中科慧拓联合全球顶尖无人驾驶研究团队发表自动驾驶里程碑综述文章

《自动驾驶的里程碑综述第一部分｜控制、计算系统设计、通信、

高精地图、测试、驾驶行为》

发表单位：中国科学院自动化所，中科慧拓，北师港浸大，香港浸会大学，香港理工大学，克兰菲尔德大学，北京航空航天大学，清华大学，南洋理工大学，西安交通大学

    摘要：由于其便利性、安全性和经济效益，人们对自动驾驶（AD）和智能汽车（IV）的兴趣正在迅速增长。尽管多项调查回顾了该领域的研究成果，但仍局限于具体任务，缺乏系统的总结和未来的研究方向。作者的工作分为3篇独立文章，第一部分是AD和IV总体技术的调查综述（SoS），其中涉及历史，总结里程碑，并提供视角、伦理和未来研究方向。本文是第二篇（本技术调查的第一部分），回顾了IVs中控制、计算系统设计、通信、高精地图（HD地图）、测试和人类行为的发展。此外，第三篇（本技术调查的第二部分）是调查感知和规划部分。本文的目的是涉及AD的所有章节，总结最新的技术里程碑，并指导初学者快速了解AD和IVs的发展。结合SoS和第二篇，我们预计这项工作将为研究人员和初学者带来新颖多样的见解，并成为过去和未来之间的桥梁。

图1展示了车辆在不同智能水平下的控制模式和可实现的主要功能，更详细的描述见第七章智能车辆中的人类行为。总结来说，本文的主要贡献如下：

l  对AD和IVs上的里程碑关键技术开发进行了更系统、全面和新颖的调查；

l  在每个技术部分介绍了许多部署细节、测试方法和独特见解；

l  对AD和IVs进行了系统的研究，试图成为连接过去和未来的桥梁，本文是整个研究的第二部分。

控制

车辆运动控制是增强驾驶员辅助功能的重要职责。许多控制任务，如横向稳定性控制和避免事故的极限驾驶，必须在IVs的背景下考虑。本节总结了过去几年智能汽车控制方面的一些主要进展。本节将介绍车辆运动控制的功能，对控制策略进行全面讨论，并讨论控制策略的最新验证方法。

车辆运动控制的分类

车辆运动控制可以分为两个子部分，纵向车辆控制和横向车辆控制。

1）纵向车辆控制：纵向控制人员通过车辆的油门和制动器控制车辆的加速度，以与另一辆车保持安全距离，在道路上保持理想的速度，并尽快刹车，避免在紧急情况下发生追尾。

目前已经在各种场景中研究了纵向控制策略，包括连接IV的队列、速度协调、轨迹平滑和信号干线上的速度管理。局部稳定性和队列稳定性是排纵向控制器的关键方面。局部稳定性是指车辆在扰动条件下保持平衡状态的能力。队列稳定性是指扰动在一排车辆中传播时减少或保持不变的大小。速度协调的控制策略旨在确定车辆的速度策略，以防止交通故障并减轻公路性能的损失。轨迹平滑的基本思想是通过连通IVs的纵向控制策略来提高交通流的稳定性和效率。在信号主干道上，速度管理系统旨在调整信号时间，以减少信号交叉口的停车，同时平滑车辆轨迹。常见的纵向控制策略包括模糊逻辑、比例-积分-微分（PID）、模型预测控制（MPC）、博弈论、滑模控制（SMC）、模糊推理系统（FIS）、基于李雅普诺夫的自适应控制方法和人工智能方法。纵向控制系统设计中面临的挑战包括具有微小车头时距的队列稳定操作、执行纵向拆分和受通信限制的联合机动。

2）横向车辆控制：横向车辆控制系统关注车辆在车道上的位置。横向车辆控制系统的主要功能是将车辆保持在当前车道（车道保持），将车辆行驶到相邻车道（变道），或避免与其前方车辆发生碰撞。横向控制的控制任务是最小化相对于参考轨迹的横向位移和角度误差]。文献中已经报道了各种线性和非线性控制器来控制车辆的运动，包括基于博弈论的方法、PID、MPC、H∞鲁棒控制、基于李亚普诺夫的自适应控制方法、线性参数变化（LPV）控制器、SMC、模糊逻辑和基于深度学习的方法。

由于侧向控制系统可以安全地改变车辆的车道并进行规避操作，因此它可以在减少事故和提高驾驶安全方面提供潜在的好处。然而，全面实施横向车辆控制在现实世界中给换枪和躲避带来了困难。例如，天气条件、道路曲线和其他各种干扰等环境因素可能会影响控制性能，需要适当的横向控制策略。

