车辆智能安全技术的应用

智能驾驶车辆可能不会消除所有的碰撞，例如，恶劣的天气和复杂的驾驶环境对智能驾驶车辆以及人类驾驶员提出了挑战。在某些情况下，智能驾驶车辆可能比驾驶员更差。智能车辆也可能造成新的严重碰撞风险，例如，网络攻击可能导致崩溃。智能驾驶车辆的开发者和第三方测试人员需要开发出展示安全性和可靠性的创新方法。

要确保智能驾驶车辆的安全，需要掌握一些跨学科的知识，包括，硬件容错，机器学习，人车交互，人车协作等知识[1]。

对于完全智能驾驶汽车来说，必须有一定的安全认证策略。这一策略必须解决安全工程，硬件可靠性，软件验证，机器人，安全性，测试，人机交互，社会认可以及可行的法律框架等跨学科的问题。在这些领域中的每一个领域都将存在微妙的折衷，并且可能在区域之间有显著的交叉耦合权衡。

所以本文提出一些智能安全技术在汽车方面的应用。

1 基于智能编码器和随机森林算法的车辆安全应用预测[2]

使用机器学习算法预测复杂交通场景的表示方法，这种表示对于所有车辆的安全应用是重要的，特别是在复杂的交通情况下执行动态操纵时。作为第一步，使用分层情况分类器来区分不同类型的交通情景。该分类器负责识别道路基础设施的类型以及驾驶环境中与安全相关的交通参与者。每一类代表相似的交通情景，一组随机森林（RFs）被单独训练来预测描述交通参与者未来行为的概率表示。这种表示被称为预测占用网格（POG）。RFs的输入是增强占用网格（AOG）。为了提高RFs的学习准确性并执行更好的预测，使用多层减噪智能编码器（SDA）将AOG简化为低维特征。所提出的由SDA和RF组成的机器学习方法的优异性能在模拟和实际车辆的实验中得到证明。还介绍了应用POG来估计交通场景的危急程度并确定安全轨迹。

分层情况分类器用于基于道路几何和安全相关的交通参与者对不同的交通情景进行分类，并且针对分类器的每个类别单独训练一组随机森林以预测交通情景。图像失真模型和一组预定义的规则被用作分类器中的决策过程。在SUMO-MATLAB环境中进行仿真以验证分类器，结果是有希望的。使用多层降噪智能编码器的无监督降维在增强POG上执行。低维特征能够提高随机森林的学习和预测精度。它们也有助于大大缩短培训随机森林所需的时间。使用900个测试场景的仿真结果和使用实际车辆的实验证明，所提出的机器学习方法能够预测占用网格的可靠估计。还介绍了预测占用网格在安全危急情况下为EGO车辆规划安全轨迹的应用。未来的工作将重点放在使用卷积智能编码器降维以及展示预测占用网格用于车辆安全的应用。

2 集合经验模式分解在车辆安全当中的应用[3]

时间历程信号的比较需要用于不同的目的，特别是对于车辆安全性的模型验证。现有的大多数指标只关注数学的价值。因此它们受测量误差，扰动和不确定性的影响，难以达到稳定的结果，且物理解释清晰。作者ZUOLONGWEI提出了一种新的时间历程信号比较方案，用于车辆安全分析。更详细的原理是每个信号通过集合经验模态分解法被分解成趋势信号和几个固有模式函数（IMF）。趋势信号反映了一般的变化，不受高频干扰的影响。借助动态时间扭曲，计算趋势信号的时间历程和误差。将高频信息的IMF在频率，大小和局部特征方面进行比较。为了说明提出的方案的全面性和有效性，作者提供了三个车辆事故案例。

在测试中，加速度计位于车身和假人的相关位置，如制动钳，左后座和假人头部。这些加速度记录为碰撞响应，将用于车辆安全分析。碰撞响应的另一个来源是有限元或多体软件中的CAE仿真。在本节中，来自CAE软件的崩溃响应将会作为模型验证目的的常见案例，与全车碰撞事故进行对比。为简单起见，本节中的所有信号均以10kHz进行采样并过滤。

