V  人工接管机制与时间

依据加州DMV的测试要求，只要出现自动驾驶系统无法处理的情况，测试车驾驶员必须以安全的方式立即接管驾驶任务。对各个制造商所设置的人工干预机制以及接管控制时间进行研究，可以帮助我们更好地理解对驾驶员注意力回归驾驶任务时间点所应有的要求，并据此去设计合理的切换控制系统及算法。

5．1人工接管机制

人工接管操作可以由自动控制系统请求、驾驶员响应，也可以由驾驶员人工控制输入直接触发。

1）接管请求信号

接管请求通常是在系统检测到故障无法处置之后，通过听觉、视觉反馈信号来提示驾驶员立即介入操作、接管车辆控制。

2）接管操作

在收到自动控制系统的接管请求，或当驾驶员想主动干预车辆控制时，车辆驾驶权限的交接可以由驾驶员通过动作触发，包括按下自动／手动控制切换开关、操纵方向盘、刹车或油门踏板等。各制造商测试车辆接管控制机制概述如下。

制造商A：发出一个独特的音频和视觉信号，表明需要驾驶员立即接管［15］。

制造商B：任何硬件故障会触发蜂鸣信号，提醒驾驶员需要手动接管。测试过程中，车辆驾驶员必须一直将一只手放在方向盘上，另一只手放在中控台自动／手动切换开关上。按下该开关将切断自动驾驶系统的电源及自动执行机构（油门、转向、刹车及档位），并允许操作员立即接管［14］。

制造商E：驾驶员接受到技术故障提醒，或驾驶员主动通过对刹车、油门、转向的输入触发自动驾驶退出，实现人工接管［16］。

制造商F：当发生自动驾驶退出时，驾驶员会立即收到声音和视觉上的提示信号，须立即采取接管措施。然而，重新介入的人工控制并不一定意味着驾驶员必须在方向盘、刹车或油门踏板上立即可测量的输入［13］。

制造商G：接管警告是基于视觉和听觉信号设计的。自动驾驶系统不会试图对车辆采取减速操作，当看到或听到警告信号时，驾驶员有责任立即采取措施，通过踩下刹车或将自适应巡航控制杆回位［25］，触发自动驾驶模式的退出，进而实现人工接管。

5．2  接管时间

总体而言，接管时间可以定义为自驾驶员收到技术故障、人工干预请求信号起，至其对车辆进行手动控制为止，所花费的时间［15］。目前没有一种统一的技术标准与方法来测量这一接管过程时间。此外，制造商提高的报告亦没有充分描述他们记录接管时间数据的方法。在表IV中展示了每个制造商自动驾驶退出事件所报告相关接管时间的统计结果。

制造商A：测试驾驶员针对人工接管接受了专门的训练与准备，平均响应时间为0．84秒［15］。

制造商B：在报告中部分有记录的接管时间均小于 1s （无具体时间），剩余被记为N／A［14］。

制造商C：平均接管时间为3．06s［18］。

制造商D：平均接管时间为0．875s［18］。

制造商E：大部分记录值平均不到1 s。在所有驾驶者主动干预的情况下中，时间被记录为0；在几乎所有的自动控制系统故障情形下，时间被记录为＜1。

制造商F：无法测量每一个自动驾驶退出时间，因为并不是所有的接管情况下需要施加可测输入。因此，采取的安全方法为，模拟在一个特定的自动驾驶测试场景，让驾驶员不断训练人工接管过程，只有通过训练的驾驶员才能驾驶测试车辆，他们会不断地监控车辆的运行情况。这种安全方法已由独立的第三方安全组织进行审查［13］。

注：虽然报告的大部分接管时间的平均值在1秒内，但自动驾驶权限的交接及其切换控制绝非一件容易完成的简单任务。在所有报告的自动驾驶车辆测试中，驾驶员均训练有素、经验丰富，且集中注意力、随时准备接管车辆控制。然而，在日常生活中，我们不能保证所有的司机都经过良好的训练、以及保有足够的注意力来立即恢复人工控制。此外，驾驶场景、驾驶员认知负荷、注意力、疲劳状况、对周围状况的感知等，均对其接管控制有很大的影响。因此，如何准确的在线实时监测驾驶员状态、评估其接管能力，及HMI的设计，仍然是需要不断探索的重要挑战［17］。

