道路交通安全

指导老师：付锐教授学生：薛咏梅对无人车安全性和协调性的分析及无人车面临的主要挑战目录绪论1自主车辆安全可靠吗？外观和自主性对无人驾驶系统的影响2基于启发式进化的自主车辆在无速度车道上的协调性3未来汽车行业的一个关键挑战——自主驾驶的高清图4绪论无人驾驶汽车是一种智能汽车，也可以称之为轮式移动机器人，主要依靠车内的以计算机系统为主的智能驾驶仪来实现无人驾驶。无人车研究历史：从20世纪70年代开始，美国、英国、德国等发达国家开始进行无人驾驶汽车的研究，在可行性和实用化方面都取得了突破性的进展。中国从20世纪80年代开始进行无人驾驶汽车的研究，国防科技大学在1992年成功研制出中国第一辆真正意义上的无人驾驶汽车。2005年，首辆城市无人驾驶汽车在上海交通大学研制成功，如下同意所示。本文基于当下无人车的技术状况，分别从影响无人车使用和普及的主观及客观因素对无人车进行详细探讨。自主车辆安全可靠吗？外观和自主性对无人驾驶系统的影响InternationalJournalofHuman–ComputerInteractionJae-GilLee,KiJoonKim,SangwonLee,andDong-HeeShin(2015)DepartmentofInteractionScience,SungkyunkwanUniversity,Seoul,Korea对自主车辆的评价及认识信任的概念在促进接受自主车辆方面具有关键作用，当人们得知无人驾驶系统在复杂的、不可预测的交通环境下是值得信任的，他们就更愿意使用无人驾驶系统。感知安全是另一个与自主车辆密切相关的心理概念。系统越是智能通常就越被授予更多的权利。集信任、安全及智能于一体将是自主车辆被接受的一个有用指标。研究模型的建立用户对无人驾驶系统感知和评估受到社会存在感的积极影响。这项研究提出两层拟人线索（即，人类外观和高度自主性），并预测一些相似性，动机性和由这些线索诱发的代理性的意识将导致无人系统中更大的社会存在。去测试这些可能性，我们检验以下假说：H1（a/b）：一个无人驾驶系统具有（a）人性的外观和（b）高度自主性将会比小型外观和低自主性的系统有更大的社会存在感。H2：无人驾驶系统中更高的社会存在会诱导用户的正面看法，例如对系统的感知能力和安全性，以及认知和情感信任。如研究模型中所述（见图1）：无人驾驶系统通过人性的外观和高度的自主性，触发的更进一步的拟人化的感觉会增加社会存在感，并反过来诱导对系统的积极认知。我们预测社会存在可能在确定用户对无人驾驶系统的认知上发挥中介作用：H3（a/b）：（a）外观和（b）自主性影响着用户对无人驾驶系统的感知；同时，由此产生的影响是由社会存在感介导的。图1.假设研究模型实验验证一个四条件2×2因子间的实验代表两种类型的外观（人类vs.小工具型）和两个层次的自主性（高与低）以检查所提出的假设。参与者随机分配到四个条件之一（如图所示在表1中）并观察人工代理的驱动性能和风格。实验参与车是来自韩国首尔一所私立大学的89名学生其中44个男生、45名女生，年龄从19至29岁。在实验室，三个预定的驾驶过程被设置在大约4×8m的地面上，如图2所示。使用儿童遥控车作为自主车辆的刺激物，尺寸为120×60厘米，最高速度为6公里/小时。FIG.2.Experimentaldrivingcourses.实验中开发了一个人形机器人NAO。在人性化外观的情况下，它被作为人造驱动代理摆在司机的座位上。在小工具外观情况下，iPhone5S被安装在汽车的仪表板上并用作驱动剂（见图3）。人工驱动代理沿着三个预定的路径方向驱动汽车，在第三种情况下，实验者设置了一个紧急情况即一个隐藏的行人NAO突然出现来引起参与者的安全感知。NAO尝试过马路。在低自主条件下，代理喊道：“警告！停下车!”并要求参与者在预计事故之前按下停止按钮以停车。在高自主条件下，代理会大喊，“警告！我要停车！”通知参与者它会停止汽车，以避免事故，然后自动停下了车。