人工智能在汽车自动驾驶系统中的应用分析

以自动驾驶系统为代表的汽车智能化技术将对汽车产业生态变革产生重大影响。首先,分析了自动驾驶技术发展路线、发展现状及人工智能(Artificial Intelligence,AI)的应用领域,指出AI在自动驾驶应用中面临的挑战。然后,提出一种基于AI的车云协同自动驾驶系统架构,分析了基于AI的智能驾驶终端软硬件架构与基于大数据的自动驾驶云端空间架构;结合车端与云端的AI集成应用问题、信息数据交互方法与车云协同技术,讨论了人工智能在自动驾驶系统的主要应用。     

适应无人驾驶汽车的道路设施设计综述

随着智能网联车辆相关技术的不断突破和快速发展，高度自动化的无人驾驶汽车日益成熟并将逐渐进入大众生活.区别于人工驾驶车辆，无人驾驶汽车具备环境感知、自主决策、控制执行等功能，能够完成典型工况或所有工况的自动驾驶.而对道路设施进行改进和调整，有助于加快无人驾驶时代的到来，为此，需要明确无人驾驶汽车对道路设施设计的需求和影响.首先，在平纵线形、横断面设计、交通标志标线、停车设施和数字化道路设施等方面分析了道路设施如何适应无人驾驶汽车的行驶特性；其次，梳理了智慧路侧设施以及无人驾驶专用车道的现状和发展趋势；再次，归纳了国内外面向无人驾驶汽车的道路基础设施的研究方法，包括虚拟仿真测试和实车道路测试，以及国内外为开展实车测试所实施的实验道路建设；最后，总结了现有研究的聚焦点和局限性，展望了该领域所面临的挑战和未来发展趋势.现有道路基础设施的规划设计没有预见无人驾驶汽车的到来，在无人驾驶全面普及之前，人工驾驶和无人驾驶混行会长时间存在，因此，道路设施设计应根据无人驾驶的发展阶段和未来趋势进行相应的变革，本文为适应无人驾驶汽车的道路设施设计提供了理论基础.     

汽车驾驶模拟器研究现状与技术关键

本文介绍了汽车驾驶模拟器在国内外的研究现状，讨论了汽车驾驶模拟器研究开发的技术关键，为汽车驾驶模拟器的研究开发提供了参考。     

跟跟驰驰自自动动驾驾驶驶车车时时人人驾驾车车行行为为研研究究：实证与建模

随着中国新基建战略的提出及自动驾驶和网联通信技术的不断发展,智能网联车辆（Connected and Automated Vehicle,CAV）、自动驾驶车辆（Autonomous Vehicle,AV）和人工驾驶车辆（Human-driven Vehicle,HDV）混行的状态将在未来一段时间内存在。在混行条件下,车辆间的交互影响模式将发生变化。本文以HDV跟驰AV的驾驶行为为研究对象,通过分析驾驶实验数据将跟驰AV时HDV的驾驶风格量化并分为迟疑型、平稳型和信赖型三类。同时考虑驾驶风格、车辆的转弯能力和转弯半径等参数改进智能驾驶人模型（Intelligent Driver Model,IDM）,建立了前车为AV时的HDV跟驰模型。该模型通过对三类不同风格HDV跟驰AV时的驾驶参数的标定,能根据不同跟驰风格采取相应的跟驰策略。经数据拟合检验,该模型在启动加速、匀速行驶和制动减速阶段均能以较高精度拟合实际驾驶数据,其中直行跟驰的平均拟合精度为96.2%,转弯跟驰的平均拟合精度为91.4%。可见,本文提出的模型可以刻画HDV跟驰AV时的行为特征。在目前难以进行大规模混流实车实验的情况下...     

基于路面养护管理系统的衍生方向研究

路面养护管理系统在道路工程中得到广泛应用，取得了很好的应用前景，并在某些程度上影响着无人驾驶技术的研究。为进一步发展和完善自动驾驶汽车技术(MVADS),使自动行车速变与真实道路状况相适应，将采用能描述路面真实状况的路面养护管理指标(PMAS)为道路自动驾驶提供量化数据，使道路自动驾驶能够考虑真实道路特点而对行驶速度进行修正，进而弥补汽车自动驾驶未能考虑道路真实自身状况的缺点。结合面养护数据指标的特点，建立路面养护的各项指标对自动驾驶车速的系数。探索结果表明：不同路路面养护管理的评价指标对路面的描述状况不同，其中PCI指标相比于其它评价指标对道路自动驾驶影响更大。对车速影响较大的指标在自动驾驶技术中应该得到更大的关注和研究，探索结果对促进道路自动驾驶技术的进一步发展具有一定的理论和应用价值。     

