随着自动驾驶汽车的复杂性不断提升，以及人工智能算法的普遍应用，预期功能安全（safety of the intended functionality, SOTIF）问题已经成为一个备受关注的新兴安全挑战，对自动驾驶汽车的大规模落地提出了重大挑战。预期功能安全关注的是由于预期功能或其实现的功能不足而引发的问题，这些问题超越了传统安全考量的范畴。本研究从系统工程的角度出发，通过全面回顾涵盖开发阶段、验证确认阶段和运行阶段全流程的学术研究、实践活动、挑战与前景，对预期功能安全领域进行了深入探讨。在学术研究方面，本研究包括了系统级预期功能安全研究、算法相关的预期功能安全问题和解决方案。此外，研究还涵盖了来自企业、政府和学术机构的典型预期功能安全实践，特别关注不同阶段的方法论和实践经验。最终，本文提出了在自动驾驶汽车开发、验证确认和运行阶段面临的挑战，以激励各利益相关方共同努力，最终解决SOTIF问题。
本文探讨了针对F局部拜占庭攻击下受约束的智能网联汽车（ICVs）的弹性车队控制。我们为这种ICVs引入了一个弹性分布式模型预测队列控制框架。该框架将预先设计的最优控制与分布式模型预测控制（DMPC）优化无缝集成，并引入了一种独特的分布式攻击检测器，以确保车辆间传输信息的可靠性。值得注意的是，我们的策略使用先前广播信息和一个专门的凸集，称为“弹性集”，来识别不可靠的数据。这种方法大大简化了图的鲁棒性先决条件，只需要一个（F + 1）鲁棒图，而已建立的平均序列简化算法需要至少一个（2F + 1）鲁棒图。此外，我们还引入了一种验证算法来恢复对小攻击下车辆的信任，进一步降低了通信网络的鲁棒性。我们的分析证明了DMPC优化的递归可行性。此外，所提出的方法通过最小化DMPC控制输入和预先设计的车队控制输入之间的差异，同时确保了约束遵从性和网络安全，从而实现了特殊的控制性能。仿真结果验证了这一理论研究结果的有效性。
“人车同规”（自动驾驶汽车与人类驾驶汽车遵从相同的交通规则）被汽车行业和交通管理部门视为准则。通过形式化和数字化方法，基于自然语言描述的交通规则可以被转换为数字规则，并被自动驾驶汽车使用。本文提出了一种有效的转换流程，利用分层次的信息提取，可以从丰富而复杂的自然语言语义中提取出交通规则中的有效信息，甚至是隐藏的假设。然而，如何确保转换成的数字规则的准确性，并且与原始交通规则保持一致，是个重要且未被探索过的问题。我们将等价性验证与模型检测相结合，得出了一种行之有效的形式化验证方法。利用本文所提出的交通规则数字化流程和验证方法，可以得到合理、可靠的数字交通规则。在仿真环境中，我们利用这些数字交通规则对车辆行为进行了交规符合性评估。实验结果表明，通过本文所提流程获得的度量时序逻辑描述的数字交通规则，可以很方便地被用于仿真平台和自动驾驶系统中。
本研究提出了一种通用的智能车辆最优轨迹规划（GOTP）框架，能够有效地避开障碍物，引导智能车辆安全、高效地完成驾驶任务。首先使用五阶贝塞尔曲线生成并平滑沿道路中心线的参考路径。为了使生成的曲线的曲率尽可能连续，笛卡尔坐标被变换。在曲线坐标系中，考虑道路约束、车辆运动学约束，通过采样生成有限的多项式候选轨迹集合。并在选择最优轨迹时，模拟驾驶人驾驶行为，总结驾驶人“趋利避害”操纵特性，提出了基于最小作用量原理的统一自适应目标函数。最后，基于滚动时域优化的思想，输出最优轨迹规划框架，能够协同规划过程动态多性能目标，并选择满足完备性、最优性和智能化的轨迹。大量的仿真和实验结果证明了该框架的可行性和有效性，能有效避开动态和静态障碍物，适用于多源交互交通参与者的各种场景。同时，与驾驶人操纵轨迹对比，所提出的框架能够满足实时安全规划需求。
