中圖分類號：U496 收稿日期：2025-03-20 DOI： 10.19999/j.cnki.1004-0226.2025.06.007

Abstract：Aimingat improving thesafetyoftheautonomous drivingsystemofintellgentvehicles，thispaperproposesaresearch andoptimizationmethodforthesafetyoftheautonomousdrivingsystemofinteligentvehicles.Thismethodfrstconstructsasafety evaluatioindexsytemfortheutonomousdrivingsytemofintellgentvehicles，overingtwofirs-evelindicatorsofrivingsafety andpassingeficiencyandmultiplesecond-levelidicatorsunderthem.TheCRITICweightingmethodisusedforobjectiveweighting， andthesafetyevaluatioisonductedinombinationwithtegreyelationalteory.Thenbasedonteinematiconstrants，aie maticmodelofintellgentveiclesisstablsed，andtespatialcoodinationcostmodeletweenobstaclesadviclesndttraje torysmoothnesscostmodelareestablisd.Subsequentlymathematicalodelforthecollborativecontroloptimizationoftuto omousdrivingsystemisconstructedandsoledtoachievetheoptimizationofsmothdriving trajectoriesandimprovethesafetyofthe autonomousdrivingsystemofintellgentvehicles.Experimentsshowthatthismethodcanefectivelyanalyethekeypointsofsafetyin autonomousdriving，significantlyeducethecomprehensivesfetycostofautoomousdrivingofiteligentvicles，mprovethesafe tyoftheautonomous driving system，and provide astrong guaranteefor thedriving safetyofintelligent vehicles.

Keywords：Intelligent vehicles;Autonomous driving system;Safety;Optimization;Index system

1前言

智能汽車自動駕駛系統(tǒng)的安全性研究是當(dāng)今智能交通和汽車制造領(lǐng)域重點(diǎn)研究的課題，在AI技術(shù)、傳感器技術(shù)和實(shí)時通信技術(shù)突破發(fā)展的今天，自動駕駛技術(shù)逐漸從試驗(yàn)階段向商業(yè)化發(fā)展1，但智能汽車自動駕駛系統(tǒng)的安全性是制約智能汽車普及的關(guān)鍵瓶頸。

從國際自動機(jī)工程師學(xué)會（SAE）公布的數(shù)據(jù)可知，目前全球自動駕駛過程中出現(xiàn)的安全事故達(dá)到1237起，其中自動駕駛系統(tǒng)對路況的錯誤判斷造成的事故占比超過 68% ，該數(shù)據(jù)暴露了智能汽車自動駕駛系統(tǒng)對行駛環(huán)境感知魯棒性較差的同時，其自動駕駛的決策邏輯也存在缺陷，對不同道路行駛場景的適應(yīng)能力差。

在現(xiàn)有的智能汽車自動駕駛體系內(nèi)，自動駕駛控制技術(shù)過度依賴深度學(xué)習(xí)模型統(tǒng)計的形式規(guī)律，在外界環(huán)境發(fā)生變化時，智能汽車自動駕駛系統(tǒng)決策會出現(xiàn)延遲情況，且在復(fù)雜交通環(huán)境下[2]，智能汽車自動駕駛系統(tǒng)安全性評估框架技術(shù)落后。近年來深度學(xué)習(xí)算法、傳感器技術(shù)等雖然進(jìn)步顯著，但在智能汽車自動駕駛系統(tǒng)應(yīng)用中仍然存在諸多問題，如傳感器感知延遲、網(wǎng)絡(luò)攻擊造成的系統(tǒng)癱瘓等，以上問題為智能汽車自動駕駛安全帶來嚴(yán)重威脅，也為公共交通安全帶來潛在的風(fēng)險。

因此研究智能汽車自動駕駛系統(tǒng)的安全性和優(yōu)化方法，對智能汽車實(shí)際應(yīng)用具有重要的理論意義，為提升智能汽車自動駕駛系統(tǒng)安全性提供技術(shù)支持。

