廣告
首頁 > 汽車測試技術(shù) > 正文
自動駕駛從小白到小強47～成熟&穩(wěn)定駕駛員模型
2024-10-13 07:15:24· 來源：智駕小強
1.為什么需要老司機模型
2.老司機模型的關(guān)鍵要素
3.老司機模型的構(gòu)建方法
4.老司機模型標準化現(xiàn)狀及挑戰(zhàn)
1.為什么需要老司機模型
自動駕駛系統(tǒng)ADS能上路的前提是：正常交通場景下，ADS能遵守道路交通規(guī)則；在意外情況下，例如其他交通參與者造成的可能導(dǎo)致事故的非預(yù)期情況（未打轉(zhuǎn)向燈突然別車、對向車道忽然借本車道超車、前車貨物跌落等），自動駕駛系統(tǒng)應(yīng)該像成熟穩(wěn)定的人類駕駛員（老司機）一樣執(zhí)行規(guī)避行動，以實現(xiàn)最小化任何人類（ADS車內(nèi)、車外）傷害。
若想評判ADS的性能，首先要有一個統(tǒng)一的成熟穩(wěn)定的人類駕駛員（老司機）模型作為自動駕駛系統(tǒng)的參考和依據(jù)，這有助于確保自動駕駛系統(tǒng)在驗證過程中符合相關(guān)法規(guī)和安全標準的要求。
老司機模型為車輛仿真開發(fā)、高級駕駛員輔助系統(tǒng)ADAS設(shè)計以及自動駕駛系統(tǒng)ADS開發(fā)等領(lǐng)域提供有力的支持。老司機模型的應(yīng)用可以提高ADS驗證的真實性和準確性、提升ADS的安全性和可靠性、促進自動駕駛技術(shù)的迭代和優(yōu)化、推動政策和法規(guī)的制定。
提高ADS驗證的真實性和準確性
老司機模型能夠高度模擬真實駕駛員的行為和決策過程，包括感知、判斷、決策和反應(yīng)等。這使得自動駕駛系統(tǒng)在驗證過程中能夠面對更加真實和復(fù)雜的駕駛場景，從而提高驗證的真實性和準確性。
傳統(tǒng)的自動駕駛驗證方法可能受到測試駕駛員個人技能、經(jīng)驗和主觀判斷的影響。而老司機模型則基于大量的駕駛數(shù)據(jù)和統(tǒng)計分析，能夠減少人為因素的干擾，使驗證結(jié)果更加客觀和可靠。
提升ADS的安全性和可靠性
老司機模型能夠模擬駕駛員在潛在危險情況下（緊急場景）的反應(yīng)和決策，從而幫助自動駕駛系統(tǒng)提前識別和評估風(fēng)險，并采取相應(yīng)的預(yù)防措施。這有助于提升自動駕駛系統(tǒng)的安全性和可靠性，減少交通事故的發(fā)生。
在復(fù)雜的交通環(huán)境中，自動駕駛系統(tǒng)需要能夠快速而準確地做出決策。老司機模型通過模擬成熟穩(wěn)定駕駛員在類似場景中的行為，為自動駕駛系統(tǒng)提供了豐富的參考案例和應(yīng)對策略，使其能夠更好地應(yīng)對復(fù)雜場景的挑戰(zhàn)。
促進自動駕駛技術(shù)的迭代和優(yōu)化
通過對比ADS與老司機模型在相同場景下的表現(xiàn)，可以發(fā)現(xiàn)ADS在算法、感知、決策等方面的不足和缺陷。這有助于開發(fā)者對自動駕駛系統(tǒng)進行針對性的優(yōu)化和改進，提升系統(tǒng)的整體性能。
老司機模型為自動駕駛技術(shù)的創(chuàng)新提供了重要的參考和借鑒。開發(fā)者可以通過分析老司機模型中的行為模式和決策邏輯，探索新的技術(shù)路徑和解決方案，推動自動駕駛技術(shù)的不斷發(fā)展和進步。
推動政策和法規(guī)的制定
