北理慧动教育，智能汽车产教融合数字化方案

近日，北京理工大学机械与车辆学院智能车辆技术团队在国际顶刊IEEE Transactions on Intelligent Transportation Systems上连续发表了两篇高水平论文。论文一《Policy-Oriented Cognitive Risk Map Modeling for Lane Change via Deep Successor Representation》（文章链接：https://ieeexplore.ieee.org/document/10871195/authors#authors）创新性地提出了面向换道场景的策略导向认知风险地图模型；论文二《Risk Assessment of Cyclists in the Mixed Traffic Based on Multilevel Graph Representation》（文章链接：https://ieeexplore.ieee.org/document/10858597/keywords#keywords）,提出了一种融合行为特征的骑行者风险等级定义与评估框架。

论文《Policy-Oriented Cognitive Risk Map Modeling for Lane Change via Deep Successor Representation》，围绕智能车辆的风险评估方法，提出了一种面向策略的认知风险地图（POCRM），通过将驾驶员的主观认知与客观风险指标相结合，在变道场景的风险评估中对不同的驾驶策略进行编码。

为获得客观安全指标，基于模糊理论和故障树分析构建了风险量化指标。利用深度后继表示（Deep Successor Representation）对驾驶员针对不同驾驶策略的主观认知进行建模，并通过深度强化学习将其编码到 POCRM 中。研究使用从现实交通环境的公共数据集收集的驾驶数据，对所提出的 POCRM 进行评估。实验结果表明，该风险地图能够考虑未来风险，并在驾驶员能够正确或错误感知风险的场景中，提供兼顾人机冲突与安全性的驾驶建议。

论文《Risk Assessment of Cyclists in the Mixed Traffic Based on Multilevel Graph Representation》，提出一个考虑行为线索来定义和评估骑行者风险等级的框架。该框架包含三个模块：骑行者图构建（CGC）模块、风险标签生成（RLG）模块和风险评估（RA）模块。CGC 模块构建一个包含骑行者行为和风险信息的时空图模型。RLG 模块利用图表示方法（GRM）提取特征，并通过无监督学习来分配风险标签。RA 模块采用时空图卷积网络（ST - GCN）从骑行者图中提取特征。此外，它还通过人体与两轮车之间以及不同层次之间的交互来促进特征融合。融合后的特征与风险标签一起被用于训练一个分类器，以对骑行者进行风险评估。

文章使用真实世界的数据对所提出的框架进行了验证，与最先进的方法对比的结果证明了该方法在混合交通中评估骑行者风险方面的有效性和准确性。

论文来自龚建伟教授团队。龚建伟，北京理工大学机械与车辆学院教授、博士生导师，北京理工大学机械与车辆学院汽车研究所所长、北京理工大学郑州研究院智能车辆技术团队负责人、中国人工智能学会智能驾驶专业委员会委员、中国仪器仪表学会智能车与机器人分会副理事长、北京市智能网联驾驶技术咨询专家委员会委员等。主要研究领域为地面无人系统，自动驾驶和移动机器人技术，负责国家科技创新2030新一代人工智能重大项目、国家自然科学基金重点项目、国家自然科学基金面上项目、北京市科技计划项目、多项智能无人车辆重大专项或重点项目及企业自动驾驶关键技术重点项目等。著有《无人驾驶车辆模型预测控制》、《无人驾驶车辆目标检测与运动跟踪》、《智能车辆类人驾驶》等十多部著作，获部级科技奖励2项，发表研究论文100多篇、授权发明专利70多项。获北京市科技进步二等奖、国家自然科学基金委信息学部中国智能车未来挑战赛关键技术贡献奖。带领团队获跨越险阻2014/2016/2018/2021/2023年地面无人系统挑战赛各组别多项奖励，均获奖励项目资助。