智能汽车的切换型人机共驾研究进展与展望

张玲玉，王 力，张立立，张 骁，孙德辉

(1. 北方工业大学 电气与控制工程学院，北京 100144； 2. 北京石油化工学院 信息工程学院，北京 102617；3. 河北政法职业学院，河北 石家庄 050000)

0 引 言

汽车虽然在提高人们生活水平等方面做出了巨大贡献，但同时也带来了出行安全、环境污染、能源消耗、交通拥堵等日益严重的社会问题[1]。汽车智能化和网联化的快速发展，为解决上述社会问题提供了新思路、新方法[2]。因此，欧盟、美国和日本等陆续发布相应的发展规划、研究计划、政策法规等来加快推进智能汽车行业的发展[3]。我国也已经从国家层面对智能汽车的发展进行了部署，《智能汽车创新发展战略》[4]、“十四五”发展规划[5]等为智能汽车及自动驾驶产业的发展理清方向、找准路径。根据我国工信部对智能汽车的定义可知，它的研究领域不仅包括车辆工程学科，还涉及到信息、计算机、交通运输工程、法学和社会学等学科[6]。

关于汽车的智能化、自动化等级，美国汽车工程师协会(society of automotive engineers，SAE)发布了自动驾驶等级划分标准[7]，如表1。智能汽车的L2～L3等级需要驾驶人和自动驾驶系统协同合作完成驾驶任务，由此便引出了人机共驾的概念。尽管智能汽车的自动驾驶控制技术已经取得了突破性进展，然而，由于单车智能系统有其感知和决策局限性，导致智能汽车频频发生事故[8]，智能汽车在实现完全自动驾驶前还需要经历较长时间的人机共驾阶段。近年来世界各国开始陆续推出支撑自动驾驶的道路设施和协同信息的划分标准，将单车智能化逐渐推向车辆与道路环境的信息融合[9-10]。因此，充分发挥驾驶人、自动驾驶系统、路侧终端各自的优势，实现“人-车-路”在感知与决策层的混合增强，可促进智能汽车的自动驾驶技术的发展。

表1 SAE自动驾驶等级划分标准

笔者首先介绍了人机共驾的概念，并总结了单车智能化人机共驾汽车在感知与决策层面存在的问题；其次，梳理了车路协同环境下智能汽车自动驾驶技术的研究进展；最后，根据交通要素的参与程度将人机共驾的发展划分为3个阶段，同时对当前人机共驾研究中存在的问题提出了初步的解决思路。

1 人机共驾的概念

2020年，我国工信部公示了《汽车驾驶自动化分级》[11]国家标准。总体上，该标准与国际SAE标准对自动驾驶的等级划分比较相似，均将自动驾驶划分为6个等级，在等级命名和定义描述上有略微不同，《汽车驾驶自动化分级》如表2。

由表1和表2可知，当自动驾驶汽车处于L2～L3(2～3)级别时，车辆由自动驾驶系统控制，而动态驾驶任务需要驾驶员及时响应并接管，自动驾驶系统和驾驶员相互合作协同控制车辆，由此便引出了人机共驾的概念。

表2 汽车驾驶自动化分级

2012年，F.FLEMISCH等[12]对人机系统协同控制的方式进行了阐述与定义，智能汽车的人机共驾方式也适用此定义，分为切换型人机共驾和共享型人机共驾两种控制方式。切换型人机共驾：车辆行驶过程中，其控制权要么交由驾驶人，要么交由自动驾驶系统。共享型人机共驾：驾驶人和自动驾驶系统同时拥有车辆的控制权，控制权会随着车辆智能化程度、道路环境等改变而不断重新分配。

2017年，李克强等[13]认为人机共驾指驾驶人和自动驾驶系统共同享有车辆控制权，二者合作协同完成驾驶任务。广义的人机共驾包含感知层、决策层和控制层3个层次，狭义的人机共驾主要指控制层的控制互补，按照系统功能，可以分为共享型控制和包络型控制。

2018年，吴超仲等[14]定义人机共驾为驾驶人和自动驾驶系统合作完成动态驾驶任务的自动驾驶过渡阶段，当自动驾驶处于L2与L3级时，尽管车辆具备自动驾驶能力，但是当发生自动驾驶系统无法应对情况下，驾驶人就应该及时响应并接管车辆。

