如何讀懂加州自動駕駛汽車退出報告，只對比退出次數？這裡有一篇全面分析論文
加州機動車管理局（DMV，Department of Motor Vehicles）規定要求每一個在該州的公共道路上進行測試的汽車製造商車輛須提交一份年度報告，而這個報告的價值並不止體現在接管次數上。
近日，加州機動車管理局公布了今年提交了自動駕駛汽車退出報告的企業，有52家公司提交了該報告，其中國內企業有百度、景馳等。對於這份報告，大部分人只注重接管次數，並沒有去深入的分析。而今天這篇文章，以2016年提交的報告為例,詳細分析和比較了不同原因誘發的自動駕駛退出案例，調研了這些事件中相應的人工接管機制與時間，並對OEM、製造商和政府組織提供了一些建議，其分析調研方法值得借鑒。
無人駕駛車輛測試過程中所發生自動駕駛功能退出案例的分析
呂辰1，曹東璞1，趙一帆1，DanielJ. Auger1，Mark Sullman1，王化吉1，Laura Millen Dutka2，Lee Skrypchuk2，Alexandros Mouzakitis2
1 .英國克蘭菲爾德大學航空航天、運輸和製造學院
2 .捷豹路虎，考文垂，英國
Analysis of Autopilot Disengagements Occurring during Autonomous Vehicle Testing
Chen Lv1, Dongpu Cao1,Yifan Zhao1, Daniel Auger1, Mark Sullman1,Huaji Wang1, Laura Millen Dutka2, Lee Skrypchuk2and Alexandros Mouzakitis2
1. School of Aerospace, Transport and Manufacturing, Cranfield University, UK
2. Jaguar Land Rover, Coventry, UK
I 引言
近年來，自動駕駛技術受到了來自學術界和工業界的廣泛關注[1]-[5]。雖然純無人駕駛是技術發展的「終極目標」，然而在部分特定工況下能夠實現自主行駛功能的「高度自動化駕駛」車輛HAVs（highly automated vehicles）則可能在未來幾年更快到來。依據美國汽車工程師學會SAE對車輛自動化程度6級劃分的定義，2級（L2）和3級（L3）自動駕駛代表了駕駛員輔助與車輛高度自動化之間的過渡區域，而這也是當前企業和科研院所的研發重點之一。
在L2、L3自動駕駛中，當車輛的自動控制系統遇到故障或極端狀況無法自主處理駕駛任務時，自動控制功能將會「退出」（Disengagement）並將車輛控制權交還給駕駛員。因此，自動駕駛功能的退出機制以及人工接管控制品質，對保證車輛安全性與舒適性至關重要的，這亦給自動駕駛人機交互系統的設計帶來了巨大挑戰。面對上述挑戰，研究人員已從不同角度探索了包括高級駕駛輔助系統(ADAS)以及人機界面(HMI)在內的許多設計、控制方法[9]-[12]。然而，在真實公共交通測試場景中，自動駕駛功能的退出及人工接管控制的案例則鮮有報道與研究。
美國加州為以鼓勵自動駕駛技術發展，開放了汽車製造商在公共道路上進行自動駕駛測試的許可權。對於自動駕駛測試，加州機動車管理局（DMV，Department of Motor Vehicles）規定要求每一個在該州的公共道路上進行測試的汽車製造商車輛須提交一份年度報告，總結測試過程中所經歷的所有自動駕駛退出Disengagement事件，這些「自動駕駛退出報告」（下文簡稱「退出報告」）於每年1月1日公布。7家製造商，包括博世、德爾福、谷歌、日產、梅賽德斯-賓士、大眾以及特斯拉等公司在2016年1月1日前分別提交了他們各自第一次的退出報告[13-19]。為了更好地了解現階段研發過程中自動駕駛功能退出的誘發原因，以及手動接管過程中人機交互機制，從而進一步完善自動駕駛系統的設計，本文綜述總結了上述7個製造商公開提交的自動駕駛退出報告。對不同原因誘發的自動駕駛退出案例進行了詳細的分析和比較，調研了這些事件中相應的人工接管機制與時間。
