裴玉龍 遲佰強(qiáng) 呂景亮 岳志坤

（東北林業(yè)大學(xué)交通學(xué)院 哈爾濱150040）

0 引言

隨著科學(xué)技術(shù)的不斷升級(jí)，人工智能技術(shù)蓬勃發(fā)展，自動(dòng)駕駛作為人工智能的一部分也處于高速發(fā)展階段。與傳統(tǒng)汽車相比，自動(dòng)駕駛汽車具有諸多優(yōu)勢，如保障交通安全、緩解道路擁堵、提高道路運(yùn)輸效率等。目前，國內(nèi)外很多城市已經(jīng)嘗試將自動(dòng)駕駛車輛投入城市交通系統(tǒng)中，并初步獲得成功。

盡管自動(dòng)駕駛具有許多不可替代的優(yōu)勢，考慮到我國的基本國情和地區(qū)發(fā)展的差異性，“自動(dòng)+人工”混合駕駛狀態(tài)將長期存在于我國城市道路交通系統(tǒng)中[1]。自動(dòng)駕駛汽車分為6個(gè)等級(jí)，分別為L0~L5，目前部分地區(qū)出現(xiàn)不同等級(jí)自動(dòng)駕駛汽車混合駕駛的情況，未來將出現(xiàn)不同程度的“自動(dòng)+人工”混合駕駛局面。在漫長的演變過程中，“自動(dòng)+人工”混合駕駛大致劃分為3個(gè)階段：以人工駕駛為主階段、交通結(jié)構(gòu)轉(zhuǎn)型階段、以自動(dòng)駕駛為主階段，不同階段城市道路交通管理將面臨不同的問題，見圖1。

圖1 “自動(dòng)+人工”混合駕駛程度Fig.1 Degree of"automatic+manual"driving

自動(dòng)駕駛車輛技術(shù)逐漸趨于成熟，在“自動(dòng)+人工”混合駕駛狀態(tài)下，實(shí)際的交通環(huán)境與實(shí)驗(yàn)試點(diǎn)區(qū)相比將更加復(fù)雜，自動(dòng)駕駛車輛對(duì)交通環(huán)境的適用性受到挑戰(zhàn)[2]。為保障道路交通安全，需在不同混合階段到來之前及時(shí)預(yù)判城市道路交通管理可能出現(xiàn)的問題并精準(zhǔn)施策。

目前，關(guān)于自動(dòng)駕駛的研究綜述較豐富，主要包括自動(dòng)駕駛車輛的目標(biāo)檢測[3]、虛擬測試[4]、駕駛員接管[5]等，缺少通過文獻(xiàn)計(jì)量理論，對(duì)未來自動(dòng)駕駛環(huán)境下交通管理方面的可視化對(duì)比分析?！白詣?dòng)+人工”混合駕駛的研究相對(duì)較少，以“自動(dòng)駕駛”為關(guān)鍵詞進(jìn)行檢索，通過文獻(xiàn)計(jì)量學(xué)對(duì)自動(dòng)駕駛的發(fā)展現(xiàn)狀進(jìn)行分析，對(duì)未來“自動(dòng)+人工”混合駕駛狀態(tài)下自動(dòng)駕駛汽車運(yùn)行所存在的問題及所面臨的交通管理問題及趨勢進(jìn)行總結(jié)。

1 數(shù)據(jù)來源與分析方法

1.1 數(shù)據(jù)來源

探究“自動(dòng)+人工”混合駕駛狀態(tài)下的交通安全管理問題，需要對(duì)自動(dòng)駕駛的發(fā)展現(xiàn)狀分析。利用主題檢索CNKI核心及以上期刊代表自動(dòng)駕駛領(lǐng)域的代表成果，對(duì)主題關(guān)鍵詞“自動(dòng)駕駛”進(jìn)行文獻(xiàn)檢索，排除檢索類別中的無人機(jī)、機(jī)器人、導(dǎo)彈等無關(guān)文獻(xiàn)。通過“導(dǎo)出與分析”以文本的格式將所選的參考文獻(xiàn)導(dǎo)出，實(shí)現(xiàn)數(shù)據(jù)分析及可視化操作，利用陳超美等開發(fā)的CiteSpace軟件對(duì)所導(dǎo)出的文獻(xiàn)進(jìn)行去重篩選，最終獲取524篇文獻(xiàn)，共涉及1 290位作者及1 556個(gè)關(guān)鍵詞。文獻(xiàn)篩選過程見圖2。

