自动驾驶与智能车辆的里程碑——第一部分：控制、计算系统设计、通信、HD Map、测试与人类行为

摘要

由于便利、安全和经济收益，自动驾驶（AD）和智能车辆（IVs）的兴趣正以快速的速度增长。虽然已有多项综述回顾了该领域的研究成果，但它们在特定任务方面仍有限，且缺乏系统性的总结和未来的研究方向。我们的工作分为三篇独立的文章，第一部分是对自动驾驶（AD）和智能车辆（IVs）全部技术的综述（SoS），涵盖历史，汇总里程碑，并提供视角、伦理和未来研究方向。本技术综述的第二部分（Part I）旨在回顾 IVs 中控制、计算系统设计、通信、高精度地图（HD map）、测试和人类行为的发展。此外，第三部分（本技术综述的 Part II）旨在回顾感知与规划部分。本文的目标是涵盖自动驾驶（AD）的所有领域，汇总最新技术里程碑，并引导初学者快速了解 AD 和 IVs 的发展。结合 SoS 与 Part II，我们预计此工作将为研究者和初学者提供新颖而多样的见解，并成为连接过去与未来的桥梁。

作者

Long Chen 国家重点实验室复杂系统管理与控制、自动化研究所、中国科学院、北京市，中国；总裁办公室，Waytous有限公司，北京市，中国 ORCID: 0000-0003-4925-0572

Yuchen Li 计算机科学系，BNU–HKBU联合国际学院，珠海，中国；计算机科学系，香港浸会大学，香港，中国 ORCID: 0000-0002-6732-323X

Chao Huang 工业与系统工程系，香港理工大学，红磡，香港 ORCID: 0000-0003-3023-4388

Yang Xing 航空、交通与制造学院，克兰菲尔德大学，克兰菲尔德，英国 ORCID: 0000-0002-3786-2865

Daxin Tian 北京航空航天大学交通科学与工程学院，北京，中国 ORCID: 0000-0001-7796-5650

Li Li 清华大学自动化系，北京，中国 ORCID: 0000-0002-9428-1960

Zhongxu Hu 新加坡国立大学机械与航空航天工程系，裕廊西，新加坡

Siyu Teng 北京师范大学–香港浸会大学联合国际学院计算机科学系，珠海，中国； 计算机科学系，香港浸会大学，香港，中国 ORCID: 0000-0002-6860-9547

Chen Lv 新加坡国立大学机械与航空航天工程系，裕廊西，新加坡 ORCID: 0000-0001-6897-4512

Jinjun Wang 西安交通大学人工智能学院，西安，中国 ORCID: 0000-0002-9434-0617

Dongpu Cao 清华大学机械工程学院，北京，中国 ORCID: 0000-0003-2541-5272

Nanning Zheng 中国科学院自动化研究所复杂系统管理与控制国家重点实验室，北京，中国 ORCID: 0000-0003-1608-8257

Fei-Yue Wang 中国科学院自动化研究所复杂系统管理与控制国家重点实验室，北京，中国 ORCID: 0000-0001-9185-3989

出版信息

期刊: IEEE Transactions on Systems, Man, and Cybernetics: Systems 年份: 2023 卷号: 53 期号: 9 页码: 5831-5847 DOI: 10.1109/TSMC.2023.3276218 文章编号: 10138317 ISSN: Print ISSN: 2168-2216, Electronic ISSN: 2168-2232

指标

论文引用次数: 81 总下载量: 3345

资助

• 中国国家自然科学基金 (项目编号: 62006256)

• 广州重点研发计划 (项目编号: 202007050002 和 202007050004)

关键词

IEEE Keywords: 调查, 控制系统, 行为科学, 测试, 任务分析, 系统分析与设计, 规划

Index Terms: 人类行为, 计算机系统, 自动驾驶汽车, 智能汽车, 计算机系统设计, 控制策略, 运输系统, 实时信息, 模型预测控制, 全球导航卫星系统, 滑模控制, 正交频分复用, 标准型, 模糊规则, 恶意攻击, 自动化车辆, 系统信任, 人类驾驶员, 横向控制, 纵向控制, 车载通信, 专用短程通信, 线性参数变化, 车载自组网络, 深度强化学习, 能效, 控制系统, 惯性测量单元

Author Keywords: 自动驾驶 (AD), 通信, 计算系统设计, 控制, 高精度地图 (HD map), 人类行为, 智能汽车 (IVs), 感知, 规划, 调查综述 (SoS), 测试

未定义

第一节. 引言

自动驾驶（AD）和智能汽车（IVs）近年来因其广泛的潜在收益而受到学术界和工业界的广泛关注。针对AD和IVs的综述在汇集研究成果、概括整个技术发展以及预测未来趋势方面占据着重要位置。然而，绝大多数综述仅关注特定任务，缺乏系统性的总结和未来研究方向。因此，它们可能对初学者开展研究产生负面影响。我们的工作包含三篇独立文章，其中包括对综述的综述（SoS）¹以及针对AD和IVs关键技术的两篇综述。以下为第二部分（综述的第一部分），系统回顾了IVs中控制、计算系统设计、通信、高精度地图（HD map）、测试以及人类行为的发展。结合SoS和第三部分（对感知与规划的综述的第二部分），我们期望我们的工作可以视为AD和IVs过去与未来之间的桥梁。

我们提供了自动驾驶（AD）和智能车辆（IV）的通用定义。AD 指的是让车辆能够感知周围环境并在没有人工干预的情况下运行的技术。IV 指拥有上述技术以实现部分或完全自动化功能的车辆。根据 AD 的不同任务，我们将其划分为八个部分：感知、规划、控制、计算系统设计、通信、HD map、测试以及 IV 中的人类行为。感知部分帮助 IV 获得从环境中收集信息并提取外部特征的能力。规划部分帮助 IV 从起点到目的地制定更合理的策略。IV 能够避开障碍物，并持续优化驾驶行为，以确保乘客的安全与舒适。控制部分使智能系统能够平稳控制车辆。感知、规划和控制按顺序进行，构成 AD 技术的主体。计算系统设计在 AD 和 IV 中扮演着关键角色，保障安全性、可靠性、节能与通信效率。通信模块是与外部世界（如其他车辆、行人和智能交通系统）交互的重要工具。HD map 是 IV 的导航指南，提供丰富的场景和位置信息，类似人类驾驶员的导航应用。测试模块是 IV 在真实道路上运行前的关键过程。IV 中的人类行为是当前 AD 开发的关键部分，理解人类行为有助于为车辆制定合理策略。

美国汽车工程师学会（SAE）提供了一个针对六个驾驶自动化级别的车辆驾驶自动化系统的详细定义分类体系，级别从无驾驶自动化（L0）到全驾驶自动化（L5）。我们强调，以上的划分方法基于自动化级别，这与 AD 的定义不同。部分研究者认为只有 L5 级别的运动平台才能称为 AD 车辆；另一些研究者认为 L3–L5 属于 AD，而还有人认为 L1–L5 属于 AD。我们认为这种差异可能源于学术界与工业界的不同，且存在于不同的发展阶段。目前尚无统一定义，在本文中我们采纳后者观点，收集相关文献，分析其特征，并总结方法论。图 1 展示了在不同智能水平下车辆可实现的控制模式及主要功能，更详细的描述请参见第 VII 节。

图 1. AD 的结构，包括功能、方法学和应用场景。

在本文中，我们将六个部分视为独立章节，每个章节包含任务定义、功能划分、新颖思想，以及关于 AD 和 IV 的关键技术里程碑的详细介绍。最重要的是，这些研究在过去十年中快速发展，并已进入瓶颈期。我们希望本文能被视为面向入门者的综合总结，并为研究者提供新颖多样的见解，助其取得突破。

我们总结了本文的三项贡献。

1. 我们提供了关于 AD 和 IV 关键技术发展的更系统、全面且新颖的综述，并标注了里程碑。

2. 我们在每个技术章节中介绍了众多部署细节、测试方法和独到见解。

3. 我们开展了一项系统研究，力图搭建 AD 与 IV 过去与未来之间的桥梁；本文为我们整体研究的第二部分（第一部分为综述）。

第二节：控制

车辆运动控制是提升驾驶员辅助功能的重要任务。许多控制任务，例如侧向稳定控制和在极限驾驶以避免事故的操作，都必须在 IV 的背景下考虑。本节总结了过去几年 IV 控制方面的一些主要进展。我们将介绍车辆运动控制的功能，提供关于控制策略的综合讨论，并讨论控制策略的最前沿验证方法。

A. 车辆运动控制的类别

我们将车辆运动控制分为两类：1) 纵向车辆控制；2) 横向车辆控制。

1) 纵向车辆控制：

纵向控制通过车辆的油门和刹车来管理车辆加速，以保持与前方车辆的安全距离，维持道路上理想的速度，并在紧急情况下尽快踩刹车以避免追尾碰撞 ²。

纵向控制策略已在多种场景中得到研究，包括连网IV的车队化 ³、速度和谐 ⁴、轨迹平滑 ⁵ 以及信号控制干道上的速度管理 ⁶。局部稳定性和连锁稳定性是车队纵向控制器的关键方面。局部稳定性指车辆在扰动条件下保持平衡状态的能力。连锁稳定性指扰动幅度随在车辆车队中传播而减小或保持不变。速度和谐的控制策略旨在确定车辆的速度政策，以防止交通崩溃并减轻高速公路性能损失。轨迹平滑的基本理念是通过连网IV的纵向控制策略改善交通流稳定性和效率。在信号控制干道上，速度管理系统旨在调整信号时序，减少在信号交叉口的停车次数，同时平滑车辆轨迹。常见的纵向控制策略包括模糊逻辑 ⁷、比例-积分-微分（PID） ⁸、模型预测控制（MPC） ⁹、博弈论 ¹⁰、滑模控制（SMC） ¹¹、模糊推理系统（FIS） ¹²、Lyapunov 基于自适应控制方法 ¹³，以及 AI 方法 ¹⁴。纵向控制系统设计中的挑战包括在极小车距下实现连锁稳定操作、执行纵向分离与合并操作，并在通信受限的情况下进行操作 ¹⁵、¹⁶。

2) 侧向车辆控制:

侧向车辆控制系统聚焦于车辆在车道中的位置。侧向车辆控制系统的主要功能是保持车辆在当前车道内（车道保持）、将车辆驱动到相邻车道（换道）或避免与前方车辆发生碰撞 ¹⁷。侧向控制的任务是最小化相对于参考轨迹的侧向位移和角误差 ¹⁸。文献中已报道多种线性和非线性控制器来控制车辆运动，包括基于博弈论的方法 ¹⁹、PID ²⁰、MPC ²¹、H_{\infty }鲁棒控制 ²²、基于李雅普诺夫的自适应控制方法 ²³、线性参数变（LPV）控制器 ²⁴、SMC ²⁵、模糊逻辑 ²⁶，以及深度学习方法 ²⁷。

由于侧向控制系统能够安全改变车辆的车道并执行躲避机动，它可以在降低事故并提升行车安全方面提供潜在好处。然而，侧向车辆控制的全面实现仍然是车道变换和躲避机动中的现实难题。例如，环境因素，如天气状况、道路弯道以及其他各种干扰，可能会影响控制性能，需要一个适当的侧向控制策略。

B. 控制方法

我们在表 I 中介绍了车辆控制的几种常见方法。

表 I

1) PID 控制：

PID控制器的通用适用性可以使其在IVs的车载控制中优于其他控制方法 ²⁸。在未知路径曲率条件下，为IVs的侧向控制开发了嵌套PID转向控制 ²⁹。PID控制具有结构简单、实现容易、且不需要深入了解系统行为等优点。然而，PID参数调优是一项挑战，且无法保证最佳性能。此外，PID控制器难以适应并对未知且可变的外部环境保持鲁棒性 ³⁰。

2) 基于博弈论的方法:

在博弈论方法中，车辆被视为博弈参与者，并且交通规则在各自的决策模型中得到考虑。决策模型可以通过与周围驾驶员互动来模拟人类行为，从交互中提取信息并生成最优控制策略，例如何时以及如何变道 ³¹。博弈论方法的一个优势是考虑了交通参与者的相互影响，这可以提高决策的可靠性。然而，随着参与者数量的增加，博弈的维度会大幅提升，耦合博弈系统的高维性可能导致计算复杂度高。

3) 模糊逻辑控制:

类似于PID控制器，模糊逻辑控制不需要工厂的数学模型，使控制器能够充分应对车辆非线性动力学。另一个优点是它们的类人控制动作，源于类人的规则。使用隶属函数，输入变量被转换为语言变量。控制器的输出由形如“若-则”语句的模糊规则决定。Cai等人³²提出了一种神经模糊控制器，目的是调节速度，以保持与前车的安全距离。Sun等人³³设计了一种模糊反馈控制器，以优化隶属函数和规则的参数，来在不同驾驶条件下跟踪参考轨迹。然而，参数优化具有挑战性，并且模糊推理规则需要大量专家知识来实现模糊逻辑控制³⁴。

4) MPC:

