本期閱讀

文章信息

社會(huì)認(rèn)知自動(dòng)駕駛

王聰, 胡文, 李文博, 邢陽, 陳宏昌, 曹東璞

10.3901/JME.2023.20.304

引用本文：

王聰, 胡文, 李文博, 邢陽, 陳宏昌, 曹東璞. 社會(huì)認(rèn)知自動(dòng)駕駛[J]. 機(jī)械工程學(xué)報(bào), 2023, 59(20): 304-324.

WANG Cong, HU Wen, LI Wenbo, XING Yang, CHEN Hongchang, CAO Dongpu. Social Cognitive Autonomous Driving[J]. Journal of Mechanical Engineering, 2023, 59(20): 304-324.

原文閱讀（摘要）

摘要：當(dāng)前自動(dòng)駕駛技術(shù)處于L3向L4的快速發(fā)展中，提升自動(dòng)駕駛系統(tǒng)的場(chǎng)景適應(yīng)能力成為現(xiàn)階段主要任務(wù)。在城市混合交通流場(chǎng)景下，道路拓?fù)浣Y(jié)構(gòu)更為復(fù)雜，交通參與單元類型眾多，車流量更加密集，存在顯著的強(qiáng)交互博弈過程，給自動(dòng)駕駛車輛的安全高效通行帶來巨大挑戰(zhàn)。同時(shí)，城市出行需求更加多樣，隨著智能座艙和人工智能技術(shù)的發(fā)展，對(duì)車輛智能化和人性化服務(wù)的期望日益提高。因此，賦予自動(dòng)駕駛系統(tǒng)社會(huì)化屬性和社會(huì)認(rèn)知能力，在提升自動(dòng)駕駛車輛行駛安全高效性的同時(shí)，更好地服務(wù)艙內(nèi)駕乘人員，成為當(dāng)前自動(dòng)駕駛技術(shù)重要發(fā)展目標(biāo)。面向智能網(wǎng)聯(lián)汽車安全駕駛腦，通過自動(dòng)駕駛、認(rèn)知心理學(xué)和社會(huì)心理學(xué)多學(xué)科交叉融合，提出社會(huì)認(rèn)知自動(dòng)駕駛框架；其次針對(duì)車外交互圍繞面向社會(huì)認(rèn)知的車輛侵略性建模、強(qiáng)交互場(chǎng)景的社會(huì)認(rèn)知決策以及緊急工況認(rèn)知決策展開前期研究，針對(duì)車內(nèi)交互圍繞智能座艙場(chǎng)景-功能體系、艙內(nèi)人員情緒認(rèn)知與調(diào)節(jié)以及基于社會(huì)認(rèn)知自動(dòng)駕駛的人機(jī)接管展開前期研究；最后進(jìn)行提煉和總結(jié)。

關(guān)鍵詞：自動(dòng)駕駛；社會(huì)認(rèn)知；混合交通；決策規(guī)劃

中圖分類號(hào)：U461

0

前言

近年來隨著計(jì)算機(jī)視覺、機(jī)器學(xué)習(xí)以及自動(dòng)化控制等技術(shù)理論的持續(xù)進(jìn)步，車輛智能化水平不斷提高，自動(dòng)駕駛系統(tǒng)逐漸覆蓋更為廣闊的功能場(chǎng)景。為了清晰地衡量自動(dòng)駕駛車輛的發(fā)展水平，美國(guó)汽車工程師學(xué)會(huì)(Society of automotive engineers, SAE)按照系統(tǒng)所能達(dá)成的任務(wù)能力將自動(dòng)駕駛車輛的智能化劃分為六個(gè)階段：L0-無駕駛自動(dòng)化、L1-車輛側(cè)向或縱向運(yùn)動(dòng)的駕駛輔助、L2-多維度自動(dòng)駕駛輔助、L3-特定場(chǎng)景下脫離于駕駛員的自動(dòng)駕駛、L4-具有極端場(chǎng)景工況適應(yīng)能力的高度自動(dòng)駕駛、L5-全場(chǎng)景下的完全自動(dòng)駕駛。當(dāng)前L2自動(dòng)駕駛系統(tǒng)已實(shí)現(xiàn)產(chǎn)業(yè)化應(yīng)用，市場(chǎng)滲透率穩(wěn)步提升，前沿自動(dòng)駕駛水平已處于由L3向L4的重大跨越之中，不斷提高復(fù)雜場(chǎng)景覆蓋率是當(dāng)前自動(dòng)駕駛技術(shù)開發(fā)的重要任務(wù)。在這一發(fā)展過程中，通過構(gòu)建智能網(wǎng)聯(lián)汽車安全駕駛腦，實(shí)現(xiàn)城市復(fù)雜混合交通場(chǎng)景下的安全高效自動(dòng)駕駛成為亟待突破的關(guān)鍵瓶頸。

根據(jù)未來可預(yù)見的交通環(huán)境發(fā)展趨勢(shì)，有人駕駛車輛和無人駕駛車輛將長(zhǎng)期共存，由此構(gòu)成的混合交通場(chǎng)景特征給自動(dòng)駕駛系統(tǒng)帶來了巨大的挑戰(zhàn)。而在城市交通環(huán)境下，混合交通流下自動(dòng)駕駛技術(shù)難點(diǎn)被成倍放大。首先，道路拓?fù)浣Y(jié)構(gòu)更為多變，存在十字路口、環(huán)島、立體交通等諸多復(fù)雜道路，自動(dòng)駕駛車輛需要遵循不同道路條件下的行車規(guī)范，決策規(guī)劃方法需要滿足更多的社會(huì)化約束。其次，城市工況下車輛間距較短、車流量密集，交互博弈過程更為明顯，由此構(gòu)成的強(qiáng)交互場(chǎng)景給自動(dòng)駕駛車輛的安全決策提出了新的挑戰(zhàn)。最后，城市環(huán)境下存在自行車、行人等弱勢(shì)交通參與單元以及貨車、半掛車、工程車輛等強(qiáng)勢(shì)交通參與單元，自動(dòng)駕駛系統(tǒng)需要具備差異化不同交互對(duì)象的能力，在避免傷害弱勢(shì)交通參與單元的同時(shí)規(guī)避強(qiáng)勢(shì)交通參與單元的潛在風(fēng)險(xiǎn)。

此外，城市出行場(chǎng)景更加多樣，隨著智能座艙和人工智能技術(shù)的發(fā)展，對(duì)車輛智能化和人性化水平的期望日益提高。功能完善的自動(dòng)駕駛系統(tǒng)在適應(yīng)不同艙外交互環(huán)境的同時(shí)，還應(yīng)能夠與智能座艙(Intelligent cockpit, IC)協(xié)同，共同完成與艙內(nèi)駕乘人員的主動(dòng)交互，滿足不同艙內(nèi)場(chǎng)景下駕乘人員需求。一方面，在完全自動(dòng)駕駛實(shí)現(xiàn)之前，自動(dòng)駕駛系統(tǒng)仍需保持對(duì)駕駛員常規(guī)駕駛狀態(tài)的監(jiān)測(cè)，以在緊急情況下切換車輛行駛控制權(quán)或介入駕駛輔助。另一方面，自動(dòng)駕駛系統(tǒng)應(yīng)能智能化地感知乘坐人員狀態(tài)，主動(dòng)調(diào)節(jié)智能座艙系統(tǒng)以響應(yīng)不同區(qū)域乘坐人員的需求，并適時(shí)地調(diào)整自動(dòng)駕駛系統(tǒng)參數(shù)，包括緊急狀態(tài)下自主切換全局導(dǎo)航目標(biāo)、調(diào)節(jié)決策博弈激進(jìn)化程度以及切換底盤控制策略趨向等，以更好地服務(wù)于車內(nèi)乘員。

因此，進(jìn)一步提升場(chǎng)景適應(yīng)能力是當(dāng)前自動(dòng)駕駛技術(shù)發(fā)展的主要任務(wù)，構(gòu)建智能網(wǎng)聯(lián)汽車安全駕駛腦，將自動(dòng)駕駛系統(tǒng)和智能座艙進(jìn)行有機(jī)的結(jié)合，實(shí)現(xiàn)智能網(wǎng)聯(lián)車輛內(nèi)部和外部的擬人化決策和交互，是提升城市復(fù)雜混合交通場(chǎng)景下車輛行駛安全性和高效性以及乘員服務(wù)智能化水平的重要途經(jīng)。

混合交通流下駕駛?cè)司哂械纳鐣?huì)屬性決定了車輛在行駛過程中存在社會(huì)性的交互行為，因此相關(guān)學(xué)者從社會(huì)性的角度入手開始自動(dòng)駕駛系統(tǒng)的社會(huì)化研究。社會(huì)交互包括顯性和隱性兩方面，駕駛?cè)丝赡懿扇∈謩?shì)、信號(hào)燈等顯性的社會(huì)信號(hào)向周圍交通參與者傳遞駕駛意圖。隱性的社會(huì)信號(hào)為車輛在交互過程中所展現(xiàn)的加速度與航向角等運(yùn)動(dòng)狀態(tài)，比如意圖讓路的車輛可能采取減速動(dòng)作。有研究表明，在道路交通中，駕駛?cè)烁嗟夭捎媚荏w現(xiàn)駕駛?cè)颂匦缘碾[性方式進(jìn)行社會(huì)交互。同時(shí)，在交通法規(guī)確定的交通規(guī)范之外，人類的交互駕駛行為存在一些隱性的社會(huì)規(guī)范，比如在特定情況下可以越過白實(shí)線執(zhí)行避讓。因此，自動(dòng)駕駛車輛在混合交通環(huán)境中需要準(zhǔn)確理解周圍車輛的社會(huì)行為，并做出具有社會(huì)性且能夠被人類所理解和接受的駕駛決策，才能實(shí)現(xiàn)自動(dòng)駕駛車輛的大規(guī)模落地。

明確對(duì)自動(dòng)駕駛車輛影響較大的社會(huì)因素，以及如何建模和量化車輛的社會(huì)屬性是自動(dòng)駕駛車輛社會(huì)性交互模型的兩個(gè)主要研究焦點(diǎn)。交通心理學(xué)家WILDE等在20世紀(jì)70年代提出自然交通中的社會(huì)交互過程具有一定的特征，如社會(huì)習(xí)慣和價(jià)值觀的傾向、社會(huì)期望、社會(huì)交互模式等。因此，人類的利他主義、親社會(huì)主義、利己主義和競(jìng)爭(zhēng)等社會(huì)偏好在近年來被廣泛用于構(gòu)建自動(dòng)駕駛車輛的決策模型。LI等考慮交互對(duì)象的駕駛風(fēng)格，建模了交互場(chǎng)景下的超車行為。LANDOLFI 等在自動(dòng)駕駛決策模型考慮了車輛的社會(huì)凝聚力屬性，提高自動(dòng)駕駛車輛的社會(huì)接受度。SCHWARTING等引入周圍車輛的社會(huì)價(jià)值取向，量化車輛的自私或利他的程度，建立了匯入車道與無保護(hù)左轉(zhuǎn)場(chǎng)景下基于納什均衡博弈論的駕駛行為決策模型。WANG等提出了一種社會(huì)兼容型自動(dòng)駕駛模型，量化了車輛的禮貌性、利己程度以及對(duì)預(yù)測(cè)的置信度，并且實(shí)時(shí)估計(jì)車輛的社會(huì)偏好。ZHANG等通過估計(jì)周圍車輛的激進(jìn)程度，建立了基于博弈論的模型預(yù)測(cè)控制器，并應(yīng)用于強(qiáng)制換道場(chǎng)景，提高了換道成功率以及換道模型的擬人性。WANG等將周圍車輛的社會(huì)偏好分為禮貌和魯莽，在自動(dòng)駕駛決策過程采用不同的交互策略。

