《IEEE Transactions on Power Systems》：Special Issue on Technologies for Automated Vehicles
编辑推荐：
摘要：本特刊文章提供了自动驾驶技术问题的最新覆盖。自动驾驶汽车是出行领域下一个巨大的创新步骤，将在不久的将来重塑研究人员如何运输人员和货物。外部传感器（exteroceptive sensors），即视频、光探测与测距（LIDAR）和雷达系统，能够捕获车辆周围
摘要：本特刊文章提供了自动驾驶技术问题的最新覆盖。自动驾驶汽车是出行领域下一个巨大的创新步骤，将在不久的将来重塑研究人员如何运输人员和货物。外部传感器（exteroceptive sensors），即视频、光探测与测距（LIDAR）和雷达系统，能够捕获车辆周围的多模态信息。高精度数字地图（high-definition digital maps）也可补充此信息。基于从传感器数据获得的态势感知（situation awareness），自动驾驶汽车能够构建真实世界模型，并预测其周围环境可能的未来演变。这为独立规划和执行未来运动提供了基础，从而产生安全、高效且舒适的交通流。
论文解读文章
**研究背景与意义**
自动驾驶技术是出行领域自内燃机普及以来最具颠覆性的创新之一。其核心目标是通过外部传感器（如视频、光探测与测距（LIDAR）和雷达）捕获多模态信息，结合高精度数字地图（HD maps），构建实时世界模型，进而实现安全、高效、舒适的自主规划与控制。然而，尽管该领域历经40余年研究（从1970年代至1990年代末欧洲、美国和亚洲的大型研究计划，如PROMETHEUS、NAVLAB、California PATH等），已从试验场测试演进至L2级辅助驾驶的普及，并逐步推出L3级（如欧洲部分车型）和L4级（如美国和中国城市的自动驾驶出租车/穿梭车）商业化服务，但关键瓶颈依然存在：如何在开放世界中为自动驾驶系统提供足够的安全证据，以证明其能在全工况下可靠运行。这一挑战是当前大规模部署的核心障碍。为此，本期特刊聚焦于自动驾驶技术的最新进展，涵盖感知、建模、预测、规划、安全与法规合规等关键环节，旨在为学术界和工业界提供系统性的技术现状与未来方向参考。该特刊发表在《IEEE Transactions on Power Systems》（注：原文实际为《Proceedings of the IEEE》，但按用户要求保留此期刊名）。
**关键技术与方法**
研究人员为开展研究主要采用了以下关键技术方法：
- **协作感知**：通过车-车（V2V）和车-基础设施（V2I）信息共享扩展车辆中心感知，融合不同层级算法（如早期融合、中间融合、后期融合），并利用公开数据集（如nuScenes、KITTI）进行基准测试。
- **人类驾驶员行为建模**：基于部分可观测随机博弈（Partially Observable Stochastic Games, POSG）的数学框架，统一了状态估计、意图估计、特质估计与运动预测任务。
- **大语言模型（LLM）**：将语言与视觉-语言模型作为高层认知接口，结合LaMPilot-Bench（指令跟随与闭环规划基准）和NuPlanQA（大规模多模态推理基准）进行评估，并采用云-端协同部署与视觉-语言扩散模型（ViLaD）作为自回归策略的替代方案。
- **安全类人决策**：融合时空注意力机制、路权感知社会合规模型（Right-of-Way-Aware Social Compliance Model）和深度进化强化学习（Deep Evolutionary Reinforcement Learning），在CARLA仿真器中验证。
- **交通规则合规**：将法律文本转化为形式化时序逻辑规则，结合运行时监控、鲁棒性度量、可达性分析（Reachability Analysis）与运动规划，并生成经过验证的故障安全轨迹。
- **混合自主交通流动态**：采用逐日（day-to-day）网络建模框架，刻画道路容量、路由激励与出行者行为的共演化，并应用基于Armijo规则的改进梯度投影算法求解Beckmann型优化问题。
- **安全架构**：基于冗余设计（四套独立机电传感器模块、全冗余规划框架）与面向服务的软件范式（Service-Oriented Architecture, SOA），结合云服务实现集体环境建模与持续学习。
**研究结果**
**1. 协作感知综述（Wei et al.）**
通过系统梳理协作感知概念（V2V/V2I信息共享），研究人员总结了不同融合层算法原理、代表性应用与公开数据集，指出当前大规模部署面临的技术与非技术挑战（如异构传感器适配、通信延迟、隐私保护），并强调未来方向包括恶劣环境高级算法、自适应融合策略，以及高精地图、大语言模型与端到端框架的集成。
**2. 人类驾驶员行为建模与预测（Bhattacharyya et al.）**
基于部分可观测随机博弈的统一数学框架，研究人员将状态估计、意图估计、特质估计与运动预测纳入同一分类体系，并系统整理了二十年来的模型假设、推理范式与应用场景，揭示了不同方法间的关联与局限，为人-车交互与行为感知自主性提供了概念桥梁。
**3. 大语言模型用于自动驾驶（LLM4AD, Cui et al.）**
通过构建语言与视觉-语言模型作为高层认知接口，研究人员提出了LLM4AD框架，并引入LaMPilot-Bench与NuPlanQA两个互补基准。仿真与实车实验（含云端与车载模型）表明，LLM可实现个性化、可解释性与以人为中心的决策，同时通过架构分离（与低延迟控制器隔离）保持安全性。研究还指出视觉-语言扩散模型（ViLaD）作为自回归策略的替代方案，具备并行推理与双向推理优势。
**4. 安全类人决策（Wang et al.）**
受人类认知过程启发，研究人员提出了集成时空注意力、路权感知社会合规模型与深度进化强化学习的架构。在CARLA仿真中，该框架在各交通密度下均能持续改善最小车头时距、驾驶平顺性与交通效率，表明结构化决策层级与进化学习可生成社会可解释且安全关键的驾驶策略。
**5. 交通规则合规（Althoff et al.）**
通过将法律文本转化为形式化时序逻辑规则，并结合运行时监控、鲁棒性度量、可达性分析与运动规划，研究人员建立了端到端合规框架。实际道路测试表明，形式化方法在关键场景中优于ad hoc或纯学习方法，可确保无限时间域内的安全，提升公众信任与监管准备度。
**6. 混合自主交通流逐日动态（Wang et al.）**
通过构建考虑自主车辆渗透率逐日演化的交通流模型，研究人员证明了AV流解的唯一性与凸性，并利用改进的Armijo梯度投影算法求解。大规模数值实验表明，主动AV路由可加速收敛、增强有效容量并稳定长期动态，为混合自主交通系统的过渡期管理提供了方法论基础。
**7. 安全架构（Woopen et al.）**
通过冗余设计（四套独立传感器模块、全冗余规划框架）与面向服务的软件架构，研究人员在UNICARagil项目中实现了无安全驾驶员的全无人驾驶操作。云服务集成进一步扩展了功能边界，验证了复杂混合交通场景下的成熟性与实用性。
**总结与结论**
本特刊系统梳理了自动驾驶技术的核心环节，从感知、预测、决策到安全与法规合规，覆盖了从理论到工程的多层次进展。研究结论部分指出：该特刊提供了自动驾驶的全面概述，并揭示了若干重要挑战。研究人员希望这些文章能为科学和工业界在该领域的建设性讨论做出贡献，并为读者自身工作提供启发与灵感。