控制方法

本文介绍了车辆控制中的几种常见方法，如表I所示。

1）PID控制：PID控制器的通用性可以使其优于IVs车载控制的其他控制方法。针对未知路线曲率条件下IVs的横向控制，开发了嵌套PID转向控制。PID控制具有结构简单、易于实现、不需要深入了解系统行为的优点。然而，PID参数正定是一个挑战，并且不能保证最佳性能。此外，PID控制器很难对未知和多变的外部环境具有自适应和鲁棒性。

2）博弈论方法：在博弈论方法中，车辆被视为游戏参与者，交通规则在各自的决策模型中被考虑。决策模型可以通过与周围驾驶员互动来模仿人类行为，从互动中提取信息，并生成最佳控制策略，例如何时以及如何变道。博弈论方法的一个优点是考虑了交通参与者的相互影响，这可以提高决策的可靠性。然而，通过涉及更多的参与者，可以高度增加游戏的维度，并且耦合游戏系统的高维度可能导致高计算复杂度。

3）模糊逻辑控制：与PID控制器类似，模糊逻辑控制不需要目标的数学模型，从而使控制器能够充分处理非线性车辆动力学。另一个好处是他们的类人控制行为，因为有类似人类的规则。使用隶属函数，输入变量被转换为语言变量。控制器的输出由模糊规则决定，模糊规则采用“if-then”语句的形式。提出了一种神经模糊控制器，旨在调节速度，以保持与前方车辆的安全距离。然而，参数优化具有挑战性，模糊逻辑控制也需要具有大量专家知识的模糊推理规则。

4） MPC：MPC在车辆控制中非常流行，参见纵向控制、横向控制和集成控制。MPC的原理是通过在每个采样时间解决问题并应用第一个动作序列，在更长的时间内找到预测运动解决方案。通过这种方式，MPC模拟后退地平线控制，并更改解决方案集，以保持对即将到来的信息的准确性。MPC算法的主要优点是能够考虑控制效率、乘坐舒适性、油耗等多个性能标准，以及它们对车辆物理极限和安全性的约束处理能力。然而，它们仍然不足以解决非凸和高复杂性问题。过多的计算困难可能会阻碍它们的实时应用。

5）SMC方法：SMC提供了适应未知干扰和匹配不确定性的能力。[11]中提出了一系列基于SMC的路径跟踪控制器，仿真结果表明，SMC控制器对扰动具有鲁棒性，并提供了适当的路径跟踪性能。然而，在现实场景中，模型的不确定性和扰动是时变的，模型的准确性极大地影响了控制性能。由于建模误差，控制性能可能会降低。

6）LPV控制：LPV控制器是一种线性控制器，与横向控制的预测控制和集成系统控制一起设计。这种方法需要模型的高级知识以及驾驶过程中所有状态的实时信号。由于默认情况下不提供状态观测器，因此需要状态观测器。

7）人工智能引导的驾驶策略学习：由于大数据的普及，人工智能算法的研究进展迅速。与传统的控制系统相比，人工智能制导车辆系统不需要任何系统级知识，并且在复杂动态环境中优化非线性系统方面显示出巨大的潜力。人工智能制导车辆系统可以将所有的努力结合在一个框架内，并通过学习教导系统表现良好并推广到新的环境中，而不是分别为车道检测、障碍物检测、路径规划和控制设计显式的手工算法。人工智能引导的控制策略非常强大，它们能够在各种类似场景中进行推广，这使它们适合驾驶条件下的微小偏差。然而，由于方法的不透明性，这些人工智能引导系统的安全验证非常具有挑战性，并且无法对失败做出解释。此外，对训练数据的需求可能会阻碍人工智能引导系统的研究。

经典的PID和滑模控制方法可能无法适应复杂的环境和未知的扰动。MPC和LPV基于精确的数学模型，车辆在真实驾驶过程中的不确定性和非线性数学模型可能会降低控制性能，尤其是在极端操纵情况下。模糊逻辑系统的模糊规则是基于经验的，没有定性规则可参考，这使得它们在工程应用中具有挑战性。由于耦合博弈系统的高维性，基于博弈论的控制策略设计具有挑战性。基于人工智能的方法需要大量的离线计算和训练，需要对人工智能驱动车辆的可解释性和功能安全验证方法进行更多研究。