VI  讨论与建议

6．1 讨论

自动驾驶功能退出是反映自动驾驶技术成熟度的一个关键指标。在上述分析的基础上，我们认为不同类型的自动驾驶退出事件与高级自动驾驶技术的成熟度可以相对应。如图17所示，PDE和ADE可嵌入到L2和L3自动驾驶的技术特点与要求中去。具体来说，PDE对应于L2自动驾驶研发的初级阶段。充分解决PDE故障可使制造商技术水平达到成熟的L2自动驾驶阶段。而在PDE之外，ADE的案例则可以映射到L2自动驾驶技术发展的高级阶段。ADE的主要诱因表明，解决面向高度自动驾驶的技术问题是更加困难的。如果这些问题能够得意妥善解决，那么自动驾驶技术应接近或达到了L3自动化的程度。

图17  自动驾驶退出事件与自动驾驶技术水平之间的映射关系

6．2 建议

在上述分析的基础上，为了帮助进一步完善自动驾驶技术，尤其是L2和L3车辆自动化，以下为OEM、制造商和政府组织提供了一些建议。

1）针对OEM的建议

根据分析，PDE和ADE的主要原因是软件问题，其涵盖了感知、决策、路径规划和车辆控制的诸多方面的问题。随着车辆自动化程度的提高，软件的功能、性能和鲁棒亟待提升。OEMs应该遵循系统工程方法的软件设计和验证过程，目标是设计出不存在不合理安全风险的HAV系统。同时，如NHTSA建议，OEMs应关注人工智能、机器学习等相关软件技术和算法的演变、实施和安全评估，以提高HAVs的有效性和安全性［6］。

此外，了解人机之间的交互作用是非常重要的。尤其是L2和L3系统中，驾驶员必要时需返回驾驶任务，但是其接管能力可能受到主客观多重因素的影响，OEMs应该考虑如何将对驾驶员注意力、意图和任务参与度的监控纳入软件系统。此外，HAVs将如何向周围环境、及交通参与者发出信号，这些因素也应该被OEMs考虑。

2）针对制造商的建议

制造商应该根据SAE发布的自动驾驶分级定义，适当地确定其系统的自动化级别。对于所有的HAV系统，制造商应确保其HMI设计的合理性、适当的碰撞／乘员保护已被考虑、消费者的教育和培训已经得到解决［6］。

尤其是在处理人工接管是，制造商应该有能保证自动驾驶车辆在遇到问题时能够过渡到最小风险条件下运行。在道路上运行的HAV应该能够及时准确的检测到系统的故障，并告知人类驾驶员，使驾驶员能够尽可能快速、安全的接管车辆控制。相应控制策略亦应该考虑到驾驶员可能存在分心、受酒精或其他物质影响的情形。应以有利于车辆安全操作和尽量减少不稳定驾驶行为的方式来管理驾驶权，同时也应尽量减少驾驶员在接管过渡过程、决策过程中出现错误的影响。除此之外，自动驾驶退出事件及相应的人工接管控制也应该在出现后进行充分的分析和利用［15］。

3）针对政府组织的建议

政府组织在促进车辆自动化方面发挥着重要作用，例如确保安全部署，并促进相应的安全保证机制。为了帮助发展和完善自动驾驶技术，各国政府应对自动驾驶车辆保留其对车辆登记许可、交通法规和执法、以及机动车保险、责任制等传统职责。此外，应该建立、升级更多的测试区域和设施，以支持自动驾驶技术的发展［6］。须开展充分的教育和培训活动，以确保自动车辆的安全部署。除了制造商和其他实体，政府机构也应开发和组织相关活动，如教育和培训、研讨会、及自动驾驶车辆示范运行，以帮助公民了解自动驾驶车辆的基本原理、与传统汽车使用和操作方面存在的差异等。

【参考文献】

［1］    F．Y． Wang． “Control 5．0： from Newton to Merton in popper＇s cyber－social－physical spaces”． IEEE／CAA Journal ofAutomatica Sinica， 3（3）， 233－234， 2016．

［2］    M． Da Lio， F． Biral， E．Bertolazzi， M． Galvani， P． Bosetti， D． Windridge， and F． Tango， “Artificialco－drivers as a universal enabling technology for future intelligent vehicles and transportation systems”， IEEE Transactions on intelligent transportationsystems， 16（1）， 244－263， 2015．

［3］    L． Li， Y． Lv， and F． Y． Wang，＂Traffic signal timing via deep reinforcement learning，＂ IEEE／CAAJournal of Automatica Sinica， 3（3）， 247－254， 2016．

