0 前言

當(dāng)前對(duì)智能駕駛汽車預(yù)期功能安全研究尚處于起步階段，主要集中在討論研究范疇及對(duì)內(nèi)涵的理解。歐寶汽車提出了L2和L3已有的功能安全標(biāo)準(zhǔn)并不能涵蓋所有的安全問(wèn)題，引起產(chǎn)學(xué)各界對(duì)預(yù)期功能安全研究的重視。ISO/PAS 21448中對(duì)預(yù)期功能安全基本實(shí)現(xiàn)思路及流程進(jìn)行了規(guī)范，并在2018年的ISO/TC22/SC32/WG8功能安全工作組會(huì)議討論了ISO 21448將引入機(jī)器學(xué)習(xí)、路徑規(guī)劃、人員響應(yīng)HMI、先進(jìn)測(cè)試方法等。我國(guó)學(xué)者毛向陽(yáng)等分析了預(yù)期功能安全、功能安全及信息安全的關(guān)系。Mirko Conrad等也對(duì)比了功能安全與預(yù)期功能安全之間關(guān)系并在SAE 2018自動(dòng)駕駛安全技術(shù)論壇作相關(guān)報(bào)告。IOTG研究了預(yù)期功能安全、網(wǎng)絡(luò)安全以及責(zé)任敏感性安全等智能駕駛不同方面的安全性考慮及相互關(guān)系。ZENUITY公司通過(guò)分析ADAS與HAD的不同提出了SOTIF在兩者中應(yīng)用的區(qū)別。HORIBA MIRA分析了SOTIF及其應(yīng)對(duì)的挑戰(zhàn)，提出了相應(yīng)的需求并建立了風(fēng)險(xiǎn)評(píng)估的框架，利用SOTIF風(fēng)險(xiǎn)評(píng)估等分析了解決預(yù)期行為方面問(wèn)題的預(yù)期功能安全框架。

上述研究主要集中于預(yù)期功能安全的定義和描述，對(duì)其開(kāi)展理論和定性定量的研究涉及很少。尚世亮和李波對(duì)比功能安全與信息安全技術(shù)的差異給出了預(yù)期功能安全的技術(shù)路線，同時(shí)對(duì)車輛電控系統(tǒng)預(yù)期功能安全技術(shù)進(jìn)行了研究，并提出相應(yīng)評(píng)估方法與改進(jìn)方法。BOSCH公司基于V模型兩側(cè)內(nèi)容將SOTIF用于ADAS系統(tǒng)開(kāi)發(fā)過(guò)程和自動(dòng)駕駛，并利用性能故障樹(shù)從標(biāo)稱性能角度分析DA/AD系統(tǒng)。TNO提出了一種基于場(chǎng)景、數(shù)據(jù)驅(qū)動(dòng)、用于構(gòu)建和維護(hù)真實(shí)場(chǎng)景數(shù)據(jù)庫(kù)的StreetWise方法，為高級(jí)駕駛輔助系統(tǒng)和(連接的)自動(dòng)駕駛系統(tǒng)的開(kāi)發(fā)和評(píng)估提供了真實(shí)的場(chǎng)景和測(cè)試用例。Bev Littlewood等研究了對(duì)于安全關(guān)鍵軟件操作測(cè)試的一些保守停止規(guī)則，提出了一些新的貝葉斯停止規(guī)則，為SOTIF適用系統(tǒng)的確認(rèn)過(guò)程提供了一些測(cè)試方法的借鑒。Scott A.Shappell等研發(fā)的HFACS系統(tǒng)可推導(dǎo)SOTIF誤用情景中的人為因素分析中。德州儀器公司就混合信號(hào)半導(dǎo)體的失效模式影響及診斷分析（FMEDA）提出了一套功能安全分析的思路。蔡天富等人以耗散結(jié)構(gòu)的維持與演化作為安全系統(tǒng)運(yùn)行機(jī)制的理論基礎(chǔ),在探討過(guò)程中提出了安全熵是反映安全系統(tǒng)本身的混亂程度的概念，并提出安全熵簡(jiǎn)單數(shù)學(xué)表達(dá)和在人-機(jī)-環(huán)境三大要素組成系統(tǒng)中的分析。車天偉等人結(jié)合信息論有關(guān)知識(shí)引入安全熵的概念，針對(duì)訪問(wèn)控制模型的安全性分析與證明問(wèn)題,提出了基于安全熵的量化分析方法。袁黎等人為評(píng)估無(wú)信號(hào)控制路段行人過(guò)街安全性,本文考慮行人過(guò)街的不確定性及混亂性,提出安全熵概念,建立基于安全熵的無(wú)信號(hào)控制路段行人過(guò)街風(fēng)險(xiǎn)評(píng)估模型。這些安全熵相關(guān)的研究可借鑒于預(yù)期功能安全的定量評(píng)估分析中。

