清華大學汽車系教授王建強此前在美國留學的時候,受到愛因斯坦同一場論的啟發(fā),借鑒了一種場的思想,提出了自己的風險評估方法,基于場論的行車風險辨識方法,建立了人-車-路綜合影響下的“行車安全場”統(tǒng)一模型。經過幾年的研究完善,他們建立了一個完整的理論體系,這個體系目前接近成熟。這個風險評估的方法正在被用于智能車的決策與控制。
前幾天,小編看到了一張總結“清華系自動駕駛”的表格,感嘆中國自動駕駛半壁江山都被清華系同學所占領。
今天小編就給大家分享一篇清華大學汽車系教授、汽車系副主任王建強老師的一篇報告,希望對讀者有所啟發(fā)。
什么是復雜的混合道路交通環(huán)境?
在我國,復雜的混合交通所指的是機動車、非機動車、行人組成的混合交通,這種混合交通引發(fā)的交通擁堵、交通事故增加、城市環(huán)境不斷惡化、運輸效益下降等一系列問題,嚴重地影響了道路交通秩序,降低了道路通行能力,增加了道路交通管理難度。
眾所周知,安全是混合交通中面臨的最主要問題,而道路交通安全受到人-車-路以及交通環(huán)境這四位一體的因素影響。在研究智能汽車駕駛在復雜的混合交通環(huán)境中如何評估風險成為至關重要的問題。
在復雜的混合交通環(huán)境中如何評估風險?
眾所周知,安全是混合交通中面臨的最主要問題,對交通事故產生的交通特點分析可知,混合交通條件下發(fā)生的交通事故占總數的5.9%,同時還是主要的死亡原因(占67.2%);當混合交通且缺少交通控制時,造成的交通事故占總數的50.8%,死亡人數占62.4%(1998)。
因此,研究智能汽車駕駛在復雜的混合交通環(huán)境中如何評估風險成為至關重要的問題。
那么究竟如何來進行風險評估呢?首先我們來看看目前是怎樣來做的?
現有的風險評價指標多樣,優(yōu)劣各異,如:
時間指標:TTC(Time to Collision)、THW(Time Headway)等
動力學指標:安全距離(避撞)、最小加速度(避撞)
統(tǒng)計學指標:碰撞概率(避撞、路徑規(guī)劃)、機器學習(決策)
勢能場指標:勢能場(能)、行車安全場(避撞、規(guī)劃控制)
異常駕駛行為指標:超速、闖紅燈,疲勞駕駛(駕駛行為分析)
各個風險評價指標的優(yōu)劣比較
問題的根源在哪里呢?目前L2、L3自動駕駛技術開發(fā)相對程度,因為他們主要是針對某一個場景進行開發(fā),比如追尾報警系統(tǒng)、主動避障系統(tǒng)、車道偏離預警系統(tǒng)等,根據具體的危險場景來開發(fā),危險的場景和種類非常多,針對這樣的問題,我們需要考慮,一個一個安全系統(tǒng)的疊加會造成什么樣的問題?
這些系統(tǒng)在同一輛車上會不會存在沖突?
我們面臨的挑戰(zhàn)還有,我們面臨這種風險的因素是復雜的,包括駕駛人、車輛、環(huán)境等各種因素,各種因素我們如何進行統(tǒng)一的評估?因為不同因素所產生的對安全的影響是不同的,針隊這種問題,王建強此前在美國留學的時候就已經進行了深入思考,受到愛因斯坦同一場論的啟發(fā),借鑒了一種場的思想,因此就提出了自己的風險評估方法,基于場論的行車風險辨識方法,建立了人-車-路綜合影響下的“行車安全場”統(tǒng)一模型。經過幾年的研究完善,他們建立了一個完整的理論體系,這個體系目前接近成熟。這個風險評估的方法正在被用于智能車的決策與控制。
什么是安全場模型?
交通風險影響因素有哪些?產生的機理是否一樣?顯然,不同的因素影響是不一樣的,為此我們把影響因素分成3種類別,一種是動態(tài)運動的目標,他所產生的風險,我們起了個名稱叫動能場;而道路中環(huán)境的因素,靜態(tài)的物體所產生的風險我們稱之為勢能場;另外重要的駕駛員行為所造成的風險我們稱之為行為場;將這三種場進行統(tǒng)一成為“行車安全場”統(tǒng)一模型。
這些風險模型是如何建立的呢?
