《Sensors》：Applications of Machine Learning in Automotive Engineering: Editorial to the Special Issue
编辑推荐：
该特刊编辑述评未提供独立摘要；以下为其引言中概述性内容的专业翻译。汽车行业正处于其历史上最重要的技术转型之一。自动化与网联车辆（connected vehicles）的兴起，以及电动汽车市场份额的增长和性能的持续提升，正在重塑车辆的设计、控制、监测和维护方式。
该特刊编辑述评未提供独立摘要；以下为其引言中概述性内容的专业翻译。汽车行业正处于其历史上最重要的技术转型之一。自动化与网联车辆（connected vehicles）的兴起，以及电动汽车市场份额的增长和性能的持续提升，正在重塑车辆的设计、控制、监测和维护方式。这些转型带来重大工程挑战和新机遇，机器学习（Machine Learning, ML）与人工智能（Artificial Intelligence, AI）已成为应对这些挑战的关键使能技术，涵盖车辆设计与控制至监测与维护。过去约十年，从经典统计学习到深度神经网络和强化学习（Reinforcement Learning, RL），ML方法已从学术好奇转向在现代车辆几乎所有子系统中的实际部署。这些工作多围绕车辆主要数据源组织：摄像头、LiDAR、雷达以及控制器局域网（Controller Area Network, CAN）总线等车内网络。这些传感与通信通道现常以学习模型处理，用于感知环境、估计车辆与交通状态、规划并执行安全机动、检测异常与网络攻击、预测电池行为并监测驾驶员。由于这些功能高度异质，进展常在计算机视觉、控制理论、网络安全和人因等学科孤岛中报告。本特刊“Applications of Machine Learning in Automotive Engineering”旨在汇集代表性工作，提供ML在汽车工程中当前影响的横截面。征稿邀请ML及其在汽车系统中的应用、受ML或AI启发的汽车系统建模、仿真与控制、通过ML实现先进传感与执行、基于RL的控制、网联与自动化车辆、预测性维护、高级驾驶辅助系统（Advanced Driver Assistance Systems, ADAS）以及人机界面等投稿。接受的十五篇文章涵盖感知、状态与轨迹估计、控制、车辆健康与安全以及驾驶员监测，数据源包括LiDAR点云、单目摄像头视频、车内CAN总线流量、GPS日志和电池单元电压。
该特刊编辑述评围绕“Applications of Machine Learning in Automotive Engineering”展开。汽车行业正处于重要技术转型期，自动化与网联车辆（connected vehicles）兴起，电动汽车市场份额增长且性能持续提升，正在重塑车辆设计、控制、监测和维护。由此产生工程挑战与机遇，机器学习（Machine Learning, ML）和人工智能（Artificial Intelligence, AI）成为关键使能技术。过去约十年，从经典统计学习到深度神经网络和强化学习（Reinforcement Learning, RL），ML已从学术研究走向现代车辆几乎每个子系统的实际部署。相关活动围绕主要数据源展开：摄像头、LiDAR、雷达和控制器局域网（Controller Area Network, CAN）总线。学习模型用于环境感知、车辆与交通状态估计、安全机动规划与执行、异常与网络攻击检测、电池行为预测和驾驶员监测。由于功能异质，进展分散在计算机视觉、控制理论、网络安全和人因等学科。特刊目的是汇集代表性工作，展示ML在汽车工程中当前产生影响的跨截面。征稿范围包括ML及其在汽车系统中的应用、受ML或AI启发的建模仿真与控制、通过ML实现先进传感与执行、基于RL的控制、网联与自动化车辆、预测性维护、高级驾驶辅助系统（Advanced Driver Assistance Systems, ADAS）以及人机界面。研究接受十五篇文章，按感知与环境传感、车辆状态与轨迹估计、学习型控制与决策、车辆健康能源与网络安全、驾驶员监控与人机交互五类组织，数据源包括LiDAR点云、单目摄像头视频、车内CAN总线流量、GPS日志和电池单元电压。该特刊编辑得出，ML已深入汽车工程实践，并非仅作为端到端自动驾驶等单一头条应用，而是作为工具包应用于广泛且更窄的安全与效率相关问题。
