文摘
自主车辆(AV)被认为是未来汽车工程的最终解决方案;然而,安全仍然面临的关键挑战的开发和商业化AVs。因此,全面了解住客和报告事故的发展状况越来越紧迫。在这篇文章中,自动化的水平进行了综述根据自动化系统的作用在自主驾驶过程中,这会影响分离的频率和事故开车时在自治模式。此外,公众行车AV事故报告进行统计分析。结果表明,超过370万英里被各种检测AVs制造商从2014年到2018年。AVs经常被司机如果他们认为有必要,和脱离频率变化很大2×10−43每英里分离不同的制造商。此外,128事故研究2014 - 2018年,大约63%的总事故是在自治模式引起的。事故总数的一小部分(∼6%)住客直接相关,而94%的事故是被动地由其他各方,包括行人、骑自行车、摩托车、和传统的汽车。这些安全风险确定行车测试期间,由分离和实际事故,表明被动事故造成其他道路使用者是多数。AVs提醒的功能,避免其他各方造成的安全风险和安全决策,以防止可能的致命事故显著改善住客的安全。实际应用。这个文献综述总结了住客的安全问题由AV系统的理论分析和统计调查脱离和事故报告的行车测试,发现将帮助未来的研究努力AV发展。
1。介绍
要求减少交通事故、交通拥堵、能源消耗、排放,自动驾驶技术已经被认为是一个有前途的解决这些关键的社会和环境问题。自主车辆(AV。,automated or self-driving vehicle) equipped with advanced technologies assists a human driver or to control the vehicle independently, where human interference may not be required [1,2]。控制决策,如加速,deaccelerating,换车道,停车,可以由驾驶员或一个自治系统,根据车辆的自动化水平和感知周围环境的结果(例如,行人、骑自行车,其他车辆,交通信号,和学校区)(2- - - - - -5]。车辆自动化可以分为几个级别,例如,没有自动化,半自动化,高自动化,或根据驾驶员的参与完全自动化或自动化系统在监测周围环境和控制车辆。
自主技术在交通系统带来就业机会缓解甚至解决与运输相关的经济和环境问题,因此,自主车辆最近一直积极研究[6]。AV技术能够改变传统的交通工具(i)改善道路安全,人为错误,占总事故的94% (7),(2)提高交通的经验,通过工作或娱乐,而不是驾驶和交通路径缩短通勤时间计划(8,9)或停车任务进行自主[10,11),和(3)改善流动适合每一个人,使残疾的人访问运输和提高他们的独立(2,12]。在2011年,超过530万车辆事故被报道在美国,导致约220万人受伤,3.2万人死亡,和数十亿美元的损失1]。根据(13),人为因素造成的事故,包括超速,扰乱的开车,酒精,和其他行为,占事故总数的93%。通过减少人力的参与操作,AVs有可能显著降低车祸。根据公路安全保险学会(1等),部分自主技术向前碰撞和车道偏离警告系统,一边查看帮助,和自适应头灯可能会阻止或减轻事故,减少伤害和死亡可以高达33%。当一个人类操作员不需要操作车辆,它将使盲人,残疾,和那些太年轻开车,提高他们的独立,社会联系,和生活经验14,15]。AVs也会减少公共交通的需求或辅助客运系统机构,可以节省成本由纳税人承担,提高社会福利。所有者和社区也将受益于自主技术的发展(i)潜在的燃料储蓄更好的车队管理方面(16- - - - - -19][避免拥挤9,20.)和更易于管理的停车场安排(10),(2)潜在的缓解压力的人上下班开车,甚至采取提前上班的路上(21]。巨大的潜力减少拥堵不仅有利于AV司机还有其他司机。尽管显著增加AV用户可能增加交通拥堵13),交通条件也可能提高了优化的车辆操作和减少事故和延迟22,23]。改善交通系统,AV技术有重大潜在的节约能源和减少排放17,24]。节能的好处可能会导致平滑加速和减速人类司机相比,更好的车队管理通过降低峰值速度和更高的速度,有效减少旅行时间,轻设计的车辆,因为更少的事故1]。如果较轻的车辆可以通过自主技术,电动汽车的使用可以提升由于提高引擎范围(1]。因此,在整个交通运输系统可以减少排放。研究还表明,先进的横向控制方案AVs也可以改善路面可持续性(25,26]。
