对自动驾驶局限性及其对事故和碰撞影响的综合评述

摘要

自动驾驶的出现标志着交通系统演进的一个关键里程碑，凭借其相对于传统车辆的众多优势，已无缝融入人们的日常生活。然而，自驾车面临许多挑战，导致每年发生事故和伤害。本文旨在全面审视自动驾驶固有的局限性及其对事故与碰撞的后果性影响。利用来自DMV、NMVCCS和NHTSA的数据，本文揭示了自驾车事故背后的关键因素。本文深入探讨自驾车面临的普遍局限，包括恶劣天气、易受黑客攻击、数据安全问题、技术效能、测试与验证的复杂性、信息处理以及连接性故障。通过细致分析2019年至2022年期间报告的自驾车事故，研究评估了不同事故分类中与死亡和伤害相关的统计数据。此外，本文还探讨了与自动驾驶相关的伦理与监管层面，强调了自驾车事故所引发的法律复杂性。本综述通过识别当前自动驾驶的局限，为研究者和专业人士提供更安全采纳的见解。通过研究解决这些局限性，可为交通系统带来更好的转变。

作者

Amit Chougule 电气与电子工程系 & APPCAIR, Birla Institute of Technology and Science, Pilani, Pilani Campus, Pilani, India ORCID: 0000-0002-7038-6944

Vinay Chamola 电气与电子工程系 & APPCAIR, Birla Institute of Technology and Science, Pilani, Pilani Campus, Pilani, India ORCID: 0000-0002-6730-3060

Aishwarya Sam 计算机科学与信息系统, Birla Institute of Technology and Science, Pilani, Pilani Campus, Pilani, India ORCID: 0009-0007-3917-1471

Fei Richard Yu 系统与计算机工程系，加利顿大学，渥太华，安大略省，加拿大 ORCID: 0000-0003-1006-7594

Biplab Sikdar 电气与计算机工程系，新加坡国立大学，新加坡 ORCID: 0000-0002-0084-4647

出版信息

期刊： IEEE Open Journal of Vehicular Technology 年份： 2024 卷号： 5 页码： 142-161 DOI： 10.1109/OJVT.2023.3335180 文章编号： 10335609 ISSN： Electronic ISSN: 2644-1330

指标

论文引用次数： 53 总下载量： 10956

资助

• SICI (沙斯特里印加加拿大研究院) SICRG

关键词

IEEE 关键词： Accidents, Autonomous automobiles, Surveys, Ethics, Injuries, Autonomous vehicles, Vehicle safety, Autonomous driving, Performance evaluation, Collision avoidance

索引词： Collision, Autonomous Vehicles, Traffic Accidents, Self-driving, Adverse Weather Conditions, Conventional Vehicles, Rural Areas, Ethical Issues, Internet Of Things, Pedestrian, Road Accidents, Human Error, Level Of Autonomy, Human Drivers, Driver Assistance, Advanced Driver Assistance Systems, Causes Of Accidents, Ethical Decision-making, Internet Of Vehicles, Regulatory Considerations, Rear-end Collision, Camera Technology, Technology Failure, Accident Cases, General Motors, Inclement Weather, Reliable Technology, General Data Protection Regulation, Road Markings

作者关键词： Autonomous vehicle, sensor technology, accident analysis, vehicle safety, regulatory aspects, and ethical considerations

未定义

第一节. 引言

近年来，自动驾驶技术已成为汽车行业最受研究的主题之一。凭借其革新交通的潜力，这项技术既受到热情也遭遇怀疑。它提供了许多好处，例如减少人为错误、提高交通效率 ¹。自动驾驶汽车（AV）还能通过提供无需自行驾驶的交通方式，帮助聋哑人、视力障碍者以及老年人变得更加独立 ²、³、⁴.

在自动驾驶技术初期，人们因为它相对于传统车辆在可用性、舒适性和效率方面的优势，迅速接受了它。自动驾驶汽车承诺让我们的生活更轻松，减少人为错误导致的事故，并降低交通拥堵 ⁵。因此，早期采用者热切投资这项技术，许多公司开始开发自动驾驶汽车。然而，每一次创新都伴随着风险，自动驾驶车辆也存在许多相关风险。随着时间的推移，人们开始注意到自动驾驶汽车的各种局限性和挑战，这也引发了人们对其自动驾驶能力的疑虑。正如硬币有正反两面，了解自动驾驶车辆的劣势也是必要的。自动驾驶技术的主要局限之一是其在所有天气和道路条件下都无法有效运行 ⁶, ⁷。例如，自动驾驶汽车在暴雨或大雪中可能难以导航，这会影响车辆的传感器和摄像头，导致事故。此外，自动驾驶汽车更难检测坑洞、施工现场等道路危害，这可能导致车辆失效甚至发生碰撞。目前的技术需要改进，以识别混乱城市环境中的物体。数据保护和隐私也是自动驾驶技术的关注点 ⁸, ⁹, ¹⁰。一个令人担忧的问题是自动驾驶汽车易受网络攻击的影响 ¹¹, ¹²。由于它们依赖计算机系统和软件来运行，易受到黑客攻击和其他安全漏洞的威胁。黑客可能会夺取自动驾驶汽车的控制权，使乘客的生命处于危险之中 ¹³, ¹⁴。由于这些各种局限性和安全问题，人们对自动驾驶汽车的信任显著下降。虽然自动驾驶技术有望彻底改变交通方式，但在广泛采用之前，必须解决这些挑战并提升技术的安全性和可靠性。总之，基于自动驾驶的汽车的早期采用得益于其相对于传统车辆的可用性、舒适性和效率。

然而，随着人们注意到自动驾驶汽车存在各种局限和挑战，其对自动驾驶能力的信任度已被削弱。为确保自动驾驶技术得到广泛接受，必须解决这些挑战并提升技术的安全性和可靠性。

自动驾驶车辆需要学习如何在多种不良选择中挑选对人类危害最小的选项，正如人类在只剩下不理想选择时往往会这样做。由于这些车辆及其实施所涉及的成本，自动驾驶车辆的部署是一项艰巨的任务。政府可能需要足够的时间来规划支持自动驾驶车辆最佳运行的基础设施 ¹⁵, ¹⁶, ¹⁷。要使自动驾驶车辆在社会和法律上获得接受，必须为人类提供可靠的安全保障以供依赖 ¹⁸, ¹⁹。然而，这些限制中最令人担忧的仍是由自动驾驶车辆引发事故的风险。事故可能导致死亡或严重伤害，亦可能被险些避免；无论如何，我们需要审视这些不幸事件的成因。自动驾驶车辆基于自动化，让人类放松享受旅程，而车辆则负责驾驶。然而，当车辆驾驶不当时，这可能带来风险甚至致命后果。已有多起案例显示自动化反而成了诅咒而非福祉。在本文中，我们将分析导致此类不幸事件背后的原因。我们需要考虑如何解决自动驾驶不可靠的问题。本文旨在厘清自动驾驶的局限性，以促进未来研究走向正确方向。我们将梳理统计数据和多起不幸事故实例，以了解当前形势概况。此外，我们将聚焦主要事故类型及其成因。在传统汽车中，绝大多数事故是由超速、酒驾、分心驾驶、疲劳、激烈驾驶和违反交通法规导致的。NMVCCS 数据库列出了五类与驾驶员相关的因素，这些因素会导致事故。这些是导致自动驾驶车辆事故的人为失误 ²⁰。在许多情况下，驾驶员并不总是负有责任。感知和识别问题可能导致潜在危险被忽视。在许多事故中，行人负有更大责任 ²¹。因此，这表明在自动驾驶的开发中存在许多复杂性和挑战。

在审视自动驾驶的局限性后，我们需要了解其造成的死亡和伤害人数的统计数据，这些数据说明了自动驾驶汽车能力的重大意义和现实。国家公路交通安全管理局（NHTSA）对这些案例进行了各种分析，并不时发布报告。无论是特斯拉、谷歌的自动驾驶汽车，还是 Waymo 的无人驾驶车辆，都曾出现过车辆事故。2016 年 2 月，谷歌的一辆自动驾驶汽车卷入了一起碰撞事故 ²²。同样，在另一件事件中，Uber 的无人驾驶车辆发生了 37 起事故 ²³。根据美国运输部的事故率计算程序，联邦公路管理局 ²⁴，无人驾驶车辆的事故率为每百万人里程 9.1；相比之下，传统车辆的事故率为 4.1。我们了解到，在专注于提升技术效率以预防事故时，还有很大的改进空间。本文的目的在于回顾因自动驾驶局限性导致的道路事故和死亡的原因与后果。我们考察了导致此类事故发生及其严重程度的因素，例如技术故障、人为错误、环境条件以及伦理困境。我们识别了现有研究与实践中的主要挑战与空白，并提出了未来工作的若干方向。过去很少有研究讨论这些问题。它们已在表 1 中进行总结。在表 1 中，对于每项工作，我们说明我们的调查如何克服了那些工作的局限性。本综述的主要贡献如下：

我们概述了自动驾驶技术的现状，并探讨了其各种局限性，这些是导致涉及自动驾驶车辆事故的关键因素。

我们回顾了自动驾驶汽车的伦理和监管考虑。

我们讨论了自动驾驶车辆目前面临的挑战，并提供了未来研究方向。

表 1

第二节. 调研结构

本文结构如下：第一节介绍自动驾驶的概念及其挑战。本节讨论当前无人驾驶汽车的局限性如何影响道路安全并导致事故和碰撞。第二节概述本文的范围和组织，涵盖自动驾驶研究的各个方面。第三节简要回顾自动驾驶技术的发展与演进，并对市场上现有的自动驾驶汽车进行评述，包括其制造商、车型、功能和自动化水平。第四节分析当前自动驾驶车辆的缺点与不足，例如其无法在恶劣天气条件下操作、无法处理突发情况，以及对外部基础设施的依赖。第五节考察由无人驾驶汽车缺陷与失效导致的事故与碰撞案例，并提供由自动驾驶事件造成的死亡和伤害统计。第六节讨论无人驾驶汽车的伦理问题与困境，以及监管和诉讼方面的考虑，涉及自动驾驶技术。第七节识别当前需要解决的挑战与开放性问题，以提升自动驾驶技术的安全性和可靠性。本节还提出了一些可能克服自动驾驶技术局限性的未来研究方向。第八节总结本文的主要发现和对自动驾驶技术领域的贡献。图1展示了本文结构的概览，说明不同章节及其相互关联。

图 1. 我们调查的结构.

第III节. 背景

自动驾驶汽车最初受到人们的兴奋和热情，因为人们将其视为交通技术的革命性一步。 这些车辆被设计得高效、舒适且安全。 能够坐在车内放松休息，同时车辆在交通中自主导航的承诺，对许多人来说是梦想成真。 然而，随着时间的推移，人们开始注意到自动驾驶汽车存在的各种局限和挑战。 主要关注之一是技术的可靠性。 虽然自动驾驶汽车的自驾能力令人印象深刻，但也曾出现技术失效导致事故甚至死亡的情况。 自动驾驶汽车的另一大局限是缺乏人类互动 ²⁵, ²⁶, ²⁷, ²⁸。 人们渴望驾驶和控制车辆的能力，缺乏控制感让他们感到不安和脆弱。 此外，许多驾驶者认为自动驾驶汽车缺乏人类驾驶者的情商和直觉，这使它们在处理复杂路况时能力不足。 此外，安全顾虑也在削弱人们对自动驾驶汽车的信任方面起了重要作用。 随着网络犯罪的上升，许多人担心黑客侵入车辆系统并控制他们的汽车 ²⁹, ³⁰, ³¹, ³²。 被黑客导致事故的潜在风险是真实的担忧，这让人们犹豫不决地接受这项新技术。 图 2 说明了人类对自动驾驶汽车因现存多种局限而产生的信任问题与疑虑。 然而，自动驾驶汽车有能力改变交通方式，解决这些问题对于重新赢得人们的信任并确保自动驾驶技术的安全性和可靠性至关重要 ³³。 如上所述，表 1 总结了近年来关于自动驾驶局限与挑战的主要调查与综述论文。 目前，自动驾驶汽车使用激光雷达或摄像头技术，或两者兼用 ³⁴, ³⁵。 根据所采用的技术，车辆具有不同的自动驾驶功能。 摄像头和激光雷达技术都稳健，并提供独特的优势 ³⁶.

虽然图像传感器和相机技术更为复杂且使用更广泛，Lidar 能够以毫米级精度映射整个街景 ³⁷, ³⁸。Lidar 在视觉识别方面存在困难，而相机在这方面更为擅长。Lidar 需要在系统中进行更多的数据处理以构建图像并识别物体。尽管在成像技术方面更可靠，相机缺乏 Lidar 的距离检测能力。相机的另一个优点是其成本低于 Lidar 系统，从而降低了自动驾驶汽车的整体成本以及终端用户的成本。由于视频相机已在市场上存在，它们也更易于实现。

图 2. 自动驾驶汽车的可信度 [52], [53].

