【摘要】智能汽車的駕駛環(huán)境具有高度不確定性和復(fù)雜性等特點，容易發(fā)生碰撞事故，導(dǎo)致乘員受傷或死亡。為了提高智能汽車的安全性，總結(jié)了當(dāng)前用于評估其行駛風(fēng)險的研究方法，包括基于確定性的方法、基于概率的方法和基于機(jī)器學(xué)習(xí)的方法?；诖_定性的方法是一種傳統(tǒng)的二分類預(yù)測方法，基于概率的方法可以對各種不確定性進(jìn)行建模，基于機(jī)器學(xué)習(xí)的方法可以自動學(xué)習(xí)駕駛行為，從而更準(zhǔn)確地評估行駛風(fēng)險。未來的研究方向應(yīng)該是結(jié)合3種方法的優(yōu)點從而開發(fā)更加安全、可靠的自動駕駛系統(tǒng)。

關(guān)鍵詞：智能汽車；風(fēng)險評估；貝葉斯網(wǎng)絡(luò)；機(jī)器學(xué)習(xí)

中圖分類號：U461.91 """""""文獻(xiàn)識別碼：A"""""""" DOI： 10.19822/j.cnki.1671-6329.20230104

A Review of Driving Risk Assessment for Intelligent Vehicles

Shen Chuanliang， Xiao Xiao， Tong Yan， Hu Hongyu

（State Key Laboratory of Automotive Simulation and Control， Jilin University， Changchun 130022）

【Abstract】The driving environment of intelligent vehicles often has high uncertainty and complexity， which can lead to accidents and injuries to passengers. In order to improve the safety of intelligent vehicles， three major research methods are currently used to evaluate their driving risks， including deterministic methods， probabilistic methods， and machine learning methods. Deterministic methods are traditional binary prediction methods， probabilistic methods can model various uncertainty， and machine learning methods can automatically learn driving behavior， making more accurate assessments of the risk of driving. Future research should combine the advantages of the three approaches to develop safer and more reliable autonomous driving systems.

Key words： Intelligent vehicles， Risk assessment， Bayesian network， Machine learning

0 引言

智能汽車在道路上行駛時，需要根據(jù)環(huán)境變化調(diào)整行駛策略（如避讓行人、保持安全距離）。因此，評估行駛風(fēng)險對于確保智能汽車的安全性至關(guān)重要。碰撞風(fēng)險評估已經(jīng)成為汽車安全領(lǐng)域的研究熱點，良好的風(fēng)險評估模型可以提前預(yù)判可能發(fā)生的風(fēng)險事件，并及時警示駕駛員進(jìn)行避撞調(diào)整或者使自動駕駛系統(tǒng)規(guī)劃出安全的軌跡^[3]?，F(xiàn)有的研究方法可分為基于確定性的方法、基于概率的方法和基于機(jī)器學(xué)習(xí)的方法。這些方法各有優(yōu)缺點，需要根據(jù)具體情況進(jìn)行選擇。風(fēng)險因素可分為車輛內(nèi)部風(fēng)險因素和外部風(fēng)險因素，每一類因素都可進(jìn)行深入地研究，本文僅從汽車外部風(fēng)險因素出發(fā)，先對智能汽車在行駛過程中可能遇到的風(fēng)險事件進(jìn)行歸納。然后，對目前用于自動駕駛碰撞風(fēng)險評估的研究方法進(jìn)行詳細(xì)介紹和分析，以幫助研究者更好地了解和應(yīng)用這些方法，進(jìn)一步提高自動駕駛汽車的安全性能。最后提出未來風(fēng)險評估方法的發(fā)展趨勢。

1 風(fēng)險事件分類

1.1 復(fù)雜駕駛場景分類

智能汽車可能在許多復(fù)雜的道路交通場景中行駛，包括但不限于以下情況：

（1）城市道路

城市道路是自動駕駛汽車最常見的路況。這種路況包括繁忙的交通、不同類型的道路用戶（如行人、自行車、電動車、汽車等）和各種道路標(biāo)志和信號燈。在這種環(huán)境中，智能汽車必須能夠正確識別不同類型的道路用戶，并遵循交通規(guī)則和信號燈，以確保安全行駛。

（2）高速公路

高速公路是智能汽車行駛的相對簡單的道路環(huán)境。在這種路況下，車輛的速度較快，車流量大，但是沒有交叉路口和紅綠燈等復(fù)雜交通設(shè)施。智能汽車可以使用ADAS來保持車道、控制速度和保持安全距離，從而在高速公路上行駛。

（3）城市快速道路

城市快速道路是連接城市中心和周邊地區(qū)的主要道路。在這種路況下，智能汽車需要能夠高效地在快速道路上行駛，并能夠識別出匝道、交叉口、擁堵等復(fù)雜的交通狀況。

