“自动+人工”混合驾驶环境下交通管理研究综述*

裴玉龙 迟佰强 吕景亮 岳志坤

（东北林业大学交通学院 哈尔滨150040）

0 引言

随着科学技术的不断升级，人工智能技术蓬勃发展，自动驾驶作为人工智能的一部分也处于高速发展阶段。与传统汽车相比，自动驾驶汽车具有诸多优势，如保障交通安全、缓解道路拥堵、提高道路运输效率等。目前，国内外很多城市已经尝试将自动驾驶车辆投入城市交通系统中，并初步获得成功。

尽管自动驾驶具有许多不可替代的优势，考虑到我国的基本国情和地区发展的差异性，“自动+人工”混合驾驶状态将长期存在于我国城市道路交通系统中[1]。自动驾驶汽车分为6个等级，分别为L0~L5，目前部分地区出现不同等级自动驾驶汽车混合驾驶的情况，未来将出现不同程度的“自动+人工”混合驾驶局面。在漫长的演变过程中，“自动+人工”混合驾驶大致划分为3个阶段：以人工驾驶为主阶段、交通结构转型阶段、以自动驾驶为主阶段，不同阶段城市道路交通管理将面临不同的问题，见图1。

图1 “自动+人工”混合驾驶程度Fig.1 Degree of"automatic+manual"driving

自动驾驶车辆技术逐渐趋于成熟，在“自动+人工”混合驾驶状态下，实际的交通环境与实验试点区相比将更加复杂，自动驾驶车辆对交通环境的适用性受到挑战[2]。为保障道路交通安全，需在不同混合阶段到来之前及时预判城市道路交通管理可能出现的问题并精准施策。

目前，关于自动驾驶的研究综述较丰富，主要包括自动驾驶车辆的目标检测[3]、虚拟测试[4]、驾驶员接管[5]等，缺少通过文献计量理论，对未来自动驾驶环境下交通管理方面的可视化对比分析。“自动+人工”混合驾驶的研究相对较少，以“自动驾驶”为关键词进行检索，通过文献计量学对自动驾驶的发展现状进行分析，对未来“自动+人工”混合驾驶状态下自动驾驶汽车运行所存在的问题及所面临的交通管理问题及趋势进行总结。

1 数据来源与分析方法

1.1 数据来源

探究“自动+人工”混合驾驶状态下的交通安全管理问题，需要对自动驾驶的发展现状分析。利用主题检索CNKI核心及以上期刊代表自动驾驶领域的代表成果，对主题关键词“自动驾驶”进行文献检索，排除检索类别中的无人机、机器人、导弹等无关文献。通过“导出与分析”以文本的格式将所选的参考文献导出，实现数据分析及可视化操作，利用陈超美等开发的CiteSpace软件对所导出的文献进行去重筛选，最终获取524篇文献，共涉及1 290位作者及1 556个关键词。文献筛选过程见图2。

图2 文献筛选过程Fig.2 Literature screening process

1.2 分析方法

利用CiteSpace软件（5.6.R5），按照“文献数量→期刊来源→研究机构→热点话题分析”的研究思路对CNKI上有关自动驾驶的研究成果进行文献计量和可视化分析：①从年度发文量、期刊来源、研究机构发文量等方面进行发文量统计分析；②利用共词分析法对文献中的关键词统计，得到关键词共现网络，对热点问题分析；③针对自动驾驶汽车的发展现状得出“自动+人工”混合驾驶状态下交通安全管理将面临的问题，提出相应解决对策。

1.3 分析方法原理

1.3.1 分析对象的连接强度

分析各研究对象数据间的联系强度是数据可视化的重要内容，分析对象数据之间（即图谱的边）的连接强度计算公式为

图谱中连接2节点的边越粗表明对象间的联系强度越强。

1.3.2 聚类分析

CiteSpace依据网络结构和聚类清晰清晰度，提供模块值（Q值）和平均轮廓值（S值）指标，作为评判谱图绘制效果的依据。网络模块化值越大，该网络的聚类结果越好，Q值在0~1之间，Q大于0.3意味着划分出来的聚类结构是显著的，越接近1表示该聚类越好。平均轮廓值是用来衡量网络同质性的指标，越接近1，反映网络同质性越高；S值在0.5以上，可以认为该聚类结果是合理的；当S值为0.7时，该聚类结果是高效令人信服的。