II. 自動駕駛退出報告概覽
2.1 自動駕駛退出的定義
加州機動車管理局DMV規定，需要報告的自動駕駛退出事件包括：由自動駕駛系統檢測到故障而觸發的自主模式失效，以及為保障車輛運行安全由測試駕駛員觸發的自主模式退出及其相應的人工接管操作[20]。
註：以上定義是為了確保製造商不報告任何常規或日常必要的自動駕駛退出事件。且由於被報告的自動駕駛退出事件均由人工立即接管，因此其應對的自動駕駛技術應歸於SAE分級中的L2自動化，而非L3 (車輛3級自動化須能夠提供給駕駛員足夠舒適的切換時間來實現人工接管)。
2.2 自動駕駛退出的分類
根據以上定義，自動駕駛退出事件可以分為以下兩種不同類型：
1)被動退出PDE (Passive Disengagement)
當自主駕駛相關技術檢測到故障無法繼續執行時，自動駕駛模式被迫退出、斷開控制，且要求駕駛員立即人工接管。
2)主動退出 ADE (Active Disengagement)
自動駕駛控制系統未檢測到任何故障，但駕駛員監控運行工況時為保證車輛安全行駛採取人工干預，主動觸發自動駕駛模式的退出，實現對車輛的手動接管控制。
2.3 自動駕駛測試及退出事件報告概覽
以下列出了7家製造商(以字母A-G表示)在加州公共道路上自動駕駛測試里程數。
1)製造商A報告自動駕駛里程數424,331英里，包含341次自動駕駛退出事件[15];
2)製造商B報告自動駕駛里程數16662英里，包含405次自動駕駛退出事件 [14];
3)製造商C報告自動駕駛里程數14945英里，包含261次自動駕駛退出事件 [18];
4)製造商D報告自動駕駛里程數1739英里，包含1031次自動駕駛退出事件[17];
5)製造商E報告自動駕駛里程數1485英里，包含106次自動駕駛退出事件[16];
6)製造商F報告自動駕駛里程數935英里，包含625次自動駕駛退出事件[13];
7)製造商G報告在公共街道上未進行自動駕駛，無自動駕駛退出事件[19]。
圖1. 6個製造商在加州公共道路測試里程統計
基於圖1的統計結果，A公司在公共道路上的自主車輛測試里程遙遙領先。隨著自動駕駛技術的不斷發展和完善，對於大多數的製造商來說，每個月發生的自動駕駛退出事件數量隨著時間的推移逐漸減少，如圖2所示。
圖2. 6個製造商發生自動駕駛退出事件的月度統計
環境因素對自動駕駛車輛運行至關重要。在不同環境條件下（包括不同的地點、天氣、路面類型等因素）實現全自主駕駛，要求自動駕駛技術足夠的智能與魯棒，以處理所有可能遇到的運行工況 [21,22]。退出報告中所涉及的道路環境狀況綜述如下：
1)地點：街道、州際公路、高速公路、鄉村道路、停車場。
2)天氣：晴朗、多雲、雨天、晴朗夜晚 [16]。
3)路面狀況：乾燥、潮濕、有洞或凸起等不佳狀況路面[17]，車道線不清晰，路面交通標記褪色不清，以及新鋪路面[14]。
為了綜合全面評價自動駕駛測試里程及功能退出事件，採用「英里/ 每次退出」（miles per disengagement, MPD）作為自動駕駛技術成熟度的評價指標。MPD定義如下：
MPD = S / n（1）
其中，S表示自動駕駛測試里程，n表示測試期間發生的自動駕駛退出次數。
根據圖3中的統計結果，2015年底，製造商A的MPD值穩定保持在3000左右，表徵自動駕駛車輛自主行駛3000英里（約4800公里）會出現1次功能退出事件，而其他公司的MPD值基本在100以內。
圖3. 6個製造商MPD值的月度統計
基於上述統計的MPD值，我們定義了兩個階段來表示製造商自動駕駛技術的成熟度：
階段1：MPD值低於2000，表示自動駕駛研發處於初級階段，自動化系統的基本功能需要完善和改進。
階段2：MPD值高於2000，表示自動駕駛技術具備較高成熟度，接近高度自動駕駛。