（4）交叉口和環(huán)島

交叉口和環(huán)島是道路中常見的交通設(shè)施，也是智能汽車遇到的一大挑戰(zhàn)。智能汽車需要能夠準(zhǔn)確地識別交叉口和環(huán)島，即使在視線被遮擋的情況下，也能預(yù)測可能出現(xiàn)的其他車輛和行人的行動，同時遵循交通規(guī)則和信號燈，安全地通過。圖1為智能汽車在交叉口未能及時預(yù)測出風(fēng)險事件從而導(dǎo)致碰撞事故。

1.2 風(fēng)險因素分類

當(dāng)智能汽車行駛在復(fù)雜的道路環(huán)境中時，可能面臨諸多風(fēng)險因素，可分為車輛的內(nèi)部因素與外部因素。內(nèi)部因素包括車輛自身狀態(tài)因素，例如系統(tǒng)硬件和軟件的故障，以及駕駛員因素，例如酒駕和疲勞駕駛。外部因素包括道路使用者因素、環(huán)境因素和規(guī)則因素。雖然內(nèi)部因素是一個值得深入研究的問題，但是本文綜述的重點是總結(jié)近年來與外部因素風(fēng)險評估相關(guān)的研究進(jìn)展。外部因素的分類見圖2。

1.2.1 道路使用者因素

（1）機(jī)動車因素：包含了乘用車，商用車，摩托車等。該類別產(chǎn)生危險的原因主要是因為這些機(jī)動車輛的違規(guī)變道或突然地急剎，容易發(fā)生側(cè)面碰撞以及追尾事故，并且還有可能因為避撞而進(jìn)行的規(guī)避操作導(dǎo)致與其他車輛或者障礙物碰撞。但由于交通法規(guī)和道路結(jié)構(gòu)的限制，使得機(jī)動車輛的行為往往具有可預(yù)測性。

（2）非機(jī)動車因素：此類別可包括自行車，行人，以及動物等。行人與自行車因素往往是由于其違反交通法規(guī)橫穿馬路或因為注意力不集中而導(dǎo)致碰撞事故，而動物則可能突然從路邊冒出，使駕駛員或者自動駕駛汽車避讓不及時，引發(fā)危險。這些危險因素因為其高度靈活的行為特點，使對其的風(fēng)險預(yù)測變得十分困難。

1.2.2 環(huán)境因素

（1）靜態(tài)環(huán)境因素：包括路邊的基礎(chǔ)設(shè)施，建筑，護(hù)欄，樹木，指示牌，路燈，急轉(zhuǎn)彎，陡峭的上下坡等。其特點為此類風(fēng)險因素不會隨時間而發(fā)生變化。

（2）動態(tài)環(huán)境因素：可分為天氣狀況以及路面條件，天氣狀況如雨、雪、霧、霾、沙塵暴等天氣降低了能見度，并且雨雪還會使道路濕滑或者結(jié)冰，降低了路面的附著系數(shù)。路面條件除濕滑和結(jié)冰外，還可能會有碎石，折斷的樹木，凹凸不平的表面以及失去井蓋的下水道口等。

1.2.3規(guī)則因素

此類因素主要是交通法規(guī)，包括了限速，道路使用權(quán)，交通信號燈等。駕駛員或者自動駕駛系統(tǒng)應(yīng)當(dāng)充分探測駕駛區(qū)域的交通法規(guī)，以免出現(xiàn)違規(guī)駕駛的風(fēng)險。

2 風(fēng)險評估方法分類

現(xiàn)有研究用于智能汽車行駛風(fēng)險評估的方法眾多，按照建模的方法和特點來的劃分的話，可以分為基于模型驅(qū)動的方法和基于數(shù)據(jù)驅(qū)動的方法。模型驅(qū)動方法的建立是基于領(lǐng)域知識和物理模型等先驗信息。模型驅(qū)動模型通常采用數(shù)學(xué)模型和物理模型等建模方法，通過對現(xiàn)象的描述和分析，推導(dǎo)出模型，并進(jìn)行預(yù)測。數(shù)據(jù)驅(qū)動方法的建立是基于數(shù)據(jù)的統(tǒng)計規(guī)律和模式。數(shù)據(jù)驅(qū)動模型通常采用機(jī)器學(xué)習(xí)和統(tǒng)計學(xué)習(xí)等技術(shù)，通過對大量數(shù)據(jù)的學(xué)習(xí)和訓(xùn)練，生成模型并進(jìn)行預(yù)測。將模型驅(qū)動方法進(jìn)一步細(xì)分為基于確定性的方法和基于概率的方法，將數(shù)據(jù)驅(qū)動進(jìn)一步劃分為基于機(jī)器學(xué)習(xí)的方法。

