清華大學(xué)汽車系教授王建強(qiáng)此前在美國留學(xué)的時(shí)候，受到愛因斯坦同一場(chǎng)論的啟發(fā)，借鑒了一種場(chǎng)的思想，提出了自己的風(fēng)險(xiǎn)評(píng)估方法，基于場(chǎng)論的行車風(fēng)險(xiǎn)辨識(shí)方法，建立了人－車－路綜合影響下的“行車安全場(chǎng)”統(tǒng)一模型。經(jīng)過幾年的研究完善，他們建立了一個(gè)完整的理論體系，這個(gè)體系目前接近成熟。這個(gè)風(fēng)險(xiǎn)評(píng)估的方法正在被用于智能車的決策與控制。

前幾天，小編看到了一張總結(jié)“清華系自動(dòng)駕駛”的表格，感嘆中國自動(dòng)駕駛半壁江山都被清華系同學(xué)所占領(lǐng)。

今天小編就給大家分享一篇清華大學(xué)汽車系教授、汽車系副主任王建強(qiáng)老師的一篇報(bào)告，希望對(duì)讀者有所啟發(fā)。

什么是復(fù)雜的混合道路交通環(huán)境？

在我國，復(fù)雜的混合交通所指的是機(jī)動(dòng)車、非機(jī)動(dòng)車、行人組成的混合交通，這種混合交通引發(fā)的交通擁堵、交通事故增加、城市環(huán)境不斷惡化、運(yùn)輸效益下降等一系列問題，嚴(yán)重地影響了道路交通秩序，降低了道路通行能力，增加了道路交通管理難度。

眾所周知，安全是混合交通中面臨的最主要問題，而道路交通安全受到人－車－路以及交通環(huán)境這四位一體的因素影響。在研究智能汽車駕駛在復(fù)雜的混合交通環(huán)境中如何評(píng)估風(fēng)險(xiǎn)成為至關(guān)重要的問題。

在復(fù)雜的混合交通環(huán)境中如何評(píng)估風(fēng)險(xiǎn)？

眾所周知，安全是混合交通中面臨的最主要問題，對(duì)交通事故產(chǎn)生的交通特點(diǎn)分析可知，混合交通條件下發(fā)生的交通事故占總數(shù)的5．9％，同時(shí)還是主要的死亡原因（占67．2％）；當(dāng)混合交通且缺少交通控制時(shí)，造成的交通事故占總數(shù)的50．8％，死亡人數(shù)占62．4％（1998）。

因此，研究智能汽車駕駛在復(fù)雜的混合交通環(huán)境中如何評(píng)估風(fēng)險(xiǎn)成為至關(guān)重要的問題。

那么究竟如何來進(jìn)行風(fēng)險(xiǎn)評(píng)估呢？首先我們來看看目前是怎樣來做的？

現(xiàn)有的風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)多樣，優(yōu)劣各異，如：

時(shí)間指標(biāo)：TTC（Time to Collision）、THW（Time Headway）等

動(dòng)力學(xué)指標(biāo)：安全距離（避撞）、最小加速度（避撞）

統(tǒng)計(jì)學(xué)指標(biāo)：碰撞概率（避撞、路徑規(guī)劃）、機(jī)器學(xué)習(xí)（決策）

勢(shì)能場(chǎng)指標(biāo)：勢(shì)能場(chǎng)（能）、行車安全場(chǎng)（避撞、規(guī)劃控制）

異常駕駛行為指標(biāo)：超速、闖紅燈，疲勞駕駛（駕駛行為分析）

各個(gè)風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)的優(yōu)劣比較

問題的根源在哪里呢？目前L2、L3自動(dòng)駕駛技術(shù)開發(fā)相對(duì)程度，因?yàn)樗麄冎饕�是針�?duì)某一個(gè)場(chǎng)景進(jìn)行開發(fā)，比如追尾報(bào)警系統(tǒng)、主動(dòng)避障系統(tǒng)、車道偏離預(yù)警系統(tǒng)等，根據(jù)具體的危險(xiǎn)場(chǎng)景來開發(fā)，危險(xiǎn)的場(chǎng)景和種類非常多，針對(duì)這樣的問題，我們需要考慮，一個(gè)一個(gè)安全系統(tǒng)的疊加會(huì)造成什么樣的問題？