圖2 文獻(xiàn)篩選過程Fig.2 Literature screening process

1.2 分析方法

利用CiteSpace軟件（5.6.R5），按照“文獻(xiàn)數(shù)量→期刊來源→研究機(jī)構(gòu)→熱點(diǎn)話題分析”的研究思路對(duì)CNKI上有關(guān)自動(dòng)駕駛的研究成果進(jìn)行文獻(xiàn)計(jì)量和可視化分析：①從年度發(fā)文量、期刊來源、研究機(jī)構(gòu)發(fā)文量等方面進(jìn)行發(fā)文量統(tǒng)計(jì)分析；②利用共詞分析法對(duì)文獻(xiàn)中的關(guān)鍵詞統(tǒng)計(jì)，得到關(guān)鍵詞共現(xiàn)網(wǎng)絡(luò)，對(duì)熱點(diǎn)問題分析；③針對(duì)自動(dòng)駕駛汽車的發(fā)展現(xiàn)狀得出“自動(dòng)+人工”混合駕駛狀態(tài)下交通安全管理將面臨的問題，提出相應(yīng)解決對(duì)策。

1.3 分析方法原理

1.3.1 分析對(duì)象的連接強(qiáng)度

分析各研究對(duì)象數(shù)據(jù)間的聯(lián)系強(qiáng)度是數(shù)據(jù)可視化的重要內(nèi)容，分析對(duì)象數(shù)據(jù)之間（即圖譜的邊）的連接強(qiáng)度計(jì)算公式為

圖譜中連接2節(jié)點(diǎn)的邊越粗表明對(duì)象間的聯(lián)系強(qiáng)度越強(qiáng)。

1.3.2 聚類分析

CiteSpace依據(jù)網(wǎng)絡(luò)結(jié)構(gòu)和聚類清晰清晰度，提供模塊值（Q值）和平均輪廓值（S值）指標(biāo)，作為評(píng)判譜圖繪制效果的依據(jù)。網(wǎng)絡(luò)模塊化值越大，該網(wǎng)絡(luò)的聚類結(jié)果越好，Q值在0~1之間，Q大于0.3意味著劃分出來的聚類結(jié)構(gòu)是顯著的，越接近1表示該聚類越好。平均輪廓值是用來衡量網(wǎng)絡(luò)同質(zhì)性的指標(biāo)，越接近1，反映網(wǎng)絡(luò)同質(zhì)性越高；S值在0.5以上，可以認(rèn)為該聚類結(jié)果是合理的；當(dāng)S值為0.7時(shí)，該聚類結(jié)果是高效令人信服的。

2 文獻(xiàn)統(tǒng)計(jì)分析

本文從數(shù)量分布（文獻(xiàn)類型和時(shí)間）、期刊來源分布、研究機(jī)構(gòu)分布3個(gè)主要方面統(tǒng)計(jì)分析。

2.1 數(shù)量分布

通過對(duì)1997—2020年關(guān)于自動(dòng)駕駛文獻(xiàn)的發(fā)文量進(jìn)行統(tǒng)計(jì)，可得我國自動(dòng)駕駛汽車研究起步較晚，1997—2016年的年度總發(fā)文量較少，年度發(fā)文總量均低于20篇。1997—2020年各年發(fā)文量見圖3。

圖3 1997—2020年發(fā)文量Fig.3 Number of papers published in 1997—2020

隨著人工智能技術(shù)的不斷發(fā)展，掀起了對(duì)自動(dòng)駕駛汽車研究的浪潮，近5年發(fā)文總量逐年增長。將自動(dòng)駕駛的文獻(xiàn)按照自然科學(xué)類和社會(huì)科學(xué)類進(jìn)行統(tǒng)計(jì)，發(fā)現(xiàn)各年份2種類型文獻(xiàn)的發(fā)文量趨勢與總體趨勢相似。2015年前的文獻(xiàn)類型均為自然科學(xué)類，主要研究視覺識(shí)別、自動(dòng)駕駛專用道、利用神經(jīng)網(wǎng)絡(luò)及模糊算法等方法研究路徑規(guī)劃問題以及智能交通系統(tǒng)的構(gòu)建等，所涉及研究內(nèi)容較廣泛。2015年自動(dòng)駕駛的研究進(jìn)入快速發(fā)展期，2018年以后發(fā)表的文獻(xiàn)除了利用深度學(xué)習(xí)、高精度地圖等方式對(duì)目標(biāo)檢測、路徑規(guī)劃、軌跡跟蹤、車聯(lián)網(wǎng)等問題研究外，還增加了交通肇事、責(zé)任劃定等問題研究，技術(shù)研究更細(xì)致，研究內(nèi)容更多元、全面。