據此，退出報告所涵蓋的六家廠商可以清楚地分為在自動駕駛技術開發中不同成熟度階段的兩類：
1) I階段製造商: B、C、D、E、F;
2) II階段製造商: A。
III自動駕駛功能退出的主要原因分析
諸多因素會影響自動駕駛控制，並導致功能退出。這些原因包括(但不限於)如下表三和圖4所列：
表I 不同類型自動駕駛退出的誘因
圖4被動退出PDEs和主動退出ADEs的主要誘因
3.1 被動退出 PDE的典型原因
1)硬體問題
硬體元器件失效或未按預期執行工作，一些典型的報告原因如下：車輛控制器發生故障；感測器、導線、執行機構和其他物理設備損壞[16]。
2)軟體問題
軟體故障涵蓋了環境感知、物體識別、車輛定位、決策、路徑規劃、軌跡生成、縱橫向控制等諸多方面的問題。報告的一些典型原因包括：錯誤識別了障礙障礙物[15]；另一輛車從側面接近但未被感知[16]；識別系統失去了前車軌跡[16]；目標路徑生成失敗[16]；定位故障 [16]；等等。
3) 天氣條件
測試過程中出現的天氣條件因素導致自動駕駛功能退出，典型原因例如：照明條件差導致交通信號燈檢測故障[16]；陽光過強導致對象檢測失敗[17]；雨、雪、霧等導致能見度差；過熱或過冷的溫度，等等。
4) 路麵條件
由於路面狀況不佳，導致自動駕駛功能關閉，典型原因例如：道路有洞或凸起[17]；褪色的路面標記、剛鋪好的路面，等等。
3.2 主動退出ADE的典型原因
主動退出的典型原因包括軟體限制、硬體問題、遇有緊急情況和預防性人工干預等。詳細描述和相關的示例案例如下。
1)軟體的局限性
雖然自動駕駛系統沒有檢測到故障，但由於其自身能力限制無法處理複雜情況下的高級駕駛任務，或由於軟體的限制而導致的物體感知、車輛的軌跡、行為等不理想，使得人工主動介入干預，導致自動駕駛功能退出。一些典型的案例如：在擁擠交通環境下換道[14]；十字路口過多行人和車輛使得自主系統難以決策控制[16]；自動駕駛車輛過於靠近停著其他車輛[15]；未識別停止的前車，未能有效減速，於是司機主動接管，採取制動操作[16]，等等。
2)硬體問題
硬體故障使得司機感到需要立即人工干預控制車輛。
3)緊急情況
緊急情況下，駕駛員出於安全性的考量主動接管車輛的控制許可權。典型案例包括：出現急救車輛[14][15](為了解決此問題，谷歌提出了一個檢測和應對緊急車輛的方法[23])；道路出現交通事故[13]，等等。
4)預防性干預
為了避免由於路面狀況不佳等原因導致自動駕駛功能退出，駕駛員採取的預防性人工干預措施，例如：避開前方施工區域[13]-[17]；避讓自行車騎行者，為其提供足夠空間；為保障行人安全而採取的預防性措施[14]；確保車輛在惡劣天氣條件下的安全行駛[17]。
IV 製造商案例研究
4.1 成熟度II階段製造商退出案例分析
為更好的理解自動駕駛技術的發展歷程，我們首先分析成熟度領先、處於II階段的製造商A的相關自動駕駛退出案例。
1)概述
如圖5數據顯示，對製造商A而言被動退出PDE占所有退出事件的主導地位。2015年5月前，以每月近50起退出案例的比率增加，而隨後PDE數量開始大幅下降，穩定的保持在每月20例以下，說明其自動控制技術逐漸完善。與之形成對比的是，其主動退出ADE的數量保持穩定，每月不超過10例。
圖5製造商A被動與主動退出月度數量統計
圖6顯示，總體而言隨著時間的推移，每出現一次退出事件的自動駕駛里程數在穩步增加。從2014年第四季度到2015年第四季度，自動駕駛退出頻次從744英里/次下降到2800英里/次。具體來說，被動退出PDE頻次和主動退出ADE頻次分別從2014年第四季度的1026英里/次和3398英里/次下降到2015年第四季度的5749英里/次和6878英里/次。這進一步印證了製造商A自動駕駛技術在這一時期所取得的顯著提升。
圖6製造商A每出現一次退出事件的自動駕駛里程月度統計
2)被動退出PDE案例詳細分析
