目前自動駕駛的策略研究仍停留在具體場景執行具體策略，清華大學的研究人員在交通領域的頂會發表了一篇全面的綜述，從更進階的角度分析自動駕駛策略。
當自動駕駛遇見會車，應該搶先通過，還是等待讓行？
自動駕駛的策略一直是該領域的核心問題，即在交通衝突區域內，自動駕駛汽車應該如何與其他交通參與者進行合理且高效的互動。
過於激進或過於保守的策略都會對通行效率產生影響，甚至對乘坐者的生命安全造成威脅。
先前對於自動駕駛策略的研究主要集中在低階詳細的駕駛行為或特定的交通情況上，也就是「具體問題具體分析」，導致工程代碼裡可能有成千上萬個if-else，而目前也缺乏對高級駕駛策略研究。
儘管研究人員對駕駛策略表現出越來越多的興趣，但仍沒有關於如何主動實施安全駕駛的全面答案。
最近，由清華大學、中科院自動化所和Intel中國研究院聯合研究的成果，在交通安全領域國際頂級期刊Accident Analysis and Prevention（交通領域SSCI期刊排名第一，JCR Q1）舉辦的2021年年度研討會上進行了公開展示和口頭匯報，並獲得了該期刊年度最佳論文獎。
論文連結：https://www.sciencedirect.com/science/article/abs/pii/S0001457520317577#!
作者在分析了幾種代表性駕駛策略之後，提出了三個對衡量駕駛策略很重要的特徵維度：首選目標（preferred objective），風險慾望（risk appetite）和協作方式（collaborative manner）。
根據這三個特徵維度，研究人員將自動駕駛汽車的現有駕駛策略分為四種：防禦性駕駛策略，競爭性駕駛策略，談判的駕駛策略和合作駕駛策略，並對這四種策略進行了比較，並找出了改善進階駕駛策略設計的可能方向。
作者認為，在面對將長期存在的混合交通流（自動駕駛汽車與傳統汽車混行）時，應該主動引入路權協商機制以調和個體意圖之間的矛盾。
論文的通訊作者為李志恆博士，目前是清華大學深圳研究生院副教授、博導。於2009年獲清華大學自動化系控制科學與工程學科工學博士學位。主要研究方向為：智慧交通系統、交通號誌控制系統、交通管理規劃、智慧公共交通系統、智慧交通大數據研究等。主持及參與國家級計畫10餘項。
近年來，自動駕駛技術被寄予厚望，人們普遍相信其有潛力重塑整個道路運輸領域並解決眾多實際交通問題，如道路可及性、交通效率、便利性，尤其是安全性。
然而，越來越多的研究者逐漸發現，教會自動駕駛汽車「安全行駛」絕非易事。以左轉為例，2010 年美國交通部的一項研究對超過200萬起事故調查後發現，左轉發生的事故幾率是右轉的二十倍；自動駕駛領域巨頭Waymo的行為團隊負責人、軟體工程師Nathaniel Fairfield認為：無保護的左轉是自動駕駛中最棘手的事情之一；MIT機械工程系John Leonard教授也曾坦言：自動駕駛每天都有很多挑戰，左轉彎幾乎在問題列表的最上端。
而該項工作研究團隊認為，引發左轉碰撞這類安全問題的本質原因是不同車輛在互動時所採用的宏觀策略存在差異。有別於聚焦在具體場景或具體駕駛行為的微觀策略，宏觀策略是對決策過程典型要素的抽象，是由自動駕駛策略的硬體基礎與決策機制共同決定的。
因此，這項工作主要討論了自動駕駛汽車在與其他交通參與者互動的過程中，應該遵循何種宏觀策略以避免由誤判引起的碰撞風險，從而有序通過交通衝突區域。
在這項工作中，研究團隊在回顧現有研究後，提出了兩個用來衡量宏觀駕駛策略的主要維度:
根據整體利益（環境交通效率等）和個體利益（單車通行速度）之間不同的重點，現有典型駕駛策略可以分為「對抗駕駛」和「合作駕駛」兩類。
其中，根據風險偏好的不同，對抗駕駛策略進一步分為了偏好安全指標的風險厭惡型「防禦性駕駛策略」和偏好速度指標的風險中立「競爭性駕駛策略」。
而合作性駕駛策略又可分為不依賴主動通訊設備的「協商性駕駛策略」與依賴主動式通訊設備（車聯網、V2V等）的「協同駕駛策略」（圖1） 。
圖1：四類典型宏觀駕駛策略
在這項工作中，研究團隊針對以上四種典型駕駛策略的運作機制，核心任務，互動邏輯，決策機制和硬體基礎進行了綜述分析。
具體來說，防禦性駕駛策略被定義為:對其它車輛採取非理性假設（即認為非理性行為發生概率高），規定自動駕駛汽車以保證自身安全為核心目的而獨立決策的一種駕駛策略。
競爭性駕駛策略被定義為：對其它車輛採取理性假設(即認為非理性行為發生概率低)，規定自動駕駛汽車以提高自身效率為核心目的而獨立決策的一種駕駛策略。
協商性駕駛策略被定義為：基於對傳統駕駛行為的理解，自動駕駛汽車與其他車輛進行合理協商、共同決策，以換取效率和安全兼顧的一種駕駛策略。
協同駕駛策略被定義為：在車聯網技術的支援下，自動駕駛汽車與其他車輛協同、接受統一調度指令以達到全局最優的一種駕駛策略。