該統(tǒng)計(jì)結(jié)果表明，當(dāng)技術(shù)研究達(dá)到一定程度后，各種社會(huì)問題隨之應(yīng)運(yùn)而生，致使社會(huì)科學(xué)類文獻(xiàn)發(fā)展滯后于自然科學(xué)類文獻(xiàn)。目前，自動(dòng)駕駛問題還處于技術(shù)研究的蓬勃發(fā)展期，隨著技術(shù)的不斷突破，將迎來“自動(dòng)+人工”混合駕駛第一階段，法律、倫理、工程、管理等社會(huì)問題將成為自動(dòng)駕駛研究的重要內(nèi)容。

2.2 期刊來源分布

利用CiteSpace軟件對(duì)期刊來源分布整理分析，分別對(duì)SCI期刊、EI期刊、CSCD期刊、CSSCI期刊、北大核心期刊的發(fā)文量及所占比例進(jìn)行統(tǒng)計(jì)分析（每種期刊按照最高級(jí)別收錄來源進(jìn)行統(tǒng)計(jì)）。經(jīng)統(tǒng)計(jì)共涉及214種期刊來源，其中SCI期刊來源3種（Engineering，F(xiàn)rontiers of Information Technology& Electronic Engineering和Journal of Central South University），EI期刊來源43種，CSCD/CSSCI期刊來源123種，北大核心期刊來源45種。各期刊來源文獻(xiàn)所占比例見表1。

表1 各期刊來源分布Tab.1 Source distribution of Journals

2.2.1 EI期刊來源分布情況

EI期刊來源見表2（僅列出發(fā)文量前5的期刊）。EI期刊來源43種，其中《中國公路學(xué)報(bào)》發(fā)文量最高，并且其在全部期刊來源中發(fā)文量最高，為27篇，占EI期刊來源文獻(xiàn)總量的18.24%，占全部期刊文獻(xiàn)總量的5.15%，該期刊在交通領(lǐng)域具有較高的影響力。EI期刊來源的復(fù)合影響因子整體較高，其中發(fā)文量前5的期刊復(fù)合影響因子平均值超過2，對(duì)國內(nèi)外研究均具有重要的參考價(jià)值。2.2.2 CSCD/CSSCI期刊來源分布情況

表2 自動(dòng)駕駛文獻(xiàn)EI期刊發(fā)文統(tǒng)計(jì)Tab.2 Statistics of papers published in EI journals of automatic driving literature

CSCD/CSSCI期刊來源文獻(xiàn)所占比例最大，其文獻(xiàn)來源情況見表3（僅列出發(fā)文量前10的期刊），其中《汽車技術(shù)》《汽車安全與節(jié)能學(xué)報(bào)》《交通信息與安全》發(fā)文量最高，發(fā)文量分別為20篇、16篇、8篇，總計(jì)44篇，占CSCD/CSSCI期刊來源文獻(xiàn)總量的15.65%，前2種期刊的文獻(xiàn)主要從車的角度研究，《交通信息與安全》的文獻(xiàn)從駕駛?cè)?、車、路等方面展開研究。

表3 自動(dòng)駕駛文獻(xiàn)CSCD/CSSCI期刊發(fā)文統(tǒng)計(jì)Tab.3 Statistics of papers published in CSCD/CSSCI journals

2.3 研究機(jī)構(gòu)分布

對(duì)涉及的188個(gè)研究機(jī)構(gòu)統(tǒng)計(jì)分析（見圖4），各研究機(jī)構(gòu)的發(fā)文量的范圍在20~30篇之間。由圖4可知：各研究機(jī)構(gòu)間的合作關(guān)系相對(duì)較弱，僅形成2個(gè)合作較強(qiáng)的集群，分別為以北京航空航天大學(xué)等機(jī)構(gòu)為主的集群（北京地區(qū)，主要研究虛擬場景測試、路徑規(guī)劃以及信號(hào)燈與汽車的協(xié)同控制等內(nèi)容）和以中汽研(天津)汽車工程研究院有限公司、天津大學(xué)為主的集群（天津地區(qū)，主要研究車道線檢測、交通標(biāo)志檢測、軌跡預(yù)測等內(nèi)容），研究合作集群具有較強(qiáng)的地域性，并形成高校與企業(yè)協(xié)同研究的關(guān)系，表明自動(dòng)駕駛技術(shù)已由理論轉(zhuǎn)向應(yīng)用。

圖4 研究機(jī)構(gòu)關(guān)系圖譜Fig.4 Relationship of research institutions

3 研究熱點(diǎn)分析

3.1 關(guān)鍵詞頻次統(tǒng)計(jì)