过去几年，围绕开发自动驾驶技术的研究与开发投入了巨大的努力。根据 Statista ³⁹，2019 年全球约有 3140 万辆自动驾驶汽车，占整个 14 亿辆汽车市场的比例。到 2024 年，这一数字预计将上升到约 5420 万辆。在本节中，我们将回顾目前市场上已有的一些自动驾驶汽车。从豪华车型到更实惠的车型，市场上已有数款自动驾驶汽车。多家公司和制造商正在开发自动驾驶汽车。这些公司包括 Tesla、Waymo、General Motors、Mercedes-Benz、Ford、BMW、Volkswagen 和 Nissan。以下列表包含一些最著名的自动驾驶车辆：

1. Tesla Model S ⁴⁰, ⁴¹, ⁴², ⁴³: 这款豪华轿车配备了二级自动化，包括自适应巡航控制、车道偏离警告和自动泊车功能。

2. Audi A8 ⁴⁴: Audi A8 是一款配备三级自动化的豪华轿车，提供高度的驾驶员辅助技术，但不具备完全自主驾驶能力。它配备了名为 Traffic Jam Pilot 的系统，可在分隔高速公路上控制转向、刹车和加速。然而，Audi A8 在任何情况下都无法完全自动驾驶，需要人工监督和输入。

3. Nissan Leaf ⁴⁵, ⁴⁶: 这款经济实惠的电动车配备了二级自动驾驶技术，涉及自适应巡航控制和车道偏离预警功能。

4. BMW 7 Series ⁴⁷, ⁴⁸: 这款豪华轿车配备二级自动驾驶技术，集成了自适应巡航控制和自动泊车功能。

5. Waymo One ⁴⁹: 这是一个自动驾驶网约车服务，在亚利桑那州指定区域使用全自动车辆运送乘客。

表 2 列出了市场上一些最为知名的现有自动驾驶汽车，以及它们的制造商和车型。尽管近年来自动驾驶汽车取得了显著进步，但它们仍面临许多阻碍其广泛应用的挑战。当前市场上的所有自动驾驶汽车均为 SAE 二级自动驾驶。尽管现有车型存在各种缺陷和挑战，我们仍在等待 SAE 三级及更高级别的自动驾驶车辆，这将在后续章节进一步探讨和分析。

表 2

第四节：局限性

虽然自动驾驶具有提升安全、便利和出行性等多种潜在好处，但它也面临许多可能阻碍其发展和普及的挑战和局限。一些局限可以通过更好的技术来克服，而另一些则是不可避免的。例如，环境影响、易受黑客攻击、数据隐私问题以及技术效率是自动驾驶的主要局限之一。本节将探讨其中的一些局限，并讨论可能的解决方案和建议。

A. 恶劣天气

感知是使自动驾驶汽车能够安全运行的计算过程中的初始阶段。然而，恶劣天气条件可能损害自动驾驶感知系统，阻止其检测和识别道路上的物体和标志牌。这可能导致自动驾驶汽车在此类情况下做出错误决策或无法做出决策 ⁵⁰, ⁵¹, ⁵², ⁵³, ⁵⁴。 换句话说，恶劣天气会妨碍自动驾驶能力。 恶劣天气包括影响能见度的自然现象，如冰雹、雾、雨、雪和暴风雪。 雾、冰雹、雪和雨都会降低自动驾驶汽车的视线和感知 ⁵⁵, ⁵⁶。 能见度有限会使驾驶员更难阅读路标并遵循标准驾驶准则。

恶劣天气条件对自动驾驶汽车提出了重大挑战，影响其在传感器退化、地图精度、定位误差和决策制定等方面的性能。 研究文章 ⁵⁷ 探讨了各种天气条件对传感器性能的影响。 张宇晓等人进行的分析 ⁵⁸ 揭示了在雨天条件下，事故风险比正常环境条件高出 70%。 此外，美国的国家统计数据显示，每年在下雪或结冰的道路上或在降雪或冰雹期间发生的车辆事故超过 30,000 起。 进一步支持恶劣天气条件对道路安全影响的证据来自美国交通部 ⁵⁹。 他们的记录表明，平均每年发生 5,891,000 起车辆事故，其中约 1,235,000 起归因于恶劣天气条件，如雪、雨、雾和强风 ⁶⁰。 湿润的路面和雨天条件被确定为最常见的天气相关事故原因，分别占事故的 76% 和 46% ⁶¹。

此外，恶劣天气会让驾驶更危险。在经历极端降雪的地区，车道标线往往因大雪而消失。同样，暴雨会导致能见度降低。这些限制源于传感器在大雨中难以区分车道线、路标和附近物体。为减少对天气的依赖，我们需要更好的传感器来应对困难情况。制造商需要让感知模型更具适应性，使其在所有天气条件下都能工作，或者其感知系统不受天气影响。为实现这一目标，他们必须用多样化的天气条件视频训练 AI 模型，并改进能够在所有天气条件下运行的目标检测和识别模型。此外，大多数自动驾驶车辆目前将雷达图像与一种名为激光测距（Light Detection and Ranging，简称 Lidar）的激光系统相结合。该传感器能够获取自动驾驶车辆周围区域的详细 3D 图像。该技术相当有效，在晴朗天气下能产生高质量图像。然而，其主要缺点是无法在雾天行驶、雨雪交替或行驶在尘土飞扬的区域时看到。Lidar 的另一个改进方向是其昂贵，这增加了自动驾驶汽车的成本，使其对客户不那么可负担。雷达成像仅捕捉车辆周围道路的部分图像 ⁶².

B. 对黑客攻击的脆弱性

对许多人而言，失去对其无人驾驶车辆的控制，被远程黑客掌控，是一种噩梦般的情景。 自动驾驶车辆依赖技术运作，并且容易受到潜在的网络攻击。 黑客会针对人工智能系统的安全关键功能。 在某些情况下，黑客会伪装道路，欺骗自动驾驶车辆撞向导航标志或停靠标志 ⁶³。 针对无人驾驶汽车的一些常见黑客手段包括远程访问和直接篡改。 远程访问可通过互联网或蓝牙实现 ⁶⁴。 直接篡改包括干扰传感器、安装专用设备，或通过供应链破坏改变车辆结构，例如添加后门 ⁶⁵、⁶⁶、⁶⁷、⁶⁸。 2019年，白帽黑客Richard Zhu和Amat Cama ⁶⁹ 成功黑入一辆特斯拉Model 3。 他们在受控环境中迅速且安全地接管了车辆。 其他多起事件进一步强化了无人驾驶汽车易受黑客攻击的论点。 例如，2010年，一名不满的前雇员访问了德克萨斯州奥斯汀的公司电脑，禁用了超过100辆车，同时让它们的喇叭失控地响起。 安全专家还发现2010年通用汽车OnStar系统存在缺陷，可能让黑客完全接管车辆。 2016年6月，BBC ⁷⁰ 报道一款三菱Outlander混合动力车存在问题。 据他们称，研究人员在其车载Wi‑Fi中发现了安全漏洞。 这些漏洞可能让黑客关闭车辆警报。 这一漏洞可能让小偷闯入车辆并实施汽车盗窃。 2014年，卡巴斯基实验室发布了一份报告 ⁷¹，分析了宝马的ConnectedDrive系统。 该报告称，联网汽车可能在自动化世界中将驾驶员暴露于威胁之下。 黑客可能推算并窃取联网汽车车主的密码。 这将揭示车辆位置，并使车门可远程解锁。 以前从未出现过的新风险对隐私构成威胁，而隐私对当今司机至关重要。

根据一份报告 ⁷²，汽车行业在车辆网络攻击方面出现了显著上升。报告显示，在过去十年中，共报告了 900 起针对汽车的网络攻击。攻击频率从 2018 年到 2021 年增长了 225%，其中 85% 的攻击是远程进行的。约 40% 的攻击针对后端服务器，2021 年 54.1% 的攻击归因于“黑客”行为者。前三大攻击类别分别为数据/隐私泄露（38%）、汽车盗窃/闯入（27%）和控制系统操纵（20%）。无钥匙进入和钥匙 fob 攻击占车辆盗窃的 50%。这些发现强调了汽车行业迫切需要加强网络安全措施，以防御网络威胁并确保驾驶员和乘客的安全与隐私 ⁷³, ⁷⁴.

C. 数据保护

联网与自动驾驶汽车会生成并与其他车辆及交通系统组件共享大量数据 ⁷⁵, ⁷⁶, ⁷⁷. 一辆自动驾驶汽车会产生大量数据。预计一辆自动驾驶汽车每年产生超过 300 TB（太字节）的数据 ⁷⁸. 自动驾驶汽车产生的大量数据凸显了需要强大的数据存储与处理能力，以应对庞大的数据流，并支持用于自动驾驶技术的先进算法和系统。因此，数据保护法在联网与自动驾驶移动性中尤为重要。然而，只有部分生成的数据对实现联网与自动驾驶至关重要。例如，驾驶员或用户为方便或娱乐而共享的数据并非必需。为车-对-X（Car-to-X）服务、预测监测与分析、以及 eCall 系统收集的数据，连同汽车运行参数如排气、平均速度、故障存储以及故障次数，和技术数据如传感器数据 ⁷⁹. 这些数据中有很大一部分属于个人信息类别，这意味着联网与自动驾驶汽车将需要遵守《通用数据保护条例》(GDPR) ⁸⁰，并在未来遵循如《电子隐私条例》等仍待批准的法规。

D. 技术效率

虽然技术已经取得了显著进步，但五级自动驾驶车辆的广泛应用既需要其能够应对所有情况的能力，也需要其软件的可靠性。车辆用于导航和环境识别的人工智能算法在拥挤的城市环境中仍难以适当地工作。⁸¹。这些算法依靠各种传感器，例如摄像头、雷达和激光雷达，来感知周围环境并做出决策。然而，每种传感器都有其局限性和挑战。摄像头可能受限于光照不足和遮挡，雷达可能分辨率低且易受干扰，而激光雷达成本高且稀缺。如前所述，激光雷达因使用激光束测距并创建三维环境地图，能够比摄像头或雷达更好地应对恶劣天气 ⁸²。然而，激光雷达系统因成本高、可用性有限，难以大规模生产使用。因此，寻找降低成本并提升激光雷达供应的方法，对推进五级自动驾驶车辆的研发和部署至关重要。

E. 测试与验证

传统汽车行业非常清楚，自动驾驶车辆在开放环境中与数以百万计的其他车辆并行运营时所面临的挑战与在受控环境中仅与少量车辆以及有安全驾驶员配合时所面临的挑战是不同的。 在经历多次成功演示和数十万英里的行驶后，AVs背后的技术已证明其已具备大规模应用的准备。然而，仅靠测试能在多大程度上保证足够安全，尚不确定。工程师正在开发测试平台，但还不清楚需要进一步投入多少以及如何衡量最终车辆的安全水平。只有当AVs能够符合 ISO 26262 或其他相关且信誉良好的软件安全标准 ⁸³ 时，才可视为安全。由于多种原因，测试与验证是AVs面临的主要限制 ⁸⁴。 一个原因是无法进行穷举测试，这使得在真实道路上验证AVs的安全性变得困难。测试环境必须准确反映现实世界条件，并考虑到因软件错误或故障导致的罕见但灾难性故障的可能性。另一个原因是随机性和非确定性算法所涉及的不确定性与随机性，这同样影响测试过程。第三个原因是基于归纳推理的机器学习系统难以验证。为了彻底测试，需要验证罕见且不可预测的数据（“黑天鹅”）以随机且独立的速率发生的假设，并使用适当规模的数据集进行测试。 这在拥有足够资源的情况下是可行的，但由于新的黑天鹅总会出现，还需要估算在大量运行场景和输入值下系统失效的概率，以确保灾难风险保持在合理低水平。

F. 信息管理

自动驾驶汽车依赖多种技术，但最突出的技术是物联网（IoT），它能够在无需人工干预的情况下实现网络上的数据传输。为了高效运行，自动驾驶车辆需要有效的信息管理以实现服务交付。这需要车辆之间的互联，也称为车联网（IoV），其遵循物联网范式并进行智能判断 ⁸⁵, ⁸⁶。然而，主要挑战之一是自动驾驶车辆需要更多的传感器和软件，以连接到车联网并处理自动驾驶的不同方面。虽然车联网促进了自动驾驶车辆的互联，但仍有许多问题需要解决，以确保自动运输的安全性。关键问题之一是延迟。为确保道路安全，信息必须以高速数据率在车辆之间共享。目前，自动驾驶车辆使用的技术包括 DSRC（Dedicated Short Range Communications Service）和 4G-cellular LTE ⁸⁷。然而，这些技术在时间敏感场景下存在局限性，因此 5 G cellular network 是潜在的解决方案 ⁸⁸, ⁸⁹, ⁹⁰。为满足先进服务的需求，5 G Vehicular Cloud Computing (VCC) ⁹¹ 系统采用多种网络接入技术 ⁹²。该技术对工业4.0至关重要。然而，另一种名为触觉互联网（TI）⁹³, ⁹⁴ 的互联网网络已出现，它是一个高速低功耗的 LTE 系统，亦提供广覆盖、安全可靠的端到端通信，以及低于毫秒级的超低延迟。这项先进技术为研究人员提出了新的挑战，例如在 AV 中部署 TI ⁹⁵, ⁹⁶。这仍然是一个需要进一步研究的开放问题。另一个问题是通信技术的异构性 ⁹⁷, ⁹⁸。无线技术是自动驾驶车辆通信的支柱。DSRC 与 4G-LTE 的比较表明，4G-LTE 适用于文件下载、交通数据传输和互联网访问等非安全应用。同时，DSRC 更适用于碰撞避免等安全应用。

在 DSRC 与 5G 之间的选择将削弱车辆挽救生命的能力 ⁹⁹, ¹⁰⁰。
这一问题影响系统的互操作性，而互操作性对自动驾驶汽车至关重要，必须得到解决。
数据生成和大数据管理也是其他关注点。
根据作者的分析 ¹⁰¹，摄像头每秒产生 20-40 MB 的数据，雷达和声纳每秒产生 10-100 KB 的数据，GPS 每秒产生 50 KB 的数据，激光雷达每秒产生 70-100 MB 的数据。
一些研究论文探讨了大数据对物联网（IoV）所带来的困难 ¹⁰², ¹⁰³。
V2V 链路性能受到高楼、桥梁和不断变化的交通条件的干扰。
网络拓扑中固定与移动元素（即基础设施与车辆）的通信往往因车辆高速移动以及无线技术覆盖受限而受到干扰。
在高密度使用多媒体丰富应用的自动驾驶汽车中，分配给 DSRC 的频谱不足。
需要高网络带宽来处理传感器和其他设备产生的所有数据。
自动驾驶汽车使用与移动设备 GPS 功能获取的地图不同的地图，以寻找最佳路径并避开被阻塞或拥堵的道路。
这些地图在车道宽度、人行道高度以及与行人距离方面更为精确。
它们需要大量内存和强大的处理能力来存储。
已有多项尝试使用里程计和 3D 激光雷达传感器获取此类精确地图。
然而，由于环境和道路状况的动态性，行业面临挑战。
该问题可通过基于物联网数据收集车载和路面来源的数据来解决，即使用大数据来挽救。
车载数据监测车辆状态；路面数据指发生在道路上的事件，可通过车载或其他物联网设备获取。