基于元胞自动机的自动驾驶技术对交通运行的影响研究

自动驾驶汽车是解决交通拥堵问题的一个新颖而有效的措施。为了研究自动驾驶车对交通系统的影响,文章建立了考虑了随机慢化现象的单车道元胞自动机模型和考虑了换道行为的多车道元胞自动机模型,逐步探求不同自动驾驶车比例对交通流三要素的影响规律。研究发现:当车辆密度适中时,自动驾驶车可以明显提高车流量和平均车速,且其比例越高,效果越明显;当车辆密度过大或过小时,自动驾驶车的效果不明显。文章的研究成果可作为进一步研究自动驾驶车对交通流影响的依据。     

自动驾驶测试场景研究进展

阐述了目前形成的自动驾驶测试场景的5种定义,并在梳理测试场景、基元场景、场景要素之间逻辑关系的基础上提出了自动驾驶测试场景及有关概念的定义;对比了目前业界较为认可的3种自动驾驶测试场景架构;从场景数据来源梳理了国内外开展的交通事故数据与自然驾驶数据采集与研究现状;概括了利用已知数据、专家数据、测试需求、测试对象以及自动驾驶技术特征等开展未知自动驾驶测试场景构建与自动生成研究的成果。研究结果表明:自动驾驶测试场景的定义及架构与自动驾驶场景的构建与自动生成关系密切;自动驾驶场景可以认为是自动驾驶汽车的行驶环境、交通参与者与驾驶行为等场景要素的有机组合与综合反映,自动驾驶测试场景除包含场景的所有要素外,还应包含场景起始状态、场景发生的态势以及场景结束时造成的影响和结果等内容的动态语义描述;现有测试场景架构已较为完善,但难以满足不同测试目标及测试方法的需求,其优化应充分考虑测试场景设计的流程;交通事故数据采集精度及有效数据特征不一,自然驾驶场景数据难以完全采集,且采集规范不统一,其面向自动驾驶测试场景构建的有效性还有待进一步论证,自动驾驶测试数据有望成为重要补充;提升场景覆盖度、加速测试进程是自动驾驶测试场景构建的重要研究目标,人工智能技术在自动驾驶场景生成领域的深度应用有望满足测试场景的完全覆盖或高覆盖需求;面向不同自动驾驶等级的测试场景分级及面向自动驾驶加速测试场景构建方法将是自动驾驶测试场景构建下一步研究的重要方向。      

考虑潜变量的自动驾驶汽车租赁行为

将自动驾驶汽车（autonomous vehicle，AV）与分时租赁、点对点（peer-to-peer，P2P）租赁模式相结合，为出行者提供新型的出行方式. 为探究出行者租赁自动驾驶汽车的行为特征，分析出行者对AV分时租赁、AV P2P租赁、私家车、公共交通的选择意愿及其影响因素. 基于出行方式选择意愿的调查数据，将结构方程模型（structural equation model，SEM）与多项Logit （multinomial Logit，MNL）模型相结合，建立同时标定显变量与潜变量参数的结构方程-多项Logit （structural equation-multinomial Logit，SE-MNL）模型，对比分析了MNL与SE-MNL模型的参数标定结果. 研究结果表明:在95%的置信水平下，显变量中的出行费用、车内时间、驾照情况、出行目的、婚姻状况以及潜变量中的便捷性、安全性、乘车体验、舒适性对出行者选择AV分时租赁或P2P租赁的影响都是显著的；SE-MNL模型的拟合度较MNL模型高出2%～3%.      