2.1 基于確定性方法

確定性方法利用基于規(guī)則的專家系統(tǒng)，能夠通過各種威脅度量，如碰撞時間（Time To Collision， TTC）、制動時間（Time To Brake， TTB）、反應(yīng)時間（Time To Response， TTR）、車頭時距（Time Headway， THW）和最小安全距離（Minimum Safety Distance， MSD）等，將碰撞可能性估計為二元預(yù)測。TTC是一種廣泛應(yīng)用的威脅度量，它表示的是2個物體之間發(fā)生碰撞之前的時間。Hayward ^[5]在對自動緊急制動系統(tǒng)（Autonomous Emergency Braking， ABE）進(jìn)行評價時，首次提出了TTC的概念。Brannstrom等^[6]將TTC融入威脅評估算法中，提出了一種基于模型的算法，該算法可以估計車輛駕駛員如何轉(zhuǎn)向、制動或加速以避免與任意物體發(fā)生碰撞。評估表明，該算法在追尾碰撞時，在自動駕駛制動激活的時機(jī)方面優(yōu)于傳統(tǒng)的威脅評估算法。Horst等^[7]使用TTC度量來確定激活防撞系統(tǒng)（Collision Avoidance System， CAS）等駕駛員輔助系統(tǒng)的適當(dāng)標(biāo)準(zhǔn)，用以防止高速公路上的追尾事故。TTC最常用的計算方法為相對車距除以相對車速，但是當(dāng)前后兩車保持勻速并且相對距離非常小的情況下計算出來的TTC接近無窮大，此時若將TTC作為評估風(fēng)險的指標(biāo)，則碰撞預(yù)警系統(tǒng)誤以為車輛處境安全，且不采取制動措施進(jìn)而極可能導(dǎo)致碰撞。

為了解決TTC所存在的問題，Noh等^[8]提出了車輛間時間（In-Vehicle Time， IVT），它指在本車速度一定時，本車行駛了與前車相對距離相同的距離時所需的時間，因此，當(dāng)相對距離較短，本車速度較高時，計算出的IVT較小，碰撞風(fēng)險較高。由于TTC是基于相對速度計算的，而IVT是基于本車速度計算的，所以當(dāng)兩車保持相對勻速且距離較短時，IVT可作為TTC失效時的一個很好的補(bǔ)充，如圖3所示。

另外除了上述兩種威脅度量以外，Gelso等^[9]提出一種包含道路信息的增強(qiáng)模型來預(yù)測CAS算法中的前方車輛制動行為，通過將TTB和制動威脅數(shù)（Brake Threat Number， BTN）度量引入事件檢測策略當(dāng)中，解決了在交通路口發(fā)生的與追尾碰撞（或臨近碰撞）相關(guān)事件的危險預(yù)測高估問題。Tamke等^[10]使用改進(jìn)的二分類搜索算法實時查找TTS的近似值，并將其用于觸發(fā)駕駛員輔助系統(tǒng)中的警告和緊急操作。Hillenbrand等^[11]通過引入TTR，提出了一種多級碰撞緩解（Collision Mitigation， CM）方法，使其在潛在收益與駕駛員可接受性以及產(chǎn)品責(zé)任相關(guān)的風(fēng)險之間進(jìn)行靈活地權(quán)衡。vanWinsum等^[12]研究了汽車跟馳中的THW以及制動反應(yīng)，并從駕駛員選擇THW的角度，探討了行駛操作能力（如制動）與行為表現(xiàn)（如THW）之間的關(guān)聯(lián)。Zhang等^[13]介紹了一種新的威脅評估方法，名為Time-To-Last-Second-Braking（TLSB）。該方法將MSD作為威脅度量之一，可以直接客觀地量化當(dāng)前動態(tài)情況的危險或威脅等級，并評估所需避險動作（例如制動）的緊急性等級。

基于確定性方法的優(yōu)勢是簡單直觀，易于解釋和理解。通過計算與車輛之間的時間和距離等因素，可以預(yù)測碰撞的可能性。這些方法不需要大量的數(shù)據(jù)和計算資源，因此可以在實時系統(tǒng)中使用。此外，這些方法可以用于開發(fā)自適應(yīng)巡航控制系統(tǒng)和自動緊急制動系統(tǒng)等應(yīng)用。

而基于確定性方法的劣勢是忽略了很多復(fù)雜的因素，例如車輛的動態(tài)行為和交通環(huán)境等。這些方法很難處理非線性的交通場景，例如突然變道，交通擁堵等。此外，這些方法不能對未知的或不確定的因素進(jìn)行建模，例如車輛的故障或駕駛員的行為等。