2智能汽車自動駕駛系統(tǒng)安全性分析方法

2.1智能汽車自動駕駛系統(tǒng)安全性評價指標(biāo)體系構(gòu)建

智能汽車自動駕駛系統(tǒng)的安全性分析需要在特定場景下進(jìn)行，如在匝道匯人過程中，自動駕駛車輛需要在動態(tài)變化的交通環(huán)境中完成車道識別、速度調(diào)整、車距保持以及與其他車輛的協(xié)同交互等一系列任務(wù)，同時還需應(yīng)對高密度車流、復(fù)雜路況以及人類駕駛行為的不確定性等多重挑戰(zhàn)。這一過程不僅要求系統(tǒng)具備高精度的環(huán)境感知能力，還需要強(qiáng)大的決策規(guī)劃與實(shí)時控制能力[3]，以確保車輛能夠安全、平穩(wěn)地融入主路車流。因此在匝道匯人場景下，利用評估方法對汽車自動駕駛系統(tǒng)安全展開分析。

在汽車自動駕駛過程中的形勢參數(shù)基礎(chǔ)上，選擇智能汽車自動駕駛系統(tǒng)安全評價指標(biāo)體系來評價車輛不同性能，在指標(biāo)選擇過程中，以信息量大、與匝道匯入測試場景關(guān)聯(lián)度高的參數(shù)作為評價指標(biāo)，這樣選擇的智能汽車自動駕駛系統(tǒng)安全性能夠更準(zhǔn)確地體現(xiàn)，該指標(biāo)體系如表1所示。

由表1可知，一級指標(biāo)包含“行駛安全性\"和“通過高效性”。其中，“行駛安全性\"下設(shè)置碰撞時間、車頭時距、后車侵入時間三項(xiàng)二級指標(biāo)，用于評估駕駛過程中的安全性能；“通過高效性\"下設(shè)置通過時間、平均速度、換道時間三項(xiàng)二級指標(biāo)，側(cè)重評價車輛通行效率相關(guān)的性能。該指標(biāo)體系通過兩級指標(biāo)組合，綜合反映自動駕駛系統(tǒng)的安全與高效特性。

2.2基于灰色關(guān)聯(lián)理論的智能汽車自動駕駛系統(tǒng)安全性評價方法

依據(jù)智能汽車自動駕駛系統(tǒng)運(yùn)行過程中數(shù)據(jù)波動性和數(shù)據(jù)之間的關(guān)聯(lián)關(guān)系，對智能汽車自動駕駛系統(tǒng)安全性評價指標(biāo)體系進(jìn)行客觀賦權(quán)。CRITIC權(quán)重法是一種客觀賦權(quán)方法，基于指標(biāo)的“變異性”與“沖突性\"確定權(quán)重。其中，“變異性\"通過指標(biāo)數(shù)據(jù)的標(biāo)準(zhǔn)差來衡量，標(biāo)準(zhǔn)差越大，指標(biāo)蘊(yùn)含的信息差異越大；“沖突性”通過指標(biāo)間的相關(guān)系數(shù)體現(xiàn)，若指標(biāo)間負(fù)相關(guān)程度高，說明相互沖突性強(qiáng)，提供的有效信息較少。使用CRITIC權(quán)重法對智能汽車自動駕駛系統(tǒng)安全性評價指標(biāo)體系進(jìn)行客觀賦權(quán)，下面描述詳細(xì)過程。

由于智能汽車自動駕駛系統(tǒng)安全性評價指標(biāo)的單位存在差異[4]，需要對指標(biāo)進(jìn)行無量綱化處理。令 x_ij^′ 表示第 i 個經(jīng)無量綱化處理后第 j 個指標(biāo)標(biāo)準(zhǔn)化數(shù)值， x_j 表示第 j 個指標(biāo)的原始值，則正向指標(biāo)無量綱化表達(dá)公

式為：

逆向指標(biāo)無量綱化表達(dá)公式為：

式中， 分別為指標(biāo)在所有數(shù)據(jù)中的最大值和最小值；在CRITIC權(quán)重法內(nèi)，使用標(biāo)準(zhǔn)差來描述智能汽車自動駕駛系統(tǒng)安全性評價指標(biāo)取值范圍變化情況，計算智能汽車自動駕駛系統(tǒng)安全性評價指標(biāo)的標(biāo)準(zhǔn)差，表達(dá)公式如下：