自主技术带来的重大潜在好处驱动AVs在过去四十年的发展。从1980年代到2003年,AV研究主要是由大学和关注两个技术途径:保证完成基础设施投资和vehicle-centered技术发展。前者需要先进的公路基础设施系统指导车辆,而后者没有。在2003年和2007年之间,美国国防高级研究计划局(DARPA)领导的反病毒技术的发展在农村和城市地区。2007年之后,私人公司,如谷歌,奥迪、丰田和日产,继续这个技术开发,因为提高对AV技术要求(1]。最近,这些技术正在蓬勃发展的道路测试27]。事实上,各种特性被广泛应用于现代汽车包括lane-keeping,防撞,自动刹车,自适应巡航控制系统(ACC),车载导航帮助人类司机(28]。近年来,许多制造商,以及高科技公司,加入这AV竞争。奥迪、宝马、奔驰、大众、沃尔沃、福特、通用、丰田、日产、谷歌、百度和其他研究机构,已经开始测试,越野AVs (13,28]。
尽管AVs已经大大改善,全自动车辆还没有准备商业化。的障碍主要来自安全问题。穆迪等人的研究表明,高工资和教育青年男性是最乐观的AV安全(29日),而西欧国家则更悲观的安全相比,亚洲国家(30.]。他们声称,自主技术的乐观情绪在冒险发展中国家的人们可能促进全球发展的住客。李等人的研究表明,安全风险会影响客户的意图使用自动车辆(31日]。此外,“安全”AV应该能够自动遵守交通法规,避免道路危险和有效21]。应该注意的是,对于一个完全自动化的车辆,人为因素在vehicle-human接口是一个最重要的问题2]。规定,驾驶员的角色定义,可以改变取决于AV技术开发的进展。反过来,自动化的水平及其成熟度还会影响法规强迫(32),例如,一个人类司机是否应该负责监督周围的环境在整个自动驾驶模式或立即接管控制当一个AV故障(13]。换句话说,AV安全会受到各种社会和技术的影响因素,包括自动化水平定义,规范制订,自然的车辆、道路和交通条件下,甚至天气条件。因此,全面了解汽车自动化水平的定义,类型的潜力和事故报道,当前状态的行车测试将为AV技术发展是有益的。
因此,迫切需要进行仔细的调查数据可用的AV-related事故和潜在的事故预测当AV技术推进到更高的自动化水平。巨大的努力一直致力于AV技术开发;然而,一个更新统计安全问题的观点是失踪的文献中。住客的安全问题已分别在文献中报道,和批判性分析现状和原因将有利于AVs的进一步设计和开发。这是具有重要意义的有关人员了解系统故障和可能的原因。
研究的目标,因此,系统地分析了安全问题相关的自主技术应用于车辆的应用。章的综述了车辆的自动化水平2,事故的类型和他们的潜在原因是章全面分析3。当前状态的行车测试和章事故调查4的机遇和挑战,最后,AV章讨论安全性研究5。
2。水平的自动化
AVs的定义是至关重要的监管制造商最小化这种技术对传统道路使用者的影响,如其他车辆、行人、自行车,甚至是建筑工人。正如上面提到的,车辆的自动化水平依靠自主技术应用的复杂性,环境的感知范围,和程度的驾驶员或车辆系统参与驾驶决策,AV安全密切相关。自动化水平的定义从不同组织因此本节总结和比较。