智能汽車預(yù)期功能安全研究的另一個(gè)重要內(nèi)容就是對(duì)于場(chǎng)景的理解。Thomason等將場(chǎng)景提出了一種場(chǎng)景樹(shù)作為場(chǎng)景表示，其中它們將場(chǎng)景分解成更簡(jiǎn)單的元素并將這些元素排列成分層結(jié)構(gòu)；Maurer從觀察者的觀點(diǎn)來(lái)看：“物理對(duì)象的空間—時(shí)間排列定義了一個(gè)場(chǎng)景”。Geyer等人使用劇院的比喻來(lái)定義：“場(chǎng)景由風(fēng)景，動(dòng)態(tài)元素和可選的駕駛指令定義。場(chǎng)景從前一場(chǎng)景結(jié)束開(kāi)始，或者在第一場(chǎng)景的情況下開(kāi)始—具有預(yù)定義的起始場(chǎng)景。在這個(gè)起始場(chǎng)景中，定義了所有元素及其行為，并設(shè)定了自我車輛的位置”。通過(guò)研究和總結(jié)前人的成果，Simon Ulbrich等人定義場(chǎng)景為環(huán)境的快照，包括風(fēng)景（地理空間靜止元素）和動(dòng)態(tài)元素（移動(dòng)或具有移動(dòng)能力），以及所有行動(dòng)者和觀察者的自我表征，以及這些實(shí)體之間的關(guān)系。

智能駕駛的預(yù)期功能安全問(wèn)題，從智能駕駛的三個(gè)層面（圖1）：感知識(shí)別、決策規(guī)劃、控制執(zhí)行，分析產(chǎn)生預(yù)期功能安全問(wèn)題的場(chǎng)景因素、算法因素和部件軟硬件因素，基于SCSTSV的概念建立智能駕駛安全性預(yù)警區(qū)、識(shí)別區(qū)和防護(hù)區(qū)，提出定量度量預(yù)期功能安全的“安全熵”理論，構(gòu)建安全性試驗(yàn)場(chǎng)景和試驗(yàn)用例。

（1）L4級(jí)的智能汽車要求擴(kuò)展預(yù)期功能安全的研究?jī)?nèi)涵

目前ISO/PAS 21448標(biāo)準(zhǔn)主要是針對(duì)L2級(jí)ADAS的預(yù)期功能安全研究，聚焦于人與智能車的交互安全，隨著智能駕駛系統(tǒng)從輔助駕駛功能朝著無(wú)人駕駛的發(fā)展，人類的角色由專業(yè)駕駛員逐漸過(guò)渡為一般非專業(yè)化乘員，最終從駕駛?cè)蝿?wù)中解放。智能汽車預(yù)期功能安全的不確定性因素大大增加。因此，應(yīng)從智能駕駛的“感知、決策、執(zhí)行”各個(gè)層面系統(tǒng)性研究預(yù)期功能安全的內(nèi)涵。

（2）人工智能算法給智能汽車安全帶來(lái)新的不確定性

人工智能算法在汽車領(lǐng)域的應(yīng)用極大地推動(dòng)了智能駕駛的發(fā)展，但由于算法本質(zhì)上是統(tǒng)計(jì)概率的范疇，在模型的訓(xùn)練與測(cè)試過(guò)程中所涉及到的樣本庫(kù)質(zhì)量，算法選擇等，不能覆蓋汽車行駛的所有場(chǎng)景。導(dǎo)致系統(tǒng)在實(shí)際使用過(guò)程中可能在無(wú)故障的情況下出現(xiàn)漏檢、誤檢，從而危害行車安全。因此，有必要在預(yù)期功能安全范疇內(nèi)，對(duì)人工智能算法給智能汽車安全帶來(lái)的風(fēng)險(xiǎn)進(jìn)行評(píng)估。

