智能驾驶数据安全保护的困境及出路

随着人工智能的持续发展,智能驾驶技术不断进步,推动了国内汽车产业向世界前沿迈进。当前,智能驾驶汽车逐步商业化和大规模应用,数据安全问题变得至关重要。智能驾驶汽车需依赖庞大的数据收集、处理以及传输来实现环境感知、决策和控制,这涉及车辆运行数据以及用户个人信息等。在大数据背景下,这些数据具有重要的经济和政治价值,并在促进经济发展和创新方面发挥着重要作用。因此,解决智能驾驶数据安全问题并探求合适的法律和政策机制保护其安全,是当前迫切需要解决的问题。

自动驾驶数据采集与管理系统设计与实现

自动驾驶技术的测试实验和算法开发需要大量数据集支撑,为获取自动驾驶汽车实际运行过程中的车辆状态与环境数据,设计实现了一种自动驾驶数据采集与管理系统。系统通过高精度传感器采集车辆实时状态数据和环境数据,采用多传感器模块化设计,可以按需求灵活配置传感器,由数据处理模块接收并处理传感器数据,以HTTP接口和FTP协议作为数据传输方式,使用NodeJS高性能云端服务器接收数据,TDengine时序数据库存储数据。系统通过5G模块保证数据稳定、高速传输,通过数据采集监控平台可实时查看当前车辆状态和传感器连接运行状态,通过数据管理平台可以下载过往采集数据。实际测试结果表明,系统在高频率请求数据接收接口的情况下,接口请求成功率为100%,接口响应时间在8 ms左右,整个系统能够稳定运行且数据接收响应延时低,能够满足实时采集和存储管理自动驾驶数据的需求。

基于自然驾驶数据的高密度立交出入口车辆轨迹特征研究

互通式立体交叉是道路交通网络重要的节点,而随着相邻立交之间的间距不断缩小,逐渐形成了高密度立交群,容易造成交通拥堵,加大驾驶负荷和事故风险。为明确在高密度立交群出入口区段的运行风险和安全隐患,在重庆内环路选取了1簇高密度立交群作为研究对象,开展了实车驾驶实验。使用车载仪器采集自然驾驶状态下车辆轨迹数据,包含速度、实时行驶位置以及车辆中心与两侧车道线之间的横向距离;基于对实测数据的深度分析,明确立交出入口的车辆轨迹形态以及车道选择行为特征和驾驶人性别对轨迹形态的影响关系,挖掘车辆驶离(汇入)主线过程中的换道行为特征和驾驶风险影响因素。结果表明:(1)出入口类型对车道选择和轨迹形态有明显影响,相比于平行式出口,直接式出口的轨迹更顺畅,换道次数更少;(2)驾驶人在净距较近的2座立交驶入驶出时,进入主线路段更倾向选择辅助车道或者最外侧车道行驶,以减少换道次数;(3)出入口附近的主线车道数变化会影响驾驶人的车道选择行为;(4)驶离主线时,平行式出口的换道持续时间要高于直接式出口,而入口类型对于换道时间没有显著影响,78%驾驶人的换道时间为5~10 s;(5)出口区段的运行风险高于入口区段,可在出口区段最右车道左侧设置白色实线禁止跨越同向车道线,长度范围以渐变段起点向前50 m一直覆盖至分流点处。

基于自然驾驶数据的分心状态特征分析与跟驰行为建模

基于行为特征对分心跟驰行为进行分类和建模,根据模型标定的方法探究不同状态下跟驰模型的适应性。首先从持续开展3年有余的上海自然驾驶数据中提取了大量分心跟驰样本,基于驾驶行为刺激反应框架对分心状态特征进行了初步分类,得到了5类分心跟驰行为;其次分析了现有4类经典跟驰模型(GHR、GIPPS、IDM和Wiedemann)对分心跟驰行为的适应性,同时根据五折交叉验证适应性结果对分心跟驰行为分类进一步优化,最终得到3类分心跟驰行为(麻木反应、过激反应和延迟反应);最后探讨了分心状态下的2种跟驰行为建模策略(AIDM和TDIDM)。结果表明,对IDM模型进行合理标定即可较准确地描述不同类型的分心跟驰行为。