自动驾驶对交通运输系统规划的影响综述

车辆是交通运输系统的重要组成部分,伴随着自动驾驶技术的发展与应用,交通运输系统 将发生深刻变革。本文聚焦于自动驾驶技术对交通运输系统规划的影响,综述自动驾驶特点下 交通数据采集与管理手段、土地利用、停车需求、交通供需、交通需求预测、交通网络布局等方面 发生的新变化。在此基础上,从规划的角度出发,实现对自动驾驶环境下交通运输系统的再认 知,总结自动驾驶环境下交通需求预测、城市交通网络布局等新的交通规划方法与技术。通过对 交通运输系统的再认知发现：在自动驾驶环境下,交通数据具有细粒度、高鲜度的新特点;土地利 用模式将发生改变,城市将呈扩张和去工业化趋势,停车需求减小;交通系统供给能力和可靠性 提高,出行需求的时空分布将更为分散。交通系统规划方法的变化体现在交通需求预测和交通 网络布局两个层面：交通需求预测框架从“四步”框架转变为模型组合化和出行行为一体化的预 测框架,同时,需求预测的各阶段需引入对自动驾驶特征及其系统性影响的分析;交通网络布局 设计采用连续时域上的布局设计框架,有望解决传统交通网络布局设计的时滞性问题,可适应并 服务于动态变化的土地利用及交通需求。本研究认为,未来需重点研究自动驾驶对交通安全、交 通拥堵、公共交通规划、慢行交通规划等方面的影响。此外,解决自动驾驶实测数据缺乏的困境、 解析异构交通阶段交通系统的运作机理、应对交通需求反弹引起的供不应求、评估难以衡量的外 部成本等问题将是未来研究的难点。     

基于RFID的车辆自动驾驶模拟试验装置研制

通过对比分析当前车辆自动驾驶研究现状,提出以射频识别技术(RFID)作为导航方式开展车辆自动驾驶研究;针对目前试验手段的不足,设计了基于RFID的车辆自动驾驶模拟试验装置,具体包括系统总体架构、导航设备、仿真车辆、仿真道路等;利用该装置开展了车辆直道保持和弯道转向试验,结果表明利用该模拟试验装置能快速构建试验方案,得出的结论和数据直观、可靠.     

自动驾驶影响下的出行行为研究综述

从小汽车出行总需求、出行方式选择、在途时间利用三方面梳理了自动驾驶影响下的出行行为研究现状,分析了用于研究自动驾驶对出行行为影响的数据基础与研究方法,总结了影响自动驾驶环境下出行方式选择的关键因素,指出了出行行为研究存在的问题和未来发展方向。研究结果表明:出行总需求的相关研究主要关注当前服务不足人口的潜在出行,大多通过需求假设分析潜在的变化,在假设的可靠性和结果的准确度方面还存在不足;出行方式选择的相关研究显示车辆服务和出行属性、社会人口和家庭属性、出行习惯属性、居住地和环境属性、个人心理和偏好属性等是影响出行方式选择的关键因素,考虑到不同的研究对象、场景设计与分析方法,性别、年龄、持有驾照、家庭结构等因素对出行行为的具体影响还有待进一步检验;人们对自动驾驶时代在途时间利用的方式和受益程度的认知存在较大的不确定性与异质性,亟需理论模型来进一步讨论潜在的时间利用变化;基于自动驾驶对出行行为影响相关研究的局限性,提出了建立自动驾驶汽车的规范化描述和丰富数据采集方式,开展横向与纵向对比研究,加强各影响因素异质性的考量,辨析自动驾驶时代各类出行行为间的相互影响机制的改进方向。      

基于扩展技术接受度模型的共享自动驾驶汽车用户使用意愿研究

共享自动驾驶汽车是智慧交通和绿色交通的重要发展方向之一,但目前其相关研究仍不充分,影响用户使用共享自动驾驶汽车意愿的因素及其作用机理有待深入剖析.为此,本文首先通过引入感知风险、服务质量和社会影响三个潜变量,构建了扩展技术接受度模型.然后将扩展技术接受度模型的潜变量、个人社会经济属性变量和出行方式属性变量整合到多项Logit模型,构建混合选择模型,并以用户选择共享自动驾驶汽车出行的概率衡量用户使用共享自动驾驶汽车的意愿.最后基于SP调查数据标定模型参数,得到潜变量关系及关键影响因素,通过弹性分析研究关键因素对用户使用意愿的影响.结果表明,感知有用性、出行费用、感知易用性、等待时间的影响最为显著,对应的弹性值分别是0.0502、-0.0401、0.0385和-0.0350.本研究对相关企业及相关政府部门发展和推广共享自动驾驶汽车具有重要参考价值.     