（3）預(yù)期功能安全領(lǐng)域缺乏定量表示

ISO/PAS 21448標(biāo)準(zhǔn)以本車的車載系統(tǒng)功能為中心，從環(huán)境關(guān)聯(lián)的角度研究如何提高本車預(yù)期功能安全性的問(wèn)題，提出系統(tǒng)功能與環(huán)境關(guān)聯(lián)安全的重要性，提供了一種安全分析的全局觀，但尚缺乏汽車智能系統(tǒng)預(yù)期功能安全的定量表示。熵是衡量系統(tǒng)混亂程度的有效手段，本文擬引入熵反映智能汽車在某狀態(tài)下智能駕駛系統(tǒng)的不確定性，代表智能汽車的預(yù)期功能安全概率，實(shí)現(xiàn)預(yù)期功能安全的定量表示。

圖1 智能汽車預(yù)期功能安全

1 駕駛感知的安全建模

智能車是智能交通系統(tǒng)的重要組成部分，但車載傳感器的探測(cè)范圍與精度受硬件和算法的制約，同時(shí)在特定極端惡劣環(huán)境下，系統(tǒng)的魯棒性也面臨挑戰(zhàn)。由此給智能駕駛感知的安全帶來(lái)不確定性。目前主流的解決方法是將多種傳感信息融合，依靠系統(tǒng)冗余從而提高整個(gè)系統(tǒng)的可靠性和安全性。

Chen等人首先將雷達(dá)輸入的3D點(diǎn)云投影到前視圖和鳥(niǎo)瞰圖，然后用鳥(niǎo)瞰圖通過(guò)卷積網(wǎng)絡(luò)以及3D bounding-box回歸之后生成低精度的3D proposal，然后將此3D proposal投影到前視圖、鳥(niǎo)瞰圖、單目圖像，通過(guò)一個(gè)融合網(wǎng)絡(luò)，最后將其通過(guò)多任務(wù)損失函數(shù)進(jìn)行訓(xùn)練，得到車輛的三維檢測(cè)。Ku等人輸入RGB圖像以及BEV圖(點(diǎn)云的鳥(niǎo)瞰圖)，利用FPN網(wǎng)絡(luò)得到二者全分辨率的特征圖，將兩者的特征圖作為RPN的輸入，通過(guò)crop&resize提取兩個(gè)feature map對(duì)應(yīng)的feature crop，按元素取均值的操作進(jìn)行融合，最后挑選出3D proposal以實(shí)現(xiàn)3D物體檢測(cè)。Banerjee等人首先通過(guò)對(duì)激光雷達(dá)和相機(jī)的外部校準(zhǔn)，得到激光雷達(dá)點(diǎn)云坐標(biāo)系與相機(jī)坐標(biāo)系的變換矩陣，將激光雷達(dá)點(diǎn)云通過(guò)變換矩陣變換到相機(jī)坐標(biāo)系，再投影到圖像平面上，得到深度稀疏的RGB-D圖像，將融合后的圖像送入目標(biāo)檢測(cè)網(wǎng)絡(luò)。Liang等人首先分別在圖像流和點(diǎn)云流(BEV)使用ResNet18提取特征，然后將圖像特征進(jìn)行多尺度融合并利用PCCN將其“投影”到BEV map上(類似于插值過(guò)程)，融合了圖像特征以及空間位置信息，最后與點(diǎn)云流特征進(jìn)一步融合并實(shí)現(xiàn)3D檢測(cè)。Qi等人輸入RGB-D數(shù)據(jù)，先通過(guò)Mask RCNN在RGB圖像上找到2D區(qū)域建議，結(jié)合激光雷達(dá)點(diǎn)云，將2D邊界框提升到定義該對(duì)象的3D搜索空間的視錐建議，接著，在該視錐中使用PointNet++進(jìn)行3D實(shí)例分割（進(jìn)一步縮小建議的3D空間），最后，利用T-Net對(duì)坐標(biāo)歸一，并再次使用PointNet++，回歸出物體3D邊界框的相關(guān)參數(shù)。