自动化水平的传统定义是由谢里丹和Verplank33)早在1987年,后来修改Parasuraman et al。342000年)。十自动化水平定义基于角色的操作员和车辆系统在驾驶过程中。1级意味着不涉及自动化和人类作出所有决定和所有操作。在2到4级,系统可以提出一套完整的替代的决定或行动计划,但是人类监事决定执行建议的行为。从5级,系统正在成为能够执行决定人类操作员的批准。在6级,系统允许驾驶员反应在一定时间自动行动之前。在7级,自动操作之后,系统将通知人类主管;而在8级,系统不会通知人力主管,除非它是问。9级时,系统将决定是否人类主管将被告知后自动行动。10级意味着完全自动化,完全忽视人的因素。 The details of the ten levels of automation can be found elsewhere [33,34]。
在航空航天工程,自动化的水平是不同的,通常,六个级别定义,被称为飞行员授权和控制的任务(协议)框架(35]。这种自动化系统标记从0到5级。级别0表示没有电脑的自主权,和5级意味着系统可以全自动但仍然可以打断了人类飞行员。除了人类的吩咐和自动模式,该协议还建议四个辅助模式取决于操作人类飞行员和系统之间的关系。六级的细节可以在找到35]。
在汽车工程,美国国家公路交通安全管理局(NHTSA)定义五个级别的自动化(36]。在此系统中,自动化水平分为5类,即编号从0到4。0级代表没有自动化,司机完全控制车辆。的最高水平,4级,代表完全无人驾驶自动化,车辆能够监视外部条件和执行所有的驾驶任务。可以看出,大多数当前自主车辆的开发活动可以分为3级,自动驾驶自动化有限,司机能够接管驾驶在某些情况下。最近,国家公路交通安全管理局采取了更广泛的使用AVs的定义基于汽车工程师协会(SAE) [2),定期更新(37]。SAE定义6级别的自动化车辆从0(无自动化)到5(全自动化驾驶)基于人的因素的程度自动化系统所必需的。六级驾驶自动化是由SAE,由汽车制造商广泛采用,监管机构和政策制定者(2,37- - - - - -39]。这些自动化水平除以人力驱动和自动化系统的作用在控制以下驾驶任务:(i)执行方向盘和油门控制,(2)监测驾驶环境,(3)回退的动态驾驶任务(DDT)及(iv)系统各种自动驾驶模式的能力。根据驾驶员的角色DDT, 0 - 2水平依赖于驾驶员执行部分或全部DDT,和级别3 - 5代表条件,高,和驾驶自动化,分别,这意味着系统可以执行所有滴滴涕虽然订婚。车辆自动化水平的详细定义是广泛用于目前的AV开发活动。定义的六级驾驶自动化汽车工程师协会(SAE)如下所示2,37,40]:(我)0级(没有自动化)。所有由人类操作员完成驾驶任务。(2)1级(驾驶员辅助)。操作员控制车辆,但驾驶辅助的自动化系统。(3)2级(部分驾驶自动化)。综合自动化功能应用于车辆,但是人类操作员仍然监控环境和控制驱动过程。(iv)3级(有条件的驾驶自动化)。操作员必须在必要时随时准备操作车辆。(v)4级(高驾驶自动化)。行车自动化系统能够自动在一定条件下,和人类司机可以操作车辆。(vi)5级(全自动化驾驶)。行车自动化系统能够自动在所有情况下,驾驶员可以控制车辆。
可以看出从各个不同组织定义的自动化水平,人类的运营商和车辆系统可以在不同程度参与驾驶的过程。这意味着部分安全隐患,高,全自动车辆可以显著不同。当AVs的自动化操作,部分自动化,或高自动化模式,操作员和机器之间的交互可以是一个重大挑战AV安全;当AVs在完全自动化操作模式,软件和硬件的可靠性将成为一个至关重要的问题。换句话说,随着越来越多的自主技术应用于车辆、自治系统的复杂性增加,这给系统带来了挑战稳定性、可靠性和安全性。因此,理论分析潜在的AV错误将迫切了解AV安全现状和预测未来的安全水平。
3所示。自动车辆类型的错误
随着越来越多的自主技术,可以产生不同类型的错误。如果不妥善处理这些错误,他们可能会导致安全问题至关重要。系统分析不同类型的错误或事故的AV技术将有利于理解AV安全现状。应该注意的是,AVs的事故报告的文献非常少与传统汽车相比。然而,这并不意味着当前AVs比人类更安全的汽车。自AV技术仍处于早期阶段的商业化和远离完全自主驾驶,道路测试应该做更多的工作和事故数据库可能表现出不同的趋势。
