人機協(xié)同信息化技術(shù)包含車內(nèi)人機界面（HMI）和車外基于5G的V2X，其中車與人、車與移動設(shè)備、車與其他車之間的通信，均體現(xiàn)了協(xié)同駕駛信息系統(tǒng)的重要性。本文針對協(xié)同駕駛信息化技術(shù)進行了如下的總結(jié)：

1 協(xié)同信息系統(tǒng)提升駕駛安全和交通效率[1]

道路交通在擁堵、安全和環(huán)境影響等方面存在嚴峻的問題，隨著移動通信、無線通信和遙感等技術(shù)的進步，智能交通系統(tǒng)（ITS）成為一種有前景的技術(shù)。開發(fā)新的交通系統(tǒng)，需要對感知和人為因素的評估進行研究，以獲得最高的道路交通安全性及最優(yōu)的駕駛員舒適度，而防止交通事故發(fā)生的解決方案之一是提供有關(guān)駕駛員周圍環(huán)境的信息。

如今，AR使用嵌入式視覺技術(shù)，通過計算機生成圖形來增強駕駛員對當前環(huán)境的感知，汽車制造商也一直將AR作為車載駕駛顯示器下一代的可視化技術(shù)?；贏R-HUD的車輛安全信息系統(tǒng)可以將周圍的交通信息疊加到用戶視圖上來增強ITS，并使駕駛員駕駛時保持注意力。本章提出一種基于AR和深度學(xué)習(xí)的創(chuàng)新智能駕駛員信息系統(tǒng)，用于識別道路障礙類型、解釋和預(yù)測復(fù)雜的交通情況。目標是通過分析來自車輛外部的信息，系統(tǒng)可以主動地防止車輛事故的發(fā)生并改善駕駛員的安全性和體驗。同時提出一個輔助系統(tǒng)，以便在擋風(fēng)玻璃上提供有關(guān)網(wǎng)絡(luò)拓撲的信息，增加駕駛員的可見度，避免在低能見度情況下發(fā)生交通事故。在障礙物類型、放置規(guī)則、可見性以及這些在車載顯示器上的投影等方面，引入一種新的AR-HUD方法來創(chuàng)建實時交互式交通動畫。所提出的協(xié)同駕駛信息系統(tǒng)如圖1所示。

圖1 協(xié)同駕駛信息系統(tǒng)[1]

提出一種定位圖像中對象的新方法，其中單個卷積網(wǎng)絡(luò)（CNN）同時輸出多個預(yù)測的ROI和類別的置信度。單個CNN在每次評估中直接從整個圖像預(yù)測感知域和類概率。為ROI中的每個單元引入二進制變量，首先進行網(wǎng)格單元分析，然后進行對象檢測(圖 2)。

圖2 深度CNN的物體檢測體系構(gòu)架[1]

由以上分析可知，車輛間視頻通信視覺AR和基于傳感器的系統(tǒng)與車輛的組合可以有效地減少交通事故的發(fā)生，即協(xié)同驅(qū)動系統(tǒng)是提高交通效率和道路安全可行的解決方案。

2 針對自主車輛研究的車載通信駕駛信息記錄器[2]

為了開發(fā)自動駕駛系統(tǒng)，有必要連續(xù)記錄駕駛信息。通常以一定時間間隔存儲車輛狀態(tài)信息和駕駛員操作信息，記錄的車輛信息用于識別系統(tǒng)中各問題或不當操作的原因。駕駛信息記錄可應(yīng)用于多個領(lǐng)域，如自動駕駛系統(tǒng)研究中的問題分析和事故風(fēng)險分析。作者研究對象為現(xiàn)代汽車公司生產(chǎn)的一輛小型電動轎車，安裝了四臺用于自動駕駛的PC，分別用于識別、計劃、控制、存儲駕駛信息。用于驅(qū)動信息記錄的PC通過CAN（控制器區(qū)域網(wǎng)絡(luò)）連接到車載網(wǎng)絡(luò)，并通過以太網(wǎng)連接到其他PC。PC在自動駕駛系統(tǒng)啟動時自動執(zhí)行并記錄必要的數(shù)據(jù)。

駕駛信息記錄分為6類，分別為：記錄時間間隔、駕駛模式、駕駛員輸入、車輛運行狀態(tài)、駕駛模式的變化信息、車輛路徑中的對象信息。存儲的駕駛信息記錄通過組合每個信息，最終找出問題的原因。