MPC 在车辆控制中极受欢迎，请参阅纵向控制 ³⁵、横向控制 ³⁶ 和综合控制 ³⁷。MPC 的原理是通过在每个采样时间求解问题并应用第一系列动作，寻找在更长预测时域上的预测运动解。通过这种方式，MPC 模拟了递退视域控制，并根据即将到来的信息调整解集以保持准确性 ³⁸。Kim 等人 ³⁹ 提出了基于 MPC 的路径跟踪控制器，结合了转向执行系统的动态特性，以确保精准平滑的跟踪。MPC 算法的主要优势在于其能够考虑控制效率、乘坐舒适度、燃油消耗等多重性能指标，并在车辆物理极限与安全性方面具备约束处理能力。然而，它们在非凸和高复杂性问题上仍不够充分。过度的计算难度可能阻碍其实时应用。

5) SMC 方法:

SMC能够适应未知扰动和匹配不确定性。基于SMC的一系列路径跟踪控制器在 ⁴⁰ 中提出，仿真结果显示SMC控制器对扰动具有鲁棒性，并能提供良好的路径跟踪性能。然而，在现实场景中，模型不确定性和扰动是随时间变化的，模型精度对控制性能有重大影响。由于建模误差，控制性能可能会受到损害 ⁴¹。

6) LPV 控制:

LPV 控制器是线性控制器，并已与预测控制一起用于横向控制 ⁴² 和集成系统控制 ⁴³。该方法需要对系统模型有深入了解，并在驾驶过程中获取所有状态的实时信号。由于默认情况下未提供状态观测器，需使用状态观测器。

7) AI 引导的驾驶策略学习:

人工智能算法的研究因大数据的普及而迅速进展。与传统控制系统相比，AI驱动的车辆系统不需要任何系统层面的知识，并已显示出在复杂和动态环境中优化非线性系统的巨大潜力 ⁴⁴, ⁴⁵。与分别为车道检测、障碍物检测、路径规划和控制律设计设计显式手工算法不同，AI驱动的车辆系统可以在一个框架内整合所有工作，并通过学习使系统表现良好并推广到新环境 ⁴⁶。Yu 和 Sethi ⁴⁷ 研究了一种使用强化学习的跟车系统。测试结果表明，该算法可以利用以往驾驶经验学习在新环境中驾驶，并通过在线学习提高跟车性能。Wang 等人 ⁴⁸ 使用深度 Q-网络（DQN）训练车辆代理以学习自动变道行为。Chae 等人 ⁴⁹ 提出了一个新型自主制动系统，该系统利用深度强化学习在潜在碰撞宣布时智能管理车辆速度。Naranjo 等人 ⁵⁰ 研究了一种基于卷积神经网络（CNN）的端到端控制器，能够在不为每个自动驾驶组件单独设计工程的情况下提供转向命令。AI 驱动的控制策略非常强大，其在多种相似场景中泛化的能力使其适用于驾驶条件的小幅偏差 ⁵¹。然而，由于方法的不透明性，这些 AI 驱动系统的安全验证非常具有挑战性，且无法给出故障解释。此外，对训练数据的需求可能会阻碍 AI 驱动系统的研究。

经典的 PID 和 SMC 方法可能无法适应复杂环境和未知干扰。MPC 和 LPV 基于精确的数学模型，而车辆在真实道路行驶过程中不确定且非线性的数学模型可能降低控制性能，尤其在极端操纵时。模糊逻辑系统的模糊规则基于经验，没有可参考的定性规则，使其在工程应用中具有挑战性。由于耦合游戏系统的高维度，基于博弈论的控制策略设计具有挑战性。基于 AI 的方法需要大量离线计算和训练，并需要更多研究 AI 驱动车辆的可解释性和功能安全验证方法。

第 III 节：计算系统设计

在本节中，将从 IV 的三个关键方面描述 IV 的计算系统设计，即计算系统架构和具有多种应用的传感器系统。

A. 计算系统架构

计算系统在智能车辆（IVs）中发挥着至关重要的作用，以确保安全、保密、能耗与通信效率。典型的智能车辆通常配备大量车载传感器，包括激光雷达、摄像头、雷达、通信模块、全球导航卫星系统（GNSS）等，每分钟生成的数据量可能非常巨大。为确保异构信息的高效处理与融合，计算系统必须经过精心设计，以实时处理信息并保持安全的自动驾驶（AD）。根据⁵²，智能车辆中广泛采用的计算架构基本分为两类：模块化设计方法和端到端设计方法。模块化设计方法将功能单元拆分为独立模块，便于系统实现、故障诊断和模块更新。基于模块化设计方法，智能车辆的计算架构可划分为以下关键模块（如图 2 所示）：计算、通信、存储、安全与隐私以及功率管理。而端到端计算架构主要受到当前人工智能的推动，主要依赖基于学习的方法直接处理感知数据并生成控制输出⁵³。鉴于模块化设计方法在智能车辆计算架构设计中更为广泛使用且更为成熟，本文随后从这一分支出发回顾计算系统的相关概念。

Fig. 2. 典型的智能车辆计算架构 [43], [45],and [46].

1) 计算硬件:

IVs 的实时计算能力需要多种强大的计算硬件支持。通常，中央处理单元（CPU）、图形处理单元（GPU）、现场可编程门阵列（FPGA）、数字信号处理器（DSP）、特定应用处理单元（ASIC）以及其专门开发的面向深度学习的张量处理单元（TPU）是目前在 IVs 上广泛使用的计算硬件 ⁵⁴。 具体而言，Nvidia 发布了 Nvidia Drive 系列，以强大的 GPU 支持 IV 技术 ⁵⁵。 Xilinx 发布了基于 FPGA 的 Zynq UltraScale+MPSoC 汽车级处理器，该处理器在能效方面（14 images/W）优于 Nvidia Tesla K40 GPU（4 images/W）⁵⁶。 Mobile EyeQ6 系列和 TPUv4 是 IVs 领先的基于 ASIC 的解决方案，显著提升了计算性能和能效 ⁵⁷。 Huawei 发布了其移动数据中心（MDC）解决方案，以支持 L4 IVs 的实时计算。MDC 配备了 Huawei Ascend AI 芯片，最高可达 352 TOPS 的计算能力，并具备行业领先的 1 TOPS/W 能效。 Horizon Robotics 也发布了其前沿汽车片上系统（SoC）处理器 Horizon Robotics Journey 5，该处理器专为优化车载视觉和基于 Lidar 的感知任务的运行时执行而设计。HRJ-5 在单个处理器上提供高达 128 TOPS 的处理能力，并支持来自 16 个传感器的神经计算。

2) 操作系统:

实时操作系统（RTOS）是智能车辆计算系统中的关键模块，能够实现资源管理和实时感知、规划、决策和控制，以高速自主运行 ⁵⁸, ⁵⁹. 智能车辆上的操作系统应支持实时资源分配、网络、文件处理、通信等功能。常见的两种 RTOS 内核是 QNX 和 VxWorks ⁶⁰。QNX 在汽车行业被广泛使用，包含 CPU 调度、进程间通信、中断重定向和定时器 ⁶¹。VxWorks 是一种单一内核，专为实时嵌入式系统设计，也可用于安全与可靠性 ⁶²。它采用共享内存架构，支持 Intel、POWER 和 ARM 等多种体系结构。

3) 中间件：

在 RTOS 与应用层之间，需要中间件层将多种 AD 服务绑定在一起，以管理应用通信并调度感知与计算资源。在 ⁶³，对三种影响深远的中间件架构，即机器人操作系统（ROS1）、ROS2 和 Cyber，评估了其对 AD 应用的通信延迟。ROS1 的进程间通信机制提供了高度兼容性和可扩展性 ⁶⁴。ROS2 在基于数据分发服务（DDS）的通信方案下的实时分布式系统中表现出高效的性能 ⁶⁵。随后，Cyber 是由百度 Apollo 最近发布的一种中间件架构，主要为 AD 设计。

Wu 等人 ⁶⁶ 根据比较研究总结了三种架构，发现：1) 通过共享内存机制进行通信，在考虑 IV 的性能和可靠性时是最佳方案；2) 在中间件层的数据复制以及序列化/反序列化操作是通信开销的主要属性；3) 对通信特性的优化能显著提升计算效率；4) 平台性能越高，通信成为处理速度瓶颈的可能性越大；5) 若发布频率与相应的处理时间未能良好校准，可能会引入额外延迟。

总之，中间件可能成为端到端延迟的贡献者，为了避免成为整个计算系统的性能瓶颈，应该仔细设计中间件中的通信和管理。

4) IV 上计算系统的指标：

Lin 等人 ⁶⁷ 确定了七个针对 IV 计算系统的评估指标，包括准确性、时间线、功耗、成本、可靠性、隐私和安全。对这些指标特征的简要总结见表 II。

表 II

5) IV 上计算系统的约束：

尽管 IV 上的计算系统近年来取得了显著改进，但在硬件、软件和传感器层等仍存在若干关键约束，可能延缓商业 IV 的广泛部署。例如，在 ⁶⁸ 中，识别并分析了计算系统的五大设计约束，即性能约束、可预测性约束、存储约束、热约束和 IV 的功耗约束。因此，在本节中，我们将共同总结并分析存在于计算系统不同层面的这些挑战。

具体而言，性能约束主要存在于应用层，如图2所示。在IV的基本功能（感知、规划与决策以及控制）方面，机器与人类的性能差距仍然存在。已指出帧速率和处理延迟是IV的两个主要性能约束。人类驾驶员可以在100–150 ms内对事件作出反应，因此，为了安全考虑，车辆应在100 ms以内的延迟下，至少每100 ms反应一次，甚至比人类驾驶员更快。⁶⁹

可预测性是另一项约束，它既从时间方面（满足时间截止）又从功能方面（做出正确决策）来定义。尽管传统的平均延迟指标，尾部延迟（99.99百分位延迟）也应被用于满足严格的可预测性要求。⁷⁰

存储约束是能源节约和车辆计算性能的关键方面和瓶颈。已显示，一辆 IV 每天可产生 2–40 TB 的数据 ⁷¹。每天数十 TB 的存储空间需要高速存储速度和车辆空间。除此之外，实时数据存储和传输还需要显著提升能源和功率使用。

IV 的热限制也可能是一个严峻的考虑因素。有两个典型方面：1) 维持计算系统在工作范围内的温度；2) 计算系统产生的热量应对车辆热特征产生有限影响 ⁷²。已显示，在没有冷却系统的情况下，计算系统每消耗 1 kW 的功率，车舱温度每分钟会升高 10° ⁷³。因此，通常需要在可控环境区部署计算系统，这意味着必须增加冷却系统以减轻计算系统的热影响 ⁷⁴。

最后，功耗约束是另一个关键因素，能够显著影响IV的能力。根据 ⁷⁵，计算系统的功耗约束包含三个主要方面：计算系统的功耗、存储器的功耗以及冷却开销。计算功耗以及存储和冷却的额外能耗将大幅降低IV的里程，尤其是电动IV。例如，每增加 400 W 的能耗，油耗（MPG）会降低 1；像GPU这样能耗高的系统可以将燃油效率降低多达 11.5% ⁷⁶。因此，未来对IV来说，更加节能的计算系统和绿色AI技术是极为期待的。

B. 传感器系统

IV（智能车辆）上的传感系统为计算单元提供基本的感知与检测数据。IV常见的车载传感器包括激光雷达（Lidar）、雷达、摄像头、超声波、惯性测量单元（IMU）、全球导航卫星系统（GNSS）等。由于驾驶过程中存在较大的不确定性，IV 应依赖多传感器融合来保证行驶安全。因此，在本部分中，我们回顾了常见传感器的特点。

1) IV中的传感器：

De Jong 等人根据互联网+概念在 ⁷⁷ 中将车载车辆 (IV) 的传感器分类为智能传感器和非智能传感器。智能传感器指能够提供额外检测或感知信息的设备，例如摄像头、激光雷达或雷达系统的目标检测/跟踪和其他事件描述。相反，非智能传感器仅提供用于后期处理的原始数据。车载传感器系统特性的研究已在 ⁷⁸ 中得到广泛探讨。典型的传感器融合方法见图 2，并可参阅 ⁷⁹ 和 ⁸⁰ 以获得更详细的讨论。不同传感器及所选综述研究的简要描述见表 III。

表 III

2) 针对不同应用场景的 IV 计算系统设计:

IV的计算系统设计也高度依赖于应用场景、政策和法规。目前，关于IV安全、通信和设计方面最常用的标准可以在⁸¹中找到。⁸²中的标准路线图涵盖了当前和正在进行的安全与保障、感知、决策、数据、安全、基础设施和人因相关标准。还应注意，IV的设计还应考虑具体的应用领域。例如，自动化采矿卡车及其测试技术已在⁸³中总结，显示与乘用车相比考虑的方面显著不同。IV在机场、港口和物流方面的其他成功应用可在⁸⁴中找到。显然，每个具体IV在整体计算系统设计中需要显著不同的关注点，并应尊重特定的现实应用环境。