计算系统设计

计算系统体系结构

计算系统在IVs中起着至关重要的作用，以确保安全、安保、能源和通信效率。对于通常可以配备大量机载传感器的典型IV，包括激光雷达、相机、雷达、通信模块和全球导航卫星系统（GNSS）等，每分钟生成的数据可能是巨大的。为了确保异构信息的高效处理和融合，计算系统必须经过精心设计，以实时处理信息并维护安全的AD。在IVs中广泛使用的计算架构有两种基本类型，即模块化设计方法和端到端设计方法。模块化设计方法将功能单元解耦为单独的模块，这更易于系统实现、故障诊断和模块更新。基于模块化设计方法，IV的计算架构可以分为以下关键模块（如图2所示），包括计算、通信、存储、安全和隐私以及电源管理。而端到端计算架构在很大程度上受到当前人工智能的推动，主要依靠基于学习的方法来处理传感数据并直接生成控制输出。考虑到模块化设计方法在IVs上的计算体系结构设计中得到了更广泛的应用和成熟，基于这一分支回顾了以下计算系统的概念。

1）计算硬件：有多个强大的计算硬件来支持IVs的实时计算能力。通常，中央处理器（CPU）、图形处理单元（GPU）、现场可编程门阵列（FPGA）、数字信号处理器（DSP）、专用处理器单元（ASIC）及其定制开发的面向深度学习的张量处理单元（TPU）是当今IVs上广泛使用的计算硬件。具体来说，英伟达发布了英伟达驱动系列，以支持具有强大GPU支持的IV技术。Xil-inx发布了基于FPGA的Zynq UltraScale+MPSoC汽车级处理器，该处理器实现了比Nvidia Tesla K40 GPU（4个图像/W）更高的节能性能（14个图像/W）。Mobile EyeQ6系列和TPUv4是领先的基于ASIC的IVs解决方案，在计算能力和能源效率方面有了显著提高。华为发布了移动数据中心（MDC）解决方案，用于L4 IVs上的实时计算。MDC配备了华为Ascend AI芯片组，其计算能力高达352 TOPS，能效为业界领先的1 TOPS/W。地平线机器人公司还发布了他们的尖端汽车系统-片上（SoC）处理器Horizon Robotics Journey 5，这是一种专门设计，用于优化车载视觉和基于激光雷达的感知任务的运行时执行。HRJ-5具有单处理器多达128个TOPS处理能力，并支持16个传感器的神经计算。

2）操作系统：实时操作系统（RTOS）是IVs上计算系统的关键模块，能够快速自主地进行资源管理和实时感知、规划、决策和控制。IVs上的操作系统应支持实时资源分配、联网、归档、通信等。两个常见的RTOS内核是QNX和VxWorks。QNX广泛用于汽车行业，包括CPU调度、进程间通信、中断重定向和定时器。VxWorks是一个单片内核，专为实时嵌入式系统设计，也可用于安全保障。它采用共享内存架构设计，支持多种架构，如Intel、POWER和ARM。

3）中间件：在RTOS和应用程序层的中间，需要中间件层将多个AD服务绑定在一起，以管理应用程序通信并调度传感和计算资源。在[53]中，针对AD应用程序的通信延迟，评估了三种有影响力的中间件架构，即机器人操作系统（ROS1）、ROS2和Cyber。ROS1中的进程间通信机制提供了高兼容性和可扩展性。ROS2在基于数据分发服务（DDS）的通信方案的实时分布式系统中表现出高效性能。然后，Cyber是百度Apollo最近发布的中间件架构，主要是为AD设计的。

总之，中间件可能会导致端到端延迟，为了避免成为整个计算系统的性能瓶颈，应该仔细设计中间件中的通信和管理。

4）IVs上的计算系统指标：马驹桥确定了IVs上计算系统的七个评估指标，即准确性、时间线、功率、成本、可靠性、隐私和安全性。表二简要总结了这些指标的特点。

5）IVs上计算系统的限制：尽管IVs上的计算系统近年来取得了显著的改进，但在硬件、软件和传感器层等方面仍然存在一些基本的限制，这可能会推迟商业IVs的广泛部署。例如，有工作识别并分析了计算系统的五个主要设计约束，即IV的性能约束、可预测性约束、存储约束、热约束和功率约束。因此，在本节将共同总结和分析计算系统不同层中存在的这些挑战。

具体而言，性能约束主要存在于应用层面，如图2所示。就IVs的基本功能而言，包括感知、计划和决策以及控制，机器和人类的性能之间仍然存在差距。指出帧速率和处理延迟是IV的两个主要性能约束。人类驾驶员可以在100-150毫秒内对事件做出反应，因此，出于安全考虑，车辆应该在100毫秒的延迟内以至少每100毫秒一次的频率比人类驾驶员更快地做出反应。