考虑自动驾驶的混合交通流路段阻抗函数

为解决未来自动驾驶专用车道的规划设计问题,本文提出了一种自动驾驶车与人工驾驶车混合交通流路段阻抗函数模型.首先,分析了自动驾驶专用车道的设置对混合交通流中车辆跟驰模式的影响;其次,在此基础上,引入微观跟驰驾驶模型,推导了不同自动驾驶车辆渗透率条件下的路段通行能力函数,分析了自动驾驶车辆对路段通行能力的影响;然后,将混合交通流通行能力引入经典的BPR函数,推导了考虑自动驾驶的混合交通流路段阻抗函数模型;最后,设计了数值实验讨论了自由流速度(自由流行程时间)、自动驾驶车辆的渗透率和安全车头时距对路段阻抗的影响.结果 表明:(1)当路段流量较小时,自动驾驶车辆的引入对路段阻抗行程时间的影响较小;(2)当自动驾驶车的渗透率为30％时,设置自动驾驶专用车道对行程时间的改善最为明显;(3)当流量较小时,自动驾驶车辆渗透率对路段阻抗行程时间的影响较小,而随着路段流量的增大,自由流速度和自动驾驶车辆渗透率将共同决定路段的行程时间.相关成果可为未来自动驾驶专用车道的规划与设计提供理论支撑.     

自动驾驶汽车环境感知系统传感器技术现状及发展趋势

自动驾驶汽车是近年来汽车领域的发展趋势,是先进技术的发展方向。与其相关的技术层出不穷,日新月异。本文介绍了自动驾驶汽车环境感知系统的组成和工作方式,重点阐述了各种主要的传感器的工作原理、技术参数、技术类型、产品的应用方向等。同时对不同类型的传感器的性能指标、优缺点及应用方向等做了详细的对比。     

自动驾驶公众接受度研究综述

全面梳理并总结了自动驾驶公众接受度领域的相关研究, 从接受自动驾驶的可能性与态度、了解与信任程度、感知与关注点、支付意愿和使用偏好5个方面定义并阐述了接受度的内涵; 从调查对象的选取、问卷设计、调查方式与抽样、模型构建与数据分析方法等方面对比了现有研究采用的数据采集和分析方法; 总结了影响自动驾驶公众接受度的关键因素, 剖析了其对公众接受度的影响, 指出了存在的问题和未来研究方向。研究结果表明: 现有大部分研究重点关注接受自动驾驶的可能性、态度和使用偏好等问题, 对支付意愿的研究相对较少; 公众对自动驾驶普遍持积极态度, 对自动驾驶技术及其相关功能有所了解; 安全问题是人们对自动驾驶的首要关注点, 不同群体对该问题的担忧程度有显著差异; 人们为享受自动驾驶技术而愿意支付额外费用的意愿不够强烈, 来自发达国家受访者的支付意愿普遍低于发展中国家受访者; 个人心理和生理属性, 社会人口属性, 伦理、法律责任和车辆安全水平, 车辆自动化水平及相关属性, 出行相关属性以及环境因素等是影响公众对自动驾驶接受度的几类关键因素; 然而, 现有研究对伦理和法律责任等因素的量化分析还较为缺乏, 性别、年龄和收入水平等部分关键因素的影响仍存在争议, 还需进一步讨论; 相关研究在对样本的代表性分析、问卷和调查方案的精细化设计以及关键因素的具体作用机制分析等方面还有待进一步深入。      

科学推动自动驾驶技术发展与应用——拥抱新技术,迎接新挑战

自动驾驶通过载运工具、基础设施与运行管控的有机融合,实现道路交通部分或完全自动化运行,是对传统运输模式和出行方式的一次深刻变革.首先,概述了自动驾驶的概念和意义.然后,阐述了自动驾驶汽车主要涉及的环境感知、自主决策和运动控制三大关键技术.接着,分析了自动驾驶技术发展存在法律法规和伦理问题有待解决、测试和评价方法缺失、标准体系有待健全、系统安全需引起重视等四大方面的问题.最后,指出未来自动驾驶可能呈现两条路线并行发展的态势:在开放道路上推广应用L3级以下辅助驾驶功能,提升驾驶安全,提高道路通行效率;在法律法规制约较少、环境相对封闭的园区内推动自动驾驶等无人化技术常态化运行,并配套建设智能化基础设施,改善生产和作业效率.     