尽管自动驾驶汽车是智能交通系统的重要组成部分，但确保自主决策的可信性仍然是实现自动驾驶技术大规模部署的一个重大挑战。因此，我们提出了一种新颖的具有安全保证的鲁棒强化学习方法，以实现自动驾驶汽车的可信决策。该技术能够从策略鲁棒性和碰撞安全性两个方面保证自主决策的可信性。具体地说，通过逼近针对观测状态和环境动态的最优对抗摄动，可以在线学习对手模型，以模拟最坏情况下的不确定性。我们还提出了一种对抗鲁棒演员-评论家算法，使智能体能够学习针对状态观测摄动与环境动态摄动的鲁棒策略。此外，我们设计了一个基于可解释知识模型（即责任敏感安全模型）的安全掩码，保证自动驾驶智能体在训练和测试过程中的碰撞安全性。最后，通过仿真测试与实验验证对所提方法进行了评估。结果表明，基于学习到的鲁棒安全策略，自动驾驶智能体不仅能够实现可信决策，还能显著减少车辆碰撞次数。
风险评估是智能车辆碰撞预警和回避系统的重要组成部分。基于可达性的正式方法已经被开发出来，以确保驾驶安全，并准确地检测潜在的车辆碰撞。然而，它们过于保守，可能导致复杂的现实应用中出现误报风险事件。本文结合两种可达性分析技术，即后向可达集（BRS）和随机前向可达集（FRS），提出了一种集成的用于高速公路驾驶概率碰撞检测框架。在这个框架内，我们可以首先使用BRS来形式化检查双车交互是否安全；否则，将采用基于预测的随机FRS来估计未来每个时间步长的碰撞概率。因此，该框架不仅可以识别安全有保障的非风险事件，而且可以在安全关键事件中提供准确的碰撞风险估计。为了构建随机FRS，我们开发了一个基于神经网络的周边车辆加速度模型，并进一步加入了一个具有置信度感知的动态置信度，以提高预测精度。通过大量的实验，验证了基于自然高速公路行驶数据的加速度预测模型的性能。在自然和模拟公路情景下，测试了注入置信度感知的框架的效率和有效性。所提出的风险评估框架非常适合实际应用。
行为决策和运动规划对于自动驾驶的安全性至关重要。本研究提出了一种数据和模型混合驱动的自动驾驶在线决策规划自进化框架。首先，开发了一个基于深度强化学习（DRL）的数据驱动决策模块以尽可能追求合理的驾驶性能。然后，采用模型预测控制（MPC）同时执行纵向和横向运动规划任务，并根据车辆的物理极限定义了多个约束，以满足驾驶任务要求。最后，提出了自动驾驶自进化的安全性和合理性准则。建立了安全运动包络并与所提出的合理探索和利用机制集成，规避了不安全的动作，以此过滤不合理的经验，从而为DRL智能体收集高质量的训练数据。在高保真车辆模型和MATLAB/Simulink联合仿真环境下进行了算法验证，结果表明所提出的在线进化框架能够实现更安全、合理、高效的驾驶行为。
在决策能力日益自动化的复杂系统中，人的作用变得越来越有限。例如，在完全自动驾驶汽车（即无人驾驶汽车）中，人类乘客没有直接的车辆控制权，仅作为乘客存在。一个引人关注的问题是，用户是否要对这些汽车的事故负责。规范性伦理和法律分析通常认为，个人不应该对超出其控制范围的伤害承担责任。在这里，我们通过三项研究的7个实验（N = 2668）来考虑人类对涉及完全自动驾驶车辆的事故责任的判断。我们比较三种情况下乘客的责任：车主驾驶自己的完全自动驾驶汽车，乘客乘坐无人驾驶的机器人出租车以及乘客乘坐传统出租车，在这三种情况下，这三类乘客都不能直接控制造成相同行人伤害的相关车辆。与规范分析不同的是，我们发现参试者认为无人驾驶汽车（私家车和机器人出租车）上的乘客比传统的出租车乘客要承担更多责任。这种反常结果在不同情景下都存在（例如，参试者来自中国或韩国、参试者采用第一人称视角或第三人称视角，以及乘客是否在场）。进而发现，这并不是因为参试者认为这些无人驾驶汽车用户对驾驶过程有更大的控制能力，而是因为参试者认为他们更应能预见到使用无人驾驶汽车的潜在后果，因此要承担相应责任。我们的研究结果表明，当无人驾驶汽车（无论是私家车还是出租车）造成伤害时，其用户可能会面临更多的社会压力，因此在进行公共讨论和法律法规制定时，需要考虑这一社会问题。