可预测性是从时间方面（满足时间截止日期）和功能方面（做出正确决策）定义的另一个约束。尽管有传统的平均延迟度量，但尾部延迟（99.99%的延迟）也应用于满足严格的可预测性要求。

存储约束是IVs节能和计算性能的一个重要方面和瓶颈。研究表明，一个IV每天可以生成2到40TB的数据。每天数十TB的存储空间将需要车辆的高存储速度和空间。此外，实时数据存储和传输还需要显著提高能源和电力使用。

IVs的热约束也可能是一个严重的问题。热约束有两个典型方面，即1）保持计算系统在工作范围内工作的温度，以及2）计算系统产生的热量应对车辆热特性产生有限的影响。研究表明，如果没有冷却系统，计算系统每消耗1千瓦的功率，舱内温度就会增加到每分钟10°C。因此，通常情况下，计算系统应在气候控制区实施，这意味着需要额外的冷却系统来减轻计算系统的热影响。

最后，功率约束是可以显著影响IV能力的另一个关键方面。计算系统的功率约束包括三个主要方面，即计算系统的功耗、存储的功耗和冷却开销。存储和冷却的计算消耗和额外能源消耗将大大降低IV的使用寿命，尤其是电动IV。例如，每增加400瓦的能源使用量，每加仑英里数（MPG）可以减少一英里，而像GPU这样的耗能系统可以将燃油效率降低11.5%。因此，未来极有希望为IVs提供更节能的计算系统和绿色人工智能技术。

传感器系统

IVs上的传感器系统为计算单元提供重要的传感和检测数据。IVs常见的车载传感器包括激光雷达、雷达、摄像头、超声波、惯性测量单元（IMU）、全球导航卫星系统等。由于驾驶过程中的不确定性较大，IVs应依靠多传感器融合来保证驾驶安全。因此本部分对常见传感器的特性进行了综述。

1）IVs中的传感器：IVs上的传感器分为智能传感器和非智能传感器。IVs上的智能传感器是指那些可以提供额外检测或感知信息的传感器，如物体检测/跟踪，以及来自相机、激光雷达或雷达系统的其他事件描述。相反，非智能传感器是那些只提供原始数据进行处理的传感器。不同传感器的简要说明和选定的综述研究如表III所示。

2）具有各种应用场景的IVs计算系统设计：IVs的计算系统设计也在很大程度上取决于应用场景、政策和法规。如今，关于安全、通信和设计的IVs最常用的标准可以在[71]中找到。[71]中的标准路线图涵盖了安全和保证、感知、决策、数据、安全、基础设施和人为因素的当前和持续标准。还应注意的是，IV的设计也应考虑具体的应用领域。显然，每个特定的IV在整个计算系统设计中需要显著不同的关注点，并且应该尊重特定的现实世界应用环境。

IVs中传感器系统的另一个新兴研究领域是IVs可解释接口的设计。基于传感器系统的多模态信号的感知、定位、决策和控制的车载解释是未来IVs的基本设计要求，以增强人类对IVs的信任和接受，实现全球商业化。IVs的可解释性又可分为可解释性和完全性。此外，可解释性有两个主要分支，即透明度和事后解释。同时，局部解释和全局解释也需要对IV进行不同的计算系统设计。总之，IVs可解释接口的设计标准将有助于IVs的社会和法律要求，更重要的是实现更安全、透明、公众批准和环保的IV。

通信

面对复杂的交通环境，个体IV的感知被障碍物和恶劣天气所蒙蔽，影响了AD的安全。另一方面，个体车辆的决策能力受到车载计算和存储资源的限制，难以应对大密度和混合交通流环境的挑战。因此，人工智能不仅需要优化其智能水平，还需要通过无线通信技术获取外部信息和资源来扩展其感知和决策能力。与传统蜂窝网络中的移动终端不同，车辆的高速移动导致网络拓扑结构的快速变化和通信链路的频繁切换。同时，车辆复杂多变的驾驶环境导致车辆通信受到多径效应和其他信号的干扰。此外，防撞和IVs排队等安全相关应用要求网络满足低延迟和超高可靠性的严格要求，而这是传统无线网络难以实现的。因此，IVs有必要采用专用的通信技术，以确保车辆与其他车辆、基础设施和云平台之间的高效稳定交互。

作为AD和IVs感知能力的有力扩展，IVs的通信不仅涉及车辆本身，还涉及交通、通信和其他系统的各种基础设施和技术元素，是汽车、交通、通信、信息，以及其他行业。车载通信技术起源于20世纪末在欧洲和美国进行的学术研究和演示项目，这些项目侧重于车对车（V2V）和车对基础设施（V2I）通信，当时称为车载自组织网络（VANET）或车载网络。随着新型信息通信技术的发展，交通系统各要素的连接与协作进一步加强，形成了互联协作的AD，VANET的概念被推广到车联网，因其对智能交通、AD等行业的支撑作用而受到广泛关注。