2019年，刘瑞等[15]认为广义的人机共驾指所有驾驶人和自动驾驶系统共同驾驶车辆的系统，并且人机共驾主要可以被分为单驾双控、双驾单控和双驾双控3种控制模式，也论述了双驾双控是一种能够在驾驶人和自动驾驶系统间慢慢过渡的切换方式，优于另外两种控制模式。

虽然智能汽车自动驾驶领域内的专家学者普遍认为，在实现真正的无人驾驶前将长期处于人机共驾阶段，但是目前智能汽车人机共驾的定义以及人机共驾到底以何种形式存在尚未统一。

目前，智能汽车的人机共驾控制主要分为切换型人机共驾和共享型人机共驾两种方式。传统智能汽车一般都采用切换型人机共驾控制方式，车辆的控制权会随着道路环境的改变在驾驶人和自动驾驶系统间适度切换。因为当自动驾驶系统接管并控制车辆时，驾驶人往往会从事其他事情，不在控制回路内，所以切换型人机共驾在设计控制算法时，只需考虑自动驾驶系统的控制目标与客观环境约束条件。与传统智能汽车的切换型人机共驾控制方式相比，共享型人机共驾控制方式还是有所不同的，它能够随着车辆行驶道路环境的改变，动态调整驾驶人和自动驾驶系统之间的控制权重，两者同时在环，均是控制实体，共同制约车辆状态转移。因此，共享型人机共驾的控制算法设计更加复杂。笔者主要介绍切换型人机共驾控制国内外研究现状。

智能汽车的人机共驾控制与传统的汽车驾驶过程相同，主要包括驾驶员和自动驾驶系统在感知层、决策层和执行层的合作协同，如图1。

图1 智能汽车的人机共驾控制

2 人机共驾的研究现状

切换型人机共驾控制的关键是由人工驾驶到自动驾驶，或者由自动驾驶到人工驾驶的切换，然而想要实现这两种驾驶模式的最优决策，必须解决切换时机、切换平稳性和切换方式这3个问题。从系统角度上讲，需要尽可能的检测驾驶员和车辆的状态，感知行驶道路以及周围环境信息，并基于“人-车-环境”多源信息的融合，制定更智能的切换策略。笔者主要对单车智能化人机共驾车辆的环境感知和驾驶模式决策方法进行了总结。

2.1 单车智能化的人机共驾

2.1.1 人机共驾智能汽车的环境感知

感知层是智能汽车实现智能化的基础，也是决策与执行层的前提，全面精确的环境感知是车辆行驶安全性的基本保障。当前，人机共驾控制的感知层主要是驾驶人和自动驾驶系统之间的信息交换和感知增强，包括驾驶人通过语音和肢体动作等向自动驾驶系统发送信息，也包括自动驾驶系统利用视觉、激光雷达、毫米波雷达和超声波雷达等车载传感器向驾驶人提供各种环境信息，以扩展驾驶人的环境感知范围。

视觉传感器具有成本低、检测范围广以及采集数据丰富等优点。随着图像处理、计算机视觉、深度学习等技术的快速发展，基于视觉的智能汽车环境感知受到了国内外专家学者的关注，且取得了一定的研究成果。视觉传感器技术主要能够实现道路检测[16-18]、车道线检测[19-20]、障碍物检测[21-22]、目标定位与跟踪[23-24]、交通场景语义分割[25-27]等功能，以保障智能汽车可以在比较复杂的道路环境中平稳行驶。基于视觉的环境感知容易受到光线、天气等环境因素的影响，而且无法获取车辆行驶环境的三维信息，所以激光雷达受到智能汽车自动驾驶领域的青睐。搭载激光雷达的智能汽车可以实现道路边界的检测[28-29]、道路内障碍物的检测与跟踪[30-31]、自主定位[32-33]等功能。但是激光雷达也存在着造价昂贵、数据处理速度慢等缺点，这导致激光雷达无法在自动驾驶领域得到广泛应用。二十世纪六、七十年代，西方各国陆续开始研发并应用车载毫米波雷达，通过不断创新来提高毫米波雷达在复杂交通环境感知方面的各项性能。R.FEGER等[34]提出了基于毫米波雷达的道路环境目标识别与障碍物检测方法；Y.KOBAYASHI等[35]通过采用合成孔径雷达技术、构造补偿因子等方法提高毫米波雷达方位分辨率和成像质量；M.STOLZ等[36]提出一种新的毫米波雷达数据聚类方法；Y.SON等[37]提出一种复杂交通环境下删减虚假目标的方法；F.UYSAL等[38]提出一种基于毫米波雷达的单一目标定位与跟踪算法。