轨迹规划策略的正向设计通常需要预先设定轨迹优化函数，导致策略的适应性较差，无法准确生成符合真实驾驶员行为习惯的避障轨迹。此外，由于避障场景具有较强的时变动态特性，需要设计多个轨迹优化函数，并调整相应的参数。因此，提出了一种针对自适应驾驶场景的拟人化避障轨迹规划策略。首先，从HighD自然驾驶数据集中提取了大量专家示范轨迹。随后，提出了一种轨迹期望特征匹配算法，利用最大熵逆强化学习理论对提取的专家示范轨迹进行学习，实现自动获取专家示范轨迹的优化函数。此外，将影响车辆避障的关键驾驶场景信息与优化函数的权重相结合，构建了一个映射模型，提出了一种面向自适应驾驶场景的拟人化避障轨迹规划策略。最后，基于真实的驾驶场景，对该策略进行了验证。结果表明，该策略可以根据避障的“紧急程度”和车辆的状态实时调整轨迹优化函数的权重分布。此外，该策略可以生成与专家示范轨迹相似的拟人化轨迹，有效地提高了轨迹在驾驶场景中的适应性和可接受性。
模型失配导致自动驾驶车辆控制层存在多维不确定性，当车辆跟踪由规划层单独优化的理想轨迹时，多维不确定性可能导致潜在危险行为。本研究提出了以安全为导向的运动规划和控制框架以解决此问题。在控制层内，建立包含多维不确定性的动力学模型，并提出全对称型管基鲁棒模型预测控制方案，将不确定系统约束在有界最小鲁棒正不变集内。同时，设计了变截面柔性管，以减少控制器保守性。在规划层内，提出安全集概念以表征多维不确定性下自车和障碍物可能到达的几何边界。安全集提供候选轨迹簇的评估和排序基础。通过自车与障碍物之间安全集的交集检测，实现最优轨迹选取与碰撞缓解策略。数值模拟及硬件在环仿真验证了所提出框架的有效性和实时性。两个典型驾驶场景结果表明，该框架可保证多维不确定性下自动驾驶的安全性。
主动悬架系统（ASS）已被提出并发展了几十年，由于对驾驶舒适性和安全性的高要求，以及ASS与汽车电气化和自动化的兼容性，现在再次成为学术界和工业界的热门话题。现有的关于ASS的综述论文主要涉及动力学建模和鲁棒控制；然而，学术研究成果和工业应用要求之间的差距尚未弥合，阻碍了大多数ASS研究知识向汽车公司转移。本文回顾了道路车辆ASS的研究进展，重点介绍了硬件结构和控制策略。特别是，详细讨论了最近在量产汽车中采用的最先进的ASS，包括梅赛德斯主动车身控制（ABC）和奥迪预测主动悬架的代表性解决方案；还介绍了可能成为替代方案的新概念，包括串联主动可变几何悬架和主动车轮对准系统。结构紧凑、质量增量小、功耗低、频率响应高、经济成本可接受、可靠性高的ASS更容易被汽车制造商采用。在控制策略方面，未来ASS的发展不仅旨在稳定底盘姿态和减弱底盘振动，而且使ASS能够配合汽车内的其他模块（如转向和制动）和传感器（如摄像头），甚至在整个交通系统中进行高层决策（如参考驾驶速度），这些策略将与快速发展的电动汽车和自动驾驶汽车兼容。
从车联网中挖掘知识，利用高效率、低成本的知识共享可以提高自动驾驶汽车的决策能力。然而，在高速移动的环境中，如何确保本地数据学习模型高效率的同时防止隐私泄露是一项挑战。为了在知识共享中保护数据隐私并提高数据学习效率，提出了一种异步联邦宽度学习（FBL）框架，该框架将宽度学习（BL）集成到联邦学习（FL）中。在FBL中，设计了一个宽度全连接模型（BFCM）作为训练客户端数据的本地模型。为了提高知识共享的无线信道质量并降低参与客户端的通信和计算成本，构建了一个针对FBL的联合资源分配和智能超表面（RIS）配置的优化框架。该问题被解耦为两个凸子问题。为了提高FBL的资源调度效率，利用双重Davidon-Fletcher-Powell（DDFP）优化算法来解决时隙分配和RIS配置问题。在资源调度结果的基础上，在FBL中设计了一种基于联邦激励学习的奖励分配算法，对客户端的成本进行补偿。仿真结果表明，所提出的FBL框架在IoV中知识共享的效率、准确性和成本方面相较对比模型能取得更好的性能。
