?關鍵技術是未來智能駕駛的發展方向，其研究已取得了重大進展。然而，由于近期發生的無人駕駛事故，人們對安全性能產生了擔憂。為了解決這個安全問題，提出了一個用于智能駕駛的安全系統。該系統通過智能汽車感知、決策和控制模塊，為潛在問題提供實時的安全分析和監控服務?；陬A期功能的安全性概念，對駕駛場景和系統安全性進行分析和評價提高智能駕駛的安全性，這可能有助于智能駕駛的發展。 ?

I.簡介 ?

進入21世紀，智能駕駛汽車的快速發展為提高道路交通安全、緩解擁堵帶來了巨大的社會效益。作為未來汽車的發展方向，自動駕駛汽車的研究和開發已經取得了重大突破。其巨大的商業利益和廣闊的應用前景，贏得了發達國家的支持和認可。 ?

然而，任何技術的成熟應用都必須經歷一個漫長而艱巨的發展過程，自動駕駛也是如此。在美國，發生了人類歷史上第一起無人駕駛汽車致死事件。美國當地時間3月18日晚，在亞利桑那州坦佩市郊區，Uber無人駕駛測試車與一名正在過馬路的中年婦女相撞。這起事故導致該婦女不幸死亡。這次事故的意義和影響遠遠超出其事故本身。美國當地時間5月7日，警方公布了Uber無人駕駛測試車輛致死事件的最新調查結果，確認無人駕駛車輛檢測到行人的存在，但沒有采取任何制動措施。 ?

智能汽車的駕駛行為高度依賴于操作系統的穩定性、智能化和安全性。安全風險的主要來源有以下三類： ?

A.硬件安全 ?

與傳統汽車相比，智能駕駛汽車不需要司機直接控制汽車，而是將部分或整車控制權交給自動控制系統。硬件架構設置是否科學合理；各無人計算控制單元及控制器設置是否完善；無人駕駛汽車的傳感器能否快速準確地獲取道路環境信息，車輛運動傳感和信息融合功能對無人駕駛汽車的駕駛起著決定性的作用。 ?

B.軟件安全 ?

與傳統汽車相比，自動駕駛汽車的開發時間較短，技術發展還不成熟，軟件系統還需要長期的可靠性分析。例如，著名的無人駕駛汽車制造商谷歌對無人駕駛汽車平臺進行了長達9年的封閉測試，但測試時間并不充分，因素也相對簡單。因此，其安全性和穩定性仍然需要長期監測。 ?

C.環境安全 ?

基于人工智能算法，智能駕駛汽車可以實現自動避開障礙物，在道路比較復雜的情況下完成自動駕駛。但是，無人駕駛汽車在進行駕駛決策時，仍然需要其他參與者的正確駕駛判斷。只有當其他駕駛員做出正確駕駛的判斷時，無人駕駛汽車的駕駛測試才會相應地做出正確合理的判斷。 ?

基于以上對無人駕駛事故和安全隱患的分析，本文提出了一個自主車輛的預期安全系統。該系統能夠對智能駕駛車輛的行駛狀態進行監控、預測和保障，從感知、決策和控制等方面提高智能駕駛的安全性。 ?

II.系統架構 ?

智能駕駛離不開幾個關鍵技術。在宏觀層面上，智能駕駛以環境感知、路徑規劃和決策控制等核心技術為基礎。 ?

綜合前文介紹的關鍵技術，智能駕駛為真實駕駛提供了技術支撐，而安全技術是自動駕駛汽車能否真正在公共道路上行駛的前提。2011年發布的ISO26262《道路車輛功能安全》國際標準為道路車輛功能安全提供了一個系統的解決方案，以解決電子控制系統故障造成的安全風險。

由于自動駕駛汽車可以脫離駕駛員，控制車輛的部分或全部行為，任何影響其感知、決策和執行的因素都可能構成車輛危險。根據不同的風險來源和所需的安全技術，比較分析結果見表1。 ?



表1 智能駕駛車輛的危險因素及所需的安全技術 ?

系統功能的局限性 ?

主要原因是在設計和開發期間對系統功能的定義不能完全涵蓋目標市場的使用需求。 ? 對目標場景的考慮不全面，導致系統不能準確識別環境要素；功能仲裁邏輯不合理，導致系統決策錯誤；執行器響應不充分，導致運動控制偏離預期。?

環境干擾 ?

自動駕駛會受到很多因素的影響，比如路況、周圍事物和環境天氣。如何克服環境干擾，可靠地進行環境識別、駕駛決策和運動控制是確保安全駕駛的關鍵。 ?

預期安全系統源于預期功能安全(SOTIF)的概念，旨在為智能駕駛的感知、決策和控制系統(執行器響應)設計一種安全監管系統，克服環境干擾，改善智能駕駛系統的局限性。擬議的安全系統架構如圖所示。 ?



圖1?智能駕駛擬用安全系統的架構?