随着概念的扩展，车辆通信技术已经从将车辆和基础设施连接到车辆的VANET发展到连接交通系统各种元素（如车辆、基础设施、行人和云）的一切（V2X）。具体而言，V2X包含两种类型的技术，由IEEE标准化的专用短程通信（DSRC）和由第三代合作伙伴计划（3GPP）标准化的cellular V2X（C-V2X）。在通信方法方面，V2X通信可以分为V2V、V2I、车辆到行人（V2P）和车辆到云/网络（V2C/N）通信，如图3所示。因此，车载网络可以实现行人、车辆、基础设施和云之间实时高效的信息交互，并支持AD和IV的海量数据传输。

V2X通信标准化

为了实现异构车辆之间的高效通信和交互，有必要建立从物理层到应用层的统一协议和标准。如上所述，基于不同的无线电接入技术，存在两种主要类型的V2X通信标准，即DSRC和C-V2X。在本节简要介绍了这两类标准的现状和发展。

1）DSRC：严格来说，DSRC是一种用于车辆通信的无线电接入技术，但它也被广泛用于指基于这种无线电接入技术的车辆通信。目前，该技术相对成熟，一些标准化组织，如IEEE、汽车工程师学会（SAE）和欧洲电信标准协会（ETSI），已经制定了DSRC相关标准。

2）C-V2X：3GPP对C-V2X技术的标准化可分为LTE-V2X和NR-V2X两个阶段，这两个阶段相互补充，设计时考虑了前向和后向兼容性。C-V2X主要包括两种通信方式，蜂窝移动通信（使用Uu接口）和侧链通信（使用PC5接口）。

车载通信的创新研究

面对AD和IV对车辆通信的严格要求，研究人员在通信和网络的几个研究方向上对现有的车辆通信方法提出了改进和优化[89]。在这一部分中，本文简要介绍了车辆通信在物理层、媒体访问控制、路由和安全方面的创新研究。

1）物理层：物理层是影响车辆通信性能的重要部分之一，它能够通过无线电信道传输车辆和交通数据。目前，正交频分复用（OFDM）是车载通信中的主要调制技术，因此许多研究都致力于优化OFDM参数，以确保可靠高效的数据传输。此外，面对AD和IVs中通信的数据速率要求，车载环境中的毫米波通信和可见光通信（VLC）已成为新兴的研究方向。

2）拥塞控制：由于车辆通信的带宽有限，随着车辆的大规模部署，大量终端的接入会导致信道拥塞，并导致数据传输延迟甚至失败。拥塞控制通过基于功率、基于速率、混合、基于优先级和跨层的方法，避免了信道中的拥塞，提高了数据传输的稳定性和可靠性。

3）资源分配：面对大规模车辆的高移动性带来的动态信道接入和多用户干扰，车载通信通过优化信道、带宽和发射功率等资源的分配，最大限度地提高系统性能。对于DSRC，各种研究提出了介质访问控制（MAC）参数分配、信道分配和速率分配等方案。对于C-V2X，通过基于集群、云计算、非正交多进程（NOMA）和半持久调度的集中式方案，以及基于位置、感知和增强随机化的分布式方案，可以有效利用资源。此外，机器学习，特别是深度强化学习，作为复杂问题的强大分析技术，已成为资源分配和优化的重要方案。

4）路由：在车辆通信中，车辆与其他单元（车辆或基础设施）之间的单跳通信范围有限，因此需要路由来实现车辆与车辆或路边基础设施之间的远程数据交互。然而，面对车辆高速移动导致的拓扑结构频繁变化和连接不稳定，无线通信中的传统路由方法已不再适用。因此，许多研究提出了在车载通信中实现高效稳定数据交换的增强路由方案，包括基于位置、基于拓扑、基于地理广播、基于广播和基于集群的路由协议。各种路由协议通过优化路由的延迟、距离、可靠性、能耗或安全性来提高车辆通信的服务质量。此外，随着机器学习的发展，基于学习的路由协议也引起了更多的关注。

5）安全：IVs通过视频通信与交通系统交互，以提高驾驶安全和交通效率。在这种环境下，重放攻击、中间人攻击、冒充攻击、恶搞攻击和恶意第三方攻击等攻击威胁着车辆的信息安全甚至驾驶安全。因此，面对车载通信的安全要求，各种研究从身份验证、授权、机密性、数据完整性和可用性等方面防止了恶意攻击。此外，基于机器学习的攻击检测以及基于区块链的共识和防篡改已成为新兴的研究方向。