超细晶金属材料具有较高的强度和较低的延展性。本研究通过对不同压下率的深冷轧制镍进行低温短时间的退火处理，获得了高强度和良好延展性的性能组合。结果表明，不同深冷轧制应变下，退火后均匀伸长率均有较大提高，且强度基本不变。深冷轧制小应变（ε = 0.22）退火后屈服强度为607 MPa，均匀伸长率为11.7%；深冷轧制大应变（ε = 1.6）退火后屈服强度为990 MPa，均匀伸长率为6.4%。利用X射线衍射、透射电子显微镜、扫描电子显微镜和电子背散射衍射对试样的微观结构进行了表征，结果表明，高强度归因于深冷轧制过程中的应变硬化，另外晶粒细化和位错壁的形成也具有明显强化作用。高延展性归因于拉伸过程中的退火孪晶和微剪切带，提高了应变硬化能力。结果表明，通过低温短时间退火和不同的深冷轧制应变可以调控强度和延展性的协同效应，为未来热机械工艺的设计提供了新的参考。
蓝色能源，包括降雨、潮汐能、波浪能和水流能，是一种很有前景的可再生资源，但其开发利用受到现有技术的限制，因此利用率仍然较低。这种形式的能量主要由电磁发电机（EMG）收集，电磁发电机通过洛伦兹力驱动的电子发电。摩擦纳米发电机（TENG）和TENG网络作为蓝色能源收集的新方法，在低频和高熵能量采集方面优于EMG。TENG采用麦克斯韦位移电流机制产生电输出。迄今为止，已经进行了一系列的研究工作来优化TENG的结构和性能，以实现有效的蓝色能源收集和海洋环境应用。尽管到目前为止，TENG在这方面使用技术已经取得了巨大的进展，但在能源转换、设备耐久性、电力管理和环境应用方面仍需要持续的探索。本文报道了TENG在蓝色能源收集和海洋环境监测方面的进展，介绍了TENG的理论基础，并讨论了蓝色能源采集的先进TENG原型，包括在独立和接触分离模式中发挥作用的TENG结构。本文还总结了用于蓝色能源收集的TENG性能增强策略。最后，讨论了基于蓝色能源采集的TENG在海洋环境中的应用。
识别工人的施工活动或行为可以帮助管理者更好地监控劳动效率和施工进度。然而，目前的施工工人活动分析依赖于人工观察和记录，这消耗了大量的时间和人力成本。研究人员已经致力于监测工地上工人的施工行为，但当多名工人一起工作时，现有的研究不能准确和自动地识别施工活动。本研究提出了一个深度学习框架，用于自动分析多名工人的施工活动。在这个框架中，设计并使用了多个深度神经网络模型来完成工人关键点提取、工人跟踪和工人施工活动分析。设计的框架在实际建筑工地进行了测试，对多名工人的活动进行了识别，表明该框架用于自动监控工作效率的可行性。
本研究调查了实验室大坝混凝土在不同养护环境下的10年长期服役性能以及17年龄期实验室混凝土和三峡大坝实际钻取混凝土芯样的微观结构。随着时间的推移，无论是自然环境养护还是标准环境养护，实验室大坝混凝土的力学性能都在不断提高。此外，实验室大坝混凝土在17年后仍表现出良好的抗侵蚀性能和致密的微观结构。但在当地自然环境中养护和长期暴露后，抗冻性会降低。实验室混凝土样品的微观结构分析表明，中热水泥和细粉煤灰（FA）颗粒几乎完全水化，形成了由大量水化硅（铝）酸钙[C-(A)-S-H]凝胶和少量晶体组成的致密微观结构。由于长期的火山灰反应，在微观结构中未观察到明显的界面过渡区。这种致密且均匀的微观结构是大坝混凝土具有优异长期服役性能的关键原因。高粉煤灰含量对后期大坝混凝土的微观结构致密化和性能提升也起到重要作用。但从大坝表面区域钻取的混凝土的微观结构疏松、孔隙率较高，这表明直接暴露在实际服役环境中的混凝土因受到水和风的侵蚀而劣化。在本研究中，宏观性能和微观结构分析均表明，中热水泥和粉煤灰的应用最终会形成致密、均匀的微观结构，从而确保三峡大坝混凝土在17年后仍具有优异的长期服役性能。长期暴露于实际服役环境可能会导致混凝土表面的微观结构劣化。因此，需要对留存的长龄期大坝混凝土样品进行深入研究，以便更好地了解其微观结构的演变和性能发展。