IV传感器系统的另一个新兴研究领域是IV可解释接口的设计。基于多模态信号的感知、定位、决策和控制的车载解释是未来IV提升人类信任与接受度、实现全球商业化的关键设计需求⁸⁵。IV的可解释性可进一步分为可解释性和完整性。进一步地，可解释性有两个主要分支，即透明度和后置解释⁸⁶。与此同时，局部解释和全局解释也需要IV不同的计算系统设计⁸⁷。综上，IV可解释接口的设计标准将有助于满足IV的社会和法律要求，更重要的是实现更安全、透明、公众认可和环保的IV⁸⁸。

第四节 通信

面对复杂的交通环境，单一智能车辆的感知受到障碍物和恶劣天气的遮蔽，影响了自动驾驶的安全。另一方面，单一车辆的决策能力受限于车载计算和存储资源，难以应对高密度混合交通流环境的挑战。因此，智能车辆不仅需要优化其智能化水平，还需要通过无线通信技术获取外部信息和资源，扩展其感知与决策能力。与传统蜂窝网络中的移动终端不同，车辆的高速运动导致网络拓扑迅速变化和通信链路频繁切换。与此同时，车辆复杂多变的行驶环境会产生多径效应和来自其他信号的干扰，影响车联网通信。此外，安全相关应用，如碰撞避免和智能车辆编队，要求网络满足低延迟和超高可靠性的严格要求，而传统无线网络难以实现这些需求。因此，智能车辆有必要采用专用通信技术，以确保车辆与其他车辆、基础设施和云平台之间的高效稳定交互。

作为自动驾驶（AD）和智能车辆（IVs）感知能力的强大扩展，IVs 的通信不仅涉及车辆本身，还涉及交通、通信以及其他系统的多种基础设施和技术要素，并且是汽车、交通、通信、信息及其他行业整合与融合的重点领域。车辆通信技术起源于20世纪末期在欧洲和美国开展的学术研究和示范项目，重点关注车与车（V2V）和车与基础设施（V2I）通信，当时被称为车载自组网络（VANET） ⁸⁹ 或车辆网络。随着新型信息与通信技术的发展，交通系统中所有要素的连接与协作进一步加强，形成了互联互通且协同的 AD，VANET 的概念被扩展到车联网，并因其在智能交通和 AD 等行业中的支撑作用而受到广泛关注。

随着概念的扩展，车辆通信技术已从连接车辆和基础设施的 VANET 发展到连接交通系统各种要素（如车辆、基础设施、行人和云）的车联网（V2X） ⁹⁰。具体而言，V2X 包含两种技术：1）由 IEEE 标准化的专用短距离通信（DSRC）；2）由第三代合作伙伴计划（3GPP）标准化的蜂窝 V2X（C-V2X） ⁹¹。就通信方式而言，V2X 通信可细分为 V2V、V2I、车与行人（V2P）以及车与云/网络（V2C/N）通信，如图 3 所示。因此，车辆网络能够实现行人、车辆、基础设施和云之间的实时高效信息交互，并支持 AD 与 IVs 的大规模数据传输。

图 3. 车联网中 V2X 的要素.

A. V2X 通信的标准化

为实现异构车辆之间的高效通信与交互，有必要建立覆盖物理层至应用层的统一协议与标准。如前所述，基于不同的无线接入技术，V2X 通信标准主要有两类，即 DSRC 与 C-V2X。在本节中，我们简要介绍这两类标准的现状与发展。

1) DSRC:

严格来说，DSRC 是一种用于车载通信的无线接入技术，但它也被广泛用于泛指基于该无线接入技术的车载通信。目前，该技术相对成熟，已有若干标准化组织，例如 IEEE、SAE 和欧洲电信标准协会（ETSI），在 DSRC 相关标准方面开展工作 ⁹²。在此，我们以美国的标准为例来描述其标准化进程。在美国，IEEE 为 5.9 GHz 频段制定了 IEEE 802.11p 和 IEEE 1609 标准，并形成了 WAVE 协议栈 ⁹³。IEEE 802.11p 是从 IEEE 802.11 标准扩展出的通信协议，以支持移动环境中的车载通信 ⁹⁴。IEEE 1609 协议族是 WAVE 的高级协议，包括 1609.1、1609.2、1609.3、1609.4 等。⁹⁵、⁹⁶。具体而言，1609.1 是关于 WAVE 应用层资源管理的标准，1609.2 定义了安全消息格式及其处理，1609.3 定义了路由与传输服务，1609.4 主要提供多通道协作的通信标准。值得注意的是，联邦通信委员会（FCC）已于 2019 年重新划拨 70 MHz 的专用频段给 DSRC，并将该频段中的 20 MHz 专用于 C‑V2X 技术。2020 年，FCC 又将之前提议的 10 MHz 添加进来，正式将 30 MHz 的频谱分配给 C‑V2X 通信，并取消了对 DSRC 通信的支持 ⁹⁷。

2) C-V2x:

3GPP 对 C-V2X 技术的标准化可分为两个阶段，LTE-V2X 和 NR-V2X，二者相互补充，并在设计时考虑了前向兼容和后向兼容 ⁹⁸。C‑V2X 主要包括两种通信方式：1）基于蜂窝移动通信（使用 Uu 接口）；2）侧链通信（使用 PC5 接口） ⁹⁹。LTE-V2X 的标准化最初在 3GPP 版本 14 中完成，其主要应用场景是面向智能驾驶辅助的安全相关服务。版本 15 对 LTE-V2X 技术进行了增强，并支持了一些车联通信的增强应用。为支持高级 V2X 服务和 AD 的需求，3GPP 版本 16 与 17 对 NR-V2X 进行了研究，并基于 5G NR 对 PC5 与 Uu 接口进行了增强，目前相关标准已冻结 ¹⁰⁰。基于 4G 蜂窝通信的 LTE-V2X 是首个 C‑V2X 通信技术，定义了将蜂窝移动通信与侧链通信方式相结合的 C‑V2X 基本架构和技术原理 ¹⁰¹。基于 5G 通信的 NR-V2X 是 LTE-V2X 的进化版本。它遵循 LTE-V2X 中定义的 Uu 与 PC5 接口的系统架构和关键技术原理。同时，为支持未来一系列增强 V2X 服务，如车队协同、扩展传感器和远程驾驶，NR‑V2X 在 PC5 接口上加入了 5G NR 的新技术，以提供更高的数据速率、更低的延迟和超可靠的通信服务。在关键技术方面，NR‑V2X 除了广播之外，还支持单播和组播通信模式，并对资源分配与同步机制进行了自适应改进 ¹⁰².

B. 车辆通信的创新研究

面对 AD 和 IVs 对车载通信的严格要求，研究人员已在通信与网络的若干研究方向上提出对现有车载通信方式的改进与优化 ¹⁰³。在本部分，我们将简要介绍车载通信在物理层、媒体访问控制、路由与安全等方面的创新研究。

1) 物理层:

物理层是影响车联网性能的重要部分之一，它通过无线电通道实现车辆和交通数据的传输 ¹⁰⁴。目前，正交频分复用（OFDM）是车联网中的主要调制技术 ¹⁰⁵，因此许多研究致力于优化OFDM参数以确保可靠、高效的数据传输 ¹⁰⁶。此外，面对自动驾驶和智能车辆通信的数据速率需求，毫米波通信 ¹⁰⁷ 与可见光通信（VLC） ¹⁰⁸ 在车联网环境中已成为新兴研究方向。

2) 拥塞控制:

由于车联网的带宽有限，随着车辆大规模部署，大量终端的接入会导致通道拥塞，造成延迟甚至数据传输失败 ¹⁰⁹。拥塞控制通过功率基、速率基、混合、优先级基以及跨层方法来避免通道拥塞，并提升数据传输的稳定性和可靠性 ¹¹⁰。

3) 资源分配:

面对大批量车辆高速移动导致的动态通道接入和多用户干扰，车联网通过优化资源分配（如通道、带宽和发射功率）来最大化系统性能 ¹¹¹。对于DSRC，已有多项研究提出方案，如媒介访问控制（MAC）参数分配、通道分配和速率分配 ¹¹²。对于C-V2X，资源通过基于聚类、云计算、非正交多址接入（NOMA）和半持久调度的集中式方案以及基于位置、感知和增强随机化的分布式方案得到高效利用 ¹¹³。此外，机器学习，尤其是深度强化学习，作为解决复杂问题的强大分析技术，已成为资源分配和优化的重要方案 ¹¹⁴。

4) 路由:

在车联网中，车辆与其他单元（车辆或基础设施）之间的一跳通信范围有限，因此需要路由来实现车辆与车辆或路边基础设施之间的长距离数据交互 ¹¹⁵。然而，由于高速行驶的车辆导致拓扑结构频繁变化和连接不稳定，传统的无线通信路由方法已不再适用 ¹¹⁶。因此，许多研究提出了增强的车联网路由方案，以实现高效稳定的数据交换，包括基于位置、基于拓扑、基于地理广播、基于广播以及基于集群的路由协议 ¹¹⁷。各种路由协议通过优化延迟、距离、可靠性、能耗或路由安全性来提升车联网的服务质量（QoS）¹¹⁸。此外，随着机器学习的发展，基于学习的路由协议也受到越来越多关注 ¹¹⁹.

5) 安全:

IVs 通过车载通信与交通系统交互，以提升驾驶安全和交通效率 ¹²⁰。在此环境下，重放攻击、中间人攻击、冒充攻击、伪装攻击以及恶意第三方攻击等威胁车辆的信息安全甚至驾驶安全 ¹²¹。因此，面对车联网的安全需求，各项研究从认证、授权、机密性、数据完整性和可用性等方面防御恶意攻击 ¹²²。此外，基于机器学习的攻击检测和基于区块链的共识与防篡改已成为新的研究方向 ¹²³.

第五节. HD 地图

HD地图是现代自动驾驶（AD）的核心组成部分。地图信息支持AD的多项功能，包括定位、感知、规划、控制以及系统管理。与商业应用的导航地图不同，HD地图为AD系统服务，而非为人类驾驶员服务。此外，HD地图能够在厘米级精度内涵盖道路上的多种元素，如路标、信号灯、桥梁、路缘护栏、树木、拐角、运动物体等。

1. 组成与生成过程：HD地图的制作步骤可分为四个主要循环：1）数据采集；2）地图生成；3）半自动校正；4）验证。完成传感器（激光雷达、摄像头、雷达、GNSS、里程计等）的安装、校准和同步后，采集平台可在目标区域行驶并存储传感器数据。随后使用清晰、拼接方法、检测和分割算法生成粗略基础地图。引入半自动校正和人工验证后，可向地图添加车道交通标识和逻辑信息。通过一系列测试和验证流程，HD地图可发布并在IVs中的AD系统中使用。并且，当道路元素和区域发生变化时，HD地图可以进行更新和移除。

2. 类型与标准：根据元素的更新速率，HD地图可分为五个层级：1）基础地图；2）几何地图；3）语义地图；4）地图先验；5）实时层。几何地图是在基础地图（初始地图）上使用原始传感器数据构成的。语义地图在前一层的基础上引入静态语义信息，如车道边界、交叉口、停车位、停放标志、交通灯等。地图先验层包含动态信息和人类行为信息，如交通灯的变化顺序、平均等待时间、停车位车辆出现概率、停车位车辆平均速度等。自动驾驶算法通常在模型中将这些先验作为输入或特征，并将其与其他实时信息结合。实时知识层是地图中最高层，动态更新实时交通信息。

地理数据文件（GDF）已由 ISO/TC 204 发布，提供了用于地图信息存储与交换的基本版本。GDF-5.1 遵循本地动态地图（LDM）标准，并涉及多种信息，例如天气、交通状况、静态要素等。Open Autodrive Forum（OADF）积极推动 HD 地图的标准化，作为跨领域平台。Traveller Information Services Association（TISA）通过引入运输协议专家组（TPEGTM）来提升 HD 地图精度。Advanced Driver Assistance Systems Interface Specification（ADASIS）论坛发布了 V3 协议，以支持车辆内部系统（IVs）中的分发功能。此外，导航数据标准（NDS）和 OpenDRIVE 是生成 HD 地图的两大工业标准。

3. 数据质量：有五个测量标准来评估 AD 地图的质量：1) 准确性；2) 精度；3) 完整性；4) 一致性；以及 5) 时效性。准确性是实际值与映射值之间的偏差。精度指地图中最小可辨别单位。完整性指地图是否包含所有现实世界的特征。一致性表明数据结构、属性和关系的逻辑规则。时效性意味着从构建到使用之间的时间差。为提高数据质量，Wong 和 Ellul ¹²⁴ 提出了基于几何的度量方法，作为三维地图适配评估的一部分。Javanmardi 等人 ¹²⁵ 定义了四个标准，从布局、特征充分性、展示质量和局部相似性角度评估地图的车辆定位能力。Murphy 等人 ¹²⁶ 在地图匹配背景下提出了一种检测未映射或错误映射道路和停车场的方法，产生了更稳健的系统，甚至能够纠正底层地图中的错误。从类似但替代的视角来看，Yang 和 Huang ¹²⁷ 研究了如何使 IV 系统更能抵御对其传感器的恶意攻击。