Han等人通過(guò)對(duì)激光雷達(dá)點(diǎn)云數(shù)據(jù)投影過(guò)后的二維深度圖像上采樣，得到與圖像像素一一對(duì)應(yīng)的深度信息，將彩色圖像和深度圖像兩個(gè)數(shù)據(jù)特征訓(xùn)練adaboost分類器，最后通過(guò)CRF調(diào)整輸出結(jié)果。Liu等人提出了一種基于共點(diǎn)映射的方法融合激光雷達(dá)和圖像數(shù)據(jù)，其認(rèn)為激光點(diǎn)云信息到像素信息類似于共線中的雙射，通過(guò)此方法將激光雷達(dá)與圖像邊緣點(diǎn)相對(duì)應(yīng)，提出了4種特征判斷車輛可行駛區(qū)域，最后將結(jié)果送入貝葉斯網(wǎng)絡(luò)得到概率圖模型。Xiao等人為了克服復(fù)雜多變的道路場(chǎng)景，天氣變化和光線變化，將激光雷達(dá)點(diǎn)云數(shù)據(jù)與圖像數(shù)據(jù)標(biāo)定對(duì)齊，將兩種傳感器數(shù)據(jù)同時(shí)通過(guò)CRF輸出對(duì)應(yīng)道路區(qū)域概率，可以在較大程度上消除兩種傳感器帶來(lái)的缺點(diǎn)，比如激光雷達(dá)點(diǎn)云數(shù)據(jù)擁有精確的3D距離信息，而缺乏圖像數(shù)據(jù)的顏色、紋理、梯度等特征。Xiao還通過(guò)一種新穎的鳥(niǎo)瞰圖變換將激光雷達(dá)數(shù)據(jù)和圖像數(shù)據(jù)對(duì)齊，彌補(bǔ)兩個(gè)傳感器各自的缺點(diǎn)，最后通過(guò)CRF給出道路區(qū)域概率。

Hu等分別在激光雷達(dá)和圖像數(shù)據(jù)中提取道路路面，激光雷達(dá)通過(guò)提取道路邊界點(diǎn)和路面點(diǎn)，在圖像數(shù)據(jù)中提取道路特征，最后將其使用概率圖模型輸出道路概率。Couprie等提出了一種基于二維和三維視覺(jué)融合的道路檢測(cè)系統(tǒng)，利用二維圖像通過(guò)分水嶺生成簇，然后對(duì)每個(gè)簇的二維和三維特征進(jìn)行融合并送入人工神經(jīng)網(wǎng)絡(luò)（ANN）進(jìn)行分類。Dosovitskiy等提出映射雷達(dá)點(diǎn)到圖像平面，然后分析點(diǎn)之間的局部空間關(guān)系，得到障礙物，并通過(guò)多自由空間檢測(cè)來(lái)估計(jì)道路。由此看出，目前的研究主要集中于多感知的融合算法，但對(duì)于感知的錯(cuò)檢、漏檢，以及錯(cuò)覺(jué)場(chǎng)景的風(fēng)險(xiǎn)評(píng)估研究涉及較少。

2 智能駕駛決策的安全建模

對(duì)于人-車-環(huán)境為一體的現(xiàn)代化道路交通，環(huán)境感知信息的不完整、高度動(dòng)態(tài)變化、甚至不一致等特點(diǎn)，對(duì)自動(dòng)駕駛車輛的認(rèn)知與決策模型在準(zhǔn)確性、實(shí)時(shí)性、魯棒性等方面提出了嚴(yán)峻挑戰(zhàn)。目前，自動(dòng)駕駛汽車決策行為的研究主要包括行為決策、路徑規(guī)劃及行車安全三個(gè)方面，但研究?jī)?nèi)容對(duì)于影響行為決策、路徑規(guī)劃以及行車安全的各種因素考慮不全，對(duì)由此產(chǎn)生的風(fēng)險(xiǎn)概率評(píng)估不足。

在行為決策方面，卡耐基梅隆大學(xué)的BOSS使用行為推理方法進(jìn)行決策，按照規(guī)定的知識(shí)及規(guī)則實(shí)時(shí)推理出相應(yīng)的駕駛行為。但由于真實(shí)的交通場(chǎng)景中不可避免的存在不確定性，并不能完全保證決策的安全準(zhǔn)確性。Wei J等人將傳感器噪聲、感知約束及周圍車輛行為作為屬性加以決策，使用Markov模型進(jìn)行決策，增強(qiáng)了自動(dòng)駕駛汽車在單車道內(nèi)行駛的穩(wěn)定性。同樣，Chen J等人采用多屬性決策方法來(lái)選擇自動(dòng)駕駛汽車的最優(yōu)策略。