AV AV的可靠性决定了安全架构及其相关的硬件和软件。然而,AV架构是高度依赖于自动化的水平,AV安全可能显示不同的模式在不同的阶段。即使在相同的自动化水平,AVs的体系结构在不同的研究也可能有所不同。图1显示了AVs的通用体系结构和主要组件。典型的AV由传感器感知系统,一个算法决策系统,和一个actuator-based驱动系统,以及系统之间的互联(41,42]。理想情况下,所有组件的AVs应该功能好,AV可以确保安全。
3.1。事故造成的自主车辆
安全问题或事故AVs是高度相关的AVs犯下的错误在各种自动化水平。一般来说,这样的错误可以根据上述分类架构。
3.1.1。知觉错误
感知层负责收购来自多个传感装置的数据感知环境条件实时决策(41,43]。AVs的发展主要是由复杂性、可靠性、适用性和成熟的传感技术43]。环境感知传感器包括,但不限于,光探测和测距(激光雷达)传感器、摄像头、雷达、超声波传感器、接触传感器、全球定位系统(GPS)。各种传感技术的功能和能力可以在其他地方找到(44]。应该注意的是,任何错误的感知状态,位置,和运动的其他道路使用者,交通信号,和其他危险可能提高住客的安全问题。
图2总结了过去和未来潜在的AV技术进化基于特定的传感技术应用于车辆系统,和获得的信息43,45- - - - - -55]。最后的20个th世纪,本体感受的传感器包括车轮传感器、惯性传感器和测程法被广泛采用车载系统更好的车辆动力学稳定实现牵引力控制系统的功能,防抱死制动系统,电子稳定控制、防滑控制、和电子稳定程序。在第一个十年的21岁圣世纪,许多努力一直致力于信息、警告,和舒适的帮助下在驾驶过程中感受外界刺激的传感器如声纳、雷达、激光雷达、视觉传感器、红外传感器、全球导航卫星系统。导航的车辆使功能、停车援助,自适应巡航控制、车道偏离警告,夜视(56]。在过去的十年中,传感器网络安装在车辆和道路系统采用现代交通系统的自动化和合作为目的的驾驶(46]。将启用先进的自主功能,包括避碰和缓解,自动驾驶,开车的司机将最终发布的过程。根据车辆的自动化水平,感知到的数据也可能来自AVs和相应的基础设施之间的通信(57,58),其他车辆(44,59),网络(60),和云(60]。
硬件、软件和通信的三个主要来源是感知错误。感知系统严重依赖于传感技术;因此,知觉错误可能来自于硬件包括传感器。例如,传感器可能会导致服务器的退化和故障感知错误,混淆了决策系统,并导致危险驾驶行为。因此,可靠和容错传感技术将是一个潜在的解决这些问题。此外,知觉错误也可能导致故障的软件,和这种类型的错误会导致误导的决定和行动层,这可能失败的使命任务或导致安全问题(57]。通信错误将成为重要当AVs接近完全自动化的水平。通信错误可能来自错误导致AVs和相应的基础设施之间的通信(57),其他道路使用者44),和互联网60]。人际沟通是一个重要的组成部分,现代交通系统(61年]。道路使用者,包括司机、行人、骑车人和建筑工人相互沟通协调,确保道路安全运动,这是AVs的基本要求62年]。通信方法包括手势、面部表情和车载设备,以及这些信息的理解会受到多种因素的影响包括文化,背景,和经验,这些因素也面临的关键挑战AV技术(61年]。
3.1.2。决策错误
决定层解释所有从感知层处理数据,使决策,并生成所需的信息行动层(41,63年]。态势感知作为输入决策系统的短期和长期规划。短期内包括轨迹生成、避障和事件和操作经理,而长期计划包括任务规划和路线规划57,64年- - - - - -66年]。