這些系統(tǒng)在同一輛車上會(huì)不會(huì)存在沖突？

我們面臨的挑戰(zhàn)還有，我們面臨這種風(fēng)險(xiǎn)的因素是復(fù)雜的，包括駕駛?cè)�、車輛、環(huán)境等各種因素，各種因素我們?nèi)绾芜M(jìn)行統(tǒng)一的評(píng)估？因?yàn)椴煌�因素所產(chǎn)生的對(duì)安全的影響是不同的，針隊(duì)這種問題，王建強(qiáng)此前在美國留學(xué)的時(shí)候就已經(jīng)進(jìn)行了深入思考，受到愛因斯坦同一場(chǎng)論的啟發(fā)，借鑒了一種場(chǎng)的思想，因此就提出了自己的風(fēng)險(xiǎn)評(píng)估方法，基于場(chǎng)論的行車風(fēng)險(xiǎn)辨識(shí)方法，建立了人－車－路綜合影響下的“行車安全場(chǎng)”統(tǒng)一模型。經(jīng)過幾年的研究完善，他們建立了一個(gè)完整的理論體系，這個(gè)體系目前接近成熟。這個(gè)風(fēng)險(xiǎn)評(píng)估的方法正在被用于智能車的決策與控制。

什么是安全場(chǎng)模型？

交通風(fēng)險(xiǎn)影響因素有哪些？產(chǎn)生的機(jī)理是否一樣？顯然，不同的因素影響是不一樣的，為此我們把影響因素分成3種類別，一種是動(dòng)態(tài)運(yùn)動(dòng)的目標(biāo)，他所產(chǎn)生的風(fēng)險(xiǎn)，我們起了個(gè)名稱叫動(dòng)能場(chǎng)；而道路中環(huán)境的因素，靜態(tài)的物體所產(chǎn)生的風(fēng)險(xiǎn)我們稱之為勢(shì)能場(chǎng)；另外重要的駕駛員行為所造成的風(fēng)險(xiǎn)我們稱之為行為場(chǎng)；將這三種場(chǎng)進(jìn)行統(tǒng)一成為“行車安全場(chǎng)”統(tǒng)一模型。

這些風(fēng)險(xiǎn)模型是如何建立的呢？

動(dòng)能場(chǎng)

運(yùn)動(dòng)場(chǎng)為表征道路中其他運(yùn)動(dòng)目標(biāo)對(duì)自車行車風(fēng)險(xiǎn)影響程度大小的“物理場(chǎng)”。

大小與運(yùn)動(dòng)物體的屬性密切相關(guān)，比如說物體的運(yùn)動(dòng)的速度、類別、實(shí)際質(zhì)量、運(yùn)動(dòng)的狀態(tài)等等，我們把這些因素統(tǒng)一叫做“虛擬質(zhì)量”，同時(shí)也收到道路影響因素的影響，如道路的曲率、坡度等。

動(dòng)能場(chǎng)

動(dòng)能場(chǎng)中心處的場(chǎng)強(qiáng)最強(qiáng)，因?yàn)樵谥行奶�，如果其他車輛一直重合必然會(huì)發(fā)生交通事故，動(dòng)能場(chǎng)在物體前進(jìn)的方向更集中表明潛在風(fēng)險(xiǎn)更大。

勢(shì)能場(chǎng)

勢(shì)能場(chǎng)

勢(shì)能場(chǎng)為表征道路中靜止物體，對(duì)自車行車風(fēng)險(xiǎn)影響程度大小的“物理場(chǎng)”。

勢(shì)能場(chǎng)中心是靜態(tài)目標(biāo)所在的位置，勢(shì)能場(chǎng)中心處場(chǎng)強(qiáng)最大，勢(shì)能場(chǎng)場(chǎng)強(qiáng)隨著物體距離減小而量指數(shù)式增加，勢(shì)能場(chǎng)場(chǎng)強(qiáng)隨著物體距離增大而減小，當(dāng)距離增大到一定程度時(shí)場(chǎng)強(qiáng)不存在。

行為場(chǎng)

行為場(chǎng)

行為場(chǎng)為表征駕駛員風(fēng)險(xiǎn)因襲、車輛行為對(duì)行車風(fēng)險(xiǎn)影響程度大小的“物理場(chǎng)”。

駕駛員行為對(duì)自車行車造成的風(fēng)險(xiǎn)因素有很多如：駕駛員生理心理風(fēng)險(xiǎn)因素（疲勞駕駛、情緒駕駛）、認(rèn)知風(fēng)險(xiǎn)因素（如錯(cuò)誤估計(jì)車輛狀態(tài)）、技能風(fēng)險(xiǎn)因素（如駕駛技能不高）、違規(guī)風(fēng)險(xiǎn)因素（如交通法規(guī)及時(shí)薄弱）。這些因素我們可以統(tǒng)一用駕駛員風(fēng)險(xiǎn)因子來表達(dá)，所產(chǎn)生的風(fēng)險(xiǎn)，是通過駕駛員駕駛車輛所產(chǎn)生的。

