清華大學(xué)汽車系教授王建強此前在美國留學(xué)的時候，受到愛因斯坦同一場論的啟發(fā)，借鑒了一種場的思想，提出了自己的風(fēng)險評估方法，基于場論的行車風(fēng)險辨識方法，建立了人-車-路綜合影響下的“行車安全場”統(tǒng)一模型。經(jīng)過幾年的研究完善，他們建立了一個完整的理論體系，這個體系目前接近成熟。這個風(fēng)險評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)“清華系自動駕駛”的表格，感嘆中國自動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老師的一篇報告，希望對讀者有所啟發(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動車、非機動車、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、運輸效益下降等一系列問題，嚴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)境中如何評估風(fēng)險成為至關(guān)重要的問題。

在復(fù)雜的混合交通環(huán)境中如何評估風(fēng)險？

眾所周知，安全是混合交通中面臨的最主要問題，對交通事故產(chǎn)生的交通特點分析可知，混合交通條件下發(fā)生的交通事故占總數(shù)的5.9%，同時還是主要的死亡原因(占67.2%)；當混合交通且缺少交通控制時,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)境中如何評估風(fēng)險成為至關(guān)重要的問題。

那么究竟如何來進行風(fēng)險評估呢？首先我們來看看目前是怎樣來做的？

現(xiàn)有的風(fēng)險評價指標多樣，優(yōu)劣各異，如：

時間指標：TTC（Time to Collision）、THW（Time Headway）等

動力學(xué)指標：安全距離（避撞）、最小加速度（避撞）

統(tǒng)計學(xué)指標：碰撞概率（避撞、路徑規(guī)劃）、機器學(xué)習(xí)（決策）

勢能場指標：勢能場（能）、行車安全場（避撞、規(guī)劃控制）

異常駕駛行為指標：超速、闖紅燈，疲勞駕駛（駕駛行為分析）

問題的根源在哪里呢？目前L2、L3自動駕駛技術(shù)開發(fā)相對程度，因為他們主要是針對某一個場景進行開發(fā)，比如追尾報警系統(tǒng)、主動避障系統(tǒng)、車道偏離預(yù)警系統(tǒng)等，根據(jù)具體的危險場景來開發(fā)，危險的場景和種類非常多，針對這樣的問題，我們需要考慮，一個一個安全系統(tǒng)的疊加會造成什么樣的問題？

這些系統(tǒng)在同一輛車上會不會存在沖突？

我們面臨的挑戰(zhàn)還有，我們面臨這種風(fēng)險的因素是復(fù)雜的，包括駕駛?cè)恕④囕v、環(huán)境等各種因素，各種因素我們?nèi)绾芜M行統(tǒng)一的評估？因為不同因素所產(chǎn)生的對安全的影響是不同的，針隊這種問題，王建強此前在美國留學(xué)的時候就已經(jīng)進行了深入思考，受到愛因斯坦同一場論的啟發(fā)，借鑒了一種場的思想，因此就提出了自己的風(fēng)險評估方法，基于場論的行車風(fēng)險辨識方法，建立了人-車-路綜合影響下的“行車安全場”統(tǒng)一模型。經(jīng)過幾年的研究完善，他們建立了一個完整的理論體系，這個體系目前接近成熟。這個風(fēng)險評估的方法正在被用于智能車的決策與控制。

什么是安全場模型？

交通風(fēng)險影響因素有哪些？產(chǎn)生的機理是否一樣？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，一種是動態(tài)運動的目標，他所產(chǎn)生的風(fēng)險，我們起了個名稱叫動能場；而道路中環(huán)境的因素，靜態(tài)的物體所產(chǎn)生的風(fēng)險我們稱之為勢能場；另外重要的駕駛員行為所造成的風(fēng)險我們稱之為行為場；將這三種場進行統(tǒng)一成為“行車安全場”統(tǒng)一模型。

這些風(fēng)險模型是如何建立的呢？

動能場

運動場為表征道路中其他運動目標對自車行車風(fēng)險影響程度大小的“物理場”。

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

動能場

動能場中心處的場強最強，因為在中心處，如果其他車輛一直重合必然會發(fā)生交通事故，動能場在物體前進的方向更集中表明潛在風(fēng)險更大。

勢能場

勢能場

勢能場為表征道路中靜止物體，對自車行車風(fēng)險影響程度大小的“物理場”。

勢能場中心是靜態(tài)目標所在的位置，勢能場中心處場強最大，勢能場場強隨著物體距離減小而量指數(shù)式增加，勢能場場強隨著物體距離增大而減小，當距離增大到一定程度時場強不存在。

行為場

行為場

行為場為表征駕駛員風(fēng)險因襲、車輛行為對行車風(fēng)險影響程度大小的“物理場”。

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

因此我們把動能場、勢能場、行為場統(tǒng)一就建立了一個安全場統(tǒng)一模型，能夠不對不同交通要素的影響進行規(guī)范評價，從而可以實現(xiàn)對整體交通環(huán)境的風(fēng)險量化評估。