在路徑規(guī)劃方面，目前最常用的方法為啟發(fā)式搜索算法，包括A*和Field D*等算法，這類算法通常搜索速度較快，但其求解過(guò)程不夠穩(wěn)定，容易出現(xiàn)重新規(guī)劃的現(xiàn)象。叢巖峰提出基于預(yù)測(cè)控制理論，基于滾動(dòng)的方法借助反饋進(jìn)行實(shí)時(shí)規(guī)劃。上述算法都未考慮到車輛動(dòng)力學(xué)的問(wèn)題，規(guī)劃出的軌跡不適合車輛行駛；且算法的普適性及實(shí)時(shí)性無(wú)法滿足智能駕駛的安全需求。

在行車安全方面，大多數(shù)現(xiàn)有的行車安全模型都是基于車輛動(dòng)力學(xué)理論來(lái)建立的，考慮了車輛狀態(tài)信息和相對(duì)運(yùn)動(dòng)信息。這類行車安全模型忽略了“人-車-路”閉環(huán)系統(tǒng)各要素對(duì)行車安全的影響，無(wú)法體現(xiàn)影響行車安全的各因素的相互作用。我國(guó)李德毅院士等發(fā)明了一種智能車輛利用變粒度路權(quán)雷達(dá)圖進(jìn)行信息融合的方法，采用變粒度路權(quán)雷達(dá)圖的形式，融合各類傳感器的環(huán)境感知信息，并顯示車輛擁有的路權(quán)空間及其變化趨勢(shì)，實(shí)現(xiàn)輔助駕駛和無(wú)人駕駛。湯傳業(yè)等人提出了一種基于交規(guī)約束的無(wú)人車行駛路權(quán)規(guī)劃方法，通過(guò)對(duì)道路環(huán)境圖像的處理最終得到了柵格狀的路權(quán)態(tài)勢(shì)圖，使得無(wú)人車在規(guī)則化道路中在遵守交通法規(guī)的前提下安全行駛。劉健在其博士論文中提出了一種基于障礙物特性建模的路權(quán)時(shí)空態(tài)勢(shì)圖的構(gòu)建方法，反映無(wú)人車局部環(huán)境中的碰撞風(fēng)險(xiǎn)。我國(guó)學(xué)者王建強(qiáng)提出了“行車風(fēng)險(xiǎn)場(chǎng)”概念，考慮了人-車-路組成閉環(huán)系統(tǒng)中各交通要素對(duì)行車風(fēng)險(xiǎn)的影響，為車輛智能安全技術(shù)的研究提供了一種新的思路和方法。

3 智能駕駛執(zhí)行器的安全建模

智能駕駛執(zhí)行器是作為智能駕駛系統(tǒng)決策輸出目標(biāo)控制量的最終執(zhí)行者，其執(zhí)行效果直接影響無(wú)人車整體性能，它所承接的系統(tǒng)決策命令綜合了車輛外部交通環(huán)境狀與車內(nèi)乘客的高不確定性，故建立執(zhí)行器安全模型是實(shí)現(xiàn)智能駕駛的關(guān)鍵技術(shù)之一。目前的研究對(duì)于乘員在環(huán)的誤操作以及帶來(lái)的風(fēng)險(xiǎn)沒(méi)有系統(tǒng)的評(píng)估策略和安全建模。

執(zhí)行器的預(yù)期功能安全主要考慮人機(jī)交互過(guò)程中乘客的不確定性與執(zhí)行器自身的響應(yīng)特性。首先，多因素可造成乘客錯(cuò)用或者誤用駕駛功能，而不同自動(dòng)駕駛功能觸發(fā)時(shí)乘客的接受度和響應(yīng)時(shí)間直接決定了該過(guò)程中車輛行駛的安全性。且乘客的個(gè)人差異（如年齡、駕駛履歷、心理負(fù)荷、操作感覺(jué)反饋、自動(dòng)駕駛功能的理解程度等）在人機(jī)交互環(huán)節(jié)可能威脅車輛行駛安全。目前，控制權(quán)切換績(jī)效的評(píng)價(jià)尚無(wú)統(tǒng)一的方法，但是其中一些因素已經(jīng)取得了一些研究進(jìn)展。Damb?ck等人研究了在自動(dòng)駕駛過(guò)程中，通過(guò)給定一個(gè)切換任務(wù)來(lái)研究駕駛?cè)藢?duì)任務(wù)的響應(yīng)實(shí)時(shí)性。Zeebk等采用仿真實(shí)驗(yàn)分析了智能輔助駕駛系統(tǒng)切換時(shí)間與切換提示之間的相互影響關(guān)系，并在此基礎(chǔ)上對(duì)不同駕駛風(fēng)格駕駛?cè)饲袚Q反應(yīng)能力進(jìn)行了統(tǒng)計(jì)分析。Nilsson等通過(guò)融合駕駛?cè)说目刂颇芰蛙囕v當(dāng)前狀態(tài)構(gòu)建由自動(dòng)駕駛切換到手動(dòng)駕駛的安全評(píng)估模型。