2.2 基于概率的方法

現(xiàn)有許多研究使用基于概率的方法來避免上述方法的不確定性問題。在汽車風(fēng)險評估應(yīng)用中，一些主要的不確定性來源包括動態(tài)建模誤差、測量噪聲和對駕駛員意圖的誤解。概率方法通常利用概率描述，通過使用車輛之間的時間和空間關(guān)系以及輸入數(shù)據(jù)的不確定性來建立風(fēng)險評估模型。常用的概率方法有貝葉斯網(wǎng)絡(luò)，馬爾科夫決策過程，蒙特卡洛等。許超凡^[14]研究了智能汽車人機(jī)共駕時的駕駛權(quán)切換問題，他將駕駛環(huán)境風(fēng)險影響因素分為駕駛?cè)艘蛩?，車輛因素和環(huán)境因素，并將這些因素融入貝葉斯網(wǎng)絡(luò)中用于建立駕駛環(huán)境風(fēng)險等級評估模型，該模型不僅可以判斷當(dāng)前是否有條件進(jìn)行駕駛權(quán)的移交，還可以實時監(jiān)測駕駛過程中的總體風(fēng)險大小，用以糾正駕駛員的不當(dāng)駕駛行為（圖4）。Li等^[15]利用貝葉斯理論建模風(fēng)險評估等級，然后用評估結(jié)果來設(shè)計基于強(qiáng)化學(xué)習(xí)的智能決策模型的獎勵函數(shù)，以找到期望風(fēng)險最小的策略。他們后來又用了另一種稱為條件隨機(jī)場的概率方法來評估碰撞風(fēng)險，在3種駕駛場景中進(jìn)行仿真，同時還考慮了駕駛風(fēng)格，使避撞策略能夠滿足不同乘員的需求^[16]。Noh^[17]專門針對道路交叉口存在違規(guī)駕駛車輛的問題，提出了結(jié)合基于高精數(shù)字地圖的軌跡預(yù)測和基于貝葉斯網(wǎng)絡(luò)的風(fēng)險評估的方法，并將其用于基于規(guī)則的車輛決策模型上，以更好地找到避撞行動策略。Yu等^[18]為了解決傳感器遮擋可能帶來的安全隱患，使用將車輛建模為粒子并傳播的概率方法，通過利用已知的道路布局來預(yù)測未觀察到的車輛引起的風(fēng)險（圖5）。Althoff等^[19]通過比較馬爾科夫鏈和蒙特卡洛模擬兩種方法的在不同駕駛場景中的性能，得出了蒙特卡洛模擬更適合作為碰撞風(fēng)險評估模型的結(jié)論。Greene等^[20]提出了一個用于車輛、行人和自行車早期碰撞預(yù)警系統(tǒng)的計算機(jī)架構(gòu)。該系統(tǒng)使用了一個兩階段的碰撞風(fēng)險評估過程，包括：（1）通過簡單有效的幾何計算進(jìn)行初步評估，（2）通過復(fù)雜的統(tǒng)計推斷計算更準(zhǔn)確的碰撞概率。這個過程可以提供一個期望效用評估給用戶界面，使得界面可以有針對性地選擇何時向駕駛員或其他相關(guān)方發(fā)出警報。該架構(gòu)的優(yōu)點是計算效率高，可以在復(fù)雜的交叉口實時工作。Berthelot等^[21]通過最小化距離函數(shù)，結(jié)合基于無跡變換（Unscented Transformation）的統(tǒng)計線性化方法，提出了一種新的碰撞概率計算方法。該方法靈活、精確且計算效率高，有助于降低系統(tǒng)干預(yù)的誤報率。雖然作者提出的方法在模擬實驗中得到了驗證，但需要注意該方法僅考慮測量不確定性的正態(tài)分布情況，因此需要進(jìn)一步研究交通參與者行為預(yù)測的不確定性因素對該方法的影響。Katrakazas^[22]開發(fā)了一個新的碰撞風(fēng)險模型來評估自動駕駛車輛的碰撞風(fēng)險。作者將車輛級別的碰撞預(yù)測方法與交通工程師研究中的網(wǎng)絡(luò)級別碰撞預(yù)測相結(jié)合，以提高道路安全性。采用了交互感知運(yùn)動模型，并使用動態(tài)貝葉斯網(wǎng)絡(luò)（Dynamic Bayesian Network， DBN）來描述每個車輛的運(yùn)動和車輛之間的交互。通過集成車輛級別和網(wǎng)絡(luò)級別信息，作者發(fā)現(xiàn)在危險的交通條件下，交互感知模型可以顯著提高檢測危險駕駛車輛的能力。Xu等^[23]使用到達(dá)前方時間（time-to-front）來評估風(fēng)險分?jǐn)?shù)，其定義為到達(dá)碰撞點的剩余時間，然后使用經(jīng)驗定制的指數(shù)函數(shù)將該分?jǐn)?shù)映射為風(fēng)險概率?；诠烙嫷娘L(fēng)險，他們提出了一個馬爾可夫決策過程，其目標(biāo)是最小化預(yù)期風(fēng)險回報，作為避撞控制的行動策略。

這些基于概率的方法的優(yōu)點是（1）可以處理不確定性的信息，并將其量化為概率分布的形式，從而更好地反映風(fēng)險評估結(jié)果的可靠性。（2）可以將多種不同的因素考慮進(jìn)來，如環(huán)境、車速、道路狀況、行駛行為等，從而提供更全面和準(zhǔn)確的風(fēng)險評估結(jié)果。（3）可以在新情況下進(jìn)行自適應(yīng)，并根據(jù)新的數(shù)據(jù)進(jìn)行模型調(diào)整和更新，從而提高評估結(jié)果的準(zhǔn)確性和實用性。不過這些方法也存在一些限制，比如：（1）需要大量的數(shù)據(jù)進(jìn)行訓(xùn)練和計算，從而需要大量的計算資源和存儲空間，這會增加實現(xiàn)成本和復(fù)雜性。（2）通?；谝恍┘僭O(shè)和模型前提，如果這些假設(shè)和前提不準(zhǔn)確，可能會導(dǎo)致評估結(jié)果的偏差和誤差。（3）通常基于線性和簡單的模型，對于非線性和復(fù)雜的情況，處理起來較為困難，需要更加復(fù)雜和高級的方法來處理。