错误主要来自系统或人类的决定因素。一个有效的AV系统只会接管驾驶或警告驾驶员在必要的时候,以减少误警率,但可接受的积极性能(如安全水平)67年]。AV技术是改善随着时间的推移,可以显著减少误警率具有足够精度,满足安全要求的要求(68年]。然而,如果算法不能有效地检测所有的危害,住客的安全将受到威胁。应该指出,这可能需要几秒钟的司机被次要任务响应和接管控制的自动车辆(69年- - - - - -71年AV],它带来的不确定性安全控制。
不幸的是,AV技术尚未完全可靠;因此,驾驶员已经接管驾驶过程中,监督和监测驾驶任务当AV系统失败或受限于表现能力(69年,72年]。反过来,在AV驾驶员驾驶的转移作用可能会导致注意力不集中,减少了态势感知,和手工技能退化(73年]。因此,如何安全有效地再次聘用司机自治系统失败时应该考虑设计AVs从以人为本的角度来看。
3.1.3。操作错误
从决定层接收命令后,控制器将进一步控制方向盘,油门或刹车传统引擎改变方向和加速或减速74年,75年]。此外,还致动器监视变量和反馈信息的反馈将被用来生成新的驱动决策。
与传统驱动系统类似,行动错误由于执行机构的失败或故障的动力系统,控制系统、热管理系统,或排气系统可能导致安全问题。然而,驾驶员能够识别这种类型的安全问题在开车,把车停在在很短的响应时间。车辆在这些场景和学习如何回应这些低频但致命故障的主要车辆组件将挑战全自动化驱动系统。因此,事故重建传统的车辆也很重要(76年]。
3.2。事故造成的其他道路使用者
根据AVs相关事故报告机动车辆(加州政府部门2,77年),大多数的事故与AVs是由其他各方造成的公共道路。例如,汽车,自行车,生气或喝醉了行人与AVs可能共享相同的道路异常的行为,这是人类司机甚至难以处理。
将紧急调查高级AVs将反应与这些危险场景,并将不足为奇,这项技术将大大减少对道路的致命事故。然而,自主技术还不够成熟,不能处理非常复杂的场景之前,可以解决一些关键问题,包括有效的检测和预测其他道路使用者造成的危险行为,和正确的决策由自治系统。造成的危害的有效检测其他道路使用者来说是至关重要的AVs做出积极的决定,以避免潜在的事故。住客应决定是否需要采取行动,这可能违反交通规则,以避免潜在的致命的或有害的事故。
4所示。行车测试和报告事故
在本节中,公开数据为行车AV测试包括分离和事故报告分析了直接了解住客的安全状态。两个典型的数据来源来自加州汽车(美国)和北京创新移动智能(中国)研究中心在这一节中。
4.1。加州的机动车辆
安全风险暴露在行车测试,由分离和实际事故,加州政府部门报告机动车辆(78年,79年]。本节回顾了脱离和事故报告的加州汽车部2019年4月,和621年脱离报告统计分析2014年和2018年之间。
图3显示行车AV测试在加州的统计状况报告的机动车辆,累积的里程和故障里程和脱离。AV行车测试期间脱离不一定产生交通事故,但他们代表了风险事件,要求操作员保持警惕和接管自动化车辆(77年,78年]。621年脱离报告表示,加州AVs测试的总里程已经达到370万英里(见图3(一个)),其中谷歌贡献了自主驾驶里程总数的73%,其次是通用汽车巡航(13%)、百度(4%)、苹果(2%),和其他制造商(8%)如图3 (b)。159870年总脱离事件已报告和四大制造商苹果(48%)、超级(44%)、博世(2%),和梅塞德斯-奔驰(1%)。脱离事件被苹果分为两种主要模式:手动收购和软件脱离(77年]。手动收购记录当AV运营商决定手动控制自动化系统的汽车而不是当他们认为必要的。这些事件可能是由于复杂的实际驾驶条件,包括但不限于紧急车辆,道路施工区域,或意想不到的对象。软件脱离可以检测的问题造成的知觉,运动规划、控制和通信。例如,如果传感器不能充分认知和跟踪对象在周围的环境中,人类司机将接管驾驶过程。生成一个运动计划的失败决定层和致动器的延迟或不恰当的反应会导致分离事件。
