摘要：中国大量的道路基建工程建设充当着城市化发展的重要指标之一，然而交通基建并不能时刻满足日益增长的交通需求，随之而来的交通事故推动着车辆自身的安全及预警技术的研发，而该技术正是自动驾驶技术的基础。自动驾驶通过感知（传感器与创建环境地图）、规划（寻找与优化路径）与执行（ECU驱动车辆自动驾驶和安全功能）三个层面来实现自动驾驶的发展具有明朗的前景，但需要与智慧道路形成更高层次的环境感知水平，从而真正的推动人、车、路交通三要素有机结合，在更完善的交通感知环境中全方位保障三者在交通参与过程中的安全，助力车辆自动驾驶技术实现相应的社会价值。

关键词：自动驾驶；硬件功能；安全

引言

自动驾驶汽车是人工智能最为典型的应用场景，也是我国汽车产业实现弯道超车的重要契机。近年来，为推进自动驾驶汽车的发展，中央层面相继发布了《智能网联汽车道路测试管理规范（试行）》《智能网联汽车道路测试与示范应用管理规范（试行）》《关于加强智能网联汽车生产企业及产品准入管理的意见》《汽车数据安全管理若干规定（试行）》等系列法律规范，北京、上海、深圳等地方层面也在积极开展自动驾驶汽车的道路测试和示范应用。而自2022年10月以来，工信部更是先后发布《道路机动车辆生产准入许可管理条例（征求意见稿）》《关于开展智能网联汽车准入和上路通行试点工作的通知（征求意见稿）》，明确提出推动自动驾驶汽车产品准入和上路通行试点，自动驾驶汽车的大规模商业化落地迫在眉睫。

1测试场景数据库产业概述

1.1自动驾驶测试场景数据库的内涵

自动驾驶汽车技术真正落地之前，关键是要解决自动驾驶系统不断出现或未知的安全性和可靠性的问题。自动驾驶测试场景数据库，广义上可以理解为评价自动驾驶汽车安全的“习题集”与“案例库”，它是由海量真实自然采集的交通数据集来作为自动驾驶汽车设计、研发与测试评价的数据支撑。自动驾驶场景数据库产业是建立在传感器技术、软件技术、互联网技术、通信技术、仿真技术的发展基础上，在发展过程中涉及了硬件设备制造、软件系统开发、数据运营管理等产业内容，是自动驾驶行业发展过程所催生的新兴产业。

1.2测试场景数据库产业细分领域

（1）数据采集设备

场景数据采集是场景数据库产业首要生产环节，旨在将场景中道路信息、交通流信息、车辆运动信息等非数字信息转换成为计算机能够识别的数字信息。场景数据的采集过程离不开专业的数据采集设备，主要包括场景感知传感器和数据采集处理系统两类产品，其中场景感知传感器产品主要有摄像头、毫米波传感器、激光传感器以及定位传感器等产品;数据采集系统产品主要有Vector、Dspace等。场景数据采集设备产业的发展水平直接影响了场景数据库的发展质量，可以预见，随着自动驾驶场景测试技术的快速发展，与此相关的数据采集设备制造产业将迎来新的发展机遇。

（2）数据处理软件

在通过采集设备得到原始场景数据后，需要对原始数据进行整理，通过对数据进行筛选、冗余清除、缺失数据修复、场景标注聚类等处理后才能将数据入库。在这过程的每一环节都离不开专业数据软件的支持，当前市场上主流的数据处理软件主要分为手动标注与半自动标注两大类，其中手动标注数据处理软件主要有LabelMe和LabelImag;半自动标注数据处理软件主要有Anno－Mage和Microsoft－VoTT。面对测试场景库产业发展中所面临的海量场景数据，市场迫切需求更高自动化、更高效率的软件工具，这对于软件开发商而言，是道关键技术难题也是发展机遇。