目前，車輛社會(huì)行為的主流建模方法包括深度學(xué)習(xí)模型、社會(huì)力與勢(shì)能場(chǎng)模型、博弈論等。深度學(xué)習(xí)模型多采用基于社會(huì)池的注意力機(jī)制、深度強(qiáng)化學(xué)習(xí)、圖模型、大語言模型等方法，從大量數(shù)據(jù)中學(xué)習(xí)模仿人類的交互駕駛行為。社會(huì)力模型最初由HELBING等提出，并用于行人之間的交互。此后，大量學(xué)者采用社會(huì)力模型及其改進(jìn)的不同勢(shì)能場(chǎng)模型進(jìn)行交互行為決策規(guī)劃以及風(fēng)險(xiǎn)評(píng)估。CHEN等考慮行人的不同協(xié)作程度，建立了社會(huì)力行人模型，并采用博弈論建模交叉路況下車-人的社會(huì)交互。博弈論是一種研究理性決策者之間直接或間接交互作用的理論，適合用來求解交互作用下各決策主體的均衡。HANG 等采用融合車輛社會(huì)行為的斯坦克爾伯格均衡建模了駕駛行為決策，然后結(jié)合勢(shì)能場(chǎng)與模型預(yù)測(cè)控制規(guī)劃可行軌跡。STEFANSSON等提出了雙層博弈論來分別建模短期和長(zhǎng)期的交互，提高了車輛交互性能。

總的來說，學(xué)者在近十幾年來對(duì)人類駕駛車輛的各社會(huì)屬性進(jìn)行了少量研究，但并未形成一個(gè)統(tǒng)一的社會(huì)認(rèn)知決策框架。由此可見，未來的自動(dòng)駕駛車輛不再僅僅被理解為一種工具，而是一種具有社會(huì)屬性，能夠自如地、類人地與其他交通參與者進(jìn)行交互的智能體。因此，以社會(huì)認(rèn)知理論為基礎(chǔ)，研究復(fù)雜交通場(chǎng)景中人類駕駛員的動(dòng)態(tài)社會(huì)交互模式對(duì)自動(dòng)駕駛車輛的發(fā)展具有極大的促進(jìn)作用。

1

社會(huì)認(rèn)知自動(dòng)駕駛框架

與人類個(gè)體從自然人向社會(huì)人成長(zhǎng)的過程類似，理想的自動(dòng)駕駛同樣需要從學(xué)習(xí)社會(huì)規(guī)范和人類駕駛員行為習(xí)慣的過程中不斷融入社會(huì)交通，逐漸在混和交通流場(chǎng)景中內(nèi)化為具有社會(huì)化和擬人化交互行為的交通參與單元。其社會(huì)化和擬人化交互主要體現(xiàn)在兩個(gè)方面，一方面能夠主動(dòng)與周圍交通單元進(jìn)行博弈，通過自身行為影響周圍車輛單元，在安全范圍內(nèi)以符合社會(huì)交通規(guī)范為前提適度爭(zhēng)取路權(quán)，提升車輛決策和通行效率；另一方面，能夠主動(dòng)認(rèn)知艙外交通參與單元和艙內(nèi)駕乘人員的意圖，并主動(dòng)調(diào)節(jié)自動(dòng)駕駛系統(tǒng)決策規(guī)劃策略和智能座艙多模態(tài)輸出以響應(yīng)駕乘人員需求。因此，面向未來的自動(dòng)駕駛系統(tǒng)主要特點(diǎn)在于社會(huì)兼容性和社會(huì)規(guī)范適應(yīng)性，這一發(fā)展過程涉及到社會(huì)認(rèn)知、社會(huì)規(guī)范、交通法規(guī)和交通倫理等一系列問題，結(jié)合社會(huì)心理學(xué)和認(rèn)知心理學(xué)以探究如何構(gòu)建單車智能以更好地融入社會(huì)，為解決這些問題提供了新的思路。

自1886年汽車被發(fā)明以來，為了提升車輛操縱穩(wěn)定性等各項(xiàng)性能，汽車動(dòng)力學(xué)在19世紀(jì)80年代到20世紀(jì)40年代得到了廣泛的探索，從50年代開始輪胎動(dòng)力學(xué)特性的成熟使汽車動(dòng)力學(xué)高速發(fā)展，進(jìn)入70年代開始在動(dòng)力學(xué)的基礎(chǔ)上引入控制論并發(fā)展出車輛動(dòng)力學(xué)控制，90年代軟件仿真測(cè)試的發(fā)展為車輛控制系統(tǒng)和優(yōu)化設(shè)計(jì)的加速迭代提供了渠道，為2010年開始至今的自動(dòng)駕駛發(fā)展浪潮奠定了基礎(chǔ)。與車輛工程技術(shù)的推進(jìn)基本同步，心理學(xué)也在這一時(shí)期得到了確立和發(fā)展，如圖1所示。現(xiàn)代心理學(xué)由德國(guó)生理學(xué)家馮特于1879年創(chuàng)立，其后心理學(xué)得到了快速探索并衍生出諸多細(xì)分學(xué)科領(lǐng)域，包括人格心理學(xué)、發(fā)展心理學(xué)、臨床心理學(xué)、社會(huì)心理學(xué)、認(rèn)知心理學(xué)、犯罪心理學(xué)等。

其中，認(rèn)知心理學(xué)是一門探討心理如何被組織進(jìn)而產(chǎn)生智能思維，以及心理如何在腦中實(shí)現(xiàn)的科學(xué)。不同于早期心理學(xué)廣泛采用的內(nèi)省研究方式以及行為主義，其使用系統(tǒng)化的科學(xué)方法研究不能直接觀察的內(nèi)部機(jī)制和過程，如記憶的加工、存儲(chǔ)、提取和記憶力的改變等，其論證過程涉及到試驗(yàn)、認(rèn)知神經(jīng)科學(xué)、認(rèn)知神經(jīng)心理學(xué)和計(jì)算機(jī)模擬等多方面的共同支持。20世紀(jì)50年代，在認(rèn)知失調(diào)理論、人工智能邏輯理論以及語言學(xué)理論的影響下，心理學(xué)研究重點(diǎn)逐漸從外顯的行為轉(zhuǎn)為內(nèi)部的認(rèn)知過程，因而認(rèn)知心理學(xué)開始從心理學(xué)中獨(dú)立出來。進(jìn)入20世紀(jì)70年代，腦科學(xué)和神經(jīng)科學(xué)日益成熟，通過腦功能呈像技術(shù)可以更加直接地分析不同大腦區(qū)域在個(gè)體認(rèn)知過程中的功能劃分，認(rèn)知心理學(xué)和神經(jīng)科學(xué)的結(jié)合催生出認(rèn)知神經(jīng)科學(xué)。進(jìn)而在80年代隨著計(jì)算機(jī)科學(xué)的發(fā)展，心理學(xué)家開始采用計(jì)算機(jī)的信息處理過程類比人類的認(rèn)知過程，并提出了信息加工理論，成為當(dāng)前認(rèn)知心理學(xué)的經(jīng)典理論。近年來又陸續(xù)提出了聯(lián)結(jié)主義認(rèn)知心理學(xué)和生態(tài)認(rèn)知心理學(xué)，認(rèn)知心理學(xué)的誕生一方面為發(fā)展心理學(xué)、社會(huì)心理學(xué)和臨床心理學(xué)等其他分支學(xué)科提供了強(qiáng)有力的補(bǔ)充，另一方面與計(jì)算機(jī)、教育、生物等學(xué)科進(jìn)行交叉融合，為系統(tǒng)界面和網(wǎng)頁設(shè)計(jì)、課堂教學(xué)和腦功能理解做出了重要貢獻(xiàn)。

不同于認(rèn)知心理學(xué)關(guān)注一般現(xiàn)象，社會(huì)心理學(xué)關(guān)注的是具有社會(huì)意義的事物，例如個(gè)體行為、態(tài)度、價(jià)值觀等。社會(huì)心理學(xué)是一門研究個(gè)體社會(huì)思維(如何看待社會(huì))、社會(huì)影響(社會(huì)如何影響個(gè)體)以及社會(huì)關(guān)系(個(gè)體和社會(huì)如何互相影響)的學(xué) 科。19世紀(jì)下半葉到20世紀(jì)初，伴隨著工業(yè)文明的進(jìn)步和資本主義社會(huì)的發(fā)展而產(chǎn)生的某些特定社會(huì)問題無法通過已有學(xué)科解決，心理學(xué)和社會(huì)學(xué)的融合開始引起廣泛關(guān)注。1908年美國(guó)社會(huì)學(xué)家愛德華和英國(guó)心理學(xué)家威廉分別出版了以社會(huì)心理學(xué)命名的同名教科書，標(biāo)志著社會(huì)心理學(xué)的形成。1924年，美國(guó)心理學(xué)家奧爾波特將試驗(yàn)方法引入到社會(huì)心理學(xué)，開創(chuàng)了試驗(yàn)社會(huì)心理學(xué)方向，成為了西方社會(huì)心理學(xué)的主流。1952年美國(guó)心理學(xué)家班杜拉進(jìn)一步提出了社會(huì)學(xué)習(xí)理論，其闡明了人類社會(huì)行為是個(gè)體內(nèi)部要素與社會(huì)環(huán)境相互作用的結(jié)果，主張要在自然社會(huì)情境中探究人類行 為。在20世紀(jì)70年代形成了社會(huì)認(rèn)知理論，其來源于格式塔學(xué)派和勒溫的場(chǎng)論，在其形成過程中也受到了現(xiàn)代認(rèn)知心理學(xué)的推動(dòng)。社會(huì)認(rèn)知理論認(rèn)為個(gè)人的行為是通過對(duì)社會(huì)中他人行為的觀察而學(xué)習(xí)來的，成為社會(huì)心理學(xué)的經(jīng)典理論之一。在此基礎(chǔ)上，進(jìn)入80年代之后進(jìn)一步衍生出建構(gòu)主義社會(huì)心理學(xué)和后現(xiàn)代社會(huì)心理學(xué)。社會(huì)心理學(xué)的發(fā)展和成熟不僅為了解社會(huì)個(gè)體關(guān)系和社會(huì)管理奠定了理論基礎(chǔ)，還在市場(chǎng)營(yíng)銷、經(jīng)濟(jì)學(xué)等領(lǐng)域發(fā)揮了重要的作用。

將自動(dòng)駕駛、認(rèn)知心理學(xué)和社會(huì)心理學(xué)多個(gè)學(xué)科交叉融合，可為進(jìn)一步提升車輛的智能化水平并實(shí)現(xiàn)單車智能的社會(huì)化和擬人化提供思路。基于認(rèn)知心理學(xué)中的信息加工理論等相關(guān)結(jié)論，單車智能可以學(xué)習(xí)人類駕駛員如何在交通環(huán)境中提取信息、表征知識(shí)、加工信息并判斷推理；基于社會(huì)心理學(xué)，單車智能可以學(xué)習(xí)人類駕駛員如何形成交通場(chǎng)景中的社會(huì)思維，模擬人類駕駛員之間的交互社會(huì)關(guān)系，并通過自身行為影響交通社會(huì)。本文基于自動(dòng)駕駛、認(rèn)知心理學(xué)和社會(huì)心理學(xué)的多學(xué)科交叉融合，面向智能網(wǎng)聯(lián)汽車安全駕駛腦，提出了社會(huì)認(rèn)知自動(dòng)駕駛概念，如圖2所示。所建立的社會(huì)認(rèn)知自動(dòng)駕駛框架如圖3所示，基于智能網(wǎng)聯(lián)汽車信息物理系統(tǒng)架構(gòu)定義車外交互和車內(nèi)交互社會(huì)規(guī)范，分別構(gòu)建車外交互系統(tǒng)和車內(nèi)交互系統(tǒng)，同時(shí)依托車外和車內(nèi)的信息交互，共同組成了社會(huì)認(rèn)知自動(dòng)駕駛系統(tǒng)。