在自動駕駛技術(shù)的商業(yè)化應(yīng)用過程中，需要滿足政府制定的相關(guān)法規(guī)和安全標準。因為缺少判斷的標準和依據(jù)，高階自動駕駛合規(guī)標準遲遲無法推出。老司機模型作為自動駕駛系統(tǒng)的重要參考和依據(jù)，有助于確保自動駕駛系統(tǒng)在驗證過程中符合相關(guān)法規(guī)和安全標準的要求。
通過老司機模型的驗證和應(yīng)用，可以為政府部門制定自動駕駛技術(shù)的相關(guān)政策和標準提供重要的數(shù)據(jù)支持和參考依據(jù)。這有助于推動自動駕駛技術(shù)的規(guī)范化、標準化和商業(yè)化進程。
2.老司機模型的關(guān)鍵要素
老司機模型是一個理論框架或模擬系統(tǒng)，用于描述和模擬經(jīng)驗豐富的駕駛員在駕駛過程中的行為、決策和反應(yīng)。這個模型要關(guān)注路網(wǎng)建模、車輛建模、駕駛員因素等，尤其是要考慮駕駛員的心理狀態(tài)、駕駛習(xí)慣、對交通環(huán)境的感知、判斷以及對潛在危險的預(yù)測和反應(yīng)時間等多個方面。
道路網(wǎng)絡(luò)建模：老司機模型的構(gòu)建需要考慮道路網(wǎng)絡(luò)的拓撲結(jié)構(gòu)和交通流特性。通過構(gòu)建道路網(wǎng)絡(luò)模型，可以模擬車輛在不同道路條件下的行駛情況，從而更準確地預(yù)測駕駛行為。
車輛模型：車輛模型是老司機模型的重要組成部分。它描述了車輛的動力學(xué)特性和運動規(guī)律，對于預(yù)測車輛的行駛軌跡和速度變化具有重要意義。
駕駛員因素：除了車輛和道路因素外，駕駛員的心理和生理狀態(tài)也會對駕駛行為產(chǎn)生重要影響。因此，在構(gòu)建老司機模型時還需要考慮駕駛員因素，如駕駛員的反應(yīng)時間、注意力分配和駕駛習(xí)慣（例如：行為決策、風(fēng)險評估）等。
決策制定：老司機能夠根據(jù)當前的交通狀況、車輛狀態(tài)、道路條件以及潛在的風(fēng)險因素，迅速而準確地做出駕駛決策。這些決策可能涉及速度控制、車道變更、避讓障礙物等。
風(fēng)險評估：駕駛員在駕駛過程中需要不斷評估周圍環(huán)境的潛在風(fēng)險，并據(jù)此調(diào)整駕駛行為。老司機模型能夠模擬這種風(fēng)險評估過程，包括識別潛在危險、評估其嚴重性和緊迫性，并采取相應(yīng)的預(yù)防措施。
注意力分配：成熟的駕駛員能夠靈活地分配注意力，同時關(guān)注多個信息源（如前方道路、后視鏡、儀表盤等），并在必要時迅速轉(zhuǎn)移注意力以應(yīng)對突發(fā)情況。老司機模型需要能夠模擬這種注意力分配機制。
情緒與壓力管理：駕駛過程中可能會遇到各種壓力源（如交通擁堵、緊急情況等），成熟的駕駛員能夠有效地管理自己的情緒和壓力，保持冷靜和專注。老司機模型也會考慮這一點，模擬駕駛員在壓力下的反應(yīng)和應(yīng)對策略。
場景適應(yīng)性：成熟的駕駛員能夠適應(yīng)不同的駕駛環(huán)境和條件，包括不同的天氣、道路類型、交通流等。針對不同的駕駛場景和條件，需要對老司機模型進行適應(yīng)性調(diào)整和優(yōu)化。例如，在復(fù)雜交通環(huán)境下，需要增加對交通信號、行人和其他車輛的感知和響應(yīng)能力；在惡劣天氣條件下，需要提高模型的穩(wěn)定性和魯棒性。
學(xué)習(xí)與記憶：成熟的駕駛員通過長期的駕駛經(jīng)驗積累和學(xué)習(xí)，能夠不斷優(yōu)化自己的駕駛技能和決策過程。老司機模型也應(yīng)該能夠模擬這種學(xué)習(xí)和記憶過程，以便更準確地反映駕駛員的駕駛行為。