仔細查看數據，導致被動退出PDE的主要原因可以分為四類：硬體問題、軟體故障、天氣狀況和路面情況。如圖7所示，軟體故障是PDE的主要誘因。軟體問題主要包括感知、決策和控制的故障，是自動駕駛技術發展初級階段的問題。然而PDE數量及其軟體故障在2015年4月以後顯著下降，表明相應技術在不斷完善和發展。
圖7製造商A被動退出事件PDE月度統計
根據圖8可以進一步清楚地看出，在整個年度的測試過程中，軟體問題佔據4個PDE主要誘因的80%以上。此外，硬體故障、惡劣天氣和路況因素的比例分別為13.97%、4.04%和0.37%。
圖8製造商A被動退出PDEs不同誘因比例統計
3)主動退出ADE案例詳細分析
如圖9所示，每個月主動退出ADE案例主要的原因是軟體因素。在這一年度里軟體問題導致的ADE數量並沒有明顯減少，這是因為導致ADE的軟體問題通常對應於L3及以上的自動駕駛功能，短期內難以迅速完善。除此之外，緊急事件和預防性干預所造成的自動駕駛退出的本質也與軟體功能的局限性密切相關。由於目前的自動駕駛技術還不夠智能和魯棒，在複雜工況下，軟體缺乏處理緊急、高級駕駛任務的能力。因此，駕駛員在某些情況下須進行人工干預以保證行駛安全。
圖9製造商A被動主動退出事件ADE月度統計
圖10顯示軟體問題佔ADEs事件誘因超過75%的比例，連同緊急情況和預防性干預措施一起佔了ADEs事件誘因的98%以上。
圖10製造商A主動退出ADEs不同誘因比例統計。
4.2 成熟度I階段製造商退出案例分析
為了在更大量數據集基礎上找到共性和特徵，將成熟度為I階段的製造商出現的自動駕駛退出事件聯合起來共同分析。
1)概述
據圖11顯示，自動駕駛被動退出事件PDE自2014年四季度到2015年四季度的所有退出案例中佔主導地位。然而自2015年1月以來，PDE的絕對數量穩步下降到50次/月以內。
圖11 I階段製造商被動與主動退出月度數量統計
然而如圖12所示，考慮到自動駕駛距離的因素，這5家I階段成熟度的製造商在公共道路上自動駕駛測試總里程還不及A公司的1/10。因此，自動駕駛退出事件的出現頻次高達10英里/次(製造商A: 約2800英里/次)，這清楚地顯示了在自動駕駛技術成熟度上的差距，亦表明了高度自動駕駛技術開發過程中進行道路測試的重要性。
圖12 I階段製造商每出現一次退出事件的自動駕駛里程月度統計
2)被動退出PDE案例詳細分析
如圖13所示，在I階段製造商中，誘發PDEs的最主要原因是軟體故障，但其他三個因素在每個月均對PDEs事件的發生有貢獻。
圖13 I階段製造商被動退出事件PDE月度統計
根據圖14所示餅圖，天氣條件和路面狀況分別佔PDE案例出現誘因的9%以上，說明這些製造商的L2、L3技術開發方面仍存不足。
圖14 I階段製造商被動退出PDEs不同誘因比例統計
3)主動退出ADE案例詳細分析
基於圖15所示的數據，與製造商A類似，軟體故障亦是I階段製造商自動駕駛主動退出事件ADE的最主要原因。正如前面提到的，緊急情況和預防性干預所引起的功能退出與軟體能力密切相關。
圖15 I階段製造商主動退出事件ADE月度統計
對於I階段製造商而言，這三個原因幾乎佔據了ADEs事件誘因100%的比率(見圖16)。這一現象印證了發展高級自動駕駛技術的難度，亦說明了其現有技術水平與高級自動化目標之間存在著巨大的差距。
圖16 I階段製造商主動退出ADEs不同誘因比例統計
V 人工接管機制與時間
依據加州DMV的測試要求，只要出現自動駕駛系統無法處理的情況，測試車駕駛員必須以安全的方式立即接管駕駛任務。對各個製造商所設置的人工干預機制以及接管控制時間進行研究，可以幫助我們更好地理解對駕駛員注意力回歸駕駛任務時間點所應有的要求，並據此去設計合理的切換控制系統及演算法。
5.1人工接管機制
人工接管操作可以由自動控制系統請求、駕駛員響應，也可以由駕駛員人工控制輸入直接觸發。
1)接管請求信號
接管請求通常是在系統檢測到故障無法處置之後，通過聽覺、視覺反饋信號來提示駕駛員立即介入操作、接管車輛控制。