智能汽车常用传感器的优缺点对比如表3。由表3可知，目前智能汽车搭载的传感器各有优缺点。随着行驶场景复杂程度以及感知任务的增加，依赖单一传感器难以达到期望的检测目标以及实现智能汽车的安全、平稳、自动行驶。因此，结合视觉、激光雷达、毫米波雷达和超声波雷达等多种传感器的优势，形成经济且高效的感知融合方案也是智能汽车在环境感知方面的研究重点。目前智能汽车传感器融合方式主要有两种，它们分别是激光雷达与视觉[39-40]、毫米波雷达与视觉[41-42]。在自动驾驶中，数据层[43]、特征层[44-45]、目标层[46]这3个不同层级的融合随着传感器性能的提升也慢慢向基于神经网络的深度学习方法发展。通过多种车辆传感器的融合，能够有效解决在复杂行驶环境中单一传感器感知范围受限而导致的检测错误或漏检等问题。

表3 智能汽车常用传感器优缺点对比

尽管现阶段智能汽车的环境感知能力得到很大提升，然而单车智能化的自动驾驶汽车因感知问题造成的交通事故仍频频发生，如2016年的特斯拉追尾致人死亡事件以及2018年的Uber撞伤行人致死事件等[47]。单车智能化的自动驾驶汽车因其感知局限性(仅依赖驾驶人视觉和车载传感器)难以处理存在盲区、障碍物遮挡和易受天气影响以及远距离无法感知等问题，极易导致交通事故的发生。

2.1.2 人机共驾智能汽车的驾驶模式决策

人机共驾控制的决策层主要是驾驶人和自动驾驶系统关于驾驶行为决策的交互引导。切换型人机共驾的控制目标是实现车辆驾驶模式的最优决策，因此驾驶人和自动驾驶系统之间存在博弈和冲突。

驾驶人状态和车辆行驶状态是决定车辆控制权切换与否的重要影响因素。C.BLASCHKE等[48]认为人机共驾车辆的控制权切换可以考虑驾驶人状态且将其分心程度量化，从而实现一种柔性切换，在此基础上建立了一种车辆横向驾驶控制权切换模型；SHENG Weihua等[49]提出了一种由疲劳检测触发的智能汽车人工驾驶与自动驾驶两种模式自动切换的框架模型，测试结果表明该框架模型十分有效；L.R.P.GOMEZ等[50]提出一种能帮助智能汽车安全平稳地从人工驾驶切换到自动驾驶的方法，当需要进行切换时，车辆要在预定的地点停车，只有在确保车辆各性能指标正常且经由URL(Uniform Resource Locator)得到自动驾驶指令后，才能切换到自动驾驶模式；D.DOLGOV等[51]设计了一种车辆控制权由自动驾驶系统转移到驾驶人的自适应方法和系统，该系统可以依据自动驾驶模式的有关参数来确定车辆的状态，并基于此确定切换控制相对应的指令。

智能汽车驾驶模式的决策也与道路环境危险程度有关。F.O.FLEMISCH等[52]将“人骑马”的原理引入到智能汽车人机共驾控制，研究了车辆控制权随道路环境改变的分配方法；Y.KOO等[53]、S.NOH等[54]将智能汽车的自动驾驶分为人工驾驶、辅助驾驶和无人驾驶三类，提出一种基于车辆行驶道路环境危险程度评估的控制权切换机制；J.URHAHNE[55]提出一种新的适用于行驶在高速公路上智能汽车的人工驾驶与自动驾驶模式切换策略，该策略根据周围交通流的车道变化发出软硬警告，对警告的生成和发出时间进行建模，保证驾驶人可以更安全平稳地接管车辆；TANG Fengmin等[56]为了提高从人工驾驶到自动驾驶切换逻辑的准确性和适应性，设计了一种新的指标来衡量驾驶员的纠正能力，并将其与驾驶风险指标进一步集成，以构建一个二维空间全面评估驾驶能力。