在社會(huì)認(rèn)知自動(dòng)駕駛系統(tǒng)框架下，單車自動(dòng)駕駛系統(tǒng)需要首先在各個(gè)場(chǎng)景下獲取統(tǒng)一的車外交互社會(huì)規(guī)范和車內(nèi)交互社會(huì)規(guī)范。社會(huì)心理學(xué)經(jīng)典研究將社會(huì)規(guī)范區(qū)分為描述性規(guī)范與指令性規(guī)范，描述性規(guī)范是個(gè)體對(duì)于自身所處社會(huì)群體中多數(shù)行為的認(rèn)知，可以由單車智能自行認(rèn)知得到，指令性規(guī)范則指示了個(gè)體應(yīng)該遵循的行為方式和標(biāo)準(zhǔn)。清華大學(xué)智能網(wǎng)聯(lián)汽車團(tuán)隊(duì)提出的智能網(wǎng)聯(lián)汽車信息物理系統(tǒng)參考架構(gòu)為指令性規(guī)范向單車的傳達(dá)創(chuàng)造了條件。智能網(wǎng)聯(lián)汽車信息物理系統(tǒng)充分融合智能化與網(wǎng)聯(lián)化發(fā)展特征，以信息安全基礎(chǔ)平臺(tái)、高精動(dòng)態(tài)地圖基礎(chǔ)平臺(tái)、城市級(jí)云控基礎(chǔ)平臺(tái)、智能終端基礎(chǔ)平臺(tái)以及計(jì)算基礎(chǔ)平臺(tái)等五大基礎(chǔ)平臺(tái)為載體，實(shí)現(xiàn)“人-車-路-云”一體化的智能網(wǎng)聯(lián)汽車體系，如圖4所示。智能網(wǎng)聯(lián)汽車信息物理系統(tǒng)的建立為確保指令性規(guī)范下達(dá)的統(tǒng)一性創(chuàng)造了條件，同時(shí)在某些場(chǎng)景下可通過云控平臺(tái)監(jiān)督描述性規(guī)范向指令性規(guī)范的轉(zhuǎn)化。

在社會(huì)規(guī)范的引導(dǎo)下，社會(huì)認(rèn)知自動(dòng)駕駛架構(gòu)大致可分為侵略性建模、社會(huì)認(rèn)知決策以及車內(nèi)人機(jī)交互接管三個(gè)部分。

(1) 主客觀融合的非對(duì)稱侵略性建模。在車外交互決策系統(tǒng)中，針對(duì)不同車輛車型體積大小所引起的潛在碰撞風(fēng)險(xiǎn)差異性進(jìn)行客觀非對(duì)稱侵略性建模，同時(shí)以艙內(nèi)感知得到的人員狀態(tài)為輸入，針對(duì)不同人員風(fēng)險(xiǎn)感知能力和心理預(yù)期的差異性進(jìn)行主觀非對(duì)稱侵略性建模，以客觀風(fēng)險(xiǎn)場(chǎng)作為基準(zhǔn)，以主觀非對(duì)稱侵略性作為增益，實(shí)現(xiàn)兩者的融合，從而構(gòu)造考慮人員心理接受能力的主客觀融合的侵略性評(píng)估方法。

(2) 社會(huì)認(rèn)知決策。以融合風(fēng)險(xiǎn)場(chǎng)為基礎(chǔ)，進(jìn)一步針對(duì)不同道路場(chǎng)景建立了自動(dòng)駕駛系統(tǒng)的社會(huì)認(rèn)知決策方法。針對(duì)路口轉(zhuǎn)向場(chǎng)景建立了基于關(guān)鍵轉(zhuǎn)向點(diǎn)的左轉(zhuǎn)決策模型，從人駕左轉(zhuǎn)軌跡數(shù)據(jù)集中通過聚類分析方法提取關(guān)鍵轉(zhuǎn)向點(diǎn)數(shù)據(jù)特征作為左轉(zhuǎn)決策變量，通過求解部分可觀馬爾可夫決策過程問題實(shí)現(xiàn)無保護(hù)路口的高效博弈決策。針對(duì)換道場(chǎng)景建立了具有社會(huì)認(rèn)知屬性的主動(dòng)換道博弈決策框架，建立主動(dòng)換道試探行為模型，定義了混合交通流場(chǎng)景下周圍車輛駕駛員的激進(jìn)程度，構(gòu)造了博弈策略動(dòng)作空間和收益函數(shù)，求解博弈均衡從而確定換道決策。針對(duì)交互失敗的異常工況，進(jìn)一步構(gòu)建碰后安全決策等緊急工況決策方法以及面向L4自動(dòng)駕駛的人機(jī)接管，實(shí)現(xiàn)從常規(guī)博弈交互場(chǎng)景到緊急場(chǎng)景的覆蓋。

(3) 車內(nèi)人機(jī)交互接管。在車內(nèi)交互決策系統(tǒng)中，首先將座艙內(nèi)部空間按照不同場(chǎng)景和功能屬性進(jìn)行了劃分，以智能座艙搭載的多模態(tài)傳感器信息作為輸入，包括圖像、聲音、溫度等，感知座艙內(nèi)各空間物理屬性和駕乘人員狀態(tài)，依據(jù)場(chǎng)景映射關(guān)系對(duì)當(dāng)前場(chǎng)景進(jìn)行認(rèn)知。并在歷史數(shù)據(jù)基礎(chǔ)上，不斷預(yù)測(cè)車內(nèi)駕乘人員需求，并基于需求預(yù)測(cè)結(jié)果進(jìn)行智能座艙功能決策，調(diào)節(jié)相應(yīng)的輸出模態(tài)，實(shí)現(xiàn)人機(jī)交互的閉環(huán)。

上述社會(huì)認(rèn)知自動(dòng)駕駛框架從侵略性建模、社會(huì)認(rèn)知決策、車內(nèi)人機(jī)交互接管等不同維度引入了社會(huì)化屬性和社會(huì)認(rèn)知能力，各個(gè)部分被有機(jī)地整合。艙內(nèi)人機(jī)交互感知得到的乘員狀態(tài)將作為侵略性建模和社會(huì)認(rèn)知決策的關(guān)鍵輸入，車內(nèi)乘員狀態(tài)為主觀侵略性的建模提供依據(jù)，系統(tǒng)將在侵略性評(píng)估結(jié)果的基礎(chǔ)上進(jìn)行社會(huì)認(rèn)知決策，同時(shí)可依據(jù)乘員狀態(tài)主動(dòng)調(diào)節(jié)自動(dòng)駕駛系統(tǒng)參數(shù)，以響應(yīng)駕乘人員需求。所得到的侵略性風(fēng)險(xiǎn)狀態(tài)和決策輸出可反饋至座艙，為艙內(nèi)人員提供可視化信息。

2

社會(huì)認(rèn)知自動(dòng)駕駛的車外交互

車外交互是社會(huì)認(rèn)知自動(dòng)駕駛功能實(shí)現(xiàn)的核心，本章節(jié)圍繞面向社會(huì)認(rèn)知的車輛侵略性建模、強(qiáng)交互場(chǎng)景的社會(huì)認(rèn)知決策和緊急工況認(rèn)知決策展開現(xiàn)有研究。

2.1 面向社會(huì)認(rèn)知的車輛侵略性建模

行車風(fēng)險(xiǎn)評(píng)估是自動(dòng)駕駛系統(tǒng)進(jìn)行決策規(guī)劃的重要基礎(chǔ)，系統(tǒng)應(yīng)能準(zhǔn)確實(shí)時(shí)地感知和量化行車環(huán)境內(nèi)的潛在風(fēng)險(xiǎn)，根據(jù)風(fēng)險(xiǎn)評(píng)估結(jié)果，決策規(guī)劃系統(tǒng)將不斷引導(dǎo)車輛規(guī)避危險(xiǎn)狀態(tài)和區(qū)域，保證車輛的安全穩(wěn)定行駛。現(xiàn)有風(fēng)險(xiǎn)評(píng)估方法主要可分為時(shí)間特征參數(shù)、運(yùn)動(dòng)狀態(tài)特征參數(shù)、統(tǒng)計(jì)學(xué)特征參數(shù)、人工勢(shì)場(chǎng)法以及異常駕駛行為方法。時(shí)間特征參數(shù)包括車頭時(shí)距(Time headway, THW)、碰撞時(shí)間(Time to collision, TTC)和反應(yīng)時(shí)間(Time to reaction TTR)等，從安全時(shí)域的角度衡量當(dāng)前車輛與周圍障礙物發(fā)生碰撞的危急程度。運(yùn)動(dòng)狀態(tài)特征參數(shù)基于車輛運(yùn)動(dòng)學(xué)模型推理當(dāng)前運(yùn)動(dòng)狀態(tài)所造成的事故風(fēng)險(xiǎn)，具體包括安全距離和避障加速度限值。統(tǒng)計(jì)學(xué)特征參數(shù)通過計(jì)算當(dāng)前環(huán)境下車輛發(fā)生碰撞的概率評(píng)估行車風(fēng)險(xiǎn)，具體包括不確定性建模的概率統(tǒng)計(jì)方法和機(jī)器學(xué)習(xí)方法。人工勢(shì)場(chǎng)法基于各個(gè)障礙物狀態(tài)構(gòu)造人工等勢(shì)場(chǎng)，實(shí)現(xiàn)各個(gè)風(fēng)險(xiǎn)區(qū)域向等勢(shì)場(chǎng)的映射，可廣泛應(yīng)用于巡航控制、車道保持和運(yùn)動(dòng)規(guī)劃等領(lǐng)域，成為當(dāng)前自動(dòng)駕駛研究最為常見的風(fēng)險(xiǎn)評(píng)估方法。而異常駕駛行為則根據(jù)當(dāng)前交通場(chǎng)景中的異常事件劃分當(dāng)前風(fēng)險(xiǎn)等級(jí)，主要在宏觀交通分析等領(lǐng)域應(yīng)用較為廣泛。當(dāng)前的駕駛安全評(píng)估方法通常只考慮碰撞的可能性，缺乏對(duì)潛在碰撞危險(xiǎn)程度的評(píng)價(jià)，使得對(duì)于交互車輛雙方產(chǎn)生對(duì)稱的安全評(píng)估結(jié)果，與實(shí)際駕駛情況不一致。

在有人車、無人車以及不同類型車輛的混合交通中，類人屬性和社會(huì)屬性將是限制無人駕駛車輛應(yīng)用的關(guān)鍵因素，決定了無人駕駛車輛能否被駕駛?cè)嘶虺丝徒邮堋＞唧w來說，如何讓無人駕駛車輛認(rèn)知非對(duì)稱風(fēng)險(xiǎn)是自動(dòng)駕駛技術(shù)的關(guān)鍵問題。

