68、用于鲁棒自动驾驶车辆感知的场景图嵌入

用于鲁棒自动驾驶车辆感知的场景图嵌入

1. 引言

汽车网络物理系统（Automotive CPS），也被称为自动驾驶车辆（AV），旨在彻底改变个人出行、物流和道路安全。然而，现代自动驾驶汽车因感知错误引发的事故仍时有发生，这表明开发安全可靠的自动驾驶车辆仍是一项艰巨的挑战。更糟糕的是，这些感知错误在我们看来往往完全不合理。例如，在一次事故中，一辆自动驾驶汽车未能识别出完全挡住高速公路的半挂车；另一次事故中，一辆车在白天径直撞上了高速公路分隔带。这些事件严重质疑了当前自动驾驶车辆感知系统理解道路状况的能力。

据统计，在传统车辆中，超过40%与驾驶员相关的碰撞事故主要是由感知和预测错误导致的。在复杂的城市环境中，导航尤其具有挑战性，因为场景变化多样，涉及行人、自行车、交通拥堵、盲道、道路堵塞等情况。在这种情况下，有效理解驾驶场景变得尤为关键，这促使研究人员和行业领袖竞相通过更先进的自动驾驶车辆感知系统来解决这些问题。

人类能够有效感知道路状况，而不会犯自动驾驶车辆感知系统常见的错误，这是为什么呢？近期研究表明，人类在执行复杂任务（如驾驶时识别风险）时，依靠认知机制来识别场景结构并推理物体间的关系。然而，现有的自动驾驶车辆感知架构使用道路几何信息和车辆轨迹模型来估计道路场景状态（基于模型的方法）。近年来，利用卷积神经网络（CNNs）、长短期记忆网络（LSTMs）或多层感知器（MLPs）的深度学习技术架构，已被证明能有效捕捉在空间和时间域中建模主观风险的关键特征。但这些方法无法获得对复杂道路场景的高级、类人理解，因为它们无法明确捕捉物体间的关系或道路场景的整体结构。在复杂场景中，未能捕捉这些关系会导致感知性能不佳。

总体而言，使用数据驱动方法为汽车网络物理系统设计鲁棒