【ZiDongHua 之駕駛自動化收錄關鍵詞： 中科慧拓 自動駕駛 無人駕駛 中科院自動化所】
 
 
　　中科慧拓聯合全球頂尖無人駕駛研究團隊發(fā)表自動駕駛里程碑綜述文章
 
 
　　《自動駕駛的里程碑綜述第一部分｜控制、計算系統設計、通信、高精地圖、測試、駕駛行為》
 
　　發(fā)表單位：中科院自動化所，中科慧拓，北師港浸大，香港浸會大學，香港理工大學，克蘭菲爾德大學，北京航空航天大學，清華大學，南洋理工大學，西安交通大學
 
　　
 
　　摘要
 
　　由于其便利性、安全性和經濟效益，人們對自動駕駛（AD）和智能汽車（IV）的興趣正在迅速增長。盡管多項調查回顧了該領域的研究成果，但仍局限于具體任務，缺乏系統的總結和未來的研究方向。作者的工作分為3篇獨立文章，第一部分是AD和IV總體技術的調查綜述（SoS），其中涉及歷史，總結里程碑，并提供視角、倫理和未來研究方向。本文是第二篇（本技術調查的第一部分），回顧了IVs中控制、計算系統設計、通信、高精地圖（HD地圖）、測試和人類行為的發(fā)展。此外，第三篇（本技術調查的第二部分）是調查感知和規(guī)劃部分。本文的目的是涉及AD的所有章節(jié)，總結最新的技術里程碑，并指導初學者快速了解AD和IVs的發(fā)展。結合SoS和第二篇，我們預計這項工作將為研究人員和初學者帶來新穎多樣的見解，并成為過去和未來之間的橋梁。
 
　　圖1展示了車輛在不同智能水平下的控制模式和可實現的主要功能，更詳細的描述見第七章智能車輛中的人類行為?？偨Y來說，本文的主要貢獻如下：
 
　　對AD和IVs上的里程碑關鍵技術開發(fā)進行了更系統、全面和新穎的調查；
 
　　在每個技術部分介紹了許多部署細節(jié)、測試方法和獨特見解；
 
　　對AD和IVs進行了系統的研究，試圖成為連接過去和未來的橋梁，本文是整個研究的第二部分。
 
　　
 
　　控制
 
　　車輛運動控制是增強駕駛員輔助功能的重要職責。許多控制任務，如橫向穩(wěn)定性控制和避免事故的極限駕駛，必須在IVs的背景下考慮。本節(jié)總結了過去幾年智能汽車控制方面的一些主要進展。本節(jié)將介紹車輛運動控制的功能，對控制策略進行全面討論，并討論控制策略的最新驗證方法。
 
　　車輛運動控制的分類
 
　　車輛運動控制可以分為兩個子部分，縱向車輛控制和橫向車輛控制。
 
　　1）縱向車輛控制：縱向控制人員通過車輛的油門和制動器控制車輛的加速度，以與另一輛車保持安全距離，在道路上保持理想的速度，并盡快剎車，避免在緊急情況下發(fā)生追尾。
 
　　目前已經在各種場景中研究了縱向控制策略，包括連接IV的隊列、速度協調、軌跡平滑和信號干線上的速度管理。局部穩(wěn)定性和隊列穩(wěn)定性是排縱向控制器的關鍵方面。局部穩(wěn)定性是指車輛在擾動條件下保持平衡狀態(tài)的能力。隊列穩(wěn)定性是指擾動在一排車輛中傳播時減少或保持不變的大小。速度協調的控制策略旨在確定車輛的速度策略，以防止交通故障并減輕公路性能的損失。軌跡平滑的基本思想是通過連通IVs的縱向控制策略來提高交通流的穩(wěn)定性和效率。在信號主干道上，速度管理系統旨在調整信號時間，以減少信號交叉口的停車，同時平滑車輛軌跡。常見的縱向控制策略包括模糊邏輯、比例-積分-微分（PID）、模型預測控制（MPC）、博弈論、滑模控制（SMC）、模糊推理系統（FIS）、基于李雅普諾夫的自適應控制方法和人工智能方法?？v向控制系統設計中面臨的挑戰(zhàn)包括具有微小車頭時距的隊列穩(wěn)定操作、執(zhí)行縱向拆分和受通信限制的聯合機動。
 
　　2）橫向車輛控制：橫向車輛控制系統關注車輛在車道上的位置。橫向車輛控制系統的主要功能是將車輛保持在當前車道（車道保持），將車輛行駛到相鄰車道（變道），或避免與其前方車輛發(fā)生碰撞。橫向控制的控制任務是最小化相對于參考軌跡的橫向位移和角度誤差]。文獻中已經報道了各種線性和非線性控制器來控制車輛的運動，包括基于博弈論的方法、PID、MPC、H∞魯棒控制、基于李亞普諾夫的自適應控制方法、線性參數變化（LPV）控制器、SMC、模糊邏輯和基于深度學習的方法。
 