2.3 基于機(jī)器學(xué)習(xí)的方法

傳統(tǒng)的基于確定性的方法和基于概率的方法都存在一定的局限性，難以處理復(fù)雜的交通場景?；跈C(jī)器學(xué)習(xí)的方法由于其能夠從大量數(shù)據(jù)中自動學(xué)習(xí)模式和規(guī)律，并能夠處理非線性和復(fù)雜的數(shù)據(jù)，已經(jīng)成為智能汽車行駛風(fēng)險評估領(lǐng)域的一個重要研究方向?；跈C(jī)器學(xué)習(xí)的方法一般需要采取以下6個步驟。

（1）數(shù)據(jù)采集與預(yù)處理：基于機(jī)器學(xué)習(xí)的方法需要大量的數(shù)據(jù)進(jìn)行訓(xùn)練和學(xué)習(xí)，因此需要對車輛和行人的行為進(jìn)行數(shù)據(jù)采集，并對數(shù)據(jù)進(jìn)行預(yù)處理，例如去除噪聲、對數(shù)據(jù)進(jìn)行歸一化等。

（2）特征提取：對于采集到的數(shù)據(jù)，需要通過特征提取的方式將其轉(zhuǎn)換成機(jī)器學(xué)習(xí)算法可處理的形式。常用的特征包括車輛和行人的速度、加速度、加速度變化率、距離等等。

（3）算法選擇：根據(jù)具體的問題和數(shù)據(jù)特點，選擇適合的機(jī)器學(xué)習(xí)算法，如支持向量機(jī)（Support Vector Machine， SVM）、決策樹、隨機(jī)森林、神經(jīng)網(wǎng)絡(luò)等。這些算法都有不同的優(yōu)勢和適用范圍。

（4）訓(xùn)練模型：在選擇算法后，需要將數(shù)據(jù)劃分為訓(xùn)練集和測試集，用訓(xùn)練集訓(xùn)練模型，并用測試集測試模型的性能，以選擇最優(yōu)的模型。

（5）模型評估和調(diào)優(yōu)：完成模型訓(xùn)練后，需要對模型進(jìn)行評估和調(diào)優(yōu)，以提高預(yù)測性能和準(zhǔn)確性?？梢允褂靡恍┲笜?biāo)來評估模型性能，如準(zhǔn)確率、召回率、F1分?jǐn)?shù)等。

（6）模型應(yīng)用：完成模型訓(xùn)練和評估后，可以將模型應(yīng)用于實際場景中，用來評估車輛行駛風(fēng)險，并做出相應(yīng)的決策和控制。