式中， S_j 為第 j 個智能汽車自動駕駛系統(tǒng)安全性評價指標(biāo)的標(biāo)準(zhǔn)差，其數(shù)值波動性越大，反映的信息內(nèi)容就越多； n 為指標(biāo)總數(shù)； 為第 j 個指標(biāo)的均值，其計算公式為：

式中， x_ij 表示第 j 個智能汽車自動駕駛系統(tǒng)安全性評價指標(biāo)的第 i 個樣本觀測值。

智能汽車自動駕駛系統(tǒng)安全性評價指標(biāo)之間相關(guān)關(guān)系數(shù)值越高，說明兩個指標(biāo)之間的關(guān)聯(lián)性越強(qiáng)[5]，則該兩個指標(biāo)之間的沖突度數(shù)值越低，為降低指標(biāo)之間的沖突性，依據(jù)指標(biāo)之間的相關(guān)性為其分配權(quán)重，其表達(dá)公式如下：

式中， R_j 為第 j 個指標(biāo)的權(quán)重賦值； η_ij 為第 i 個和第 j 個指標(biāo)之間的關(guān)聯(lián)度； p 為當(dāng)前指標(biāo)層內(nèi)指標(biāo)數(shù)量。

在式（4）、式（5）基礎(chǔ)上，計算智能汽車自動駕駛系統(tǒng)安全性評價指標(biāo)的客觀權(quán)重，表達(dá)公式如下：

式中， T_j 為第 j 個智能汽車自動駕駛系統(tǒng)安全性評價指標(biāo)的客觀權(quán)重，該數(shù)值越大，說明其對智能汽車自動駕駛系統(tǒng)安全影響越大。

對第 j 個智能汽車自動駕駛系統(tǒng)安全性評價指標(biāo)的客觀權(quán)重進(jìn)行賦值，其表達(dá)公式如下：

式中， ω_j 為第 j 個智能汽車自動駕駛系統(tǒng)安全性評價指標(biāo)的客觀權(quán)重數(shù)值。

灰色關(guān)聯(lián)分析方法是通過計算參考序列和對比序列之間的相似度或者相異度的方式，評估比較序列對參考序列的影響程度[6]。在此將智能汽車自動駕駛評價指標(biāo)作為比較序列，將智能汽車自動駕駛系統(tǒng)運(yùn)行過程中每項(xiàng)指標(biāo)的最優(yōu)值作為參考序列，按照該兩個序列曲線之間的幾何形狀相似度，判斷比較序列和參考序列的關(guān)聯(lián)程度。該關(guān)聯(lián)程度 ζ_i（j） 計算公式如下：

ζ_i（j）=

式中， B_i（j） 為第 i 輛智能汽車第 j 個指標(biāo)比較數(shù)值； B₀（j）

為第 j 個指標(biāo)的參考序列數(shù)值 ?ρ 為分辨系數(shù)。

在式（8）基礎(chǔ)上，計算智能汽車自動駕駛系統(tǒng)安全性評價指標(biāo)的總體關(guān)聯(lián)度，其表達(dá)公式如下：

式中， γ_i 為第 χ_i 輛智能汽車自動駕駛系統(tǒng)安全性總體關(guān)聯(lián)度。該數(shù)值越大說明當(dāng)前智能汽車自動駕駛系統(tǒng)安全性越高。

經(jīng)過上述分析過程，利用式（9）可得到智能汽車自動駕駛性安全性分析結(jié)果。

3智能汽車自動駕駛系統(tǒng)優(yōu)化方法

在上文獲得智能汽車自動駕駛安全性分析結(jié)果基礎(chǔ)上，對智能汽車自動駕駛系統(tǒng)進(jìn)行優(yōu)化處理，進(jìn)一步提升智能汽車自動駕駛系統(tǒng)的安全性。

為保障智能汽車在匝道匯入場景中保持行駛軌跡平滑，對智能汽車自動駕駛運(yùn)動規(guī)劃時構(gòu)建智能汽車運(yùn)動學(xué)模型，該模型如圖1所示。

令 u₁ 表示智能汽車自動駕駛加速度， L 為智能汽車前后輪軸距，構(gòu)建圖1的智能汽車運(yùn)動學(xué)模型運(yùn)動學(xué)約束方程，表達(dá)公式如下：