緊接著，團隊進一步對這四種策略的優缺點與特點進行了討論。
隨著本世紀自動駕駛技術的發展，防禦駕駛策略最早被提出，因為這種駕駛策略與人類駕駛規則之間存在著諸多相似之處，核心目標都是消解或減少交通不確定性所帶來的潛在風險。
然而，防禦性駕駛的最大弊病在於：自動駕駛汽車為了防止小機率交通事故的發生可能會過度冗餘保守，使得交通效率下降。
例如，在Intel Mobileye團隊提出的責任敏感性駕駛模型（Responsibility Sensitive Safety，RSS）原始版本[2]中，自動駕駛汽車被要求保持足夠遠的安全距離以應對前車隨時可能的急煞車行為（圖2）。
而團隊進一步研究發現，當前車的意圖納入決策考量後，自動駕駛汽車可以在保證安全要求的前提下將跟隨距離縮短三倍以上。這顯示在引入互動後，改良後的防禦駕駛同樣可以保證一定的交通效率。
相關研究成果也已經公開發表並且被Mobileye採納[3]。
圖2：Mobileye 發布的RSS原始版本中對安全距離的規定[2]
隨著研究的深入，防禦駕駛策略的各種弊端逐漸顯現，如缺乏長期規劃、影響交通效率等。
為了解決這些問題，「學習」的概念逐漸被引入自動駕駛領域，人們試圖教導機器像人類一樣，基於經驗在預期利益和潛在風險之間做出決策。
基於這個想法，以MIT強化學習模式Deep Traffic（圖3）為代表的競爭駕駛策略應運而生[4]。
在這種策略的引導下，自動駕駛汽車將道路交通視為「非合作動態遊戲」過程，並且始終在尋找提高駕駛效益的可能性。
然而，這類駕駛策略往往難以繞過兩個問題：
1. 模擬所帶來的擬真性問題，即「reality gap」。這類駕駛決策演算法往往需要在模擬系統中進行，而演算法的訓練過程恰恰十分依賴環境回饋，那麼如何保證模擬系統中的互動過程足夠逼真，是研究者必須回答的問題；
2. 理性假設所帶來的潛在風險增加。經研究發現，隨著訓練的進行，由於模擬環境中的理性個體遠多於非理性個體，自動駕駛汽車可能會從一次次冒險行為中「嚐到甜頭」，而越來越趨向於採取激進的駕駛行為[5]。這種理性假設在實際道路上可能會引發交通阻塞後果。
圖3：MIT的Deep Traffic駕駛決策模型[4]（圖片來源：https://selfdrivingcars.mit.edu/deeptraffic）
因此，協商駕駛的概念被提出，其主張將路權協商機制引入以調和個體意圖之間的矛盾。研究團隊將自動駕駛汽車與其他車輛協商路權時需要遵循的原則總結為三點（圖4）[6]：
基於此，研究團隊又相繼發表多篇論文論述瞭如何在各類典型交通場景下基於路權協商進行有效駕駛決策[7]。
圖4：安全駕駛所強調的三個核心原則[6]
然而，協商駕駛受限於通訊資訊量，仍未達到對道路運力的最大利用。隨著近年來主動通訊技術的成熟和分散式協同決策模型的發展，基於車聯網的全局協同駕駛成為可能。
協同駕駛的基本假設是，所有道路車輛都將自身狀態資訊報告給中央控制系統，並完全遵守系統統一分配的機動方案進行運動控制。
在此假設下，自動駕駛汽車不再需要進行複雜的軌跡預測和風險評估，可以透過優化或搜尋的方法，以最小的計算成本換取道路資源的最大限度利用（圖5） [8,9]。
圖5：不同策略下20輛車通過同一路口延遲比較[9]
Enumeration—基於枚舉的協同駕駛全域最優解（時延315.06s）；
MCTS—基於搜尋的協同駕駛近似最優解（時延316.18s）；
FIFO—基於規則的協商駕駛一般解（時延382.54s）
上述協同駕駛的實現有三個前提條件：在車端，必須完成自動駕駛替代並配備主動通信設備；在路端，必須佈設密集的智能基礎設施作為感知與通信節點；在雲端，必須架設低時延、高並發的通訊網路與控制中心。
而這也意味著協同駕駛注定無法在短期內落地，我們必須認真考慮在未來較長的一段時間內，如何面對自動駕駛汽車與人類駕駛汽車混行的現實。
一個令人擔心的問題是，不同的自動駕駛汽車製造商有著自己的駕駛策略。這有可能會導致一些自動駕駛汽車根據自身的策略，誤判其它車輛的策略，從而導致事故的發生。因此，研究者呼籲在駕駛策略層面達成共識，更好的實現和諧駕駛，提高駕駛安全。
隨著機器智慧水平的逐漸逼近人類，機器如何在更廣泛的範圍內與人類和諧相處將會成為本世紀最重要的科學問題之一。
而在我國發布的《新一代人工智慧發展規劃》中，提出了針對2030年我國新一代人工智慧發展的指導思想、策略目標和重點任務。其中，人機協同的人工智慧是一大重點研究方向。
自動駕駛作為人工智慧發展中的代表性領域，在Level 2-Level 5級的人機共駕，Level-4-Level 5級的多種車輛協同中，都涉及人機協同的人工智慧研究問題，這些問題的解決涉及行為建模、人機互動、心理學等多個學科交叉，有必要得到更多的關注和重視。
以上是全面分析四大自動駕駛策略的詳細內容。更多資訊請關注PHP中文網其他相關文章！