為了應(yīng)對在數(shù)據(jù)集中缺乏標(biāo)記的駕駛數(shù)據(jù)以及在描述不同行駛風(fēng)險級別時存在類不平衡的問題，Hu等^[24]研究了一種代價敏感的半監(jiān)督深度學(xué)習(xí)方法，該方法將CNN-LSTM組成的網(wǎng)絡(luò)嵌入到半監(jiān)督框架中（圖6），以實現(xiàn)用較少的標(biāo)記數(shù)據(jù)去標(biāo)記大量的未標(biāo)記數(shù)據(jù)，并且還開發(fā)了自適應(yīng)過平衡交叉熵函數(shù)來保持高風(fēng)險類別的過平衡狀態(tài)，從而實現(xiàn)代價敏感的學(xué)習(xí)。實驗證明該方法可以較好地預(yù)測當(dāng)前以及未來2s內(nèi)的風(fēng)險分?jǐn)?shù)。為了準(zhǔn)確預(yù)測城市主干道的實時碰撞風(fēng)險，Li等^[25]提出了一種LSTM-CNN并行組合方式的神經(jīng)網(wǎng)絡(luò)（圖7），LSTM可以捕獲長期相關(guān)性，而CNN提取時間不變特征，相比于順序LSTM-CNN的組合方式，該神經(jīng)網(wǎng)絡(luò)在ROC曲線下面積（Area Under Curve， AUC）值、靈敏度和誤報率方面更優(yōu)。Shangguan等^[26]考慮了在主動變道過程中駕駛員意圖識別的重要性，此外還有左變道和右變道之間的風(fēng)險差異，基于此，他們提出了結(jié)合駕駛員意圖識別與變道風(fēng)險評估的框架，該框架采用具有時間序列輸入的LSTM神經(jīng)網(wǎng)絡(luò)來識別駕駛意圖，然后應(yīng)用輕量級梯度提升決策樹模型（Light Gradient Boosted Machine， LGBM）算法預(yù)測變道風(fēng)險。由于圖結(jié)構(gòu)可以更好地表示數(shù)據(jù)之間的關(guān)系和交互，Yu等^[27]采用場景圖作為中間表示，并以多關(guān)系圖卷積網(wǎng)絡(luò)（Multi-Relational Graph Convolutional Networks， MR-GCN）作為空間模型處理單個場景圖得到空間嵌入，然后將視頻片段中經(jīng)過預(yù)處理的空間嵌入序列輸入到由LSTM建立的時間模型中得到時空嵌入，再輸入到多層感知器（Multilayer Perceptron， MLP）中獲得最終的風(fēng)險評估的結(jié)果（圖8）。此外，作者還在空間模型和時間模型中添加了注意力機(jī)制，提高了模型的可解釋性。在隨后的工作中^[28]，他們對此模型進(jìn)行了更深入的研究，提出了SG2VEC算法，證明了從合成的訓(xùn)練數(shù)據(jù)集向用于測試的真實世界數(shù)據(jù)集的轉(zhuǎn)移過程中，該模型性能的降低程度要低于其他的模型，并且在NVIDIA Drive PX 2平臺上的推理速度比其他的快了9.3倍。Chen等^[29]針對由于神經(jīng)網(wǎng)絡(luò)的連接系數(shù)陣列和閾值的選擇具有很大的隨機(jī)性，以導(dǎo)致在建模過程中很容易出現(xiàn)局部優(yōu)化問題，為了克服這個問題，并有效地找到全局優(yōu)化的能力，他們選擇使用遺傳算法來優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的系數(shù)陣列和閾值，從而提出了基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的碰撞預(yù)測模型CPGN，用以對追尾碰撞的預(yù)測。Peng等^[30]提出了一個LSTM框架，用于在聯(lián)網(wǎng)車輛環(huán)境下提取駕駛員的風(fēng)險行為并基于實時基本安全信息（Basic Safety Message， BSM）數(shù)據(jù)序列預(yù)測車輛碰撞風(fēng)險，并通過在南昌至九江智能高速公路沿線的試驗臺上進(jìn)行的研究進(jìn)行了說明和評估。Liu等^[31]提出了一種新的基于時間位移和空間注意力機(jī)制的雙流網(wǎng)絡(luò)（TSSAT-Net），同時提出了一種新的數(shù)據(jù)集和相關(guān)的風(fēng)險評估方法（圖9）。為了考慮實際駕駛經(jīng)驗和場景復(fù)雜度這兩個主要因素，作者將交通場景分成四個不同的風(fēng)險等級，然后使用TSSAT-Net進(jìn)行判斷。TSSAT-Net由一個以RGB圖像為輸入的空間流網(wǎng)絡(luò)和一個以光流為輸入的時間流網(wǎng)絡(luò)組成。該方法可以實現(xiàn)較高的分類準(zhǔn)確度。Shi等^[32]提出了一種面向自動駕駛車輛的自動化機(jī)器學(xué)習(xí)（AutoML）方法，用于風(fēng)險預(yù)測和行為評估。它能夠通過從車輛運(yùn)動和傳感數(shù)據(jù)中學(xué)習(xí)，預(yù)測詳細(xì)的風(fēng)險等級和相應(yīng)的行為特征。該方法包括3個主要組件：通過代理風(fēng)險指標(biāo)和大數(shù)據(jù)聚類進(jìn)行無監(jiān)督風(fēng)險識別、基于XGBoost的特征學(xué)習(xí)以及貝葉斯優(yōu)化指導(dǎo)下的模型自動調(diào)整。該方法可用于風(fēng)險決策和運(yùn)動軌跡規(guī)劃，并可為自動駕駛系統(tǒng)設(shè)計提供數(shù)據(jù)驅(qū)動的見解。

基于機(jī)器學(xué)習(xí)的方法在智能汽車行駛風(fēng)險評估中具有顯著的優(yōu)點。首先，機(jī)器學(xué)習(xí)方法能夠自動學(xué)習(xí)復(fù)雜的非線性關(guān)系，可以從大量的數(shù)據(jù)中提取特征并進(jìn)行有效的分類或回歸。其次，機(jī)器學(xué)習(xí)模型能夠動態(tài)適應(yīng)不同的環(huán)境和場景，可以在不同的駕駛情境下進(jìn)行預(yù)測和決策，具有較好的泛化性能。此外，機(jī)器學(xué)習(xí)方法能夠?qū)崿F(xiàn)高精度的碰撞風(fēng)險評估，并在實時性和準(zhǔn)確性之間取得平衡，能夠在緊急情況下及時發(fā)出警報或采取避險措施，提高了行車安全性和駕駛舒適性。

然而，基于機(jī)器學(xué)習(xí)的方法也存在一些缺陷。首先，需要大量的數(shù)據(jù)集進(jìn)行訓(xùn)練，這意味著需要大量的人力、物力和財力投入。其次，訓(xùn)練得到的模型的可解釋性較差，難以提供對決策的解釋和理解。此外，機(jī)器學(xué)習(xí)模型容易受到數(shù)據(jù)分布的影響，如果測試數(shù)據(jù)與訓(xùn)練數(shù)據(jù)分布不同，模型性能可能會急劇下降。因此，在實際應(yīng)用中，需要充分考慮訓(xùn)練數(shù)據(jù)集的特征、數(shù)量和質(zhì)量，以及模型的可解釋性和魯棒性。

