当前位置:
>
首页
>
展会资讯
>
车行业
>
CAICV联盟发布 | 《智能网联汽车预期功能安全工作组论文集（2018-2022）》

车行业资讯更多

2023世界新能源汽车大会（IAA Mobility专场）日程发布

2023-07-19 19:11

协会资讯 | 2023中国汽车经销商大会区域巡回论坛（长春站）成功召开

2023-07-19 18:56

蓄势而发，2023 中国汽车工程学会年会暨展览会于10月25-27日在京启幕！

2023-07-18 18:48

《氢燃料电池汽车商业化就绪度研究》项目启动会暨交流研讨会顺利召开

2023-07-18 18:48

蓄势而发，2023 中国汽车工程学会年会暨展览会于10月25-27日在京启幕！

2023-07-18 18:48

协会资讯 | 2023中国汽车经销商大会区域巡回论坛（温州站）通知

2023-07-18 15:23

CAICV联盟发布 | 《智能网联汽车预期功能安全工作组论文集（2018-2022）》

来源：世展网分类：车行业资讯 2023-03-30 20:15 阅读：*****

2025年武汉国际汽车展览会WHMS

2025-09-17-09-22

展会结束

为增进CAICV-智能网联汽车预期功能安全工作组学术氛围，促进工作组研究持续发展，由电子科技大学牵头，联合清华大学、同济大学、吉林大学、合肥工业大学、北京航空航天大学等六所高校共同收集工作组近两年在预期功能安全领域发表的学术论文，编制成《智能网联汽车预期功能安全工作组论文集》如图1（以下简称“论文集”）。

图1 智能网联汽车预期功能安全工作组论文集论文集收录了工作组成立至今所发表的论文共计56篇，内容包含预期功能安全感知研究、预期功能安全决策研究、预期功能安全控制研究、预期功能安全人机研究、预期功能安全场景研究、预期功能安全整车研究6个部分。

论文集列表

一、预期功能安全感知研究

[1] Uncertainty Evaluation of Object Detection Algorithms for Autonomous Vehicles. Automotive Innovation, 2021.

[2] Pyramid Bayesian Method for Model Uncertainty Evaluation of Semantic Segmentation in Autonomous Driving. Automotive Innovation, 2022.

[3] Uncertainty-Guided Transformer Reasoning for Camouflaged Object Detection. ICCV, 2021.

[4] MGL: Mutual Graph Learning for Camouflaged Object Detection. IEEE Transactions on Image Processing, 2022.

[5] Review on Uncertainty Estimation in Deep-Learning-Based Environment Perception of Intelligent Vehicles. SAE Technical Paper, 2022.

[6] Research on Performance Limitations of Visual-based Perception System for Autonomous Vehicle under Severe Weather Conditions. IV, 2022.

[7] Research on the Performance of Vision Sensor Based on Simulated Illumination Test. SAE ICVS, 2022.

[8] A Multimodality Fusion Deep Neural Network and Safety Test Strategy for Intelligent Vehicles. IEEE Transactions on Intelligent Vehicles, 2020.

[9] On Adversarial Robustness of Semantic Segmentation Models for Automated Driving. IEEE Intelligent Vehicles Symposium (IV), 2022.

[10] Attention-Based Deep Driving Model for Autonomous Vehicles with Surround-View Cameras. IROS, 2022.

[11] Depth Estimation via Sparse Radar Prior and Driving Scene Semantics. Asian Conference on Computer Vision, 2022.

[12] An Object Detection Method Enhanced by Sparse Point Cloud for Low Illumination in Autonomous Driving. ITSC, 2022.

[13] Patch-based attack on traffic sign recognition. ITSC, 2021.

[14] Improved 3D Object Detector Under Snowfall Weather Condition Based on LiDAR Point Cloud. IEEE Sensors Journal, 2022.

[15] 智能汽车中人工智能算法应用及其安全综述. 电子科技大学学报, 2022.

二、预期功能安全决策研究

[1] Prediction-Uncertainty-Aware-Decision-Making for Autonomous Vehicles. IEEE Transactions on Intelligent Vehicles, 2022.

[2] PNNUDA: Perception Neural Networks Uncertainty Aware Decision-Making for Autonomous Vehicle. IEEE Transactions on Intelligent Transportation Systems, 2022.

[3] Driving Environment Uncertainty-Aware Motion Planning for Autonomous Vehicles. Chinese Journal of Mechanical Engineering, 2022.