利用CiteSpace的統(tǒng)計(jì)功能對(duì)所選文獻(xiàn)的關(guān)鍵詞出現(xiàn)頻次分析，共得到1 556個(gè)關(guān)鍵詞，以4頻次為界限，以“頻次”“中心度”為關(guān)鍵詞的2個(gè)主要要素，列舉了頻次前30位的關(guān)鍵詞繪制成關(guān)鍵詞共現(xiàn)表，其中前10位的關(guān)鍵詞為：自動(dòng)駕駛汽車（511次）、人工智能（83次）、目標(biāo)檢測（72次）、深度學(xué)習(xí)（59次）、卷積神經(jīng)網(wǎng)絡(luò)（55次）、產(chǎn)品責(zé)任（54次）、模型預(yù)測控制（47次）、自適應(yīng)（46次）、計(jì)算機(jī)視覺（45次）、交通工程（16次），見表4。關(guān)鍵詞出現(xiàn)頻次越高，表明該關(guān)鍵詞為熱點(diǎn)問題。結(jié)合表4可知：除常見的關(guān)鍵詞即自動(dòng)駕駛汽車、人工智能、交通工程、車輛工程以外，出現(xiàn)頻次較高的為目標(biāo)檢測、深度學(xué)習(xí)、卷積神經(jīng)網(wǎng)絡(luò)、產(chǎn)品責(zé)任、模型預(yù)測控制、計(jì)算機(jī)視覺等關(guān)鍵詞。

表4 關(guān)鍵詞共現(xiàn)（頻次大于4）Tab.4 Co-occurrence of keywords(frequency>4)

3.2 關(guān)鍵詞突現(xiàn)分析

利用Citespace對(duì)所檢索的文獻(xiàn)進(jìn)行突現(xiàn)詞檢測分析，得到9個(gè)突現(xiàn)的關(guān)鍵詞，見圖5。總體分析，以下突現(xiàn)詞的涌現(xiàn)表明自動(dòng)駕駛在近20年快速發(fā)展，大致可分為2個(gè)階段。

圖5 自動(dòng)駕駛研究突現(xiàn)詞Fig.5 Emergent words in automatic driving research

1）技術(shù)研究階段（1997—2015年）。該階段由半自動(dòng)駕駛向全自動(dòng)駕駛發(fā)展，通過仿真實(shí)驗(yàn)對(duì)自動(dòng)駕駛車輛的決策算法、車道檢測方式進(jìn)行探索性研究，以及對(duì)智能交通系統(tǒng)構(gòu)建，自動(dòng)駕駛也逐漸由“單車”研究向“車路協(xié)同”智能系統(tǒng)方向的研究邁進(jìn)。

2）深化應(yīng)用階段（2016—2020年）。2017和2018年涌現(xiàn)了4個(gè)突現(xiàn)詞，自動(dòng)駕駛逐漸由仿真研究向?qū)嶋H應(yīng)用發(fā)展，大量自動(dòng)駕駛技術(shù)應(yīng)用于汽車行業(yè)。此時(shí)，多數(shù)車輛已具備自動(dòng)駕駛輔助或更高級(jí)的功能。在2016年發(fā)生國內(nèi)首例“特斯拉自動(dòng)駕駛”交通事故致死事件引起了對(duì)交通肇事責(zé)任和義務(wù)的研究。

3.3 關(guān)鍵詞共現(xiàn)分析

對(duì)檢索范圍內(nèi)的524篇文獻(xiàn)的關(guān)鍵詞進(jìn)行可視化分析，可視化結(jié)果見圖6。關(guān)系圖譜中各關(guān)鍵詞節(jié)點(diǎn)間連線越粗，表明關(guān)系越密切，關(guān)鍵詞出現(xiàn)頻次越高，關(guān)鍵詞字體越大，表明其在關(guān)鍵詞關(guān)系網(wǎng)絡(luò)中權(quán)重越大，關(guān)鍵詞節(jié)點(diǎn)大小也與權(quán)重呈正相關(guān)。由圖6可知，按照上述標(biāo)準(zhǔn)分類，可得到3個(gè)集群，分別為集群1、集群2和集群3，研究的主題可分別概括為目標(biāo)檢測及場景感知、路徑規(guī)劃和責(zé)任劃定，結(jié)合國內(nèi)外研究現(xiàn)狀分析如下。

圖6 關(guān)鍵詞共現(xiàn)網(wǎng)絡(luò)圖譜Fig.6 Co-occurrence network of keywords

3.3.1 集群1——目標(biāo)檢測及場景感知

自動(dòng)駕駛汽車目標(biāo)檢測主要是對(duì)標(biāo)志、標(biāo)線、信號(hào)燈、行人、周圍車輛、交警手勢、行人手勢等的檢測及識(shí)別，場景感知主要包括對(duì)突發(fā)情況的預(yù)測及復(fù)雜路況的感知。目標(biāo)檢測是自動(dòng)駕駛汽車安全行駛的基礎(chǔ)[6]，目標(biāo)檢測的方式主要包括通過激光雷達(dá)檢測、圖像檢測等。激光雷達(dá)檢測的方法主要為深度學(xué)習(xí)法，該檢測方法在目標(biāo)分類上存在缺陷，圖像檢測可彌補(bǔ)其不足。