结果表明，该方案的优点如下：

（1）趋势信号不受高频干扰的影响。趋势信号的比较将提供一个鲁棒的结果来描述测试和参考信号之间的整体差异。

（2）在趋势信号比较中，有助于找到参考节点和测试信号之间的对应关系，具有明确的物理意义。

（3）每一对IMF都包含特定频率间隔的局部信息。所以检查的是局部信息。一个大错误总是指局部特征如峰值和局部振动的丢失。

（4）所提出的方案的另一个优点是它涉及更多的特征进行比较。这使得提供综合结果成为可能，每个特征的测量具有明确的物理意义。

3 利用计算机视觉系统进行车辆—自行车相互作用的安全诊断[4]

骑自行车的人通常会面临较高的碰撞风险，因此，需要有效的技术来评估骑自行车人的安全。本节使用两种交通冲突的安全分析技术。

第一个技术是，是对一个主要交叉路口的安全诊断，其中包括自行车和行人安全问题。基于计算机视觉技术的视频，从视频素材中提取和分析数据。交通冲突指标（如碰撞时间）用于评估沿路口的冲突频率严重程度，以便根据冲突的频率和严重程度确定安全问题。分析了不同的空间和时间不一致行为模式。评价结果显示布拉德桥的出入口是交叉口冲突的主要来源。

第二个技术涵盖了在同一交叉路口的骑行者屈服行为的详细分析。通过分析不同顺序的两个自行车道路口中的车辆和自行车的屈服率来评估骑行者的屈服行为。根据交通规则，也可以通过观察十字路口与正式交通规则的对比来研究交通规则。结果表明，自行车的屈从率可能会因交叉路口的配置和合法的行车路线而发生显着的变化。

自行车的低屈从率以及相对较低的车辆屈从率会带来一个安全问题：理解骑车者的行为可以使工程师设计和建造符合道路使用者期望的更安全的交叉路口，并开发更切合实际的交通行为，安全和运营模式。在评估车辆与自行车之间的相互作用是如何发生的时候，理解自行车产出率和十字路口行为是非常重要的。

4 智能驾驶车辆安全的具体问题：贝叶斯深度学习的优势[5]

本文研究了三项智能驾驶车辆（AV）研究领域的研究主题：安全性，解释性和合规性。通过量化部件的输出，可以提高安全性。解释性，关注于解释AV所观察到的以及为什么它做出决定，从而与乘客建立安全感，因为一个AV应该能够向乘客解释它所观察到的以及为什么它做出了决定，而不是期望乘客信任一个黑匣子。合规性是指保持对乘客的一些控制。通过告诉乘客AV正在做什么以及为什么，帮助乘客信任AV技术，克服对未知的合理恐惧。我们提出了贝叶斯深度学习，它将高度灵活的深度学习架构的优点与贝叶斯方法相结合，帮助工程师了解模型以验证安全标准，如果出现问题，通过审查和解释决定来追究保险责任和法律责任。

AV只能接受安全和合法的乘客请求，因此在碰撞事故中保护乘客免于责任。制造商（或者也许是软件提供商）需要平衡运营框架的灵活性与自身对责任风险的容忍度。这个主题表明了重要的新研究方向。由于社会已经认识到车辆到车辆（V2V）和车辆到基础设施（V2I）通信协议将是有用的，所以也许类似的“车辆到用户”（V2U）协议也是可能的。我们相信，相关的想法可能来自转移学习或数据高效的强化学习，以尽量减少与乘客的交互。解决这个未被发掘的主题所带来的问题有可能改变我们目前对于视听的看法。

5 统计模型——智能驾驶车辆安全验证的检查[6]