人類駕駛車輛具有社會(huì)屬性并且能夠識(shí)別不同類型車輛產(chǎn)生的威脅，進(jìn)而產(chǎn)生不同的駕駛行 為。人類駕駛車輛的社會(huì)屬性主要包括個(gè)性化以及社會(huì)認(rèn)知屬性，個(gè)性化包括自私或利他特性，社會(huì)認(rèn)知屬性則包括欺軟怕硬與趨利避害等特性。車輛的個(gè)性化屬性可以用來對(duì)異質(zhì)駕駛行為進(jìn)行建模，使自動(dòng)駕駛車輛具有激進(jìn)或合作的不同駕駛風(fēng)格，而車輛的社會(huì)認(rèn)知屬性有助于風(fēng)險(xiǎn)感知模塊從人類駕駛?cè)说慕嵌茸R(shí)別與周圍車輛的交互風(fēng)險(xiǎn)。車輛類型是影響威脅認(rèn)知的重要因素，與輕型乘用車相比，駕駛?cè)嗽诿鎸?duì)如重型卡車和多節(jié)拖掛車等具有更大破壞性的車輛時(shí)，將感知到更大的威脅，從而導(dǎo)致不對(duì)稱的交互。同時(shí)，當(dāng)遇到不禮貌的車輛時(shí)，車輛感知到的威脅等級(jí)更高，會(huì)采取更保守的行動(dòng)；相反，當(dāng)遇到行為保守的車輛時(shí)，感知的威脅相對(duì)較低，駕駛?cè)丝赡軙?huì)有更激進(jìn)的駕駛行為。因此，基于人類駕駛行為特性，提出一種表征“車輛侵略性”的駕駛安全認(rèn)知模型，以描述不同類型車輛之間的非對(duì)稱相互作用，并采用機(jī)械波理論推導(dǎo)了攻擊性的一般數(shù)學(xué)表達(dá)。

不同于傳統(tǒng)基于人工勢(shì)場(chǎng)模型構(gòu)建的行車風(fēng)險(xiǎn)場(chǎng)，傳統(tǒng)風(fēng)險(xiǎn)場(chǎng)僅能描述障礙物風(fēng)險(xiǎn)大小與分布，難以表征行車風(fēng)險(xiǎn)認(rèn)知過程中的社會(huì)屬性，而侵略性模型從擬人化角度的出發(fā)，不僅考慮了行車風(fēng)險(xiǎn)的擴(kuò)散隨風(fēng)險(xiǎn)源類型和社會(huì)行為的差異性，還考慮了不同交互主體對(duì)風(fēng)險(xiǎn)承受能力的不同；另一方面，傳統(tǒng)風(fēng)險(xiǎn)場(chǎng)模型通過單一的范式僅能表達(dá)客觀風(fēng)險(xiǎn)，侵略性模型則包含了客觀和主觀因素，從而使自動(dòng)駕駛車輛具備更加社會(huì)化和擬人化的風(fēng)險(xiǎn)認(rèn)知能力。

任何運(yùn)動(dòng)的交通參與者，如車輛、自行車和行人等，都可能產(chǎn)生侵略性，同時(shí)也會(huì)受到其他參與者的侵略。由于靜態(tài)物體和道路基礎(chǔ)設(shè)施沒有不確定性，不能主動(dòng)引發(fā)事故，因此不包括在侵略性定義中。車輛侵略性的概念框架如圖5所示，產(chǎn)生侵略性的車輛被定義為侵入者(Aggressor vehicles, AGV)，承受侵略性的車輛被定義為承受者(Sufferer vehicles, SFV)。對(duì)于任何一對(duì)交互主體，其侵略性是雙向的，在對(duì)其他車輛產(chǎn)生侵略性的同時(shí)，也作為承受者接收其他車輛的侵略性。此處侵略性包含兩個(gè)層面，一方面為客觀侵略性，僅與交互車輛雙方客觀的物理參數(shù)和狀態(tài)變量有關(guān)；另一方面為主觀侵略性，受到車內(nèi)駕乘人員的駕駛技能、駕駛風(fēng)格、生理與心理狀態(tài)、情緒因素和風(fēng)險(xiǎn)認(rèn)知能力等主觀因素的影響。

車輛侵略性由潛在沖突雙方共同決定，侵入者產(chǎn)生的侵略性強(qiáng)度與其自車類型、質(zhì)量、速度、主觀因素以及兩車相對(duì)距離有關(guān)，因此產(chǎn)生侵略性的強(qiáng)度定義如下

承受侵略性的能力由車輛類型、質(zhì)量、速度和主觀因素決定，因此，承受侵略性的能力定義如下

綜合式(1)、(2)，可得侵入者對(duì)承受者施加侵略性

式中，λ表示常系數(shù)。

由式(3)可知，侵略性是一個(gè)帶有方向的標(biāo)量，其方向僅表示侵略性的產(chǎn)生與承受關(guān)系。因此，當(dāng)車輛受到多個(gè)車輛的共同影響時(shí)，其承受的總侵略性是單個(gè)車輛施加侵略性的顯性疊加。

為了進(jìn)一步將侵略性通用表達(dá)式具體化，采用機(jī)械波和受迫振動(dòng)理論類比侵略性的產(chǎn)生和傳播過程，將產(chǎn)生侵略性的車輛作為機(jī)械振動(dòng)波源，通過類比車輛的實(shí)際車輛運(yùn)動(dòng)來定義虛擬振動(dòng)的能量和頻率。將承受侵略性的車輛作為機(jī)械波的接收者，承受者在機(jī)械波的作用下產(chǎn)生受迫振動(dòng)。將承受者的最大虛擬動(dòng)量定義為所承受的侵略性，如圖6所示。基于上述定義推導(dǎo)后的侵略性表達(dá)式為

式中，和分別為侵入者和承受者的速度系數(shù)；和分別為侵入者和承受者速度矢量和兩車位置矢量的夾角；表示為機(jī)械波的衰減系數(shù)；為機(jī)械波阻尼比。

可以看出式(4)所定義的侵略性與各個(gè)變量之前的影響關(guān)系與前述分析一致，其各個(gè)輸入均為車輛的時(shí)不變參數(shù)或易于估計(jì)的狀態(tài)變量，因此該侵略性風(fēng)險(xiǎn)評(píng)估模型可實(shí)時(shí)同步地評(píng)估車輛行駛過程中發(fā)生碰撞事故的可能和嚴(yán)重性。在風(fēng)險(xiǎn)場(chǎng)的構(gòu)造中引入侵略性的影響后，可以便捷地描述風(fēng)險(xiǎn)傳播過程中的各向異性，同時(shí)計(jì)算模型蘊(yùn)含了不同車輛類型交互過程中風(fēng)險(xiǎn)的差異性和非對(duì)稱性，與自動(dòng)駕駛系統(tǒng)決策規(guī)劃部分進(jìn)行組合，可以規(guī)劃出更加擬人化和社會(huì)化的期望軌跡，從而提升自動(dòng)駕駛系統(tǒng)在混合交通流下的安全性。

2.2 強(qiáng)交互場(chǎng)景的社會(huì)認(rèn)知決策

實(shí)現(xiàn)不同場(chǎng)景下的安全高效決策是自動(dòng)駕駛系統(tǒng)的關(guān)鍵，城市混合交通流場(chǎng)景特征給自動(dòng)駕駛系統(tǒng)提出了更高的挑戰(zhàn)，通過引入社會(huì)認(rèn)知屬性，使自動(dòng)駕駛車輛完成擬人化和社會(huì)化的決策過程，可以有效地提升自動(dòng)駕駛車輛與有人駕駛車輛博弈的安全性和效率。交通路口的轉(zhuǎn)向和城市車道的搶讓是典型的強(qiáng)交互博弈場(chǎng)景，在此類強(qiáng)交互場(chǎng)景下不同于傳統(tǒng)決策方法，社會(huì)認(rèn)知決策需要具備估計(jì)周圍駕駛員意圖并通過自身行為影響周圍交通參與單元的能力，同時(shí)應(yīng)能利用擬人化決策特性使自身的意圖便于被周圍車輛理解，本節(jié)將分別介紹在這兩類場(chǎng)景下如何實(shí)現(xiàn)社會(huì)認(rèn)知決策。

2.2.1 路口場(chǎng)景下的社會(huì)認(rèn)知決策

交通路口是城市道路中的一類常見場(chǎng)景，同時(shí)也是自動(dòng)駕駛系統(tǒng)較難處理的特殊場(chǎng)景之一。一方面交通路口的拓?fù)浣Y(jié)構(gòu)多變，通過路口前后車道線的配置可能發(fā)生變化，道路結(jié)合角度各異，各向車流存在必然的交匯，需要自動(dòng)駕駛系統(tǒng)具備較高的環(huán)境適應(yīng)能力；另一方面，部分無保護(hù)路口或無保護(hù)轉(zhuǎn)向行為迫使自動(dòng)駕駛車輛失去了決策邊界和引導(dǎo)，需要自動(dòng)駕駛車輛主動(dòng)與有人駕駛車輛進(jìn)行高效的強(qiáng)交互博弈決策以獲取路權(quán)。因此需要針對(duì)這一場(chǎng)景開發(fā)針對(duì)性的博弈決策算法模型。

相關(guān)研究人員圍繞交通路口決策陸續(xù)提出了多種決策模型，包括基于圖的方法、基于預(yù)測(cè)的方法、基于優(yōu)化的方法以及機(jī)器學(xué)習(xí)方法。基于圖的決策方法從當(dāng)前狀態(tài)出發(fā)，在可行范圍內(nèi)進(jìn)行采樣并逐步探索可行決策序列，例如快速擴(kuò)展隨機(jī)樹等拓展規(guī)則得到了廣泛的應(yīng)用，但僅適用于靜態(tài)環(huán)境或緩慢變化環(huán)境；基于預(yù)測(cè)的方法通過預(yù)測(cè)周圍車輛的運(yùn)動(dòng)軌跡判斷當(dāng)前狀態(tài)決策輸出，循環(huán)神經(jīng)網(wǎng)絡(luò)和長(zhǎng)短時(shí)神經(jīng)網(wǎng)絡(luò)在預(yù)測(cè)領(lǐng)域的發(fā)展為提升決策模型可靠性創(chuàng)造了條件；基于優(yōu)化的決策模型通過當(dāng)前環(huán)境信息建立實(shí)時(shí)優(yōu)化問題，其優(yōu)勢(shì)在于可以實(shí)現(xiàn)最優(yōu)決策，但依賴于建模的可靠性和求解效率；機(jī)器學(xué)習(xí)方法從自然駕駛數(shù)據(jù)集或?qū)＜抑R(shí)庫中學(xué)習(xí)人類決策行為規(guī)律，能夠最大程度上實(shí)現(xiàn)擬人化決策，成為當(dāng)前研究的重要技術(shù)路線。

實(shí)際路口強(qiáng)交互場(chǎng)景下信息無法完全直接獲取給博弈決策過程造成了較大的困擾，作為機(jī)器學(xué)習(xí)的代表性模型之一，部分可觀察馬爾可夫決策過程(Partially observable markov decision-making process, POMDP)在建模過程中考慮了車輛狀態(tài)的不確定性、旁車意圖的不確定性等諸多未知信息，通過觀察周圍車輛的位置、速度等可觀察狀態(tài)簡(jiǎn)介估計(jì)車輛意圖等不可觀察狀態(tài)，從而為在決策過程中建立對(duì)環(huán)境的理解提供了途徑。

為了使POMDP決策模型具有更加擬人化的決策行為，首先從路口數(shù)據(jù)集中觀察人類駕駛員的轉(zhuǎn)向行為特性。通過提取路口數(shù)據(jù)集中交互左轉(zhuǎn)工況下的轉(zhuǎn)向軌跡和速度，可以發(fā)現(xiàn)常規(guī)駕駛員往往在駛?cè)肼房谥鬁p速并觀察環(huán)境狀態(tài)，與其他駕駛員進(jìn)行交互并在某一點(diǎn)之后選擇合適的時(shí)機(jī)加速駛出路口。利用K均值方法對(duì)數(shù)據(jù)集中的左轉(zhuǎn)軌跡進(jìn)行聚類分析，可以得到不同駕駛風(fēng)格的轉(zhuǎn)向停頓點(diǎn)，并將其定義為關(guān)鍵轉(zhuǎn)向點(diǎn)。關(guān)鍵轉(zhuǎn)向點(diǎn)這一數(shù)據(jù)特征的存在使得路口轉(zhuǎn)向的強(qiáng)交互博弈過程進(jìn)一步量化，同時(shí)蘊(yùn)含了自動(dòng)駕駛車輛的決策意圖。