[4] Verification and Validation Methods for Decision-Making and Planning of Automated Vehicles: A Review. IEEE Transactions on Intelligent Vehicles, 2022.

[5]基于目标优化的自动驾驶决策规划系统自动化测试方法. 同济大学学报(自然科学版), 2021.

[6] LAMBDA: Covering the Solution Set of Black-Box Inequality by Search Space Quantization. arXiv preprint arXiv:2203.13708, 2022.

[7] Safety Decision of Running Speed Based on Real-Time Weather. IEEE Intelligent Vehicles Symposium (IV), 2022.

[8]城市自动驾驶决策系统安全分析与策略设计. 同济大学学报(自然科学版), 2020.

三、预期功能安全控制研究

[1] Robust Non-Fragile Fault Tolerant Control for Ensuring the Safety of the Intended Functionality of Cooperative Adaptive Cruise Control. IEEE Transactions on Intelligent Transportation Systems, 2022.

[2]强降雨场景下自适应巡航控制系统的安全控制策略.汽车工程, 2022.

[3] Time headway distribution analysis of naturalistic road users based on aerial datasets. Journal of Intelligent and Connected Vehicles, 2022.

[4]汽车自动紧急制动系统控制策略的预期功能安全设计.汽车工程, 2022.

[5]考虑预期功能安全的智能汽车自动紧急制动系统.汽车工程,2022.

[6]A Type-2 Fuzzy Approach to Driver-Automation Shared Driving Lane Keeping Control of Semi-Autonomous VehiclesUnder Imprecise Premise Variable. Chinese Journal of Mechanical Engineering, 2022.

[7]Driver state detection for driver-automation shared control with fuzzy logic.Control Engineering Practice, 2022.

四、预期功能安全人机研究

[1] Decoding Passenger’s EEG signals From Encountering Emergency Road Events. IEEE 25th International Conference on Intelligent Transportation Systems, 2022.

[2]汽车乘员不舒适感的客观表征研究.同济大学学报(自然科学版),2019.

[3]车辆行驶行为的负性刺激对乘员预期的影响.同济大学学报(自然科学版),2022.

[4] Research on the Occupant Discomfort Due to Safety Perception in Overtaking Scenarios. SAE ICVS,2022.

[5] Study on Safety Analysis Method for Take-over System of Autonomous Vehicles.IEEE Intelligent Vehicles Symposium (IV), 2020

五、预期功能安全场景研究

[1] A New SOTIF Scenario Hierarchy and Its Critical Test Case Generation Based on Potential Risk Assessment.IEEE 1st International Conference on Digital Twins and Parallel Intelligence (DTPI), 2021.

[2] SIND: A Drone Dataset at Signalized Intersection in China.IEEE 25th International Conference on Intelligent Transportation Systems (ITSC), 2022.

[3] Function-Driven Generation Method for Continuous Scenarios of Autonomous Vehicles.SAE ICVS,2022.

[4]面向决策规划系统测试的具体场景自动化生成方法.汽车技术,2020.

[5] Risk Assessment Method for Driving Scenarios of Autonomous Vehicles Based on Drivable Area.IEEE 25th International Conference on Intelligent Transportation Systems (ITSC), 2022.

[6]基于行车安全场理论的预期功能安全场景风险评估.汽车工程,2022.

[7] Definition and Quantification of the Complexity Experienced by Autonomous Vehicles in the Environment and Driving Task.20th COTA International Conference of Transportation Professionals. 2020.

[8] Research on the Complexity Quantification Method of Driving Scenarios Based on Information Entropy.IEEE International Intelligent Transportation Systems Conference (ITSC), 2021.

[9] Multimodal Critical-Scenarios Search Method for Test of Autonomous Vehicles. Journal of Intelligent and Connected Vehicles, 2022.

[10] Aerial Dataset for China Congested Highway & Expressway and its Potential Applications in Automated Driving Systems Development.TechRxiv. Preprint, 2022.

[11] 基于不同风格驾驶员模型的自动驾驶仿真测试自演绎场景研究.中国公路学报,2023.

六、预期功能安全整车研究

[1] SOTIF Risk Mitigation Based on Unified ODD Monitoring for Autonomous Vehicles. Journal of Intelligent and Connected Vehicles, 2022.

[2] Road Traffic Law Adaptive Decision-Making for Self-Driving Vehicles.IEEE 25th International Conference on Intelligent Transportation Systems (ITSC), 2022.