3 未來展望

3種風(fēng)險評估方法的優(yōu)劣勢對比以及在風(fēng)險評估應(yīng)用中的表現(xiàn)分別見表1、表2。未來智能汽車行駛風(fēng)險評估的發(fā)展趨勢是融合3種方法、取長補(bǔ)短，使得風(fēng)險評估更加準(zhǔn)確和可靠，比如可以將基于確定性方法的計算效率，基于概率方法的數(shù)學(xué)嚴(yán)謹(jǐn)性和不確定性傳播，以及基于機(jī)器學(xué)習(xí)方法的學(xué)習(xí)能力相結(jié)合。在實際應(yīng)用中，可以根據(jù)不同的場景和任務(wù)選擇合適的方法或者將它們組合起來使用。同時，也需要進(jìn)一步研究和解決方法融合的問題。

4 結(jié)束語

針對智能汽車行駛中面臨的復(fù)雜道路環(huán)境和多樣化的風(fēng)險因素，本綜述對目前主流的3種行駛風(fēng)險評估方法進(jìn)行了介紹和分析，即基于確定性的方法、基于概率的方法以及基于機(jī)器學(xué)習(xí)的方法。這些方法各自具有一定的優(yōu)缺點，在實際應(yīng)用中需要根據(jù)具體情況進(jìn)行選擇和綜合運(yùn)用，以達(dá)到更加準(zhǔn)確和可靠的風(fēng)險評估結(jié)果。特別是，基于機(jī)器學(xué)習(xí)的方法在智能汽車領(lǐng)域的應(yīng)用逐漸增多，并取得了顯著的成果，然而其不足之處也需要引起注意。因此，綜合運(yùn)用3種方法并發(fā)揮各自的優(yōu)勢，是未來智能汽車行駛風(fēng)險評估的發(fā)展趨勢。為了實現(xiàn)更加安全和高效的智能汽車行駛，未來的研究應(yīng)該著重于數(shù)據(jù)采集、算法優(yōu)化以及算法集成等方面，以構(gòu)建更加完善的風(fēng)險評估框架。

參考文獻(xiàn)

[1] ZONG F， ZENG M， LV J Y， et al. A Credit Charging Scheme Incorporating Carpool and Carbon Emissions[J]. Transportation Research Part D-Transport and Environment， 2021， 94（5）： 102711.

[2] DAHL J， DE CAMPOS G R， OLSSON C， et al. Collision Avoidance： A Literature Review on Threat-Assessment Techniques[J]. IEEE Transactions on Intelligent Vehicles， 2019， 4（1）： 101-113.

[3] ZONG F， HE Z B， ZENG M， et al. Dynamic Lane Changing Trajectory Planning for CAV： A Multi-Agent Model with Path Preplanning [J]. Transportmetrica B-Transport Dynamics， 2022， 10（1）： 266-292.

[4] XIAO D N， DIANATI M， GEIGER W G， et al. Review of Graph-Based Hazardous Event Detection Methods for Autonomous Driving Systems[J]. IEEE Transactions on Intelligent Transportation Systems， 2023，24（5）： 4697-4715.

[5] HAYWARD J C. Near Miss Determination Through Use of a Scale of Danger[J]. Highway Research Record， 1972， 384： 24-34

[6] BRANNSTROM M， COELINGH E， SJOBERG J. Model-Based Threat Assessment for Avoiding Arbitrary Vehicle Collisions [J]. IEEE Transactions on Intelligent Transportation Systems， 2010， 11（3）： 658-669.

[7] HORST R， HOGEMA J. TIME-TO-COLLISION AND COLLISION AVOIDANCE SYSTEMS[C]//Proceedings of 6^th ICTCT Workshop Salzburg， 1994.

[8] NOH S， HAN W Y. Collision Avoidance in On-Road Environment for Autonomous Driving[C]//Proceedings of the 14th International Conference on Control， Automation and Systems （ICCAS）， South Korea： IEEE， 2014.

[9] GELSO E R， SJOBERG J. Consistent Threat Assessment in Rear-End Near-Crashes Using BTN and TTB Metrics， Road Information and Naturalistic Traffic Data[J]. IEEE Intelligent Transportation Systems Magazine， 2017， 9（1）： 74-89.

[10] TAMKE A， DANG T， BREUEL G， et al. A Flexible Method for Criticality Assessment in Driver Assistance Systems[C]//Proceedings of the IEEE Intelligent Vehicles Symposium （IV）， 2011.

[11]HILLENBRAND J， SPIEKER A M， KROSCHEL K. A Multilevel Collision Mitigation Approach-Its Situation Assessment， Decision Making， and Performance Tradeoffs[J]. IEEE Transactions on Intelligent Transportation Systems， 2006， 7（4）： 528-540.