2)接管操作
在收到自動控制系統的接管請求，或當駕駛員想主動干預車輛控制時，車輛駕駛許可權的交接可以由駕駛員通過動作觸發，包括按下自動/手動控制切換開關、操縱方向盤、剎車或油門踏板等。各製造商測試車輛接管控制機制概述如下。
製造商A：發出一個獨特的音頻和視覺信號，表明需要駕駛員立即接管[15]。
製造商B：任何硬體故障會觸發蜂鳴信號，提醒駕駛員需要手動接管。測試過程中，車輛駕駛員必須一直將一隻手放在方向盤上，另一隻手放在中控台自動/手動切換開關上。按下該開關將切斷自動駕駛系統的電源及自動執行機構(油門、轉向、剎車及檔位)，並允許操作員立即接管[14]。
製造商E：駕駛員接受到技術故障提醒，或駕駛員主動通過對剎車、油門、轉向的輸入觸發自動駕駛退出，實現人工接管[16]。
製造商F：當發生自動駕駛退出時，駕駛員會立即收到聲音和視覺上的提示信號，須立即採取接管措施。然而，重新介入的人工控制並不一定意味著駕駛員必須在方向盤、剎車或油門踏板上立即可測量的輸入[13]。
製造商G：接管警告是基於視覺和聽覺信號設計的。自動駕駛系統不會試圖對車輛採取減速操作，當看到或聽到警告信號時，駕駛員有責任立即採取措施，通過踩下剎車或將自適應巡航控制桿回位[25]，觸發自動駕駛模式的退出，進而實現人工接管。
5.2 接管時間
總體而言，接管時間可以定義為自駕駛員收到技術故障、人工干預請求信號起，至其對車輛進行手動控制為止，所花費的時間[15]。目前沒有一種統一的技術標準與方法來測量這一接管過程時間。此外，製造商提高的報告亦沒有充分描述他們記錄接管時間數據的方法。在表IV中展示了每個製造商自動駕駛退出事件所報告相關接管時間的統計結果。
表II自動駕駛退出事件所報告相關接管時間的統計結果
製造商A：測試駕駛員針對人工接管接受了專門的訓練與準備，平均響應時間為0.84秒[15]。
製造商B：在報告中部分有記錄的接管時間均小於 1s (無具體時間)，剩餘被記為N/A[14]。
製造商C：平均接管時間為3.06s[18]。
製造商D：平均接管時間為0.875s[18]。
製造商E：大部分記錄值平均不到1 s。在所有駕駛者主動干預的情況下中，時間被記錄為0；在幾乎所有的自動控制系統故障情形下，時間被記錄為
製造商F：無法測量每一個自動駕駛退出時間，因為並不是所有的接管情況下需要施加可測輸入。因此，採取的安全方法為，模擬在一個特定的自動駕駛測試場景，讓駕駛員不斷訓練人工接管過程，只有通過訓練的駕駛員才能駕駛測試車輛，他們會不斷地監控車輛的運行情況。這種安全方法已由獨立的第三方安全組織進行審查[13]。
註：雖然報告的大部分接管時間的平均值在1秒內，但自動駕駛許可權的交接及其切換控制絕非一件容易完成的簡單任務。在所有報告的自動駕駛車輛測試中，駕駛員均訓練有素、經驗豐富，且集中注意力、隨時準備接管車輛控制。然而，在日常生活中，我們不能保證所有的司機都經過良好的訓練、以及保有足夠的注意力來立即恢復人工控制。此外，駕駛場景、駕駛員認知負荷、注意力、疲勞狀況、對周圍狀況的感知等，均對其接管控制有很大的影響。因此，如何準確的在線實時監測駕駛員狀態、評估其接管能力，及HMI的設計，仍然是需要不斷探索的重要挑戰[17]。
VI 討論與建議
6.1 討論
自動駕駛功能退出是反映自動駕駛技術成熟度的一個關鍵指標。在上述分析的基礎上，我們認為不同類型的自動駕駛退出事件與高級自動駕駛技術的成熟度可以相對應。如圖17所示，PDE和ADE可嵌入到L2和L3自動駕駛的技術特點與要求中去。具體來說，PDE對應於L2自動駕駛研發的初級階段。充分解決PDE故障可使製造商技術水平達到成熟的L2自動駕駛階段。而在PDE之外，ADE的案例則可以映射到L2自動駕駛技術發展的高級階段。ADE的主要誘因表明，解決面向高度自動駕駛的技術問題是更加困難的。如果這些問題能夠得意妥善解決，那麼自動駕駛技術應接近或達到了L3自動化的程度。
圖17自動駕駛退出事件與自動駕駛技術水平之間的映射關係