標(biāo)志識(shí)別通過先檢測后識(shí)別的過程，首先對(duì)交通標(biāo)志感興趣區(qū)域進(jìn)行分割，并采用閾值分割法、深度學(xué)習(xí)識(shí)別法、神經(jīng)網(wǎng)絡(luò)模型識(shí)別法[7]、視覺顯著性模型識(shí)別法等方法對(duì)不同類型的交通標(biāo)志識(shí)別[8]。早期曾提出利用磁道釘誘導(dǎo)技術(shù)使自動(dòng)駕駛汽車獲取道路信息[9]，該方式容錯(cuò)率低且對(duì)惡劣交通環(huán)境的魯棒性較好，但建設(shè)工程量較大。目前，對(duì)車道標(biāo)線檢測主要基于特征和模型2種途徑識(shí)別[10]?；谔卣髦饕ㄟ^對(duì)不同道路標(biāo)線的線形、顏色[11]、形狀識(shí)別，利用霍夫變換算法[12]、聚類算法、卡爾曼濾波器、卷積神經(jīng)網(wǎng)絡(luò)等方法對(duì)車道輪廓線檢測識(shí)別。D.Obradovic等[13]利 用FLDetector法對(duì) 前 方 車 輛 遮 擋的車道標(biāo)線進(jìn)行模糊聚類處理，以保證自動(dòng)駕駛車輛正常行駛?；谀Ｐ偷能嚨罊z測主要是對(duì)基于道路幾何線形建立的2D和3D道路模型進(jìn)行識(shí)別，算法與基于特征檢測的方法類似，主要利用基于霍夫變換算法[14]。P.R.Palafox等[15]在標(biāo)準(zhǔn)的城市道路下對(duì)無車道標(biāo)線的道路環(huán)境進(jìn)行研究。

信號(hào)燈檢測的方法較多，主要利用信號(hào)燈的顏色和形狀特征結(jié)合Yolo，R-CNN，F(xiàn)ast RCNN等目標(biāo)檢測方法，在大數(shù)據(jù)環(huán)境下目前應(yīng)用最為廣泛的方法為深度學(xué)習(xí)和卷積神經(jīng)網(wǎng)絡(luò)法[16]。行人檢測[17]、周圍車輛的檢測[18]與上述檢測方法相類似，主要使用R-CNN和激光點(diǎn)云等方法。

交警及行人手勢識(shí)別過程主要包含3個(gè)過程，分別是手勢分割、特征提取、識(shí)別。通過圖像灰度處理、濾波降噪處理、圖像二值化處理等一系列過程對(duì)所提供圖像進(jìn)行處理[19]。其中，手勢分割的方式有基于閾值的分割法[20]、基于膚色識(shí)別法、背景減去法、光流法、幀差法等，后3種方法主要適用處于運(yùn)動(dòng)的狀態(tài)。手勢特征提取主要從時(shí)間特征和空間特征2個(gè)方面進(jìn)行研究。交警與行人的身份區(qū)分可使交警穿戴傳感器，該方式經(jīng)濟(jì)成本較高，且影響交警的日常工作[21]。此外，有研究者提出通過對(duì)交警工作服的反光條識(shí)別進(jìn)而確定交警的身份，該方式識(shí)別速度較慢，且精度不高。

以上研究內(nèi)容是從自動(dòng)駕駛汽車的角度考慮對(duì)交通標(biāo)志、信號(hào)燈、其他車輛等方面感知識(shí)別問題。部分學(xué)者通過建設(shè)“車路協(xié)同”的智慧交通系統(tǒng)，通過“車-車”通信和“車-路”通信可有效解決自動(dòng)駕駛汽車在雨雪天氣、視覺盲區(qū)識(shí)別困難的問題。眾多學(xué)者對(duì)車路協(xié)同系統(tǒng)進(jìn)行研究，在路側(cè)建立可遠(yuǎn)程監(jiān)控、盲區(qū)預(yù)警、信號(hào)誘導(dǎo)的基礎(chǔ)設(shè)施，通過V2通信將信息上傳至智慧交通云控制平臺(tái)，再反饋給自動(dòng)駕駛車輛[22]，研究表明“車路協(xié)同”可有效提高安全性和通行效率[23]，結(jié)合車路協(xié)同實(shí)現(xiàn)目標(biāo)檢測，見圖7。在《交通強(qiáng)國建設(shè)綱要》中明確提出要加強(qiáng)車路協(xié)同的研發(fā)，目前，北京、上海、鄭州等多地已建立車路協(xié)同試行道路，完成“單車智能”向“群體智能”的轉(zhuǎn)化[24]。