數(shù)據(jù)反饋：老司機模型在實際應(yīng)用中會不斷接收到新的數(shù)據(jù)反饋，這些數(shù)據(jù)可以用于對模型進行持續(xù)優(yōu)化和迭代。通過不斷地學(xué)習(xí)和更新模型參數(shù)，可以提高模型的準確性和可靠性。
3.老司機模型的構(gòu)建方法
老司機模型的構(gòu)建是一個復(fù)雜且不斷發(fā)展的領(lǐng)域，它涉及多個學(xué)科和技術(shù)的交叉融合，各個學(xué)科的學(xué)者多年來已經(jīng)有了比較深入的研究。常用的構(gòu)建方法有：基于規(guī)則、基于機器學(xué)習(xí)、混合方法等。
3.1 基于規(guī)則的構(gòu)建方法
在早期的研究中，研究者們主要通過定義各種場景下的駕駛規(guī)則和動作選擇策略來構(gòu)建駕駛模型。這種方法基于專家知識和經(jīng)驗，將駕駛行為分解為一系列可執(zhí)行的規(guī)則。
聯(lián)合國L3級自動駕駛法規(guī)R157-ALKS要求：自動駕駛系統(tǒng)在其運行過程中不能夠帶 來“可避免”的風(fēng)險（事故），并在附錄中就給出了一個基于規(guī)則的老司機緊急制動模型。
該模型以日本熟練且謹慎的老司機能力定義了相關(guān)參數(shù)：包括不同場景下的風(fēng)險出現(xiàn)點（切入場景為切入車輛偏移車道中心線 0.375m，前車制動場景為前車減速度超過5m/s2），風(fēng)險評估時間（0.4s），完成風(fēng)險評估到開始制動的時間（0.75s），從制動開始到達到最大減速度的時間（ 0.6s）及最大減速度值 （0.774g）。
| 因素 | ||
| 風(fēng)險感知點 | 換道（切入、切出） | 換道車輛中心，偏離其行駛車道的中心，超過0.375m |
| 減速 | 前車的減速度，導(dǎo)致老司機覺得，當前跟車距離過近 | |
| 風(fēng)險評估時間 | 0.4s | |
| 從感知結(jié)束到開始減速的時長 | 0.75s | |
| 至完全減速的時間（路面摩擦系數(shù)1.0） | 0.6s達到0.774g的減速度 | |
| 至完全減速的時間（自車和切入車輛完全重合后，道路摩擦系數(shù)1.0） | 0.6s達到0.85g的減速度 | |
然而，基于規(guī)則的老司機模型構(gòu)建方法存在較大的局限性，因為駕駛場景的復(fù)雜性和變異性會導(dǎo)致規(guī)則系統(tǒng)的復(fù)雜度和矛盾性增加，進而會限制駕駛行為的泛化和適應(yīng)性。
3.2 基于機器學(xué)習(xí)的構(gòu)建方法
隨著機器學(xué)習(xí)技術(shù)的發(fā)展，越來越多的研究者開始采用數(shù)據(jù)驅(qū)動的方法來構(gòu)建老司機模型。這種方法通過從大量的訓(xùn)練數(shù)據(jù)中學(xué)習(xí)駕駛模式和行為規(guī)律，以提升模型的泛化能力和適應(yīng)性。
支持向量機SVM（Support Vector Machine）、神經(jīng)網(wǎng)絡(luò)（如深度神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)等）、決策樹等是構(gòu)建駕駛模型時常用的機器學(xué)習(xí)算法。這些算法能夠自動學(xué)習(xí)模型參數(shù)，并通過對輸入數(shù)據(jù)的分析和處理來預(yù)測駕駛行為。