例如，圖中紅色車輛的風(fēng)險為周邊要素對它所形成的場力的合力所形成的，合力越大所產(chǎn)生的風(fēng)險越大，場的物理的形態(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)境中如何進行智能決策？

智能決策方法——學(xué)習(xí)人類的決策機制

形車風(fēng)險評估是實現(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邮軉幔?/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{駛決策機制。這里的研究并不是研究人腦決策機制，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制。把決策機制的學(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臺數(shù)據(jù)采集車，行駛10萬公里，采集了1500小時的有效人類自然駕駛行駛數(shù)據(jù)。用這組數(shù)據(jù)對車頭時距（THW）、橫向位置（D）和加速度（a）進行了一個統(tǒng)計分析，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,這一原理可以簡潔的表達為δS=0。今為止的所有物理規(guī)律，均可由它表達。

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”就是防止危險的發(fā)生。

進一步分析，橫向加速度在追求安全的過程中為什么會存在極值？是因為人類駕駛其實是在追求安全與效率的一種平衡；縱向加速度從實際統(tǒng)計中的結(jié)果發(fā)現(xiàn)也符合一樣的道理，極值是追求的平衡點，減速是為了保障安全，加速是為了追求高效。車頭時距為什么能夠保持在一個平衡范圍內(nèi)？因為車頭時距過小就會存在一些潛在的危險，過大就會降低行車的效率。

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，車輛就會失控，車輛就會飛出運動的軌跡，如果再約束的范圍內(nèi)車輛就可以順利的到達目的地。

基于這樣的物理模型，我們就可以用最小作用量原理來對車輛進行最佳的駕駛決策。

為驗該思想，進行大量實驗

自然駕駛數(shù)據(jù)分析結(jié)果

首先進行自然駕駛數(shù)據(jù)采集，在自然駕駛數(shù)據(jù)中提取了7631段幀號連續(xù)的跟車過程,通過計算各個過程的距離平均作用量，發(fā)現(xiàn)平均作用量分布較為集中，駕駛?cè)说能囘^程中的決策行為趨于穩(wěn)定。

實車實驗

實驗采用的是課題組的三調(diào)實驗平臺車，分別為：一輛本田雅閣車(作為車i)和兩輛長安悅用車(作為車j和車k)，實驗分為自由行駛、跟車行駛和鄰車切入三個場在昌平區(qū)水南路進行。

實車實驗數(shù)據(jù)分析結(jié)果

上圖說明絕大多數(shù)駕駛員都能控制在一個穩(wěn)定值，實際上駕駛員的操作與理論值都有一些偏差，風(fēng)險的判別就是看偏差的大小，如果超出一定的值危險就會發(fā)生。

按照19個作用量的大小來進行排序，發(fā)現(xiàn)另外一個現(xiàn)象，即為了分析駕駛?cè)笋{駛過程中的實際作用量S和理論的最小作用量S’之間的關(guān)系，我們計算S的均值和方差發(fā)現(xiàn)，S的均值越大，方差越大。當駕駛過程滿足作用量為最小值S’時，方差為0。可以看到，因此，如果評價一個駕駛員的駕駛水平和駕駛技能，優(yōu)秀的駕駛員可以用實際駕駛作用量與理論值的接近程度來衡量。

進一步的驗證，可用KW驗證方法，對六種行為過程的S與S’進行對比分析，結(jié)果顯示所有過程中的P- valuel都遠大于0.05，說明駕駛?cè)嗽谶@六種行為過程中的實際作用量S與理論的最小作用量S’之間沒有顯著性差異。

在這個基礎(chǔ)上用安全性和高效性的聯(lián)合評價指標——Dse來判斷行車的危險，實際作用量S和理論最小作用量S’之間的差異程度是影響寫過程中安全性和高效性的關(guān)鍵因素。為了分析兩者間的關(guān)系，定義Dse為行驗過程中安全和高效的聯(lián)合評價指標，并用歸一化形式描述。

實車實驗數(shù)據(jù)分析結(jié)果（跟車與切入場的加減速過程）

切入過程中的Dse高于跟車過程，制動過程中的Dse高于加速過程,且切入場中的制動過程Dse值最高(圖d)，說明切入場景的相較跟車場更復(fù)雜也更危險，制動過程相較加速過程更易出現(xiàn)行車風(fēng)險。

通過實車實驗數(shù)據(jù)證明：駕駛?cè)说臎Q策機制遵循最小作用量原理。因此在這樣的理論之下，就可以把人類的決策行為用于智能車的決策當中。

基于最小作用量原理的決策方法

在感知的基礎(chǔ)上基于場論進行風(fēng)險評估，在評估風(fēng)險的基礎(chǔ)上，基于最小作用量原理來實現(xiàn)模擬人的智能決策。

風(fēng)險評估方法既可以用于綜合性的風(fēng)險評、也可以用于路徑的規(guī)劃，而最小作用量可以用于復(fù)雜場景下的協(xié)同決策。

未來成果應(yīng)用

應(yīng)用框架

自動駕駛系統(tǒng)

交通風(fēng)險監(jiān)控系統(tǒng)

交通設(shè)施設(shè)計評估

智慧城市——智慧交通