（3）数据储存平台

数据采集完成之后，下一步就需要对海量的测试场景数据进行存储管理。由于自动驾驶测试场景数据类型繁多，结构化与非结构化的数据共存，传统储存介质如硬盘、U盘、移动硬盘等储存产品已难以满足储存需求。企业机构的数据储存主要有两种方式：一种是与主流的云计算数据存储平台进行合作，数据云储存的优点是可以简化数据存储流程以及减少数据丢失的风险，而且专业的云存储机制可以防止病毒的入侵;另一种是可选择传统数据储存方式，通过安装内置大容量硬盘的分布式服务器来建立自己的数据库。可以预见，自动驾驶场景数据库市场发展过程中所衍生的海量数据储存需求，将直接或间接地为数据储存产业相关的硬件生产、服务代理、产品销售等环节创造大批的就业岗位，为中国数据储存产业创造更多的发展机会。

2自动驾驶汽车适用发展风险抗辩的正当性

发展风险抗辩是指如果产品依照其投入流通时的科学技术水平不被认为有缺陷，那么即使一段时间以后的新科学技术水平认定产品存在缺陷，生产者也不需要承担责任。④各国对于发展风险抗辩的立法态度并不一致。欧洲层面，1976年《关于统一成员国有关缺陷产品责任的法律、法规和行政性规定的理事会指令〈草案〉》（《欧同体产品责任指令（草案）》）对发展风险抗辩事由持否定态度，第2条第2款规定即使根据产品投入流通时的科技发展情况认为产品不存在缺陷，生产者仍然要承担责任。然而，这一规定并没有得到广泛认同。参见胡元聪：《人工智能产品发展风险抗辩制度的理论冲突与平衡协调》，载《中南大学学报（社会科学版）》2020年第6期，第75页。参见冉克平：《产品责任理论与判例研究》，北京大学出版社2014年版，第286-287页。同体产品责任指令》第7条（e）款肯定了生产者的发展风险抗辩，但第15条第1款b项规定允许成员国就该条款作出保留。①目前，大部分欧洲国家的国内立法与指令保持一致，但也有一些国家采取了不同做法，如芬兰、卢森堡就在国内法中排除了发展风险抗辩事由的适用;法国对此选择了折衷的解决方法，即原则上生产者可以采用发展风险抗辩，但对于人体产品特别是血液和血液产品和“对进入流通后10年出现的缺陷未采取相应的措施制止损害发生”的情况作了例外规定。②与此类似，西班牙、德国等国家都采用了原则上适用发展风险抗辩事由，同时辅之以特殊产品例外规定的折衷模式。③在美国，发展风险抗辩指的是工艺水平抗辩，主要适用于过失产品责任中。④这种产生于判例和立法的抗辩制度，其通常的主题是：如果产品出售时危险是不知悉、不可预防的，那么法院不太情愿将责任适用于生产商，即不愿让生产商为他们无法控制的风险负责任。⑤在1965年美国《第二次侵权法重述》第402A条确认产品责任的严格责任属性后，发展风险抗辩被许多法院视为一种过失抗辩而拒绝采用。然而，随着产品责任纠纷的急剧增加，产品责任的严格责任属性受到质疑，各州对于发展风险抗辩的态度逐渐回暖。

3自动驾驶技术实现

2020年，成熟的自动驾驶技术发展路线和各大厂商的阵营界限划分已经形成，但最终自动驾驶要实现完全全自动无人干预，相关技术还需要进行不断的迭代和发展。根据WEVOLVER发布的《2020自动驾驶技术报告》中的解析，自动驾驶方案可以从感知、规划、执行三个层面来实现，而感知层面中配备的传感器设备的是实现车辆主动安全的基础，在执行阶段依靠避碰撞算法和规划路径来实现安全驾驶和自动驾驶的双重功能。

3.1感知层面

传统的车辆不能识别和感知在何种道路环境中行驶，驾驶员通过感官和经验来操作车辆，车辆自动驾驶首要解决的问题就是识别当前未知的行驶环境和条件，所以它需要先创建一个能将自身定位其中的环境地图，通过传感器和AI系统的帮助，实现同步定位和映射过程（SLAM，即时定位和地图构建）的输入。根据各个传感器的技术特点（无源和有源），将他们进行整合和设计在车辆的合适位置之上，来实现车辆对道路环境的全方位态势感知，所以一辆要保证可靠性和安全性的自动驾驶车辆，需要配备多个传感器，其中根据功能可划分为测距和识别，测距包括了激光长距离探测雷达、毫米波中/短距离探测雷达、超声波短距离探测雷达（声纳）等；识别包括了全景摄像头、双目/三目识别摄像头、红外探测雷达（夜视雷达）等。无源传感器能够探测环境中物体反射的现有能量，如光、辐射等。但在弱光环境下，由于没有自己的传播源，无源传感器的性能将有所下降。但是对比有源传感器能生成更高的数据量，因此无源传感器一般用于识别功能，如汽车的双目识别摄像头生成的3D立体图像信息，用于识别车辆、行人和车道线。有源传感器一般依照TOF原理来感知道路条件，并且具有信号传输源、TOF原理用于测量信号源发射到目标反射回来的传播时间，并且信号的发射频率能影响探测的效率，因此，车辆有源传感器需要选择合适的波长，这样才能才自动驾驶系统中实现更高的可靠性。