［4］    T． Qu， H． Chen， D． Cao， H． Guo，and B． Gao， ＂Switching－Based Stochastic Model Predictive Control Approach for Modeling Driver Steering Skill，＂ IEEE Transactions on Intelligent Transportation Systems， 16（1）， 365－375， 2015．

［5］    G． Xiong， F． Zhu， X． Liu， X．Dong， W． Huang， S． Chen， et al．， ＂Cyber－physical－social system in intelligent transportation，＂ IEEE／CAA Journal of Automatica Sinica， 2（3），320－333， 2015．

［6］    National Highway Traffic Safety Administration， “Federal Automated Vehicles Policy， Department of Transportation”，pp． 1－112， 21 Sep．， 2016．

［7］    SAE On－Road Automated Vehicle Standards Committee， “Taxonomy and definitions for terms related to on－roadmotor vehicle automated driving systems”， 2014．

［8］    National Highway Traffic Safety Administration，＂Human factors evaluation of level 2 and level 3 automated driving concepts，＂ pp． 1－300， 2015．

［9］    M． Johns， B． Mok， D． Sirkin， N．Gowda， C． Smith， W． Talamonti， W． Ju， “Exploring shared control in automateddriving”． 11th ACM／IEEE International Conference on Human－Robot Interaction，IEEE， 2016．

［10］  L． Lorenz， P． Kerschbaum， J． Schumann，＂Designing take over scenarios for automated driving： How does augmented reality support the driver to get back into the loop？．＂ Proceedings of the Human Factors and Ergonomics Society Annual Meeting， 2014．

［11］  B． Mok， et al． ＂Emergency，Automation Off： Unstructured Transition Timing for Distracted Drivers ofAutomated Vehicles．＂ International Conference on Intelligent Transportation Systems． IEEE， 2015．

［12］  C． Lv， Y． Liu， X． Hu， H． Guo，D． Cao， F．－Y． Wang， ＂Simultaneous Observation of Hybrid States for Cyber－Physical Systems： A Case Study of Electric Vehicle Powertrain，＂ IEEETransactions on Cybernetics， 2017．

［13］  Robert Bosch， LLC， ＂Annualreport of autonomous mode disengagements＂， 18 Dec．， 2015．  https：／／www．dmv．ca．gov／portal／wcm／connect／e1e48704－583e－4cfd－aa9a－fa464cb6903d／bosch＿disengagement＿report．pdf？MOD＝AJPERES（Accessed： 21 Sep． 2016）

［14］  Delphi Automotive Systems， LLC，＂Summary of Autonomous Vehicle Disengagements＂， 1 Jan．， 2016． https：／／www．dmv．ca．gov／portal／wcm／connect／851838fb－da8b－45da－bd95－ae0451de988／delphi＿disengagement＿report．pdf？MOD＝AJPERES（Accessed： 21 Sep． 2016）

［15］  Google Auto， ＂Googleself－Driving car testing report on disengagements of autonomous mode＂，Dec．， 2015． https：／／www．dmv．ca．gov／portal／wcm／connect／dff67186－70dd－4042－bc8c－d7b2a9904665／google＿disengagement＿report．pdf？MOD＝AJPERES（Accessed： 21 Sep． 2016）

［16］  Nissan North America， Inc，＂Nissan Autonomous Vehicle Disengagement Report 2015＂， 23 Dec．， 2015．https：／／www．dmv．ca．gov／portal／wcm／connect／0170b0e7－7992－45f6－918d－8d3cc5bce9ee／nissan＿disengagement＿report．pdf？MOD＝AJPERES

［17］  Mercedes－Benz R＆D North America，＂Disengagements of autonomous vehicle system＂， 17 Dec．， 2015． https：／／www．dmv．ca．gov／portal／wcm／connect／3e78951e－5501－412b－ada96ad7fdcb9b82／mercedesbenz＿disengagement＿report．pdf？MOD＝AJPERES（Accessed： 21 Sep． 2016）

［18］  Volkswagen Group of America， ＂Volkswagen Group ofAmerica， Inc．’s Disengagement Reports＂， 31 Dec．， 2015． https：／／www．dmv．ca．gov／portal／wcm／connect／2ce9a481－e91c－408c－98069df33c3a65de／volkswagen＿disengagement＿report．pdf？MOD＝AJPERES（Accessed： 21 Sep． 2016）

