協同駕駛信息化技術總括

人機協同信息化技術包含車內人機界面（HMI）和車外基于5G的V2X，其中車與人、車與移動設備、車與其他車之間的通信，均體現了協同駕駛信息系統的重要性。本文針對協同駕駛信息化技術進行了如下的總結：

1 協同信息系統提升駕駛安全和交通效率[1]

道路交通在擁堵、安全和環境影響等方面存在嚴峻的問題，隨著移動通信、無線通信和遙感等技術的進步，智能交通系統（ITS）成為一種有前景的技術。開發新的交通系統，需要對感知和人為因素的評估進行研究，以獲得最高的道路交通安全性及最優的駕駛員舒適度，而防止交通事故發生的解決方案之一是提供有關駕駛員周圍環境的信息。

如今，AR使用嵌入式視覺技術，通過計算機生成圖形來增強駕駛員對當前環境的感知，汽車制造商也一直將AR作為車載駕駛顯示器下一代的可視化技術?；贏R-HUD的車輛安全信息系統可以將周圍的交通信息疊加到用戶視圖上來增強ITS，并使駕駛員駕駛時保持注意力。本章提出一種基于AR和深度學習的創新智能駕駛員信息系統，用于識別道路障礙類型、解釋和預測復雜的交通情況。目標是通過分析來自車輛外部的信息，系統可以主動地防止車輛事故的發生并改善駕駛員的安全性和體驗。同時提出一個輔助系統，以便在擋風玻璃上提供有關網絡拓撲的信息，增加駕駛員的可見度，避免在低能見度情況下發生交通事故。在障礙物類型、放置規則、可見性以及這些在車載顯示器上的投影等方面，引入一種新的AR-HUD方法來創建實時交互式交通動畫。所提出的協同駕駛信息系統如圖1所示。

圖1 協同駕駛信息系統[1]

提出一種定位圖像中對象的新方法，其中單個卷積網絡（CNN）同時輸出多個預測的ROI和類別的置信度。單個CNN在每次評估中直接從整個圖像預測感知域和類概率。為ROI中的每個單元引入二進制變量，首先進行網格單元分析，然后進行對象檢測(圖 2)。

圖2 深度CNN的物體檢測體系構架[1]

由以上分析可知，車輛間視頻通信視覺AR和基于傳感器的系統與車輛的組合可以有效地減少交通事故的發生，即協同驅動系統是提高交通效率和道路安全可行的解決方案。

2 針對自主車輛研究的車載通信駕駛信息記錄器[2]

為了開發自動駕駛系統，有必要連續記錄駕駛信息。通常以一定時間間隔存儲車輛狀態信息和駕駛員操作信息，記錄的車輛信息用于識別系統中各問題或不當操作的原因。駕駛信息記錄可應用于多個領域，如自動駕駛系統研究中的問題分析和事故風險分析。作者研究對象為現代汽車公司生產的一輛小型電動轎車，安裝了四臺用于自動駕駛的PC，分別用于識別、計劃、控制、存儲駕駛信息。用于驅動信息記錄的PC通過CAN（控制器區域網絡）連接到車載網絡，并通過以太網連接到其他PC。PC在自動駕駛系統啟動時自動執行并記錄必要的數據。

駕駛信息記錄分為6類，分別為：記錄時間間隔、駕駛模式、駕駛員輸入、車輛運行狀態、駕駛模式的變化信息、車輛路徑中的對象信息。存儲的駕駛信息記錄通過組合每個信息，最終找出問題的原因。

3 基于人工神經網絡和模糊邏輯的駕駛員分神判定與評估[3]

駕駛員分神（DD）定義為由于某些事件、活動、物體或人員，通過損害駕駛員的聽覺、認知或視覺能力等，在車輛內部或外部延遲識別用于保持車輛的橫向和縱向控制的安全信息，導致駕駛員將注意力從基本駕駛任務轉移開。駕駛時與駕駛員執行的主要任務無關的活動則定義為次要活動。駕駛員有兩種類型的輔助任務：與車輛信息系統（IVIS）的交互（如控制舒適性、娛樂性）與車輛物品（例如便攜式電子設備、乘客等）的交互。本章介紹一種基于人工神經網絡和模糊邏輯的魯棒方法，用于檢測、評估車載信息系統引起的駕駛員注意力分散。

DD檢測和評估包括三個步驟[3]（圖3）：

圖3 DD檢測和評估流程[3]

第1步是ANN預測特定路段上車輛的動態性能，即預測駕駛員在特定路段上的表現（維持速度在某一范圍內且保持車輛在車道中間的能力）。

第2步是將預測變量與具有IVIS相互作用的實際駕駛性能進行比較。

第3步是FL-DD評估器具有“2輸入-1輸出”結構，采用五個對稱的重疊在UOD的三角形隸屬函數（MFs），保證輸入具有相同靈敏度。同時，前饋ANN采用Levenberg-Marquardt方法進行訓練，含有兩個隱藏層，其中隱藏層采用的傳遞函數為雙曲正切函數，輸出層中采用線性傳遞函數。

4 人機協同信息采集的深層價值 [4]

有效的人機協作通過融合來自機器和人體傳感器的“硬”和“軟”數據，顯著改善諸多學習和規劃策略。信息價值（VOI）理論上是用于時序調整與人體傳感器交互的關鍵性決策指標。作者Kin Gwn Lore[4]提出一種新的基于深度學習的VOI估計框架，可通過有效的在線推理和最小手動調整策略來調整協同人機感知。監督學習用于訓練深度卷積神經網絡（CNN），從通過數據融合獲得的“圖像”中提取分層特征（圖4）。

研究將人類用作智能機器系統的“軟數據傳感器”問題，特別是考慮如何使用大量人類觀察詞來增加對可測量動態物理狀態的估計，這些狀態必須由機器使用的常規“硬”傳感器數據連續監測（物體位置、速度、狀態、溫度、質量等）。

圖4 用于獎勵學習的CNN示意[4]

實現硬/軟傳感器的融合，數據融合中心可以隨時間調整和執行信息量最大的語義查詢，人類傳感器可以用二進制形式進行回應。基于VOI的調整需要NP-hard貝葉斯算法，將其解釋為部分可觀察的馬爾可夫決策過程（POMDP），允許通過值迭代來計算最優傳感策略。

卷積神經網絡（CNN）用于從圖像中提取相關的分層特征以進行檢測、分類和預測。CNN中，數據由每個隱藏層的多個特征映射來表示。在相應的隱藏層中，將多個濾波器卷積輸入圖像來獲得特征映射，即輸入圖像與線性濾波器的卷積運算。評估CNN模型的性能并與AMDP進行比較，可知：CNN在環信息收集系統能夠降低預期熵及目標MAP估計與真實目標之間的預期誤差（見5和圖6）。

圖5 MAP估計與目標之間的誤差[4]

圖6 MAP估計與目標之間的誤差分布[4]