因此我們把動(dòng)能場(chǎng)、勢(shì)能場(chǎng)、行為場(chǎng)統(tǒng)一就建立了一個(gè)安全場(chǎng)統(tǒng)一模型，能夠不對(duì)不同交通要素的影響進(jìn)行規(guī)范評(píng)價(jià)，從而可以實(shí)現(xiàn)對(duì)整體交通環(huán)境的風(fēng)險(xiǎn)量化評(píng)估。

例如，圖中紅色車輛的風(fēng)險(xiǎn)為周邊要素對(duì)它所形成的場(chǎng)力的合力所形成的，合力越大所產(chǎn)生的風(fēng)險(xiǎn)越大，場(chǎng)的物理的形態(tài)我們可以通過圖的右側(cè)圖形看出來。

在復(fù)雜的混合交通環(huán)境中如何進(jìn)行智能決策？

智能決策方法——學(xué)習(xí)人類的決策機(jī)制

形車風(fēng)險(xiǎn)評(píng)估是實(shí)現(xiàn)智能決策的前提，但智能車決策依然存在一系列難題：

①  現(xiàn)有的智能汽車決策算法真的智能嗎？能夠完全被駕駛?cè)怂�接受嗎�?/p>

②  現(xiàn)有的駕駛決策算法滿足駕駛?cè)说鸟{駛需求嗎？

③  駕駛?cè)嗽隈{駛過程中的決策只是與避免風(fēng)險(xiǎn)有關(guān)嗎？

我們發(fā)現(xiàn)目前人類駕駛相比無人駕駛更能適應(yīng)紛繁復(fù)雜的交通環(huán)境？因此，現(xiàn)在很有必要研究駕駛?cè)祟惖鸟{駛決策機(jī)制。這里的研究并不是研究人腦決策機(jī)制，而是通過人類駕駛的行為的表現(xiàn)來研究駕駛員的行為決策機(jī)制。把決策機(jī)制的學(xué)習(xí)結(jié)果用于無人車的決策中，這是這里的研究思路。

人類駕駛行為遵循最小作用量原理

首先用16臺(tái)數(shù)據(jù)采集車，行駛10萬公里，采集了1500小時(shí)的有效人類自然駕駛行駛數(shù)據(jù)。用這組數(shù)據(jù)對(duì)車頭時(shí)距（THW）、橫向位置（D）和加速度（a）進(jìn)行了一個(gè)統(tǒng)計(jì)分析，發(fā)現(xiàn)結(jié)果存在一種極值現(xiàn)象，即THW＝1．5S，D＝0m，a＝0m／s，這種極值的啟發(fā)意義是我們發(fā)現(xiàn)符合最小作用量原理。

物理學(xué)中通常利用小作用量原理來描述自然界中的極值現(xiàn)象。最小作用量原理是與對(duì)稱性、守恒定律同等重要的最原始、最基本的概念，還是物理學(xué)中最具概括性的原理，是重大物理學(xué)問題的根源所在。

如果用S來代作用，這一原理可以簡(jiǎn)潔的表達(dá)為δS＝0。今為止的所有物理規(guī)律，均可由它表達(dá)。

因此可以用最小作用量原理來闡釋和描述人類的駕駛行為。

人類駕駛遵循的基本原則是“趨利避害”，“利”即追求安全和高效，“害”就是防止危險(xiǎn)的發(fā)生。

進(jìn)一步分析，橫向加速度在追求安全的過程中為什么會(huì)存在極值？是因?yàn)槿祟愸{駛其實(shí)是在追求安全與效率的一種平衡；縱向加速度從實(shí)際統(tǒng)計(jì)中的結(jié)果發(fā)現(xiàn)也符合一樣的道理，極值是追求的平衡點(diǎn)，減速是為了保障安全，加速是為了追求高效。車頭時(shí)距為什么能夠保持在一個(gè)平衡范圍內(nèi)？因?yàn)檐囶^時(shí)距過小就會(huì)存在一些潛在的危險(xiǎn)，過大就會(huì)降低行車的效率。

通過這樣的分析，駕駛員操控的行為為，不論在橫向還是縱向上都在追求一種平衡的極值。

基于這樣的分析，我們就可以用最小作用量來表征駕駛員的操作極值。

將作用量用物理模型表征方法如下：

上圖中，小球的例子表示，如果力超過一定的限值，車輛就會(huì)失控，車輛就會(huì)飛出運(yùn)動(dòng)的軌跡，如果再約束的范圍內(nèi)車輛就可以順利的到達(dá)目的地。

基于這樣的物理模型，我們就可以用最小作用量原理來對(duì)車輛進(jìn)行最佳的駕駛決策。