(一)
(b)
(c)
然而,应该注意的是,不同的制造商可能会有不同的理解脱离事件,这意味着脱离事件报道可能对一些公司是不完整的。图4介绍了关系脱离每英里和总英里为不同的制造商。可以看出,手动收购频率变化很大2×10−43每英里分离不同的制造商。显著差异可能主要源于自主技术的成熟度;然而,脱离的定义在这个早期阶段的行车测试也可能导致脱离频率的差异。决策者可能发挥了重要作用被广泛接受的定义脱离事件,考虑感知错误,决策错误,操作错误,系统故障等问题。
图5表示实际的AV的击穿事故报告在加州在2014年和2018年之间的机动车辆,128事故报告统计分析,和四大记者是通用汽车巡航(46%)、Waymo(22%)、谷歌(17%),和Zoox (5%)。应该注意的是,Waymo起源于2009年谷歌无人驾驶汽车项目(80年]。其中128年事故报告在过去的四年里,36.7%的事故发生在传统的人工控制模式,而剩下的63.3%在自动驾驶模式。这表明自主技术仍然需要更密集的行车测试,才能完全应用于AVs。它也是有趣的发现只有一小部分(约6.3%)的事故是由于住客,而93.7%的事故是由其他各方,包括行人、自行车、摩托车、和传统的车辆。这表明潜在的操作策略进一步研究AVs避免被动事故可能显著改善AV安全。
图6表明之间的关系可报告的事故和AVs的总里程在加州进行测试。可以看出在2017年之前,可报告的事故数量的增加与总测试里程缓慢速率为1.7×10−5每英里事故;然而,从2017年到2018年,增长率成为4.9×10−5事故每英里,几乎增加了两倍。这可能是由于先进但不成熟的技术应用于最近测试了AVs和越来越多的住客正在测试同时在加州。
4.2。北京创新中心移动智能
北京创新中心移动智能最近报道限制城市的行车AV测试2018年(27]。自3月以来,自主驾驶里程已经达到153565公里(相当于95420英里)在2018年12月底(见图7(一))。四大制造商百度(90.8%)、矮种马。ai (5.6%)、NIO(2.8%)和戴姆勒公司(Daimler AG) (0.5%)。然而,没有脱离和事故报告。这将是有意义的,如果accident-related公开可用的信息,和共享信息可能有利于所有制造商促进自动化技术的应用在车辆和建立客户对AVs的信心。
(一)
(b)
5。机遇和挑战
AV技术将有利于从不同的角度通过改善交通安全,减少交通拥堵,释放人类的驾驶过程中,和影响我们的社区经济和环境(81年- - - - - -84年]。因此,先进的AV技术已经得到了越来越多的兴趣在学术界和工业,这表明各种AVs的发展的机会。之前需要进行广泛的实验工作,然而,住客可以在市场推广和新挑战的软件、硬件、车辆系统、基础设施和其他道路使用者必须解决。
5.1。机会
AV技术开发的一个论点是,许多传统的就业机会将被消除。然而,随着技术的发展,更多的就业机会,在现实中,将被创建。AV的开发需要大量测试软件,硬件,汽车部件,汽车系统,传感设备、通信系统等多学科领域。AV技术,操作员可以释放驱动过程,和时间可以更好的管理。人们会工作,玩,和更有效地研究由于AV技术的推广。此外,当前的生活方式将会改变。例如,驾照驾驶培训的方式,将会改变。换句话说,不仅AV-related字段,也非av行业可以提升。
AV技术还可以改变传统的运输方式。释放来自驾驶车辆运营商的需求驱动的智能车辆的发展电网的帮助下一个平台的传感器收集信息从周围环境,包括其他道路使用者和路标。这些信号将被提供给司机和基础设施,使安全导航,减少排放,提高燃油经济性,来有效地管理交通。斯特恩等人进行了一次环城公路实验涉及两个自治和有人驾驶的车辆,和他们的研究结果表明,单一的AV可以用来控制至少20有人驾驶的车辆交通流的车辆速度标准偏差显著改善,过度的制动,和燃油经济性85年]。刘和歌曲进行两种类型的通道为住客:专用AV巷和AV /收费车道(86年]。专用AV车道只允许AVs, AV /收费车道时允许有人驾驶的车辆经过支付额外的费用,和他们的建模结果表明,既可以提高系统性能,利用这两种方法的86年]。Gerla等人回顾了互联网的车辆能够通信、存储、智能和自学习60]。他们的工作表明,车辆之间的通信和互联网将极大地改变公共交通的方式,使传统的运输更高效和清洁。因此,传统的交通系统必须修改为住客。