6.2 建議
在上述分析的基礎上，為了幫助進一步完善自動駕駛技術，尤其是L2和L3車輛自動化，以下為OEM、製造商和政府組織提供了一些建議。
1)針對OEM的建議
根據分析，PDE和ADE的主要原因是軟體問題，其涵蓋了感知、決策、路徑規劃和車輛控制的諸多方面的問題。隨著車輛自動化程度的提高，軟體的功能、性能和魯棒亟待提升。OEMs應該遵循系統工程方法的軟體設計和驗證過程，目標是設計出不存在不合理安全風險的HAV系統。同時，如NHTSA建議，OEMs應關注人工智慧、機器學習等相關軟體技術和演算法的演變、實施和安全評估，以提高HAVs的有效性和安全性[6]。
此外，了解人機之間的交互作用是非常重要的。尤其是L2和L3系統中，駕駛員必要時需返回駕駛任務，但是其接管能力可能受到主客觀多重因素的影響，OEMs應該考慮如何將對駕駛員注意力、意圖和任務參與度的監控納入軟體系統。此外，HAVs將如何向周圍環境、及交通參與者發出信號，這些因素也應該被OEMs考慮。
2)針對製造商的建議
製造商應該根據SAE發布的自動駕駛分級定義，適當地確定其系統的自動化級別。對於所有的HAV系統，製造商應確保其HMI設計的合理性、適當的碰撞/乘員保護已被考慮、消費者的教育和培訓已經得到解決[6]。
尤其是在處理人工接管是，製造商應該有能保證自動駕駛車輛在遇到問題時能夠過渡到最小風險條件下運行。在道路上運行的HAV應該能夠及時準確的檢測到系統的故障，並告知人類駕駛員，使駕駛員能夠儘可能快速、安全的接管車輛控制。相應控制策略亦應該考慮到駕駛員可能存在分心、受酒精或其他物質影響的情形。應以有利於車輛安全操作和盡量減少不穩定駕駛行為的方式來管理駕駛權，同時也應盡量減少駕駛員在接管過渡過程、決策過程中出現錯誤的影響。除此之外，自動駕駛退出事件及相應的人工接管控制也應該在出現後進行充分的分析和利用[15]。
3)針對政府組織的建議
政府組織在促進車輛自動化方面發揮著重要作用，例如確保安全部署，並促進相應的安全保證機制。為了幫助發展和完善自動駕駛技術，各國政府應對自動駕駛車輛保留其對車輛登記許可、交通法規和執法、以及機動車保險、責任制等傳統職責。此外，應該建立、升級更多的測試區域和設施，以支持自動駕駛技術的發展[6]。須開展充分的教育和培訓活動，以確保自動車輛的安全部署。除了製造商和其他實體，政府機構也應開發和組織相關活動，如教育和培訓、研討會、及自動駕駛車輛示範運行，以幫助公民了解自動駕駛車輛的基本原理、與傳統汽車使用和操作方面存在的差異等。
【參考文獻】
[1] F.Y. Wang. 「Control 5.0: from Newton to Merton in popper"s cyber-social-physical spaces」. IEEE/CAA Journal ofAutomatica Sinica, 3(3), 233-234, 2016.
[2] M. Da Lio, F. Biral, E.Bertolazzi, M. Galvani, P. Bosetti, D. Windridge, and F. Tango, 「Artificialco-drivers as a universal enabling technology for future intelligent vehicles and transportation systems」, IEEE Transactions on intelligent transportationsystems, 16(1), 244-263, 2015.
[3] L. Li, Y. Lv, and F. Y. Wang,"Traffic signal timing via deep reinforcement learning," IEEE/CAAJournal of Automatica Sinica, 3(3), 247-254, 2016.