　　由于側向控制系統可以安全地改變車輛的車道并進行規(guī)避操作，因此它可以在減少事故和提高駕駛安全方面提供潛在的好處。然而，全面實施橫向車輛控制在現實世界中給換槍和躲避帶來了困難。例如，天氣條件、道路曲線和其他各種干擾等環(huán)境因素可能會影響控制性能，需要適當的橫向控制策略。
 
　　控制方法
 
　　本文介紹了車輛控制中的幾種常見方法，如表I所示。
 
　　
 
　　1）PID控制：PID控制器的通用性可以使其優(yōu)于IVs車載控制的其他控制方法。針對未知路線曲率條件下IVs的橫向控制，開發(fā)了嵌套PID轉向控制。PID控制具有結構簡單、易于實現、不需要深入了解系統行為的優(yōu)點。然而，PID參數正定是一個挑戰(zhàn)，并且不能保證最佳性能。此外，PID控制器很難對未知和多變的外部環(huán)境具有自適應和魯棒性。
 
　　2）博弈論方法：在博弈論方法中，車輛被視為游戲參與者，交通規(guī)則在各自的決策模型中被考慮。決策模型可以通過與周圍駕駛員互動來模仿人類行為，從互動中提取信息，并生成最佳控制策略，例如何時以及如何變道。博弈論方法的一個優(yōu)點是考慮了交通參與者的相互影響，這可以提高決策的可靠性。然而，通過涉及更多的參與者，可以高度增加游戲的維度，并且耦合游戲系統的高維度可能導致高計算復雜度。
 
　　3）模糊邏輯控制：與PID控制器類似，模糊邏輯控制不需要目標的數學模型，從而使控制器能夠充分處理非線性車輛動力學。另一個好處是他們的類人控制行為，因為有類似人類的規(guī)則。使用隸屬函數，輸入變量被轉換為語言變量?？刂破鞯妮敵鲇赡：?guī)則決定，模糊規(guī)則采用“if-then”語句的形式。提出了一種神經模糊控制器，旨在調節(jié)速度，以保持與前方車輛的安全距離。然而，參數優(yōu)化具有挑戰(zhàn)性，模糊邏輯控制也需要具有大量專家知識的模糊推理規(guī)則。
 
　　4） MPC：MPC在車輛控制中非常流行，參見縱向控制、橫向控制和集成控制。MPC的原理是通過在每個采樣時間解決問題并應用第一個動作序列，在更長的時間內找到預測運動解決方案。通過這種方式，MPC模擬后退地平線控制，并更改解決方案集，以保持對即將到來的信息的準確性。MPC算法的主要優(yōu)點是能夠考慮控制效率、乘坐舒適性、油耗等多個性能標準，以及它們對車輛物理極限和安全性的約束處理能力。然而，它們仍然不足以解決非凸和高復雜性問題。過多的計算困難可能會阻礙它們的實時應用。
 
　　5）SMC方法：SMC提供了適應未知干擾和匹配不確定性的能力。[11]中提出了一系列基于SMC的路徑跟蹤控制器，仿真結果表明，SMC控制器對擾動具有魯棒性，并提供了適當的路徑跟蹤性能。然而，在現實場景中，模型的不確定性和擾動是時變的，模型的準確性極大地影響了控制性能。由于建模誤差，控制性能可能會降低。
 
　　6）LPV控制：LPV控制器是一種線性控制器，與橫向控制的預測控制和集成系統控制一起設計。這種方法需要模型的高級知識以及駕駛過程中所有狀態(tài)的實時信號。由于默認情況下不提供狀態(tài)觀測器，因此需要狀態(tài)觀測器。
 
　　7）人工智能引導的駕駛策略學習：由于大數據的普及，人工智能算法的研究進展迅速。與傳統的控制系統相比，人工智能制導車輛系統不需要任何系統級知識，并且在復雜動態(tài)環(huán)境中優(yōu)化非線性系統方面顯示出巨大的潛力。人工智能制導車輛系統可以將所有的努力結合在一個框架內，并通過學習教導系統表現良好并推廣到新的環(huán)境中，而不是分別為車道檢測、障礙物檢測、路徑規(guī)劃和控制設計顯式的手工算法。人工智能引導的控制策略非常強大，它們能夠在各種類似場景中進行推廣，這使它們適合駕駛條件下的微小偏差。然而，由于方法的不透明性，這些人工智能引導系統的安全驗證非常具有挑戰(zhàn)性，并且無法對失敗做出解釋。此外，對訓練數據的需求可能會阻礙人工智能引導系統的研究。
 
　　經典的PID和滑?？刂品椒赡軣o法適應復雜的環(huán)境和未知的擾動。MPC和LPV基于精確的數學模型，車輛在真實駕駛過程中的不確定性和非線性數學模型可能會降低控制性能，尤其是在極端操縱情況下。模糊邏輯系統的模糊規(guī)則是基于經驗的，沒有定性規(guī)則可參考，這使得它們在工程應用中具有挑戰(zhàn)性。由于耦合博弈系統的高維性，基于博弈論的控制策略設計具有挑戰(zhàn)性?；谌斯ぶ悄艿姆椒ㄐ枰罅康碾x線計算和訓練，需要對人工智能驅動車輛的可解釋性和功能安全驗證方法進行更多研究。
 