G. 当连接差或无连接时的安全挑战

即使自动驾驶车辆能够完美感知其周围环境，它们仍然面临安全挑战，且在没有连通性的情况下无法避免所有碰撞 ¹⁰⁴。自动驾驶车辆需要与基础设施（I2V）或其他车辆（V2V）通信，以确保绝对安全。然而，三大主要挑战阻碍了自动驾驶车辆实现这一目标：遮挡 ¹⁰⁵、交通规则违规和行为预测不确定性 ¹⁰⁶。这些挑战导致信息缺口，增加碰撞风险。自动驾驶车辆必须估计周围其他车辆和行人的位置与行为，但这可能不足够。确保安全的另一种方法是责任感知安全（RSS）框架 ¹⁰⁷、¹⁰⁸，该框架对自动驾驶车辆的行为施加严格约束 ¹⁰⁹。然而，该方法可能会妨碍交通效率和通行量。¹¹⁰ 的作者列出了一些这些局限性，可以通过使用 I2V 和 V2V 通信来克服。例如，I2V 通信可以帮助自动驾驶车辆在交叉路口出现遮挡或交通违规时及时相互探测 ¹¹¹、¹¹²、¹¹³、¹¹⁴。同样，V2V 通信可以使自动驾驶车辆协调车道变更，避免潜在危险 ¹¹⁵、¹¹⁶。然而，连通性也有其缺点，例如成本高昂和技术挑战。

H. 缺乏支持性基础设施

AVs需要支持性基础设施才能正常、可持续运行。然而，许多涉及特斯拉和优步车辆的事故发生是由于缺乏情境线索。因此，审视AVs在农村和城市地区的挑战非常重要 ¹¹⁷, ¹¹⁸, ¹¹⁹, ¹²⁰, ¹²¹。联网和自动驾驶车辆必须面对它们在农村地区会遇到的困难。一次研究 ¹²² 调查了英国自动驾驶车辆的定位能力，发现农村地区的交通死亡率最高，公共交通状况差，数字接入水平低。与仍需某些背景支持的城市地区相比，农村地区似乎是一个遥远的目标。一些影响AVs适用性的关键因素包括网络连接、标识和道路基础设施的质量与一致性。另一项研究 ¹²³ 指出，农村地区的AV采纳可能会因交通基础设施而受到阻碍。

运输基础设施需要改变，但这是一条缓慢而繁琐的过程。然而，让 AVs 在道路上普及并占据主导地位是至关重要的。农村社区必须接受，他们可能需要更多资金来建设适合 AVs 的基础设施。对于人口稀疏的未合并县尤其如此。此外，由于无人驾驶汽车的广泛使用，农村地区需要协助以符合新的联邦道路法规。根据 Congressional Research Service Report ¹²⁴，现有 AVs 依赖路面标记和标志来导航交通和车道，要求主干道和次干道都与传统车辆兼容。 这将需要在使用交通控制装置时保持一致，并得到州政府自愿与 Federal Highway Administration (FHWA) 的合作。 在资金不足以重新铺设道路的农村地区，土路和碎石路很常见，也可能给 AVs 带来问题。 它们缺乏清晰的路面标记，使摄像头更难检测路面坑洞或路边缘。 在审视农村地区当前基础设施挑战后，也公平地考虑城市和郊区的困难。 另一项研究 ¹²⁵ 显示，AVs 的车队协同可将道路基础设施容量提升 50%，这表明当前道路基础设施在支持 AVs 方面仍有很大改进空间。 研究表明，桥梁设计及其相关标准需要修订，以应对由自动驾驶货运车辆车队产生的改变后的荷载模式和增大的负荷 ¹²⁶, ¹²⁷。 无论车辆类型如何，自动化车队的行驶速度更快、车距更短，可能快于连网车辆。 这可能导致更高的交通流量和更重的荷载作用于道路路面。 在重型车辆比例更高的高速公路上，对承载结构的影响会更为显著。 路边设施，如加油站、停车场和换乘点，需要创新设计以支持 AV-enabled mobility systems。 一个严重的问题是缺乏启用此基础设施的指导方针，例如需要的感知设备数量，以提供平稳准确的信息流程，尤其是在多车道高速公路或多用户参与系统的复杂情形中。

第五节：事故与碰撞

加利福尼亚州机动车管理局（DMV）管理自主车辆计划 ¹²⁸、¹²⁹，该计划向在加利福尼亚州公共道路上测试和部署自动驾驶汽车的制造商授予许可。根据 DMV ¹³⁰、¹³¹，测试自动驾驶汽车的制造商必须在十天内报告任何造成财产或人员损害的事故。截至2023年4月14日，DMV已收到581起此类事故报告。报告包含各种信息，例如汽车型号与年份、事故发生的日期、时间和地点、车辆状态与模式、事故相关方、损失与伤害程度以及环境条件。事故可能涉及不同类型的碰撞，取决于事故影响的区域或车辆运动。其中包括正面碰撞、擦碰、追尾、侧向碰撞、撞击物体、翻车、车辆/行人等事故。图3显示了根据 DMV 报告 ¹³²、¹³³ 所涉及的自动驾驶汽车事故类型。我们可以按以下方式更详细地查看这些事故类型：

1. 正面碰撞: 两辆汽车正面相撞被称为正面碰撞。 这种碰撞可能发生在两辆车相向行驶并直接相撞时。 由于两辆车正面相撞，这些碰撞的力量非常大。 这些碰撞也极其危险，可能导致道路上多人死亡，即使车辆前罩可能会折叠以减轻部分冲击。 当车辆正面撞上电话杆或路障时，也可能发生正面碰撞。

2. 擦碰: 当两辆车同向行驶并相互撞击，且一辆车的左侧撞击另一辆车的右侧时，被称为擦碰。 这种碰撞经常发生是因为两辆车中有一辆在不安全时离开了车道。 因此，擦碰是自动驾驶车辆换道机制失效的迹象。

3. Rear End: 后向碰撞是指司机从后方撞上前方的汽车。这通常发生在车辆因为路标、信号灯或交通原因停下来或缓慢移动时。有时后向碰撞也会发生在高速公路等快速道路上。通常，后向碰撞只涉及两辆车。但有时它们也会导致其他车辆相互撞击 ¹³⁴.

4. Broadside collisions: 侧面碰撞是指一辆车的前端高速撞向另一辆车的侧面。这类事故非常严重，因为撞车者与撞击点之间几乎没有空间或防护。与导致人来回移动的正面碰撞或后向碰撞不同，侧面碰撞会让人左右摇晃.

5. Hit Object: 当车辆撞上无论是否在移动的物体时，就称为碰撞。撞击对象可能是路标、电话杆或道路分隔板等任何物体。车辆与该物体都可能因碰撞受损。受损程度取决于它们的大小、重量和强度。对自动驾驶汽车而言，这意味着它们的感知与避障技术表现不佳.

6. Overturned: 翻车事故是指车辆因碰撞而翻倒。通常发生在车辆失控时。造成车辆翻倒的两种事故类型是未触发式翻滚和触发式翻滚。根据美国国家公路交通安全管理局（NHTSA）的数据，绝大多数翻滚（95%）是触发式翻滚 ¹³⁵，即因撞击外部物体引起。车辆失去车道向侧滑并撞上或冲入地面时就可能发生此类情况，也可能是与另一辆车相撞时发生。未触发式翻滚较少见，发生时是重力、旋转力和轮胎力作用方向各异。未触发式翻滚更易在高速行驶和重型车辆（如卡车、面包车）中出现.

7. Vehicle/Pedestrian:- 当自动驾驶汽车与另一辆车或行人相撞时，另一方可能是移动的也可能是静止的。检测行人对AV来说很困难，尤其是当他们骑自行车或道路拥挤时。但AV并不总是这些事故的责任方；有时行人因粗心或违反交通规则而导致事故。

图 3. 涉及自动驾驶汽车的不同类型事故 [122], [123].

[126]

根据 IDTechEx ¹³⁶ 的报告，某些事故是由于前车人类驾驶员的错误导致的。 前车与自动驾驶汽车相撞。 他们发现，81 起人类驾驶员与自动驾驶车辆相撞的事件是典型的碰撞，其中大多数是停驶或行驶交通中的追尾碰撞。 全国机动车事故成因调查（NMVCCS）数据库 ¹³⁷, ¹³⁸, ¹³⁹ 揭示了导致事故的主要与驾驶员相关的因素。 这些因素包括：（1）感知受损；（2）对其他车辆行为的误判；（3）决策不佳和违反交通规则；（4）无能力；（5）车辆控制不当且无能。 根据 Teoh 和 Kidd ¹⁴⁰，谷歌（现为 Waymo）测试的自动驾驶车辆每英里事故率明显低于人类驾驶车辆。 然而，当它们发生事故时，通常是因为其他人类驾驶员侧撞或追尾它们 ¹⁴¹。 因此，自动驾驶汽车需要被设计成尽量减少人类错误的影响。 驾驶员并非唯一可能造成事故的人。 行人也可能对与车辆碰撞负有责任。 这在步行和骑行是常见交通方式的国家尤为成立。 导致行人-车辆碰撞的一些因素包括：判断不佳、分心、鲁莽、违章信号、酒后驾驶和匆忙 ¹⁴².

根据美国汽车工程师学会（SAE）的定义，驾驶自动化系统分为五个等级。目前，二级车辆非常普遍。二级自动驾驶车辆可以独立操纵转向、加速和制动，但驾驶员需要保持注意力，并在紧急情况下介入 ¹⁴³。然而，即使技术先进，仍存在导致碰撞的错误可能性。为提升自动驾驶车辆的安全性，我们需要审视涉及它们的事故和碰撞数据，并识别导致事故的因素。例如，特斯拉发布的最新安全报告声称，人类驾驶员比其自动驾驶系统更容易出错。但美国国家公路交通安全管理局（NHTSA）的数据并未清楚显示是驾驶员错误还是技术失效导致事故。因此，我们需要仔细分析这些数据。一些机构，例如Waymo和Argo AI，已与其自动驾驶车辆进行通信并自动检测碰撞。虽然自动驾驶车辆仍处于测试阶段，且已研究的交通事故数量不多，但已有几位作者研究了与自动驾驶相关的交通事故 ¹⁴⁴, ¹⁴⁵, ¹⁴⁶, ¹⁴⁷.

对与自动驾驶车辆相关的交通事故的第一批研究之一，分析了 2014 年 9 月至 2015 年 11 月间加利福尼亚的数据 ¹⁴⁸。该研究的作者调查了 12 起涉及自动驾驶车辆的交通碰撞。随后，研究者们检视了加利福尼亚的特定时间段：截至 2017 年 3 月 ¹⁴⁹，以及截至 2017 年 7 月 ¹⁵⁰。根据加利福尼亚机动车辆管理局的数据，至 2018 年 12 月，已发生 129 起涉及自动驾驶车辆的车辆事故。占比 62% 为追尾碰撞，21% 为侧滑碰撞 ¹⁵¹。虽然在该主题上缺乏近期数据，但值得注意的是，仅在 2014 年，加利福尼亚就发生了 88 起涉及人类驾驶员的自动驾驶车辆事故。更进一步的是，在 62 起车辆处于完全自动驾驶模式时发生的事故中，只有一次是由自动驾驶车辆造成的。

2022年，在美国，配备自动驾驶系统的车辆在四个月内造成了11起死亡事件 ¹⁵²。 该国涉及自动驾驶技术的事故呈现令人担忧的增长趋势。 在这11起事故中，全部涉及特斯拉车辆。 值得注意的是，其中十起事故仅由该公司的软件和数据存储芯片检测到。 然而，对于这十起事故，原因是否归因于车辆性能或驾驶员行为仍不确定。 第十一起事故发生在2019年8月加州一条高速公路，涉及一辆特斯拉Model 3和一辆福特皮卡。 其他若干起事件也揭示了自动驾驶汽车碰撞的危险。 例如，2021年，一辆特斯拉在未减速的情况下撞上了一辆梅赛德斯SUV和一辆停放的警车，尽管启用了Autopilot系统 ¹⁵³。 驾驶员也没有进行干预。 2019年，一名佛罗里达州行人被自动驾驶特斯拉Model S撞死 ¹⁵⁴。 数据库显示，当时车辆已启用高级驾驶辅助系统。 2016年，在高速公路上发生的致命事故中，特斯拉司机因自动驾驶未能检测到一辆白色拖拉机而被撞击致死 ¹⁵⁵。 2016年，与一辆公交车的碰撞标志着谷歌自驾车Lexus SUV的首次事故，且为轻微且无人员伤亡的事件 ¹⁵⁶。 两年后，谷歌Waymo面包车又发生了一起事故，但当时并未处于自动驾驶模式 ¹⁵⁷。

行人与司机或自动驾驶车辆一样，都是事故的参与者。
它因此有必要分析涉及行人以及车辆外部物体的事故。
首起由自动驾驶汽车导致的行人死亡事故发生于2018年3月18日，地点是亚利桑那州坦佩，一名名叫Elaine Herzberg的女子被一辆Uber测试车撞击¹⁵⁸。
这辆车是一辆Volvo XC90，由44岁的电子出租车司机Rafaela Vasquez驾驶。
她正用手机在Hulu上观看《The Voice》，而在车速38英里/小时时未刹车，直到撞击Herzberg之后才刹车。
这是历史上首次有自动驾驶车辆导致行人死亡。
在事故发生前三个月，Uber已在街道上测试其自动驾驶汽车，并报告了37起碰撞¹⁵⁹，¹⁶⁰。
现在让我们来看看最近引发头条新闻的事故。
Waymo一直在持续研发和改进其自动驾驶技术。
在已行驶的610万英里中，超过65,000英里是无人驾驶，主要在凤凰城和亚利桑那州。
从2019年到2020年9月的20个月期间，Waymo的自动驾驶车辆共涉及18起事故和29起失控事件，需要人工干预以避免撞击。
这些事故涉及行人、自行车和物体¹⁶¹。
《纽约时报》报道，特斯拉自动驾驶仪及其他驾驶辅助系统与数百起碰撞相关¹⁶²。
根据NHTSA的数据，2021年7月1日至2022年5月15日期间，驾驶辅助和部分自动驾驶技术共涉及392起事故。
使用全自动驾驶beta或自动驾驶仪的特斯拉车辆占这些事故的273起，即约70%。

