智能駕駛車輛可能不會消除所有的碰撞，例如，惡劣的天氣和復雜的駕駛環(huán)境對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重碰撞風險，例如，網(wǎng)絡攻擊可能導致崩潰。智能駕駛車輛的開發(fā)者和第三方測試人員需要開發(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，需要掌握一些跨學科的知識，包括，硬件容錯，機器學習，人車交互，人車協(xié)作等知識[1]。

對于完全智能駕駛汽車來說，必須有一定的安全認證策略。這一策略必須解決安全工程，硬件可靠性，軟件驗證，機器人，安全性，測試，人機交互，社會認可以及可行的法律框架等跨學科的問題。在這些領域中的每一個領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衡。

所以本文提出一些智能安全技術在汽車方面的應用。

1 基于智能編碼器和隨機森林算法的車輛安全應用預測[2]

使用機器學習算法預測復雜交通場景的表示方法，這種表示對于所有車輛的安全應用是重要的，特別是在復雜的交通情況下執(zhí)行動態(tài)操縱時。作為第一步，使用分層情況分類器來區(qū)分不同類型的交通情景。該分類器負責識別道路基礎設施的類型以及駕駛環(huán)境中與安全相關的交通參與者。每一類代表相似的交通情景，一組隨機森林（RFs）被單獨訓練來預測描述交通參與者未來行為的概率表示。這種表示被稱為預測占用網(wǎng)格（POG）。RFs的輸入是增強占用網(wǎng)格（AOG）。為了提高RFs的學習準確性并執(zhí)行更好的預測，使用多層減噪智能編碼器（SDA）將AOG簡化為低維特征。所提出的由SDA和RF組成的機器學習方法的優(yōu)異性能在模擬和實際車輛的實驗中得到證明。還介紹了應用POG來估計交通場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的交通參與者對不同的交通情景進行分類，并且針對分類器的每個類別單獨訓練一組隨機森林以預測交通情景。圖像失真模型和一組預定義的規(guī)則被用作分類器中的決策過程。在SUMO-MATLAB環(huán)境中進行仿真以驗證分類器，結果是有希望的。使用多層降噪智能編碼器的無監(jiān)督降維在增強POG上執(zhí)行。低維特征能夠提高隨機森林的學習和預測精度。它們也有助于大大縮短培訓隨機森林所需的時間。使用900個測試場景的仿真結果和使用實際車輛的實驗證明，所提出的機器學習方法能夠預測占用網(wǎng)格的可靠估計。還介紹了預測占用網(wǎng)格在安全危急情況下為EGO車輛規(guī)劃安全軌跡的應用。未來的工作將重點放在使用卷積智能編碼器降維以及展示預測占用網(wǎng)格用于車輛安全的應用。

2 集合經(jīng)驗模式分解在車輛安全當中的應用[3]

時間歷程信號的比較需要用于不同的目的，特別是對于車輛安全性的模型驗證。現(xiàn)有的大多數(shù)指標只關注數(shù)學的價值。因此它們受測量誤差，擾動和不確定性的影響，難以達到穩(wěn)定的結果，且物理解釋清晰。作者ZUOLONGWEI提出了一種新的時間歷程信號比較方案，用于車輛安全分析。更詳細的原理是每個信號通過集合經(jīng)驗模態(tài)分解法被分解成趨勢信號和幾個固有模式函數(shù)（IMF）。趨勢信號反映了一般的變化，不受高頻干擾的影響。借助動態(tài)時間扭曲，計算趨勢信號的時間歷程和誤差。將高頻信息的IMF在頻率，大小和局部特征方面進行比較。為了說明提出的方案的全面性和有效性，作者提供了三個車輛事故案例。

在測試中，加速度計位于車身和假人的相關位置，如制動鉗，左后座和假人頭部。這些加速度記錄為碰撞響應，將用于車輛安全分析。碰撞響應的另一個來源是有限元或多體軟件中的CAE仿真。在本節(jié)中，來自CAE軟件的崩潰響應將會作為模型驗證目的的常見案例，與全車碰撞事故進行對比。為簡單起見，本節(jié)中的所有信號均以10kHz進行采樣并過濾。

結果表明，該方案的優(yōu)點如下：

（1）趨勢信號不受高頻干擾的影響。趨勢信號的比較將提供一個魯棒的結果來描述測試和參考信號之間的整體差異。

（2）在趨勢信號比較中，有助于找到參考節(jié)點和測試信號之間的對應關系，具有明確的物理意義。

（3）每一對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。一個大錯誤總是指局部特征如峰值和局部振動的丟失。