本节提出统计模型，验证智能车辆控制器。目标是检查各种交通情况下的安全属性。更具体地说，专注于堵车情况。控制器由C++程序指定。使用传感器记录附近车辆的位置和速度，并修改受控车辆的位置和速度以避免碰撞。使用随机高层Petri网对环境进行建模，可以描述其他车辆的随机行为。使用线性时间逻辑的量化HASL（一种线性时序逻辑）来表示所需的属性。可以在HASL中指定大量的性能指标。使用COS-MOS来评估这个模型的特性。具有两个性能指标：预期行驶距离和碰撞概率。在各种情况下使用模拟，用置信区间来估计这些指数。有两个简单的控制器：一个为基本的控制器，在不改变车道的情况下调整车辆的速度，另一个稍微改进的控制器根据情况改变车道。控制器的容量一点点的增加可以使车辆的安全性能大幅度提高。

结果表明，Petri网具有以下优点：能够管理用户定义的数据结构和代码，量化不同事件发生的频率以及其他车辆行为的不可预测性。

6 基于GPS-INS集成的碰撞车辆检测系统[7]

主要目标是提供检测车祸位置的方法，这些模型考虑了基于GPS/INS的导航算法，导航传感器的校准技术，以及车辆事故发生时的去噪方法，和环境传感器的测量数据，来表示车祸位置。此外，基于位置的事故检测模型在不同的情况下进行测试。

考虑四种主要算法：

1）加速度计和陀螺仪的系统误差的校准

2）用去噪技术消除所述传感器中部分随机误差

3）GPS和INS的集成全面覆盖导航系统

4）基于移动车辆的动态检测事故

将四种主要算法结合到一个全球事故检测系统中，即使在恶劣的城市环境中也能提供稳定和准确的车祸定位。使用Powell的Dog Leg算法来补偿低成本惯性的系统误差；用GPS和INS组合使用EKF来增强导航解决方案；并利用惯性传感器来估计车辆的受力情况。

结果表明，在没有GPS信号的恶劣环境下，可以检测到事故的位置。同样的结果证实，传感器的校准在位置校正算法中具有重要的作用。

7 智能车辆道路信息可靠性的学习[8]

道路估计是车辆安全重要的任务之一。本节提出了一个新的概念，定义，测量，学习和集成可靠性的道路估计任务。引入了一个新的误差度量。基于不同情况的传感器和背景信息的大型数据库，训练贝叶斯网络和随机森林来学习可靠性。

为了估计车道信息的可靠性，我们首先介绍一下我们的传感器设置和整体框架。除了GPS接收器外，我们的车还配备了三个传感器：单摄像机、激光雷达和雷达传感器。为了在地图上定位，我们采用一种简单的最近邻方法，直接使用GPS定位并将其与最近的道路位置相匹配。只使用标准的导航地图，而不是高精度的地图，适用于所有系统。该地图仅提供道路路线和道路属性，如道路类型（公路、农村、城市）、车道类型（正常、分叉或合并）等。为了减少计算时间，我们为每个传感器输入被简化。可以得到四个假设：LH，RH，CH和VH，

左侧车道标识：左侧假设（LH）右侧车道标识：右侧假设（RH）车道中心假设（CH）

主导车辆的轨迹：车辆假设（VH）

使用可靠性估计，可以获得超过90%的准确性，公路，农村，出口和匝道的情况下，约85%的城市情景。基于可靠度的车道选择可以通过忽略不可靠的假设来提高系统的可用率，提高车辆的安全性。

8 车辆防盗系统和安全控制系统[9]

设计了汽车系统的智能安全控制系统，有两个与控制器区域网络相连的电子控制单元（ECU）。一种ECU具有汽车点火系统的生物指纹安全系统。另一种ECU基于模糊逻辑算法的智能模式雨刷动作和汽车前照灯调整，消除炫光效果。