紧急情况发生后，行人NAO离开了该实验进程，代理要求参与者通过按下iPad上的开始按钮重新启动汽车或宣布将自动重新启动汽车。FIG.3.Ahumanoidrobot(left)andsmartphone(right)posingasartificialdrivingagents.对于所有测量变量的α值是在0.77和0.86之间，这表明这些问卷项目内部一致性和可靠性较强。问卷以手写的形式给出，参与者使用7点Likert量表回答每个问卷项目，范围从1到7。假设检验Pearson’sr相关性分析表明社会存在与人工驱动代理的感知的智能和安全性呈正相关，同时与对该代理的认知和情感信任也为正相关。接下来，进行2×2多变量方差分析。如表2所示，同样，方差分析也显示代理的外观对所有测量变量（除认知信任外）的重要影响。参与者认为由高自主性的驾驶代理驱动的汽车能诱发更大的社会存在，更加智能，更加安全，并且在认知上，情感角度，都是更值得信赖的。外表和自主之间的双向互动预测情感信任也是很重要的（见图4）。对于与小工具代理互动的参与者，高自主性比低自主性能引起更大情感信任。但是，自主性对于人性化代理中的参与者没有发生显着的作用。FIG.4.Interactionbetweenappearanceandautonomypredictingaffectivetrustinthedrivingagent.最后，用PreacherandHayes的间接效应自举程序来检查拟人化在其他测量变量中是否具有中介效应。正如H3a所预测的，结果（见表3）表明社会存在促成了外观对感知智力，安全性，和认知信任的影响。此外，社会存在对自主性产生的间接的影响也是很显著的。主要影响着感知智力、安全性、认知和情感信任。讨论这项研究探讨层拟人化线索在人工驱动代理上的应用是否能促进对无人驾驶系统积极的评价和认知。结果表明：人工代理外部（即外观）和内部（即自主性）的拟人化质量都可以运用相应技术被操纵以提供更积极和具有社会意义的互动；同时，也表明提高自主车辆安全性和可靠性在心理上的可行性。这项研究的另一个贡献是确认社会存在作为一个有影响力的中介者在建立无人驾驶系统中的作用。在人工驱动代理中，由人性化的外观和高自主性所诱导的更大的拟人化程度增强了社会存在，这反过来对用户感知和评价也产生了积极的影响。从方法论角度来说，这项研究有几个局限在未来的研究中应该予以考虑。第一，实验设置的生态有效性仍然有问题。此外，即使是无人驾驶系统，没有人类操作者而只靠人形机器人驱动汽车也是不可能的。第二，我们相对年轻的参与者的样本较其他年龄组的样本而言，在实验结果的概括性上是存在限制的。通过解决这些限制，未来的研究应进一步探索有效的策略激发更大的心理满意度和使用自主车辆的信心。基于启发式进化的自主车辆在无速度车道上的协调性ELSEVIERAppliedSoftComputingRahulKala,KevinWarwick（2015）SchoolofsystemsEngineering,UniversityofReading,Whiteknights,ReadingRG66AY,UK介绍未组织的交通在不同的车辆宽度并可以实现近距离超车交通情况下会导致更高的交通带宽。也可以将其他车辆推向侧面以获得一些额外的超车空间来完成超车。我们通过使用基于与遗传算法相关的运动规划的贝塞尔曲线对车辆行驶路径做全面的规划。算法Dijkstra算法最高层的规划由Dijkstra的算法提供，Dijkstra算法计算输入图中任何源和任何目标之间的最短路径。对于任何车辆Ri，输入包括它的源Si，目标Gi和路线图。地图如图1所示。对于任何机器人车辆Ri，其路径为Si→Pi1→Pi2→Pi3→...→Piv→Gi，如图2所示。由于环境是动态的，所以计算出的路径在任何时刻都有可能是阻塞的。在这种情况下，我们将车辆当前的位置作为新的源Si添加到路线图新的顶点，目标保持不变。Dijkstra的算法被再次调用返回一个新的路径。