2 文献统计分析

本文从数量分布（文献类型和时间）、期刊来源分布、研究机构分布3个主要方面统计分析。

2.1 数量分布

通过对1997—2020年关于自动驾驶文献的发文量进行统计，可得我国自动驾驶汽车研究起步较晚，1997—2016年的年度总发文量较少，年度发文总量均低于20篇。1997—2020年各年发文量见图3。

图3 1997—2020年发文量Fig.3 Number of papers published in 1997—2020

随着人工智能技术的不断发展，掀起了对自动驾驶汽车研究的浪潮，近5年发文总量逐年增长。将自动驾驶的文献按照自然科学类和社会科学类进行统计，发现各年份2种类型文献的发文量趋势与总体趋势相似。2015年前的文献类型均为自然科学类，主要研究视觉识别、自动驾驶专用道、利用神经网络及模糊算法等方法研究路径规划问题以及智能交通系统的构建等，所涉及研究内容较广泛。2015年自动驾驶的研究进入快速发展期，2018年以后发表的文献除了利用深度学习、高精度地图等方式对目标检测、路径规划、轨迹跟踪、车联网等问题研究外，还增加了交通肇事、责任划定等问题研究，技术研究更细致，研究内容更多元、全面。

该统计结果表明，当技术研究达到一定程度后，各种社会问题随之应运而生，致使社会科学类文献发展滞后于自然科学类文献。目前，自动驾驶问题还处于技术研究的蓬勃发展期，随着技术的不断突破，将迎来“自动+人工”混合驾驶第一阶段，法律、伦理、工程、管理等社会问题将成为自动驾驶研究的重要内容。

2.2 期刊来源分布

利用CiteSpace软件对期刊来源分布整理分析，分别对SCI期刊、EI期刊、CSCD期刊、CSSCI期刊、北大核心期刊的发文量及所占比例进行统计分析（每种期刊按照最高级别收录来源进行统计）。经统计共涉及214种期刊来源，其中SCI期刊来源3种（Engineering，Frontiers of Information Technology& Electronic Engineering和Journal of Central South University），EI期刊来源43种，CSCD/CSSCI期刊来源123种，北大核心期刊来源45种。各期刊来源文献所占比例见表1。

表1 各期刊来源分布Tab.1 Source distribution of Journals

2.2.1 EI期刊来源分布情况

EI期刊来源见表2（仅列出发文量前5的期刊）。EI期刊来源43种，其中《中国公路学报》发文量最高，并且其在全部期刊来源中发文量最高，为27篇，占EI期刊来源文献总量的18.24%，占全部期刊文献总量的5.15%，该期刊在交通领域具有较高的影响力。EI期刊来源的复合影响因子整体较高，其中发文量前5的期刊复合影响因子平均值超过2，对国内外研究均具有重要的参考价值。2.2.2 CSCD/CSSCI期刊来源分布情况

表2 自动驾驶文献EI期刊发文统计Tab.2 Statistics of papers published in EI journals of automatic driving literature

CSCD/CSSCI期刊来源文献所占比例最大，其文献来源情况见表3（仅列出发文量前10的期刊），其中《汽车技术》《汽车安全与节能学报》《交通信息与安全》发文量最高，发文量分别为20篇、16篇、8篇，总计44篇，占CSCD/CSSCI期刊来源文献总量的15.65%，前2种期刊的文献主要从车的角度研究，《交通信息与安全》的文献从驾驶人、车、路等方面展开研究。

表3 自动驾驶文献CSCD/CSSCI期刊发文统计Tab.3 Statistics of papers published in CSCD/CSSCI journals