更多的研究则是综合考虑人、车、环境的信息，以实现最优的驾驶模式决策。J.NILSSON等[57-58]提出了一种在车辆自动驾驶功能失效条件下评估从自动驾驶模式切换到人工驾驶模式安全性的方法。研究发现，驾驶人对车辆自动驾驶功能失效的应对反应也有所差异，因此其所提出的评估车辆模式切换安全性的方法可以适应此差异性。人工驾驶时，将驾驶人操控能力描述为车辆状态空间的子集，在自动驾驶功能失效情况下，如果车辆状态在该子集中，则认为驾驶人有能力接管车辆。M.WALCH等[59]认为，设计全新的人机交互方式以避免车辆在自动驾驶系统需要驾驶人时的频繁完全切换，是一种更合理的人机共驾方式。当智能汽车的自动驾驶功能失效时，M.WALCH等[59]所设计的人机交互界面上不仅有驾驶人接管车辆这一种选择方案，驾驶人也可以通过评估车辆状态和道路行驶环境等协助车辆的自动驾驶系统做出决策，如果驾驶人没有任何动作，那么车辆会立刻停车，不再向前行驶。严利鑫等[60]综合考虑驾驶行为和道路行驶环境这两种人机共驾模式决策的影响因素，提出了一种智能汽车人机共驾的模式决策方法。严利鑫等[61]为进一步研究人机共驾模式决策的影响因素，通过实车试验采集了“人-车-环境”状态数据，结合驾驶人自述和生理信息数据分析结果来标定车辆驾驶模式，研究结果表明，车辆速度、车头时距、车道中心距离、前轮转角标准差、驾驶人主观经验这5项指标可以作为智能汽车人机共驾模式决策的依据。刘瑞等[15]通过建立驾驶人和自动驾驶系统协同控制车辆的驾驶模型，设计非合作模型预测控制人机共驾模式决策策略，实现车辆控制权的柔性切换，保证驾驶人始终在环，提高智能汽车人机共驾控制的安全性。何仁等[62]根据驾驶人可以实时对车辆行驶环境风险做出反应这一特征，提出了一种智能汽车人机共驾模式决策方法，该方法能自动调整驾驶人在危险行驶道路环境中的驾驶操作，从而提高智能汽车的行驶安全性。

目前，关于人机共驾驾驶模式决策方法的研究大多侧重于单车智能化的人机协同控制，可是单车智能人机共驾系统因其感知局限性，驾驶模式的决策只能参考驾驶人状态、车辆状态和道路环境危险评估等自身不全面的影响因素，没有考虑到其他车辆以及宏观交通流变化等因素，因此驾驶模式决策结果局部最优，此时不能保证车辆行驶的安全性。此外，现有研究忽略了驾驶人与自动驾驶系统均不适合接管车辆的情况。

2.2 车路协同环境下的自动驾驶

为解决单车智能自动驾驶汽车环境感知范围受限、决策结果局部最优等问题，亟需将研究重点转移至能做到超视距感知、具备协同决策能力的车路协同，以获得比单车智能感知更多的信息，增强车与车、车与路之间的系统性决策，将自动驾驶车辆由孤军作战转换为团队协作，实现更安全的驾驶。

关于车路协同系统的接受度和驾驶行为适应性， H.FARAH等[63]通过调查问卷的形式对其进行了研究，结果表明驾驶人是接受车路协同系统的，然后通过分析车辆行驶速度、加速度、换道频次等发现，与没有车路协同系统相比，车路协同环境下车辆平均行驶速度明显降低，这对驾驶安全有积极作用；H.FARAH等[64]进一步利用驾驶模拟器进行车路协同试验，与没有车路协同系统相比，车路协同环境下驾驶人的心跳频率和眨眼次数等生理数据表明，驾驶人在车辆行驶过程中紧张程度有所降低；陈昊[65]主要从驾驶人注意力、驾驶行为和操作负荷这3个方面研究了车联网系统的适应性，结果表明，车联网信息不仅能够提高驾驶人的驾驶绩效，还能降低其操作负荷；常鑫等[66]对驾驶模拟器进行试验，分析了车路协同环境下车辆行驶速度、加速度、跟车距离、超速驾驶人比例等驾驶行为，实验结果表明，车路协同系统对驾驶人和车辆行驶能够产生积极作用；赵晓华等[67]针对高速公路的13种不同场景，从主观和客观两个方面对车路协同环境下驾驶人状态的适应性进行评估，结果表明，车路协同系统可以对驾驶人行为产生积极影响，能够提高车辆行驶的安全性；毛伟[68]从驾驶人心理因素、驾驶行为、车辆状态3个方面选取评价指标设计车路协同适应性测试实验，从而确定了车路协同系统接受度的影响因素，分析了车路协同环境下驾驶人行为的适应性特征。