第六节 测试

车辆测试自2016年以来已成为智能车辆领域的热门研究课题。一方面，生产智能车辆的多家公司在测试或运行期间遭遇车辆事故，这迫使人们迫切需要识别事故原因并修复复杂的智能车辆系统。另一方面，研究人员对通用智能系统的智能化测试越来越感兴趣。（人工智能测试——智能车辆案例研究；通过虚实交互进行车辆智能的并行测试）。

A. 测试平台

为了验证车辆算法，尤其是运动控制算法，应该设计一系列测试以验证控制策略。就测试模式而言，验证类型可分为仿真研究和实验测试。现实世界中的测试在时间、劳动力和金钱方面成本高昂。相比之下，仿真研究成本更低、速度更快、更具适应性，可用于创建难以在现实生活中复制的场景 ¹²⁸。

1) 仿真平台:

仿真已成为一种更占主导地位的方法，得益于仿真工具精度和速度的提升。National instruments 的 LabVIEW，作为一种图形化计算平台，广泛用于仿真程序的测试与测量 ¹²⁹。为建模车辆动力学，研究人员已利用商业工具 Carsim ¹³⁰、ADAMS ¹³¹、CARLA ¹³²、PreScan ¹³³ 以及 MATLAB/Simulink ¹³⁴ 对汽车行为进行仿真。SCANeR Studio 与 MATLAB/Simulink 结合使用，用以提供真实驾驶条件，测试 IV 运动控制器 ¹³⁵。微观交通仿真工具 VISSIM 10.0 ¹³⁶ 与 AutonoVi-Sim ¹³⁷ 被用于建模交通情景并实现 IV 控制。需要注意的是，模型误差应在验证与确认过程中被考虑，一个不准确的模型可能导致评估性能不可行。

2) 车辆平台:

一些研究人员将仿真研究作为性能验证的第一步，并进行实验测试以进一步验证。在文献中，实验测试可以由小型轻量化车辆 ¹³⁸ 以及道路车辆 ¹³⁹ 进行。小型轻量化车辆坚固且成本低，可以由单人携带，在各种环境条件下进行测试。此外，小型轻量化车辆可以高速行驶，而不必担心伤及人身或财产。其主要缺点是载重能力小，无法承载所需的计算能力。相反，图 4 所示的道路车辆能够在多种照明和气象条件下验证控制性能，但需要获得测试批准，例如伦理审批。

图 4. IVs 的外观。左侧车辆是西安交通大学的测试自主平台。右侧车辆是中国露天矿山的自主矿车。

B. 测试方法

随着研究进展，研究者逐步构建了开展研究的框架。他们总结了有效的方法，并聚焦于若干关键工作 ¹⁴⁰。

1) 测试划分:

研究者将测试分为功能测试、性能测试和智能测试三大子任务。功能测试关注车辆或其组件在给定特定条件下能否为特定输入获得所需输出（例如，激光雷达能否为位于 200 米远、尺寸为 1 \text{m}\times 1 米的物体提供超过三条点云输出？）。性能测试关注车辆在给定条件范围内是否能为特定输入范围获得所需输出。智能测试进一步要求车辆在更广泛、更抽象的驾驶场景中执行合理且智能的感知、规划和控制策略 ¹⁴¹。

2) 测试场景:

针对IV的智能测试，目前大多数研究人员从人工智能的行为智能视角进行分析。他们认为，如果一个IV在给定交通情景下能够成功且顺畅地驾驶，则它具备该情景下的驾驶智能。因此，如何确定必要的测试情景成为一个热门研究课题。为此，国际标准化组织提出了功能安全的国际标准（ISO 26262），旨在指出车辆在特定情景和特定输入下应获取的功能输出。此外，为了降低因系统相对功能缺失（设计不足或性能限制）或可预见的人为错误导致的不可接受风险，国际标准化组织提出了估计功能安全标准（ISO 21448），用于对受外部环境影响的功能进行功能测试，例如自动紧急制动（AEB）系统、车道保持系统和其他高级驾驶辅助系统（ADASs）。然而，对于IV的智能测试，必要的情景数量众多。迄今为止，基于人类专家指定的测试情景，寻找输入与输出的理想关系来高效可靠地测试车辆智能仍然困难 ¹⁴².

3) 基于学习的方法:

考虑到构建场景的难度以及大多数人工智能系统中数据驱动机器学习建模的趋势，研究人员提出了几种通过学习自然驾驶数据实现半自动或全自动场景生成的算法。尤其是，研究人员对两个问题表现出浓厚兴趣。第一个问题是如何快速识别困难的测试场景，以避免在不利于提升车辆性能的简单测试场景中浪费时间 ¹⁴³, ¹⁴⁴, ¹⁴⁵。另一个问题是尽可能覆盖所有可能的场景，以避免 IV 遇到难以处理的未测试场景 ¹⁴⁶, ¹⁴⁷。显然，平衡这两个问题很困难，且尚未解决。通过发现角落案例来揭示 IV 的智能局限是有益的，这值得进一步研究 ¹⁴⁸.

4) 并行测试:

由于进行真实测试耗时，大多数研究者将重点放在基于仿真的虚拟测试上 ¹⁴⁹, ¹⁵⁰, ¹⁵¹。一些著名公司的经验，例如 Waymo ¹⁵² 和 Nvidia ¹⁵³，表明精心设计的虚拟测试可以有效识别车辆的弱点并提供有用的改进方案。当前相关研究聚焦于如何确保仿真系统中模拟对象的内在行为合理性和外部表现多样性。例如，一些研究者讨论如何通过学习日常收集的驾驶数据来模拟人类驾驶员的行为，从而在仿真系统中准确再现有人驾驶与无人驾驶车辆之间的相互作用 ¹⁵⁴。利用深度学习模型进行图像转换，并从转换日常驾驶收集的场景图像中获取罕见的特殊场景图像，这一方法已受到许多研究者的青睐 ¹⁵⁵, ¹⁵⁶.

到目前为止，IV 测试领域仍存在许多需要解决的困难。可以预测，测试的发展将在未来十年进入关键阶段。

第七节：智能车辆中的人类行为

人类行为和人因问题是智能车辆的重要议题，因为它们决定了智能车辆的广泛接受度。对人类行为进行建模与理解也能促进人与车辆之间相互理解与信任的建立。然而，人类是一个高度复杂的系统，统一的人类行为建模框架仍需进一步研究 ¹⁵⁷。本节将根据自动化等级（SAE J3016）讨论人类行为和人因问题，因为不同自动化级别下的人类行为差异可能显著 ¹⁵⁸。

A. 驾驶员辅助与部分驾驶自动化 (L1–L2)

在 L1 或 L2 AD 车辆上，驾驶员仍然处于车辆控制环路中，即使脚或手不放在踏板和方向盘上，也应进行（心理）驾驶。在此情况下，驾驶员可以从一系列 ADAS 中受益，例如车道偏离警告（LDW）¹⁵⁹、车道偏离辅助（LDA）¹⁶⁰、自适应巡航控制（ACC）¹⁶¹、车道保持辅助（LKA）¹⁶² 等等。为了向驾驶员提供准确的协助，已经开发了几个热门研究领域，包括疲劳（肌肉/心理）/困倦检测 ¹⁶³、驾驶员意图推断 ¹⁶⁴、注意力 ¹⁶⁵、工作负荷 ¹⁶⁶、情绪 ¹⁶⁷ 和分心 ¹⁶⁸。这些辅助系统通常可以分为两个基本组，分别是物理（生理）-行为和心理行为基础的方法。

B. 条件驾驶自动化 (L3)

在 L3 AD 车辆上，人工驾驶员仍可从事辅助任务，且不再需要长期监控。人工驾驶员仅需保持在场，并随时能够接管控制，尤其是在系统故障和周围环境不确定导致紧急情况时。然而，L3 自动化的一个著名缺点是人工驾驶员无法保证在面对时间受限的决策情境时提供高质量且安全的接管控制 ¹⁶⁹。因此，关于 L3 人因问题最广泛研究的点是接管控制算法的设计、重新接管控制以及控制权的平滑切换 ¹⁷⁰.

C. 高/全自动驾驶 (L4–L5)

在更高级别的自动化下，驾驶员不再需要在必要时保持适当的情境意识以控制车辆。然而，也可能出现复杂问题，其中之一是人类如何理解并与自主系统合作。为了实现对更高级别 IV 的接受和行为适应，需要建立驾驶员信任.

驾驶员信任目前是 AD 和 IV 普及及商业化的主要原因。正如 ¹⁷¹ 所示，人类对 IV 的信任在很大程度上取决于自动化的驾驶性能，考虑到安全、舒适性、可预测性以及对关键情境的伦理响应。最近的一项研究 ¹⁷² 支持了这样一种观点：自驾汽车的初始引入会引发意外的反应和情况，这可能影响公众对新技术的信任水平。Choi 和 Ji ¹⁷³ 调查了 552 名驾驶员对 AD 的态度，结果表明对自主性的信任是最具主导性的因素。根据对 162 名特斯拉驾驶员对 Autopilot 和 Summon 系统信任的调查 ¹⁷⁴，研究发现，如果提供出色的系统能力介绍，系统的初始信任水平可以建立，且随着时间推移，系统使用频率会增加，无论参与者是否经历过自动化失败.

D. 人机界面

AD 技术使人机界面（HMI）的设计更加复杂，因为 AD 车辆的 HMI 系统依赖于以人为中心的设计方法 ¹⁷⁵，以确保安全意识、相互信任、愉悦和舒适 ¹⁷⁶。目前，HMI 系统成为使驾驶员与车辆协同工作的核心模块。HMI 系统的设计是一项系统工程任务 ¹⁷⁷，本节聚焦于车舱内外 HMI 设计的介绍。

对于 L4/L5，车辆的自动驾驶功能预计将完全负责驾驶任务，甚至不再需要人类驾驶员维持驾驶知识和技能。因此，要求人类使用者充分理解上下文变得困难。相反，只需向人类报告并展示与车辆行为和未来规划相关的安全信息 ¹⁷⁸。在 ¹⁷⁹ 中提出了对高度 AD 车辆各种 HMI 类型的满意分类。具体而言，车载 HMI 系统可分为五类：动态 HMI、自动化 HMI、信息 HMI、车辆 HMI 和外部 HMI。三项推荐的 HMI 设计要素在 ¹⁸⁰ 中被引入。首先，抬头显示可以避免人类驾驶员的注意力分散。其次，HMI 系统应协助完成时间受限的操控和决策。最后，需要驾驶员监测系统以帮助理解人类状态，从而实现高质量的可视化和解释。在 ¹⁸¹ 中讨论了对 HMI 设计的专家评估研究。根据专家评估，HMI 最重要的两个功能是：1) 展示自动化可用性、导航和环境信息；2) 通过语音指令、LED 条灯和座椅摆动来提高驾驶员的注意力。

E. 智能驾驶舱系统

智能驾驶舱（IC）设计是近年来针对IVs的又一新兴议题。事实上，一些针对低自动化车辆的传统IC技术，如驾驶行为监测技术，已经可以适配 ¹⁸²。然而，为满足IVs在安全、保障、舒适度、HMI和娱乐方面更严格的要求，更具挑战性的技术正被积极研发。关于安全问题，正如在 ¹⁸³ 中所讨论的那样，若在关键情况下需要人工干预，应该为IVs开发一种高效的双向通信机制。对于完全IVs，这种信息交换在IC中也很重要，以便人类乘客通过可视化更多时间敏感的交通上下文信息来保持适当的情境感知并对自动化产生信任 ¹⁸⁴。随着更先进的车联网技术，例如V2X、区块链和联邦学习已被引入IVs ¹⁸⁵，IVs正演变为移动信息中心。在这种情况下，网络安全为IC提出了另一个戏剧性的挑战，因为它是保护用户隐私和安全、确保顺畅旅程以及使所有车载技术符合伦理和政策问题的基本要求。对于IVs的IC而言，舒适度考虑也不同于传统车辆。已证明HMI对舒适度的影响最大，其次是热环境、声学环境和光学环境 ¹⁸⁶。近期关于IVs的人体晕动病研究也得出了类似结论 ¹⁸⁷，因为在IVs上更易出现晕动病，而HMI可以缓解这些问题 ¹⁸⁸。总之，IVs的IC不仅应考虑娱乐功能，还需解决由IVs本质引发的一系列安全、保障、舒适度、人因因素，甚至能耗挑战。

第八节 结论

本文是我们工作（技术综述的第一部分）的第二部分。在本文中，我们综述了自动驾驶与智能车辆（AD和IVs）研究发展及其里程碑的广泛介绍。此外，我们介绍了大量部署细节、测试方法和独特观点。与另外两部分结合，我们期望整个工作为研究者和学者提供新颖多样的见解，并成为过去与未来之间的桥梁。

参考文献

[1] L. Chen, “自动驾驶与智能车辆的里程碑：综述综述”, IEEE Trans. Intell. Veh., vol. 8, no. 2, pp. 1046–1056, Feb. 2023. IEEE: https://ieeexplore.ieee.org/document/9963987 Google Scholar

