V  人工接管機制與時間

依據(jù)加州DMV的測試要求，只要出現(xiàn)自動駕駛系統(tǒng)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?cè)蝿铡�對各個制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?cè)蝿諘r間點所應有的要求，并據(jù)此去設計合理的切換控制系統(tǒng)及算法。

5．1人工接管機制

人工接管操作可以由自動控制系統(tǒng)請求、駕駛員響應，也可以由駕駛員人工控制輸入直接觸發(fā)。

1）接管請求信號

接管請求通常是在系統(tǒng)檢測到故障無法處置之后，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(tǒng)的接管請求，或當駕駛員想主動干預車輛控制時，車輛駕駛權(quán)限的交接可以由駕駛員通過動作觸發(fā)，包括按下自動／手動控制切換開關(guān)、操縱方向盤、剎車或油門踏板等。各制造商測試車輛接管控制機制概述如下。

制造商A：發(fā)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］。

制造商B：任何硬件故障會觸發(fā)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只手放在方向盤上，另一只手放在中控臺自動／手動切換開關(guān)上。按下該開關(guān)將切斷自動駕駛系統(tǒng)的電源及自動執(zhí)行機構(gòu)（油門、轉(zhuǎn)向、剎車及檔位），并允許操作員立即接管［14］。

制造商E：駕駛員接受到技術(shù)故障提醒，或駕駛員主動通過對剎車、油門、轉(zhuǎn)向的輸入觸發(fā)自動駕駛退出，實現(xiàn)人工接管［16］。

制造商F：當發(fā)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，須立即采取接管措施。然而，重新介入的人工控制并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］。

制造商G：接管警告是基于視覺和聽覺信號設計的。自動駕駛系統(tǒng)不會試圖對車輛采取減速操作，當看到或聽到警告信號時，駕駛員有責任立即采取措施，通過踩下剎車或?qū)⒆赃m應巡航控制桿回位［25］，觸發(fā)自動駕駛模式的退出，進而實現(xiàn)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(shù)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(tǒng)一的技術(shù)標準與方法來測量這一接管過程時間。此外，制造商提高的報告亦沒有充分描述他們記錄接管時間數(shù)據(jù)的方法。在表IV中展示了每個制造商自動駕駛退出事件所報告相關(guān)接管時間的統(tǒng)計結(jié)果。

制造商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］。

制造商B：在報告中部分有記錄的接管時間均小于 1s （無具體時間），剩余被記為N／A［14］。

制造商C：平均接管時間為3．06s［18］。

制造商D：平均接管時間為0．875s［18］。

制造商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(tǒng)故障情形下，時間被記錄為＜1。

制造商F：無法測量每一個自動駕駛退出時間，因為并不是所有的接管情況下需要施加可測輸入。因此，采取的安全方法為，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(jiān)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］。

注：雖然報告的大部分接管時間的平均值在1秒內(nèi)，但自動駕駛權(quán)限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(jīng)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(jīng)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(jiān)測駕駛員狀態(tài)、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(zhàn)［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(shù)成熟度的一個關(guān)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(shù)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(shù)特點與要求中去。具體來說，PDE對應于L2自動駕駛研發(fā)的初級階段。充分解決PDE故障可使制造商技術(shù)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(shù)發(fā)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(shù)問題是更加困難的。如果這些問題能夠得意妥善解決，那么自動駕駛技術(shù)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(shù)水平之間的映射關(guān)系

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(shù)，尤其是L2和L3車輛自動化，以下為OEM、制造商和政府組織提供了一些建議。

1）針對OEM的建議

根據(jù)分析，PDE和ADE的主要原因是軟件問題，其涵蓋了感知、決策、路徑規(guī)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，軟件的功能、性能和魯棒亟待提升。OEMs應該遵循系統(tǒng)工程方法的軟件設計和驗證過程，目標是設計出不存在不合理安全風險的HAV系統(tǒng)。同時，如NHTSA建議，OEMs應關(guān)注人工智能、機器學習等相關(guān)軟件技術(shù)和算法的演變、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(tǒng)中，駕駛員必要時需返回駕駛?cè)蝿�，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(jiān)控納入軟件系統(tǒng)。此外，HAVs將如何向周圍環(huán)境、及交通參與者發(fā)出信號，這些因素也應該被OEMs考慮。

2）針對制造商的建議

制造商應該根據(jù)SAE發(fā)布的自動駕駛分級定義，適當?shù)卮_定其系統(tǒng)的自動化級別。對于所有的HAV系統(tǒng)，制造商應確保其HMI設計的合理性、適當?shù)呐鲎玻�乘員保護已被考慮、消費者的教育和培訓已經(jīng)得到解決［6］。

尤其是在處理人工接管是，制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(tǒng)的故障，并告知人類駕駛員，使駕駛員能夠盡可能快速、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(zhì)影響的情形。應以有利于車輛安全操作和盡量減少不穩(wěn)定駕駛行為的方式來管理駕駛權(quán)，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(xiàn)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(xiàn)后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(fā)揮著重要作用，例如確保安全部署，并促進相應的安全保證機制。為了幫助發(fā)展和完善自動駕駛技術(shù)，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(guī)和執(zhí)法、以及機動車保險、責任制等傳統(tǒng)職責。此外，應該建立、升級更多的測試區(qū)域和設施，以支持自動駕駛技術(shù)的發(fā)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。除了制造商和其他實體，政府機構(gòu)也應開發(fā)和組織相關(guān)活動，如教育和培訓、研討會、及自動駕駛車輛示范運行，以幫助公民了解自動駕駛車輛的基本原理、與傳統(tǒng)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＆amp；CONVERT＿TO＝url＆amp；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(xiàn)任英國克蘭菲爾德大學先進車輛工程中心博士后研究員。2016年1月博士畢業(yè)于清華大學汽車工程系，加州大學伯克利分校聯(lián)合培養(yǎng)博士。研究方向包括自動駕駛、人車協(xié)同、智能電動汽車協(xié)同優(yōu)化、電驅(qū)動車輛設計與控制。

曹東璞：現(xiàn)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(lǐng)域發(fā)表論文120余篇、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(xiàn)任英國克蘭菲爾德大學制造系講師。2007年博士畢業(yè)于英國謝菲爾德大學自動控制與系統(tǒng)工程專業(yè)。研究方向包括計算機視覺、非線性系統(tǒng)識別、駕駛員行為監(jiān)測。

Daniel J． Auger：現(xiàn)任英國克蘭菲爾德大學先進車輛工程中心講師。博士畢業(yè)于英國劍橋大學。研究方向包括先進控制方法及其應用、電池系統(tǒng)建模、系統(tǒng)狀態(tài)估計、魯棒控制。

Mark Sullman ：現(xiàn)任塞浦路斯中東技術(shù)大學教授，曾任英國克蘭菲爾德大學高級講師。博士畢業(yè)于新西蘭梅西大學。研究方向包括先進控制方法及其應用、電池系統(tǒng)建模、系統(tǒng)狀態(tài)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(xiàn)任英國克蘭菲爾德大學先進車輛工程中心博士后研究員。2016年博士畢業(yè)于英國劍橋大學工程系。研究方向包括自動駕駛、人車協(xié)同。

Laura Millen Dutka ：現(xiàn)任英國捷豹路虎公司人機界面技術(shù)工程師。

Lee Skrypchuk：現(xiàn)任英國捷豹路虎公司人機界面技術(shù)工程師。

Alexandros Mouzakitis ：現(xiàn)任英國捷豹路虎公司電力電子與軟件工程研發(fā)部主任。