驾驶特性的识别评估及其在智能汽车上的应用综述

研究了驾驶特性的识别方法、驾驶人接管能力评估的进展、驾驶特性在智能汽车领域中的应用；将驾驶人状态监测划分为驾驶人疲劳监测、分心监测和不良驾驶行为监测，总结了驾驶人状态监测研究的目标、方法、精确度、判断标准以及优缺点；对比了驾驶人疲劳监测中不同检测信号之间的差异；评析了基于模糊识别和隐马尔可夫模型的驾驶人意图识别与预测方法；梳理了驾驶风格分类与辨识的主要步骤、典型辨识方法的特点；分析了驾驶人接管能力的影响因素与评判标准；阐述了驾驶特性用于开发用户接受度高和人机交互性能好的辅助驾驶系统的主要方式；概括了在人机共驾协同控制中考虑驾驶特性的途径。研究结果表明:基于多种传感器信号融合的驾驶人状态监测可有效避免基于单一传感器信号的弊端，提高了检测精度，减少了误警报；将传统预测模型与混合智能学习相融合的方法能够为驾驶意图在线识别与预测提供解决方案；应该重点研究复杂工况下的驾驶特性辨识；驾驶人接管能力的研究有待理论化和系统化；未来的发展趋势是开发基于驾驶特性的集成辅助驾驶技术、实现多种典型路况下驾驶人与辅助驾驶系统进行意图和控制策略的交互；将个性化驾驶人的驾驶特性融入共驾系数的设计中，从而提高人机共驾系统的个性化、智能化水平和环境适应性能。      

驾驶行为数据驱动的城市道路交通安全风险辨识方法探讨

为提高城市道路交通安全水平,针对道路交通安全风险辨识方法多采用宏观事故数据及小样本交通调查数据的研究现状,紧扣当前道路设计及交通管理对风险客观精确辨识的现实需求。首先,分析了已有风险辨识方法的优缺点,及现有辨识方法面临的挑战;其次,基于国内外驾驶行为研究现状,结合车联网OBD异常驾驶行为数据精确度高、数据量大等优势,定性剖析不同道路条件与异常驾驶行为的关系;最后,建立道路条件与异常驾驶行为关联模型,分析探讨利用异常驾驶行为数据辨识道路交通安全风险的研究思路,并提出相应的思路流程及关键技术的进一步研究。     

手动-自动驾驶混合交通流元胞传输模型

为了分析自动驾驶车辆对交通流宏观特性的影响, 以手动驾驶车辆与自动驾驶车辆构成的混合交通流为研究对象, 提出了不同自动驾驶车辆比例下的混合交通流元胞传输模型(CTM); 应用Newell跟驰模型作为手动驾驶车辆跟驰模型, 应用PATH实验室真车测试标定的模型作为自动驾驶车辆跟驰模型; 计算了手动驾驶与自动驾驶车辆跟驰模型在均衡态的车头间距-速度函数关系式, 推导了不同自动驾驶车辆比例下的混合交通流基本图模型, 计算了混合交通流在不同自动驾驶车辆比例下的最大通行能力、最大拥挤密度以及反向波速等特征量, 依据同质交通流CTM理论建立了不同自动驾驶车辆比例下的混合交通流CTM; 选取移动瓶颈问题进行算例分析, 应用混合交通流CTM计算了不同自动驾驶车辆比例下的移动瓶颈影响时间, 应用跟驰模型对移动瓶颈问题进行微观数值仿真, 分析了混合交通流CTM计算结果与跟驰模型微观仿真结果之间的误差, 验证了混合交通流CTM的准确性。研究结果表明: 混合交通流CTM能够有效计算移动瓶颈的影响时间, 在不同自动驾驶车辆比例下, 混合交通流CTM计算结果与跟驰模型微观仿真结果的误差均在52 s以下, 相对误差均小于10%, 表明了混合交通流CTM在实际应用中的准确性; 混合交通流CTM体现了从微观到宏观的研究思路, 基于微观跟驰模型与目前逐步开展的小规模自动驾驶真车试验之间的关联性, 混合交通流CTM能够较真实地反映未来不同自动驾驶车辆比例下单车道混合交通流演化过程, 增加了模型研究的应用价值。      

自动驾驶车辆对混合交通流的平衡影响研究

在自动驾驶车辆和人工驾驶车辆构成的混合交通系统中,不同车辆类型的出行者对路径的选择原则表现出不同的偏好。为充分了解自动驾驶车辆投入市场后对混合交通系统的作用,考虑两种不同车辆类型的出行行为,构建混合交通网络均衡模型,并将模型嵌入算例网络中进行验证。通过研究发现:自动驾驶车辆在混合交通系统中的比例对道路网络系统效率有显著影响,自动驾驶车辆比例的增加能够有效降低路网系统中的人均出行时间。