关于车路协同系统提高车辆行驶安全性和高效性，WANG Weifeng等[69]在车路协同环境下，提出并实现了车辆与路侧设备之间的信息交互和目标融合，以扩大时空风险识别和碰撞预警的应用范围，提高自动驾驶系统在复杂环境中的适应性。车辆控制权的切换需要一些时间，假如多辆车在相同时间或者区域执行控制权切换，可能会导致交通中段和安全风险增加，因此B.COLL-PERALES等[70]利用车路协同技术来协助自动驾驶系统执行驾驶权切换，并且建议控制权切换的空间分布。CHEN Lei 等[71]、荆彬彬等[72]、鹿应荣等[73]基于车路协同技术，实现城市道路交叉口的智能决策，使车辆安全、快速、高效地通过道路交叉口，提高车辆通行效率；HUANG Zichao等[74]、 S.W.KIM等[75]、安树科等[76]研究了车路协同环境下路侧感知系统可以为自动驾驶车辆提供数据信息并发送控制指令，协助车辆实现跟驰、换道、轨迹规划、路径引导等自动驾驶任务；N.J.GOODALL[77]、刘玢滟[78]、李璇[79]基于车路协同环境下车辆能够感知更全面信息等优势，构建面向普通城市道路、弯曲道路、高速公路等不同交通场景的避障控制方法。

当前，车路协同环境下自动驾驶的研究仅限于车联网信息对驾驶人生理、心理、操作负荷等驾驶绩效的适应性影响分析，以及如何利用车路协同技术获取更全面的交通环境信息，以提高车辆行驶安全性和高效性。关于如何融合驾驶人视觉感知、自动驾驶系统车载感知以及车路协同系统的路侧感知，并基于此制定人机切换控制策略的研究罕见报道。

3 人机共驾的研究展望

由于单车智能化人机共驾存在先天的感知和决策局限性，借鉴以系统性思维打破单点思维局限性的技术更迭思路，基于智能车、智慧路和强大云之间的相互协作配合，形成“人-车-路-云”一体化的自动驾驶系统，实现自动驾驶车辆的人机协同。因此，按照交通要素的参与程度，将智能汽车的人机共驾划分为3个阶段(S1～S3)，如图2。

图2 人机共驾发展阶段划分

S1代表单车智能化的人机共驾。相比于人工驾驶，该阶段智能汽车的自动驾驶系统能够辅助驾驶人完成驾驶任务。

S2代表车路协同环境下人机共驾车辆在感知层面的增强与决策层面的协同合作。该阶段的自动驾驶车辆可以将行驶速度与路径、驾驶意图、车载感知等信息发送到交通云控平台，路侧终端也会把感知到的交通数据信息上传，由驾驶人、自动驾驶系统和交通云控平台共同基于“人-车-路”全局信息做出人机控制权的最优决策。

S3代表车路协同环境下驾驶人、自动驾驶系统与交通云控平台共同为车辆的执行主体，如图3，在S2阶段的基础上，增加远程遥控驾驶、协同驾驶等模式，以满足驾驶人与自动驾驶系统均无法接管车辆的情况下人工远程介入的需求。

图3 “人-车-云”协同驾驶

4 结 论

1)针对现阶段人机共驾研究中智能汽车环境感知范围受限的问题，构建适用于智能汽车人机共驾控制的车路协同环境，建立考虑驾驶人视觉感知、自动驾驶系统车载感知和车路协同系统路侧感知的智能汽车“人-车-路”综合感知模型，实现多约束条件下驾驶主体多维度的状态观测，以避免智能汽车环境信息感知不全面引发的安全风险问题，进而形成具有普遍应用性的智能汽车综合感知理论体系。

2)为解决现有研究中驾驶模式决策局部最优的问题，将交通云控平台也作为决策主体，从精细化道路交通流管理角度出发，根据“人-车-路”综合感知分析得到决策主体与驾驶模式影响因素的耦合关系，通过建立人机共驾控制模型实现车辆驾驶模式的最优决策，以保障车辆运行的稳定性，为人机共驾技术的实际应用提供理论依据。

3)面对自动驾驶系统失效时驾驶人也不适合接管车辆的情况，构建“人-车-路-云”一体化协同决策控制系统。基于智能汽车“人-车-路”综合感知模型实时获取车辆的行驶状态和周边交通环境信息，通过发送指令远程控制车辆，完成启动、加减速、转向等真实驾驶操作，可以满足自动驾驶失效情况下人工远程介入的需求，有利于构建智慧交通体系。