[12] VANWINSUM W， HEINO A. Choice of Time-Headway in Car-Following and the role of Time-To-Collision Information in Braking [J]. Ergonomics， 1996， 39（4）： 579-592.

[13] ZHANG Y， ANTONSSON E K， GROTE K. A New Threat Assessment Measure for Collision Avoidance Systems[C]//Proceedings of the 2006 IEEE Intelligent Transportation Systems Conference， 2006.

[14] 許超凡. 基于貝葉斯網(wǎng)絡(luò)的智能汽車駕駛環(huán)境風(fēng)險等級評估研究[D]. 長沙： 湖南大學(xué)， 2021.

[15] LI G F， YANG Y F， LI S， et al. Decision making of autonomous vehicles in lane change scenarios： Deep reinforcement learning approaches with risk awareness[J]. Transportation Research Part C-Emerging Technologies， 2022， 134.

[16] LI G F， YANG Y F， ZHANG T R， et al. Risk assessment based collision avoidance decision-making for autonomous vehicles in multi-scenarios [J]. Transportation Research Part C-Emerging Technologies， 2021， 122（1）： 103452.

[17] NOH S. Decision-Making Framework for Autonomous Driving at Road Intersections： Safeguarding Against Collision， Overly Conservative Behavior， and Violation Vehicles[J]. IEEE Transactions on Industrial Electronics， 2019， 66（4）： 3275-3286.

[18] YU M Y， VASUDEVAN R， JOHNSON-ROBERSON M. Occlusion-Aware Risk Assessment for Autonomous Driving in Urban Environments [J]. IEEE Robotics and Automation Letters， 2019， 4（2）： 2235-2241.

[19] ALTHOFF M， MERGEL A. Comparison of Markov Chain Abstraction and Monte Carlo Simulation for the Safety Assessment of Autonomous Cars [J]. IEEE Transactions on Intelligent Transportation Systems， 2011， 12（4）： 1237-1247.

[20] GREENE D， LIU J， REICH J， et al. An Efficient Computational Architecture for a Collision Early-Warning System for Vehicles， Pedestrians， and Bicyclists [J]. IEEE Transactions on Intelligent Transportation Systems， 2011， 12（4）： 942-53.

[21] BERTHELOT A， TAMKE A， DANG T， et al. Handling Uncertainties in Criticality Assessment[C]//Proceedings of the 2011 IEEE Intelligent Vehicles Symposium （IV）， 2011.

[22] KATRAKAZAS C. Developing an advanced collision risk model for autonomous vehicles [D]. Loughborough： Loughborough University， 2017.

[23] XU H Z， GAO Y， YU F， et al. End-to-end Learning of Driving Models from Large-scale Video Datasets [C]//Proceedings of the 30th IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）， 2017.

[24] HU H Y， WANG Q， CHENG M， et al. Cost-Sensitive Semi-Supervised Deep Learning to Assess Driving Risk by Application of Naturalistic Vehicle Trajectories[J]. Expert Systems with Applications， 2021， 178（9）： 115041.

[25] LI P， ABDEL-ATY M， YUAN J. Real-Time Crash Risk Prediction on Arterials Based on LSTM-CNN[J]. Accident Analysis and Prevention， 2020， 135（2）： 105371.

[26] SHANGGUAN Q Q， FU T， WANG J H， et al. A Proactive Lane-Changing Risk Prediction Framework Considering Driving Intention Recognition and Different Lane-Changing Patterns[J]. Accident Analysis and Prevention， 2022， 164： 106500.

[27] YU S Y， MALAWADE A V， MUTHIRAYAN D， et al. Scene-Graph Augmented Data-Driven Risk Assessment of Autonomous Vehicle Decisions [J]. IEEE Transactions on Intelligent Transportation Systems， 2022， 23（7）： 7941-7951.

[28] MALAWADE A V， YU S Y， HSU B， et al. Spatiotemporal Scene-Graph Embedding for Autonomous Vehicle Collision Prediction [J]. IEEE Internet of Things Journal， 2022， 9（12）： 9379-9388.

[29] CHEN C， XIANG H Y， QIU T， et al. A Rear-End Collision Prediction Scheme Based on Deep Learning in the Internet of Vehicles [J]. Journal of Parallel and Distributed Computing， 2018， 117： 192-204.

[30] PENG L Q， WANG Y T， ZHANG F， et al. Evaluation of Emergency Driving Behaviour and Vehicle Collision Risk in Connected Vehicle Environment： A Deep Learning Approach [J]. IET Intelligent Transport Systems， 2021， 15（4）： 584-94.

[31] LIU C S， LI Z J， CHANG F L， et al. Temporal Shift and Spatial Attention-Based Two-Stream Network for Traffic Risk Assessment [J]. Ieee Transactions on Intelligent Transportation Systems， 2022， 23（8）： 12518-12530.

[32] SHI X P， WONG Y D， CHAI C， et al. An Automated Machine Learning （AutoML） Method of Risk Prediction for Decision-Making of Autonomous Vehicles [J]. IEEE Transactions on Intelligent Transportation Systems， 2021， 22（11）： 7145-7154.