在現(xiàn)階段，預(yù)期功能安全的研究對(duì)象主要是L2級(jí)別的自動(dòng)駕駛系統(tǒng)，駕駛員在環(huán)是其重要特征。對(duì)駕駛員狀態(tài)的檢測(cè)一般包括以下3種方法：

（1）駕駛員生理信號(hào)檢測(cè)法；

（2）駕駛員面部表情檢測(cè)法；

（3）駕駛員駕駛行為檢測(cè)法。

如浙江大學(xué)開(kāi)發(fā)了一套基于灰度積分投影的人眼快速定位法，利用圖像垂直灰度和水平灰度投影曲線來(lái)確定人臉邊界及人眼位置，最后確定人眼閾值進(jìn)而檢測(cè)駕駛?cè)藛T眼睛的閉合時(shí)間及閉合頻率；西安交通大學(xué)對(duì)基于駕駛行為的駕駛員疲勞狀態(tài)進(jìn)行了研究，通過(guò)分析駕駛員轉(zhuǎn)向盤轉(zhuǎn)角的轉(zhuǎn)向特征，進(jìn)行小波包的分解并建立能譜熵，對(duì)駕駛員疲勞狀態(tài)和正常狀態(tài)時(shí)的小波能譜熵值進(jìn)行比較，以能譜熵值區(qū)分駕駛員狀態(tài)。

另一個(gè)角度來(lái)講，執(zhí)行器模型描述著期望指令和實(shí)際通過(guò)執(zhí)行器實(shí)現(xiàn)的指令之間的關(guān)系，執(zhí)行器的精度、響應(yīng)時(shí)間、預(yù)設(shè)工況與工作狀態(tài)、工作范圍等許多待確定的特性參數(shù)，選取這些參數(shù)十分繁瑣，郭景華把執(zhí)行器建模視為灰箱辨識(shí)問(wèn)題來(lái)確定執(zhí)行器的數(shù)學(xué)模型。智能車在運(yùn)動(dòng)過(guò)程中利用車輛運(yùn)動(dòng)學(xué)與碰撞學(xué)對(duì)車輛運(yùn)行結(jié)果進(jìn)行安全評(píng)價(jià)。吉德志采用蒙特卡洛方法來(lái)計(jì)算車輛間的碰撞概率，并對(duì)傳統(tǒng)的蒙特卡洛方法加以改進(jìn)以提高碰撞概率的計(jì)算速度，提出了幾何蒙特卡洛和矩陣蒙特卡洛方法，實(shí)時(shí)計(jì)算車輛間的碰撞概率，完成車輛的碰撞預(yù)測(cè)。Laugier C等在考慮道路幾何拓?fù)洵h(huán)境的基礎(chǔ)上，通過(guò)隱馬爾可夫模型結(jié)合GPS進(jìn)行碰撞識(shí)別，直觀的進(jìn)行碰撞風(fēng)險(xiǎn)估計(jì)。Jang J A提出了一種協(xié)同路口碰撞預(yù)警系統(tǒng)模型CICWS（Cooperative Intersection Collision Warning System），應(yīng)用固定的交通傳感器在無(wú)信號(hào)路口為駕駛員實(shí)時(shí)提供預(yù)警信息。文中使用交通沖突技術(shù)TCT（Traffic Conflict Technique）估計(jì)交叉口的可能碰撞，并擴(kuò)展概念應(yīng)用于實(shí)時(shí)信息通訊，用于識(shí)別與車輛建設(shè)相關(guān)的安全問(wèn)題。