（4）所提出的方案的另一個優(yōu)點是它涉及更多的特征進行比較。這使得提供綜合結果成為可能，每個特征的測量具有明確的物理意義。

3 利用計算機視覺系統(tǒng)進行車輛—自行車相互作用的安全診斷[4]

騎自行車的人通常會面臨較高的碰撞風險，因此，需要有效的技術來評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。

第一個技術是，是對一個主要交叉路口的安全診斷，其中包括自行車和行人安全問題?；谟嬎銠C視覺技術的視頻，從視頻素材中提取和分析數(shù)據(jù)。交通沖突指標（如碰撞時間）用于評估沿路口的沖突頻率嚴重程度，以便根據(jù)沖突的頻率和嚴重程度確定安全問題。分析了不同的空間和時間不一致行為模式。評價結果顯示布拉德橋的出入口是交叉口沖突的主要來源。

第二個技術涵蓋了在同一交叉路口的騎行者屈服行為的詳細分析。通過分析不同順序的兩個自行車道路口中的車輛和自行車的屈服率來評估騎行者的屈服行為。根據(jù)交通規(guī)則，也可以通過觀察十字路口與正式交通規(guī)則的對比來研究交通規(guī)則。結果表明，自行車的屈從率可能會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較低的車輛屈從率會帶來一個安全問題：理解騎車者的行為可以使工程師設計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)更切合實際的交通行為，安全和運營模式。在評估車輛與自行車之間的相互作用是如何發(fā)生的時候，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題：貝葉斯深度學習的優(yōu)勢[5]

本文研究了三項智能駕駛車輛（AV）研究領域的研究主題：安全性，解釋性和合規(guī)性。通過量化部件的輸出，可以提高安全性。解釋性，關注于解釋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，因為一個AV應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黑匣子。合規(guī)性是指保持對乘客的一些控制。通過告訴乘客AV正在做什么以及為什么，幫助乘客信任AV技術，克服對未知的合理恐懼。我們提出了貝葉斯深度學習，它將高度靈活的深度學習架構的優(yōu)點與貝葉斯方法相結合，幫助工程師了解模型以驗證安全標準，如果出現(xiàn)問題，通過審查和解釋決定來追究保險責任和法律責任。

AV只能接受安全和合法的乘客請求，因此在碰撞事故中保護乘客免于責任。制造商（或者也許是軟件提供商）需要平衡運營框架的靈活性與自身對責任風險的容忍度。這個主題表明了重要的新研究方向。由于社會已經(jīng)認識到車輛到車輛（V2V）和車輛到基礎設施（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，相關的想法可能來自轉移學習或數(shù)據(jù)高效的強化學習，以盡量減少與乘客的交互。解決這個未被發(fā)掘的主題所帶來的問題有可能改變我們目前對于視聽的看法。

5 統(tǒng)計模型——智能駕駛車輛安全驗證的檢查[6]

本節(jié)提出統(tǒng)計模型，驗證智能車輛控制器。目標是檢查各種交通情況下的安全屬性。更具體地說，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。使用隨機高層Petri網(wǎng)對環(huán)境進行建模，可以描述其他車輛的隨機行為。使用線性時間邏輯的量化HASL（一種線性時序邏輯）來表示所需的屬性?？梢栽贖ASL中指定大量的性能指標。使用COS-MOS來評估這個模型的特性。具有兩個性能指標：預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)間來估計這些指數(shù)。有兩個簡單的控制器：一個為基本的控制器，在不改變車道的情況下調整車輛的速度，另一個稍微改進的控制器根據(jù)情況改變車道?？刂破鞯娜萘恳稽c點的增加可以使車輛的安全性能大幅度提高。

結果表明，Petri網(wǎng)具有以下優(yōu)點：能夠管理用戶定義的數(shù)據(jù)結構和代碼，量化不同事件發(fā)生的頻率以及其他車輛行為的不可預測性。

6 基于GPS-INS集成的碰撞車輛檢測系統(tǒng)[7]

主要目標是提供檢測車禍位置的方法，這些模型考慮了基于GPS/INS的導航算法，導航傳感器的校準技術，以及車輛事故發(fā)生時的去噪方法，和環(huán)境傳感器的測量數(shù)據(jù)，來表示車禍位置。此外，基于位置的事故檢測模型在不同的情況下進行測試。