結(jié)合道路集合形狀和關(guān)鍵轉(zhuǎn)向點(diǎn)，采用多項(xiàng)式曲線表征出若干候選路徑。以候選路徑和縱向車速作為決策狀態(tài)變量，構(gòu)造POMDP決策模型，采用蒙特卡洛樹搜索方法求解POMDP問題，基于估計(jì)的不可觀狀態(tài)信息給出當(dāng)前決策動(dòng)作，整體決策架構(gòu)如圖7所示，從而實(shí)現(xiàn)了交通路口場(chǎng)景的社會(huì)認(rèn)知決策，測(cè)試結(jié)果證明了決策模型在無保護(hù)轉(zhuǎn)向工況下的高效性和安全性。

2.2.2 換道場(chǎng)景下的社會(huì)認(rèn)知決策

車輛換道是城市道路環(huán)境下最容易誘發(fā)事故的行為之一，由于車流量密集、道路復(fù)雜、車輛之間跟車距離較近等因素，城市道路中交互博弈對(duì)換道安全性的影響顯著大于高速公路。因而，實(shí)現(xiàn)車輛在城市混合交通流下的自主換道，通過與周圍車輛進(jìn)行交互以在社會(huì)規(guī)范約束下獲取路權(quán)，進(jìn)而提升決策和通行效率成為當(dāng)前換道決策研究的重點(diǎn)。傳統(tǒng)換道決策方法主要包括決策樹模型、效用理論模型、博弈論以及機(jī)器學(xué)習(xí)方法，但當(dāng)前決策方法尚不具備擬人化特征，意圖不易被周車?yán)斫猓攒囻{駛員的未知行為將威脅自動(dòng)駕駛車輛的安全性。因此在換道決策框架中引入駕駛風(fēng)格、合作性和社會(huì)價(jià)值取向成為當(dāng)前研究重點(diǎn)。

典型的強(qiáng)交互換道場(chǎng)景如圖8所示，紅色的主車在換道時(shí)與藍(lán)色的后車進(jìn)行交互，后車是否避讓是主車能否換道成功的關(guān)鍵。為研究人類換道交互行為的特性，從highD自然駕駛數(shù)據(jù)集中提取駕駛?cè)藫Q道數(shù)據(jù)進(jìn)行深入分析，對(duì)換道行為的關(guān)鍵節(jié)點(diǎn)進(jìn)行定義，駕駛?cè)瞬僮鞣较虮P進(jìn)行轉(zhuǎn)向，此時(shí)車輛位置定義為換道開始點(diǎn)T1，車輛輪廓第一次接觸車道線時(shí)定義為T2，表示車輛開始切換車道。車輛幾何中心跨過車道線時(shí)定義為車道切換點(diǎn)T3，此時(shí)側(cè)向速度達(dá)到最大值。之后，車輛的側(cè)向速度開始減少，并在到達(dá)目標(biāo)車道后減少至零，此即換道結(jié)束點(diǎn)T4。

T2時(shí)刻之后，車輛已經(jīng)確定能夠執(zhí)行換道，即后車提供了足夠的換道空間，此后兩車的交互逐漸變?nèi)酢Ｒ虼耍瑸檠芯繐Q道過程的交互特征，T2時(shí)刻之前是一個(gè)重要的階段，也是現(xiàn)有文獻(xiàn)中忽略的階段。以T2時(shí)刻往前5 s為依據(jù)，從所有換道數(shù)據(jù)中提取交互過程具有完整記錄的數(shù)據(jù)，并對(duì)兩車的縱向和側(cè)向速度、距離、加速度等交互特性進(jìn)行分析。

分析highD數(shù)據(jù)集發(fā)現(xiàn)換道車輛在換道之前存在嘗試性的試探行為，通過進(jìn)行嘗試，自車可以與周圍車輛進(jìn)行主動(dòng)交互，并向其傳遞社會(huì)信號(hào)，使其了解本車的換道意圖，同時(shí)觀察周圍車輛是否配合其換道。通過對(duì)換道數(shù)據(jù)的聚類分析，將試探行為分為兩類，即振蕩嘗試行為和貼線嘗試行為，如圖9所示，并分析了每種類型的單車行為特征，用于指導(dǎo)自動(dòng)駕駛車輛與周圍車輛交互時(shí)的嘗試行為。

在分析駕駛?cè)说脑囂叫袨橹螅M(jìn)一步建立了如圖10所示的社會(huì)認(rèn)知主動(dòng)換道決策框架。首先以THW或其他風(fēng)險(xiǎn)評(píng)估指標(biāo)作為橫軸，以車輛縱向運(yùn)動(dòng)的相對(duì)幅值大小作為縱軸，各個(gè)數(shù)據(jù)點(diǎn)回歸得到的直線斜率定義為量化評(píng)估得到的駕駛員激進(jìn)程度，如圖11所示。在面臨相同風(fēng)險(xiǎn)情況下，激進(jìn)駕駛員控制的車輛將具有更長(zhǎng)的運(yùn)動(dòng)軌跡，由于軌跡預(yù)測(cè)結(jié)果呈正態(tài)分布，且僅經(jīng)過了線性變換，因此得到的駕駛員侵略性仍將保持正態(tài)分布。根據(jù)駕駛環(huán)境與交互對(duì)象激進(jìn)程度，確定是否進(jìn)行試探行為以及行為模式。考慮換道行為對(duì)交互對(duì)象的社會(huì)影響程度，構(gòu)建基于非完全信息博弈的自動(dòng)駕駛車輛社會(huì)認(rèn)知決策模型。采用上述侵略性模型評(píng)估自動(dòng)駕駛車輛有無換道時(shí)，交互車輛承受侵略性的變化。同時(shí)，結(jié)合交互對(duì)象激進(jìn)程度、行駛效率等因素構(gòu)建兩車的駕駛收益函數(shù)，確定兩車的不同動(dòng)作組合下的期望收益。引入海塞尼轉(zhuǎn)換，將非完全信息博弈轉(zhuǎn)換為完全但不完美信息的博弈模型。最后構(gòu)建多目標(biāo)優(yōu)化問題，結(jié)合最優(yōu)化理論與納什均衡理論，求解博弈均衡，從而確定換道決策。

2.3 緊急工況認(rèn)知決策

雖然常規(guī)工況下的強(qiáng)交互社會(huì)認(rèn)知決策提升了自動(dòng)駕駛車輛的安全性和高效性，但基于不確定性的概率模型不能完全規(guī)避交互失敗的可能。根據(jù)心理學(xué)中墨菲定律可知，如果事情有變壞的可能，不管這種可能性有多小，它總會(huì)發(fā)生。但此類小概率事件一旦發(fā)生，將對(duì)車輛和乘員造成嚴(yán)重危害，因此有必要補(bǔ)充考慮緊急工況下的認(rèn)知決策。

車輛在行駛過程中可能遭遇不同情況的突發(fā)事件和異常交互，包括前車異常緊急制動(dòng)、前方突然產(chǎn)生事故以及自車遭受異常沖擊干擾等，此時(shí)事故風(fēng)險(xiǎn)急劇增加，自動(dòng)駕駛系統(tǒng)將首先執(zhí)行緊急避障決策，若避障成功則恢復(fù)到常態(tài)化行駛狀態(tài)，若避障失敗則碰撞已不可避免，遭受碰撞沖擊的車輛易陷入嚴(yán)重的失穩(wěn)狀態(tài)，此時(shí)需要進(jìn)一步執(zhí)行碰后安全決策。因此，全事故過程可分為緊急避障決策和車輛碰撞失穩(wěn)后的二次避障決策，如圖12所示。

不同于常規(guī)工況下的決策問題，緊急工況下的自動(dòng)駕駛決策對(duì)決策效率和決策維度提出了更高的要求。一方面，由于事件的緊迫性，系統(tǒng)需要快速判斷當(dāng)前周圍環(huán)境形勢(shì)，并做出安全合理的任務(wù)決策；另一方面，由于緊急工況下車輛運(yùn)動(dòng)姿態(tài)受到復(fù)雜車輛動(dòng)力學(xué)約束，輪胎多處于飽和狀態(tài)，縱向力和側(cè)向力相互耦合，因此決策過程需要考慮到縱向和側(cè)向等多個(gè)維度以及車輛動(dòng)力學(xué)影響。

2.3.1 緊急避障決策

當(dāng)車輛所在車道前方行車空間受到壓迫后，車輛一般可采取兩種避障模式，即制動(dòng)避障和換道避障。采用換道避障雖然可以通過側(cè)向位移來獲得更佳的行車空間，但需要考慮與旁側(cè)車道車輛的碰撞安全性，當(dāng)旁側(cè)車道存在并行車輛時(shí)則無法直接執(zhí)行換道決策；采用制動(dòng)避障雖然保證了車輛的側(cè)向安全，但對(duì)縱向制動(dòng)空間提出了更高的要求。在實(shí)際場(chǎng)景中，自動(dòng)駕駛系統(tǒng)應(yīng)能實(shí)時(shí)判斷當(dāng)前的最優(yōu)避障決策邏輯，通過兩種避障決策的動(dòng)態(tài)切換實(shí)現(xiàn)不同場(chǎng)景下的緊急避障。

為了分析不同避障模式所能應(yīng)對(duì)的工況條件邊界，在前期研究中建立了關(guān)鍵潛在碰撞點(diǎn)模型，作為判斷車輛在換道避障過程中是否與前方障礙物發(fā)生碰撞的依據(jù)。在此基礎(chǔ)上定義了車輛在制動(dòng)避障和換道避障模式下的最小安全距離(Minimum safety spacing, MSS)，制動(dòng)避障MSS即為最短制動(dòng)距離，換道避障MSS即為車輛在穩(wěn)定性邊界范圍內(nèi)的關(guān)鍵潛在碰撞點(diǎn)到當(dāng)前位置的縱向間距。不同路面附著條件和車速情況下不同避障模式的MSS如圖13所示，可以觀察出隨著車速的上升和路面附著系數(shù)的降低，MSS將急劇上升，因此高速低附工況在合適的時(shí)機(jī)進(jìn)行換道避障將產(chǎn)生顯著的安全收益。

根據(jù)所定義的MSS計(jì)算方法，結(jié)合車輛與搶車和旁車的相對(duì)位置和速度關(guān)系，將加速/制動(dòng)的縱向決策和換道橫向決策進(jìn)行組合，構(gòu)建了有限狀態(tài)機(jī)決策模型，基于相對(duì)間距和速度關(guān)系設(shè)計(jì)了決策狀態(tài)之間的切換邏輯，如圖14所示。系統(tǒng)將首先判斷前方車距是否滿足緊急制動(dòng)MSS，若不滿足將結(jié)合旁車相對(duì)狀態(tài)進(jìn)行加速或減速換道決策。針對(duì)換道避障決策輸出，采用多項(xiàng)式曲線規(guī)劃換道軌跡，在規(guī)劃過程中引入了終端約束、路面附著約束以及換道避障MSS約束。此外，設(shè)計(jì)了模型預(yù)測(cè)軌跡跟蹤控制和基于二次規(guī)劃的直接橫擺力矩控制實(shí)現(xiàn)了緊急工況下對(duì)規(guī)劃換道軌跡的跟蹤。

2.3.2 碰后安全決策與規(guī)劃控制集成

在外部碰撞沖擊尤其是偏置碰撞干擾下，車輛易陷入急劇的甩尾和側(cè)滑，車輛運(yùn)動(dòng)學(xué)失去其原有的非完整約束特性，且輪地關(guān)系處于極度飽和的非線性狀態(tài)，前輪轉(zhuǎn)向失去正常導(dǎo)向能力，驅(qū)動(dòng)和制動(dòng)系統(tǒng)失去縱向解耦控制能力。且車輛運(yùn)動(dòng)狀態(tài)的異常突變導(dǎo)致駕駛員產(chǎn)生恐慌和驚嚇，駕駛員難以在短時(shí)間內(nèi)有效介入接管車輛控制，持續(xù)失控的車輛極易與周圍車輛等障礙物發(fā)生二次碰撞。