圖7 結(jié)合車路協(xié)同的目標(biāo)檢測Fig.7 Target detection combined with vehicle-road cooperation

目前，關(guān)于自動(dòng)駕駛目標(biāo)檢測和場景感知的方式方法豐富多樣，在標(biāo)準(zhǔn)道路下具有較好的適用性，但在特殊的環(huán)境下存在魯棒性較差的問題：①交通標(biāo)志標(biāo)線識(shí)別方面，在復(fù)雜交叉口條件下，設(shè)置的交通標(biāo)志標(biāo)線的種類及數(shù)量較多，自動(dòng)駕駛車輛對(duì)交通標(biāo)志標(biāo)線識(shí)別存在識(shí)別速度慢、運(yùn)算量大的問題，導(dǎo)致效率降低；在惡劣天氣如大雪天氣條件下，若未及時(shí)清理積雪，會(huì)導(dǎo)致基于視覺識(shí)別的目標(biāo)檢測方式無法識(shí)別車道標(biāo)線以及道路邊緣。②信號(hào)燈檢測及其他識(shí)別方面，基于Yolo和RCNN等改進(jìn)的方式對(duì)信號(hào)燈識(shí)別的方式較有效，實(shí)驗(yàn)主要在正常道路情況下研究，未考慮信號(hào)燈被前車遮擋的情況；由于手勢動(dòng)作較復(fù)雜，僅能對(duì)交警及行人的基本手勢進(jìn)行識(shí)別或存在技術(shù)方法實(shí)用性較差的問題。③車路協(xié)同方面存在信號(hào)傳輸延遲、路側(cè)基礎(chǔ)設(shè)施建設(shè)費(fèi)用較高，不能全面普及，僅能適用于部分路段等問題。

3.2.2 集群2——決策與控制

自動(dòng)駕駛汽車在路徑規(guī)劃完成后，需根據(jù)規(guī)劃決策結(jié)果對(duì)汽車進(jìn)行控制。因此，路徑規(guī)劃是安全、順利完成駕駛的關(guān)鍵。路徑規(guī)劃是指在一定的已知環(huán)境下尋找1條滿足約束條件的可行路徑[25]。自動(dòng)駕駛汽車對(duì)路徑規(guī)劃的要求較高，需考慮道路線形、轉(zhuǎn)彎半徑、障礙物避讓、車道寬度等問題[26]，需要已知的全局空間的環(huán)境，不僅是局部環(huán)境，即連續(xù)域范圍內(nèi)的全局路徑規(guī)劃[27]。尤其是在復(fù)雜道路環(huán)境中如城市道路環(huán)境如何高效、安全[28]的實(shí)現(xiàn)路徑規(guī)劃是自動(dòng)駕駛汽車最具有挑戰(zhàn)的技術(shù)之一[29]。目前，路徑規(guī)劃的算法較多，常見的算法包括：圖搜索法、快速搜索隨機(jī)樹（RRT）算法、RRT*算法[30]、人工勢場法[31]、A*算法[32]、增量式啟發(fā)算法、概率路線圖法[33]等。在復(fù)雜環(huán)境下對(duì)計(jì)算的效率要求較高，因此引入了智能算法如蟻群算法[34]、粒子群算法[35]等。上述算法均有適用條件，如人工勢場法應(yīng)用較靈活，所規(guī)劃的路徑較平順，但適用于障礙物較少的環(huán)境；蟻群算法魯棒性較好，但其效率相對(duì)較低，易使自動(dòng)駕駛汽車陷入停滯的窘境。

以上研究無論全局規(guī)劃或是局部規(guī)劃，均是以自動(dòng)駕駛汽車“單車”為研究對(duì)象，導(dǎo)致在駕駛環(huán)境檢測識(shí)別缺失的情況下，無法準(zhǔn)確規(guī)劃路徑，因此路徑規(guī)劃的實(shí)現(xiàn)同樣需要高精度地圖的配合[36]，目前MIT公司研發(fā)的自動(dòng)駕駛汽車基于高精度地圖，實(shí)現(xiàn)在無道路標(biāo)線的鄉(xiāng)村道路正常行駛，該車仍然處于測試階段。高精度地圖上需注明各標(biāo)志牌信息、道路邊緣線，以及利用衛(wèi)星定位其他車輛的精準(zhǔn)位置[37]，若利用北斗、GPS衛(wèi)星定位系統(tǒng)將高精度地圖與車路協(xié)同智能交通系統(tǒng)相配合，實(shí)現(xiàn)“靜態(tài)信息”與“動(dòng)態(tài)信息”相融合，路徑規(guī)劃與車輛決策將更加精確，為自動(dòng)駕駛車輛的精準(zhǔn)控制提供保障，見圖8。