基于Bezier的规划与遗传优化下一级的规划通过使用Bezier曲线实行。规划算法的目的是产生的路径需要尽可能平顺，使得车辆可以根据每个完整的约束来保持高速。并且使得车辆能够在所有横穿、一般道路转弯或超车的情况下有效地转弯，如图3所示。更精细的规划算法需要自己的规划源和目标。源始终是车辆的当前位置（Xi，其中车辆朝着角θi的方向）。每一个步长，计划器生成一条轨迹并且车辆会依这条轨迹移动。下一步，更改的位置成为计划源。目标设定为下一个交叉点Pij。遗传算法（GA）用于产生最佳的运动贝塞尔曲线，其通过地图中的控制点生成。我们可以采取不同的两条轴表示，称为道路轴系。在该系统中，X轴是连接点Pik到Pij的路线。Y轴垂直于X轴。坐标系和点的相应表示如图4所示。完整的贝塞尔曲线路径规范由源X1、方向维持点、数目变化的的附加Bezier控制点和目标组成。在构成贝塞尔曲线的所有这些点中，只有贝塞尔控制点是非固定的，因此是由GA优化的点。所有控制点一个接一个地排列以形成基因型。基因型和表型之间的映射如图5所示。这里我们假设所有点都根据对应于X轴的值来排序。这是基于车辆总是沿道路方向前进的事实。因此，在有效的曲线中，与前一点相比，后一点总是在道路的前方。遗传算子GA中的进程由多种遗算子操纵。使用的第一个操作是'修复'。该运算符确保点根据道路坐标系中的X轴的值排序，所有点都在车辆的位置之前，并且所考虑的个体包含最少的控制点。排序是将基因型转换为由X和Y坐标组成的点阵列。在当前位置之后的阵列中的所有点都被删除，直到其适合度值方面有更好的路径才停止。操作如图6（a）所示。所使用的第二个算子是“插入”，其中生成可能最长的随机个体。这些个体在修复算子应用之后具有期望的形状。下一个运算符是标准的“交叉”，通过交换亲代的特征来生成子代。操作如图6（c）所示。所使用的下一个运算符是“突变”，它是根据突变率来改变一些点的值。即操作者将该点小幅度的移动到道路上以改变轨迹。相关操作如图6（b）所示。最后使用的算子是“精英”，它将最佳一代个体传送到下一代。该解决方案使车辆移动。协调这里使用通信形式的算法，一个车辆与另一车辆通信并最终更新其计划路径。避免与其他车辆的轨迹冲突。确定速度在任何时候，车辆的速度可以增加或减少一个δ值。若规划程序显示的计划路径不存在任何碰撞并且可以保持安全距离的情况，则可以尝试增加车辆的速度。然而，如果计划的轨迹表明存在碰撞可能或者最小安全距离不能实现，则速度降低。因此，合成速度为等式（4）：超车与该算法相关的一个主要问题是使快速的车辆超越较慢的车辆。在该算法中，这些启发式就是一辆车请求另一辆车转弯的形式，或请求另一车减速的形式。第一种情况中尝试由车辆R1（v2maxv1max）超车。在车辆R2处于R1前方的情况下，车辆R2试图移动到左边。车辆R1则根据其轨迹的计算相反的向右运动。每当R2检测到可能的碰撞或没有保持最小安全距离时，它会减速。然而，当R1检测到无最小安全距离时，它可能不会减慢速度，而是要求R2减慢。当超车时，如果R1检测到几个连续存在的碰撞（排除安全距离），则应放弃超车程序，只是进行减速。超车机制在多个车辆的情况下涉及其他车辆的协同操作。假设后面较快的车辆是R1，并且需要超越较慢的车辆R2，同时车辆R3向前并从相反方向接近。如果R1在不与R2或R3碰撞的情况下绘制可行的轨迹以及保持与它们的最小安全距离，则任何时间超车都是可能的。在这种情况下，如果R2或R3在R1前面，它将分别请求他们移动到它们的左手侧，以允许R2的超车程序发生。当车辆R2和R3在检测到可能的碰撞时需要减速。车辆R1在看到未被维持的安全距离时可以要求R2或R3进一步减速。然而，如果检测到碰撞，车辆R1本身也需要减速。完整的超车机制如图7所示。（c）(d)跟车跟车是常见的交通行为，其中后方车辆不断地适应前方车辆的速度，以便总是保持与其安全的分离。只要显示跟车行为，两个车辆似乎以大致相同的速度和相同的