特斯拉一直是自动驾驶汽车（AV）领域的旗帜性代表。随着部署的增加，事故数量也在上升。过去六年里，特斯拉的自动驾驶系统已涉及多起事故，导致三名特斯拉车主死亡。2018年，一辆特斯拉Model X SUV加速撞上围栏，导致驾驶员在半自动驾驶模式下专注玩视频游戏时死亡。特斯拉因缺乏足够的技术来监测驾驶员警觉性而受到批评 ¹⁶³。Subaru车型 ¹⁶⁴ 发生了10起事件，而Honda车辆发生了90起。福特、雪佛兰、大众和丰田等品牌事故数为五起或更少。 在98起有伤害报告的碰撞中，有11起重大伤害。特斯拉的五起事故造成了死亡。自动驾驶车辆已参与130起事故，其中108起与其他车辆碰撞，11起涉及“vulnerable”道路使用者 ¹⁶⁵，如行人和骑车者。特斯拉的自动驾驶再次因一起致命事故受到审查。根据KHOU、华尔街日报和Reuters ¹⁶⁶，2019年两名男子在一辆Model S撞上休斯顿北部树木时死亡，车内没有驾驶员。特斯拉自动驾驶也与其他事故相关。例如，5月12日，一辆Model S在纽波特海滩Mariners Mile社区撞毁，电动车内的三名乘客全部死亡。 《Orange County Register》¹⁶⁷ 报道称车辆撞上了路缘和施工设备。2018年，一辆特斯拉S在自动驾驶模式下撞上犹他州的一辆消防车 ¹⁶⁸。2017年12月，一辆配备Cruise自动驾驶系统的自驾Chevy Bolt在加利福尼亚州撞上摩托车骑手。自动驾驶汽车在自动驾驶时突然变道，导致骑手受伤。骑手撞上汽车并摔倒在地。事故发生时，自动驾驶车辆的驾驶员双手未握住方向盘。

特斯拉的竞争对手 Waymo 在 2022 年 2 月发生了两起交通碰撞。第一次发生在 2 月 24 日，Waymo 在试图让一辆迎面而来的车辆通过时，被一辆大卡车撞上，发生在一条狭窄的道路上 ¹⁶⁹。第二起事故发生在 2 月 25 日，Waymo 在无交通信号灯的道路交叉口左转时与另一辆车相撞 ¹⁷⁰。Google Street View 确认该交叉口没有交通信号灯。另一起事件发生在 2 月 15 日，Waymo 撞到路上的纸板碎片，导致前保险杠受损 ¹⁷¹。Zoox 在 2022 年 2 月也面临了一些挑战。2 月 7 日，Zoox 在右转时被一辆车辆撞击 ¹⁷²。2 月 8 日和 11 日，Zoox 报告了与其他车辆的追尾碰撞 ¹⁷³。Mercedes-Benz L3 试验车辆在 2 月 11 日也被另一辆车追尾，原因是它减速以躲避进入其车道的卡车 ¹⁷⁴。在他的书《How Safe Is Safe Enough?》中，他讨论了与自动驾驶汽车相关的各种伦理和实践问题。根据 DMV 碰撞报告 ¹⁷⁵、¹⁷⁶，图 4 展示了 2019 至 2022 年期间与自动驾驶汽车相关的每年事故报告数量的宝贵见解。数据显示以下趋势，

1. 2019 年共报告 5 起事故，占 2019 至 2022 年间记录的自动驾驶汽车总事故数的大约 2%。

2. 2020 年出现了显著增长，报告了 18 起事故，占本期间自动驾驶汽车总事故数的大约 10%。

3. 2021 年事故数量进一步升至 66 起，占同一时间段内记录的自动驾驶汽车总事故数的大约 37.5%。

4. 2022 年记录了最高数量的事故，共报告 87 起，约占 2019 至 2022 年间自动驾驶汽车总事故数的 49%。2022 年事故数量最高，原因是自驾车存在缺陷和车辆局限性的增长。

图 4. 自驾车每年造成的事故报告数量 [122], [123].

针对涉及自动驾驶的事故和碰撞，研究人员提出了多种方法来增强安全性 ¹⁷⁷。 一种突出的方法是整合先进的传感技术，例如激光雷达、雷达和摄像头，以提供全面且实时的环境感知 ¹⁷⁸。 这些传感器使车辆能够更准确地检测和响应动态环境，最大限度地降低碰撞风险。 此外，使用高清地图和定位系统有助于精确导航，为自动驾驶车辆的安全决策提供支持 ¹⁷⁹。 为提升安全性，研究人员还专注于增强基础算法和模型的鲁棒性。 这包括开发更复杂的感知和目标识别算法，能够在复杂场景中准确识别行人、自行车和其他车辆。 进一步地，机器学习技术的进步，如强化学习 ¹⁸⁰ 与神经架构搜索，正在探索以优化决策过程并适应不可预见的情况 ¹⁸¹。 此外，若干研究致力于具体方面，如盲点监测 ¹⁸²、¹⁸³、夜视能力 ¹⁸⁴，以及专用的自动碰撞规避系统 ¹⁸⁵。 这些举措旨在通过降低碰撞与事故、提升整体决策过程等关键因素，增强自动驾驶车辆的安全性，最终为更安全、更可靠的自动驾驶体验做出贡献。

第六节. 自驾车的伦理与监管考虑

围绕自动驾驶汽车的伦理关注至关重要且复杂，涉及多种道德困境和社会后果。这些伦理考量包括对影响自动驾驶汽车创建、发展和实施的伦理价值和标准进行分析与评估。自动驾驶汽车的伦理考量涉及系统可靠性、碰撞避免、伦理决策、许可、责任、网络安全和隐私。关于自动驾驶汽车的伦理考量的重要性体现在它们对未来安全、信任、采用和持续性的影响。图5展示了自动驾驶汽车的伦理考量。以下是自动驾驶汽车的五大主要伦理考量，

图5. 自动驾驶汽车的伦理考量.

A. 系统可靠性

许多人认为，AI 驱动的车辆可以避免疲劳、分心或超速等人类错误，从而导致事故。然而，自动驾驶汽车的伦理问题并不在于技术本身的安全或可靠性。传感器技术已经存在，可使自动驾驶车辆安全。挑战在于正确训练和微调驾驶算法。主要的伦理困境是如何编程算法，使其在高风险情况下做出最佳决策。

B. 碰撞避免

面对事故时，人类驾驶员往往会冲动且情绪化地做出反应。他们没有机会去推理或计划，只会在当下做自己认为正确的事。这有时会导致损失大于收益。然而，人们将此视为驾驶中不可避免的风险。自动驾驶汽车则不同。它们没有冲动或情绪，而是由算法指导其行动。这些算法被设计并训练成尽可能避免危险情况，但无法预防所有事故，尤其是当它们与人类驾驶员共享道路时。这就提出了一个复杂的伦理问题：自动驾驶车辆在事故中应如何行事？更具体地说，当有人无论如何都会受伤的情况下，它应如何表现？例如，假设自动驾驶汽车必须在撞到两个行人之一或撞墙伤害乘客之间做选择。算法会如何决策？它是先保护乘客、行人还是其他驾驶员？

C. 伦理决策

自动驾驶车辆制造商和开发者面临一个深刻的困境：他们应该如何为汽车编程，使其在碰撞时作出行动？政府应该监管自动驾驶汽车的道德选择，还是司机应该拥有最终决定权？2016年的一项名为“Morality Machine ¹⁸⁶”的研究尝试通过创建一款在线游戏来回答这个问题，游戏要求来自不同国家的人选择他们希望自己的自动驾驶汽车在碰撞情境中拯救谁。研究发现，人们的偏好因身体特征而异，但具体因素在不同地区存在差异。例如，西方国家的人更倾向于拯救老年人而不是年轻人。某些模式，如更偏好女性而非男性，在跨文化中基本一致。该研究的主要启示是道德价值并非普遍适用。不同文化对谁值得在车祸中被拯救有不同偏见。然而，这些偏见并不是为自动驾驶车辆制定道德准则的公平依据。一个可能的解决方案是教会算法最大化拯救生命的数量，无论身体属性如何。自动驾驶汽车的算法至少应该以保护人类生命优先于财产或动物的方式来开发，正如德国已经规定的那样。

D. 许可与责任

随着完全自动驾驶汽车技术的进步，许多人想知道驾驶执照是否会变得过时。这也提出了道路责任和赔偿的问题。例如，孩子能否乘坐无人驾驶车辆去上学而不需要有执照的司机？如果发生事故，谁来支付损害赔偿？通常，车辆的驾驶员应承担责任。然而，关于人工智能的最大误解之一是它能做出自己的决策，这一点是不同的（虽然如此）。驱动车辆的人工智能仅仅是遵循其指令的软件——它无法因其行为受到指责。那么谁应该承担责任？车厂？软件工程师？这些都是需要政府监管的伦理问题。当当地法律仍可能要求有执照的驾驶员在场，并准备在必要时介入。同样，事故的责任很可能取决于碰撞的根本原因。如果发现技术问题或限制是原因，那么制造商可能会承担责任。

E. 网络安全与隐私

AI负责人的安全是另一个关键问题。 计算机控制像汽车这样潜在危险的事物可能造成的麻烦可能大于它们预防的。 例如，汽车可能会遭受致命的黑客攻击。 这不是虚构的情景。 黑客已经成功远程入侵并控制车辆，即使是非自动驾驶车辆。 对于自动驾驶车辆，这种威胁被放大，因为汽车需要连接互联网进行软件更新和 GPS。 黑客可以在驾驶时接管他人车辆，在他们不知情的情况下偷走，或远程解锁车门。 从伦理角度来看，这种情况比道路上人为错误的风险更安全吗？ 考虑到网络犯罪率的上升，有人可能会说自动驾驶汽车过于危险，难以普及。 自动驾驶汽车比以往更接近成为主流。 随着 AVs 的逐步部署，越来越多的伦理问题浮现。 诸如事故发生时谁负责任、汽车应如何编程在不可避免的事故中做出反应、汽车应如何编程在对行人或乘客造成不可避免伤害的情境中做出反应、汽车应如何编程在必须在伤害行人或乘客之间做选择时做出决策，以及汽车应如何编程在必须在伤害不同行人群体之间做选择时做出决策等问题，都是将塑造自动驾驶汽车命运的重要问题。 自动驾驶汽车应该有一些伦理准则，即一套原则和指南，指导自动驾驶汽车在驾驶和其他道路操作中的设计和结果。 在六个车辆自治级别中，level zero (No Automation)、level one (Driver Assistance)、level two (Partial Automation) 和 level three (conditional automation) 被认为依赖驾驶员或需要驾驶员注意力。 而 levels four (high automation) 和 level five (full automation) 则被认为完全自主或无驾驶员独立。 主要问题出现于：在完全自主或自动驾驶车辆（level four 和 level five）造成事故时，谁负责任？

负责车辆自驾功能获得批准的公司或机构，应该对自驾车辆造成的事故承担法律责任，而不是驾驶座上的人。然而，这一法律和政策领域正在发展，将决定当自动驾驶汽车对人或财产造成损害时，谁应承担责任。可能对您的伤害和事故承担责任的一些方包括其他驾驶员、自驾车制造商、汽车零部件制造商、政府机构以及自驾车的驾驶员。

类似地，当任何人驾驶配备高级驾驶辅助系统（ADAS）的车辆（SAE 0 级至 3 级）并造成事故时，驾驶员是否被视为负有责任？许多最有前景的ADAS技术被设计为比人类驾驶员更快地识别并应对潜在危险。根据不同制造商，客户应了解ADAS技术具有不同的能力。驾驶员需要了解如何正确使用这些技术。虽然有些技术足够高效，驾驶员可能认为车辆正在自动驾驶，但过度信任辅助安全功能可能导致致命错误。ADAS技术的目的是帮助驾驶员降低驾驶风险，而不是完全接管驾驶任务。目前，汽车驾驶员对车辆的行为负有责任。在大多数情况下，车辆所有者对驾驶员的疏忽负有间接责任。然而，根据加利福尼亚州的产品责任法，如果事故发生是因为ADAS在制造过程中设计不当或安装错误，制造该车辆的汽车制造商可能会承担责任。不过，在ADAS系统中，驾驶员仍然参与驾驶操作，并最终对车辆的安全运行负责。

F. 监管因素

随着ADAS技术的实施，尤其是在美国与欧盟之间，出现了不同的标准。ADAS技术正在全球扩展，尽管其安装要求和指南因地区而异。此外，目前尚不清楚这些对ADAS要求的差异如何影响整体安全。在比较监管差异时，必须考虑各类监管方式。在欧盟，所有销售的车辆必须经过上市前批准。监管机构确定的一套工业标准是车辆获得型号批准所需满足的条件。相比之下，美国市场的法规基于强制性自我认证。也就是说，制造商在部署技术方面具有灵活性。迄今为止，美国政府在这些问题上的方向大多保持灵活且技术中立，随着技术的发展而演进 ¹⁸⁷.