還有一些對(duì)于車輛橫向控制的研究：清華大學(xué)的張德兆等針對(duì)乘用車設(shè)計(jì)了一種基于風(fēng)險(xiǎn)狀態(tài)預(yù)估的彎道防側(cè)滑超速預(yù)警系統(tǒng)，根據(jù)駕駛員預(yù)估時(shí)間構(gòu)造風(fēng)險(xiǎn)狀態(tài)預(yù)估函數(shù)，提前判斷車輛進(jìn)入彎道時(shí)的安全狀態(tài)，并對(duì)駕駛員分級(jí)報(bào)警提示，從而使其提前對(duì)車輛進(jìn)行操作，保證車輛彎道行駛的安全性。Gerhard等建立車輛線性動(dòng)力學(xué)模型，利用主動(dòng)差速和主動(dòng)側(cè)傾控制系統(tǒng)設(shè)計(jì)了橫擺角控制器，簡(jiǎn)單但魯棒性強(qiáng)，在時(shí)變參數(shù)空間內(nèi)確定車輛穩(wěn)定的邊界條件，通過(guò)控制車輪轉(zhuǎn)向角和車輛縱向速度以避免車輛發(fā)生側(cè)翻等危險(xiǎn)。

4 結(jié)束語(yǔ)

綜上所述，預(yù)期功能安全屬于智能汽車的新型發(fā)展方向，國(guó)內(nèi)外研究多數(shù)停留于定義和概念階段，尚缺乏全面系統(tǒng)的基礎(chǔ)理論支撐。少數(shù)探索性研究主要針對(duì)特定技術(shù)方面，決定了預(yù)期功能安全目前存在著很大的挑戰(zhàn)。

（1）在智能駕駛預(yù)期功能安全方面，由于安全評(píng)估必須依靠場(chǎng)景的支撐，需要研究智能駕駛場(chǎng)景的建模，駕駛碰撞是由于智能汽車的現(xiàn)有路權(quán)和駕駛意圖的期望路權(quán)之間的沖突，研究基于路權(quán)語(yǔ)義的場(chǎng)景建模，并提出預(yù)期功能安全熵的概念，表示該智能系統(tǒng)的安全度。

（2）智能駕駛感知的安全建模任務(wù)中，可靠的環(huán)境感知能力對(duì)自主巡航控制、碰撞預(yù)警和路徑規(guī)劃起到至關(guān)重要的作用，直接影響其決策的準(zhǔn)確性。環(huán)境感知是多種傳感器數(shù)據(jù)融合后的結(jié)果，如何學(xué)習(xí)、融合多源異構(gòu)傳感數(shù)據(jù)，是研究感知的首要問(wèn)題。在面對(duì)多態(tài)性環(huán)境和錯(cuò)覺(jué)場(chǎng)景，需建立有效的風(fēng)險(xiǎn)評(píng)估策略和干預(yù)措施。此外，如何提高感知準(zhǔn)確率，針對(duì)漏解和誤解情況構(gòu)建魯棒的概率模型，也是亟待探索的重要問(wèn)題。

（3）在智能駕駛決策的安全建模方面，對(duì)行為決策及路徑規(guī)劃算法的安全性進(jìn)行風(fēng)險(xiǎn)評(píng)估,研究道路交通法規(guī)和未知危險(xiǎn)造成事故的可能性等因素，開(kāi)展基于風(fēng)險(xiǎn)概率沖突及嚴(yán)重程度沖突的風(fēng)險(xiǎn)預(yù)測(cè)模型的構(gòu)建，設(shè)計(jì)決策安全監(jiān)測(cè)系統(tǒng)，同步監(jiān)測(cè)及驗(yàn)證決策邏輯，建立基于決策層面的預(yù)期功能安全模型與計(jì)算方法。

（4）在智能駕駛執(zhí)行器的安全建模方面，執(zhí)行器的輸入有智能系統(tǒng)和乘客行為，由于存在執(zhí)行器響應(yīng)延遲與工作范圍限制，乘員對(duì)功能理解不充分狀態(tài)下的功能誤用以及系統(tǒng)觸發(fā)時(shí)與乘員預(yù)期不同所產(chǎn)生的心理負(fù)荷等因素，對(duì)行車安全造成影響。故未來(lái)應(yīng)提出綜合乘客不確定因素與執(zhí)行器響應(yīng)特性要素，從車輛動(dòng)力學(xué)失穩(wěn)與運(yùn)動(dòng)學(xué)碰撞風(fēng)險(xiǎn)角度，建立智能駕駛執(zhí)行層面的預(yù)期功能安全熵模型與計(jì)算方法。