2.3 研究机构分布

对涉及的188个研究机构统计分析（见图4），各研究机构的发文量的范围在20~30篇之间。由图4可知：各研究机构间的合作关系相对较弱，仅形成2个合作较强的集群，分别为以北京航空航天大学等机构为主的集群（北京地区，主要研究虚拟场景测试、路径规划以及信号灯与汽车的协同控制等内容）和以中汽研(天津)汽车工程研究院有限公司、天津大学为主的集群（天津地区，主要研究车道线检测、交通标志检测、轨迹预测等内容），研究合作集群具有较强的地域性，并形成高校与企业协同研究的关系，表明自动驾驶技术已由理论转向应用。

图4 研究机构关系图谱Fig.4 Relationship of research institutions

3 研究热点分析

3.1 关键词频次统计

利用CiteSpace的统计功能对所选文献的关键词出现频次分析，共得到1 556个关键词，以4频次为界限，以“频次”“中心度”为关键词的2个主要要素，列举了频次前30位的关键词绘制成关键词共现表，其中前10位的关键词为：自动驾驶汽车（511次）、人工智能（83次）、目标检测（72次）、深度学习（59次）、卷积神经网络（55次）、产品责任（54次）、模型预测控制（47次）、自适应（46次）、计算机视觉（45次）、交通工程（16次），见表4。关键词出现频次越高，表明该关键词为热点问题。结合表4可知：除常见的关键词即自动驾驶汽车、人工智能、交通工程、车辆工程以外，出现频次较高的为目标检测、深度学习、卷积神经网络、产品责任、模型预测控制、计算机视觉等关键词。

表4 关键词共现（频次大于4）Tab.4 Co-occurrence of keywords(frequency>4)

3.2 关键词突现分析

利用Citespace对所检索的文献进行突现词检测分析，得到9个突现的关键词，见图5。总体分析，以下突现词的涌现表明自动驾驶在近20年快速发展，大致可分为2个阶段。

图5 自动驾驶研究突现词Fig.5 Emergent words in automatic driving research

1）技术研究阶段（1997—2015年）。该阶段由半自动驾驶向全自动驾驶发展，通过仿真实验对自动驾驶车辆的决策算法、车道检测方式进行探索性研究，以及对智能交通系统构建，自动驾驶也逐渐由“单车”研究向“车路协同”智能系统方向的研究迈进。

2）深化应用阶段（2016—2020年）。2017和2018年涌现了4个突现词，自动驾驶逐渐由仿真研究向实际应用发展，大量自动驾驶技术应用于汽车行业。此时，多数车辆已具备自动驾驶辅助或更高级的功能。在2016年发生国内首例“特斯拉自动驾驶”交通事故致死事件引起了对交通肇事责任和义务的研究。

3.3 关键词共现分析

对检索范围内的524篇文献的关键词进行可视化分析，可视化结果见图6。关系图谱中各关键词节点间连线越粗，表明关系越密切，关键词出现频次越高，关键词字体越大，表明其在关键词关系网络中权重越大，关键词节点大小也与权重呈正相关。由图6可知，按照上述标准分类，可得到3个集群，分别为集群1、集群2和集群3，研究的主题可分别概括为目标检测及场景感知、路径规划和责任划定，结合国内外研究现状分析如下。

图6 关键词共现网络图谱Fig.6 Co-occurrence network of keywords

3.3.1 集群1——目标检测及场景感知

自动驾驶汽车目标检测主要是对标志、标线、信号灯、行人、周围车辆、交警手势、行人手势等的检测及识别，场景感知主要包括对突发情况的预测及复杂路况的感知。目标检测是自动驾驶汽车安全行驶的基础[6]，目标检测的方式主要包括通过激光雷达检测、图像检测等。激光雷达检测的方法主要为深度学习法，该检测方法在目标分类上存在缺陷，图像检测可弥补其不足。