目前没有针对ADAS技术的联邦安全标准。这使制造商和开发商能够为较低级别的自动化创建新的ADAS技术，但对于可能不符合当前标准的更高级别自动化带来挑战。监管者未能跟上该领域的创新步伐。因此，直到联邦立法通过之前，美国各州对ADAS的法规可能会不同 ¹⁸⁸。联邦政府已发布指导文件，以确立其权威并建立自动驾驶车辆的认证。然而，一些利益相关者可能需要联邦政府提供更多指导和监管。某些技术的安全效益尚未完全证实，仍在发展中。

G. 诉讼考虑

由于目前没有针对ADAS技术的联邦标准，诉讼律师既面临挑战，也拥有机遇。诉讼方无法将联邦机动车辆安全标准（FMVSS）的符合或不符合作为缺陷或非缺陷的证据，因为FMVSS并不适用于ADAS技术。这也意味着一些基于产品符合FMVSS即视为不缺陷的州法，可能无法涵盖涉及ADAS技术的索赔。同样，基于ADAS技术缺失或失效的州法侵权索赔，制造商也不必承担联邦先行权的防御。由于ADAS技术大多为可选且由行业推动，若原告主张车辆在没有ADAS技术的情况下存在缺陷，便可根据未遵循最佳实践提出缺陷、过失和惩罚性损害赔偿的主张。另一方面，使用符合行业标准的ADAS技术的制造商则拥有最佳实践辩护的优势。ADAS技术还带来了新的因果关系问题。对于仅警告驾驶员潜在危险或碰撞而不控制车辆的技术，如盲点警示（BSW）或前碰撞警示（FCW），若声称事故是因技术缺失或失效导致，必须证明若技术正常工作，驾驶员会采取不同的行动。此外，关于ADAS技术的缺陷索赔还必须证明ADAS在具体事故情形下本应发挥作用。

第七节：挑战与未来研究方向

自动驾驶汽车面临以下一些重要挑战：

• 开发自动驾驶算法涉及解决各国驾驶规则差异，特别是在左侧行驶（LHT）和右侧行驶（RHT）标准方面。LHT 国家，例如英国和日本，将交通保持在道路左侧，方向盘位于右侧（RHD），并使用顺时针环岛。相反，RHT 国家如美国和德国将交通保持在右侧，方向盘位于左侧（LHD），并使用逆时针环岛。LHT 国家示例包括澳大利亚、印度和马来西亚，而 RHT 国家包括加拿大、中国和法国。为适应这些差异而调整算法对于在不同国家成功实施自动驾驶至关重要。全球有 240 个国家和领土，其中 165 个使用 RHT，75 个使用 LHT。这使得设计和实施全球通用的自动驾驶算法变得具有挑战性。针对路径规划、估计和超车等任务的算法必须考虑车道行驶的这种变化。这也使得基于特定侧/车道制定通用准则或规则变得困难。

• 自动驾驶系统的安全性面临显著挑战，深度学习模型的不可解释性 ¹⁸⁹, ¹⁹⁰ 所带来的不透明性，加之随机行为、有限可解释性 ¹⁹¹ 以及复杂的调试等因素。神经网络的复杂性使得解读决策过程变得困难，导致对错误预测的不确定性。固有的随机性引入不可预测性，削弱了系统的一致性，而调试复杂性则使得及时识别和纠正问题变得具有挑战性。这些挑战共同强调了提升深度学习驱动的自动驾驶系统的透明度和可靠性，以确保其安全有效部署的必要性。

• 天气条件在全球各地各不相同，例如雪、阳光、雨、尘埃等。这些会影响自动驾驶汽车在不同情景下的感知和决策能力。这为打造能够普遍运行并被接受的自动驾驶汽车带来了挑战。此外，为了解决这个问题，模型应该在包含足够此类天气条件样本的大量多样化数据集上进行训练。然而，缺乏足够真实的数据集。若使用合成数据训练模型，可能在真实场景中表现不佳。因此，开发自动驾驶汽车的挑战之一是拥有多样化天气条件的数据集用于训练模型。

• 一些自动驾驶汽车使用详细的预制地图，并配合实时检测道路障碍的传感器。谷歌的自动驾驶汽车就是这种模式，利用显示斑马线长度、交通灯高度、转弯曲率等特征的地图。然而，创建这些地图既复杂又耗时。此外，静态地图并不十分有用，因为它们不反映周围环境的实时变化，可能导致事故。因此，一些自动驾驶汽车面临的挑战是创建高效地图并将其与车辆传感器集成，使其更加逼真。

• 目前，自动驾驶汽车行业尚无统一的标准指南或法规。这给自动驾驶汽车的发展带来了不确定性和难度，因为没有明确的原则、标准或法律可遵循。此外，不同国家有不同的规则和法规，进一步增加了研究各个阶段的模糊性。因此，缺乏统一的标准指南或委员会是自动驾驶行业发展与研究面临的挑战之一。

无人驾驶汽车仍面临许多挑战，但通过更多的研究和创新可以克服这些挑战。各国已开展相关研究并注册了此技术的专利 ¹⁹²。美国在无人驾驶汽车相关技术的申请和专利方面拥有最多，累计达到135,828 ¹⁹³。中国紧随其后，拥有132,844项专利，其次是日本57,065项专利。韩国拥有38,097项专利，德国拥有38,512项专利。加拿大拥有14,585项专利，澳大利亚14,026项专利，俄罗斯12,121项专利，法国9,488项专利，西班牙7,145项专利。图 6 说明了截至目前各国与无人驾驶汽车相关的专利数量。

图 6. 迄今为止各国与无人驾驶汽车相关的专利数量 [168].

无人驾驶汽车专利范围极为广泛。2017年，多个国家的新无人驾驶汽车专利出现了显著增长。美国提交的专利比2016年多49%，中国（28%）、日本（34%）、韩国（68%）和德国（56%）也大幅增加了新申请。美国的大多数专利集中在提高无人驾驶汽车乘客的舒适度和娱乐性。相反，德国的专利则侧重于提升所有乘客在自动驾驶车辆上的安全性。类似地，韩国的专利倾向于增强自动驾驶车辆的内部设计。

自动驾驶已取得巨大进展，但仍有提升空间，只有通过研究才能实现。

1. 提高传感器技术的性能和可靠性: 传感器对于自主车辆绘制环境并帮助车辆控制系统在转向和制动方面做出决策至关重要。这些传感器需要在任何情况下准确检测主体、深度、速度以及其他因素。然而，恶劣天气、拥堵交通和混乱的路标等因素会影响相机的检测能力。研究 ¹⁹⁴ 强调了传感器在使自主车辆感知并导航环境中的作用。未来的研究可以探讨如何提升这些传感器的性能和可靠性，例如通过创建新的传感器技术或改进现有技术。

2. 将伦理和社会考虑整合到自动驾驶系统中: 自动驾驶带来了伦理和社会困境，例如它如何影响就业以及技术的收益和风险如何共享。此外，各项研究 ¹⁹⁵, ¹⁹⁶, ¹⁹⁷, ¹⁹⁸ 表明用户对自动驾驶系统的信任取决于系统做出伦理决策的能力。未来的研究可以探讨如何将伦理要素整合到这些系统中，例如通过制定促进安全和公平的规则或让公众参与关于该技术的对话。另一种选择是设计保护道路上每个人福祉的算法，或允许用户修改系统的伦理设置。

3. 提升自动驾驶系统的安全性与可靠性： 自动驾驶系统必须安全可靠，尤其因为其失败时可能造成灾难性后果。自动驾驶中的灾难性后果是指系统失效或错误导致道路上人员或物体受到严重伤害或损害的情况 ¹⁹⁹。例如，如果系统未能检测到障碍物、误解交通标志或失控车辆，可能会发生灾难。这些失效可能导致伤亡、死亡或法律纠纷。因此，必须避免或预见此类失效，并提升自动驾驶系统的安全性与可靠性 ²⁰⁰, ²⁰¹。未来研究可探讨如何改进这些方面，例如开发更具弹性的故障检测与恢复方法，或提升系统处理突发事件的能力。

4. 提升自动驾驶的信任与透明度： 系统的透明度与可预测性等因素会影响人们对自动驾驶系统的信任程度。研究 ²⁰² 提出了基于系统可靠性与善意等因素的信任计算方法。对自动驾驶系统过度或不足信任都可能产生负面后果。然而，其他因素也可能影响人们对这些系统的信任，如他们过去的自动驾驶经验或文化背景 ²⁰³, ²⁰⁴。未来研究可探讨如何提升系统透明度，例如提供更详细的决策信息或让用户以更简便的方式与系统交互，以及更完善的信任计算方法，考虑不同因素，并寻找预防和降低信任相关问题的手段，例如使用警告系统或培训计划，帮助用户保持适当的怀疑与警觉性。

5. 开发更灵活且自适应的决策系统： 自动驾驶系统需要适应各种驾驶场景，并应对不断变化的环境条件。为处理传感器数据并提升其在目标识别、深度估计、运动估计和决策等方面的能力，大多数自动驾驶车辆依赖机器学习（ML）和计算机视觉。这使它们能够整合并改进不同传感器的输出，形成整体视图。然而，机器学习算法的可信度尚未得到充分确立和认可。针对训练、测试和验证机器学习模型的最佳实践仍缺乏行业共识。未来的研究可以探讨如何通过使用更精确、更稳健的人工智能技术，开发更高效的传感器以及更自适应、更具韧性的自适应决策系统。

第八节 结论

总之，预计在不久的将来，自动驾驶车辆将主导街道，并对社会和经济基础设施产生积极影响。然而，它们也面临若干限制与挑战。本文全面审视了自动驾驶技术的现状，分析了来自各类来源的数据，并讨论了自驾技术在恶劣天气、黑客攻击脆弱性、数据保护、技术效率、测试与验证、信息管理以及缺乏配套基础设施方面的局限性。本文还基于DMV报告回顾了2019年至2022年间涉及自驾车的事故案例，并分析了这些事故造成的死亡与伤害统计。除此之外，本文还阐述了围绕自动驾驶的伦理问题，例如系统可靠性、碰撞规避、伦理决策、许可责任以及网络安全与隐私。进一步地，本文探讨了自驾车的监管与诉讼考量，涵盖监管因素和诉讼相关事项。总体而言，本文对自动驾驶车辆及其事故领域的挑战、解决方案、结果与未来研究方向进行了全面研究。我们希望本综述能帮助致力于改进自动驾驶车辆的研究者和专业人士，并作为识别该技术当前局限与挑战、提出降低自动驾驶车辆事故与伤害风险的方法的有用指南。

参考文献

[1] F. Bohm 与 K. Häger, 《瑞典交通系统中自动驾驶车辆的引入：新自动驾驶技术带来的影响与变化》, Uppsala: Uppsala Universitet, 2015. Google Scholar

[2] E. Kassens-Noor, M. Cai, Z. Kotval-Karamchandani, and T. Decaminada, “自动驾驶车辆与特殊需求人群的流动性,” Transp. Res. Part A: Policy Pract., vol. 150, pp. 385–397, 2021. DOI: https://doi.org/10.1016/j.tra.2021.06.014 Google Scholar

[3] K. Miller, S. Chng, and L. Cheah, “了解不同移动性和通信需求人群对共享自动驾驶车辆的接受度,” Travel Behav. Soc., vol. 29, pp. 200–210, 2022. DOI: https://doi.org/10.1016/j.tbs.2022.06.007 Google Scholar

[4] B. E. Dicianno, “系统综述：自动驾驶车辆与服务在残障人士中的应用,” Neurosci. Lett., vol. 761, 2021, Art. no. 136103. DOI: https://doi.org/10.1016/j.neulet.2021.136103 Google Scholar

[5] C. L. Walker, B. Boyce, C. P. Albrecht, and A. Siems-Anderson, “天气会削弱自动驾驶车辆的性能吗？,” Bull. Amer. Meteorological Soc., vol. 101, no. 11, pp. E1914–E1923, 2020. DOI: https://doi.org/10.1175/BAMS-D-19-0035.1 Google Scholar

[6] Y. Zhang, A. Carballo, H. Yang, and K. Takeda, “在恶劣天气条件下的自动驾驶：综述,” 2021, arXiv:2112.08936. Google Scholar

[7] M. C. Gaeta, “数据保护与自动驾驶汽车：符合GDPR的个人数据处理同意,” Commun. Law, vol. 24, no. 1, pp. 15–23, 2019. Google Scholar

[8] T. Mulder and N. E. Vellinga, “探索自动驾驶的数据保护挑战,” Comput. Law Secur. Rev., vol. 40, 2021, Art. no. 105530. DOI: https://doi.org/10.1016/j.clsr.2021.105530 Google Scholar

[9] F. Kargl, I. Krontiris, A. Weimerskirch, and I. Williams, “自动化与自动驾驶车辆的隐私保护（Dagstuhl研讨会22042）,” Dagstuhl Reports, vol. 12, no. 1, pp. 83–100, 2022. Google Scholar

[10] J. Straub, “面向互联自动驾驶汽车系统的网络安全考虑,” in Proc. IEEE 12th Syst. Syst. Eng. Conf., 2017, pp. 1–6. IEEE: https://ieeexplore.ieee.org/document/7994973 Google Scholar

[11] A. Chowdhury, G. Karmakar, J. Kamruzzaman, A. Jolfaei, and R. Das, “对自动驾驶汽车的攻击及其对策综述,” IEEE Access, vol. 8, pp. 207308–207342, 2020. IEEE: https://ieeexplore.ieee.org/document/9257492 Google Scholar

[12] S. Ornes, “如何黑入自动驾驶汽车,” Phys. World, vol. 33, no. 8, 2020, Art. no. 37. DOI: https://doi.org/10.1088/2058-7058/33/8/25 Google Scholar

[13] A. Knight, 破解联网汽车：战术、技术与程序. Hoboken, NJ, USA : Wiley, 2020. DOI: https://doi.org/10.1002/9781119491774 Google Scholar

[14] Y. Liu, M. Tight, Q. Sun, and R. Kang, “系统综述：联网与自动驾驶车辆（CAVs）的道路基础设施需求,” in J. Phys.: Conf. Ser., vol. 1187, no. 4, 2019, Art. no. 042073. DOI: https://doi.org/10.1088/1742-6596/1187/4/042073 Google Scholar

[15] K. Kockelman, “对自动驾驶车辆的评估：交通影响与基础设施需求,” Center Transp. Res., Univ. Texas Austin, Austin, TX, USA, Tech. Rep. FHWA/TX-17/0-6847-1, 2017. Google Scholar

[16] J. Terry and C. Bachmann, “量化自动驾驶车辆采用对政府财政的潜在影响,” Transp. Res. Rec., vol. 2673, no. 5, pp. 72–83, 2019. DOI: https://doi.org/10.1177/0361198119837218 Google Scholar

[17] A. Grunwald, “自动驾驶的社会风险构成：分析、历史背景与评估,” in Autonomous Driving: Technical, Legal and Social Aspects. Berlin, Germany: Springer, 2016, pp. 641–663. DOI: https://doi.org/10.1007/978-3-662-48847-8_30 Google Scholar

[18] J. Guo, U. Kurup, and M. Shah, “驾驶安全吗？关于自动驾驶可行性评估的因素、指标与数据集概述,” IEEE Trans. Intell. Transp. Syst., vol. 21, no. 8, pp. 3135–3151, Aug. 2020. IEEE: https://ieeexplore.ieee.org/document/8760560 Google Scholar

[19] A. S. Mueller, J. B. Cicchino, and D. S. Zuby, “自动驾驶车辆需要避免哪些类人错误以最大化安全？,” J. Saf. Res., vol. 75, pp. 310–318, Dec. 2020. [Online]. Available: https://www.sciencedirect.com/science/article/pii/S0022437520301262 Google Scholar

[20] L. Levulytė, D. Baranyai, E. Sokolovskij, and Á. Török, “行人在道路事故中的作用,” Int. J. Traffic Transport Eng., vol. 7, no. 3, pp. 328–341, 2017. DOI: https://doi.org/10.7708/ijtte.2017.7(3).04 Google Scholar

[21] S. Nyholm, “自驾车碰撞伦理：路线图 I,” Philosophy Compass, vol. 13, no. 7, 2018, Art. no. e12507. DOI: https://doi.org/10.1111/phc3.12507 Google Scholar