　　計算系統設計
 
　　計算系統體系結構
 
　　計算系統在IVs中起著至關重要的作用，以確保安全、安保、能源和通信效率。對于通?？梢耘鋫浯罅繖C載傳感器的典型IV，包括激光雷達、相機、雷達、通信模塊和全球導航衛(wèi)星系統（GNSS）等，每分鐘生成的數據可能是巨大的。為了確保異構信息的高效處理和融合，計算系統必須經過精心設計，以實時處理信息并維護安全的AD。在IVs中廣泛使用的計算架構有兩種基本類型，即模塊化設計方法和端到端設計方法。模塊化設計方法將功能單元解耦為單獨的模塊，這更易于系統實現、故障診斷和模塊更新?；谀K化設計方法，IV的計算架構可以分為以下關鍵模塊（如圖2所示），包括計算、通信、存儲、安全和隱私以及電源管理。而端到端計算架構在很大程度上受到當前人工智能的推動，主要依靠基于學習的方法來處理傳感數據并直接生成控制輸出。考慮到模塊化設計方法在IVs上的計算體系結構設計中得到了更廣泛的應用和成熟，基于這一分支回顧了以下計算系統的概念。
 
　　1）計算硬件：有多個強大的計算硬件來支持IVs的實時計算能力。通常，中央處理器（CPU）、圖形處理單元（GPU）、現場可編程門陣列（FPGA）、數字信號處理器（DSP）、專用處理器單元（ASIC）及其定制開發(fā)的面向深度學習的張量處理單元（TPU）是當今IVs上廣泛使用的計算硬件。具體來說，英偉達發(fā)布了英偉達驅動系列，以支持具有強大GPU支持的IV技術。Xil-inx發(fā)布了基于FPGA的Zynq UltraScale+MPSoC汽車級處理器，該處理器實現了比Nvidia Tesla K40 GPU（4個圖像/W）更高的節(jié)能性能（14個圖像/W）。Mobile EyeQ6系列和TPUv4是領先的基于ASIC的IVs解決方案，在計算能力和能源效率方面有了顯著提高。華為發(fā)布了移動數據中心（MDC）解決方案，用于L4 IVs上的實時計算。MDC配備了華為Ascend AI芯片組，其計算能力高達352 TOPS，能效為業(yè)界領先的1 TOPS/W。地平線機器人公司還發(fā)布了他們的尖端汽車系統-片上（SoC）處理器Horizon Robotics Journey 5，這是一種專門設計，用于優(yōu)化車載視覺和基于激光雷達的感知任務的運行時執(zhí)行。HRJ-5具有單處理器多達128個TOPS處理能力，并支持16個傳感器的神經計算。
 
　　2）操作系統：實時操作系統（RTOS）是IVs上計算系統的關鍵模塊，能夠快速自主地進行資源管理和實時感知、規(guī)劃、決策和控制。IVs上的操作系統應支持實時資源分配、聯網、歸檔、通信等。兩個常見的RTOS內核是QNX和VxWorks。QNX廣泛用于汽車行業(yè)，包括CPU調度、進程間通信、中斷重定向和定時器。VxWorks是一個單片內核，專為實時嵌入式系統設計，也可用于安全保障。它采用共享內存架構設計，支持多種架構，如Intel、POWER和ARM。
 
　　3）中間件：在RTOS和應用程序層的中間，需要中間件層將多個AD服務綁定在一起，以管理應用程序通信并調度傳感和計算資源。在[53]中，針對AD應用程序的通信延遲，評估了三種有影響力的中間件架構，即機器人操作系統（ROS1）、ROS2和Cyber。ROS1中的進程間通信機制提供了高兼容性和可擴展性。ROS2在基于數據分發(fā)服務（DDS）的通信方案的實時分布式系統中表現出高效性能。然后，Cyber是百度Apollo最近發(fā)布的中間件架構，主要是為AD設計的。
 
　　總之，中間件可能會導致端到端延遲，為了避免成為整個計算系統的性能瓶頸，應該仔細設計中間件中的通信和管理。
 
　　4）IVs上的計算系統指標：馬駒橋確定了IVs上計算系統的七個評估指標，即準確性、時間線、功率、成本、可靠性、隱私和安全性。表二簡要總結了這些指標的特點。
 
　　
 
　　5）IVs上計算系統的限制：盡管IVs上的計算系統近年來取得了顯著的改進，但在硬件、軟件和傳感器層等方面仍然存在一些基本的限制，這可能會推遲商業(yè)IVs的廣泛部署。例如，有工作識別并分析了計算系統的五個主要設計約束，即IV的性能約束、可預測性約束、存儲約束、熱約束和功率約束。因此，在本節(jié)將共同總結和分析計算系統不同層中存在的這些挑戰(zhàn)。
 
　　具體而言，性能約束主要存在于應用層面，如圖2所示。就IVs的基本功能而言，包括感知、計劃和決策以及控制，機器和人類的性能之間仍然存在差距。指出幀速率和處理延遲是IV的兩個主要性能約束。人類駕駛員可以在100-150毫秒內對事件做出反應，因此，出于安全考慮，車輛應該在100毫秒的延遲內以至少每100毫秒一次的頻率比人類駕駛員更快地做出反應。
 