标志识别通过先检测后识别的过程，首先对交通标志感兴趣区域进行分割，并采用阈值分割法、深度学习识别法、神经网络模型识别法[7]、视觉显著性模型识别法等方法对不同类型的交通标志识别[8]。早期曾提出利用磁道钉诱导技术使自动驾驶汽车获取道路信息[9]，该方式容错率低且对恶劣交通环境的鲁棒性较好，但建设工程量较大。目前，对车道标线检测主要基于特征和模型2种途径识别[10]。基于特征主要通过对不同道路标线的线形、颜色[11]、形状识别，利用霍夫变换算法[12]、聚类算法、卡尔曼滤波器、卷积神经网络等方法对车道轮廓线检测识别。D.Obradovic等[13]利 用FLDetector法对 前 方 车 辆 遮 挡的车道标线进行模糊聚类处理，以保证自动驾驶车辆正常行驶。基于模型的车道检测主要是对基于道路几何线形建立的2D和3D道路模型进行识别，算法与基于特征检测的方法类似，主要利用基于霍夫变换算法[14]。P.R.Palafox等[15]在标准的城市道路下对无车道标线的道路环境进行研究。

信号灯检测的方法较多，主要利用信号灯的颜色和形状特征结合Yolo，R-CNN，Fast RCNN等目标检测方法，在大数据环境下目前应用最为广泛的方法为深度学习和卷积神经网络法[16]。行人检测[17]、周围车辆的检测[18]与上述检测方法相类似，主要使用R-CNN和激光点云等方法。

交警及行人手势识别过程主要包含3个过程，分别是手势分割、特征提取、识别。通过图像灰度处理、滤波降噪处理、图像二值化处理等一系列过程对所提供图像进行处理[19]。其中，手势分割的方式有基于阈值的分割法[20]、基于肤色识别法、背景减去法、光流法、帧差法等，后3种方法主要适用处于运动的状态。手势特征提取主要从时间特征和空间特征2个方面进行研究。交警与行人的身份区分可使交警穿戴传感器，该方式经济成本较高，且影响交警的日常工作[21]。此外，有研究者提出通过对交警工作服的反光条识别进而确定交警的身份，该方式识别速度较慢，且精度不高。

以上研究内容是从自动驾驶汽车的角度考虑对交通标志、信号灯、其他车辆等方面感知识别问题。部分学者通过建设“车路协同”的智慧交通系统，通过“车-车”通信和“车-路”通信可有效解决自动驾驶汽车在雨雪天气、视觉盲区识别困难的问题。众多学者对车路协同系统进行研究，在路侧建立可远程监控、盲区预警、信号诱导的基础设施，通过V2通信将信息上传至智慧交通云控制平台，再反馈给自动驾驶车辆[22]，研究表明“车路协同”可有效提高安全性和通行效率[23]，结合车路协同实现目标检测，见图7。在《交通强国建设纲要》中明确提出要加强车路协同的研发，目前，北京、上海、郑州等多地已建立车路协同试行道路，完成“单车智能”向“群体智能”的转化[24]。

图7 结合车路协同的目标检测Fig.7 Target detection combined with vehicle-road cooperation

目前，关于自动驾驶目标检测和场景感知的方式方法丰富多样，在标准道路下具有较好的适用性，但在特殊的环境下存在鲁棒性较差的问题：①交通标志标线识别方面，在复杂交叉口条件下，设置的交通标志标线的种类及数量较多，自动驾驶车辆对交通标志标线识别存在识别速度慢、运算量大的问题，导致效率降低；在恶劣天气如大雪天气条件下，若未及时清理积雪，会导致基于视觉识别的目标检测方式无法识别车道标线以及道路边缘。②信号灯检测及其他识别方面，基于Yolo和RCNN等改进的方式对信号灯识别的方式较有效，实验主要在正常道路情况下研究，未考虑信号灯被前车遮挡的情况；由于手势动作较复杂，仅能对交警及行人的基本手势进行识别或存在技术方法实用性较差的问题。③车路协同方面存在信号传输延迟、路侧基础设施建设费用较高，不能全面普及，仅能适用于部分路段等问题。

