本節(jié)選擇ngsim中4輛車組成的隊(duì)列（車輛編號(hào)從隊(duì)列頭部到隊(duì)列尾部分布額為0-1-2-3）、描述現(xiàn)實(shí)世界中的不可能三角場景。圖11為四輛車的速度和坐標(biāo)。該隊(duì)列遇到大約 80 秒到 100 秒的擁堵（stop and go）事件。圖12顯示了該隊(duì)列的 RSS 距離、間隙和不可能三角距離。圖12a~c分別為車輛1~3的臨界RSS距離、不可能三角臨界距離以及實(shí)際的車輛間距。對于車輛 3（圖12-c），大多數(shù)情況下表現(xiàn)出安全的情況，RSS 距離小于間隙。然而在短暫的 0.7 秒間隔（從 32.2 秒到 32.9 秒），RSS 距離顯著增加。這種情況源于車輛 3 的加速（圖11a）。由于車輛3違反了安全規(guī)則，車輛2需要維持較大的安全距離來滿足車輛3的安全需求（圖12-b中的trilemma distance）。這又要求車輛1保持更大的安全間距（圖12-a中的trilemma distance）。

圖11 4輛車組成的隊(duì)列

圖12 不可能三角

5.3 highD和zen數(shù)據(jù)集中polyLemma發(fā)生概率

基于highd和zen數(shù)據(jù)集，對polylemma發(fā)生概率進(jìn)行分析。對于數(shù)據(jù)集中任意一個(gè)N車輛的隊(duì)列（N=3，4，5，…），假定其時(shí)間窗口為T（不同的隊(duì)列數(shù)據(jù)、T不同）。首先計(jì)算發(fā)生polylemma的持續(xù)時(shí)間比例（如50%表示T時(shí)間窗口內(nèi)、有一半的時(shí)間發(fā)生安全決策困境）。η∈[0,1]。

對于highd數(shù)據(jù)集而言，統(tǒng)計(jì)所有隊(duì)列的，其分布如圖13所示（每條曲線的積分=1）。X=2表示dilemma（也即3輛車的隊(duì)列），X=3表示trilemma（也即4輛車的隊(duì)列），依此類推。從圖中可見，絕大部分隊(duì)列的困境時(shí)間比例接近0。也有一部分隊(duì)列整個(gè)事件窗口內(nèi)都發(fā)生決策困境（η=1）。Zen數(shù)據(jù)集中的分布如圖14所示。可以看出，zen數(shù)據(jù)集和highd數(shù)據(jù)集呈現(xiàn)不同的分布特性。由此可見，不同國家的安全場景各異、需要具體分析。

圖13 highD數(shù)據(jù)集中、隊(duì)列的polylemma持續(xù)時(shí)間比例的概率分布

圖14 zen數(shù)據(jù)集中、隊(duì)列的polylemma持續(xù)時(shí)間比例的概率分布

06.

錯(cuò)誤容忍型駕駛策略

polyLemma發(fā)生的根本原因是人類駕駛員的行為錯(cuò)誤、也即沒有維持足夠的安全間距。從自動(dòng)駕駛車輛角度而言，可以調(diào)整自己的行為、對人類駕駛員進(jìn)行容錯(cuò)。Qi(2024)提出了錯(cuò)誤容忍型駕駛策略（Human error tolerant ，HET）。HET 策略包括三個(gè)步驟：

polyLemma發(fā)生的根本原因是人類駕駛員的行為錯(cuò)誤、也即沒有維持足夠的安全間距。從自動(dòng)駕駛車輛角度而言，可以調(diào)整自己的行為、對人類駕駛員進(jìn)行容錯(cuò)。Qi(2024)提出了錯(cuò)誤容忍型駕駛策略（Human error tolerant ，HET）。HET 策略包括三個(gè)步驟：

- 根據(jù) RSS 規(guī)則、識(shí)別違規(guī)車輛，計(jì)算每輛下游車輛的必要減速度和避免安全困境所需要的臨界間隙。

- 確定 polyLemma 中的哪輛自動(dòng)駕駛汽車實(shí)施 HET 策略。

- 最后，執(zhí)行 HET 策略（維持額外的安全距離、并以較為溫和的減速度為觸發(fā)事件做減速準(zhǔn)備）。

07.

結(jié)論

背景車輛的行為是影響智能駕駛車輛安全的重要因素。當(dāng)背景車輛沒有遵守安全規(guī)則，本車存在安全風(fēng)險(xiǎn)。本文描述了其他車輛行為錯(cuò)誤所導(dǎo)致的本車安全決策困境，并以縱向駕駛為例、具體討論了兩難困境、不可能三角場景，隨后將其推廣至polyLemma。根據(jù)實(shí)際數(shù)據(jù)（NGSIM、highD和zen數(shù)據(jù)集）計(jì)算結(jié)果可以發(fā)現(xiàn)，polyLemma發(fā)生概率并不能完全忽視。為了對人類駕駛員的錯(cuò)誤進(jìn)行緩沖，提出了錯(cuò)誤容忍型駕駛策略。該策略通過調(diào)整智能駕駛車輛的安全間距、減速度，對沖背景車輛的錯(cuò)誤行為。

安全間距模型仍然需要進(jìn)一步研究。包括：1）核心參數(shù)如反應(yīng)時(shí)間、最大加減速的估計(jì)；2）安全間距模型的不確定性估計(jì)；3）安全間距如何與現(xiàn)有控制器（如PID、end2end、MPC等）進(jìn)行融合。

圖15 錯(cuò)誤容忍型駕駛策略

朱震海| 作者

周奕 | 審核

參考引用文章

· Forbes , T., Human factor considerations in traffic flow theory, Highway Res. Record 15 (1963) 60–66. Connected Vehicle 》 

· Forbes, T., M. Simpson, Driver and vehicle response in freeway deceleration waves, Transport. Sci. 2 (1) (1968) 77–104.

· Gipps , P., A behavioral car following model for computer simulation, Transport. Res. B 15 (1981) 105–111.

· Pipes, L.A., An operational analysis of traffic dynamics, J. Appl. Phys. 24 (1953) 271–281.

· Qi, HongSheng. "Dilemma of Responsibility-Sensitive Safety in Longitudinal Mixed Autonomous Vehicles Flow: A Human-Driver-Error-Tolerant Driving Strategy." IEEE Open Journal of Intelligent Transportation Systems (2024).

· Shalev-Shwartz, Shai, Shaked Shammah, and Amnon Shashua. 2017. “On a Formal Model of Safe and Scalable Self-Driving Cars.” CoRR abs/1708.06374. 

http://arxiv.org/abs/1708.06374.

· Sidorenko, G., Fedorov, A., Thunberg, J., & Vinel, A. (2022). Towards a Complete Safety framework for Longitudinal Driving. IEEE Transactions on Intelligent Vehicles, 7(4), 809–814. 

https://doi.org/10.1109/TIV.2022.3209910