高精地图

高精地图是现代AD不可或缺的一部分。地图上的信息支持AD的多种功能，包括定位、感知、规划、控制和系统管理。与商业应用中的导航地图不同，高精地图服务于AD系统，而不是人类驾驶员。此外，高精地图可以在一厘米内实现高精度，涉及道路中的多个元素，如路标、信号灯、桥梁、道路护栏、树木、角落、运动物体等。

1）合成和生成过程：高精地图的生成步骤可分为四个主要循环，数据采集、地图生成、半自动校正和验证。传感器（激光雷达、相机、雷达、全球导航卫星系统、里程计等）安装、校准和同步后，采集平台可以在目标区域周围行驶并存储传感器数据。然后利用清晰、连接方法、检测和分割算法生成粗略的底图。引入半自动校正和人工验证，车道交通标志和逻辑信息可以添加到地图中。通过一系列的测试和验证过程，HD地图可以发布并用于IVs上的AD系统。当道路元素和区域发生变化时，高精地图可以更新和删除。

2）类型和标准：根据元素的更新率，高精地图可分为五层：基础图、几何图、语义图、地图先验和实时。几何图由基础图（初始图）上的原始传感器数据组成。语义地图是通过引入静态语义信息（如车道边界、交叉口、停车位、停车标志、红绿灯等）在前一层上构建的。地图先验层包含动态信息和人类行为信息，如红绿灯的变化顺序、平均等待时间、车辆在停车位的概率，车辆在停车点的平均速度等。Autonomy算法通常在模型中使用这些先验作为输入或特征，并将它们与其他实时信息相结合。实时知识层是利用实时交通信息动态更新的地图中的最顶层。

3）数据质量：有5个衡量标准来评估AD地图的质量：1）准确性；2）精确性；3）完整性；4）一致性和5）及时性。精度是实际值和映射值之间的偏差。精度是指地图上可辨别的最小单位。完整性是指地图是否包含所有真实世界的特征。Consis-tency表示数据结构、属性和关系的逻辑规则。及时性是指施工和使用之间的时间差异。为了提高数据质量，Wong和Ellul提出了基于几何的度量，作为3D地图适应度评估的一部分。Javanmardi等人从布局、特征充分性、呈现质量和局部相似性的角度定义了四个标准来评估地图的车辆定位能力。Murphy和Pao提出了一种在地图匹配的背景下检测未映射或映射错误的道路和停车场的方法，从而产生了一个更稳健的系统，甚至可以校正底层地图中的错误。从类似但可供选择的角度来看，Yang和Huang研究了如何使IV系统更能抵御对其传感器的恶意攻击。

测试

自2016年以来，车辆测试已成为IVs领域的热门研究课题。一方面，几家生产IV的公司在测试或运行过程中遇到了车辆事故，这就迫切需要确定事故原因并修复复杂的IV系统。另一方面，研究人员对广义智能系统的智能测试越来越感兴趣。（人工智能测试IVs的案例研究；通过虚拟现实交互进行车辆智能的并行测试）。

测试平台

为了验证车辆算法，特别是运动控制算法，应该设计一系列测试来验证控制策略。就测试模式而言，验证类型可分为模拟研究和实验测试。在实际世界中进行测试在时间、劳动力和金钱方面都可能是昂贵的。相比之下，模拟研究成本更低、速度更快、适应性更强，可用于创建难以在现实生活中复制的场景。

1）仿真平台：随着仿真工具的准确性和速度的提高，仿真已成为一种更具支配性的方法。国家仪器公司的LabVIEW是一个图形计算平台，广泛用于测试和测量的模拟程序。为了对车辆动力学进行建模，研究人员已使用商业工具Carsim、ADAMS、CARLA、PreScan和Matlab/Simulink来模拟车辆行为。SCANeR Studio与Matlab/Simulink相结合，用于为IV运动控制器的测试提供逼真的驱动条件。微观交通模拟工具VISSIM 10.0和AutonoVi-Sim用于建模交通状况和实施IV控制。需要注意的是，在验证和验证过程中应考虑模型误差，不准确的模型可能会导致评估性能不可行。