　　可預測性是從時間方面（滿足時間截止日期）和功能方面（做出正確決策）定義的另一個約束。盡管有傳統的平均延遲度量，但尾部延遲（99.99%的延遲）也應用于滿足嚴格的可預測性要求。
 
　　存儲約束是IVs節(jié)能和計算性能的一個重要方面和瓶頸。研究表明，一個IV每天可以生成2到40TB的數據。每天數十TB的存儲空間將需要車輛的高存儲速度和空間。此外，實時數據存儲和傳輸還需要顯著提高能源和電力使用。
 
　　IVs的熱約束也可能是一個嚴重的問題。熱約束有兩個典型方面，即1）保持計算系統在工作范圍內工作的溫度，以及2）計算系統產生的熱量應對車輛熱特性產生有限的影響。研究表明，如果沒有冷卻系統，計算系統每消耗1千瓦的功率，艙內溫度就會增加到每分鐘10°C。因此，通常情況下，計算系統應在氣候控制區(qū)實施，這意味著需要額外的冷卻系統來減輕計算系統的熱影響。
 
　　最后，功率約束是可以顯著影響IV能力的另一個關鍵方面。計算系統的功率約束包括三個主要方面，即計算系統的功耗、存儲的功耗和冷卻開銷。存儲和冷卻的計算消耗和額外能源消耗將大大降低IV的使用壽命，尤其是電動IV。例如，每增加400瓦的能源使用量，每加侖英里數（MPG）可以減少一英里，而像GPU這樣的耗能系統可以將燃油效率降低11.5%。因此，未來極有希望為IVs提供更節(jié)能的計算系統和綠色人工智能技術。
 
　　傳感器系統
 
　　IVs上的傳感器系統為計算單元提供重要的傳感和檢測數據。IVs常見的車載傳感器包括激光雷達、雷達、攝像頭、超聲波、慣性測量單元（IMU）、全球導航衛(wèi)星系統等。由于駕駛過程中的不確定性較大，IVs應依靠多傳感器融合來保證駕駛安全。因此本部分對常見傳感器的特性進行了綜述。
 
　　1）IVs中的傳感器：IVs上的傳感器分為智能傳感器和非智能傳感器。IVs上的智能傳感器是指那些可以提供額外檢測或感知信息的傳感器，如物體檢測/跟蹤，以及來自相機、激光雷達或雷達系統的其他事件描述。相反，非智能傳感器是那些只提供原始數據進行處理的傳感器。不同傳感器的簡要說明和選定的綜述研究如表III所示。
 
　　
 
　　2）具有各種應用場景的IVs計算系統設計：IVs的計算系統設計也在很大程度上取決于應用場景、政策和法規(guī)。如今，關于安全、通信和設計的IVs最常用的標準可以在[71]中找到。[71]中的標準路線圖涵蓋了安全和保證、感知、決策、數據、安全、基礎設施和人為因素的當前和持續(xù)標準。還應注意的是，IV的設計也應考慮具體的應用領域。顯然，每個特定的IV在整個計算系統設計中需要顯著不同的關注點，并且應該尊重特定的現實世界應用環(huán)境。
 
　　IVs中傳感器系統的另一個新興研究領域是IVs可解釋接口的設計?；趥鞲衅飨到y的多模態(tài)信號的感知、定位、決策和控制的車載解釋是未來IVs的基本設計要求，以增強人類對IVs的信任和接受，實現全球商業(yè)化。IVs的可解釋性又可分為可解釋性和完全性。此外，可解釋性有兩個主要分支，即透明度和事后解釋。同時，局部解釋和全局解釋也需要對IV進行不同的計算系統設計?？傊?，IVs可解釋接口的設計標準將有助于IVs的社會和法律要求，更重要的是實現更安全、透明、公眾批準和環(huán)保的IV。
 
　　通信
 
　　面對復雜的交通環(huán)境，個體IV的感知被障礙物和惡劣天氣所蒙蔽，影響了AD的安全。另一方面，個體車輛的決策能力受到車載計算和存儲資源的限制，難以應對大密度和混合交通流環(huán)境的挑戰(zhàn)。因此，人工智能不僅需要優(yōu)化其智能水平，還需要通過無線通信技術獲取外部信息和資源來擴展其感知和決策能力。與傳統蜂窩網絡中的移動終端不同，車輛的高速移動導致網絡拓撲結構的快速變化和通信鏈路的頻繁切換。同時，車輛復雜多變的駕駛環(huán)境導致車輛通信受到多徑效應和其他信號的干擾。此外，防撞和IVs排隊等安全相關應用要求網絡滿足低延遲和超高可靠性的嚴格要求，而這是傳統無線網絡難以實現的。因此，IVs有必要采用專用的通信技術，以確保車輛與其他車輛、基礎設施和云平臺之間的高效穩(wěn)定交互。
 