圖8 高精度地圖+車路協(xié)同系統(tǒng)的路徑規(guī)劃技術(shù)Fig.8 Path planning technologies of high-precision map+collaborative vehicle-road system

經(jīng)上述分析，將自動(dòng)駕駛汽車與高精度地圖配合使用有效解決了“單車”檢測識(shí)別受特殊情況（惡劣天氣、復(fù)雜路況等）影響而導(dǎo)致路徑規(guī)劃受阻的問題，但也存在高精度地圖需實(shí)時(shí)更新、繪制成本高的問題，自動(dòng)駕駛汽車在低速狀態(tài)下可避讓以“鬼探頭”式出現(xiàn)的行人，但在較高速行駛狀態(tài)下未能及時(shí)識(shí)別并采取制動(dòng)措施。在局部路徑規(guī)劃的研究過程中將其他車輛的運(yùn)動(dòng)狀態(tài)視為保持現(xiàn)狀，未充分考慮其他車輛變道或變速的情況。

此外，自動(dòng)、人工駕駛車輛在狹義上講屬于2種類型的交通工具，因此在“自動(dòng)+人工”混合駕駛環(huán)境下局部路徑規(guī)劃應(yīng)將路權(quán)問題納入需考慮的問題中。

3.3.3 集群3——交通事故責(zé)任劃定

提高道路交通安全水平是自動(dòng)駕駛汽車的重要宗旨，但發(fā)生交通事故不可避免。我國吉林省、河北省、北京市、重慶市、湖南省等16個(gè)省市區(qū)制定關(guān)于智能網(wǎng)聯(lián)汽車道路測試管理辦法細(xì)則和自動(dòng)駕駛車輛道路測試有關(guān)工作指導(dǎo)意見，未出臺(tái)有關(guān)交通事故責(zé)任認(rèn)定的相關(guān)法律法規(guī)。在“自動(dòng)+人工”混合駕駛狀態(tài)下發(fā)生交通事故，責(zé)任主體如何劃分已是駕駛?cè)?、生產(chǎn)商、設(shè)計(jì)者所關(guān)心的問題，針對(duì)事故責(zé)任劃定[38]問題仍處于起步階段，尚未形成統(tǒng)一標(biāo)準(zhǔn)。

有研究者認(rèn)為即使高度自動(dòng)駕駛汽車（highly automated vehicles,HAV，自動(dòng)駕駛汽車等級(jí)達(dá)到L3級(jí)及以上）已達(dá)到高度自動(dòng)化水平[39]，但其仍任具有高度的依賴性，HAV的駕駛?cè)司哂胁豢赏菩兜呢?zé)任[40]；部分研究人員認(rèn)為針對(duì)不同等級(jí)的自動(dòng)駕駛汽車責(zé)任劃分承擔(dān)主體應(yīng)當(dāng)是不同的，應(yīng)當(dāng)按照過錯(cuò)推定的原則確定責(zé)任主體[41]。還有研究人員認(rèn)為HAV的駕駛?cè)耸且蕾囉贖AV系統(tǒng)操作的，因此不應(yīng)承擔(dān)任何責(zé)任，應(yīng)當(dāng)是“系統(tǒng)操作，生產(chǎn)者負(fù)責(zé)”?，F(xiàn)有《中華人民共和國道路交通安全法》中的責(zé)任主體“機(jī)動(dòng)車一方”所指代的是自然人、法人或非法人組織，即使用者、擁有者或保險(xiǎn)公司，并未對(duì)生產(chǎn)商的責(zé)任進(jìn)行劃定。從產(chǎn)品缺陷的角度看，《中華人民共和國產(chǎn)品責(zé)任法》中規(guī)定在證明產(chǎn)品有缺陷的情況下，可要求產(chǎn)品生產(chǎn)主體承擔(dān)主要責(zé)任，但依據(jù)《中華人民共和國產(chǎn)品質(zhì)量法》中的要求，產(chǎn)品不符合國家標(biāo)準(zhǔn)或行業(yè)標(biāo)準(zhǔn)則認(rèn)為其存在產(chǎn)品缺陷，我國并未正式出臺(tái)相關(guān)標(biāo)準(zhǔn)，生產(chǎn)商的責(zé)任如何劃定未發(fā)布明確規(guī)定。

目前交通責(zé)任事故責(zé)任劃定仍按照傳統(tǒng)事故責(zé)任的劃定方式，若根據(jù)自動(dòng)駕駛汽車的特性劃定責(zé)任，存在取證難度大、責(zé)任劃分不明確等問題。