[22] Reuters,“Uber 自驾汽车在37起事故后才造成行人死亡：NTSB,” Nov. 2019. [Online]. Available: https://www.businessinsider.com/uber-test-vehicles-involved-in-37-crashes-before-fatal-self-driving-incident-2019-11 Google Scholar

[23] “美国交通部联邦公路管理局的事故率计算,” 2023. [Online]. Available: https://safety.fhwa.dot.gov/local_rural/training/fhwasa1109/app_c.cfm Google Scholar

[24] M. Campbell, M. Egerstedt, J. P. How, and R. M. Murray, “城市环境中的自动驾驶：方法、经验与挑战,” Philos. Trans. Roy. Soc. A: Math., Phys. Eng. Sci., vol. 368, no. 1928, pp. 4649–4672, 2010. DOI: https://doi.org/10.1098/rsta.2010.0110 Google Scholar

[25] M. Cunningham and M. A. Regan, “自动驾驶车辆：人为因素问题与未来研究,” in Proc. Australas. Road Saf. Conf., 2015, pp. 2–6. Google Scholar

[26] I. Barabas, A. Todoruţ, N. Cordoş, and A. Molea, “自动驾驶的当前挑战,” Proc. IOP Conf. Ser.: Mater. Sci. Eng., vol. 252, no. 1, 2017, Art. no. 012096. DOI: https://doi.org/10.1088/1757-899X/252/1/012096 Google Scholar

[27] F. Favarò, S. Eurich, and N. Nader, “自动驾驶车辆的失控：趋势、触发因素与监管限制,” Accident Anal. Prevention, vol. 110, pp. 136–148, 2018. DOI: https://doi.org/10.1016/j.aap.2017.11.001 Google Scholar

[28] Y. Ro and Y. Ha, “对消费者对自动驾驶汽车期望的因子分析,” J. Comput. Inf. Syst., vol. 59, no. 1, pp. 52–60, 2019. DOI: https://doi.org/10.1080/08874417.2017.1295791 Google Scholar

[29] M. M. Rahman, S. Deb, L. Strawderman, R. Burch, and B. Smith, “老年人如何看待自动驾驶汽车,” Transp. Res. Part F: Traffic Psychol. Behav., vol. 65, pp. 242–257, 2019. DOI: https://doi.org/10.1016/j.trf.2019.08.002 Google Scholar

[30] A. Shimada, K. Kawahara, E. Kido, S. Park, and R. Yoshitake, “G4-4 驾驶员在自动驾驶汽车中的心理评估实验,” Japanese J. Ergonom., vol. 53, no. Supplement2, pp. S532–S535, 2017. DOI: https://doi.org/10.5100/jje.53.S532 Google Scholar

[31] M. Szamatowicz and J. Paundra, “获取还是拥有？车属性与集体心理拥有感对汽车订阅服务偏好的影响,” Psychol. Res. Urban Soc., vol. 2, no. 1, 2019, Art. no. 11. DOI: https://doi.org/10.7454/proust.v2i1.44 Google Scholar

[32] K. Elliott, M. Hall, and J. G. Meng, “情绪对消费者对自动驾驶车辆态度的影响：使用 PAD（愉悦、激动、支配）范式预测使用意向,” Acad. Marketing Stud. J., vol. 25, no. 1, pp. 1–13, 2021. Google Scholar

[33] T. Alladi, S. Chakravarty, V. Chamola, and M. Guizani, “面向 IoT 场景中在途车辆的轻量化认证与证明方案,” IEEE Trans. Veh. Technol., vol. 69, no. 12, pp. 14188–14197, Dec. 2020. IEEE: https://ieeexplore.ieee.org/document/9261991 Google Scholar

[34] T. Alladi, V. Kohli, V. Chamola, F. R. Yu, and M. Guizani, “人工智能（AI）赋能的车辆互联网入侵检测架构,” IEEE Wireless Commun., vol. 28, no. 3, pp. 144–149, Jun. 2021. IEEE: https://ieeexplore.ieee.org/document/9474924 Google Scholar

[35] J. Stilgoe, “我们如何知道自动驾驶汽车是安全的？,” Ethics Inf. Technol., vol. 23, no. 4, pp. 635–647, 2021. DOI: https://doi.org/10.1007/s10676-021-09602-1 Google Scholar

[36] R. Yang, J. Huang, J. Zhang, and X. Xu, “相机与 LiDAR 传感器融合在自动驾驶中的评估,” IEEE Access, vol. 9, pp. 168053–168067, 2021. Google Scholar

[37] M. A. Ahmed and Y. H. Lee, “LiDAR 与基于相机的感知系统在自动驾驶车辆中的比较研究,” in Proc. IEEE Intell. Veh. Symp., 2021, pp. 901–906. Google Scholar

[38] H. Martin, B. Winkler, S. Grubmüller, and D. Watzenig, “自动驾驶中感知技术性能限制的识别,” in Proc. IEEE Int. Conf. Connected Veh. Expo, 2019, pp. 1–6. IEEE: https://ieeexplore.ieee.org/document/8965181 Google Scholar

[39] M. Hirz and B. Walzel, “用于自动驾驶汽车的传感器与对象识别技术,” Comput.-Aided Des. Appl., vol. 15, no. 4, pp. 501–508, 2018. DOI: https://doi.org/10.1080/16864360.2017.1419638 Google Scholar

[40] S. Royo and M. Ballesta-Garcia, “自动驾驶车辆LiDAR成像系统概述,” Appl. Sci., vol. 9, no. 19, 2019, Art. no. 4093. DOI: https://doi.org/10.3390/app9194093 Google Scholar

[41] “预计2019至2024年全球自动驾驶汽车数量,” 2021. [Online]. Available: https://www.statista.com/statistics/1230664/projected-number-autonomous-cars-worldwide/ Google Scholar

[42] “特斯拉车型,” 2023. [Online]. Available: https://www.tesla.com/en_ca/models Google Scholar

[43] S. Krebs, “Silent by design? Tesla 的 Model S 与电动汽车声音话语：Tesla Motors Germany, model s 85D (2015)，” Sound Stud., vol. 2, no. 1, pp. 93–95, 2016. DOI: https://doi.org/10.1080/20551940.2016.1154406 Google Scholar

[44] A. K. Lyyra and K. M. Koskinen, “连接与数字化产品的矛盾特性：特斯拉 Model S 案例,” in Proc. 7th Scand. Conf. Inf. Syst., 2016, pp. 57–69. DOI: https://doi.org/10.1007/978-3-319-43597-8_5 Google Scholar

[45] M. R. Endsley, “自动驾驶系统：特斯拉 Model S 的初步自然研究,” J. Cogn. Eng. Decis. Mak., vol. 11, no. 3, pp. 225–238, 2017. DOI: https://doi.org/10.1177/1555343417695197 Google Scholar

[46] “Audi A8汽车型号,” 2023. [Online]. Available: https://www.audi.ca/ca/web/en/models/a8/a8.html Google Scholar

[47] S. Zeff, “与日产 Leaf 的电动旅程：经典早期采用者体验,” IEEE Consum. Electron. Mag., vol. 5, no. 3, pp. 79–80, Jul. 2016. IEEE: https://ieeexplore.ieee.org/document/7539228 Google Scholar

[48] “日产 Leaf 汽车,” 2023. [Online]. Available: https://www.nissan.ca/vehicles/electric-cars/leaf.html Google Scholar

[49] P. Langen, M. Wachinger, C. Dorrer, W. Nixel, and M. Schwarz, “全新的宝马7系,” in 第六届国际慕尼黑底盘研讨会论文集：Chassis.tech Plus, 2015, pp. 1–3. DOI: https://doi.org/10.1007/978-3-658-09711-0_1 Google Scholar

[50] “宝马7系汽车,” 2015. [Online]. Available: https://www.bmw.ca/en/all-models/7-series.html Google Scholar

[51] “Waymo一辆车,” 2019. [Online]. Available: https://waymo.com/waymo-one/ Google Scholar

[52] “在城市环境中的自动驾驶车辆,” 2015. [Online]. Available: https://www3.weforum.org/docs/WEF_Press%20release.pdf Google Scholar

[53] “用自动驾驶车辆重塑城市移动性,” 2018. [Online]. Available: https://www3.weforum.org/docs/WEF_Reshaping_Urban_Mobility_with_Autonomous_Vehicles_2018.pdf Google Scholar

[54] “自动驾驶汽车在恶劣天气下能否看到？” Nov. 2022. [Online]. Available: https://www.aiplusinfo.com/blog/can-self-driving-cars-see-in-bad-weather/ Google Scholar

[55] “道路事故与天气,” in Highway Meteorology. Boca Raton, FL, USA : CRC Press, 1991, pp. 163–190. DOI: https://doi.org/10.4324/9780203473498_chapter_Eight Google Scholar

[56] “天气及天气预报对驾驶员行为的影响,” Transp. Res. Part F: Traffic Psychol. Behav., vol. 10, no. 4, pp. 288–299, 2007. DOI: https://doi.org/10.1016/j.trf.2006.11.002 Google Scholar

[57] “ReViewNet：一种快速且资源优化的网络，支持在雾天条件下实现安全自动驾驶,” IEEE Trans. Intell. Transp. Syst., vol. 22, no. 7, pp. 4256–4266, Jul. 2021. IEEE: https://ieeexplore.ieee.org/document/9167446 Google Scholar

[58] “ISDNet：基于人工智能的空中场景实例分割，适用于智慧城市,” ACM Trans. Internet Technol., vol. 21, no. 3, pp. 1–18, 2021. DOI: https://doi.org/10.1145/3418205 Google Scholar

[59] “在恶劣天气条件下自动驾驶车辆的感知与传感：综述,” ISPRS J. Photogrammetry Remote Sens., vol. 196, pp. 146–177, 2023. DOI: https://doi.org/10.1016/j.isprsjprs.2022.12.021 Google Scholar

[60] “自动驾驶车辆如何提升道路安全,” 2022. [Online]. Available: https://www.geotab.com/blog/autonomous-vehicles-safety-2/ Google Scholar

[61] “自动驾驶车辆中的外部操控识别模块,” in Proc. IEEE 17th Int. Symp. Intell. Syst. Inform., 2019, pp. 00231–00234. IEEE: https://ieeexplore.ieee.org/document/9111547 Google Scholar

[62] “自动驾驶车辆中的威胁与警报分析,” in Proc. CATA, 2020, pp. 48–59. DOI: https://doi.org/10.29007/j6h1 Google Scholar

[63] Y. Zhang, “致力于自动驾驶中 LiDAR 目标检测的后门攻击,” in Proc. 20th ACM Conf. Embedded Networked Sensor Syst., 2022, pp. 533–547. DOI: https://doi.org/10.1145/3560905.3568539 Google Scholar

[64] S.-H. Chan, Y. Dong, J. Zhu, X. Zhang, and J. Zhou, “BadDet：针对目标检测的后门攻击,” in Proc. Eur. Conf. Comput. Vis., 2023, pp. 396–412. DOI: https://doi.org/10.1007/978-3-031-25056-9_26 Google Scholar

[65] Y. Li, C. Wen, F. Juefei-Xu, and C. Feng, “通过对抗性轨迹扰动欺骗 LiDAR 感知,” in Proc. IEEE/CVF Int. Conf. Comput. Vis., 2021, pp. 7898–7907. IEEE: https://ieeexplore.ieee.org/document/9710897 Google Scholar

[66] A. Milakovic, “后门防御,” Ph.D. dissertation, Fac. Inform., Wien, 2021. Google Scholar

[67] J. R. Harris, “无人驾驶汽车能被黑客攻击吗？ - Harris Lowry Manton LLP,” Sep. 2022. [Online]. Available: https://www.hlmlawfirm.com/blog/can-driverless-vehicles-be-hacked/ Google Scholar

[68] Kaspersky,“联网汽车已成为现实，但它们安全吗？,” May 2021. [Online]. Available: https://www.kaspersky.com/about/press-releases/2014_connected-cars-are-now-a-reality-but-are-they-secure Google Scholar

[69] A. K. Sokol, “过去三年内汽车的网络攻击增加了225%,” Tech. Rep. ISRAEL21c, Feb. 2022. [Online]. Available: https://www.israel21c.org/cyberattacks-on-cars-increased-225-in-last-three-years/ Google Scholar

[70] T. Alladi, B. Gera, A. Agrawal, V. Chamola, and F. R. Yu, “DeepADV：用于 VANET 异常检测的深度神经网络框架,” IEEE Trans. Veh. Technol., vol. 70, no. 11, pp. 12013–12023, Nov. 2021. IEEE: https://ieeexplore.ieee.org/document/9541028 Google Scholar

[71] H. Grover, T. Alladi, V. Chamola, D. Singh, and K.-K. R. Choo, “边缘计算和深度学习驱动的安全多层网络，用于车联网,” IEEE Internet Things J., vol. 8, no. 19, pp. 14787–14796, Oct. 2021. IEEE: https://ieeexplore.ieee.org/document/9395714 Google Scholar

[72] M. Schellekens, “来自联网汽车的数据用于公共事业,” Comput. Law Secur. Rev., vol. 45, 2022, Art. no. 105671. DOI: https://doi.org/10.1016/j.clsr.2022.105671 Google Scholar

[73] T. Alladi, V. Kohli, V. Chamola, and F. R. Yu, “保护车辆互联网：基于深度学习的分类框架,” IEEE Netw. Lett., vol. 3, no. 2, pp. 94–97, Jun. 2021. IEEE: https://ieeexplore.ieee.org/document/9351548 Google Scholar

[74] K. Agrawal, T. Alladi, A. Agrawal, V. Chamola, and A. Benslimane, “NovelADS：针对车载网络的新型异常检测系统,” IEEE Trans. Intell. Transp. Syst., vol. 23, no. 11, pp. 22596–22606, Nov. 2022. IEEE: https://ieeexplore.ieee.org/document/9706416 Google Scholar

[75] T. Rossi, “自动驾驶与ADAS测试车辆每天产生数百TB的数据，” Oct. 2018. [Online]. 可用: https://www.tuxera.com/blog/autonomous-and-adas-test-cars-produce-over-11-tb-of-data-per-day/ Google Scholar

[76] dotmagazine, “联网与自动驾驶车辆的数据保护,” 2019. [Online]. 可用: https://www.dotmagazine.online/issues/on-the-road-mobility-connected-car/making-connected-cars-safe/data-protection-for-connected-cars Google Scholar