基于自然驾驶数据的全速自适应巡航系统综合评价方法研究

针对全速自适应巡航系统(FSRA)开发过程中传统测试评价方法不能够多维度评价功能系统的问题,因此提出一种基于自然驾驶数据的自适应巡航系统综合评价方法,旨在完善FSRA系统功能开发与测试评价体系,加速智能驾驶辅助系统的应用与推广。首先是自然驾驶数据的采集、预处理、截取出自适应巡航系统工作中出现问题点的数据流。其次对问题点数据进行解析,分析问题点的客观特征指标。最后从安全性、舒适性、适应性、稳定性、准确性、跟随性六个维度构建FSRA系统评价模型并运用层次分析法与模糊综合评价法相结合的方法对FSRA系统进行综合评价。

自动驾驶数据集及3D目标感知方法综述

本文首先从场景的解构上分析了自动驾驶感知的复杂性,调研了67项自动驾驶感知相关的数据集,其中22项综合类数据集,17项道路感知专题数据集,14项障碍物感知专题数据集和14项自然环境相关专题数据集,给出不同数据集近四年的更新情况以及引用情况。另一方面,对3D目标感知方法进行了总结,考虑到最新的nuScenes数据集上3D目标感知任务TOP10的网络全部为基于多模态的方法,本文重点对基于图像和激光雷达点云的多模态的方法进行了归纳,并对nuScenes数据集3D目标感知任务榜单进行了分析。在上述分析的基础上,提出自动驾驶感知相关的数据集应进一步增大规模,并需加强国际合作,提出多模态融合的方法在nuScenes数据集3D目标感知任务上成为主流,同时基于Transformer的方法也进入Top10,未来值得继续关注和研究。

基于自然驾驶数据的驾驶员紧急制动行为特征

基于中国自然驾驶数据,建立了紧急工况下制动避撞的驾驶员模型,分析了驾驶员的紧急制动反应时间和紧急制动输入特性的规律特征.结果表明:驾驶员的紧急制动反应时间与驾驶工况的紧急程度相关,以碰撞时刻倒数的临界值0.2s^(-1)作为危险触发阈值,驾驶员的紧急制动反应时间分布为均值0.5s的正态分布;最大制动减速度随驾驶工况紧急程度变化不明显,最大制动减速度梯度随驾驶工况紧急程度的增加而增加.

基于自然驾驶数据的危险评估算法研究

本文中提出了一种基于自然驾驶数据的汽车碰撞危险评估算法。首先分析了在自然驾驶工况下的驾驶员制动和转向的输入特性,研究了表征驾驶员的制动避撞和转向避撞紧急程度的行为特征参数,建立了紧急制动和紧急转向的驾驶员数学模型;在此基础上,分析了不同车速下制动避撞和转向避撞的特征,提出了基于自然驾驶数据的危险评估算法。仿真结果表明,本文中提出的危险评估算法可同时兼顾制动避撞和转向避撞,并与驾驶员在真实交通环境下的紧急避撞行为相对应,可用于汽车避撞系统控制策略的开发。

基于自然驾驶数据的城市交叉口纵向驾驶特征分析

为满足驾驶辅助系统在城市交叉口对类人驾驶能力的更高需求,本文中研究了实际交通中的驾驶人在该区域的纵向驾驶行为特征。从自然驾驶数据中提取了778条驾驶人接近城市交叉口的样本数据,应用YOLOv4识别了交通场景中的各类道路使用者,采用方差分析研究了反应特性在不同运动类型和交通密度中的差异,建立分层回归模型分析了制动特性与运动状态、运动类型和道路使用者的关系。结果表明:高密度交通显著降低接近速度;与右转驾驶人相比,停车驾驶人的反应距离更长;当接近速度较高或反应距离较短时,会在更短的时间内以更高的减速度和制动强度接近交叉口,且提前4.46 s开始制动;不同道路使用者对制动特性产生了不同影响,停车驾驶人主要关注同向行驶的他车,右转驾驶人主要关注行人和骑车人。