美國(guó)高速公路安全管理局統(tǒng)計(jì)數(shù)據(jù)顯示，在致命性交通事故中，連鎖性碰撞事故占據(jù)了30%，而隨著初始車速的上升，這一比例還將更高。現(xiàn)有車輛安全系統(tǒng)可分為以電子穩(wěn)定性程序?yàn)榇淼闹鲃?dòng)安全系統(tǒng)和以安全氣囊為代表的被動(dòng)安全系統(tǒng)。主動(dòng)安全系統(tǒng)多工作在事故發(fā)生之前，通過各類執(zhí)行器對(duì)車輛運(yùn)動(dòng)姿態(tài)進(jìn)行干預(yù)，側(cè)重安全控制方法；被動(dòng)安全系統(tǒng)多工作在事故發(fā)生之后，通過安全裝置盡可能減少人身危害，側(cè)重車輛本構(gòu)安全設(shè)計(jì)。從遭受初次碰撞進(jìn)入失穩(wěn)狀態(tài)到車輛完全靜止這一區(qū)間范圍的安全防護(hù)主要依靠被動(dòng)安全系統(tǒng)，如圖15所示，因此研究碰后主動(dòng)安全系統(tǒng)以完成二次避障決策和規(guī)劃具有重要意義。

傳統(tǒng)規(guī)劃方法往往基于車輛近似穩(wěn)態(tài)假設(shè)，而碰撞失穩(wěn)車輛由于受迫側(cè)滑和甩尾運(yùn)動(dòng)，車輛運(yùn)動(dòng)學(xué)原有的非完整約束失效，橫擺運(yùn)動(dòng)難以通過前輪轉(zhuǎn)角和縱向運(yùn)動(dòng)所唯一地確定，受系統(tǒng)控制自由度和輪胎力約束的影響，車輛橫擺運(yùn)動(dòng)仍然與縱向、側(cè)向運(yùn)動(dòng)深度耦合，對(duì)車輛的縱向和側(cè)向運(yùn)動(dòng)進(jìn)行有效避障規(guī)劃的同時(shí)必然要求引入橫擺運(yùn)動(dòng)這一規(guī)劃維度。因此，本文基于模型預(yù)測(cè)控制(Model predictive control, MPC)構(gòu)造了縱向-側(cè)向-橫擺多維運(yùn)動(dòng)規(guī)劃集成控制方法。為了提升MPC的求解效率，在大地坐標(biāo)系下建立了考慮附加橫擺力矩的車輛單軌動(dòng)力學(xué)模型，將前期研究中的車輛側(cè)傾動(dòng)力學(xué)模型進(jìn)行局部線性化，以計(jì)算得到的側(cè)向載荷轉(zhuǎn)移率作為優(yōu)化過程中的線性約束，同時(shí)將輪胎附著圓約束等效為正八邊形線性約束的交集。在避障約束的處理上，采用菱形邊界對(duì)障礙物車輛進(jìn)行包絡(luò)，以障礙物質(zhì)心坐標(biāo)(Xob(i), Yob(i))為中心定義前向安全距離Sl和側(cè)向安全距離Sw，將Sl和Sw作為半軸構(gòu)建菱形包絡(luò)。當(dāng)前方和側(cè)方同時(shí)存在障礙物的情況下，根據(jù)障礙物位置和定義的前向側(cè)向安全距離，可計(jì)算在大地坐標(biāo)系下的菱形起作用邊界線性函數(shù)，構(gòu)成了當(dāng)前步長(zhǎng)下主車的安全換道通道，如圖16中陰影區(qū)域所示，從而將避障問題轉(zhuǎn)化為對(duì)車輛預(yù)測(cè)狀態(tài)的線性約束。通過MPC計(jì)算得到當(dāng)前最優(yōu)集總控制量后，基于粒子群優(yōu)化算法實(shí)現(xiàn)了極端工況下多執(zhí)行器的高效控制分配。

為了提升碰后主動(dòng)安全系統(tǒng)在不同障礙物環(huán)境下的適應(yīng)性，為MPC設(shè)計(jì)了如圖17所示的二次避障決策邏輯。首先基于當(dāng)前路面附著系數(shù)和相對(duì)速度從能量角度計(jì)算理論制動(dòng)安全距離，當(dāng)制動(dòng)安全距離小于前車間距時(shí)，優(yōu)先采取制動(dòng)避障模式，此時(shí)系統(tǒng)以實(shí)現(xiàn)在當(dāng)前車道內(nèi)的制動(dòng)和回穩(wěn)協(xié)同為目標(biāo)，設(shè)置目標(biāo)側(cè)向位移Yref和目標(biāo)縱向速度 均為0，車輛側(cè)向位移約束Ymin和Ymax為當(dāng)前車道線的上下邊界。當(dāng)制動(dòng)安全距離大于當(dāng)前相對(duì)距離時(shí)，認(rèn)為當(dāng)前車道線內(nèi)沒有足夠的制動(dòng)空間。此時(shí)進(jìn)一步判斷當(dāng)前車輛是否處于換道安全通道內(nèi)，若符合換道條件則執(zhí)行換道避障，設(shè)置目標(biāo)側(cè)向位移為車道寬度YL，設(shè)置目標(biāo)縱向速度為與前車相同，側(cè)向位移約束設(shè)置為道路邊界；否則，繼續(xù)執(zhí)行當(dāng)前車道內(nèi)的制動(dòng)避障決策并等待換道時(shí)機(jī)。

2.4 車外交互的研究展望

綜上所述，在社會(huì)認(rèn)知自動(dòng)駕駛框架下，圍繞安全高效的車外交互，前期研究圍繞車輛侵略性建模、強(qiáng)交互場(chǎng)景的社會(huì)認(rèn)知決策和緊急工況認(rèn)知決策開展了廣泛的研究，在以下三個(gè)方面仍然存在較大的研究潛力和價(jià)值。

(1) 混合交通流下的非對(duì)稱風(fēng)險(xiǎn)評(píng)估模型。本文介紹的行車風(fēng)險(xiǎn)評(píng)估方法雖然通過引入侵略性概念實(shí)現(xiàn)了對(duì)不同交通參與單元造成風(fēng)險(xiǎn)的非對(duì)稱描述，但模型較為復(fù)雜，仍然存在一定數(shù)量的經(jīng)驗(yàn)參數(shù)，在實(shí)際應(yīng)用過程中涉及大量的參數(shù)標(biāo)定工作，導(dǎo)致模型的可解釋性和場(chǎng)景適應(yīng)性較差。從行車風(fēng)險(xiǎn)的原始定義出發(fā)，搭建具有物理意義的非對(duì)稱可解釋風(fēng)險(xiǎn)場(chǎng)模型具有重要意義。

(2) 具有個(gè)性化和場(chǎng)景自適應(yīng)能力的強(qiáng)交互博弈決策。當(dāng)前城市強(qiáng)交互場(chǎng)景下的換道博弈雖然可以通過主動(dòng)試探等行為主動(dòng)參與其他交通單元的博弈過程，但博弈的激進(jìn)程度應(yīng)充分考慮乘員的主觀感受，同時(shí)還應(yīng)顧及不同交通場(chǎng)景下社會(huì)規(guī)范的差異性。因此，可依托先進(jìn)智能座艙進(jìn)行駕駛員主觀傾向認(rèn)知，結(jié)合艙外場(chǎng)景理解判斷當(dāng)前社會(huì)規(guī)范，從而動(dòng)態(tài)調(diào)節(jié)博弈激進(jìn)程度，可進(jìn)一步提升自動(dòng)駕駛的智能化和擬人化水平。

(3) 極端工況下自動(dòng)駕駛的場(chǎng)景認(rèn)知與決策控制。自動(dòng)駕駛實(shí)現(xiàn)從L3到L4跨越的顯著技術(shù)特征即能夠自主適應(yīng)并處理極端工況，能夠充分地理解當(dāng)前車輛面臨的極端場(chǎng)景是實(shí)現(xiàn)這一技術(shù)突破的基礎(chǔ)。一方面，極端工況下自動(dòng)駕駛需要準(zhǔn)確感知路面附著系數(shù)、道路坡度等環(huán)境參數(shù)，并綜合評(píng)估當(dāng)前車輛全量穩(wěn)定狀態(tài)；另一方面，極端工況下車輛避障軌跡規(guī)劃存在無解的可能，此時(shí)自動(dòng)駕駛應(yīng)能從社會(huì)倫理出發(fā)，尋找社會(huì)危害最小化的運(yùn)動(dòng)軌跡。

3

車內(nèi)交互與人機(jī)接管

座艙智能化是高階自動(dòng)駕駛的關(guān)鍵特征，同時(shí)也是提升駕乘人員出行體驗(yàn)的重要途徑。汽車智能座艙是指搭載先進(jìn)的軟硬件系統(tǒng)，具備人機(jī)交互、網(wǎng)聯(lián)服務(wù)、場(chǎng)景拓展的人-機(jī)-環(huán)融合能力，為駕乘人員提供安全、智能、高效、愉悅等綜合體驗(yàn)的移動(dòng)空間。當(dāng)前圍繞智能座艙的關(guān)切問題主要在于如何實(shí)現(xiàn)與車內(nèi)人員的社會(huì)化認(rèn)知交互，以及在達(dá)成完全自動(dòng)駕駛之前如何實(shí)現(xiàn)車輛控制權(quán)的安全切換，本章將圍繞上述問題展開論述現(xiàn)有研究。

3.1 智能座艙場(chǎng)景-功能體系

近年來人們對(duì)出行智能化和人性化的需求日益增加，在人機(jī)交互、網(wǎng)聯(lián)通訊等研究領(lǐng)域取得的重大進(jìn)展為智能座艙的發(fā)展奠定了技術(shù)基礎(chǔ)，城市交通環(huán)境下更為多樣的出行需求為智能座艙的場(chǎng)景拓展提供了更加廣闊的空間。而座艙場(chǎng)景與功能豐富度是衡量座艙智能化水平的重要指標(biāo)，探索并構(gòu)建場(chǎng)景和功能體系是引導(dǎo)智能座艙技術(shù)發(fā)展和功能設(shè)計(jì)的先決條件。但當(dāng)前智能座艙研究領(lǐng)域缺乏對(duì)場(chǎng)景劃分的共識(shí)，尚未有理論體系支撐，在前期研究中構(gòu)建了智能座艙場(chǎng)景-功能體系，其具體包含場(chǎng)景在時(shí)間維度的劃分、場(chǎng)景在空間維度的劃分以及場(chǎng)景和功能的屬性分層。

場(chǎng)景具有時(shí)間跨度特征，在不同時(shí)間跨度的場(chǎng)景中，用戶具有不同的需求，智能座艙系統(tǒng)需要針對(duì)不同的需求執(zhí)行對(duì)應(yīng)的功能響應(yīng)。在時(shí)間維度將艙內(nèi)場(chǎng)景劃分為6個(gè)部分，分別是上車前、上車、駕乘中、停車、下車以及下車后，6個(gè)部分相互銜接完整地覆蓋了整個(gè)用車過程。場(chǎng)景不僅具有時(shí)間屬性，還具備空間屬性。在不同空間中，用戶和座艙以及環(huán)境產(chǎn)生著不同的耦合關(guān)系。為了探究如何讓智能座艙系統(tǒng)從空間上更好地服務(wù)于用戶，進(jìn)一步在空間維度上對(duì)場(chǎng)景進(jìn)行劃分。將場(chǎng)景在空間維度上劃分為3個(gè)部分，包括艙內(nèi)空間、艙外空間、云空間，三個(gè)空間相互關(guān)聯(lián)，如圖18所示。艙內(nèi)空間作為用戶主要活動(dòng)空間，按照空間單元屬性進(jìn)一步劃分為駕駛員空間和乘員空間，艙外空間可根據(jù)德國(guó)Pegasus項(xiàng)目的場(chǎng)景六層模型來進(jìn)行描述。