[2] S. Kuutti, R. Bowden, Y. Jin, P. Barber, and S. Fallah, “深度学习在自动驾驶控制中的应用综述”, IEEE Trans. Intell. Transp. Syst., vol. 22, no. 2, pp. 712–733, Feb. 2021. IEEE: https://ieeexplore.ieee.org/document/8951131 Google Scholar

[3] S. Arefizadeh and A. Talebpour, “在限速波动情况下自动驾驶车辆编队策略”, Transp. Res. Rec., vol. 2672, no. 20, pp. 154–161, 2018. DOI: https://doi.org/10.1177/0361198118784176 Google Scholar

[4] A. A. Malikopoulos, S. Hong, B. B. Park, J. Lee, and S. Ryu, “自动驾驶车辆速度和谐的最优控制”, IEEE Trans. Intell. Transp. Syst., vol. 20, no. 7, pp. 2405–2417, Jul. 2019. IEEE: https://ieeexplore.ieee.org/document/8464283 Google Scholar

[5] X. Li, A. Ghiasi, Z. Xu, and X. Qu, “用于互联自动驾驶车辆的分段轨迹优化模型：精确优化算法与排队传播分析”, Transp. Res. B, Methodol., vol. 118, pp. 429–456, Dec. 2018. DOI: https://doi.org/10.1016/j.trb.2018.11.002 Google Scholar

[6] P. Hao, G. Wu, K. Boriboonsomsin, and M. J. Barth, “在真实交通中对感应信号的生态接近与离去（EAD）应用”, IEEE Trans. Intell. Transp. Syst., vol. 20, no. 1, pp. 30–40, Jan. 2019. IEEE: https://ieeexplore.ieee.org/document/8319909 Google Scholar

[7] H. M. Kim, J. Dickerson, and B. Kosko, “智能汽车编队的模糊油门与刹车控制”, Fuzzy Sets Syst., vol. 84, no. 3, pp. 209–234, 1996. DOI: https://doi.org/10.1016/0165-0114(95)00326-6 Google Scholar

[8] S.-B. Choi 和 J. Hedrick， “汽车发动机稳健油门控制：理论与实验”， J. Dyn. Sys., Meas., Control， vol. 118， no. 1， pp. 92–98， 1996。 DOI: https://doi.org/10.1115/1.2801156 Google Scholar

[9] Y. Zhou， M. Wang，和 S. Ahn， “用于协同跟车的分布式模型预测控制方法，保证局部和串联稳定性”， Transp. Res. B, Methodol.， vol. 128， pp. 69–86， Oct. 2019。 DOI: https://doi.org/10.1016/j.trb.2019.07.001 Google Scholar

[10] K. Huang， X. Di， Q. Du，和 X. Chen， “面向自动驾驶车辆速度控制的博弈论框架：微观微分游戏与宏观平均场游戏的桥梁”， 2019， arXiv:1903.06053。 Google Scholar

[11] Y. Wu， L. Wang， J. Zhang，和 F. Li， “基于无奇异终端滑模和主动干扰抑制控制的自动地面车辆路径跟踪控制”， IEEE Trans. Veh. Technol.， vol. 68， no. 7， pp. 6379–6390， Jul. 2019。 IEEE: https://ieeexplore.ieee.org/document/8715467 Google Scholar

[12] J. Mar 和 F.-J. Lin， “用于车跟车碰撞预防系统的 ANFIS 控制器”， IEEE Trans. Veh. Technol.， vol. 50， no. 4， pp. 1106–1113， Jul. 2001。 IEEE: https://ieeexplore.ieee.org/document/938584 Google Scholar

[13] D. Swaroop， J. K. Hedrick，和 S. B. Choi， “车辆车队的直接自适应纵向控制”， IEEE Trans. Veh. Technol.， vol. 50， no. 1， pp. 150–161， Jan. 2001。 IEEE: https://ieeexplore.ieee.org/document/917908 Google Scholar

[14] X. Chen， Y. Zhai， C. Lu， J. Gong，和 G. Wang， “面向个性化自适应巡航控制的学习模型”， in Proc. IEEE Intell. Veh. Symp. (IV)， 2017， pp. 379–384。 IEEE: https://ieeexplore.ieee.org/document/7995748 Google Scholar

[15] X. Dai， C.-K. Li，和 A. B. Rad， “基于强化学习的模糊控制器调参方法，用于自动驾驶车辆控制”， IEEE Trans. Intell. Transp. Syst.， vol. 6， no. 3， pp. 285–293， Sep. 2005。 IEEE: https://ieeexplore.ieee.org/document/1504788 Google Scholar

[16] S. Teng， “自动驾驶的运动规划：现状与未来展望”， IEEE Trans. Intell. Veh.， early access， May 9, 2023， doi: 10.1109/TIV.2023.3274536。 IEEE: https://ieeexplore.ieee.org/document/10122127 Google Scholar

[17] S. Gong, J. Shen, and L. Du, “受限优化与分布式计算基础的连网与自动驾驶车辆车队跟随控制，” Transp. Res. B, Methodol., vol. 94, pp. 314–334, Dec. 2016. DOI: https://doi.org/10.1016/j.trb.2016.09.016 Google Scholar

[18] L. Claussmann, M. Revilloud, D. Gruyer, and S. Glaser, “高速公路自动驾驶运动规划综述，” IEEE Trans. Intell. Transp. Syst., vol. 21, no. 5, pp. 1826–1848, May 2020. IEEE: https://ieeexplore.ieee.org/document/8715479 Google Scholar

[19] Q. Zhang, R. Langari, H. E. Tseng, D. Filev, S. Szwabowski, and S. Coskun, “一种基于博弈理论的模型预测控制器与侵略性估计用于强制变道，” IEEE Trans. Intell. Veh., vol. 5, no. 1, pp. 75–89, Mar. 2020. IEEE: https://ieeexplore.ieee.org/document/8910456 Google Scholar

[20] R. Marino, S. Scalzi, and M. Netto, “嵌套 PID 方向控制用于自动驾驶车辆的车道保持，” Control Eng. Pract., vol. 19, no. 12, pp. 1459–1467, 2011. DOI: https://doi.org/10.1016/j.conengprac.2011.08.005 Google Scholar

[21] E. Kim, J. Kim, and M. Sunwoo, “考虑转向执行器动态的自动驾驶车辆平滑路径跟踪模型预测控制策略，” Int. J. Autom. Technol., vol. 15, no. 7, pp. 1155–1164, 2014. DOI: https://doi.org/10.1007/s12239-014-0120-9 Google Scholar

[22] L. Ganzelmeier, J. Helbig, and E. Schnieder, “车辆动力学的鲁棒性与性能的先进控制，” in Proc. IEEE Int. Transp. Conf., 2001, pp. 25–29. Google Scholar

[23] M. S. Netto, S. Chaib, and S. Mammar, “车辆车道保持的横向自适应控制，” in Proc. Amer. Control Conf., vol. 3, 2004, pp. 2693–2698. IEEE: https://ieeexplore.ieee.org/document/1383872 Google Scholar

[24] T. Besselmann and M. Morari, “使用显式 LPV-MPC 的自动驾驶车辆转向，” in Proc. Eur. Control Conf. (ECC), 2009, pp. 2628–2633. IEEE: https://ieeexplore.ieee.org/document/7074802 Google Scholar

[25] J. Liu, L. Gao, J. Zhang, and F. Yan, “基于主动前转向与直接偏航矩控制的碰撞避免系统的超旋转算法二阶滑模控制，” Proc. Inst. Mech. Eng. D, J. Automobile Eng., vol. 235, no. 1, pp. 43–54, 2021. DOI: https://doi.org/10.1177/0954407020948298 Google Scholar

[26] B. Arifin, B. Y. Suprapto, S. A. D. Prasetyowati, and Z. Nawawi, “在电动助力转向（EPS）自动驾驶车辆中使用 type-2 模糊逻辑控制和 Pi 控制的转向控制,” World Electr. Veh. J., vol. 13, no. 3, p. 53, 2022. DOI: https://doi.org/10.3390/wevj13030053 Google Scholar

[27] H. M. Eraqi, M. N. Moustafa, and J. Honer, “考虑时间依赖的端到端深度学习转向自动驾驶车辆,” 2017, arXiv:1710.03804. Google Scholar

[28] H. Yu, H. E. Tseng, and R. Langari, “一种基于人类行为的博弈论自动变道控制器,” Transp. Res. C, Emerg. Technol., vol. 88, pp. 140–158, Mar. 2018. DOI: https://doi.org/10.1016/j.trc.2018.01.016 Google Scholar

[29] Z. Huang, X. Xu, H. He, J. Tan, and Z. Sun, “面向自动化陆地车辆纵向控制的参数化批量强化学习,” IEEE Trans. Syst., Man, Cybern., Syst., vol. 49, no. 4, pp. 730–741, Apr. 2019. IEEE: https://ieeexplore.ieee.org/document/8002677 Google Scholar

[30] L. Cai, A. B. Rad, and W.-L. Chan, “一种用于半自动驾驶车辆的智能纵向控制器,” IEEE Trans. Ind. Electron., vol. 57, no. 4, pp. 1487–1497, Apr. 2010. IEEE: https://ieeexplore.ieee.org/document/5210154 Google Scholar

[31] Z. Sun, J. Zheng, Z. Man, M. Fu, and R. Lu, “车辆电线转向系统的嵌套自适应超扭转滑模控制设计,” Mech. Syst. Signal Process., vol. 122, pp. 658–672, May 2019. DOI: https://doi.org/10.1016/j.ymssp.2018.12.050 Google Scholar

[32] J. Guo, P. Hu, L. Li, and R. Wang, “基于遗传算法的无人车辆轨迹跟踪自动转向控制器设计,” IEEE Trans. Veh. Technol., vol. 61, no. 7, pp. 2913–2924, Sep. 2012. IEEE: https://ieeexplore.ieee.org/document/6209444 Google Scholar

[33] O. Pauca, C. F. Caruntu, and C. Lazar, “自动驾驶车辆横向和纵向动力学的预测控制,” in Proc. 23rd Int. Conf. Syst. Theory, Control Comput. (ICSTCC), 2019, pp. 797–802. IEEE: https://ieeexplore.ieee.org/document/8885839 Google Scholar

[34] S. A. Nobe 和 F.-Y. Wang, “自动侧向和纵向车辆控制近期进展概览,” 见 IEEE 计算机系统、人工与网络国际会议（Int. Conf. Syst., Man, Cybern.）、电子系统与电子人网络与网络空间（E-Syst. E-Man Cybern. Cyberspace），第5卷, 2001, 页 3447–3452。 IEEE: https://ieeexplore.ieee.org/document/972053 Google Scholar

[35] V. Rausch、A. Hansen、E. Solowjow、C. Liu、E. Kreuzer 和 J. K. Hedrick, “学习深度神经网络策略用于端到端自动驾驶车辆控制,” 见美国控制会议（ACC）论文集, 2017, 页 4914–4919。 IEEE: https://ieeexplore.ieee.org/document/7963716 Google Scholar

[36] P. Gáspár、Z. Szabó 和 J. Bokor, “基于 LPV 方法的重型车辆集成控制系统设计,” 见第44届 IEEE 决策控制会议论文集, 2005, 页 6722–6727。 IEEE: https://ieeexplore.ieee.org/document/1583242 Google Scholar

[37] S. Teng、L. Chen、Y. Ai、Y. Zhou、Z. Xuanyuan 和 X. Hu, “层次可解释模仿学习用于端到端自动驾驶,” IEEE Intelligent Vehicles Transactions, 第8卷第1期, 页 673–683, 2023年1月。 IEEE: https://ieeexplore.ieee.org/document/9965619 Google Scholar

[38] G. Yu 和 I. K. Sethi, “连续学习的跟随道路,” 见智能车辆研讨会论文集, 1995, 页 412–417。 IEEE: https://ieeexplore.ieee.org/document/528317 Google Scholar

[39] P. Wang、C.-Y. Chan 和 A. de La Fortelle, “基于强化学习的自动车道变道方法,” 见 IEEE Intelligent Vehicles Symposium (IV) 论文集, 2018, 页 1379–1384。 IEEE: https://ieeexplore.ieee.org/document/8500556 Google Scholar

[40] H. Chae、C. M. Kang、B. Kim、J. Kim、C. C. Chung 和 J. W. Choi, “通过深度强化学习的自动制动系统,” 见 IEEE 第20届国际智能交通系统会议 (ITSC) 论文集, 2017, 页 1–6。 IEEE: https://ieeexplore.ieee.org/document/8317839 Google Scholar

[41] J. E. Naranjo、C. González、R. García 和 T. De Pedro, “ACC+ 停止-行驶机动与油门和制动模糊控制,” IEEE Intelligent Transportation Systems Transactions, 第7卷第2期, 页 213–225, 2006年6月。 IEEE: https://ieeexplore.ieee.org/document/1637676 Google Scholar