動能場
運動場為表征道路中其他運動目標對自車行車風險影響程度大小的“物理場”。
大小與運動物體的屬性密切相關,比如說物體的運動的速度、類別、實際質量、運動的狀態(tài)等等,我們把這些因素統(tǒng)一叫做“虛擬質量”,同時也收到道路影響因素的影響,如道路的曲率、坡度等。
動能場
動能場中心處的場強最強,因為在中心處,如果其他車輛一直重合必然會發(fā)生交通事故,動能場在物體前進的方向更集中表明潛在風險更大。
勢能場
勢能場
勢能場為表征道路中靜止物體,對自車行車風險影響程度大小的“物理場”。
勢能場中心是靜態(tài)目標所在的位置,勢能場中心處場強最大,勢能場場強隨著物體距離減小而量指數式增加,勢能場場強隨著物體距離增大而減小,當距離增大到一定程度時場強不存在。
行為場
行為場
行為場為表征駕駛員風險因襲、車輛行為對行車風險影響程度大小的“物理場”。
駕駛員行為對自車行車造成的風險因素有很多如:駕駛員生理心理風險因素(疲勞駕駛、情緒駕駛)、認知風險因素(如錯誤估計車輛狀態(tài))、技能風險因素(如駕駛技能不高)、違規(guī)風險因素(如交通法規(guī)及時薄弱)。這些因素我們可以統(tǒng)一用駕駛員風險因子來表達,所產生的風險,是通過駕駛員駕駛車輛所產生的。
因此我們把動能場、勢能場、行為場統(tǒng)一就建立了一個安全場統(tǒng)一模型,能夠不對不同交通要素的影響進行規(guī)范評價,從而可以實現對整體交通環(huán)境的風險量化評估。
例如,圖中紅色車輛的風險為周邊要素對它所形成的場力的合力所形成的,合力越大所產生的風險越大,場的物理的形態(tài)我們可以通過圖的右側圖形看出來。
在復雜的混合交通環(huán)境中如何進行智能決策?
智能決策方法——學習人類的決策機制
形車風險評估是實現智能決策的前提,但智能車決策依然存在一系列難題:
① 現有的智能汽車決策算法真的智能嗎?能夠完全被駕駛人所接受嗎?
② 現有的駕駛決策算法滿足駕駛人的駕駛需求嗎?
③ 駕駛人在駕駛過程中的決策只是與避免風險有關嗎?
我們發(fā)現目前人類駕駛相比無人駕駛更能適應紛繁復雜的交通環(huán)境?因此,現在很有必要研究駕駛人類的駕駛決策機制。這里的研究并不是研究人腦決策機制,而是通過人類駕駛的行為的表現來研究駕駛員的行為決策機制。把決策機制的學習結果用于無人車的決策中,這是這里的研究思路。
人類駕駛行為遵循最小作用量原理
首先用16臺數據采集車,行駛10萬公里,采集了1500小時的有效人類自然駕駛行駛數據。用這組數據對車頭時距(THW)、橫向位置(D)和加速度(a)進行了一個統(tǒng)計分析,發(fā)現結果存在一種極值現象,即THW=1.5S,D=0m,a=0m/s,這種極值的啟發(fā)意義是我們發(fā)現符合最小作用量原理。
物理學中通常利用小作用量原理來描述自然界中的極值現象。最小作用量原理是與對稱性、守恒定律同等重要的最原始、最基本的概念,還是物理學中最具概括性的原理,是重大物理學問題的根源所在。
如果用S來代作用,這一原理可以簡潔的表達為δS=0。今為止的所有物理規(guī)律,均可由它表達。
因此可以用最小作用量原理來闡釋和描述人類的駕駛行為。
人類駕駛遵循的基本原則是“趨利避害”,“利”即追求安全和高效,“害”就是防止危險的發(fā)生。
進一步分析,橫向加速度在追求安全的過程中為什么會存在極值?是因為人類駕駛其實是在追求安全與效率的一種平衡;縱向加速度從實際統(tǒng)計中的結果發(fā)現也符合一樣的道理,極值是追求的平衡點,減速是為了保障安全,加速是為了追求高效。車頭時距為什么能夠保持在一個平衡范圍內?因為車頭時距過小就會存在一些潛在的危險,過大就會降低行車的效率。
通過這樣的分析,駕駛員操控的行為為,不論在橫向還是縱向上都在追求一種平衡的極值。
基于這樣的分析,我們就可以用最小作用量來表征駕駛員的操作極值。
將作用量用物理模型表征方法如下:
上圖中,小球的例子表示,如果力超過一定的限值,車輛就會失控,車輛就會飛出運動的軌跡,如果再約束的范圍內車輛就可以順利的到達目的地。
基于這樣的物理模型,我們就可以用最小作用量原理來對車輛進行最佳的駕駛決策。
1 2 下一頁>