3.2.2 集群2——决策与控制

自动驾驶汽车在路径规划完成后，需根据规划决策结果对汽车进行控制。因此，路径规划是安全、顺利完成驾驶的关键。路径规划是指在一定的已知环境下寻找1条满足约束条件的可行路径[25]。自动驾驶汽车对路径规划的要求较高，需考虑道路线形、转弯半径、障碍物避让、车道宽度等问题[26]，需要已知的全局空间的环境，不仅是局部环境，即连续域范围内的全局路径规划[27]。尤其是在复杂道路环境中如城市道路环境如何高效、安全[28]的实现路径规划是自动驾驶汽车最具有挑战的技术之一[29]。目前，路径规划的算法较多，常见的算法包括：图搜索法、快速搜索随机树（RRT）算法、RRT*算法[30]、人工势场法[31]、A*算法[32]、增量式启发算法、概率路线图法[33]等。在复杂环境下对计算的效率要求较高，因此引入了智能算法如蚁群算法[34]、粒子群算法[35]等。上述算法均有适用条件，如人工势场法应用较灵活，所规划的路径较平顺，但适用于障碍物较少的环境；蚁群算法鲁棒性较好，但其效率相对较低，易使自动驾驶汽车陷入停滞的窘境。

以上研究无论全局规划或是局部规划，均是以自动驾驶汽车“单车”为研究对象，导致在驾驶环境检测识别缺失的情况下，无法准确规划路径，因此路径规划的实现同样需要高精度地图的配合[36]，目前MIT公司研发的自动驾驶汽车基于高精度地图，实现在无道路标线的乡村道路正常行驶，该车仍然处于测试阶段。高精度地图上需注明各标志牌信息、道路边缘线，以及利用卫星定位其他车辆的精准位置[37]，若利用北斗、GPS卫星定位系统将高精度地图与车路协同智能交通系统相配合，实现“静态信息”与“动态信息”相融合，路径规划与车辆决策将更加精确，为自动驾驶车辆的精准控制提供保障，见图8。

图8 高精度地图+车路协同系统的路径规划技术Fig.8 Path planning technologies of high-precision map+collaborative vehicle-road system

经上述分析，将自动驾驶汽车与高精度地图配合使用有效解决了“单车”检测识别受特殊情况（恶劣天气、复杂路况等）影响而导致路径规划受阻的问题，但也存在高精度地图需实时更新、绘制成本高的问题，自动驾驶汽车在低速状态下可避让以“鬼探头”式出现的行人，但在较高速行驶状态下未能及时识别并采取制动措施。在局部路径规划的研究过程中将其他车辆的运动状态视为保持现状，未充分考虑其他车辆变道或变速的情况。

此外，自动、人工驾驶车辆在狭义上讲属于2种类型的交通工具，因此在“自动+人工”混合驾驶环境下局部路径规划应将路权问题纳入需考虑的问题中。

3.3.3 集群3——交通事故责任划定

提高道路交通安全水平是自动驾驶汽车的重要宗旨，但发生交通事故不可避免。我国吉林省、河北省、北京市、重庆市、湖南省等16个省市区制定关于智能网联汽车道路测试管理办法细则和自动驾驶车辆道路测试有关工作指导意见，未出台有关交通事故责任认定的相关法律法规。在“自动+人工”混合驾驶状态下发生交通事故，责任主体如何划分已是驾驶人、生产商、设计者所关心的问题，针对事故责任划定[38]问题仍处于起步阶段，尚未形成统一标准。