2）车辆平台：一些研究人员将模拟研究作为性能验证的第一步，并进行实验测试以进行进一步验证。在文献中，实验测试可以通过小型轻型车辆和道路车辆进行。小型轻型车辆坚固耐用，成本低廉，可以由一个人携带，在各种环境条件下进行测试。此外，这种小巧轻便的车辆可以高速行驶，而无需担心人员和财产受伤。主要缺点是其有效载荷小，不足以保持计算所需的计算能力。在道路车辆上，如图4所示。相比之下，可以验证不同照明和天气条件下的控制性能，但需要获得测试批准，如伦理批准。

测试方法

1）测试划分：研究人员将测试分为三个子任务，包括功能、性能和智能测试。功能测试的重点是在给定的特定条件下，车辆或其部件是否能够获得特定输入所需的输出（例如，激光雷达能否为位于200米外的1m*1m物体提供超过3个云点的输出？）。性能测试的重点是车辆能否在给定的条件范围内获得特定输入范围所需的输出。智能测试进一步要求车辆在更广泛、更抽象的驾驶场景中执行理性和智能的感知、规划和控制策略。

2）测试场景：对于人工智能的智能测试，目前大多数研究人员都是从人工智能的行为智能角度进行分析的。他们认为，如果IV在给定的交通场景下成功平稳地驾驶，那么它就具备了这种场景的驾驶智能。因此，如何确定必要的测试场景是一个热门的研究课题。为了满足这一需求，国际标准化组织提出了一项功能安全国际标准（ISO 26262），旨在指出车辆在具有特定输入的特定场景下应获得哪些功能输出。此外，为了减少由于系统缺乏相关功能（设计或性能限制不足）或可预见的人为错误而导致的不可接受风险的危险，国际标准化组织提出了受外部环境影响的功能测试的估计功能安全标准（ISO 21448），如自动紧急制动（AEB）系统、车道保持系统和其他高级驾驶辅助系统（ADAS）。然而，对于IVs的智能测试来说，必要的场景有很多。到目前为止，很难通过基于人类专家指定的测试场景来找到输入和输出之间的理想关系来高效可靠地测试车辆的智能。

3）基于学习的方法：考虑到大多数人工智能系统中构建场景的难度和数据驱动的机器学习建模的趋势，研究人员提出了几种算法，通过从自然驾驶数据中学习来生成半自动或全自动的场景。特别是，研究人员对两个问题非常感兴趣。其中一个问题是如何快速识别困难的测试场景，以避免在简单的测试场景中浪费时间，这无助于提高车辆性能。另一个问题是如何尽可能覆盖所有可能的场景，以避免IV遇到难以处理的未经测试的场景。显然，很难平衡这两个问题，而且这个问题仍未解决。通过发现角落案例有助于揭示IVs的智力局限性，值得进一步研究。

4） 并行测试：由于进行真实测试很耗时，大多数研究人员专注于基于模拟的虚拟测试。Waymo和Nvidia等知名公司的经验表明，精心设计的虚拟测试可以有效地识别车辆的弱点，并提供有用的改装解决方案。目前，相关研究的重点是如何保证仿真系统中仿真对象的内在行为合理性和外在表现形式的多样性。例如，一些研究人员讨论了如何通过从每天收集的驾驶数据中学习来模仿人类驾驶员的行为，以便在模拟系统中正确再现有人驾驶和无人驾驶车辆之间的互动。如何通过深度学习模型对图像进行变换，并从变换日常驾驶采集的场景图像中获得罕见的特殊场景图像，受到了许多研究人员的青睐。

到目前为止，智能汽车测试领域仍有许多困难需要解决。可以预见，未来十年，测试的发展将进入一个关键阶段。

智能汽车中的人类行为

人的行为和人为因素问题是IVs的重要主题，因为它们决定了IVs的广泛接受。建模和理解人类行为也有助于建立人与车辆之间的相互理解和互信。然而，人类是一个高度复杂的系统，统一的人类行为建模框架仍需进一步研究。在本节中，将根据自主水平（SAE J3016）讨论人类行为和人为因素问题，因为人类行为的差异可能很大。

驾驶员辅助和部分驾驶自动化（L1-L2）

在L1或L2 AD车辆上，即使脚或手离开踏板和方向盘，人类驾驶员仍处于车辆控制回路内，并假设驾驶（精神驱动）。在这种情况下，人类驾驶员可以受益于一系列ADAS，如车道偏离警告（LDW）、车道偏离辅助（LDA）、自适应巡航控制（ACC）和车道保持辅助（LKA）等。为了向人类驾驶员提供准确的辅助，开发了几个热门的研究领域，包括疲劳（肌肉/精神）/嗜睡检测，驾驶员意图推断、注意力、工作量、情绪和分心。这种辅助系统通常可以分为两类，即基于身体（生理）行为的方法和基于心理行为的方法。