基于自然驾驶数据的匝道行驶典型场景聚类分析

匝道行驶由于存在潜在的车辆间交通冲突,对自动驾驶汽车来说是一项挑战,因此,有必要对匝道的典型场景开展研究,以便应用于自动驾驶汽车的开发和测试。基于自然驾驶数据(naturalistic drivingdata,NDD)研究了匝道行驶典型场景。首先,通过对车辆在匝道上交互时的3个主要元素进行定义,包括初始状态(initial state,S)、驾驶动作(driving action,A)和交互性能(interaction performance,P),并以此来描述车辆的交互行为;然后,选取用于表征A和P的变量作为聚类特征,通过基于Calinski⁃Harabasz(CH)指数的K⁃means聚类方法获得8种聚类结果,根据聚类结果对各变量进行分析,得到4种典型的交互方式;再后,通过分析表征初始状态的变量,运用置信椭圆提取典型的逻辑场景;最后,基于逻辑场景随机选择两个具体场景对自动驾驶系统(autonomous drivingsystem,ADS)进行测试和评估。结果表明,运用研究获得的匝道行驶典型场景进行测试,可揭示自动驾驶汽车与其他交互车辆间的交互能力,说明基于NDD并运用聚类分析方法生成的匝道行驶典型场景是有效的。

基于高速自然驾驶数据的驾驶员跟车特性

为研究驾驶员在高速行车时的跟车特性,基于实车试验采集驾驶员高速公路上的自然驾驶跟车数据,通过Matlab/Simulink联合CANape软件对数据进行跟车判定与筛选,并对驾驶员在加减速以及稳速跟车阶段的跟车特性进行分析。研究结果表明:驾驶员在高速公路跟车过程中跟车间距随车速升高而增加;在稳速及加减速跟车时,跟车间距呈现螺旋状变化;自车加速度与跟车时距存在一定关联,而与自车车速、跟车间距没有明显相关性。研究结果可为自适应巡航系统及驾驶员跟车仿真研究提供参考依据。

自动驾驶数据记录系统标准现状及测试研究

随着汽车智能化技术的快速发展,越来越多高等级驾驶自动化车辆进入市场,随之带来的自动驾驶汽车事故以及法律责任问题愈发凸显。自动驾驶数据记录功能(Data Storage System for Automated Driving,DSSAD)作为智能网联汽车领域的强制性国家标准,对于自动驾驶汽车的事故分析以及责任认定起着至关重要的作用。本文通过调研详细分析国内外DSSAD标准现状和工作原理,对DSSAD与EDR(Event Data Recorder,EDR)的区别、DSSAD系统的功能要求、以及试验方法进行了研究,提出了DSSAD的测试验证方案,为DSSAD标准制定工作以及后续测试验证的开展打下基础并提供技术参考。

基于中国自然驾驶数据的变道场景分析评价

文章以大量的自然驾驶采集数据为研究对象,基于改进的熵值法建立变道驾驶行为特征指标体系,有效串联车辆驾驶数据、车辆驾驶行为和车辆驾驶安全三者的关系,研究了人类自然驾驶场景中事故率较高的变道场景,进一步深化自动驾驶场景评价的体系理论。

基于驾驶数据的主动安全预警系统设计

随着人们生活水平的提高,车辆的安全性越来越成为人们共同追求和关注的焦点。在“人-车-路-环境”的交通系统中以信息技术为主导的车辆主动安全预警系统是解决车辆驾驶安全问题的最佳方法。文章基于驾驶数据得到驾驶人驾驶风险评估,依据峰值触发系统报警,有效保障了车辆全过程安全行驶,避免交通事故发生。

驾驶数据新用场

美国的轿车和卡车上都有一个表面粗糙的小电子匣子,它可以显示车辆在发生碰撞前的驾驶操作情况.以前,几乎没有哪位驾驶员知道他们就坐在这样的硬件设备上面,直到2003年8月,警方着手调查美国众议院议员Bll Janklow的卡迪拉克轿车中的黑匣子,因为他驾驶该车在南达科他州撞死了一名摩托车驾驶者.

自动驾驶基础地理信息数据质量检查初探

自动驾驶基础地理信息数据质量关乎自动驾驶地图乃至自动驾驶产业的发展。其质量检查是自动驾驶产业的质量保障,也可加快自动驾驶地图规范化进程。基于自动驾驶基础地理信息数据的生产流程,分析了自动驾驶基础地理信息数据的特点;参考现行测绘成果质量检查规范,介绍了自动驾驶基础地理信息数据质量检查的内容与方法,并从7个方面阐述了检查的要求和指标;以自动驾驶基础地理信息生产道路数据成果质检项目为例,探讨了自动驾驶基础地理信息数据的质量控制方法和检查重点。