式中， 為智能汽車后輪中心點(diǎn)坐標(biāo) x，y 的一階導(dǎo)數(shù)； 分別為智能汽車前進(jìn)方向 α 和轉(zhuǎn)角速度 φ 的一階導(dǎo)數(shù)； 為智能汽車自動駕駛速度 h 的一階導(dǎo)數(shù)； u₂ 為車輛前輪偏轉(zhuǎn)角速度。

當(dāng)智能汽車自動駕駛匝道匯人時，為保障智能汽車自動駕駛系統(tǒng)的安全性，令匝道匯入場景中存在車輛和障礙物（其他車輛、路障、護(hù)欄等）數(shù)量分別為 N_nΩ_nΩ，N_obs 個，令 Q_safel 表示智能汽車與障礙物之間的安全距離，智能汽車自動駕駛匝道匯入時，車輛與障礙物距離低于安全距離時，應(yīng)控制智能汽車與障礙物的距離盡可能遠(yuǎn)。在匝道匯入過程中，智能汽車自動駕駛時與障礙物的空間協(xié)同函數(shù)表達(dá)公式如下：

式中， l_ik 為第 i 輛智能汽車自動駕駛時與障礙物 k 的空間協(xié)同函數(shù)； Q_ik 為第 i 輛智能汽車與第 k 個障礙物之間的距離； k₁ 為智能汽車與障礙物距離系數(shù)； Φ_t 為時刻。

基于式（11），構(gòu)建智能汽車與障礙物之間空間協(xié)同代價模型 f₁ ，其表達(dá)公式如下：

在上述無碰撞前提下，考慮車輛與車輛之間的碰撞情況，設(shè)置智能汽車之間的安全距離為 Q_safe2 ，則智能汽車之間的空間協(xié)同函數(shù)表達(dá)公式如下：

式中， l_ij 為第 i 輛智能汽車自動駕駛時與第 j 輛智能汽車空間協(xié)同函數(shù)； Q_ij 為第 i 輛智能汽車與第 j 輛智能汽車之間的距離； k₂ 為智能汽車之間距離系數(shù)。

在式（13）基礎(chǔ)上，智能汽車之間空間協(xié)同代價模型f₂ 表達(dá)公式如下：

智能汽車自動駕駛軌跡的平滑性受其前輪偏轉(zhuǎn)角變化幅度影響，構(gòu)建智能汽車軌跡平滑車隊(duì)代價模型，表達(dá)公式如下：

式中 I₃ 為智能汽車軌跡平滑車隊(duì)代價模型； t_f 為智能汽車完全匝道后的時刻； dt 為對時間求導(dǎo)； φ_i（t） 為時刻為Ψ_t 時智能汽車 i 前輪偏轉(zhuǎn)角。

在上述公式基礎(chǔ)上，構(gòu)建智能汽車自動駕駛系統(tǒng)協(xié)同控制優(yōu)化數(shù)學(xué)模型，其目標(biāo)函數(shù)表達(dá)公式如下：

minf=σ₁f₁+σ₂f₂+σ₃f₃

式中 ，f 為智能汽車匝道匯入場景下自動駕駛綜合代價；

σ₁，σ₂，σ₃ 分別為智能汽車不同代價權(quán)重系數(shù)。

設(shè)置智能汽車自動駕駛系統(tǒng)協(xié)同控制優(yōu)化數(shù)學(xué)模型速度和轉(zhuǎn)角速度的約束條件如下：

式中， h_i?φ_i 分別為第 i 輛智能汽車自動駕駛速度和轉(zhuǎn)角速度數(shù)值; v_max?φ_max 為智能汽車自動駕駛速度和轉(zhuǎn)角速度最大限值。

在式（17）約束條件和滿足式（10）基礎(chǔ)上，對式（16）進(jìn)行優(yōu)化求解后，可實(shí)現(xiàn)智能汽車自動駕駛系統(tǒng)軌跡平滑駕駛優(yōu)化。