作者为开展研究用到的主要关键技术方法可概括为：几何增强网络用于实时LiDAR语义分割；遗传算法（Genetic Algorithm, GA）与粒子群优化（Particle Swarm Optimization, PSO）用于交通监控相机校准；多模态卷积神经网络（Convolutional Neural Network, CNN）用于反向摄像头行人检测；深度学习用于ADAS道路特征检测；相机、惯性测量单元（Inertial Measurement Unit, IMU）与转向角融合的延迟补偿车道坐标状态估计；同步CAN总线与智能手机IMU数据分类ADAS激活；基于rounD环岛数据集的GRU与图交互模块用于轨迹预测域泛化；安全RL与深度RL用于高速公路决策和车道保持；单阈值自编码器CAN入侵检测；实时异常检测；级联两阶段LSTM用于多单元电压预测与荷电状态（State of Charge, SOC）估计；GPS日志与ML估计实际排放；深度学习基于车内数据预测手在/不在方向盘。样本或数据来源包括LiDAR点云、单目摄像头视频、交通监控相机、反向摄像头视频、CAN总线流量、智能手机IMU、GPS日志、rounD环岛数据集和电池单元电压。
2.1 感知与环境传感（Perception and Environmental Sensing）：Wu and Wei 提出GENet，一种用于实时LiDAR语义分割的几何增强网络，避免2D投影方法常见的空间信息损失，同时保持自动驾驶和移动机器人所需推理速度。Li and Yoon 将遗传算法与粒子群优化结合，改进交通监控相机校准，并在信号交叉口用单相机将车辆定位到三维世界坐标，为交通管理提供低成本替代LiDAR或多相机定位的方案。Reveles-Gómez et al. 使用多模态卷积神经网络检测反向摄像头中的行人，针对有限视场和近距离使检测尤其困难的场景。Nadeem et al. 将深度学习用于ADAS道路特征检测，识别车道标线、标志和其他支持下游驾驶辅助功能的道路元素。这五篇文章表明，无论车载还是基础设施侧，学习型感知仍在为精度、鲁棒性和实时性能持续改进。
2.2 车辆状态与轨迹估计：Kim et al. 提出延迟补偿的车道坐标车辆状态估计器，融合相机、IMU和转向角传感，均为低成本传感器，以支持依赖车道相对定位的ADAS和自动驾驶功能。Lee et al. 处理相关问题，用同步CAN总线和智能手机IMU数据分类ADAS在实际驾驶中是否激活，应用于安全监测和事故后取证。Zhang 在rounD环岛数据集上研究轨迹预测域泛化，结合门控循环单元与图交互模块，改善轨迹预测模型跨不同环岛几何和交通条件的迁移能力。
2.3 学习型控制与决策：Zhao et al. 提出安全RL框架用于自主高速公路驾驶，显式加入约束以降低碰撞风险，包括训练数据中代表性不足的长尾场景，并报告相对无约束RL基线改善安全性和稳定性。Kim et al. 将深度RL用于车道保持控制，使策略以周围车辆行为为条件，从而适应邻近交通而非仅依赖车道几何。两篇文章反映RL不仅按名义性能评估，也越来越按现实、罕见或对抗驾驶条件下的鲁棒性和安全性评估。
2.4 车辆健康、能源与网络安全：Kim et al. 提出自适应单阈值自编码器CAN入侵检测系统，实现高检测精度并降低车内部署所需计算开销。Dini and Saponara 设计并实验评估更广泛的汽车网络安全实时异常检测技术，在现实攻击场景下评估其方法。Pourbunthidkul et al. 开发级联两阶段LSTM框架，用于电动车电池多单元电压预测和SOC估计，尤其关注高温气候下电池管理系统（Battery Management System, BMS）性能退化。Rivera-Campoverde et al. 结合GPS日志与ML估计轿车、SUV和皮卡的实际驾驶排放，提供实验室排放测试的低成本替代方案。
2.5 驾驶员监控与人机交互：Pyeon et al. 提出基于深度学习的系统，利用车内数据预测驾驶员手在或不在方向盘。随着部分自动化更加普遍，可靠检测手在/手离状态是仍要求及时接管的系统的重要保障。
最后总结讨论与结论。该特刊十五篇文章表明，ML已深入融入汽车工程实践，并非仅作为端到端自动驾驶这样的单一头条应用，而是作为工具包应用于广泛且更窄的安全和效率相关问题。若干交叉主题出现：第一，传感器融合和低成本传感仍是反复关注点，贡献2、3、6、14有意偏好摄像头、GPS等低成本传感器而非LiDAR或专门仪器，用ML从更便宜硬件提取更多信息；第二，实时性能被视为一等设计要求，从LiDAR分割（贡献1）到入侵检测（贡献11），反映嵌入式和车内部署约束；第三，现实和罕见条件下的鲁棒性，如RL长尾安全场景（贡献9）、轨迹预测跨地点泛化（贡献8）和电池模型高温运行（贡献13），越来越被视为与平均情况精度同等重要；第四，网络安全和车辆健康监测（贡献4、11、12）现已牢固成为汽车ML议程，反映网联车辆也是网络化且可攻击系统。基于本合集，研究人员预计若干方向持续研究：将感知、状态估计和控制更紧密整合为统一学习管线；在真实部署前更系统评估学习型控制器的安全与鲁棒性；更广泛使用低成本和基础设施感知以补充车载传感器套件；更关注驾驶员作为日益自动化系统中的主动参与者而非仅作为后备。研究人员也指出，预测性维护虽明确纳入特刊原范围，但相对感知和控制吸引投稿较少；随着车辆健康预测继续成熟，鼓励未来研究将其与本文集代表的感知、状态估计和控制主题更紧密连接。研究人员希望本特刊提供当前领域状态的有用快照，并作为追求这些方向的研究人员的起点。
