2026年7月2日，TOPS第184期组会于通达馆A102线下举行。本次组会由24级博士严周栋进行《自动驾驶紧急场景在线安全监测》主题的学术报告分享。课题组全体老师同学出席了本次组会。

汇报时刻

严周栋同学从研究背景与研究现状、研究内容和总结与展望三个方面展开介绍。在研究背景与研究现状方面，严周栋同学指出，自动驾驶测试与运行中安全问题仍较突出，国外Uber与国内特斯拉等事故案例表明，紧急场景下的风险预判和安全防护亟待加强。同时，强制性标准GB 44721即将颁布，对自动驾驶系统在危险场景中预判风险、调整速度并最小化风险提出明确要求。然而，紧急场景具有长尾性和动态交互演化特征，现有安全监测方法仍面临理论完备性与复杂场景适应性不足等问题。

研究背景与研究现状

为此，严周栋提出了自动驾驶紧急场景在线安全监测的研究思路，旨在围绕“如何监测风险并预判紧急场景”这一核心问题，给出紧急场景的客观定义，并实现车辆运行过程中的场景风险在线监测。该研究以不确定性量化和可控性分析为主线，尝试将数据驱动预测能力与可达集理论的形式化安全保证相结合，在复杂交通交互中判断场景能否被安全处理，从而为自动驾驶安全监测与防护提供更加客观、可验证的分析框架。

研究目标

在研究内容方面，严周栋同学围绕自动驾驶紧急场景在线安全监测问题，系统性地构建了“动作预测—共形预测校准—建模推理—紧急边界设计”的技术路线。具体而言，首先基于Trajectron++模型并内嵌车辆运动学模型，对周围车辆驾驶动作分布进行预测；随后利用共形预测校准得到具有概率保证的可信动作范围；在此基础上，通过多车运动建模和零和微分博弈构造，将风险推理问题转化为HJI变分不等式并结合PINN进行求解；最后基于附着椭圆等物理约束设计自车紧急边界，实现对场景风险的在线推理。

研究内容

在实验结果方面，严周栋同学通过共形预测覆盖度验证、不同校准方法对比、跨数据集验证以及实车数据在线测试等实验，对所提出的方法进行了系统评估。实验结果表明，在线校准在单点覆盖率和全局覆盖率上均接近95%的设计目标；位置校准相比动作校准具有更小的覆盖面积和更稳定的非一致性分数，可有效避免过度保守；在nuScenes训练、Argoverse2测试的跨数据集场景下，综合覆盖率达到95.52%；实车ROS回包测试中平均耗时约110ms，后验覆盖率为95.45%，初步验证了方法的在线运行可行性。

实验验证

未来严周栋同学将在现有研究基础上，进一步完善紧急场景监测结果与规划控制算法之间的衔接：当未监测到紧急风险时继续使用原车算法，当监测到紧急场景时在规划层面进行调整优化；对于规划层面难以处理的复杂紧急场景，则进一步探索规划控制跨域融合，以最小化车辆运行风险，形成面向自动驾驶系统的“安全护栏”。

研究展望

汇报结束后，课题组成员针对上述研究展开讨论。多位同学首先就动作预测误差对共形校准与风险判定的影响、神经网络在微分博弈求解中的作用，以及紧急程度评价依据等方面提出了若干问题。随后，李逸昕老师建议补充说明预测时间窗口、覆盖度验证方式及案例来源；孙杰老师建议进一步理清安全监测与后续安全防护之间的衔接关系；石皓天老师建议明确该方法相较于TTC等传统指标的优势，并说明控制能力边界与外部不确定性的作用；秦国阳老师建议将研究动机前置，突出基于行为建模和实时异常识别的核心逻辑；田野老师建议将紧急场景放在GB 44721风险场景框架下进行说明，并补充不完备感知、突发目标和高危数据支撑等方面的考虑。整场研讨在积极而富有浓厚的学术氛围中顺利结束。