[42] C. V. Samak、T. V. Samak 和 S. Kandhasamy, “自动驾驶车辆的控制策略,” 见《Autonomous Driving and Advanced Driver-Assistance Systems (ADAS)》, 佛罗里达州博卡拉顿, 美国 : CRC Press, 2021, 页 37–86。 DOI: https://doi.org/10.1201/9781003048381-3 Google Scholar

[43] L. Liu, “用于自动驾驶的计算系统：现状与挑战,” IEEE Internet Things J., vol. 8, no. 8, pp. 6469–6486, Apr. 2021. IEEE: https://ieeexplore.ieee.org/document/9288755 Google Scholar

[44] U. Muller, J. Ben, E. Cosatto, B. Flepp, and Y. Cun, “通过端到端学习实现越野障碍物规避,” in Proc. Adv. Neural Inf. Process. Syst., vol. 18, 2005, pp. 1–8. Google Scholar

[45] S.-C. Lin, “自动驾驶的架构影响：约束与加速,” in Proc. 23rd Int. Conf. Archit. Support Programming Lang. Oper. Syst., 2018, pp. 751–766. DOI: https://doi.org/10.1145/3173162.3173191 Google Scholar

[46] S. Liu, L. Liu, J. Tang, B. Yu, Y. Wang, and W. Shi, “用于自动驾驶的边缘计算：机遇与挑战,” Proc. IEEE, vol. 107, no. 8, pp. 1697–1716, Aug. 2019. IEEE: https://ieeexplore.ieee.org/document/8744265 Google Scholar

[47] P. K. D. Jagannadha, “专题会议：NVIDIA drive-AGX 平台的系统内测试（IST）架构,” in Proc. IEEE 37th VLSI Test Symp. (VTS), 2019, pp. 1–8. IEEE: https://ieeexplore.ieee.org/document/8758636 Google Scholar

[48] V. Boppana, S. Ahmad, I. Ganusov, V. Kathail, V. Rajagopalan, and R. Wittig, “Ultrascale+ MPSoC 与 FPGA 系列,” in Proc. IEEE Hot Chips 27 Symp. (HCS), 2015, pp. 1–37. IEEE: https://ieeexplore.ieee.org/document/7477457 Google Scholar

[49] N. P. Jouppi, “从三代演进中获得的十条经验，塑造了谷歌 TPUv4i：工业产品,” in Proc. ACM/IEEE 48th Annu. Int. Symp. Comput. Archit. (ISCA), 2021, pp. 1–14. IEEE: https://ieeexplore.ieee.org/document/9499913 Google Scholar

[50] L. Chen, Y. Zhang, B. Tian, Y. Ai, D. Cao, and F.-Y. Wang, “并行驾驶操作系统：在 CPSS 中广泛使用的自动驾驶操作系统,” IEEE Trans. Intell. Veh., vol. 7, no. 4, pp. 886–895, Dec. 2022. IEEE: https://ieeexplore.ieee.org/document/9956903 Google Scholar

[51] D. Hildebrand, “QNX 的架构概览,” in Proc. USENIX Workshop Microkernels Other Kernel Archit., 1992, pp. 113–126. Google Scholar

[52] P. Hambarde, R. Varma, and S. Jha, “实时操作系统的调查：RTOS,” in Proc. Int. Conf. Electron. Syst., Signal Process. Comput. Technol., 2014, pp. 34–39. IEEE: https://ieeexplore.ieee.org/document/6745342 Google Scholar

[53] T. Wu, “哎呀！太晚了。你的自动驾驶系统需要更快的中间件”， IEEE Robot. Autom. Lett., vol. 6, no. 4, pp. 7301–7308, Oct. 2021. IEEE: https://ieeexplore.ieee.org/document/9488177 Google Scholar

[54] M. Quigley, “ROS：一款开源机器人操作系统”， in Proc. ICRA Workshop Open Source Softw., vol. 3, 2009, p. 5. Google Scholar

[55] V. DiLuoffo, W. R. Michalson, and B. Sunar, “机器人操作系统 2：对机器人架构进行整体安全方法的需求”， Int. J. Adv. Robot. Syst., vol. 15, no. 3, 2018, Art. no. 1729881418770011. DOI: https://doi.org/10.1177/1729881418770011 Google Scholar

[56] M. A. Fayazbakhsh and M. Bahrami, “使用热平衡方法对车辆空调负荷进行全面建模”， SAE, Warrendale, PA, USA, Tech. Paper 2013-01-1507, 2013. DOI: https://doi.org/10.4271/2013-01-1507 Google Scholar

[57] D. J. Yeong, G. Velasco-Hernandez, J. Barry, and J. Walsh, “传感器及传感器融合技术在自动驾驶中的综述,” Sensors, vol. 21, no. 6, p. 2140, 2021. DOI: https://doi.org/10.3390/s21062140 Google Scholar

[58] J. Fayyad, M. A. Jaradat, D. Gruyer, and H. Najjaran, “深度学习传感器融合在自动驾驶感知与定位中的综述,” Sensors, vol. 20, no. 15, p. 4220, 2020. DOI: https://doi.org/10.3390/s20154220 Google Scholar

[59] Y. Li, “深度学习在自动驾驶 LiDAR 点云中的综述,” IEEE Trans. Neural Netw. Learn. Syst., vol. 32, no. 8, pp. 3412–3432, Aug. 2021. IEEE: https://ieeexplore.ieee.org/document/9173706 Google Scholar

[60] 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, p. 4093, 2019. DOI: https://doi.org/10.3390/app9194093 Google Scholar

[61] D. Wang, C. Watkins, and H. Xie, “LiDAR 用 MEMS 反射镜综述,” Micromachines, vol. 11, no. 5, p. 456, 2020. DOI: https://doi.org/10.3390/mi11050456 Google Scholar

[62] Y. Cui, “用于自动驾驶中图像与点云融合的深度学习综述,” IEEE Trans. Intell. Transp. Syst., vol. 23, no. 2, pp. 722–739, Feb. 2022. IEEE: https://ieeexplore.ieee.org/document/9380166 Google Scholar

[63] T. Zhou, M. Yang, K. Jiang, H. Wong, and D. Yang, “基于MMW雷达的自动驾驶技术综述,” Sensors, vol. 20, no. 24, p. 7283, 2020. DOI: https://doi.org/10.3390/s20247283 Google Scholar

[64] D. Ma, N. Shlezinger, T. Huang, Y. Liu, and Y. C. Eldar, “针对自动驾驶车辆的雷达-通信联合策略：结合两种关键汽车技术,” IEEE Signal Process. Mag., vol. 37, no. 4, pp. 85–97, Jul. 2020. IEEE: https://ieeexplore.ieee.org/document/9127852 Google Scholar

[65] S. Saponara, M. S. Greco, and F. Gini, “自动驾驶车辆和智能交通系统中的雷达芯片/封装：机遇与挑战,” IEEE Signal Process. Mag., vol. 36, no. 5, pp. 71–84, Sep. 2019. IEEE: https://ieeexplore.ieee.org/document/8830483 Google Scholar

[66] S. H. Javadi and A. Farina, “雷达网络：特性与挑战综述,” Inf. Fusion, vol. 61, pp. 48–55, Sep. 2020. DOI: https://doi.org/10.1016/j.inffus.2020.03.005 Google Scholar

[67] H. Mousazadeh, “关于农业自动驾驶越野车辆导航系统的技术综述,” J. Terramech., vol. 50, no. 3, pp. 211–232, 2013. DOI: https://doi.org/10.1016/j.jterra.2013.03.004 Google Scholar

[68] H. Jing, Y. Gao, S. Shahbeigi, and M. Dianati, “基于GNSS/INS的定位系统对自动驾驶车辆完整性监测：前沿技术与未解决挑战,” IEEE Trans. Intell. Transp. Syst., vol. 23, no. 9, pp. 14166–14187, Sep. 2022. IEEE: https://ieeexplore.ieee.org/document/9729789 Google Scholar

[69] F. Rosique, P. J. Navarro, C. Fernández, and A. Padilla, “针对自动驾驶车辆研究的感知系统与模拟器系统综述,” Sensors, vol. 19, no. 3, p. 648, 2019. DOI: https://doi.org/10.3390/s19030648 Google Scholar

[70] A. S. Mohammed, A. Amamou, F. K. Ayevide, S. Kelouwani, K. Agbossou, and N. Zioui, “智能地面车辆在所有气候条件下的感知系统：系统文献综述,” Sensors, vol. 20, no. 22, p. 6532, 2020. DOI: https://doi.org/10.3390/s20226532 Google Scholar

[71] “BSI CAV 标准路线图。” 2022. [Online]. Available: https://www.bsigroup.com/globalassets/localfiles/en-gb/cav/cav-standards-roadmap/cav-standards-roadmap-2022.pdf Google Scholar

[72] Y. Gao, “端到端并行自主采矿：面向物联网的方法，” IEEE Internet Things J., vol. 7, no. 2, pp. 1011–1023, Feb. 2020. IEEE: https://ieeexplore.ieee.org/document/8877770 Google Scholar

[73] B. Van Meldert and L. De Boeck, “在物流中引入自主车辆：从广阔视角的综述，” KU Leuven, Leuven, Belgium, FEB Res. Rep. KBI_1618, 2016. Google Scholar

[74] D. Omeiza, H. Webb, M. Jirotka, and L. Kunze, “自主驾驶中的解释：一项调查，” IEEE Trans. Intell. Transp. Syst., vol. 23, no. 8, pp. 10142–10162, Aug. 2022. IEEE: https://ieeexplore.ieee.org/document/9616449 Google Scholar

[75] É. Zablocki, H. Ben-Younes, P. Pérez, and M. Cord, “基于视觉的自主驾驶系统的可解释性：回顾与挑战，” 2021, arXiv:2101.05307. Google Scholar

[76] S. Atakishiyev, M. Salameh, H. Yao, and R. Goebel, “面向自主驾驶的可解释人工智能：全面概述及未来研究方向的实用指南，” 2021, arXiv:2112.11561. Google Scholar

[77] H. Hartenstein and L. Laberteaux, “关于车载自组织网络的教程式综述，” IEEE Commun. Mag., vol. 46, no. 6, pp. 164–171, Jun. 2008. IEEE: https://ieeexplore.ieee.org/document/4539481 Google Scholar

[78] K. Abboud, H. A. Omar, and W. Zhuang, “DSRC 与蜂窝网络技术在 V2X 通信中的互操作：一项调查，” IEEE Trans. Veh. Technol., vol. 65, no. 12, pp. 9457–9470, 2016. IEEE: https://ieeexplore.ieee.org/document/7513432 Google Scholar

[79] S. Chen, J. Hu, Y. Shi, L. Zhao, and W. Li, “C-V2X 的愿景：技术、现场测试以及与中国发展的挑战，” IEEE Internet Things J., vol. 7, no. 5, pp. 3872–3881, May 2020. IEEE: https://ieeexplore.ieee.org/document/9001049 Google Scholar

[80] R. A. Uzcátegui, A. J. De Sucre, and G. Acosta-Marum, “Wave：教程，” IEEE Commun. Mag., vol. 47, no. 5, pp. 126–133, May 2009. IEEE: https://ieeexplore.ieee.org/document/4939288 Google Scholar

[81] S. Zeadally, J. Guerrero, and J. Contreras, “关于车与车通信的教程综述,” Telecommun. Syst., vol. 73, no. 3, pp. 469–489, 2020. DOI: https://doi.org/10.1007/s11235-019-00639-8 Google Scholar

[82] F. A. Teixeira, V. F. e Silva, J. L. Leoni, D. F. Macedo, and J. M. Nogueira, “使用IEEE 802.11p标准的车载网络：实验分析,” Veh. Commun., vol. 1, no. 2, pp. 91–96, 2014. DOI: https://doi.org/10.1016/j.vehcom.2014.04.001 Google Scholar

[83] M. Dibaei, “探讨利用区块链和机器学习来保障车载网络安全的前景：综述,” IEEE Trans. Intell. Transp. Syst., vol. 23, no. 2, pp. 683–700, Feb. 2022. IEEE: https://ieeexplore.ieee.org/document/9519843 Google Scholar

[84] “使用5.850-5.925 GHz频段：首次报告与命令、进一步的拟议规则制定通知以及拟议修改的命令,” Fed. Commun. Comm., Washington, DC, USA, document FCC 20-164, 2020. [Online]. Available: https://docs.fcc.gov/public/attachments/FCC-20-164A1.pdf Google Scholar

[85] S. Gyawali, S. Xu, Y. Qian, and R. Q. Hu, “基于蜂窝网络的V2X通信的挑战与解决方案,” IEEE Commun. Surveys Tuts., vol. 23, no. 1, pp. 222–255, 1st Quart., 2021. IEEE: https://ieeexplore.ieee.org/document/9217500 Google Scholar

[86] M. Hasan, S. Mohan, T. Shimizu, and H. Lu, “保障车对万物（V2X）通信平台,” IEEE Trans. Intell. Veh., vol. 5, no. 4, pp. 693–713, Dec. 2020. IEEE: https://ieeexplore.ieee.org/document/9068410 Google Scholar