[77] G. D. P. Regulation, “通用数据保护条例（GDPR）,” Official J. Eur. Union, Intersoft Consulting, Accessed October, vol. 24, no. 1, 2018. Google Scholar

[78] “超级巡航：免手动驾驶辅助,” 2022. [Online]. 可用: https://www.gmccanada.ca/en/supercruise Google Scholar

[79] “豪华S级,” 2023. [Online]. 可用: https://www.mercedes-benz.ca/en/vehicles/class/s-class/sedan Google Scholar

[80] “福特Mustang Mach-E SUV,” 2023. [Online]. 可用: https://www.ford.ca/suvs/mach-e/ Google Scholar

[81] “宝马X7,” 2022. [Online]. 可用: https://www.bmw.ca/en/all-models/x-series/x7/2022/bmw-x7-overview.html Google Scholar

[82] “大众ID.4,” 2023. [Online]. 可用: https://www.vw.ca/en/models/new-vehicles/2023-id4.html Google Scholar

[83] T. M. Corporation, “丰田推出全新Aqua,” Aug. 2023. [Online]. Available: https://global.toyota/en/newsroom/corporate/35063150.html Google Scholar

[84] P. Fafoutellis and E. G. Mantouka, “关于在城市交通系统中整合自动驾驶车辆的主要限制和关注点,” in Proc. Data Analytics: Paving Way Sustain. Urban Mobility: 4th Conf. Sustain. Urban Mobility, 2019, pp. 739–747. DOI: https://doi.org/10.1007/978-3-030-02305-8_89 Google Scholar

[85] A. M. Wallace, A. Halimi, and G. S. Buller, “适用于恶劣天气条件的全波形LiDAR,” IEEE Trans. Veh. Technol., vol. 69, no. 7, pp. 7064–7077, Jul. 2020. IEEE: https://ieeexplore.ieee.org/document/9076331 Google Scholar

[86] P. Koopman and M. Wagner, “无人驾驶车辆测试与验证中的挑战,” SAE Int. J. Transp. Saf., vol. 4, no. 1, pp. 15–24, 2016. DOI: https://doi.org/10.4271/2016-01-0128 Google Scholar

[87] B. Canis, “无人驾驶车辆测试与部署中的问题,” Congressional Res. Service, Washington, DC, USA, Tech. Rep. R45985, 2019. Google Scholar

[88] J. Staver, “自动驾驶汽车的局限性,” Jul. 2016. [Online]. Available: https://www.chicagolawyer.com/blog/limitations-of-self-driving-cars/ Google Scholar

[89] M. A. Talib, S. Abbas, Q. Nasir, and M. F. Mowakeh, “关于互联网汽车通信安全的系统性文献综述,” Int. J. Distrib. Sensor Netw., vol. 14, no. 12, 2018, Art. no. 1550147718815054. DOI: https://doi.org/10.1177/1550147718815054 Google Scholar

[90] M. Tao, J. Li, J. Zhang, X. Hong, and C. Qu, “具有5G支持的车载数据云平台：架构、服务与挑战,” in Proc. IEEE Int. Conf. Comput. Sci. Eng. Int. Conf. Embedded Ubiquitous Comput., 2017, pp. 32–37. IEEE: https://ieeexplore.ieee.org/document/8005769 Google Scholar

[91] S. A. A. Shah, E. Ahmed, M. Imran, and S. Zeadally, “5G车载通信,” IEEE Commun. Mag., vol. 56, no. 1, pp. 111–117, Jan. 2018. IEEE: https://ieeexplore.ieee.org/document/8255748 Google Scholar

[92] V. Balasubramanian, S. Otoum, M. Aloqaily, I. A. Ridhawi, and Y. Jararweh, “低延迟车载边缘：面向5G的车载基础设施模型,” Simul. Modelling Pract. Theory, vol. 98, 2020, Art. no. 101968. DOI: https://doi.org/10.1016/j.simpat.2019.101968 Google Scholar

[93] E. Skondras, A. Michalas, and D. D. Vergados, “5G车载云计算系统中的移动性管理,” Veh. Commun., vol. 16, pp. 15–44, 2019. DOI: https://doi.org/10.1016/j.vehcom.2019.01.001 Google Scholar

[94] V. Fanibhare, N. I. Sarkar, and A. Al-Anbuky, “触觉互联网综述：设计问题与挑战、应用与未来方向,” Electronics, vol. 10, no. 17, 2021, Art. no. 2171. DOI: https://doi.org/10.3390/electronics10172171 Google Scholar

[95] N. Promwongsa, “触觉互联网的综合调查：前沿技术与研究方向,” IEEE Commun. Surv. Tut., vol. 23, no. 1, pp. 472–523, 第一季度 2021. IEEE: https://ieeexplore.ieee.org/document/9203885 Google Scholar

[96] S. Tanwar, S. Tyagi, I. Budhiraja, and N. Kumar, “用于自动驾驶车辆的触觉互联网：延迟与可靠性分析,” IEEE Wireless Commun., vol. 26, no. 4, pp. 66–72, 八月 2019. IEEE: https://ieeexplore.ieee.org/document/8809662 Google Scholar

[97] A. Zekri and W. Jia, “异构车载通信：一项综合研究,” Ad Hoc Netw., vol. 75, pp. 52–79, 2018. DOI: https://doi.org/10.1016/j.adhoc.2018.03.010 Google Scholar

[98] E. Avelar, L. Marques, D. d. Passos, R. Macedo, K. Dias, and M. Nogueira, “针对智能城市的异构无线通信互操作性问题,” Comput. Commun., vol. 58, pp. 4–15, 2015. DOI: https://doi.org/10.1016/j.comcom.2014.07.005 Google Scholar

[99] A. Elbery, S. Sorour, H. Hassanein, A. B. Sediq, and H. Abou-zeid, “选择DSRC还是5G？针对联网与自动驾驶车辆的安全分析,” in Proc. IEEE Glob. Commun. Conf., 2021, pp. 1–6. IEEE: https://ieeexplore.ieee.org/document/9685065 Google Scholar

[100] S. R. Govindarajulu and E. A. Alwan, “DSRC 与 5G 毫米波车对车通信链路的范围优化,” in Proc. IEEE Int. Workshop Antenna Technol., 2019, pp. 228–230. IEEE: https://ieeexplore.ieee.org/document/8730597 Google Scholar

[101] A. Ghansiyal, M. Mittal, and A. K. Kar, “自动驾驶车辆信息管理挑战：系统性文献综述,” J. Cases Inf. Technol., vol. 23, no. 3, pp. 1–20, 2021. DOI: https://doi.org/10.4018/JCIT.20210701.oa5 Google Scholar

[102] L. D. Xu, E. L. Xu, and L. Li, “工业4.0：技术现状与未来趋势,” Int. J. Prod. Res., vol. 56, no. 8, pp. 2941–2962, 2018. DOI: https://doi.org/10.1080/00207543.2018.1444806 Google Scholar

[103] N. Cheng, “基于大数据的车载网络,” IEEE Netw., vol. 32, no. 6, pp. 160–167, 十一月/十二月 2018. IEEE: https://ieeexplore.ieee.org/document/8450539 Google Scholar

[104] A. Shetty, M. Yu, A. Kurzhanskiy, O. Grembek, H. Tavafoghi, and P. Varaiya, “在缺乏连接性的情况下，自动驾驶汽车的安全挑战,” Transp. Res. Part C: Emerg. Technol., vol. 128, 2021, Art. no. 103133. DOI: https://doi.org/10.1016/j.trc.2021.103133 Google Scholar

[105] S. Gilroy, E. Jones, and M. Glavin, “克服汽车环境中的遮挡——综述,” IEEE Trans. Intell. Transp. Syst., vol. 22, no. 1, pp. 23–35, Jan. 2021. IEEE: https://ieeexplore.ieee.org/document/8928542 Google Scholar

[106] I. Hasuo, “责任敏感安全：面向逻辑基础和形式化的引言,” 2022, arXiv:2206.03418. Google Scholar

[107] C. Chai, X. Zeng, X. Wu, and X. Wang, “在自动跟车操纵中对责任敏感安全模型的评估与优化,” Transp. Res. Rec., vol. 2674, no. 11, pp. 662–673, 2020. DOI: https://doi.org/10.1177/0361198120948507 Google Scholar

[108] O. Grembek, A. Kurzhanskiy, A. Medury, P. Varaiya, and M. Yu, “通过I2V通信提升交叉口安全,” Transp. Res. Part C: Emerg. Technol., vol. 102, pp. 396–410, 2019. DOI: https://doi.org/10.1016/j.trc.2019.02.017 Google Scholar

[109] J. A. Misener, “合作式交叉口碰撞避免系统（CICAS）：信号化左转辅助与交通信号适配,” Tech. Rep. UCB-ITS-PRR-2010-20, University of California at Berkeley, 2010. Google Scholar

[110] Q. Li, J. Zhang, Y. Ji, K. Wu, T. Yu, and J. Wang, “在无信号交叉口的智能联网交通系统中车队动态调度的研究,” SAE, Warrendale, PA, USA, Tech. Rep. 2020-01-5199, 2020. DOI: https://doi.org/10.4271/2020-01-5199 Google Scholar

[111] Z. Chen, P. Lin, H. He, and F. Zhuo, “面向智能联网车辆的交叉口协调控制策略,” SAE, Warrendale, PA, USA, Tech. Rep. 2020-01-5226, 2020. DOI: https://doi.org/10.4271/2020-01-5226 Google Scholar

[112] Y. Luo, Y. Xiang, K. Cao, and K. Li, “基于车对车通信的动态自动变道操纵,” Transp. Res. Part C: Emerg. Technol., vol. 62, pp. 87–102, 2016. DOI: https://doi.org/10.1016/j.trc.2015.11.011 Google Scholar

[113] J. Yang and J. F. Coughlin, “用于自动驾驶汽车的车载技术：对老年驾驶员的优势与挑战,” Int. J. Automot. Technol., vol. 15, pp. 333–340, 2014. DOI: https://doi.org/10.1007/s12239-014-0034-6 Google Scholar

[114] J. D. Williams, “农村社区中对自动驾驶的感知,” Ph.D. dissertation, Univ. Idaho, Moscow, ID, USA, 2022. Google Scholar

[115] J. G. Walters, X. Meng, C. Xu, H. J. Jing, and S. Marsh, “连接与自动驾驶车辆的农村定位挑战,” in Proc. Int. Tech. Meeting Inst. Navigation, 2019, pp. 828–842. DOI: https://doi.org/10.33012/2019.16727 Google Scholar

[116] C. Urmson, “城市环境中的自动驾驶：Boss 与城市挑战,” J. Field Robot., vol. 25, no. 8, pp. 425–466, 2008. DOI: https://doi.org/10.1002/rob.20255 Google Scholar

[117] C. Urmson and W. R. Whittaker, “自动驾驶汽车与城市挑战,” IEEE Intell. Syst., vol. 23, no. 2, pp. 66–68, Mar./Apr. 2008. IEEE: https://ieeexplore.ieee.org/document/4475861 Google Scholar

[118] J. G. Walters, S. Marsh, and L. Rodrigues, “农村连接、自动驾驶与电动车实施的规划视角,” Sustainability, vol. 14, no. 3, 2022, Art. no. 1477. DOI: https://doi.org/10.3390/su14031477 Google Scholar

[119] P. Fernandes and U. Nunes, “使用 IVC 赋能的自动驾驶车辆编队：降低通信延迟、提升安全与交通流的策略,” IEEE Trans. Intell. Transp. Syst., vol. 13, no. 1, pp. 91–106, Mar. 2012. IEEE: https://ieeexplore.ieee.org/document/6135795 Google Scholar

[120] R. Huggins, “评估支持自动驾驶车辆的关键道路运营商行动,” Tech. Rep. AP-R543-17, Springer, 2017. Google Scholar

[121] I. Victoria, 关于自动化和零排放车辆基础设施的建议：证据基础报告. Melbourne, VIC, Australia : Infrastructure Victoria, 2018. Google Scholar

[122] “自动驾驶车辆 - 加州机动车管理局,” Mar. 2023. [Online]. Available: https://www.dmv.ca.gov/portal/vehicle-industry-services/autonomous-vehicles/ Google Scholar

[123] Waymo, “涉及自动驾驶车辆的交通事故报告,” 2023, Accessed: Apr. 23, 2023. [Online]. Available: https://www.dmv.ca.gov/portal/file/waymo_022523_2-pdf/ Google Scholar

[124] D. Abels, “追尾碰撞是最常见的碰撞类型,” Dec. 2021. [Online]. Available: https://www.daveabels.com/rear-end-collisions-frequent-type-collision/ Google Scholar

[125] “车辆如何翻滚,” Apr. 2022. [Online]. Available: https://www.johnfoy.com/faqs/how-do-vehicles-roll-over/ Google Scholar

[126] C. LLC, “有多少比例的汽车事故是由人为错误造成的？—匹兹堡法律博客,” Sep. 2021. [Online]. Available: https://www.cbmclaw.com/what-percentage-of-car-accidents-are-caused-by-human-error/ Google Scholar

[127] D. Nation, “99%的自动驾驶车辆事故是由人为错误造成的,” Nov. 2021. [Online]. Available: https://www.digitalnationaus.com.au/news/99-per-cent-of-autonomous-vehicle-accidents-caused-by-human-error-572463 Google Scholar

[128] NHTSA, “事故统计：国家机动车事故因果调查中调查的关键事故原因,” 2015. [Online]. Available: https://crashstats.nhtsa.dot.gov/Api/Public/ViewPublication/812115 Google Scholar

[129] N. Dept., “事故统计关键原因：国家机动车事故因果调查中调查的关键事故原因,” 2018. [Online]. Available: https://crashstats.nhtsa.dot.gov/Api/Public/ViewPublication/812506 Google Scholar

[130] N. H. T. S. Administration, “与交叉口相关的事故因素：现场视角,” 2010. [Online]. Available: https://crashstats.nhtsa.dot.gov/Api/Public/ViewPublication/811366 Google Scholar

[131] E. R. Teoh and D. G. Kidd, “对机器的愤怒？谷歌自动驾驶汽车与人类驾驶员,” J. Saf. Res., vol. 63, pp. 57–60, 2017. DOI: https://doi.org/10.1016/j.jsr.2017.08.008 Google Scholar

