清華大學汽車系教授王建強此前在美國留學的時候，受到愛因斯坦同一場論的啟發，借鑒了一種場的思想，提出了自己的風險評估方法，基于場論的行車風險辨識方法，建立了人－車－路綜合影響下的“行車安全場”統一模型。經過幾年的研究完善，他們建立了一個完整的理論體系，這個體系目前接近成熟。這個風險評估的方法正在被用于智能車的決策與控制。

前幾天，小編看到了一張總結“清華系自動駕駛”的表格，感嘆中國自動駕駛半壁江山都被清華系同學所占領。

今天小編就給大家分享一篇清華大學汽車系教授、汽車系副主任王建強老師的一篇報告，希望對讀者有所啟發。

什么是復雜的混合道路交通環境？

在我國，復雜的混合交通所指的是機動車、非機動車、行人組成的混合交通，這種混合交通引發的交通擁堵、交通事故增加、城市環境不斷惡化、運輸效益下降等一系列問題，嚴重地影響了道路交通秩序，降低了道路通行能力，增加了道路交通管理難度。

眾所周知，安全是混合交通中面臨的最主要問題，而道路交通安全受到人－車－路以及交通環境這四位一體的因素影響。在研究智能汽車駕駛在復雜的混合交通環境中如何評估風險成為至關重要的問題。

在復雜的混合交通環境中如何評估風險？

眾所周知，安全是混合交通中面臨的最主要問題，對交通事故產生的交通特點分析可知，混合交通條件下發生的交通事故占總數的5．9％，同時還是主要的死亡原因（占67．2％）；當混合交通且缺少交通控制時，造成的交通事故占總數的50．8％，死亡人數占62．4％（1998）。

因此，研究智能汽車駕駛在復雜的混合交通環境中如何評估風險成為至關重要的問題。

那么究竟如何來進行風險評估呢？首先我們來看看目前是怎樣來做的？

現有的風險評價指標多樣，優劣各異，如：

時間指標：TTC（Time to Collision）、THW（Time Headway）等

動力學指標：安全距離（避撞）、最小加速度（避撞）

統計學指標：碰撞概率（避撞、路徑規劃）、機器學習（決策）

勢能場指標：勢能場（能）、行車安全場（避撞、規劃控制）

異常駕駛行為指標：超速、闖紅燈，疲勞駕駛（駕駛行為分析）

各個風險評價指標的優劣比較

問題的根源在哪里呢？目前L2、L3自動駕駛技術開發相對程度，因為他們主要是針對某一個場景進行開發，比如追尾報警系統、主動避障系統、車道偏離預警系統等，根據具體的危險場景來開發，危險的場景和種類非常多，針對這樣的問題，我們需要考慮，一個一個安全系統的疊加會造成什么樣的問題？

這些系統在同一輛車上會不會存在沖突？

我們面臨的挑戰還有，我們面臨這種風險的因素是復雜的，包括駕駛人、車輛、環境等各種因素，各種因素我們如何進行統一的評估？因為不同因素所產生的對安全的影響是不同的，針隊這種問題，王建強此前在美國留學的時候就已經進行了深入思考，受到愛因斯坦同一場論的啟發，借鑒了一種場的思想，因此就提出了自己的風險評估方法，基于場論的行車風險辨識方法，建立了人－車－路綜合影響下的“行車安全場”統一模型。經過幾年的研究完善，他們建立了一個完整的理論體系，這個體系目前接近成熟。這個風險評估的方法正在被用于智能車的決策與控制。

什么是安全場模型？

交通風險影響因素有哪些？產生的機理是否一樣？顯然，不同的因素影響是不一樣的，為此我們把影響因素分成3種類別，一種是動態運動的目標，他所產生的風險，我們起了個名稱叫動能場；而道路中環境的因素，靜態的物體所產生的風險我們稱之為勢能場；另外重要的駕駛員行為所造成的風險我們稱之為行為場；將這三種場進行統一成為“行車安全場”統一模型。

這些風險模型是如何建立的呢？

動能場

運動場為表征道路中其他運動目標對自車行車風險影響程度大小的“物理場”。

大小與運動物體的屬性密切相關，比如說物體的運動的速度、類別、實際質量、運動的狀態等等，我們把這些因素統一叫做“虛擬質量”，同時也收到道路影響因素的影響，如道路的曲率、坡度等。