[87] S. Chen, J. Hu, Y. Shi, and L. Zhao, “LTE-V：基于TD-LTE的未来车载网络V2X解决方案,” IEEE Internet Things J., vol. 3, no. 6, pp. 997–1005, Dec. 2016. IEEE: https://ieeexplore.ieee.org/document/7572192 Google Scholar

[88] G. Naik, B. Choudhury, and J.-M. Park, “IEEE 802.11bd 与 5G NR V2X：V2X通信无线接入技术的演进,” IEEE Access, vol. 7, pp. 70169–70184, 2019. IEEE: https://ieeexplore.ieee.org/document/8723326 Google Scholar

[89] E. Ahmed and H. Gharavi, “协同车载网络：综述,” IEEE Trans. Intell. Transp. Syst., vol. 19, no. 3, pp. 996–1014, Mar. 2018. IEEE: https://ieeexplore.ieee.org/document/8302837 Google Scholar

[90] L. Liang, H. Peng, G. Y. Li, and X. Shen, “车载通信：物理层视角,” IEEE Trans. Veh. Technol., vol. 66, no. 12, pp. 10647–10659, Dec. 2017. IEEE: https://ieeexplore.ieee.org/document/8031287 Google Scholar

[91] J. Wang, J. Liu, and N. Kato, “自动驾驶中的网络与通信：综述,” IEEE Commun. Surveys Tuts., vol. 21, no. 2, pp. 1243–1274, 2nd Quart., 2019. IEEE: https://ieeexplore.ieee.org/document/8584062 Google Scholar

[92] S. Arslan and M. Saritas, “OFDM 设计参数对 V2X 通信性能的影响：综述,” Veh. Commun., vol. 7, pp. 1–6, Jan. 2017. DOI: https://doi.org/10.1016/j.vehcom.2017.01.004 Google Scholar

[93] K. Z. Ghafoor, “毫米波通信在车联网中的应用：现状、挑战与前景,” IEEE Internet Things J., vol. 7, no. 9, pp. 8525–8546, Sep. 2020. IEEE: https://ieeexplore.ieee.org/document/9086821 Google Scholar

[94] A. Memedi and F. Dressler, “车载可见光通信：综述,” IEEE Commun. Surveys Tuts., vol. 23, no. 1, pp. 161–181, 1st Quart., 2021. IEEE: https://ieeexplore.ieee.org/document/9241073 Google Scholar

[95] A. Paranjothi, M. S. Khan, and S. Zeadally, “连接车辆拥堵检测与控制综述,” Ad Hoc Netw., vol. 108, Nov. 2020, Art. no. 102277. DOI: https://doi.org/10.1016/j.adhoc.2020.102277 Google Scholar

[96] K. Rashmi and R. Patil, “VANET 中鲁棒通信的跨层方法综述,” Wireless Pers. Commun., vol. 119, no. 4, pp. 3413–3434, 2021. DOI: https://doi.org/10.1007/s11277-021-08414-2 Google Scholar

[97] M. Noor-A-Rahim, Z. Liu, H. Lee, G. M. N. Ali, D. Pesch, and P. Xiao, “车载网络资源分配综述,” IEEE Trans. Intell. Transp. Syst., vol. 23, no. 2, pp. 701–721, Feb. 2022. IEEE: https://ieeexplore.ieee.org/document/9186820 Google Scholar

[98] T. T. T. Le and S. Moh, “5G V2X 通信无线资源分配方案的综合综述,” IEEE Access, vol. 9, pp. 123117–123133, 2021. IEEE: https://ieeexplore.ieee.org/document/9528422 Google Scholar

[99] H. T. Nguyen, M. T. Nguyen, H. T. Do, H. T. Hua, and C. V. Nguyen, “基于深度强化学习的多样化 QoS 在 5G 与 6G 车联网中的智能资源分配综述,” Wireless Commun. Mobile Comput., vol. 2021, Aug. 2021, Art. no. 5051328. DOI: https://doi.org/10.1155/2021/5051328 Google Scholar

[100] J. Jeong, “针对智慧道路的车联网综述：聚焦基于 IP 的方法,” Veh. Commun., vol. 29, pp. 1–29, Jun. 2021. DOI: https://doi.org/10.1016/j.vehcom.2021.100334 Google Scholar

[101] Z. Xia, J. Wu, L. Wu, Y. Chen, J. Yang, and P. S. Yu, “车载自组网络关键技术与挑战的全面综述,” ACM Trans. Intell. Syst. Technol., vol. 12, no. 4, pp. 1–30, 2021. DOI: https://doi.org/10.1145/3451984 Google Scholar

[102] Z. Sun, “博弈论在车联网中的应用综述,” IEEE Commun. Surveys Tuts., vol. 23, no. 4, pp. 2660–2710, 4th Quart., 2021. IEEE: https://ieeexplore.ieee.org/document/9524815 Google Scholar

[103] F. Belamri, S. Boulfekhar, and D. Aissani, “车载自组网络中 QoS 路由协议综述,” Telecommun. Syst., vol. 78, no. 1, pp. 117–153, 2021. DOI: https://doi.org/10.1007/s11235-021-00797-8 Google Scholar

[104] T. Kayarga and S. A. Kumar, “解决车联网中路由问题的多种技术研究,” Wireless Pers. Commun., vol. 119, no. 1, pp. 459–487, 2021. DOI: https://doi.org/10.1007/s11277-021-08220-w Google Scholar

[105] A. Talpur and M. Gurusamy, “车联网安全中的机器学习综述,” IEEE Commun. Surveys Tuts., vol. 24, no. 1, pp. 346–379, 1st Quart., 2022. IEEE: https://ieeexplore.ieee.org/document/9619465 Google Scholar

[106] K. Wong and C. Ellul, “将基于几何的度量作为 3D 城市模型适用性评估的一部分,” in in Proc. ISPRS Ann. Photogram., Remote Sens. Spatial Inf. Sci., vol. 4, 2016, pp. 129–136. DOI: https://doi.org/10.5194/isprs-annals-IV-2-W1-129-2016 Google Scholar

[107] M. Javanmardi, E. Javanmardi, Y. Gu, 和 S. Kamijo, “实现高分辨率3D城市映射：基于道路特征的移动测绘系统与航空影像注册,” Remote Sens., vol. 9, no. 10, p. 975, 2017. DOI: https://doi.org/10.3390/rs9100975 Google Scholar

[108] J. Murphy, Y. Pao, 和 A. Yuen, “地图匹配在地图错误时：面向地图学习的高效车辆追踪（公路与非公路）,” 2018, arXiv:1809.09755. Google Scholar

[109] Y. Yang 和 G. Huang, “基于地图的定位在对抗性攻击下,” in Robotics Research: The 18th International Symposium ISRR. Cham, Switzerland : Springer, 2019, pp. 775–790. DOI: https://doi.org/10.1007/978-3-030-28619-4_54 Google Scholar

[110] J. del Egido Sierra, A. Diaz, L. M. Bergasa, R. Barea, 和 M. López, “CARLA 挑战中的无人驾驶车辆控制,” Transp. Res. Procedia, vol. 58, pp. 69–74, Dec. 2021. DOI: https://doi.org/10.1016/j.trpro.2021.11.010 Google Scholar

[111] A. Chebly, R. Talj, 和 A. Charara, “用于无人驾驶车辆导航的纵向/横向耦合控制器，具实验验证,” Control Eng. Pract., vol. 88, pp. 79–96, Jul. 2019. DOI: https://doi.org/10.1016/j.conengprac.2019.05.001 Google Scholar

[112] J. J. So, J. Kang, S. Park, I. Park, 和 J. Lee, “基于自动驾驶控制的自动化应急车辆控制策略,” J. Adv. Transp., vol. 2020, Feb. 2020, Art. no. 3867921. DOI: https://doi.org/10.1155/2020/3867921 Google Scholar

[113] A. Best, S. Narang, L. Pasqualin, D. Barber, 和 D. Manocha, “AutonoVi-Sim：具备天气、传感与交通控制的无人驾驶车辆仿真平台,” in Proc. IEEE Conf. Comput. Vis. Pattern Recognit. Workshops, 2018, pp. 1048–1056. IEEE: https://ieeexplore.ieee.org/document/8575306 Google Scholar

[114] J. Wang, “用于长尾正则化的并行视觉：IVFC 无人驾驶测试的初步结果,” IEEE Trans. Intell. Veh., vol. 7, no. 2, pp. 286–299, Jun. 2022. IEEE: https://ieeexplore.ieee.org/document/9696256 Google Scholar

[115] L. Li, W.-L. Huang, Y. Liu, N.-N. Zheng, 和 F.-Y. Wang, “面向无人驾驶车辆的智能测试：一种新方法,” IEEE Trans. Intell. Veh., vol. 1, no. 2, pp. 158–166, Jun. 2016. IEEE: https://ieeexplore.ieee.org/document/7571159 Google Scholar

[116] J. Sun, H. Zhang, H. Zhou, R. Yu, and Y. Tian, “基于情境的高度自动化车辆测试自动化：综述及为系统性安全保障铺平道路”， IEEE Trans. Intell. Transp. Syst., vol. 23, no. 9, pp. 14088–14103, Sep. 2022. IEEE: https://ieeexplore.ieee.org/document/9664429 Google Scholar

[117] D. Zhao, “基于重要性抽样技术的自动驾驶车辆在变道情境下安全性的加速评估”， IEEE Trans. Intell. Transp. Syst., vol. 18, no. 3, pp. 595–607, Mar. 2017. IEEE: https://ieeexplore.ieee.org/document/7534875 Google Scholar

[118] S. Feng, Y. Feng, C. Yu, Y. Zhang, and H. X. Liu, “面向互联与自动驾驶车辆的测试情境库生成，第一部分：方法论”， IEEE Trans. Intell. Transp. Syst., vol. 22, no. 3, pp. 1573–1582, Mar. 2021. IEEE: https://ieeexplore.ieee.org/document/8998589 Google Scholar

[119] S. Feng, Y. Feng, H. Sun, S. Bao, Y. Zhang, and H. X. Liu, “面向互联与自动驾驶车辆的测试情境库生成，第二部分：案例研究”， IEEE Trans. Intell. Transp. Syst., vol. 22, no. 9, pp. 5635–5647, Sep. 2021. IEEE: https://ieeexplore.ieee.org/document/9086089 Google Scholar

[120] L. Li, N. Zheng, and F.-Y. Wang, “智能测试的理论基础及其在智能车辆中的应用”， IEEE Trans. Intell. Transp. Syst., vol. 22, no. 10, pp. 6297–6306, Oct. 2021. IEEE: https://ieeexplore.ieee.org/document/9107264 Google Scholar

[121] J. Ge, H. Xu, J. Zhang, Y. Zhang, D. Yao, and L. Li, “自动驾驶车辆测试的异构驾驶员建模与角落场景采样”， J. Adv. Transp., vol. 2022, May 2022, Art. no. 8655514. DOI: https://doi.org/10.1155/2022/8655514 Google Scholar

[122] J. Breitenstein, J.-A. Termöhlen, D. Lipinski, and T. Fingscheidt, “自动驾驶视觉感知中的角落案例：检测方法的一些指导”， 2021, arXiv:2102.05897. Google Scholar

[123] F.-Y. Wang, X. Wang, L. Li, and P. Mirchandani, “创建数字车辆验证平台”， IEEE Intell. syst., vol. 18, no. 2, pp. 12–15, Mar./Apr. 2003. IEEE: https://ieeexplore.ieee.org/document/1193651 Google Scholar

[124] F.-Y. Wang, “中国12年的自动驾驶智能探索：智能车辆未来挑战项目,” IEEE Intell. Transp. Syst. Mag., vol. 13, no. 2, pp. 6–19, Mar. 2021. IEEE: https://ieeexplore.ieee.org/document/9380141 Google Scholar

[125] F.-Y. Wang, “智能车辆的验证与确认：中国的目标与努力,” IEEE Trans. Intell. Veh., vol. 7, no. 2, pp. 164–169, Jun. 2022. IEEE: https://ieeexplore.ieee.org/document/9826530 Google Scholar

[126] J. M. Scanlon, K. D. Kusano, T. Daniel, C. Alderson, A. Ogle, and T. Victor, “Waymo在重建致命车祸中的仿真驾驶行为，在自动驾驶车辆运营域内,” Accid. Anal. Prevent., vol. 163, Dec. 2021, Art. no. 106454. DOI: https://doi.org/10.1016/j.aap.2021.106454 Google Scholar

[127] D. Acuna, J. Philion, and S. Fidler, “面向仿真环境下自驾感知模型训练的最优策略,” in Proc. Adv. Neural Inf. Process. Syst., vol. 34, 2021, pp. 1686–1699. Google Scholar

[128] K. Zhang, C. Chang, W. Zhong, S. Li, Z. Li, and L. Li, “人类驾驶行为建模与仿真的系统解决方案，用于自动驾驶车辆研究,” IEEE Trans. Intell. Transp. Syst., vol. 23, no. 11, pp. 21944–21958, Nov. 2022. IEEE: https://ieeexplore.ieee.org/document/9767202 Google Scholar