4實(shí)驗(yàn)分析

以某輛智能汽車作為實(shí)驗(yàn)對象，使用本文方法對自動駕駛系統(tǒng)安全性進(jìn)行分析，并對其自動駕駛系統(tǒng)進(jìn)行優(yōu)化處理，驗(yàn)證本文方法的實(shí)際應(yīng)用效果。

令該智能汽車在匝道合流場景下實(shí)現(xiàn)自動駕駛，使用本文方法分析其安全性，結(jié)果如表2所示。

從表1中現(xiàn)有數(shù)據(jù)來看，行駛安全性得分62.55，說明在該場景下車輛行駛安全有一定保障，但也有提升空間。碰撞時間得分相對較高為60.51，表明在避免碰撞的時間把控上表現(xiàn)尚可；車頭時距和后車侵入時間得分較低，反映與前后車距離控制需優(yōu)化。通過高效性得分48.27較低，具體指標(biāo)中平均速度得分55.27，說明速度方面有提升空間，而換道時間得分較高，意味著換道操作較高效。上述結(jié)果表明：在匝道合流場景下，本文方法從行駛安全性和通過高效性等一級指標(biāo)，以及碰撞時間、車頭時距等二級指標(biāo)進(jìn)行了智能汽車自動駕駛安全性分析并打分。各項(xiàng)得分清晰呈現(xiàn)不同維度的安全狀況，能全面且細(xì)致地評估安全性，表明該方法可有效剖析自動駕駛中的安全要點(diǎn)。

為驗(yàn)證本文方法對智能汽車自動駕駛系統(tǒng)優(yōu)化能力，以智能汽車行駛安全性的綜合代價作為衡量指標(biāo)；在車輛匯入匝道不同次數(shù)情況下，分析本文方法應(yīng)用前后該智能汽車自動駕駛安全性綜合代價變化情況，測試結(jié)果如圖2所示。

從圖2可知，在車輛匯入匝道不同測試次數(shù)下，優(yōu)化前智能汽車自動駕駛安全性綜合代價數(shù)值明顯高于優(yōu)化后。這表明本文方法能顯著降低綜合代價，有效提升自動駕駛系統(tǒng)安全性，在不同測試場景中均展現(xiàn)出強(qiáng)大的優(yōu)化能力，為智能汽車行駛安全提供有力保障。

5結(jié)語

在智能汽車自動駕駛領(lǐng)域，安全性至關(guān)重要。本文圍繞系統(tǒng)安全性展開研究與優(yōu)化，通過對關(guān)鍵技術(shù)進(jìn)行剖析及實(shí)際場景測試，發(fā)現(xiàn)現(xiàn)存問題并提出針對性優(yōu)化方法。測試結(jié)果表明，優(yōu)化后安全性綜合代價降低，證明該方法有效。這不僅提升了自動駕駛系統(tǒng)安全性，也為智能汽車進(jìn)一步發(fā)展與應(yīng)用筑牢安全根基。

參考文獻(xiàn)：

[1]謝勇，胡秋燕，李仁發(fā)，等.基于Uptane的汽車軟件在線升級優(yōu)化框架［J].計算機(jī)研究與發(fā)展，2024，61（9）：2145-2155.

[2]戴力源，楊達(dá)，李凱，等.基于圖像與高精定位融合數(shù)據(jù)的封閉場地自動駕駛汽車駕駛測試方法[J].計算機(jī)應(yīng)用研究，2023，40（11）：3333-3340+3347 美

[3]王鯤，董振江，楊凡，等.基于C-V2X的車路協(xié)同自動駕駛關(guān)鍵技術(shù)與應(yīng)用[J].電信科學(xué)，2023，39（3）：45-60

[4]徐璞磊，蔡英鳳，廉玉波，等.基于改進(jìn)分層可拓理論的智能汽車AFS/DYC協(xié)調(diào)控制[J].汽車工程，2023，45（1）：20-31.

[5]李升波，占國建，蔣宇軒，等.類腦學(xué)習(xí)型自動駕駛決控系統(tǒng)的關(guān)鍵技術(shù)[J].汽車工程，2023，45（9）：1499-1515.

[6]趙樹廉，來飛，李克強(qiáng)，等.基于數(shù)字孿生技術(shù)的智能汽車測試方法研究[J].汽車工程，2023，45（1）：42-51.