[3]智能汽车预期功能安全保障关键技术.汽车工程, 2022.

[4]自动驾驶汽车测试技术与应用进展.同济大学学报(自然科学版),2019.

[5]基于系统理论过程分析的自动驾驶汽车安全分析方法研究.汽车技术,2019.

[6]基于HAZOP的自主泊车系统危险事件识别.北京汽车,2020.

[7] A Hazard Analysis Approach based on STPA and Finite State Machine for Autonomous Vehicles. IEEE Intelligent Vehicles Symposium (IV), 2021.

[8]自动驾驶系统边缘测试用例生成.同济大学学报(自然科学版),2018.

[9] A Safety Analysis and Verification Framework for Autonomous Vehicles Based on the Identification of Triggering Events. International Automotive Security, Safety and Testing Congress, 2021.

[10] An Ontology-based Method to Identify Triggering Conditions for Perception Insufficiency of Autonomous Vehicles.arXiv:2210.08724.

上下滑动查看论文收集录清单

部分代表性论文摘录如下

【Yang Zhao, Wei Tian, Hong Cheng, Pyramid Bayesian Method for Model Uncertainty Evaluation of Semantic Segmentation in Autonomous Driving, Automotive Innovation, 1(5), 2022】

论文摘要：随着深度学习模型在自动驾驶领域的快速发展，对深度学习模型不确定性估计的研究也随之兴起。本文提出了一种用于语义分割模型不确定性评估的金字塔贝叶斯深度学习方法。语义分割是理解视觉场景中最重要的感知问题之一，这对自动驾驶至关重要。本研究旨在优化贝叶斯 SegNet 以进行不确定性评估。本文首先通过减少MC-Dropout层数来简化贝叶斯SegNet的网络结构，然后引入金字塔池化模块来提高贝叶斯SegNet的性能。mIoU 和 mPAvPU 用作评估矩阵，以在公共 Cityscapes 数据集上测试所提出的方法。实验结果表明，所提方法提高了贝叶斯SegNet的采样效果，缩短了采样时间，提高了网络性能。

图2 Pyramid Bayesian Method for Model Uncertainty Evaluation of Semantic Segmentation in Autonomous Driving

【Fan Yang, Qiang Zhai, Xin Li, Rui Huang, Ao Luo, Hong Cheng, Deng-Ping Fan. Uncertainty-Guided Transformer Reasoning for Camouflaged Object Detection. IEEE International Conference on Computer Vision, October, 2021.】

论文摘要：对人类和人工智能来说，发现视觉上与周围环境相适应的物体都是一项挑战。传统的通用/显著性对象检测技术对于这项任务来说并不理想，因为它们往往只发现简单和清晰的对象，而忽略了难以检测的具有固有不确定性的对象，这些不确定性来源于难以区分的纹理。本文提出了一种新的方法，将概率表示模型与Transformer相结合，在不确定条件下进行显式推理，即不确定引导Transformer推理(UGTR)，用于伪装目标检测。其核心思想是首先学习中枢输出的条件分布，得到初始估计和相关的不确定性，然后利用注意机制对这些不确定区域进行推理，产生最终的预测。本文的方法结合了贝叶斯学习和基于Transformer的推理的优点，允许模型通过利用确定性和概率信息处理伪装目标检测。在CHAMELEON、CAMO和COD10K数据集上，充足的经验证明了本文提出的方法比现有的最先进模型具有更高的精度。

图3 Uncertainty-Guided Transformer Reasoning for Camouflaged Object Detection

【邵文博,李骏,张玉新,王红.(2022).智能汽车预期功能安全保障关键技术. 汽车工程(09),1289-1304. doi:10.19562/j.chinasae.qcgc. 2022.09.001.】

论文摘要：智能汽车快速发展的同时，由性能局限、规范不足或可合理预见误用导致的预期功能安全问题层出不穷，是智能汽车落地的重大瓶颈之一。在场景长尾问题、系统复杂化和新技术引入等背景下，如何有效保障智能汽车预期功能安全已成为研究的关键难题之一。本综述聚焦智能汽车预期功能安全保障关键技术，分别从系统开发各子阶段、智能汽车各模块和整车层的功能改进以及运行阶段进行了系统梳理和总结，最后从基础理论、风险防护、更新机制三方面进行了展望。综述研究成果可为智能汽车预期功能安全研究提供重要参考依据。论文发表于《汽车工程》期刊并被评选为当期好文推荐，宣传稿在“汽车学会”和“汽车工程编辑部”公众号等平台发布。