在場(chǎng)景劃分的基礎(chǔ)上，進(jìn)一步對(duì)不同場(chǎng)景下的需求和功能響應(yīng)進(jìn)行分類，由于場(chǎng)景向功能的映射關(guān)系較為復(fù)雜，通過分層架構(gòu)從總體上描述不同場(chǎng)景功能的屬性。場(chǎng)景屬性由四層架構(gòu)從底層至高層展開，分別是用車目的、時(shí)間維度、行為屬性和元素特征。功能的屬性通過三層架構(gòu)描述，由底層至高層分別是交互模式，交互方式，任務(wù)執(zhí)行。以屬性為豎軸，以類型為橫軸，以空間單元?jiǎng)澐譃榭v軸建立場(chǎng)景-功能體系框架，如圖19所示。在此功能體系框架下，結(jié)合空間單元?jiǎng)澐趾蛨?chǎng)景屬性的辨識(shí)。可以逐步細(xì)化當(dāng)前場(chǎng)景類別，進(jìn)而判別當(dāng)前場(chǎng)景需求，并針對(duì)不同空間執(zhí)行對(duì)應(yīng)的功能決策。

3.2 艙內(nèi)人員情緒認(rèn)知與調(diào)節(jié)

情緒是反映駕駛員狀態(tài)的重要信息，同時(shí)也是影響駕駛安全的主要因素。駕駛員情緒數(shù)據(jù)集是駕駛員情緒和駕駛風(fēng)險(xiǎn)研究的基礎(chǔ)，利用豐富和可重復(fù)的數(shù)據(jù)集，研究人員可以分析情緒表達(dá)的過程并對(duì)駕駛員進(jìn)行更加準(zhǔn)確的認(rèn)知。針對(duì)駕駛車輛這一特定任務(wù)下的多模態(tài)情緒特征，包括面部、語音、生理、駕駛行為和主觀尺度等，首先建立了DEFE數(shù)據(jù)集和PPB-Emo數(shù)據(jù)集。其中DEFE數(shù)據(jù)集收集了60個(gè)測(cè)試者的面部表情，通過觸發(fā)駕駛員特定情緒并給予不同的駕駛?cè)蝿?wù)，基于測(cè)試對(duì)象自評(píng)報(bào)告標(biāo)注面部表情。PPB-Emo數(shù)據(jù)集則進(jìn)一步從心理、生理和行為多個(gè)不同的維度采集了駕駛員的腦電圖、駕駛行為、面部表情、身體姿勢(shì)和道路場(chǎng)景等多種信息，搭建的駕駛員數(shù)據(jù)采集系統(tǒng)如圖20所示。

在上述數(shù)據(jù)集基礎(chǔ)上，進(jìn)一步建立了認(rèn)知特征增強(qiáng)的駕駛員情緒認(rèn)知模型。首先采用卷積神經(jīng)網(wǎng)絡(luò)處理面部表情圖像，引入了注意力機(jī)制強(qiáng)調(diào)輸入圖像的核心特征；其次采用多層感知器和指數(shù)加權(quán)移動(dòng)平均運(yùn)算，基于駕駛員認(rèn)知特征(年齡、性別和駕駛經(jīng)驗(yàn))和面部圖像特征分別生成長(zhǎng)期記憶和短期記憶；最后采用全連接層結(jié)合圖像特征和認(rèn)知記憶特征輸出駕駛員情緒決策。針對(duì)憤怒等異常極端情緒對(duì)駕駛安全帶來的風(fēng)險(xiǎn)，通過試驗(yàn)方式探究了不同調(diào)節(jié)方式對(duì)極端情緒的緩解作用，論證了冷色調(diào)、積極表達(dá)屬性以及移情語音調(diào)節(jié)在緩解駕駛員極端情緒、提高人駕車輛行駛安全性等方面具有更好的調(diào)節(jié)質(zhì)量。

此外，移動(dòng)座艙內(nèi)乘員的暈動(dòng)狀態(tài)是惡化乘坐舒適性的重要因素，按照產(chǎn)生的根源可分為運(yùn)動(dòng)引發(fā)的暈動(dòng)狀態(tài)以及視覺引發(fā)的暈動(dòng)狀態(tài)，基于智能座艙對(duì)艙內(nèi)人員的暈動(dòng)狀態(tài)進(jìn)行檢測(cè)并研究對(duì)應(yīng)的緩解方法具有重要意義。在前期研究中構(gòu)建了低成本在線暈動(dòng)檢測(cè)方案，通過車輛異常駕駛行為主動(dòng)刺激駕駛員進(jìn)入暈動(dòng)狀態(tài)后，采用可穿戴設(shè)備采集皮膚電信號(hào)、心率、體溫以及光電容積描記信號(hào)，構(gòu)建了暈動(dòng)狀態(tài)數(shù)據(jù)集，并進(jìn)一步分析對(duì)比了支持向量機(jī)、隨機(jī)森林、卷積神經(jīng)網(wǎng)絡(luò)等多種機(jī)器學(xué)習(xí)模型在不同數(shù)據(jù)特征輸入下的檢測(cè)準(zhǔn)確性，證明了利用簡(jiǎn)單可穿戴設(shè)備在線實(shí)時(shí)檢測(cè)暈動(dòng)狀態(tài)的可行性。

3.3 基于社會(huì)認(rèn)知自動(dòng)駕駛的人機(jī)接管

在實(shí)現(xiàn)L5完全自動(dòng)駕駛之前，為了保證車輛安全性，駕駛員的介入仍然是不可避免的。駕駛員接管控制權(quán)可主要分為主動(dòng)接管與被動(dòng)接管兩種方式。其中，主動(dòng)接管常由駕駛員發(fā)起，原因可在于駕駛員追求個(gè)性化的駕駛體驗(yàn)。然而，主動(dòng)接管也可由于自動(dòng)駕駛車輛不完善的駕駛員行為認(rèn)知和人機(jī)交互所引發(fā)，如駕駛員難以獲得或維持足夠的信任度、舒適度和個(gè)性化社會(huì)交互行為等。被動(dòng)接管過程通常由自動(dòng)駕駛汽車發(fā)起。此時(shí)，針對(duì)不同級(jí)別的自動(dòng)駕駛，需要人類駕駛員及時(shí)接管車輛控制(L3)，或信息確認(rèn)與協(xié)同策略規(guī)劃(L4)。但此介入過程對(duì)目前人機(jī)交互技術(shù)提出了巨大挑戰(zhàn)。例如，當(dāng)自動(dòng)駕駛系統(tǒng)承擔(dān)了大部分駕駛?cè)蝿?wù)，人類駕駛員極易專注于其他非駕駛活動(dòng)，難以快速恢復(fù)到合適的安全駕駛狀態(tài)。駕駛員在L3自動(dòng)駕駛車輛中可以執(zhí)行駕駛、監(jiān)控和非駕駛?cè)N行為。然而，轉(zhuǎn)換到中間監(jiān)控狀態(tài)會(huì)極大降低駕駛員環(huán)境感知能力、增加認(rèn)知負(fù)荷、退化駕駛技能等問題。因此，如何實(shí)現(xiàn)車輛行駛過程中在自動(dòng)駕駛系統(tǒng)和人類駕駛員之間安全平滑的切換控制權(quán)為主要研究難點(diǎn)。

結(jié)合人因工程學(xué)和認(rèn)知心理學(xué)理論，早期大量人機(jī)接管研究較為全面的揭示了接管信號(hào)(如預(yù)警時(shí)間、預(yù)警方式)和接管模式(如延時(shí)接管，立即接管，輔助轉(zhuǎn)向等)的設(shè)計(jì)問題。例如，盡早發(fā)出接管信號(hào)和給與駕駛員自適應(yīng)的轉(zhuǎn)向輔助可以有效提高接管質(zhì)量和駕駛安全。由曹東璞牽頭、英國(guó)工程和自然科學(xué)研究委員會(huì)(EPSRC)與捷豹路虎聯(lián)合資助的英國(guó)國(guó)家級(jí)重點(diǎn)項(xiàng)目——基于駕駛員認(rèn)知的自適應(yīng)自動(dòng)駕駛最優(yōu)控制權(quán)切換(Driver-cognition- oriented optimal control authority shifting for adaptive automated driving, Cogshift) (2015—2019)首次提出了面向L3應(yīng)用的認(rèn)知自動(dòng)駕駛接管系統(tǒng)框架，如圖21所示。在對(duì)人機(jī)協(xié)作系統(tǒng)和車輛單軌動(dòng)力學(xué)進(jìn)行建模的基礎(chǔ)上，基于自動(dòng)駕駛系統(tǒng)規(guī)劃軌跡計(jì)算預(yù)期最優(yōu)控制序列，接管過渡期間人類駕駛員和接管系統(tǒng)將共同承擔(dān)最優(yōu)控制序列的執(zhí)行任務(wù)，接管系統(tǒng)持續(xù)感知駕駛員實(shí)際控制量，對(duì)期望控制與駕駛員實(shí)際控制差額進(jìn)行補(bǔ)償。同時(shí)，建立了駕駛員神經(jīng)肌肉與轉(zhuǎn)向盤相互作用的動(dòng)力學(xué)模型，分析了系統(tǒng)的傳遞函數(shù)和固有頻率，通過駕駛員在環(huán)試驗(yàn)，利用高斯-牛頓算法識(shí)別駕駛員-轉(zhuǎn)向盤相互作用系統(tǒng)的關(guān)鍵參數(shù)。通過比較駕駛員神經(jīng)肌肉系統(tǒng)在不同轉(zhuǎn)向任務(wù)、手部位置和駕駛員姿勢(shì)方面的特征，建立駕駛員控制權(quán)重與肌肉預(yù)備狀態(tài)的非線性單調(diào)遞增函數(shù)關(guān)系，為接管控制系統(tǒng)感知駕駛員的肌肉預(yù)備狀態(tài)進(jìn)行觸覺反饋奠定了基礎(chǔ)。

然而，隨著車輛智能化程度的不斷提高，新一代人機(jī)接管系統(tǒng)已經(jīng)逐步轉(zhuǎn)化為一個(gè)融合智能座艙與自動(dòng)駕駛技術(shù)、駕駛員認(rèn)知心理學(xué)、社會(huì)認(rèn)知心理學(xué)以及人因工程學(xué)的跨學(xué)科典型應(yīng)用場(chǎng)景。未來自動(dòng)駕駛汽車的人機(jī)接管系統(tǒng)必然須要建立在人-車相互行為理解與協(xié)同認(rèn)知的基礎(chǔ)之上。其中，智能座艙的人機(jī)接管系統(tǒng)需要考慮如何綜合設(shè)計(jì)以駕駛員為中心的接管過程，需要重點(diǎn)依賴于對(duì)駕駛員生理特征(年齡、性別和駕駛經(jīng)驗(yàn))和認(rèn)知特性(如分心、疲勞、和酒后駕駛行為)的精準(zhǔn)建模和估計(jì)并以此建立優(yōu)化的接管過程和接管信號(hào)。例如，從駕駛員認(rèn)知特性出發(fā)，在基于AUDI的自動(dòng)駕駛接管系統(tǒng)研究中發(fā)現(xiàn)，駕駛員疲勞程度在不同個(gè)體之間存在顯著差異，高強(qiáng)度接管信號(hào)會(huì)對(duì)疲勞度高的駕駛員產(chǎn)生驚嚇和引發(fā)莽撞且存在潛在風(fēng)險(xiǎn)的操作行為。另一方面，考慮駕駛員生理特征如年齡因素，年長(zhǎng)駕駛員通常需要更多時(shí)間進(jìn)行場(chǎng)景評(píng)估和接管分析，同時(shí)更傾向于簡(jiǎn)單且直接的接管信號(hào)，如振動(dòng)及聽覺激勵(lì)。