3.2 规划层面

车辆根据感知层面获得的原始数据和环境地图，自动驾驶系统需要通过同时定位与映射算法不停的构建和更新实时地图，保持跟踪车辆的详细定位信息，从而开始规划点到点的对应路径。要实现上述功能，需要SLAM执行定位和构建地图，同时为了提升SLAM的准确性，介入了传感器融合，该方式通过组合多个传感器数据和数据库以实现信息的改进。之后车辆需要筛选提取出关键信息，并基于现有信息执行任务，则需要利用机器学习算法——CNN（卷积神经网络）、RNN（递归神经网络）、DRL（深度强化学习）。机器学习算法将根据经典规划方式进行更多的轨迹优化，从而保证路径规划的精确性。

3.3执行层面

车辆的电子控制单元即ECU将取代驾驶员操作，主动对车辆的电动或液压执行器执行驱动命令，高端的自动驾驶车辆将拥有数十个ECU，该单元在负责控制车辆的同时，也将负责主动安全功能。

3.4车辆安全技术

第一级别为被动安全技术，此级别不能避免事故的发生，是作为碰撞发生时的被动安全反馈来降低事故造成的人员伤亡和损失。一般指驾驶员保护（汽车前、侧或膝部安全气囊，安全带）、行人防碰撞保护（引擎盖弹起装置或于车头底部加装行人防卷入横梁）、车辆自身保护（如丰田汽车的碰撞吸能设计，奥迪汽车的AI主动悬挂系统，抬起车辆减轻侧面碰撞等）。

第二级别为防碰撞预警技术，此级别的车辆可以主动探测到碰撞的发生并做出保护措施，例如安全带主动收缩，即将碰撞提示与反馈等等。此级别可以预警危险，但并未排除风险。

结语

自动驾驶测试场景数据库行业是融合了多个产业技术领域的新兴产业，是支撑中国未来自动驾驶技术安全可靠发展的重要战略性资源。中国的自动驾驶测试场景数据库的发展过程中要充分吸取国外市场发展经验，也要根植中国本土市场，建设以服务中国自动驾驶技术路线的测试场景数据库，而在场景数据库市场化进程中，不仅需要国家层面的规划和引导，也需要全社会的共同努力和参与。

未来应加强场景数据库开发运营人才队伍建设，探索成果奖励制度模式，鼓励全产业链积极参与场景数据技术服务创新，同时依托高等院校、科研院所、企业等机构设立自动驾驶场景数据测试实验室和相关专业课程，建立中国特色的自动驾驶场景数据人才培养体系。除了完善专业人才的培养和储备制度以外，还应通过加强相关职业技能培训以及社会层面的通识教育，协助自动驾驶产业培养场景数据人才，树立数据安全意识。

参考文献

［1］程晨，陆文杰，许浩新.自动驾驶汽车测试场景数据库系统设计与实现［J］．中国交通信息化，2021（10）：95－99.

［2］董小飞，顾海雷.自然驾驶场景数据采集系统开发应用与场景分析［J］．质量与标准化，2021（6）：4.

［3］朱冰，张培兴，赵健，等.基于场景的自动驾驶汽车虚拟测试研究进展［J］．中国公路学报，2019，32（6）：1－19.

［4］余荣杰，田野，孙剑.高等级自动驾驶汽车虚拟测试：研究进展与前沿［J］．中国公路学报，2020，33（11）：125－138.

［5］冯屹，王兆.自动驾驶测试场景技术发展与应用［M］．北京：机械工业出版社，2020.