支持向量機SVM是一種基于結(jié)構(gòu)風(fēng)險最小化（Structural Risk Minimization, SRM）原則的二分類模型，它通過構(gòu)建一個最大間隔超平面（maximum margin hyperplane）來分離不同類別的數(shù)據(jù)。在非線性可分情況下，通過引入核函數(shù)（Kernel Function）將低維輸入空間映射到高維特征空間，使得原本不可線性分離的數(shù)據(jù)在高維空間變得線性可分，進而找到最優(yōu)的超平面。
最大間隔：SVM的核心目標是在樣本中找到一個超平
面，使得兩類樣本距離該超平面的距離（稱為間隔margin）
最大化。這樣，不僅將兩類樣本分開，而且使超平面盡可能
遠離訓(xùn)練樣本，增強模型的泛化能力。
支持向量：間隔邊界的樣本（距離超平面最近的那些樣
本）被稱為支持向量，它們對超平面的確定至關(guān)重要。一旦
確定了支持向量，其他樣本對超平面的位置就沒有影響，這
意味著SVM對訓(xùn)練數(shù)據(jù)中的噪聲和異常值具有較好的魯棒性。
與基于規(guī)則的老司機模型構(gòu)建方法相比，基于機器學(xué)習(xí)的方法具有更強的泛化能力和適應(yīng)性，能夠更好地應(yīng)對復(fù)雜的駕駛場景和變化。但也存在數(shù)據(jù)依賴性強、模型可解釋性差、計算資源要求高、過擬合等缺點。
機器學(xué)習(xí)模型高度依賴于訓(xùn)練數(shù)據(jù)的質(zhì)量和數(shù)量。如果訓(xùn)練數(shù)據(jù)存在偏見或不平衡，模型的學(xué)習(xí)結(jié)果也會受到相應(yīng)影響，可能導(dǎo)致模型在實際應(yīng)用中出現(xiàn)不公平的決策或預(yù)測。機器學(xué)習(xí)模型通常包含多個層次和大量節(jié)點，這使得模型的決策過程變得難以理解和解釋。此外機器學(xué)習(xí)模型的訓(xùn)練和推理過程需要消耗大量的計算資源和時間，這會顯著增加模型的開發(fā)和部署成本。
此外，機器學(xué)習(xí)模型容易對訓(xùn)練數(shù)據(jù)產(chǎn)生過擬合現(xiàn)象，即模型在訓(xùn)練數(shù)據(jù)上表現(xiàn)良好，但在新的、未見過的數(shù)據(jù)上表現(xiàn)不佳。這會導(dǎo)致模型的泛化能力下降，無法適應(yīng)實際應(yīng)用的多樣性。
3.3 混合方法
為了充分利用規(guī)則方法和機器學(xué)習(xí)方法的優(yōu)勢，一些研究者提出了混合方法。這種方法將基于規(guī)則的駕駛行為與基于機器學(xué)習(xí)的駕駛行為相結(jié)合，通過規(guī)則來約束和指導(dǎo)機器學(xué)習(xí)模型的決策過程。
混合方法能夠在保持模型穩(wěn)定性的同時，提高模型的泛化能力和適應(yīng)性，從而更好地應(yīng)對復(fù)雜的駕駛場景。
成熟駕駛模型的構(gòu)建方法是一個綜合了規(guī)則方法、機器學(xué)習(xí)方法和混合方法的復(fù)雜過程。通過不斷優(yōu)化和迭代模型參數(shù)和結(jié)構(gòu)，可以提高模型的準確性和適應(yīng)性，從而為實現(xiàn)自動駕駛提供有力支持。
4.老司機模型標準化現(xiàn)狀及挑戰(zhàn)
目前，我國自動駕駛應(yīng)用主要以L1和L2為主，并逐漸向L3、L4級邁進。自動駕駛技術(shù)在乘用車市場的滲透率快速增長，例如，2023年乘用車L2級自動駕駛滲透率達到47.3%，2024年1至5月已突破50%。城市NOA技術(shù)成為熱點，多家車企積極投入，推動該技術(shù)的普及和應(yīng)用。