汽车点火系统具有生物安全性。它需要指纹模块和GSM模块。当指纹模块与数据库模板匹配时，车辆认证访问。如果指纹不匹配，GSM模块将消息发送给车主，消息也将显示在液晶显示器上。继电器用于点火系统的切换。它有5V电源。当指纹模板匹配时，继电器将激活汽车点火系统。其他ECU主板包括智能模式雨刷和汽车头灯系统。雨刮式传感器用于雨强探测。根据探测结果，调整雨刮器的运动。其他传感器BH1750检测亮度。根据夜间的亮度调整头灯系统。

在实施该系统后得出以下好处：

（1）与传统方法相比，布线复杂度降低了

（2）由于手动切换头灯和雨刷系统的干扰消除，这可以通过下雨滴和光传感器来实现

（3）夜间驾驶员的眩光效应有所下降

（4）由于生物特征安全特性，滥用车辆或盗窃车辆的机会减少了

（5）系统是紧凑的。采用智能安全控制，行车足够安全。

未来展望

未来的研究重点可以放在汽车驾驶体验方面，现实世界的驾驶体验也可能是提高智能驾驶汽车安全以及道路安全的最重要工具之一。智能车辆开发者利用个别车辆的驾驶体验来提高智能车辆安全的技术水平。控制智能车辆感知，决策和执行的机器学习算法在很大程度上依赖于驾驶经验的改进。因此，无人驾驶车辆行驶越多（更多样化）的行驶里程越有可能改善智能车辆安全性能。

然而，智能驾驶汽车从现实世界的驾驶体验中学习出现了自己的问题：在现实环境中进行学习意味着早期使用者或其他道路使用者的风险。这类似于让青少年司机上路的风险：他们可能不是很好的驾驶员，但他们需要驾驶经验才能成为好驾驶员。然而，在积累驾驶经验之前，会给自己和他人带来了风险。所以制定了一些政策来限制没有经验的年轻驾驶员的风险，例如最低驾驶年龄和对学员许可的限制。这些政策试图平衡长期改善的目标和近期经验的需要。

[1]Philip Koopman.Autonomous Vehicle Safety：An Interdisciplinary Challenge[J].IEEE Intelligent Transportation Systems Magazine,2017,9(1)：90-96

[2]Parthasarathy Nadarajan.Predicted-Occupancy Grids for Vehicle Safety Applicationsbased on Autoencodersand the Random Forest Algorithm[C].International Joint Conference on Neural Networks,2017：1244-1251

[3]KJELL GUNNAR ROBBERSMYR.An EEMD Aided Comparison of Time Histories and Its Application in Vehicle Safety[J].IEEEAccess(Volume：5)519-528

[4]Federico Martin Puscar.SAFETY DIAGNOSISOF VEHICLE--BICYCLE INTERACTIONS USING COMPUTER VISION SYSTEMS：A CASE STUDY IN VANCOUVER,B.C.[D].THE UNIVERSITY OF BRITISH COLUMBIA，April 2017

[5]Rowan McAllister.Concrete Problemsfor Autonomous Vehicle Safety：Advantages of Bayesian Deep Learning[C].Proceedings of the Twenty-Sixth International Joint Conference on Artificial Intelligence(IJCAI-17)

[6]Yann Duplouy.Statistical Model-Checking for Autonomous Vehicle Safety Validation[OL].https：//hal.archives-ouvertes.fr/hal-0149106 Submitted on 16 Mar 2017

[7]Neda Navidi.Collision Vehicle Detection System Based on GPS/INSIntegration[J].Journal of Computer and Communications,2017,5,48-70

[8]Tran Tuan Nguyen.Learning of Lane Information Reliability for Intelligent Vehicles[J].2016 IEEEInternational Conference on Multisensor Fusion and Integration for Intelligent Systems(MFI 2016)Kongresshaus Baden-Baden,Germany,Sep.19-21,2016

[9]Nilesh Gaikwad.Intelligent Safety Control for Automotive Systems[C].2016 International Conference on Automatic Control and Dynamic Optimization Techniques(ICACDOT)