[132] A. S. Mueller, J. B. Cicchino, and D. S. Zuby, “自动驾驶车辆需要避免哪些类似人类的错误以最大化安全性？,” J. Saf. Res., vol. 75, pp. 310–318, 2020. DOI: https://doi.org/10.1016/j.jsr.2020.10.005 Google Scholar

[133] Otmseo, “自动驾驶汽车事故统计,” Mar. 2022. [Online]. Available: https://1800injured.care/self-driving-car-accident-statistics/ Google Scholar

[134] V. V. Dixit, S. Chand, and D. J. Nair, “自动驾驶车辆：解除、事故与反应时间,” PLoS One, vol. 11, no. 12, 2016, Art. no. e0168054. DOI: https://doi.org/10.1371/journal.pone.0168054 Google Scholar

[135] J. Gogoll and J. F. Müller, “自动驾驶汽车：支持强制伦理设置,” Sci. Eng. Ethics, vol. 23, pp. 681–700, 2017. DOI: https://doi.org/10.1007/s11948-016-9806-x Google Scholar

[136] F. M. Favarò, N. Nader, S. O. Eurich, M. Tripp, and N. Varadaraju, “考察涉及加利福尼亚州自动驾驶车辆的事故报告,” PLoS One, vol. 12, no. 9, 2017, Art. no. e0184952. DOI: https://doi.org/10.1371/journal.pone.0184952 Google Scholar

[137] D. Milenkovic, “自动驾驶汽车统计与事实,” Feb. 2022. [Online]. Available: https://carsurance.net/insights/self-driving-car-statistics/ Google Scholar

[138] A. Press, “特斯拉汽车涉及10起与自动驾驶技术车辆相关的新事故死亡案例,” 2022. [Online]. Available: https://fortune.com/2022/10/19/tesla-cars-involved-in-10-of-the-11-new-crash-deaths-linked-to-automated-tech-vehicles/ Google Scholar

[139] C. Isidore, “另一辆使用自动驾驶的特斯拉撞上停放的警车,” Aug. 2021. [Online]. Available: https://edition.cnn.com/2021/08/30/business/tesla-crash-police-car/index.html Google Scholar

[140] D. Goodhue and D. Ovalle, “特斯拉在钥匙镇的行人被杀时是否处于自动驾驶模式？FHP正在调查,” May 2019. [Online]. Available: https://www.miamiherald.com/news/local/community/florida-keys/article230945733.html Google Scholar

[141] D. Yadron and D. Tynan, “特斯拉司机在首次使用自动驾驶模式时死亡,” Jun. 2016. [Online]. Available: https://www.theguardian.com/technology/2016/jun/30/tesla-autopilot-death-self-driving-car-elon-musk Google Scholar

[142] apakizerasc, “谷歌的自动驾驶汽车撞上公交车,” 2019. [Online]. Available: https://blog.americansafetycouncil.com/googles-self-driving-car-hit-a-bus-2/ Google Scholar

[143] “2021年自动驾驶汽车统计,” 2021. [Online]. Available: https://policyadvice.net/insurance/insights/self-driving-car-statistics/ Google Scholar

[144] R. Cellan-Jones, “优步的自动驾驶运营商因致命事故被起诉,” BBC News, Sep. 2020. [Online]. Available: https://www.bbc.com/news/technology-54175359 Google Scholar

[145] A. DeArman, “荒野西部：亚利桑那州自动驾驶车辆测试案例研究,” Arizona Law Rev., vol. 61, 2019, Art. no. 983. Google Scholar

[146] “涉及ADS和2级ADAS事故的撞车报告通用指令,” 2023. [Online]. Available: https://www.nhtsa.gov/laws-regulations/standing-general-order-crash-reporting Google Scholar

[147] “特斯拉自动驾驶与其他驾驶辅助系统与数百起事故相关，”《纽约时报》，2023。 [在线]。可用: https://www.nytimes.com/2022/06/15/business/self-driving-car-nhtsa-crash-data.html Google Scholar

[148] F. Siddiqui, “特斯拉因自动驾驶事故导致苹果工程师死亡而被其家属起诉，”2019年5月。 [在线]。可用: https://www.washingtonpost.com/technology/2019/05/01/tesla-sued-by-family-man-killed-autopilot-crash/ Google Scholar

[149] “斯巴鲁加拿大，”2023。 [在线]。可用: https://www.subaru.ca Google Scholar

[150] S. Descant, “NHTSA公布关于自动驾驶车辆事故的新数据，”2022年6月。 [在线]。可用: https://www.govtech.com/fs/nhtsa-releases-new-data-about-autonomous-vehicle-crashes Google Scholar

[151] J. Fingas, “两人因特斯拉失去驾驶员而死亡事故，”2021。 [在线]。可用: https://www.engadget.com/fatal-tesla-crash-driverless-200259765.html Google Scholar

[152] E. Licas, “三人在新港海滩特斯拉撞上施工设备时遇难，”《水星报》，2022年5月。 [在线]。可用: https://www.ocregister.com/2022/05/13/3-killed-when-tesla-slams-into-construction-equipment-in-newport-beach/ Google Scholar

[153] A. J. Hawkins, “特斯拉Model S在使用自动驾驶时撞上消防车，”2018年1月。 [在线]。可用: https://www.theverge.com/2018/1/23/16923800/tesla-firetruck-crash-autopilot-investigation Google Scholar

[154] F. A. Butt, J. N. Chattha, J. Ahmad, M. U. Zia, M. Rizwan, 和 I. H. Naqvi, “关于启用无线技术和传感器融合用于下一代联网与自动驾驶车辆的集成，”IEEE Access, vol. 10, pp. 14643–14668, 2022。IEEE: https://ieeexplore.ieee.org/document/9690855 Google Scholar

[155] K. Lv, X. Pei, C. Chen, 和 J. Xu, “基于深度强化学习的安全高效自动驾驶车道变更决策策略，”Mathematics, vol. 10, no. 9, 2022, Art. no. 1551。DOI: https://doi.org/10.3390/math10091551 Google Scholar

[156] Z. Cao, S. Xu, X. Jiao, H. Peng, 和 D. Yang, “利用强化学习实现可信安全改进的自动驾驶，”Transp. Res. Part C: Emerg. Technol., vol. 138, 2022, Art. no. 103656。DOI: https://doi.org/10.1016/j.trc.2022.103656 Google Scholar

[157] K. Muhammad, A. Ullah, J. Lloret, J. D. Ser, and V. H. C. d. Albuquerque, “深度学习在安全自动驾驶中的应用：当前挑战与未来方向,” IEEE Trans. Intell. Transp. Syst., vol. 22, no. 7, pp. 4316–4336, Jul. 2021. IEEE: https://ieeexplore.ieee.org/document/9284628 Google Scholar

[158] H. M. Thakurdesai and J. V. Aghav, “自动驾驶汽车：技术挑战与盲区解决方案,” in Proc. Adv. Comput. Intell. Commun. Technol., 2021, pp. 533–547. DOI: https://doi.org/10.1007/978-981-15-1275-9_44 Google Scholar

[159] D. Kwon, R. Malaiya, G. Yoon, J.-T. Ryu, and S.-Y. Pi, “基于相机的盲区检测系统的深度学习方法研究,” Appl. Sci., vol. 9, no. 14, 2019, Art. no. 2941. DOI: https://doi.org/10.3390/app9142941 Google Scholar

[160] F. Xu, X. Liu, and K. Fujimura, “夜视下的行人检测与跟踪,” IEEE Trans. Intell. Transp. Syst., vol. 6, no. 1, pp. 63–71, Mar. 2005. IEEE: https://ieeexplore.ieee.org/document/1402430 Google Scholar

[161] F. Jiménez, J. E. Naranjo, and Ó. Gómez, “基于精准车辆周围环境认知的自动碰撞避免系统,” IET Intell. Transport Syst., vol. 9, no. 1, pp. 105–117, 2015. DOI: https://doi.org/10.1049/iet-its.2013.0118 Google Scholar

[162] P. Badger, “道德机器,” Philosophy Now, vol. 104, pp. 24–27, 2014. Google Scholar

[163] U. D. of Transportation, “确保美国在自动化车辆技术方面的领导地位：自动化车辆4.0,” 2020. [Online]. Available: https://www.transportation.gov/sites/dot.gov/files/2020-02/EnsuringAmericanLeadershipAVTech4.pdf Google Scholar

[164] “安全自动驾驶车辆,” 2022. [Online]. Available: https://www.nhtsa.gov/technology-innovation/automated-vehicles-safety Google Scholar

[165] W. J. v. Eschenbach, “透明性与黑箱问题：我们为何不信任AI,” Philosophy Technol., vol. 34, no. 4, pp. 1607–1622, 2021. DOI: https://doi.org/10.1007/s13347-021-00477-0 Google Scholar

[166] V. Buhrmester, D. Münch, and M. Arens, “面向计算机视觉的黑箱深度神经网络解释器分析综述,” Mach. Learn. Knowl. Extraction, vol. 3, no. 4, pp. 966–989, 2021. DOI: https://doi.org/10.3390/make3040048 Google Scholar

[167] S. Chakraborty, “深度学习模型可解释性：结果综述,” in Proc. IEEE SmartWorld, Ubiquitous Intell. Comput., Adv. Trusted Computed, Scalable Comput. Commun., Cloud Big Data Comput., Internet People Smart City Innov., 2017, pp. 1–6. IEEE: https://ieeexplore.ieee.org/document/8397411 Google Scholar

[168] S. C. Leasing, “排名：最具无人驾驶汽车准备的国家,” Mar. 2022. [Online]. Available: https://www.selectcarleasing.co.uk/news/article/which-countries-are-driverless-car-ready Google Scholar

[169] S. Mahmoud, E. Billing, H. Svensson, and S. Thill, “从这里往何方？从认知系统视角看无人驾驶车辆的未来发展,” Cogn. Syst. Res., vol. 76, pp. 63–77, 2022. DOI: https://doi.org/10.1016/j.cogsys.2022.09.005 Google Scholar

[170] N. A. Hatfield, “自动化透明度和伦理结果对用户信任与归责的影响，针对全自动驾驶车辆,” Ph.D. dissertation, Old Dominion Univ., Norfolk, VA, USA, 2018. Google Scholar

[171] M. Cunneen, M. Mullins, and F. Murphy, “无人驾驶车辆与嵌入式人工智能：制定机器驾驶决策的挑战,” Appl. Artif. Intell., vol. 33, no. 8, pp. 706–731, 2019. DOI: https://doi.org/10.1080/08839514.2019.1600301 Google Scholar

[172] E. Papadimitriou, H. Farah, G. v. d. Kaa, F. S. D. Sio, M. Hagenzieker, and P. v. Gelder, “迈向共同的伦理与安全‘行为——自动驾驶车辆标准,” Accident Anal. Prevention, vol. 174, 2022, Art. no. 106724. DOI: https://doi.org/10.1016/j.aap.2022.106724 Google Scholar

[173] K. Dresner and P. Stone, “降低无人驾驶车辆在交叉口的灾难性失效,” in Proc. 7th Int. Joint Conf. Auton. Agents Multiagent Syst.-Volume 3, 2008, pp. 1393–1396. Google Scholar

[174] C. Macrae, “从无人驾驶和智能系统失败中学习：事故、安全与社会技术风险源,” Risk Anal., vol. 42, no. 9, pp. 1999–2025, 2022. DOI: https://doi.org/10.1111/risa.13850 Google Scholar

[175] S. Hecker, D. Dai, and L. V. Gool, “无人驾驶的失效预测,” in Proc. IEEE Intell. Veh. Symp., 2018, pp. 1792–1799. IEEE: https://ieeexplore.ieee.org/document/8500495 Google Scholar

[176] P. Hock, J. Kraus, F. Babel, M. Walch, E. Rukzio, and M. Baumann, “如何设计有效的模拟器研究以调查自动驾驶中的用户体验：综述与实践考虑，” in Proc. 10th Int. Conf. Automot. User Interfaces Interactive Veh. Appl., 2018, pp. 105–117. DOI: https://doi.org/10.1145/3239060.3239066 Google Scholar

[177] T. Schneider, S. Ghellal, S. Love, and A. R. Gerlicher, “通过不同反馈模式提升自动驾驶中的用户体验，” in Proc. 26th Int. Conf. Intell. User Interfaces, 2021, pp. 7–10. DOI: https://doi.org/10.1145/3397481.3450687 Google Scholar

参考脚注

附加参考文献

25. M. Cunningham and M. A. Regan, “自动驾驶车辆：人因问题与未来研究，” in Proc. Australas. Road Saf. Conf., 2015, pp. 2–6.

26. I. Barabas, A. Todoruţ, N. Cordoş, and A. Molea, “自动驾驶的当前挑战，” Proc. IOP Conf. Ser.: Mater. Sci. Eng., vol. 252, no. 1, 2017, Art. no. 012096.

27. Y. Ro and Y. Ha, “对消费者对自动驾驶汽车期望的因素分析，” J. Comput. Inf. Syst., vol. 59, no. 1, pp. 52–60, 2019.

28. “城市背景下的无人驾驶车辆,” 2015. [Online]. Available: https://www3.weforum.org/docs/WEF_Press%20release.pdf

29. “以自动驾驶车辆改造城市出行,” 2018. [Online]. Available: https://www3.weforum.org/docs/WEF_Reshaping_Urban_Mobility_with_Autonomous_Vehicles_2018.pdf

30. “Super Cruise：免手驾驶辅助,” 2022. [Online]. Available: https://www.gmccanada.ca/en/supercruise

31. “高端S级,” 2023. [Online]. Available: https://www.mercedes-benz.ca/en/vehicles/class/s-class/sedan

32. “福特Mustang Mach-E SUV,” 2023. [Online]. Available: https://www.ford.ca/suvs/mach-e/

33. “宝马X7,” 2022. [Online]. Available: https://www.bmw.ca/en/all-models/x-series/x7/2022/bmw-x7-overview.html

34. “大众ID.4,” 2023. [Online]. Available: https://www.vw.ca/en/models/new-vehicles/2023-id4.html

35. T. M. Corporation, “丰田发布全新Aqua,” Aug. 2023. [Online]. Available: https://global.toyota/en/newsroom/corporate/35063150.html

36. C. LLC, “有多少比例的车祸是由人为错误导致的？——匹兹堡法律博客,” Sep. 2021. [Online]. Available: https://www.cbmclaw.com/what-percentage-of-car-accidents-are-caused-by-human-error/