　　作為AD和IVs感知能力的有力擴展，IVs的通信不僅涉及車輛本身，還涉及交通、通信和其他系統的各種基礎設施和技術元素，是汽車、交通、通信、信息，以及其他行業(yè)。車載通信技術起源于20世紀末在歐洲和美國進行的學術研究和演示項目，這些項目側重于車對車（V2V）和車對基礎設施（V2I）通信，當時稱為車載自組織網絡（VANET）或車載網絡。隨著新型信息通信技術的發(fā)展，交通系統各要素的連接與協作進一步加強，形成了互聯協作的AD，VANET的概念被推廣到車聯網，因其對智能交通、AD等行業(yè)的支撐作用而受到廣泛關注。
 
　　隨著概念的擴展，車輛通信技術已經從將車輛和基礎設施連接到車輛的VANET發(fā)展到連接交通系統各種元素（如車輛、基礎設施、行人和云）的一切（V2X）。具體而言，V2X包含兩種類型的技術，由IEEE標準化的專用短程通信（DSRC）和由第三代合作伙伴計劃（3GPP）標準化的cellular V2X（C-V2X）。在通信方法方面，V2X通信可以分為V2V、V2I、車輛到行人（V2P）和車輛到云/網絡（V2C/N）通信，如圖3所示。因此，車載網絡可以實現行人、車輛、基礎設施和云之間實時高效的信息交互，并支持AD和IV的海量數據傳輸。
 
　　V2X通信標準化
 
　　為了實現異構車輛之間的高效通信和交互，有必要建立從物理層到應用層的統一協議和標準。如上所述，基于不同的無線電接入技術，存在兩種主要類型的V2X通信標準，即DSRC和C-V2X。在本節(jié)簡要介紹了這兩類標準的現狀和發(fā)展。
 
　　1）DSRC：嚴格來說，DSRC是一種用于車輛通信的無線電接入技術，但它也被廣泛用于指基于這種無線電接入技術的車輛通信。目前，該技術相對成熟，一些標準化組織，如IEEE、汽車工程師學會（SAE）和歐洲電信標準協會（ETSI），已經制定了DSRC相關標準。
 
　　2）C-V2X：3GPP對C-V2X技術的標準化可分為LTE-V2X和NR-V2X兩個階段，這兩個階段相互補充，設計時考慮了前向和后向兼容性。C-V2X主要包括兩種通信方式，蜂窩移動通信（使用Uu接口）和側鏈通信（使用PC5接口）。
 
　　車載通信的創(chuàng)新研究
 
　　面對AD和IV對車輛通信的嚴格要求，研究人員在通信和網絡的幾個研究方向上對現有的車輛通信方法提出了改進和優(yōu)化[89]。在這一部分中，本文簡要介紹了車輛通信在物理層、媒體訪問控制、路由和安全方面的創(chuàng)新研究。
 
　　1）物理層：物理層是影響車輛通信性能的重要部分之一，它能夠通過無線電信道傳輸車輛和交通數據。目前，正交頻分復用（OFDM）是車載通信中的主要調制技術，因此許多研究都致力于優(yōu)化OFDM參數，以確保可靠高效的數據傳輸。此外，面對AD和IVs中通信的數據速率要求，車載環(huán)境中的毫米波通信和可見光通信（VLC）已成為新興的研究方向。
 
　　2）擁塞控制：由于車輛通信的帶寬有限，隨著車輛的大規(guī)模部署，大量終端的接入會導致信道擁塞，并導致數據傳輸延遲甚至失敗。擁塞控制通過基于功率、基于速率、混合、基于優(yōu)先級和跨層的方法，避免了信道中的擁塞，提高了數據傳輸的穩(wěn)定性和可靠性。
 
　　3）資源分配：面對大規(guī)模車輛的高移動性帶來的動態(tài)信道接入和多用戶干擾，車載通信通過優(yōu)化信道、帶寬和發(fā)射功率等資源的分配，最大限度地提高系統性能。對于DSRC，各種研究提出了介質訪問控制（MAC）參數分配、信道分配和速率分配等方案。對于C-V2X，通過基于集群、云計算、非正交多進程（NOMA）和半持久調度的集中式方案，以及基于位置、感知和增強隨機化的分布式方案，可以有效利用資源。此外，機器學習，特別是深度強化學習，作為復雜問題的強大分析技術，已成為資源分配和優(yōu)化的重要方案。
 
　　4）路由：在車輛通信中，車輛與其他單元（車輛或基礎設施）之間的單跳通信范圍有限，因此需要路由來實現車輛與車輛或路邊基礎設施之間的遠程數據交互。然而，面對車輛高速移動導致的拓撲結構頻繁變化和連接不穩(wěn)定，無線通信中的傳統路由方法已不再適用。因此，許多研究提出了在車載通信中實現高效穩(wěn)定數據交換的增強路由方案，包括基于位置、基于拓撲、基于地理廣播、基于廣播和基于集群的路由協議。各種路由協議通過優(yōu)化路由的延遲、距離、可靠性、能耗或安全性來提高車輛通信的服務質量。此外，隨著機器學習的發(fā)展，基于學習的路由協議也引起了更多的關注。
 