綜上所述，“自動(dòng)+人工”混合駕駛環(huán)境較為復(fù)雜，僅僅依靠技術(shù)上的支持難以解決“自動(dòng)+人工”混合駕駛狀態(tài)下的突出矛盾，需要技術(shù)與交通管理相互配，以達(dá)到較好的平衡點(diǎn)。目前在混合駕駛環(huán)境下有以下交通管理問題需要解決，見圖9。

圖9 混合駕駛環(huán)境下交通管理問題分析Fig.9 Analysis of traffic management problems in the mixed driving environment

4 研究展望

自動(dòng)駕駛汽車逐漸融入生產(chǎn)生活中，未來自動(dòng)駕駛車輛必將替代人工駕駛車輛，若完全替代仍需要一定的過程，混合駕駛狀態(tài)將長期存在，針對(duì)未來混合駕駛環(huán)境下面臨的交通管理問題和自動(dòng)駕駛汽車的發(fā)展需求，提出以下3個(gè)重點(diǎn)研究方向。

1）協(xié)同式?jīng)Q策系統(tǒng)研究?！皢诬嚒笔阶詣?dòng)駕駛模式具有資金投入少的特點(diǎn)，同時(shí)也存在目標(biāo)檢測受限、魯棒性差等問題，鑒于此需要結(jié)合車-路協(xié)同技術(shù)建立協(xié)同式?jīng)Q策系統(tǒng)。協(xié)同式?jīng)Q策系統(tǒng)圍繞繪制低成本及定位準(zhǔn)確的高精度地圖、動(dòng)態(tài)障礙物路徑預(yù)測、路權(quán)分析等方面開展，利用自動(dòng)駕駛目標(biāo)檢測功能，探索使用與檢測一體化的高精度地圖繪制技術(shù)，以降低地圖實(shí)時(shí)更新成本，定性研究不同駕駛?cè)撕托腥诵睦砼c行駛軌跡的關(guān)系機(jī)理，以便精準(zhǔn)決策提升道路安全，以道路通行能力最大為目標(biāo)構(gòu)建自動(dòng)駕駛汽車滲透率與路權(quán)關(guān)系模型，以確定最佳規(guī)劃路徑。

2）混合駕駛下交通規(guī)劃與管制研究。當(dāng)前交通規(guī)劃與管制在全部為人工或自動(dòng)駕駛車輛的條件下研究較多，下階段發(fā)展方向是根據(jù)混合式交通流特點(diǎn)，因地制宜地制定符合該交通流特點(diǎn)的信號(hào)交叉口協(xié)同控制配時(shí)方案；道路設(shè)置單向交通有利于減少?zèng)_突點(diǎn)，提高自動(dòng)駕駛車輛決策效率，研究單向交通合理設(shè)置交通組織方式；基于模擬駕駛實(shí)驗(yàn)探討各標(biāo)志標(biāo)線間的協(xié)同關(guān)系，以取消交通標(biāo)志標(biāo)線冗余設(shè)置，提升自動(dòng)駕駛汽車的識(shí)別速率。

3）智能交通監(jiān)管平臺(tái)及行業(yè)標(biāo)準(zhǔn)、法律法規(guī)研究。當(dāng)前主要依靠交警或電子攝像頭實(shí)現(xiàn)交通監(jiān)督管理，依靠調(diào)查數(shù)據(jù)及仿真還原交通事故，難度系數(shù)較大，后續(xù)可結(jié)合5G、高精度地圖、自動(dòng)駕駛車輛的目標(biāo)檢測功能實(shí)時(shí)監(jiān)測道路狀況，探索短時(shí)交通事故預(yù)測模型以避免事故發(fā)生，結(jié)合GPS、視頻視覺技術(shù)探索交通事故再現(xiàn)新方法，以更精確的實(shí)現(xiàn)交通事故責(zé)任劃定；此外，還應(yīng)在保障汽車共享信息安全、交通事故責(zé)任劃定、高度自動(dòng)駕駛汽車駕駛?cè)诵袨橐?guī)范等方面建立相應(yīng)的行業(yè)標(biāo)準(zhǔn)及法律法規(guī)。

5 結(jié)束語

筆者以文獻(xiàn)計(jì)量法為工具主要對(duì)目前自動(dòng)駕駛汽車的目標(biāo)檢測及場景感知、決策與控制、交通事故責(zé)任劃定進(jìn)行綜述，重點(diǎn)闡述了自動(dòng)駕駛汽車的研究現(xiàn)狀，并指出在未來混合駕駛環(huán)境下交通管理及自動(dòng)駕駛技術(shù)研究的發(fā)展趨勢：①協(xié)同式?jīng)Q策系統(tǒng)研究；②混合駕駛下交通規(guī)劃與管制研究；③智能交通監(jiān)管平臺(tái)及行業(yè)標(biāo)準(zhǔn)、法律法規(guī)研究。