動能場

動能場中心處的場強最強，因為在中心處，如果其他車輛一直重合必然會發生交通事故，動能場在物體前進的方向更集中表明潛在風險更大。

勢能場

勢能場

勢能場為表征道路中靜止物體，對自車行車風險影響程度大小的“物理場”。

勢能場中心是靜態目標所在的位置，勢能場中心處場強最大，勢能場場強隨著物體距離減小而量指數式增加，勢能場場強隨著物體距離增大而減小，當距離增大到一定程度時場強不存在。

行為場

行為場

行為場為表征駕駛員風險因襲、車輛行為對行車風險影響程度大小的“物理場”。

駕駛員行為對自車行車造成的風險因素有很多如：駕駛員生理心理風險因素（疲勞駕駛、情緒駕駛）、認知風險因素（如錯誤估計車輛狀態）、技能風險因素（如駕駛技能不高）、違規風險因素（如交通法規及時薄弱）。這些因素我們可以統一用駕駛員風險因子來表達，所產生的風險，是通過駕駛員駕駛車輛所產生的。

因此我們把動能場、勢能場、行為場統一就建立了一個安全場統一模型，能夠不對不同交通要素的影響進行規范評價，從而可以實現對整體交通環境的風險量化評估。

例如，圖中紅色車輛的風險為周邊要素對它所形成的場力的合力所形成的，合力越大所產生的風險越大，場的物理的形態我們可以通過圖的右側圖形看出來。

在復雜的混合交通環境中如何進行智能決策？

智能決策方法——學習人類的決策機制

形車風險評估是實現智能決策的前提，但智能車決策依然存在一系列難題：

①  現有的智能汽車決策算法真的智能嗎？能夠完全被駕駛人所接受嗎？

②  現有的駕駛決策算法滿足駕駛人的駕駛需求嗎？

③  駕駛人在駕駛過程中的決策只是與避免風險有關嗎？

我們發現目前人類駕駛相比無人駕駛更能適應紛繁復雜的交通環境？因此，現在很有必要研究駕駛人類的駕駛決策機制。這里的研究并不是研究人腦決策機制，而是通過人類駕駛的行為的表現來研究駕駛員的行為決策機制。把決策機制的學習結果用于無人車的決策中，這是這里的研究思路。

人類駕駛行為遵循最小作用量原理

首先用16臺數據采集車，行駛10萬公里，采集了1500小時的有效人類自然駕駛行駛數據。用這組數據對車頭時距（THW）、橫向位置（D）和加速度（a）進行了一個統計分析，發現結果存在一種極值現象，即THW＝1．5S，D＝0m，a＝0m／s，這種極值的啟發意義是我們發現符合最小作用量原理。

物理學中通常利用小作用量原理來描述自然界中的極值現象。最小作用量原理是與對稱性、守恒定律同等重要的最原始、最基本的概念，還是物理學中最具概括性的原理，是重大物理學問題的根源所在。

如果用S來代作用，這一原理可以簡潔的表達為δS＝0。今為止的所有物理規律，均可由它表達。

因此可以用最小作用量原理來闡釋和描述人類的駕駛行為。

人類駕駛遵循的基本原則是“趨利避害”，“利”即追求安全和高效，“害”就是防止危險的發生。

進一步分析，橫向加速度在追求安全的過程中為什么會存在極值？是因為人類駕駛其實是在追求安全與效率的一種平衡；縱向加速度從實際統計中的結果發現也符合一樣的道理，極值是追求的平衡點，減速是為了保障安全，加速是為了追求高效。車頭時距為什么能夠保持在一個平衡范圍內？因為車頭時距過小就會存在一些潛在的危險，過大就會降低行車的效率。

通過這樣的分析，駕駛員操控的行為為，不論在橫向還是縱向上都在追求一種平衡的極值。

基于這樣的分析，我們就可以用最小作用量來表征駕駛員的操作極值。

將作用量用物理模型表征方法如下：

上圖中，小球的例子表示，如果力超過一定的限值，車輛就會失控，車輛就會飛出運動的軌跡，如果再約束的范圍內車輛就可以順利的到達目的地。

基于這樣的物理模型，我們就可以用最小作用量原理來對車輛進行最佳的駕駛決策。