　　5）安全：IVs通過視頻通信與交通系統交互，以提高駕駛安全和交通效率。在這種環(huán)境下，重放攻擊、中間人攻擊、冒充攻擊、惡搞攻擊和惡意第三方攻擊等攻擊威脅著車輛的信息安全甚至駕駛安全。因此，面對車載通信的安全要求，各種研究從身份驗證、授權、機密性、數據完整性和可用性等方面防止了惡意攻擊。此外，基于機器學習的攻擊檢測以及基于區(qū)塊鏈的共識和防篡改已成為新興的研究方向。
 
　　高精地圖
 
　　高精地圖是現代AD不可或缺的一部分。地圖上的信息支持AD的多種功能，包括定位、感知、規(guī)劃、控制和系統管理。與商業(yè)應用中的導航地圖不同，高精地圖服務于AD系統，而不是人類駕駛員。此外，高精地圖可以在一厘米內實現高精度，涉及道路中的多個元素，如路標、信號燈、橋梁、道路護欄、樹木、角落、運動物體等。
 
　　1）合成和生成過程：高精地圖的生成步驟可分為四個主要循環(huán)，數據采集、地圖生成、半自動校正和驗證。傳感器（激光雷達、相機、雷達、全球導航衛(wèi)星系統、里程計等）安裝、校準和同步后，采集平臺可以在目標區(qū)域周圍行駛并存儲傳感器數據。然后利用清晰、連接方法、檢測和分割算法生成粗略的底圖。引入半自動校正和人工驗證，車道交通標志和邏輯信息可以添加到地圖中。通過一系列的測試和驗證過程，HD地圖可以發(fā)布并用于IVs上的AD系統。當道路元素和區(qū)域發(fā)生變化時，高精地圖可以更新和刪除。
 
　　2）類型和標準：根據元素的更新率，高精地圖可分為五層：基礎圖、幾何圖、語義圖、地圖先驗和實時。幾何圖由基礎圖（初始圖）上的原始傳感器數據組成。語義地圖是通過引入靜態(tài)語義信息（如車道邊界、交叉口、停車位、停車標志、紅綠燈等）在前一層上構建的。地圖先驗層包含動態(tài)信息和人類行為信息，如紅綠燈的變化順序、平均等待時間、車輛在停車位的概率，車輛在停車點的平均速度等。Autonomy算法通常在模型中使用這些先驗作為輸入或特征，并將它們與其他實時信息相結合。實時知識層是利用實時交通信息動態(tài)更新的地圖中的最頂層。
 
　　3）數據質量：有5個衡量標準來評估AD地圖的質量：1）準確性；2）精確性；3）完整性；4）一致性和5）及時性。精度是實際值和映射值之間的偏差。精度是指地圖上可辨別的最小單位。完整性是指地圖是否包含所有真實世界的特征。Consis-tency表示數據結構、屬性和關系的邏輯規(guī)則。及時性是指施工和使用之間的時間差異。為了提高數據質量，Wong和Ellul提出了基于幾何的度量，作為3D地圖適應度評估的一部分。Javanmardi等人從布局、特征充分性、呈現質量和局部相似性的角度定義了四個標準來評估地圖的車輛定位能力。Murphy和Pao提出了一種在地圖匹配的背景下檢測未映射或映射錯誤的道路和停車場的方法，從而產生了一個更穩(wěn)健的系統，甚至可以校正底層地圖中的錯誤。從類似但可供選擇的角度來看，Yang和Huang研究了如何使IV系統更能抵御對其傳感器的惡意攻擊。
 
　　測試
 
　　自2016年以來，車輛測試已成為IVs領域的熱門研究課題。一方面，幾家生產IV的公司在測試或運行過程中遇到了車輛事故，這就迫切需要確定事故原因并修復復雜的IV系統。另一方面，研究人員對廣義智能系統的智能測試越來越感興趣。（人工智能測試IVs的案例研究；通過虛擬現實交互進行車輛智能的并行測試）。
 
　　測試平臺
 
　　為了驗證車輛算法，特別是運動控制算法，應該設計一系列測試來驗證控制策略。就測試模式而言，驗證類型可分為模擬研究和實驗測試。在實際世界中進行測試在時間、勞動力和金錢方面都可能是昂貴的。相比之下，模擬研究成本更低、速度更快、適應性更強，可用于創(chuàng)建難以在現實生活中復制的場景。
 
　　1）仿真平臺：隨著仿真工具的準確性和速度的提高，仿真已成為一種更具支配性的方法。國家儀器公司的LabVIEW是一個圖形計算平臺，廣泛用于測試和測量的模擬程序。為了對車輛動力學進行建模，研究人員已使用商業(yè)工具Carsim、ADAMS、CARLA、PreScan和Matlab/Simu 來模擬車輛行為。SCANeR Studio與Matlab/Simu 相結合，用于為IV運動控制器的測試提供逼真的驅動條件。微觀交通模擬工具VISSIM 10.0和AutonoVi-Sim用于建模交通狀況和實施IV控制。需要注意的是，在驗證和驗證過程中應考慮模型誤差，不準確的模型可能會導致評估性能不可行。
 