該安全系統預計將被分為三個基本模塊:感知數據的處理、決策信息的確定和執行器響應的檢測。首先，基于智能汽車各傳感器的感知數據，進行多傳感器分析與融合，重構當前駕駛場景。安全系統通過對駕駛場景的分析，確定各個傳感器的置信度，為智能汽車的決策和控制提供依據。 ?

其次，對決策信息的判斷主要基于“安全熵”和對系統安全的定量評價。最后，執行器響應的檢測相對偏向于模擬和測試?？舍槍σ阎闆r選擇軟件在環/硬件在環測試和車輛測試。

? III.駕駛場景和系統安全 ?

A.駛場景的構建 ?

要對駕駛場景進行分析，首先要建立如圖2所示的場景數據庫。針對不同的典型場景，通過收集人類駕駛員的駕駛數據，可公式化駕駛決策并進行分析。結合場景檢索與場景識別，智能車輛可以在保證各種功能的前提下，大大提高智能駕駛的安全性。

?

圖2?場景數據庫的組成和構建 ?

因此，本文提出一種駕駛場景構建方法，通過將場景的定性分析作為多傳感器融合的基礎。定性分析的方法來源于自然語言中的知識提取算法。知識提取的過程可以歸納為三個步驟。第一步是識別與本體相匹配的概念、概念實例、屬性和簡單值；第二步是根據內容和本體定義正確組合識別的三要素，構建正確的知識三要素；最后一步是根據本體對提取的事實知識進行有效性和完整性檢驗，刪除無效的知識和不完整的知識，確保添加到領域本體知識庫的知識是有效的、完整的。例如，通過獲取天氣信息，例如今天有雨，結合已建立的用例庫，可以推斷出，由于環境干擾，激光雷達的置信度會降低。因此，在這種情況下，應相應減少激光雷達的權重以確保安全。 ?

與上述定性分析相結合，對駕駛場景的定量分析也必不可少。可以利用模糊數學的基本概念，用公式來定量描述駕駛場景。 ?

S = S(V1 ,V2 ,V3 ,V4) ? 其中V1 代表交通信息，即紅綠燈和交通標志， V2 代表道路信息，如道路材料、道路起伏、路側物體信息，V3 代表自然條件，如雨、雪、霧、霾、氣流、溫度、濕度，V4 代表時間。 ?

結合定性和定量的概念，分析各個要素的影響，根據不同要素的組合實現自動駕駛決策。目前的決策方法大多過于單一，無法完全適用于復雜的社會環境。因此，場景信息不僅可以增強智能駕駛的感知系統，還可以針對不同場景提供不同的駕駛策略，從而提高智能汽車的環境適應性和駕駛穩健性。 ?

B.預期安全熵 ?

近年來，熵作為一個普遍概念被提出，熵的應用在深度和廣度上有了進一步發展。預期功能安全性(SOTIF)有望成為智能駕駛的研究熱點之一。為此，提出了預期安全熵的概念。安全熵可以定義為智能駕駛車輛的各種預期功能因素（包括感知、決策、執行器等）在熵權下的不確定性之和。 ?

對于一個安全因素xi, 安全性P(xi)可以用來表示其執行安全功能的能力。安全程度可以從熵的角度進行分析。必須有一個與安全程度相對應的安全熵，來表示安全系數的不確定性、混沌性和無序性。當安全程度越大，其自身的不確定性、混亂性和無序性就越小。安全熵是安全因素本身混亂程度的度量，安全熵由P(xi)定義。 ?

S(xi) = log 1/ P(xi) = - log P(xi) (i =1, 2, …, n ) ? 安全系統的熵的定義應該由環境∩車輛的概率狀態來決定。假設環境處于異常安全狀態為P(車輛|環境)。 ?

因此，系統的安全熵S(X)被定義為： S(X) = log 1/ P(車輛|環境) = -log P(車輛|環境) ? 從熵的本質意義出發，熵是一個廣義的測度。兩種狀態混合后，熵應該是兩種狀態對應的熵之和，即S=S1+S2。因此，S(環境∩車輛)= S(環境)+ S(車輛)。 ?

安全熵和熵的概念是安全動力學研究的基礎，可以作為解釋安全系統穩定性的標準，也可用以判斷安全系統是否穩定?？梢钥闯觯踩氐亩x概念與廣義熵的性質一致，從而為安全系統的安全熵和其他領域的熵之間提供了一座橋梁。 ?

IV.未來發展

安全是汽車工業發展的永恒主題。通過分析環境因素和車輛因素對自動駕駛的安全影響，闡述了風險的來源和發生機理，并提出了應對措施。通過充分考慮安全風險的來源，系統地實施功能安全、信息安全、SOTIF等安全技術，可以保證自動駕駛實現整體安全，相關的自動駕駛汽車也可以實現大規模應用。

本文提出的自動駕駛汽車的預期安全系統，是基于國際上正在進行的SOTIF技術標準的發展。該國際技術標準是首個針對自主車輛的安全技術標準，對自動駕駛車輛系統安全技術的開發和驗證具有重要的指導意義。

審核編輯：劉清