有研究者认为即使高度自动驾驶汽车（highly automated vehicles,HAV，自动驾驶汽车等级达到L3级及以上）已达到高度自动化水平[39]，但其仍任具有高度的依赖性，HAV的驾驶人具有不可推卸的责任[40]；部分研究人员认为针对不同等级的自动驾驶汽车责任划分承担主体应当是不同的，应当按照过错推定的原则确定责任主体[41]。还有研究人员认为HAV的驾驶人是依赖于HAV系统操作的，因此不应承担任何责任，应当是“系统操作，生产者负责”。现有《中华人民共和国道路交通安全法》中的责任主体“机动车一方”所指代的是自然人、法人或非法人组织，即使用者、拥有者或保险公司，并未对生产商的责任进行划定。从产品缺陷的角度看，《中华人民共和国产品责任法》中规定在证明产品有缺陷的情况下，可要求产品生产主体承担主要责任，但依据《中华人民共和国产品质量法》中的要求，产品不符合国家标准或行业标准则认为其存在产品缺陷，我国并未正式出台相关标准，生产商的责任如何划定未发布明确规定。

目前交通责任事故责任划定仍按照传统事故责任的划定方式，若根据自动驾驶汽车的特性划定责任，存在取证难度大、责任划分不明确等问题。

综上所述，“自动+人工”混合驾驶环境较为复杂，仅仅依靠技术上的支持难以解决“自动+人工”混合驾驶状态下的突出矛盾，需要技术与交通管理相互配，以达到较好的平衡点。目前在混合驾驶环境下有以下交通管理问题需要解决，见图9。

图9 混合驾驶环境下交通管理问题分析Fig.9 Analysis of traffic management problems in the mixed driving environment

4 研究展望

自动驾驶汽车逐渐融入生产生活中，未来自动驾驶车辆必将替代人工驾驶车辆，若完全替代仍需要一定的过程，混合驾驶状态将长期存在，针对未来混合驾驶环境下面临的交通管理问题和自动驾驶汽车的发展需求，提出以下3个重点研究方向。

1）协同式决策系统研究。“单车”式自动驾驶模式具有资金投入少的特点，同时也存在目标检测受限、鲁棒性差等问题，鉴于此需要结合车-路协同技术建立协同式决策系统。协同式决策系统围绕绘制低成本及定位准确的高精度地图、动态障碍物路径预测、路权分析等方面开展，利用自动驾驶目标检测功能，探索使用与检测一体化的高精度地图绘制技术，以降低地图实时更新成本，定性研究不同驾驶人和行人心理与行驶轨迹的关系机理，以便精准决策提升道路安全，以道路通行能力最大为目标构建自动驾驶汽车渗透率与路权关系模型，以确定最佳规划路径。

2）混合驾驶下交通规划与管制研究。当前交通规划与管制在全部为人工或自动驾驶车辆的条件下研究较多，下阶段发展方向是根据混合式交通流特点，因地制宜地制定符合该交通流特点的信号交叉口协同控制配时方案；道路设置单向交通有利于减少冲突点，提高自动驾驶车辆决策效率，研究单向交通合理设置交通组织方式；基于模拟驾驶实验探讨各标志标线间的协同关系，以取消交通标志标线冗余设置，提升自动驾驶汽车的识别速率。

3）智能交通监管平台及行业标准、法律法规研究。当前主要依靠交警或电子摄像头实现交通监督管理，依靠调查数据及仿真还原交通事故，难度系数较大，后续可结合5G、高精度地图、自动驾驶车辆的目标检测功能实时监测道路状况，探索短时交通事故预测模型以避免事故发生，结合GPS、视频视觉技术探索交通事故再现新方法，以更精确的实现交通事故责任划定；此外，还应在保障汽车共享信息安全、交通事故责任划定、高度自动驾驶汽车驾驶人行为规范等方面建立相应的行业标准及法律法规。

5 结束语

笔者以文献计量法为工具主要对目前自动驾驶汽车的目标检测及场景感知、决策与控制、交通事故责任划定进行综述，重点阐述了自动驾驶汽车的研究现状，并指出在未来混合驾驶环境下交通管理及自动驾驶技术研究的发展趋势：①协同式决策系统研究；②混合驾驶下交通规划与管制研究；③智能交通监管平台及行业标准、法律法规研究。