基于駕駛員認(rèn)知心理學(xué)的多模態(tài)接管信號(hào)(如視覺、聽覺、振動(dòng)觸覺)融合可以提供更為全面的道路場(chǎng)景信息和接管指示。然而，設(shè)計(jì)多模態(tài)接管信號(hào)需要進(jìn)一步考慮駕駛員認(rèn)知特性(如認(rèn)知負(fù)荷，分心以及環(huán)境感知等能力)以綜合分析駕駛員信息接收和認(rèn)知水平。例如，利用多模態(tài)信息輸入(皮膚電信號(hào)、體溫、心率以及心電圖信號(hào)等)，接管系統(tǒng)可通過不同維度感知駕駛員認(rèn)知負(fù)載狀態(tài)。當(dāng)認(rèn)知負(fù)載過低或過高時(shí)，表明駕駛員沒有專注于駕駛?cè)蝿?wù)或過于緊張，此時(shí)均不適合賦予駕駛員較高的控制權(quán)重，據(jù)此可建立權(quán)重比例隨認(rèn)知負(fù)載變化的二次函數(shù)關(guān)系模型。結(jié)合肌肉預(yù)備狀態(tài)、駕駛員認(rèn)知負(fù)載以及最優(yōu)控制輸入序列，綜合確定當(dāng)前期望駕駛員控制權(quán)，通過前饋和反饋融合設(shè)計(jì)了觸覺反饋的方向盤力矩控制器，從而實(shí)現(xiàn)輔助駕駛員按照期望的控制權(quán)過度方式逐步完成車輛的接 管。綜上所述，考慮駕駛員生理及心理特征的多模態(tài)個(gè)性化接管系統(tǒng)已成為未來發(fā)展的主要 方向。

隨著道路復(fù)雜度和車輛智能化程度的提高，人機(jī)交互與接管系統(tǒng)還需進(jìn)一步利用駕駛員認(rèn)知心理學(xué)模型對(duì)駕駛員接管能力和接管后的操控質(zhì)量進(jìn)行分析。同時(shí)，未來發(fā)展也對(duì)社會(huì)認(rèn)知自動(dòng)駕駛提出了進(jìn)一步需求。其中，作為較為完善的智能化個(gè)體，自動(dòng)駕駛車輛須根據(jù)人類社會(huì)規(guī)范與駕駛行為準(zhǔn)則建立自身的駕駛策略和環(huán)境交互方式。因此，自動(dòng)駕駛汽車需要建立自身的場(chǎng)景認(rèn)知與決策能力，并對(duì)周圍車輛的意圖及未來軌跡做出獨(dú)立判斷。當(dāng)自動(dòng)駕駛策略與周圍環(huán)境產(chǎn)生沖突并需要駕駛員接管時(shí)，自動(dòng)駕駛車輛需要根據(jù)其自身的認(rèn)知能力產(chǎn)生自適應(yīng)的接管信號(hào)(如可變化的警示音量及振動(dòng)幅值與頻率)。同時(shí)需要借助多模態(tài)智能座艙技術(shù)對(duì)周圍環(huán)境和自動(dòng)駕駛策略進(jìn)行解釋以輔助駕駛員做出正確判斷和高質(zhì)量控制。因此針對(duì)自動(dòng)駕駛汽車和智能座艙單元的可解釋性模型的開發(fā)對(duì)未來接管系統(tǒng)和智能座艙至關(guān)重要。

最后，社會(huì)認(rèn)知自動(dòng)駕駛同時(shí)也是設(shè)計(jì)符合社會(huì)行為規(guī)范、道德標(biāo)準(zhǔn)和駕駛安全的人機(jī)接管技術(shù)的重要依據(jù)。駕駛員駕駛經(jīng)驗(yàn)和技術(shù)、對(duì)自動(dòng)駕駛信賴度和熟悉度以及非駕駛?cè)蝿?wù)所帶來的分心等因素可以極大地影響駕駛員接管后駕駛表現(xiàn)。基于社會(huì)認(rèn)知自動(dòng)駕駛的接管技術(shù)需要具備完善的社會(huì)交互與認(rèn)知能力，需要根據(jù)對(duì)車外復(fù)雜交互場(chǎng)景的理解和預(yù)測(cè)，結(jié)合車內(nèi)對(duì)駕駛員的行為認(rèn)知，利用智能座艙人機(jī)交互系統(tǒng)及時(shí)、準(zhǔn)確、安全地提出接管請(qǐng)求。同時(shí)，針對(duì)含有周圍自行車和行人等弱勢(shì)交通參與單元的緊急工況，可以嘗試?yán)没谏鐣?huì)認(rèn)知學(xué)的交互方式設(shè)計(jì)人機(jī)接管系統(tǒng)，通過人類駕駛員的駕駛經(jīng)驗(yàn)和知識(shí)做出安全決策。因此，基于社會(huì)認(rèn)知心理學(xué)的場(chǎng)景理解、人機(jī)交互和接管風(fēng)險(xiǎn)評(píng)估，可作為未來滿足法規(guī)、道德和社會(huì)準(zhǔn)則約束的安全接管技術(shù)的主要研究方向。

3.4 車內(nèi)交互的研究展望

綜上所述，面向智能座艙的高質(zhì)量擬人化車內(nèi)交互，前期研究主要圍繞智能座艙場(chǎng)景-功能體系、艙內(nèi)人員情緒認(rèn)知與調(diào)節(jié)以及基于社會(huì)認(rèn)知自動(dòng)駕駛的人機(jī)接管等方面展開，在以下兩個(gè)方面仍然具有一定的研究前景。

(1) 考慮駕駛員生理及心理特征的多模態(tài)個(gè)性化人機(jī)接管。當(dāng)前基于智能座艙的人機(jī)接管主要通過生理信號(hào)的采集判斷駕駛員的接管狀態(tài)，隨著場(chǎng)景復(fù)雜度和車輛智能化程度的提高，進(jìn)一步通過駕駛員認(rèn)知心理學(xué)模型利用多模態(tài)傳感器對(duì)駕駛員進(jìn)行生理和心理狀態(tài)的綜合評(píng)估，從而更加準(zhǔn)確地判斷駕駛員接管能力，成為人機(jī)接管的重要發(fā)展方向。同時(shí)，基于認(rèn)知心理學(xué)模型，通過融合智能座艙多模態(tài)接管信號(hào)，為駕駛員提供更加全面的接管指示，可有效提升接管過程安全性和平順性。

(2) 自動(dòng)駕駛系統(tǒng)與智能座艙的融合。當(dāng)前自動(dòng)駕駛和智能座艙研究仍較為分散，智能座艙著重強(qiáng)調(diào)對(duì)車內(nèi)人員的認(rèn)知和交互，作為艙內(nèi)信息的中樞，缺乏與自動(dòng)駕駛系統(tǒng)的協(xié)調(diào)。在未來研究中，面向艙駕融合，依托智能座艙產(chǎn)生的豐富人員狀態(tài)信息，自動(dòng)駕駛系統(tǒng)可以拓展更多場(chǎng)景下的智能化應(yīng)用，不斷擴(kuò)充場(chǎng)景-功能體系，在宏觀上可根據(jù)乘員需求自適應(yīng)地調(diào)整全局導(dǎo)航目標(biāo)，在局部上可結(jié)合駕駛員狀態(tài)實(shí)時(shí)調(diào)節(jié)自駕系統(tǒng)個(gè)性化參數(shù)，從而進(jìn)一步提升人性化和智能化水平。

4

結(jié)論

在自動(dòng)駕駛技術(shù)由L3向L4發(fā)展的過程中，不斷提高復(fù)雜場(chǎng)景覆蓋率是當(dāng)前主要任務(wù)。在城市場(chǎng)景中，道路拓?fù)鋸?fù)雜多變，車輛間距較短、車流量密集，存在更為明顯的強(qiáng)交互博弈，交通參與單元類型眾多，需要滿足更多的社會(huì)規(guī)范和社會(huì)化約束。且城市環(huán)境中功能完備的自動(dòng)駕駛系統(tǒng)應(yīng)能與智能座艙協(xié)同，完成與艙內(nèi)人員的主動(dòng)認(rèn)知交互，在緊急工況下配合駕駛員安全切換控制權(quán)，同時(shí)主動(dòng)識(shí)別和響應(yīng)艙內(nèi)人員的狀態(tài)和需求，以提供更加智能化和人性化的服務(wù)。

針對(duì)上述問題，本文基于自動(dòng)駕駛、認(rèn)知心理學(xué)和社會(huì)心理學(xué)的多學(xué)科交叉融合，提出了社會(huì)認(rèn)知自動(dòng)駕駛框架，并圍繞這一框架展開現(xiàn)有研究。在車外交互過程中介紹了面向社會(huì)認(rèn)知的車輛侵略性建模、強(qiáng)交互場(chǎng)景的社會(huì)認(rèn)知決策以及緊急工況認(rèn)知決策，在車內(nèi)交互過程中介紹了智能座艙場(chǎng)景-功能體系、艙內(nèi)人員情緒認(rèn)知與調(diào)節(jié)以及基于社會(huì)認(rèn)知自動(dòng)駕駛的人機(jī)接管。社會(huì)認(rèn)知自動(dòng)駕駛的提出為解決自動(dòng)駕駛在混合交通流場(chǎng)景下的安全高效應(yīng)用難題提供了新的參考思路。

作　　者：王 聰

責(zé)任編輯：趙子祎

責(zé)任校對(duì)：向映姣

審　　核：張　強(qiáng)

JME學(xué)院簡(jiǎn)介

JME學(xué)院是由《機(jī)械工程學(xué)報(bào)》編輯部2018年創(chuàng)建，以關(guān)注、陪伴青年學(xué)者成長(zhǎng)為宗旨，努力探索學(xué)術(shù)傳播服務(wù)新模式。

歡迎各位老師掃碼添加小助理-暖暖為好友，由小助理拉入JME學(xué)院官方群！

歡迎關(guān)注JME學(xué)院視頻號(hào)~

尋覓合作伙伴

有一種合作叫做真誠，有一種發(fā)展可以無限，有一種伙伴可以互利共贏，愿我們合作起來流連忘返，發(fā)展起來前景可觀。關(guān)于論文推薦、團(tuán)隊(duì)介紹、圖書出版、學(xué)術(shù)直播、招聘信息、會(huì)議推廣等，請(qǐng)與我們聯(lián)系。

感謝關(guān)注我們！《機(jī)械工程學(xué)報(bào)》編輯部將努力為您打造一個(gè)有態(tài)度、有深度、有溫度的學(xué)術(shù)媒體！

版權(quán)聲明：

本文為《機(jī)械工程學(xué)報(bào)》編輯部原創(chuàng)內(nèi)容，歡迎轉(zhuǎn)載，請(qǐng)聯(lián)系授權(quán)！

在公眾號(hào)后臺(tái)留言需要轉(zhuǎn)載的文章題目及要轉(zhuǎn)載的公眾號(hào)ID以獲取授權(quán)!

聯(lián)系人：暖暖

電話：010-88379909

E-mail：jme@cmes.org

網(wǎng) 址：http://www.cjmenet.com.cn

官方微信號(hào)：jmewechat