road vehicles—Functional safety[S].

[26]ISO/SAE 21434：2021（E），Road vehicles—Cybersecurity engineering[S].

[27]何仁，趙曉聰，楊奕彬，等.基于駕駛?cè)孙L(fēng)險(xiǎn)響應(yīng)機(jī)制的人機(jī)共駕模型[J].吉林大學(xué)學(xué)報(bào)：工學(xué)版，2021，51（3）：11-15.

[28]Pakdamanian E，Sheng S，Baee S，et al.DeepTake：Prediction of Driver

Takeover Behavior using Multimodal Data[C]//Human Factors in

Computing Systems[J].ACM，2021：3445563.

[29]Matsuo R，Liu H，Hiraoka T，et al.Enhancing the Driver's Comprehension of ADS's System Limitations：An HMI for Providing Request-to-Intervene Trigger Information[J].ArXiv，2023，abs/2306.

01328.

作者簡(jiǎn)介：

李澤華，男，1984年生，碩士研究生，研究方向?yàn)槠囯娮影踩O(shè)計(jì)。