［19］  Tesla Motors Inc， ＂Reporting Disengagement ofAutonomous Mode＂， 1 Jan．， 2016． https：／／www．dmv．ca．gov／portal／wcm／connect／d4114e78－4c45－4328－a6b9－428e400bf067／tesla＿disengagement＿report．pdf？MOD＝AJPERES（Accessed： 21 Sep． 2016）

［20］  California DMV， ＂Final Statement of Reasons＂，2016． https：／／www．dmv．ca．gov／portal／wcm／connect／70791ede－d798－4628－b3a964acebcb881／final＿sor．pdf？MOD＝AJPERES＆amp；CONVERT＿TO＝url＆amp；CACHEID＝70791ede－d798－4628－b3a9－764acebcb881（Accessed： 21 Sep． 2016）

［21］  K． Kritayakirana， J． C． Gerdes，＂Autonomous vehicle control at the limits of handling，＂ International Journal of Vehicle Autonomous Systems， 10， 271－296， 2012．

［22］  C． Urmson， J． Anhalt， D． Bagnell，C． Baker， R． Bittner， M． N． Clark， et al．， ＂Autonomous driving in urban environments： Boss and the Urban Challenge，＂ Journal of Field Robotics，25， 425－466， 2008．

［23］  Y． Tian， W．Y． Lo， and D．Ferguson． ＂Real－time active emergency vehicle detection．＂ U．S． Patent Application No． 14／471，640， 2014．

［24］  Iso， I． S． O． ＂26262： Roadvehicles－Functional safety．＂ International Standard ISO／FDIS 26262， 2011．

Tesla Motors Inc， ＂Tesla Model S － Owner＇s Manual＂． https：／／carmanuals2．com／tesla／model－s－2016－owner－s－manual－89478（Accessed： 21 Sep． 2016）

作者简介

吕辰：现任英国克兰菲尔德大学先进车辆工程中心博士后研究员。2016年1月博士毕业于清华大学汽车工程系，加州大学伯克利分校联合培养博士。研究方向包括自动驾驶、人车协同、智能电动汽车协同优化、电驱动车辆设计与控制。

曹东璞：现任加拿大滑铁卢大学副教授、博导，曾任英国克兰菲尔德大学讲师、驾驶员认知与自动驾驶实验室主任。在汽车动力学与控制，自动驾驶与平行驾驶领域发表论文120余篇、合编1本英文专著及1项美国专利，获2010 ASME AVTT国际会议最佳论文奖和2012 国际汽车工程师学会SAE Arch T． Colwell Merit Award。近5年作为项目总负责人，在研智能车项目从英国自然基金和欧盟地平线2020等获超过300万英镑资助。目前担任 IEEE Trans on Vehicular Technology，IEEE Trans on Intelligent Transportation Systems，IEEE／ASME Trans on Mechatronics，IEEE Trans on Industrial Electronics，ASME Journal of Dynamic Systems， Measurement， and Control，IEEE／CAA Journal of Automatica Sinica，Intl J of Vehicle Design 等国际期刊副主编，国际汽车工程师学会（SAE）汽车动力学国际标准委员会投票委员，第29届国际智能车大会（IEEE IV 2018）程序共同主席。

赵一帆：现任英国克兰菲尔德大学制造系讲师。2007年博士毕业于英国谢菲尔德大学自动控制与系统工程专业。研究方向包括计算机视觉、非线性系统识别、驾驶员行为监测。

Daniel J． Auger：现任英国克兰菲尔德大学先进车辆工程中心讲师。博士毕业于英国剑桥大学。研究方向包括先进控制方法及其应用、电池系统建模、系统状态估计、鲁棒控制。

Mark Sullman ：现任塞浦路斯中东技术大学教授，曾任英国克兰菲尔德大学高级讲师。博士毕业于新西兰梅西大学。研究方向包括先进控制方法及其应用、电池系统建模、系统状态估计、鲁棒控制。研究方向包括驾驶员行为、人因工程、及认知心理学。

王化吉：现任英国克兰菲尔德大学先进车辆工程中心博士后研究员。2016年博士毕业于英国剑桥大学工程系。研究方向包括自动驾驶、人车协同。

Laura Millen Dutka ：现任英国捷豹路虎公司人机界面技术工程师。

Lee Skrypchuk：现任英国捷豹路虎公司人机界面技术工程师。

Alexandros Mouzakitis ：现任英国捷豹路虎公司电力电子与软件工程研发部主任。