驾驶模拟器已经引起重大关注繁殖自动驾驶条件和事故场景在虚拟现实环境中。由于驾驶模拟器,驾驶行为,收购请求,车辆机动和其他人为因素可以有效地研究[69年- - - - - -71年,87年]。这可以减少风险将司机在危险环境和模拟决策过程和相关的结果。
5.2。挑战
AVs的广泛应用由于安全问题仍是一个挑战。AVs将提升如果可以进一步解决以下挑战:
5.2.1。最小化认知错误
有效地探测、定位、分类对象周围的环境将会挑战知觉错误降到最低。此外,知觉和理解人类的行为,包括姿势、声音,和运动为AV的安全很重要。
5.2.2。最小化决策错误
正确和及时应对周围环境,一个可靠的、健壮的、应该开发系统和有效的决策。这应该是通过广泛和严格的硬件和软件测试。此外,在复杂的场景下如何做出正确的决策仍然是困难的,例如,如果住客应该决定什么会伤害行人避免致命事故由于突然系统故障或机械故障。
5.2.3。减少操作错误
实现安全的住客,致动器应该能够决定系统进行通信和执行命令从人类的运营商或自动化系统具有高可靠性和稳定性。
5.2.4。网络安全
随着自主技术的发展,AVs将不得不与道路设施,无线通信卫星,和其他车辆(如车辆云)。如何确保网络安全将AVs(最大的担忧之一88年]。
5.2.5。与传统的运输系统进行交互
AVs和传统车辆将共享公共道路在城市地区,AVs之间的交互和其他道路使用者包括传统车辆和行人将是一个挑战89年]。对于其他道路使用者,难以识别的车辆类型相互作用。对行人来说,这种不确定性可能会导致压力和改变交叉决策,特别是在AV司机被其他任务和与其他行人没有眼神交流56]。罗德里格斯Palmeiro等的研究表明,细粒度的行为措施,如眼球追踪,可以进一步调查以确定行人如何应对AVs (4]。
. 5.2.6。客户验收
限制AVs的商业化的主要因素包括安全(90年)、成本(17,91年),和公共利益92年- - - - - -97年),其中安全是最重要的问题,可以显著影响公众态度新兴AV技术。
6。摘要和结论
全自动车辆(AVs)将允许车辆完全由自动化系统来运作,促进人类操作员的活动任务除了开车。AV技术有利于个人和社区;然而,安全问题仍然AVs的成功商业化的技术挑战。在这篇文献回顾中,自动化的水平定义为不同组织在不同领域进行了总结和比较。定义自动化水平的汽车工程师协会(SAE)广泛采用AVs汽车工程。类型的现有的和潜在的理论分析类型的事故进行基于AVs是典型的AV架构,包括感知、决策和行动系统。此外,可用的行车AV脱离和事故报告公开进行了统计分析。加州行车试验结果表明,超过370万英里已经测试了AVs由不同制造商在2014年和2018年之间。AVs经常手动接管了人类的运营商,和脱离频率变化很大2×10−43每英里脱离基于不同的制造商。此外,128事故报告超过370万英里,大约63.3%的总开车时事故发生在自治模式。总数的一小部分(约6.3%)事故AVs直接相关,而93.7%的事故是被动地由其他各方,包括行人、骑自行车、摩托车、和传统的汽车。这些安全风险暴露在行车测试,由分离和实际事故表明,被动事故造成其他道路使用者是多数。这意味着报警,避免造成安全风险的其他各方将意义重大安全决策,防止致命的事故。
数据可用性
使用的数据来支持本研究的结果包括在本文中。
的利益冲突
作者宣称没有利益冲突。