图4 预期功能安全防护系统架构

【Liang Peng, Hong Wang, Jun Li, Uncertainty Evaluation of Object Detection Algorithms for Autonomous Vehicles. Best paper of Automotive Innovation, 4(3), 241-252, 2021.】

论文摘要：预期功能安全（SOTIF）已成为自动驾驶领域最热门的话题之一,然而目前为止尚未提出SOTIF性能的测试和评估系统。因此，本文提出了一种基于单步目标检测（YOLO）算法和平均精度（mAP）方法的框架，以评估SOTIF相关场景下相机的目标检测性能。首先，建立包含极端天气和不利照明条件下的道路图像的数据池。其次，使用蒙特卡洛丢弃（MCD）方法分析算法的不确定性，并绘制预测边界框的不确定性区域。然后，基于不确定性结果对算法的置信度进行校准，使得校准后的平均置信度能够更好地反映真实的精度。本文还建议将不确定性结果和校准置信度用于在线风险识别。最后，根据目标检测算法可能犯的几个错误扩展混淆矩阵，然后计算mAP作为离线评估和比较的指标。本文尝试了将MCD方法应用于复杂目标检测算法，并找出算法的不确定性和置信度之间的关系。通过特定感知SOTIF场景验证的实验结果证明了所提出的目标检测算法的不确定性获取方法的可行性和有效性，这为解决自动驾驶车辆的感知相关SOTIF风险提供了潜在的实车实现机会。

图5 考虑感知不确定性的YOLOv3目标检测算法的mAP评估系统框架

【Jiaxin Liu, Hong Wang, Liang Peng, Zhong Cao, Diange Yang, Jun Li, PNNUAD: Perception Neural Networks Uncertainty Aware Decision-Making for Autonomous Vehicle. IEEE Transactions on Intelligent Transportation Systems, 23(12), 24355-24368.】

论文摘要：由于深度神经网络的突出性能，目前自动驾驶汽车中的大多数环境感知方法都依赖于深度神经网络。然而，神经网络本质上具有黑箱特征，这可能导致感知不确定性，进而导致不可信和不安全的自动驾驶效果。因此，这项工作提出了一种决策方法，以适应由于传感器噪声、模糊特征和不熟悉输入导致的潜在感知不确定性。该方法首先使用蒙特卡洛dropout法将感知神经网络不确定性估计为原始输出的分布。然后，在设计的基于强化学习的决策器中，使用分布值函数来考虑感知不确定性带来的影响。最后，备份策略将保证车辆的性能在一定的阈值之上，以避免感知不确定性带来的灾难性结果。实验部分使用CARLA模拟器构建驾驶场景，而感知不确定性来自真实数据集。本实验关注广泛使用的神经网络YOLO-V3的目标检测不确定性。结果表明，即使在较差的感知条件下，所提出的方法能识别较高的感知不确定性，进而提升自动驾驶安全。与此同时，自动驾驶汽车并没有因为由于考虑感知的不确定性而变得过于保守。

图6 考虑感知不确定性的决策方法在不同感知干扰场景下的性能表现

【Wang B, Luo Y, Zhong Z, et al. Risk reduction for safety of the intended functionality of CACC with complex uncertainties: A cooperative robust non-fragile fault tolerant strategy[J]. Transportation research part C: emerging technologies, 2022, 144: 103885.】

论文摘要：智能网联汽车队列在实际道路环境中运行时受多源异质的性能限制和复杂的不确定的影响，预期功能安全（SOTIF）问题非常具有挑战性。研究提出了一种协同鲁棒容错控制（CRNFTC）策略，以降低感知和控制执行系统的性能局限导致的不合理风险，保障协同式自适应巡航控制（CACC）的SOTIF。首先，提出了一种协同鲁棒估计方法（IBCRE），通过融合自车信息和协同信息，同时估计队列中车辆的运动状态、匹配干扰、感知和控制执行性能局限信息；给出了前车跟随（PF）和双向跟随（BD）通信拓扑结构下的估计器的存在条件。然后，提出了一种分布式鲁棒非脆弱H∞容错控制方法，补偿异质性能局限和匹配干扰的影响，并抑制不匹配干扰。基于Lyapunov理论，在考虑车辆系统不确定性和控制器摄动的情况下，得到了所提出的CRNFTC存在的充分条件和最优增益求解方法。通过对比试验，验证了所提出的CRNFTC在保障不同通信拓扑结构下CACC的SOTIF方面的有效性和优越性。