[129] M. Johnson-Roberson, C. Barto, R. Mehta, S. N. Sridhar, K. Rosaen, and R. Vasudevan, “在矩阵中驾驶：虚拟世界能否取代人工生成的真实世界任务注释？,” 2016, arXiv:1610.01983. Google Scholar

[130] S. Kim, J. Baek, J. Park, G. Kim, and S. Kim, “InstaFormer：基于实例感知的图像到图像转换与变压器,” in Proc. IEEE/CVF Conf. Comput. Vis. Pattern Recognit., 2022, pp. 18321–18331. IEEE: https://ieeexplore.ieee.org/document/9880419 Google Scholar

[131] M. Hasenjäger, M. Heckmann, and H. Wersing, “先进驾驶辅助系统个性化的综述,” IEEE Trans. Intell. Veh., vol. 5, no. 2, pp. 335–344, Jun. 2020. IEEE: https://ieeexplore.ieee.org/document/8918081 Google Scholar

[132] Y. Xing, C. Lv, D. Cao, and P. Hang, “迈向人车协作：以人为中心的协同自动驾驶的综述与视角,” Transp. Res. C, Emerg. Technol., vol. 128, Jul. 2021, Art. no. 103199. DOI: https://doi.org/10.1016/j.trc.2021.103199 Google Scholar

[133] W. Wang and D. Zhao, “基于再生随机驾驶者模型的车道偏离纠正系统评估,” IEEE Trans. Intell. Veh., vol. 2, no. 3, pp. 221–232, Sep. 2017. IEEE: https://ieeexplore.ieee.org/document/8049298 Google Scholar

[134] W. Chen, L. Zhao, D. Tan, Z. Wei, K. Xu, and Y. Jiang, “基于混合系统理论的人机共享控制车道偏离辅助,” Control Eng. Pract., vol. 84, pp. 399–407, Mar. 2019. DOI: https://doi.org/10.1016/j.conengprac.2018.12.011 Google Scholar

[135] M. Althoff, S. Maierhofer, and C. Pek, “可证明正确且舒适的自适应巡航控制,” IEEE Trans. Intell. Veh., vol. 6, no. 1, pp. 159–174, Mar. 2021. IEEE: https://ieeexplore.ieee.org/document/9091937 Google Scholar

[136] R. Utriainen, M. Pöllänen, and H. Liimatainen, “车道保持辅助的安全潜力及提升潜力的可能措施,” IEEE Trans. Intell. Veh., vol. 5, no. 4, pp. 556–564, Dec. 2020. IEEE: https://ieeexplore.ieee.org/document/9084279 Google Scholar

[137] S. K. Lal and A. Craig, “驾驶员疲劳心理生理学的批判性综述,” Biol. Psychol., vol. 55, no. 3, pp. 173–194, 2001. DOI: https://doi.org/10.1016/S0301-0511(00)00085-5 Google Scholar

[138] Y. Xing, “面向智能车辆的驾驶员变道意图推断：框架、综述与挑战,” IEEE Trans. Veh. Technol., vol. 68, no. 5, pp. 4377–4390, May 2019. IEEE: https://ieeexplore.ieee.org/document/8661600 Google Scholar

[139] Z. Hu, C. Lv, P. Hang, C. Huang, and Y. Xing, “基于数据驱动的驾驶员注意力估计：无标定眼动与场景特征,” IEEE Trans. Ind. Electron., vol. 69, no. 2, pp. 1800–1808, Feb. 2022. IEEE: https://ieeexplore.ieee.org/document/9351763 Google Scholar

[140] G. Marquart, C. Cabrall, and J. de Winter, “驾驶员心理工作负荷相关眼动测量的综述,” Procedia Manuf., vol. 3, pp. 2854–2861, Oct. 2015. DOI: https://doi.org/10.1016/j.promfg.2015.07.783 Google Scholar

[141] S. Zepf, J. Hernandez, A. Schmitt, W. Minker, and R. W. Picard, “智能车辆驾驶员情绪识别：综述,” ACM Comput. Surveys, vol. 53, no. 3, pp. 1–30, 2020. DOI: https://doi.org/10.1145/3388790 Google Scholar

[142] A. Kashevnik, R. Shchedrin, C. Kaiser, and A. Stocker, “驾驶员分心检测方法：文献综述与框架,” IEEE Access, vol. 9, pp. 60063–60076, 2021. IEEE: https://ieeexplore.ieee.org/document/9405644 Google Scholar

[143] N. Du, “预测条件自动驾驶中驾驶员接管表现,” Accid. Anal. Prevent., vol. 148, Dec. 2020, Art. no. 105748. DOI: https://doi.org/10.1016/j.aap.2020.105748 Google Scholar

[144] B. W. Weaver and P. R. DeLucia, “条件自动驾驶中接管表现的系统综述与荟萃分析,” Human Factors, vol. 64, no. 7, 2020, Art. no. 18720820976476. DOI: https://doi.org/10.1177/0018720820976476 Google Scholar

[145] P. Jing, G. Xu, Y. Chen, Y. Shi, and F. Zhan, “自主车辆接受度背后的决定因素：系统综述,” Sustainability, vol. 12, no. 5, p. 1719, 2020. DOI: https://doi.org/10.3390/su12051719 Google Scholar

[146] C. Olaverri-Monreal, “提升自动驾驶车辆的信任,” Nat. Electron., vol. 3, no. 6, pp. 292–294, 2020. DOI: https://doi.org/10.1038/s41928-020-0434-8 Google Scholar

[147] J. K. Choi and Y. G. Ji, “探讨信任在采用自动驾驶车辆中的重要性,” Int. J. Human-Comput. Interact., vol. 31, no. 10, pp. 692–702, 2015. DOI: https://doi.org/10.1080/10447318.2015.1070549 Google Scholar

[148] M. Dikmen and C. Burns, “对自动驾驶车辆的信任：Tesla 自动驾驶和召唤的案例,” in Proc. IEEE Int. Conf. Syst., Man, Cybern. (SMC), 2017, pp. 1093–1098. IEEE: https://ieeexplore.ieee.org/document/8122757 Google Scholar

[149] J. Ayoub, F. Zhou, S. Bao, and X. J. Yang, “从手动驾驶到自动驾驶：AutoUI 十年综述,” in Proc. 11th Int. Conf. Autom. User Interfaces Interact. Veh. Appl., 2019, pp. 70–90. DOI: https://doi.org/10.1145/3342197.3344529 Google Scholar

[150] W. Liu, Q. Li, Z. Wang, W. Wang, C. Zeng, and B. Cheng, “关于驾驶自动化系统通过先进车内HMI在交接请求前、期间和之后向驾驶员传达的附加语义信息的文献综述，” Int. J. Human–Comput. Interact., 预计出版。 DOI: https://doi.org/10.1080/10447318.2022.2074669 Google Scholar

[151] I. Politis, “汽车自治设计：对包容性用户群体驾驶习惯的调查和两组焦点小组，以及对自动驾驶汽车的群体态度，” in Designing Interaction and Interfaces for Automated Vehicles. Boca Raton, FL, USA : CRC Press, 2021, pp. 41–54. DOI: https://doi.org/10.1201/9781003050841-4 Google Scholar

[152] O. Benderius, C. Berger, and V. M. Lundgren, “2016年大规模协作驾驶挑战赛中最受好评的人机界面设计，” IEEE Trans. Intell. Transp. Syst., vol. 19, no. 4, pp. 1302–1307, Apr. 2018. IEEE: https://ieeexplore.ieee.org/document/8057581 Google Scholar

[153] K. Bengler, M. Rettenmaier, N. Fritz, and A. Feierle, “从HMI到HMIs：面向自动驾驶的人机界面框架，” Information, vol. 11, no. 2, p. 61, 2020. DOI: https://doi.org/10.3390/info11020061 Google Scholar

[154] F. Wulf, M. Rimini-Döring, M. Arnon, and F. Gauterin, “支持部分自动化驾驶辅助系统情境感知的建议，” IEEE Trans. Intell. Transp. Syst., vol. 16, no. 4, pp. 2290–2296, Aug. 2015. IEEE: https://ieeexplore.ieee.org/document/7000589 Google Scholar

[155] N. T. Richardson, C. Lehmer, M. Lienkamp, and B. Michel, “高度自动化卡车驾驶的人机界面概念设计与评估，” in Proc. IEEE Intell. Veh. Symp. (IV), 2018, pp. 2072–2077. IEEE: https://ieeexplore.ieee.org/document/8500520 Google Scholar

[156] E. Ohn-Bar and M. M. Trivedi, “在自动驾驶与高度自动化车辆时代审视人类，” IEEE Trans. Intell. Veh., vol. 1, no. 1, pp. 90–104, Mar. 2016. IEEE: https://ieeexplore.ieee.org/document/7501845 Google Scholar

[157] R. Hussain and S. Zeadally, “自动驾驶汽车：研究成果、问题与未来挑战，” IEEE Commun. Surveys Tuts., vol. 21, no. 2, pp. 1275–1313, 2nd Quart., 2018. IEEE: https://ieeexplore.ieee.org/document/8457076 Google Scholar

[158] M. N. Ahangar, Q. Z. Ahmed, F. A. Khan, and M. Hafeez, “关于自动驾驶汽车的调查：通信技术的实现与挑战,” Sensors, vol. 21, no. 3, p. 706, 2021. DOI: https://doi.org/10.3390/s21030706 Google Scholar

[159] J. Yang, S. Xing, Y. Chen, R. Qiu, C. Hua, and D. Dong, “智能汽车驾驶舱舒适度的综合评估模型,” Sci. Rep., vol. 12, no. 1, pp. 1–9, 2022. DOI: https://doi.org/10.1038/s41598-022-19261-x Google Scholar

[160] R. Tan, “智能车辆的晕动症检测：基于可穿戴设备的方法,” in Proc. IEEE 25th Int. Conf. Intell. Transp. Syst. (ITSC), 2022, pp. 4355–4362. IEEE: https://ieeexplore.ieee.org/document/9922392 Google Scholar

[161] O. Carsten and M. H. Martens, “人类如何理解他们的自动驾驶汽车？人机交互原则、问题与解决方案,” Cogn. Technol. Work, vol. 21, no. 1, pp. 3–20, 2019. DOI: https://doi.org/10.1007/s10111-018-0484-0 Google Scholar

参考脚注

额外参考文献

59. Y. Li, “深度学习在自动驾驶中对LiDAR点云的综述,” IEEE Trans. Neural Netw. Learn. Syst., vol. 32, no. 8, pp. 3412–3432, Aug. 2021.

60. S. Royo and M. Ballesta-Garcia, “LiDAR成像系统在自动驾驶中的概述,” Appl. Sci., vol. 9, no. 19, p. 4093, 2019.

61. D. Wang, C. Watkins, and H. Xie, “LiDAR用MEMS镜子的综述,” Micromachines, vol. 11, no. 5, p. 456, 2020.

62. Y. Cui, “深度学习在自动驾驶中对图像与点云融合的综述,” IEEE Trans. Intell. Transp. Syst., vol. 23, no. 2, pp. 722–739, Feb. 2022.

63. T. Zhou, M. Yang, K. Jiang, H. Wong, and D. Yang, “MMW雷达技术在自动驾驶中的综述,” Sensors, vol. 20, no. 24, p. 7283, 2020.

64. D. Ma, N. Shlezinger, T. Huang, Y. Liu, and Y. C. Eldar, “自动驾驶车辆的联合雷达通信策略：融合两大关键汽车技术,” IEEE Signal Process. Mag., vol. 37, no. 4, pp. 85–97, Jul. 2020.

65. S. Saponara, M. S. Greco, and F. Gini, “在自动驾驶车辆和智能运输系统中用于雷达的芯片内/封装技术：机遇与挑战,” IEEE Signal Process. Mag., vol. 36, no. 5, pp. 71–84, Sep. 2019.

66. S. H. Javadi and A. Farina, “雷达网络：特性与挑战综述,” Inf. Fusion, vol. 61, pp. 48–55, Sep. 2020.

67. H. Mousazadeh, “农业自动化越野车辆导航系统技术综述,” J. Terramech., vol. 50, no. 3, pp. 211–232, 2013.

68. H. Jing, Y. Gao, S. Shahbeigi, and M. Dianati, “基于GNSS/INS的定位系统完整性监测：最新进展与未解挑战,” IEEE Trans. Intell. Transp. Syst., vol. 23, no. 9, pp. 14166–14187, Sep. 2022.

69. F. Rosique, P. J. Navarro, C. Fernández, and A. Padilla, “针对自动驾驶车辆研究的感知系统与仿真器系统综述,” Sensors, vol. 19, no. 3, p. 648, 2019.

70. A. S. Mohammed, A. Amamou, F. K. Ayevide, S. Kelouwani, K. Agbossou, and N. Zioui, “在所有天气条件下智能地面车辆感知系统的系统性文献综述,” Sensors, vol. 20, no. 22, p. 6532, 2020.