基于改进型Stackelberg博弈的自动驾驶测试数据定价模型

针对自动驾驶测试数据兼具连续与离散变量,且包含时间戳和经纬度等间接信息特征的特点,利用特征挖掘过滤、连续变量离散化、驾驶模式加权等方法对传统信息熵方法进行适应性调整,提出基于特征工程的驾驶模式加权信息熵方法,确定自动驾驶测试数据信息量;引入信息量构建数据消费者效用方程,提出考虑信息量和平台利润率约束的改进型Stackelberg博弈数据定价模型。以上海市自动驾驶实际测试数据开展典型案例分析,结果表明,基于改进型Stackelberg博弈的数据定价模型可有效评估数据信息量,合理分配数据生产者、数据平台和数据消费者交易三方的利润率,并显著提升数据交易量和数据交易三方总效用,从而增强自动驾驶测试数据交易市场的活力。

企业数据向政府开放共享的价值逻辑和法治路径——以自动驾驶为例

以智能网联为特征的自动驾驶数据蕴含重大公共利益,是我国交通数字基础设施的重要基石,自动驾驶企业向政府共享数据有助于实现诸多社会目标。当前我国自动驾驶数据共享活动面临无法可依的困境,有必要制定数据分类分级和采集传输标准,借鉴外国立法经验,制定专门法律建立国家级自动驾驶数据平台,明确自动驾驶数据向政府共享的适用情形,充分释放数据价值,最终形成企业数据和政府数据的良性双向流通,引领新兴行业快速发展。

基于自然驾驶数据的自动驾驶汽车安全性评价方法

自动驾驶汽车进行大规模市场推广前必须进行准确可靠的安全性评价,由于自动驾驶系统复杂程度的增加及设计运行区域的扩大,面向传统汽车的评价方法已不能满足自动驾驶汽车的安全性评价需求,基于此,建立一种基于自然驾驶数据的自动驾驶汽车安全性评价方法,可解决现有方法在逻辑场景层面安全性评价的缺陷。首先,建立基于自然驾驶数据的逻辑场景构建流程,分析场景描述参数,搭建自然驾驶数据采集平台采集相关自然驾驶数据,采用高斯分布模型描述参数概率分布;进而,离散逻辑场景参数空间获取具体测试用例,并在建立的PreScan、CarSim和MATLAB联合仿真平台中对被测自动驾驶算法进行仿真遍历测试,通过高斯模型将测试结果中的危险场景参数聚类,获取被测算法在逻辑场景中的危险区域;最后,综合考虑逻辑场景参数空间概率分布和得到的相应逻辑场景危险区域,提出基于自然驾驶数据的自动驾驶汽车安全性评价指标——场景风险指数,并以前车制动和前车切入场景为例,给出某黑盒算法的具体评价示例。研究结果表明:被测算法在前车制动场景和前车切入场景中的场景风险指数分别为0.409 8和1.08×10^(-5),在前车制动场景中具有较大的安全风险,与仿真测试的直观结果相符;通过比较计算得到的场景风险指数与实际仿真测试结果可证明所提出的方法可以实现逻辑场景层面的自动驾驶安全性量化、易于操作、贴近自然驾驶情况。

基于自然驾驶数据的分心驾驶行为识别方法

大量证据表明,驾驶人分心是导致交通事故的主要原因之一。当前基于侵入式(如脑电波等)或半侵入式(如视频等)检测驾驶人分心的方法,不仅对驾驶任务造成一定干扰,且受多种环境因素的制约,误报率较高。基于此,只考虑非侵入式车辆运动特征,提出一种基于深度学习的驾驶人分心状态识别方法:首先,从自然驾驶数据集中获得大量的跟驰片段,采用态势感知方法,提取典型的分心驾驶片段,并建立仅包含车辆运动学特征的分心判别指标集;其次,利用梯度提升决策树-递归特征消除算法(GBDT-RFE)和随机森林-递归特征消除算法(RF-RFE)对特征进行重要度排序,得到重要度较高的分心监测指标;最后,采用长短时记忆神经网络(LSTM-NN)实现分心驾驶的分类识别,并与支持向量机和AdaBoost的模型结果进行对比。研究结果表明:LSTM-NN在判别分心或正常状态时F1分别为89%、91%,高于SVM和AdaBoost对应二分类结果;进行多分类任务时,判别分心情景的平均F1较SVM和AdaBoost分别提升了12%和7%,不同类别分心识别的误报率在15%以下,说明LSTM-NN能够有效学习分心序列的前后信息,有利于准确估计驾驶人的状态。研究结果可为车辆分心预警系统和驾驶风险倾向性评估提供方法基础。