图7 通信网络拓扑结构

【Xingyu Xing, Tangrui Zhou, Junyi Chen, Lu Xiong, Zhuoping Yu. A Hazard Analysis Approach based on STPA and Finite State Machine for Autonomous Vehicles[C]//2021 IEEE Intelligent Vehicles Symposium (IV). IEEE, 2021: 150-156.】

论文摘要：根据现行标准，在车辆开发的早期阶段，危害分析是确保车辆安全的一个非常重要的步骤。然而，由于各种软硬件组件组成的高级驾驶辅助系统（ADAS）和自动驾驶系统（ADS）的复杂性使得很难识别出系统危害。目前，系统理论过程分析（STPA）作为一种针对复杂系统的危害分析方法，已逐渐被应用于ADAS和简单的ADS，并被证明是可行的。本文引入了有限状态机（FSM），以弥补STPA在分析具有多种自动模式和功能的高级自动驾驶车辆方面的不足。首先，分析了STPA在ADAS和ADS中的前序应用及其局限性。其次，对危害事件进行了定义。提出了一种结合STPA和FSM的扩展方法，用于对车辆状态和环境条件进行建模，并对非预期行为进行分析。最后，给出了一个用于自动驾驶汽车的示例研究，对传统STPA和扩展方法进行了比较。与传统的STPA相比，所提出的方法可以识别更多的危害事件，并提供更多有关危害事件的详细信息，以生成测试场景。

图8 Comparison of the identified UCAs of the extended STPA with the original version

【Xingyu Xing, Tong Jia, Junyi Chen, Lu Xiong, Zhuoping Yu, An Ontology-based Method to Identify Triggering Conditions for Perception Insufficiency of Autonomous Vehicles, arXiv:2210.08724】

论文摘要：自动驾驶汽车（AV）是一个依赖于复杂传感器和算法的安全攸关系统。如果这些传感器和算法错误理解了环境状态，即使所有组件都没有故障，AV也可能面临风险状况。ISO 21448定义了预期功能安全（SOTIF），旨在通过规定AV的开发和验证过程来提升AV的安全性。根据ISO 21448的要求，应该对可能导致车辆功能不足的触发条件进行分析和验证。然而，到目前为止，还没有一种方法能实现对触发条件全面和系统的识别。本文提出了一种基于事件传播链模型的感知系统触发条件分析框架，包括触发源、被影响的感知阶段和触发效果。根据分析框架，构建了触发源和感知阶段的本体，定义了本体中不同概念之间的关系。根据这些本体，可以全面系统地生成触发条件。将所提出的方法应用于L3自动驾驶汽车，并在场地测试了识别出的87个触发条件中的20个，其中8个触发条件触发了车辆的危险行为。

图9 Analysis framework of triggering conditions

【Tianyue Feng, Lihao Liu, Xingyu Xing, Junyi Chen. Multimodal Critical-Scenarios Search Method for Test of Autonomous Vehicles[J]. Journal of Intelligent and Connected Vehicles, 2022,5(3):167-176.】

论文摘要：本文旨在快速、全面地搜索自动驾驶汽车（AVs）的关键场景，这对验证至关重要。本文采用F1指标量化搜索空间的关键场景覆盖率，并提出了改进粒子群优化算法（IPSO），以增强对高覆盖率的探索能力。IPSO与粒子群优化算法（PSO）相比有三个改进。在初始阶段，引入了拉丁超立方体采样使得粒子均匀分布。在迭代阶段，采用邻域算子将粒子分群以探索更多模态。在收敛阶段，采用收敛判断和重启策略以避免局部收敛。通过与蒙特卡罗算法（MC）和PSO的比较，进行了基于测试函数和关键场景搜索的实验以验证方法的有效性和应用效果。结果表明，IPSO可以全面搜索多模态关键场景，且在关键场景搜索实验中，阈值更严格，所需样本更少，IPSO的覆盖率比PSO高14%，比MC高40%。搜索空间的关键场景覆盖率由F1指标量化，并且所提出的方法对于AV的关键场景搜索具有更高的搜索效率和覆盖率，这表明了其应用于自动驾驶汽车验证的潜力。