CO2是地球大气中最重要的温室气体之一。自工业革命以来，人类活动排放了大量温室气体进入大气，导致自1950年以来的气候变暖，并导致极端天气和气候事件频率增加。2020年，我国承诺在2060年前努力实现碳中和，这一承诺以及我国随后的行动将导致全球和区域人为碳排放发生重大变化，因此需要及时、全面且客观的监测和验证支持（monitoring, verification and supporting, MVS）系统。MVS方法是2019年联合国政府间气候变化专门委员会（IPCC）清单改进指南中增加的内容，其基于大气CO2浓度观测数据“自上而下”同化反演碳源汇。然而，区域高分辨率的同化和反演方法仍处于初步发展阶段。本研究中，我们运用本征正交分解（POD）与四维变分（4DVar）相结合的数据同化方法，基于WRF-GHG模型构建了一个在公里尺度上进行碳源汇反演的系统——中国区域碳源汇监测核校支持系统（CCMVS-R）。CCMVS-R可以持续同化大气CO2和其他相关信息，并实现区域和局地人为碳排放和自然陆地生态系统碳交换的反演。本研究基于山西省6个地面监测站收集的大气CO2浓度观测数据，采用两层嵌套（27 km和9 km）设置理想和真实实验来验证区域人为碳排放的同化反演效果。同化后大气CO2浓度模拟值不确定性显著降低，CO2浓度模拟值与理想值之间的均方根误差接近于零。同化反演获得的2019年山西省人为碳排放总量，较采用“自下而上”方法的5套排放清单的平均值高出约28.6%（17%~38%），表明“自上而下”的CCMVS-R系统能够获取更全面的人为碳排放信息。
铜是一种微量元素，在体内具有重要的生理功能。然而，过量的铜离子（Cu2+）可能会导致严重的健康问题，如毛细胞凋亡，进而造成听力损失。因此，对Cu2+的测定具有重要意义。在本文中，我们将离子印迹技术与结构色水凝胶微球相结合，制备了基于壳聚糖的离子印迹水凝胶微球（IIHBs），并将其作为低成本、高特异性的Cu2+检测平台。这些IIHBs具有内部贯穿的大孔微纳结构，宏观尺寸均匀、颜色明亮，同时还具备磁响应性。将其孵育于Cu2+溶液中时，IIHB可以识别Cu2+并表现出反射峰变化，从而实现无标记检测。此外，受益于离子印迹技术，IIHBs显示出良好的特异性和选择性，在Cu2+浓度为100 μmol∙L‒1时印迹因子为19.14。这些特征表明，所开发的IIHBs有望用于Cu2+检测，进而预防听力损失。
骨骼肌具有强大的再生能力，但严重损伤、疾病和衰老会影响这种再生能力，从而导致骨骼肌相关疾病的发生。因此，改善骨骼肌再生是治疗骨骼肌相关疾病的关键挑战。由于M2型巨噬细胞（M2Mø）在组织再生中所起的重要作用，植入M2Mø具有改善骨骼肌再生的巨大潜力。本研究利用短波红外（short-wave infrared, SWIR）荧光成像技术深入评估了M2Mø植入后对骨骼肌再生效果的活体信息。该技术示踪了小鼠骨骼肌损伤模型中植入的M2Mø。结果表明，植入的M2Mø在损伤部位聚集达两周。随后，血管SWIR荧光成像显示M2Mø植入可改善损伤后第5天（1.09 ± 0.09 vs 0.85 ± 0.05; p = 0.01）和第9天（1.38 ± 0.16 vs 0.95 ± 0.03; p = 0.01）的相对灌注率，同时损伤后第13天的骨骼肌再生程度也得以改善。最后，多元线性回归分析明确了损伤后时间和相对灌注率可以作为评估骨骼肌再生的预测指标。这些结果为M2Mø在骨骼肌再生中的作用提供了更多体内细节，明确了M2Mø可促进血管生成和改善骨骼肌修复程度，这将指导未来M2Mø植入改善骨骼肌再生的进一步研究与发展。