考慮四種主要算法：

1）加速度計和陀螺儀的系統(tǒng)誤差的校準

2）用去噪技術消除所述傳感器中部分隨機誤差

3）GPS和INS的集成全面覆蓋導航系統(tǒng)

4）基于移動車輛的動態(tài)檢測事故

將四種主要算法結合到一個全球事故檢測系統(tǒng)中，即使在惡劣的城市環(huán)境中也能提供穩(wěn)定和準確的車禍定位。使用Powell的Dog Leg算法來補償?shù)统杀緫T性的系統(tǒng)誤差；用GPS和INS組合使用EKF來增強導航解決方案；并利用慣性傳感器來估計車輛的受力情況。

結果表明，在沒有GPS信號的惡劣環(huán)境下，可以檢測到事故的位置。同樣的結果證實，傳感器的校準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習[8]

道路估計是車輛安全重要的任務之一。本節(jié)提出了一個新的概念，定義，測量，學習和集成可靠性的道路估計任務。引入了一個新的誤差度量?；诓煌闆r的傳感器和背景信息的大型數(shù)據(jù)庫，訓練貝葉斯網(wǎng)絡和隨機森林來學習可靠性。

為了估計車道信息的可靠性，我們首先介紹一下我們的傳感器設置和整體框架。除了GPS接收器外，我們的車還配備了三個傳感器：單攝像機、激光雷達和雷達傳感器。為了在地圖上定位，我們采用一種簡單的最近鄰方法，直接使用GPS定位并將其與最近的道路位置相匹配。只使用標準的導航地圖，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。為了減少計算時間，我們?yōu)槊總€傳感器輸入被簡化?？梢缘玫剿膫€假設：LH，RH，CH和VH，

左側車道標識：左側假設（LH）右側車道標識：右側假設（RH）車道中心假設（CH）

主導車輛的軌跡：車輛假設（VH）

使用可靠性估計，可以獲得超過90%的準確性，公路，農(nóng)村，出口和匝道的情況下，約85%的城市情景。基于可靠度的車道選擇可以通過忽略不可靠的假設來提高系統(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]

設計了汽車系統(tǒng)的智能安全控制系統(tǒng)，有兩個與控制器區(qū)域網(wǎng)絡相連的電子控制單元（ECU）。一種ECU具有汽車點火系統(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作和汽車前照燈調整，消除炫光效果。

汽車點火系統(tǒng)具有生物安全性。它需要指紋模塊和GSM模塊。當指紋模塊與數(shù)據(jù)庫模板匹配時，車輛認證訪問。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。繼電器用于點火系統(tǒng)的切換。它有5V電源。當指紋模板匹配時，繼電器將激活汽車點火系統(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探測。根據(jù)探測結果，調整雨刮器的運動。其他傳感器BH1750檢測亮度。根據(jù)夜間的亮度調整頭燈系統(tǒng)。

在實施該系統(tǒng)后得出以下好處：

（1）與傳統(tǒng)方法相比，布線復雜度降低了

（2）由于手動切換頭燈和雨刷系統(tǒng)的干擾消除，這可以通過下雨滴和光傳感器來實現(xiàn)

（3）夜間駕駛員的眩光效應有所下降

（4）由于生物特征安全特性，濫用車輛或盜竊車輛的機會減少了

（5）系統(tǒng)是緊湊的。采用智能安全控制，行車足夠安全。

未來展望

未來的研究重點可以放在汽車駕駛體驗方面，現(xiàn)實世界的駕駛體驗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)者利用個別車輛的駕駛體驗來提高智能車輛安全的技術水平。控制智能車輛感知，決策和執(zhí)行的機器學習算法在很大程度上依賴于駕駛經(jīng)驗的改進。因此，無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)實世界的駕駛體驗中學習出現(xiàn)了自己的問題：在現(xiàn)實環(huán)境中進行學習意味著早期使用者或其他道路使用者的風險。這類似于讓青少年司機上路的風險：他們可能不是很好的駕駛員，但他們需要駕駛經(jīng)驗才能成為好駕駛員。然而，在積累駕駛經(jīng)驗之前，會給自己和他人帶來了風險。所以制定了一些政策來限制沒有經(jīng)驗的年輕駕駛員的風險，例如最低駕駛年齡和對學員許可的限制。這些政策試圖平衡長期改善的目標和近期經(jīng)驗的需要。

[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)