　　2）車輛平臺：一些研究人員將模擬研究作為性能驗證的第一步，并進行實驗測試以進行進一步驗證。在文獻中，實驗測試可以通過小型輕型車輛和道路車輛進行。小型輕型車輛堅固耐用，成本低廉，可以由一個人攜帶，在各種環(huán)境條件下進行測試。此外，這種小巧輕便的車輛可以高速行駛，而無需擔心人員和財產受傷。主要缺點是其有效載荷小，不足以保持計算所需的計算能力。在道路車輛上，如圖4所示。相比之下，可以驗證不同照明和天氣條件下的控制性能，但需要獲得測試批準，如倫理批準。
 
　　測試方法
 
　　1）測試劃分：研究人員將測試分為三個子任務，包括功能、性能和智能測試。功能測試的重點是在給定的特定條件下，車輛或其部件是否能夠獲得特定輸入所需的輸出（例如，激光雷達能否為位于200米外的1m*1m物體提供超過3個云點的輸出？）。性能測試的重點是車輛能否在給定的條件范圍內獲得特定輸入范圍所需的輸出。智能測試進一步要求車輛在更廣泛、更抽象的駕駛場景中執(zhí)行理性和智能的感知、規(guī)劃和控制策略。
 
　　2）測試場景：對于人工智能的智能測試，目前大多數研究人員都是從人工智能的行為智能角度進行分析的。他們認為，如果IV在給定的交通場景下成功平穩(wěn)地駕駛，那么它就具備了這種場景的駕駛智能。因此，如何確定必要的測試場景是一個熱門的研究課題。為了滿足這一需求，國際標準化組織提出了一項功能安全國際標準（ISO 26262），旨在指出車輛在具有特定輸入的特定場景下應獲得哪些功能輸出。此外，為了減少由于系統缺乏相關功能（設計或性能限制不足）或可預見的人為錯誤而導致的不可接受風險的危險，國際標準化組織提出了受外部環(huán)境影響的功能測試的估計功能安全標準（ISO 21448），如自動緊急制動（AEB）系統、車道保持系統和其他高級駕駛輔助系統（ADAS）。然而，對于IVs的智能測試來說，必要的場景有很多。到目前為止，很難通過基于人類專家指定的測試場景來找到輸入和輸出之間的理想關系來高效可靠地測試車輛的智能。
 
　　3）基于學習的方法：考慮到大多數人工智能系統中構建場景的難度和數據驅動的機器學習建模的趨勢，研究人員提出了幾種算法，通過從自然駕駛數據中學習來生成半自動或全自動的場景。特別是，研究人員對兩個問題非常感興趣。其中一個問題是如何快速識別困難的測試場景，以避免在簡單的測試場景中浪費時間，這無助于提高車輛性能。另一個問題是如何盡可能覆蓋所有可能的場景，以避免IV遇到難以處理的未經測試的場景。顯然，很難平衡這兩個問題，而且這個問題仍未解決。通過發(fā)現角落案例有助于揭示IVs的智力局限性，值得進一步研究。
 
　　4） 并行測試：由于進行真實測試很耗時，大多數研究人員專注于基于模擬的虛擬測試。Waymo和Nvidia等知名公司的經驗表明，精心設計的虛擬測試可以有效地識別車輛的弱點，并提供有用的改裝解決方案。目前，相關研究的重點是如何保證仿真系統中仿真對象的內在行為合理性和外在表現形式的多樣性。例如，一些研究人員討論了如何通過從每天收集的駕駛數據中學習來模仿人類駕駛員的行為，以便在模擬系統中正確再現有人駕駛和無人駕駛車輛之間的互動。如何通過深度學習模型對圖像進行變換，并從變換日常駕駛采集的場景圖像中獲得罕見的特殊場景圖像，受到了許多研究人員的青睞。
 
　　到目前為止，智能汽車測試領域仍有許多困難需要解決?？梢灶A見，未來十年，測試的發(fā)展將進入一個關鍵階段。
 
　　智能汽車中的人類行為
 
　　人的行為和人為因素問題是IVs的重要主題，因為它們決定了IVs的廣泛接受。建模和理解人類行為也有助于建立人與車輛之間的相互理解和互信。然而，人類是一個高度復雜的系統，統一的人類行為建?？蚣苋孕柽M一步研究。在本節(jié)中，將根據自主水平（SAE J3016）討論人類行為和人為因素問題，因為人類行為的差異可能很大。
 
　　駕駛員輔助和部分駕駛自動化（L1-L2）
 
　　在L1或L2 AD車輛上，即使腳或手離開踏板和方向盤，人類駕駛員仍處于車輛控制回路內，并假設駕駛（精神驅動）。在這種情況下，人類駕駛員可以受益于一系列ADAS，如車道偏離警告（LDW）、車道偏離輔助（LDA）、自適應巡航控制（ACC）和車道保持輔助（LKA）等。為了向人類駕駛員提供準確的輔助，開發(fā)了幾個熱門的研究領域，包括疲勞（肌肉/精神）/嗜睡檢測，駕駛員意圖推斷、注意力、工作量、情緒和分心。這種輔助系統通?？梢苑譃閮深?，即基于身體（生理）行為的方法和基于心理行為的方法。
 