3 基于人工神經(jīng)網(wǎng)絡(luò)和模糊邏輯的駕駛員分神判定與評估[3]

駕駛員分神（DD）定義為由于某些事件、活動、物體或人員，通過損害駕駛員的聽覺、認知或視覺能力等，在車輛內(nèi)部或外部延遲識別用于保持車輛的橫向和縱向控制的安全信息，導(dǎo)致駕駛員將注意力從基本駕駛?cè)蝿?wù)轉(zhuǎn)移開。駕駛時與駕駛員執(zhí)行的主要任務(wù)無關(guān)的活動則定義為次要活動。駕駛員有兩種類型的輔助任務(wù)：與車輛信息系統(tǒng)（IVIS）的交互（如控制舒適性、娛樂性）與車輛物品（例如便攜式電子設(shè)備、乘客等）的交互。本章介紹一種基于人工神經(jīng)網(wǎng)絡(luò)和模糊邏輯的魯棒方法，用于檢測、評估車載信息系統(tǒng)引起的駕駛員注意力分散。

DD檢測和評估包括三個步驟[3]（圖3）：

圖3 DD檢測和評估流程[3]

第1步是ANN預(yù)測特定路段上車輛的動態(tài)性能，即預(yù)測駕駛員在特定路段上的表現(xiàn)（維持速度在某一范圍內(nèi)且保持車輛在車道中間的能力）。

第2步是將預(yù)測變量與具有IVIS相互作用的實際駕駛性能進行比較。

第3步是FL-DD評估器具有“2輸入-1輸出”結(jié)構(gòu)，采用五個對稱的重疊在UOD的三角形隸屬函數(shù)（MFs），保證輸入具有相同靈敏度。同時，前饋ANN采用Levenberg-Marquardt方法進行訓(xùn)練，含有兩個隱藏層，其中隱藏層采用的傳遞函數(shù)為雙曲正切函數(shù)，輸出層中采用線性傳遞函數(shù)。

4 人機協(xié)同信息采集的深層價值 [4]

有效的人機協(xié)作通過融合來自機器和人體傳感器的“硬”和“軟”數(shù)據(jù)，顯著改善諸多學(xué)習(xí)和規(guī)劃策略。信息價值（VOI）理論上是用于時序調(diào)整與人體傳感器交互的關(guān)鍵性決策指標。作者Kin Gwn Lore[4]提出一種新的基于深度學(xué)習(xí)的VOI估計框架，可通過有效的在線推理和最小手動調(diào)整策略來調(diào)整協(xié)同人機感知。監(jiān)督學(xué)習(xí)用于訓(xùn)練深度卷積神經(jīng)網(wǎng)絡(luò)（CNN），從通過數(shù)據(jù)融合獲得的“圖像”中提取分層特征（圖4）。

研究將人類用作智能機器系統(tǒng)的“軟數(shù)據(jù)傳感器”問題，特別是考慮如何使用大量人類觀察詞來增加對可測量動態(tài)物理狀態(tài)的估計，這些狀態(tài)必須由機器使用的常規(guī)“硬”傳感器數(shù)據(jù)連續(xù)監(jiān)測（物體位置、速度、狀態(tài)、溫度、質(zhì)量等）。

圖4 用于獎勵學(xué)習(xí)的CNN示意[4]

實現(xiàn)硬/軟傳感器的融合，數(shù)據(jù)融合中心可以隨時間調(diào)整和執(zhí)行信息量最大的語義查詢，人類傳感器可以用二進制形式進行回應(yīng)?；赩OI的調(diào)整需要NP-hard貝葉斯算法，將其解釋為部分可觀察的馬爾可夫決策過程（POMDP），允許通過值迭代來計算最優(yōu)傳感策略。

卷積神經(jīng)網(wǎng)絡(luò)（CNN）用于從圖像中提取相關(guān)的分層特征以進行檢測、分類和預(yù)測。CNN中，數(shù)據(jù)由每個隱藏層的多個特征映射來表示。在相應(yīng)的隱藏層中，將多個濾波器卷積輸入圖像來獲得特征映射，即輸入圖像與線性濾波器的卷積運算。評估CNN模型的性能并與AMDP進行比較，可知：CNN在環(huán)信息收集系統(tǒng)能夠降低預(yù)期熵及目標MAP估計與真實目標之間的預(yù)期誤差（見5和圖6）。

圖5 MAP估計與目標之間的誤差[4]

圖6 MAP估計與目標之間的誤差分布[4]