条件驾驶自动化（L3）

在L3 AD车辆上，人类驾驶员可以进一步从事次要任务，不再需要长期监控。人类驾驶员只需要在场并能够在任何时候接管控制，特别是在由于系统故障和周围环境的不确定性而发生紧急情况的情况下。然而，L3自动化的一个著名缺点是，驾驶员无法保证提供质量和安全的接管控制，尤其是在面临时间限制的决策情况下。因此，L3关于人为因素问题的最广泛研究点是接管控制算法的设计、恢复控制和控制权限的平稳切换。

高度/完全自动驾驶（L4-L5）

随着更高级别的自动化，人类驾驶员不再需要保持适当的态势感知水平，以便在必要时控制车辆。然而，复杂的问题也可能出现，其中之一是人类如何理解自主系统并与之合作。为了能够接受更高级别的IVs并使其行为适应，应该培养驾驶员的信任。

驾驶员信任是目前AD和IV普遍化和商业化的主要原因。考虑到安全性、舒适性、可预测性和对关键情况的道德反应，人类对IVs的信任在很大程度上取决于自动化的驾驶性能。最近的一项研究支持自动驾驶汽车的首次引入会引起意想不到的反应和情景，这可能会影响公众对这项新技术的信任程度。Choi等人调查了552名驾驶员对AD的态度；研究表明，对自主性的信任是最主要的因素。根据对162名特斯拉驾驶员对Autopilot和Summon系统的信任度进行的调查，发现如果对系统功能进行出色的介绍，可以建立对系统的高度初始信任，并且无论参与者是否经历过自动化故障，系统使用频率都会随着时间的推移而增加。

人机界面（HMI）

AD技术使HMI的设计更加复杂，因为AD车辆的HMI系统依赖于以人为中心的设计方法，以确保安全意识、互信、愉悦和舒适。目前，HMI系统成为实现驾驶员和车辆之间协作的主要模块。HMI系统的设计是一项系统工程任务，本节重点介绍舱内和舱外HMI设计。

对于L4/L5，车辆自主性有望完全负责驾驶任务，人类驾驶员甚至不再需要保持驾驶知识和技能。因此，很难要求人类占领者正确理解上下文。相反，只需报告和显示车辆行为和未来规划的安全相关信息。具体来说，车载HMI系统可分为五类，即动态HMI、自动化HMI、信息HMI、车辆HMI和外部HMI。其次，HMI系统应协助进行有时间限制的操作和决策。最后，需要驾驶员监控系统来帮助了解人类状态，以便进行高质量的可视化和解释。根据专家评估，HMI最重要的两个功能是1）提供自动化可用性、导航和环境信息，以及2）通过语音指令、LED指示灯和座椅摆动来提高驾驶员的注意力。

智能驾驶座舱系统

IVs的智能座舱设计是近年来的另一个新兴话题。事实上，一些用于低自主性车辆的传统IC技术，如驾驶行为监测技术，可以进行调整。然而，为了满足IVs在安全性、安全性、舒适性、HMI和娱乐性方面的更严格要求，迫切需要开发更具挑战性的技术。关于安全问题，在危急情况下需要人为干预的情况下，应为IVs开发有效的相互沟通机制。对于完整的IVs，这种信息交换在IC中也很重要，以便人类乘客通过可视化更具时间紧迫性的交通上下文信息来保持适当的位置意识和对自主性的信任。随着V2X、区块链和联合学习等更先进的车载技术被引入IV，IVs正在发展成为移动信息中心。在这种情况下，网络安全对IC提出了另一个巨大的挑战，因为这是保护用户隐私和安全的基本要求，以确保无缝旅程，并且所有车载技术都满足道德和政策问题。IVs上集成电路的舒适性考虑也不同于传统车辆。研究表明，HMI对舒适性的影响最大，其次是热环境、声学环境和光学环境。最近对IVs的人类晕动病研究也得出了类似的结论，因为IVs更有可能患晕动病，HMI可以缓解这些问题。总之，IVs上的IC不仅应该考虑娱乐功能，还需要解决IVs性质所带来的一系列安全、保障、舒适、人为因素甚至能源消耗挑战。

结论

在这篇论文中，作者对AD和IVs中具有里程碑意义的研究发展进行了广泛的介绍。此外还介绍了大量的部署细节、测试方法和独特的见解。结合其他两个部分，我们希望我们的整个工作将为研究人员和学者带来新颖而多样的见解，并成为连接过去和未来的桥梁。

参考

[1] Milestones in Autonomous Driving and Intelligent Vehicles Part I: Control, Computing System Design, Communication, HD Map, Testing, and Human Behaviors