　　條件駕駛自動化（L3）
 
　　在L3 AD車輛上，人類駕駛員可以進一步從事次要任務，不再需要長期監(jiān)控。人類駕駛員只需要在場并能夠在任何時候接管控制，特別是在由于系統故障和周圍環(huán)境的不確定性而發(fā)生緊急情況的情況下。然而，L3自動化的一個著名缺點是，駕駛員無法保證提供質量和安全的接管控制，尤其是在面臨時間限制的決策情況下。因此，L3關于人為因素問題的最廣泛研究點是接管控制算法的設計、恢復控制和控制權限的平穩(wěn)切換。
 
　　高度/完全自動駕駛（L4-L5）
 
　　隨著更高級別的自動化，人類駕駛員不再需要保持適當的態(tài)勢感知水平，以便在必要時控制車輛。然而，復雜的問題也可能出現，其中之一是人類如何理解自主系統并與之合作。為了能夠接受更高級別的IVs并使其行為適應，應該培養(yǎng)駕駛員的信任。
 
　　駕駛員信任是目前AD和IV普遍化和商業(yè)化的主要原因?？紤]到安全性、舒適性、可預測性和對關鍵情況的道德反應，人類對IVs的信任在很大程度上取決于自動化的駕駛性能。最近的一項研究支持自動駕駛汽車的首次引入會引起意想不到的反應和情景，這可能會影響公眾對這項新技術的信任程度。Choi等人調查了552名駕駛員對AD的態(tài)度；研究表明，對自主性的信任是最主要的因素。根據對162名特斯拉駕駛員對Autopilot和Summon系統的信任度進行的調查，發(fā)現如果對系統功能進行出色的介紹，可以建立對系統的高度初始信任，并且無論參與者是否經歷過自動化故障，系統使用頻率都會隨著時間的推移而增加。
 
　　人機界面（HMI）
 
　　AD技術使HMI的設計更加復雜，因為AD車輛的HMI系統依賴于以人為中心的設計方法，以確保安全意識、互信、愉悅和舒適。目前，HMI系統成為實現駕駛員和車輛之間協作的主要模塊。HMI系統的設計是一項系統工程任務，本節(jié)重點介紹艙內和艙外HMI設計。
 
　　對于L4/L5，車輛自主性有望完全負責駕駛任務，人類駕駛員甚至不再需要保持駕駛知識和技能。因此，很難要求人類占領者正確理解上下文。相反，只需報告和顯示車輛行為和未來規(guī)劃的安全相關信息。具體來說，車載HMI系統可分為五類，即動態(tài)HMI、自動化HMI、信息HMI、車輛HMI和外部HMI。其次，HMI系統應協助進行有時間限制的操作和決策。最后，需要駕駛員監(jiān)控系統來幫助了解人類狀態(tài)，以便進行高質量的可視化和解釋。根據專家評估，HMI最重要的兩個功能是1）提供自動化可用性、導航和環(huán)境信息，以及2）通過語音指令、LED指示燈和座椅擺動來提高駕駛員的注意力。
 
　　智能駕駛座艙系統
 
　　IVs的智能座艙設計是近年來的另一個新興話題。事實上，一些用于低自主性車輛的傳統IC技術，如駕駛行為監(jiān)測技術，可以進行調整。然而，為了滿足IVs在安全性、安全性、舒適性、HMI和娛樂性方面的更嚴格要求，迫切需要開發(fā)更具挑戰(zhàn)性的技術。關于安全問題，在危急情況下需要人為干預的情況下，應為IVs開發(fā)有效的相互溝通機制。對于完整的IVs，這種信息交換在IC中也很重要，以便人類乘客通過可視化更具時間緊迫性的交通上下文信息來保持適當的位置意識和對自主性的信任。隨著V2X、區(qū)塊鏈和聯合學習等更先進的車載技術被引入IV，IVs正在發(fā)展成為移動信息中心。在這種情況下，網絡安全對IC提出了另一個巨大的挑戰(zhàn)，因為這是保護用戶隱私和安全的基本要求，以確保無縫旅程，并且所有車載技術都滿足道德和政策問題。IVs上集成電路的舒適性考慮也不同于傳統車輛。研究表明，HMI對舒適性的影響最大，其次是熱環(huán)境、聲學環(huán)境和光學環(huán)境。最近對IVs的人類暈動病研究也得出了類似的結論，因為IVs更有可能患暈動病，HMI可以緩解這些問題?？傊琁Vs上的IC不僅應該考慮娛樂功能，還需要解決IVs性質所帶來的一系列安全、保障、舒適、人為因素甚至能源消耗挑戰(zhàn)。
 
　　結論
 
　　在這篇論文中，作者對AD和IVs中具有里程碑意義的研究發(fā)展進行了廣泛的介紹。此外還介紹了大量的部署細節(jié)、測試方法和獨特的見解。結合其他兩個部分，我們希望我們的整個工作將為研究人員和學者帶來新穎而多樣的見解，并成為連接過去和未來的橋梁。
 
　　參考
 
　　[1] Milestones in Autonomous Driving and Intelligent Vehicles Part I: Control, Computing System Design, Communication, HD Map, Testing, and Human Behaviors