[4] T. Qu, H. Chen, D. Cao, H. Guo,and B. Gao, "Switching-Based Stochastic Model Predictive Control Approach for Modeling Driver Steering Skill," IEEE Transactions on Intelligent Transportation Systems, 16(1), 365-375, 2015.
[5] G. Xiong, F. Zhu, X. Liu, X.Dong, W. Huang, S. Chen, et al., "Cyber-physical-social system in intelligent transportation," IEEE/CAA Journal of Automatica Sinica, 2(3),320-333, 2015.
[6] National Highway Traffic Safety Administration, 「Federal Automated Vehicles Policy, Department of Transportation」,pp. 1-112, 21 Sep., 2016.
[7] SAE On-Road Automated Vehicle Standards Committee, 「Taxonomy and definitions for terms related to on-roadmotor vehicle automated driving systems」, 2014.
[8] National Highway Traffic Safety Administration,"Human factors evaluation of level 2 and level 3 automated driving concepts," pp. 1-300, 2015.
[9] M. Johns, B. Mok, D. Sirkin, N.Gowda, C. Smith, W. Talamonti, W. Ju, 「Exploring shared control in automateddriving」. 11th ACM/IEEE International Conference on Human-Robot Interaction,IEEE, 2016.
[10] L. Lorenz, P. Kerschbaum, J. Schumann,"Designing take over scenarios for automated driving: How does augmented reality support the driver to get back into the loop?." Proceedings of the Human Factors and Ergonomics Society Annual Meeting, 2014.
[11] B. Mok, et al. "Emergency,Automation Off: Unstructured Transition Timing for Distracted Drivers ofAutomated Vehicles." International Conference on Intelligent Transportation Systems. IEEE, 2015.
[12] C. Lv, Y. Liu, X. Hu, H. Guo,D. Cao, F.-Y. Wang, "Simultaneous Observation of Hybrid States for Cyber-Physical Systems: A Case Study of Electric Vehicle Powertrain," IEEETransactions on Cybernetics, 2017.
[13] Robert Bosch, LLC, "Annualreport of autonomous mode disengagements", 18 Dec., 2015. https://www.dmv.ca.gov/portal/wcm/connect/e1e48704-583e-4cfd-aa9a-fa464cb6903d/bosch_disengagement_report.pdf?MOD=AJPERES(Accessed: 21 Sep. 2016)
[14] Delphi Automotive Systems, LLC,"Summary of Autonomous Vehicle Disengagements", 1 Jan., 2016. https://www.dmv.ca.gov/portal/wcm/connect/851838fb-da8b-45da-bd95-ae0451de988/delphi_disengagement_report.pdf?MOD=AJPERES(Accessed: 21 Sep. 2016)
[15] Google Auto, "Googleself-Driving car testing report on disengagements of autonomous mode",Dec., 2015. https://www.dmv.ca.gov/portal/wcm/connect/dff67186-70dd-4042-bc8c-d7b2a9904665/google_disengagement_report.pdf?MOD=AJPERES(Accessed: 21 Sep. 2016)
[16] Nissan North America, Inc,"Nissan Autonomous Vehicle Disengagement Report 2015", 23 Dec., 2015.https://www.dmv.ca.gov/portal/wcm/connect/0170b0e7-7992-45f6-918d-8d3cc5bce9ee/nissan_disengagement_report.pdf?MOD=AJPERES
[17] Mercedes-Benz R&D North America,"Disengagements of autonomous vehicle system", 17 Dec., 2015. https://www.dmv.ca.gov/portal/wcm/connect/3e78951e-5501-412b-ada96ad7fdcb9b82/mercedesbenz_disengagement_report.pdf?MOD=AJPERES(Accessed: 21 Sep. 2016)
[18] Volkswagen Group of America, "Volkswagen Group ofAmerica, Inc.』s Disengagement Reports", 31 Dec., 2015. https://www.dmv.ca.gov/portal/wcm/connect/2ce9a481-e91c-408c-98069df33c3a65de/volkswagen_disengagement_report.pdf?MOD=AJPERES(Accessed: 21 Sep. 2016)
[19] Tesla Motors Inc, "Reporting Disengagement ofAutonomous Mode", 1 Jan., 2016. https://www.dmv.ca.gov/portal/wcm/connect/d4114e78-4c45-4328-a6b9-428e400bf067/tesla_disengagement_report.pdf?MOD=AJPERES(Accessed: 21 Sep. 2016)
[20] California DMV, "Final Statement of Reasons",2016. https://www.dmv.ca.gov/portal/wcm/connect/70791ede-d798-4628-b3a964acebcb881/final_sor.pdf?MOD=AJPERES&CONVERT_TO=url&CACHEID=70791ede-d798-4628-b3a9-764acebcb881(Accessed: 21 Sep. 2016)
[21] K. Kritayakirana, J. C. Gerdes,"Autonomous vehicle control at the limits of handling," International Journal of Vehicle Autonomous Systems, 10, 271-296, 2012.