然而，當前在老司機模型標準化方面我們是相對落后的。當前，成熟駕駛模型標準化工作主要由國際標準化組織（ISO）和一些國家標準化機構(gòu)來制定實施。ISO及歐盟制定了一系列與自動駕駛技術(shù)相關(guān)的成熟駕駛模型標準和法規(guī)，涵蓋了駕駛模型類別、能力要求、適用場景等方面的規(guī)范。
R157-ALKS法規(guī)中提出了緊急制動模型（跟馳模型的一種），用以確定在遇到緊急場景時可以避免碰撞的能力邊界，并以此作為自動駕駛車輛的能力要求。
R79-C型ACSF打燈換道法規(guī)中提出了安全換道模型，要求打燈換道只能在禁止行人和自行車騎行人，且和對向車道有物理隔離的高速或城市快速路上開啟。而且還規(guī)定了換道系統(tǒng)的前后左右側(cè)感知范圍、最小運行速度、危險場景判定方法等。
ISO 15622:2018《智能交通系統(tǒng) 自適應(yīng)巡航控制系統(tǒng) 性能要求和測試程序》標準對跟馳模型的實現(xiàn)和應(yīng)用提出了一些具體要求和指標， 如車速、時距、跟馳要求、橫向加速度等。
ISO 17387《 智能交通系統(tǒng) 車道變更決策輔助系統(tǒng) (LCDAS)性能要求和測試步驟》標準中對換道模型提了一些具體要求，包括性能要求和試驗方法、車輛的探測響應(yīng)能力、不可進行換道的條件、換道時間等方面的內(nèi)容。
R171-DCAS提出了覆蓋城市工況和高速工況的跟馳模型和安全換道模型。
GB/T41798-2022《智能運輸系統(tǒng) 自適應(yīng)巡航控制系統(tǒng)性能要求與檢測方法》中提出了跟馳模型，GB/T37471-2019 《智能運輸系統(tǒng) 換道決策輔助系統(tǒng)性能要求與檢測方法》中提出了換道模型。
自動駕駛汽車的安全性是重中之重，自動駕駛汽車在其設(shè)計運行域ODD內(nèi)， 不得造成任何合理可預(yù)見且可避免的交通傷亡事故。其中“合理可預(yù)見且可避免”指的是注意力集中的成熟駕駛員（老司機）可以避免的碰撞。如果ADS汽車能夠在其ODD內(nèi)的合理可預(yù)見的場景下，達到老司機的避免碰撞的水平，則可判定其滿足聯(lián)合國所定義的安全原則。
老司機（成熟駕駛）模型在標準化方面已取得一定進展，但仍面臨技術(shù)成熟度、法規(guī)倫理、市場接受度、數(shù)據(jù)安全與隱私保護以及技術(shù)協(xié)同與跨界合作等多方面的挑戰(zhàn)。未來需要持續(xù)加大研發(fā)投入、完善法規(guī)政策、提升公眾信任度并加強跨界合作以推動自動駕駛技術(shù)的進一步發(fā)展。
因此我們需要盡快根據(jù)中國老司機（注意力集中的成熟駕駛員）建立緊急反應(yīng)模型及數(shù)據(jù)庫，以定義自動駕駛汽車的行為安全能力邊界，支撐ADS準入標準的制定。
廣告 編輯推薦
最新資訊
-
“汽車爬坡試驗方法”將有國家標準
2026-03-03 12:44
-
十年耐久監(jiān)管時代：電池系統(tǒng)開發(fā)策略將如何
2026-03-03 12:44
-
聯(lián)合國法規(guī)R59對機動車備用消聲系統(tǒng)的工程
2026-03-03 12:08
-
聯(lián)合國法規(guī)R58對后下部防護裝置的工程化約
2026-03-03 12:07
-
聯(lián)合國法規(guī)R57對摩托車前照燈配光性能的工
2026-03-03 12:07