[22] C. Urmson, J. Anhalt, D. Bagnell,C. Baker, R. Bittner, M. N. Clark, et al., "Autonomous driving in urban environments: Boss and the Urban Challenge," Journal of Field Robotics,25, 425-466, 2008.
[23] Y. Tian, W.Y. Lo, and D.Ferguson. "Real-time active emergency vehicle detection." U.S. Patent Application No. 14/471,640, 2014.
[24] Iso, I. S. O. "26262: Roadvehicles-Functional safety." International Standard ISO/FDIS 26262, 2011.
Tesla Motors Inc, "Tesla Model S - Owner"s Manual". https://carmanuals2.com/tesla/model-s-2016-owner-s-manual-89478(Accessed: 21 Sep. 2016)
作者簡介
呂辰：現任英國克蘭菲爾德大學先進車輛工程中心博士後研究員。2016年1月博士畢業於清華大學汽車工程系，加州大學伯克利分校聯合培養博士。研究方向包括自動駕駛、人車協同、智能電動汽車協同優化、電驅動車輛設計與控制。
曹東璞：現任加拿大滑鐵盧大學副教授、博導，曾任英國克蘭菲爾德大學講師、駕駛員認知與自動駕駛實驗室主任。在汽車動力學與控制，自動駕駛與平行駕駛領域發表論文120餘篇、合編1本英文專著及1項美國專利，獲2010 ASME AVTT國際會議最佳論文獎和2012國際汽車工程師學會SAE Arch T. Colwell Merit Award。近5年作為項目總負責人，在研智能車項目從英國自然基金和歐盟地平線2020等獲超過300萬英鎊資助。目前擔任IEEE Trans on Vehicular Technology，IEEE Trans on Intelligent Transportation Systems，IEEE/ASME Trans on Mechatronics，IEEE Trans on Industrial Electronics，ASME Journal of Dynamic Systems, Measurement, and Control，IEEE/CAA Journal of Automatica Sinica，Intl J of Vehicle Design等國際期刊副主編，國際汽車工程師學會（SAE）汽車動力學國際標準委員會投票委員，第29屆國際智能車大會（IEEE IV 2018）程序共同主席。
趙一帆：現任英國克蘭菲爾德大學製造系講師。2007年博士畢業於英國謝菲爾德大學自動控制與系統工程專業。研究方向包括計算機視覺、非線性系統識別、駕駛員行為監測。
Daniel J. Auger：現任英國克蘭菲爾德大學先進車輛工程中心講師。博士畢業於英國劍橋大學。研究方向包括先進控制方法及其應用、電池系統建模、系統狀態估計、魯棒控制。
Mark Sullman ：現任塞普勒斯中東技術大學教授，曾任英國克蘭菲爾德大學高級講師。博士畢業於紐西蘭梅西大學。研究方向包括先進控制方法及其應用、電池系統建模、系統狀態估計、魯棒控制。研究方向包括駕駛員行為、人因工程、及認知心理學。
王化吉：現任英國克蘭菲爾德大學先進車輛工程中心博士後研究員。2016年博士畢業於英國劍橋大學工程系。研究方向包括自動駕駛、人車協同。
Laura Millen Dutka ：現任英國捷豹路虎公司人機界面技術工程師。
Lee Skrypchuk：現任英國捷豹路虎公司人機界面技術工程師。
Alexandros Mouzakitis ：現任英國捷豹路虎公司電力電子與軟體工程研發部主任。
TAG:智車科技 |