# Chapter 1 緒論
###### tags: `SOLab Paper`
>[name=鍾詔東]

## 研究背景
- 智慧化及資訊化時代
智慧化已成為現代人文社會發展趨勢，從以往追求效能轉為追求效率，智慧行手機、智慧家電以的問世改變人類的生活行為，並開始追求規模更大的智慧工廠、智慧城市。而自動化與智慧化不同的地方在於智慧化需要能夠處理不同情境，故必須要能夠量化情境後並設計演算法已得到對應的策略。
而近年來城市智慧化討論度高的議題就是電動車以及自駕車。其中電動車可以透動線控化提高車輛的可控制性讓電腦可以能有效的輔助駕駛，像是知名企業特斯拉就開發出上市的電動車自駕功能[1]，雖然只能在行爲較為單純如高速公路快速道路等等的地方行駛，但確實是車輛智慧化趨勢的一個開端。
- 自駕車發展階段任務
自駕車發展無法直接進入市場並取代駕駛，而是階段型的確認功能完整性後於市場比例漸增。國際汽車工程學會(Society of Automotive Engineers, SAE)擬定自駕則自動化階段[2]，由輔助駕駛觀察、輔助駕駛控制到取代駕駛控制等等，而各階段的演進後需要部分功能性的確保後才能往下一階段執行。目前市場上已出現不少駕駛輔助系統，可見目前市場上技術端以可以達到Level 2，而Level 3目前技術上可達成卻仍然無法上市。

- 自駕車轉機於與危機
自駕車在美國已經開發由Waymo成功[3]，車輛能夠在無駕駛的情況下完成場內駕照考試測試，但場外測試一直是自駕車遲遲無法通過的關卡。駕駛必須要對乘客以及其他駕駛人的安全性負責，自駕車當然也必須要遵守同樣的規則，且因為自駕車是必定是由公司或是政府生產，故應具備更大的責任去保障用路車輛以及車客的安全，因此在駕駛策略的考量下會裁取較為保守方法。
『保守』對於交通安全性是正向影響，但對於交通效率而言卻不一定是正向影響，反而會因為過於保守而導致『遲遲不左轉』或是『行駛速度過慢』等等。人類駕駛之間存在默契如禮讓直行車或是慢車道靠外側車道，就算違反默契也會以禮讓的方式做應變，然而自駕車是透過量化環境趨勢進而做出反應策略，但上述的『駕駛默契』卻是以個難以量化的現象，且可能會因為各區駕駛文化或環境的不同而導致駕駛默契的不同，這也是自駕車目前仍然無法大規模進入市場的主要原因。
另一個自駕車議題是數量級以及規模，部分研究在證明自駕進入社會後可以提高運輸效率並減少車禍成本[4]，紅綠燈以及塞車的問題皆可以透過資訊整合解決，省事又節能對於社會來說助益良多。然而也有部分研究關於自駕車量產行為的風險，關於自駕車會因為市場機制而出現異常的駕駛現象，如研究關於洛杉磯停車費以及市區交通量對於自駕車的影響[5]，經由計算發現自駕車閒置時於街上遊蕩所產生的成本比路邊停車來得低，因此出現集體低速行駛的現象出現而影響到真實駕駛的用路效率。
## 研究動機與目的
開發自駕車的最終目標為交通系統全自動化，但過程中然然需要經歷與真實駕駛互動的階段後才能漸漸取代駕駛，而該階段自駕車必須要熟知駕駛的駕車習性以及路段風險才得以融入交通環境。
- 交通資訊量化
駕駛的行車策略往往是需要跟環境互動，如在轉彎處會以較低速率行駛、與前車保持安全距離而減速。現今已存在許多感應器可以輔助駕駛與環境互動，如倒車雷達可以以偵測停車多倒車時死角區域是否有障礙物，部分車輛甚至有裝鏡頭供駕駛於駕駛座顯示倒車畫面。而自駕車同樣需要偵測環境才得以擬定駕駛策略，目前主要是以鏡頭或是雷達作為主要的環境感應裝置，如特斯拉利用鏡頭以及雷達收集數據實作自駕功能，而Waymoy則是利用光達實作自駕功能。實作自駕車的環境偵測方法並沒有絕對的優缺點，自駕的品質仍然還是需要靠演算法做決定。

- 交通風險
時間、距離以及機率是車流領域中主要的三種交通風險。時間的交通風險以碰撞時間 (Time to Collision, TTC) 最廣泛使用，應用的規模較大且可以考慮駕駛反應時間，因為 TTC 為距離/相對速率故在相對速率趨近於 0 時會趨近於無限大而失真，故時常以 TTC 的倒數（ 1/TTC）作為最終風險指標。距離風險時常用於高速公路或單一道路行為研究，相較於 TTC 較不容易因為相對速率而受影響，但因為距離為一維空間故較難擴展到十字路口的風險量化。機率是車流風險中規模最小應用種類最廣的用法，較常出現於車輛行為演算法中，如自駕車最佳化超車模型或變換車道模型。
目前十字路口的研究文獻中以時間為主要的風險指標，相對來說的缺點為距離也僅能表達一維空間的狀態表現，較無法考量並排行車以及左右轉風險的計算。

- 駕駛行為
自駕車行為會因為規模大小而不同，當自駕車佔比較低時會以適應其他駕駛，佔比較高時以追求效率為目標。而在車流領域當中也時常將駕駛分為積極型駕駛以及保守行駕駛，不同的點在於面對風險的敏感度較不同。積極型駕駛的敏感區間較小但敏感度較高，保守行駕駛敏感區件較高但敏感度較低。
目前十字路口的研究文獻中以TTC作為風險指標並以高斯分佈作為機率模型，然而當中所有車輛都識同一型態且無駕駛反應模型，較無法模擬現實交通環境中所碰到的駕駛環境。

綜合以上述三點的研究動機，本研究試圖建立十字路口環境以及駕駛行為模型，模擬於該環境中風險較高的區域以及發生高風險的情境，以提供各個不同交通路線之風險分佈。故本研究將目標歸類為以下四點：
1. 定義駕駛機率風險
2. 建立市區特徵二維環境
3. 建立駕駛行為模型
4. 計算城市環境道路高風險區域

## Reference

[1] Tesla Auto Pilot, https://www.tesla.com/autopilot
[2] SAE international, "SAE Standards News: J3016 automated-driving graphic update",https://www.sae.org/blog/sae-j3016-update [Online access 2022-Jan]
[3] Waymo autonomous driver, https://waymo.com/intl/zh-tw/waymo-driver/
[4] Michele Bertoncello and Dominik Wee, "Ten ways autonomous driving could redefine the automotive world", McKinsey & Company
[5] Adam Millard-Ball, The autonomous vehicle parking problem, Transport Policy, Volume 75, 2019, Pages 99-108, ISSN 0967-070X, https://doi.org/10.1016/j.tranpol.2019.01.003.
(https://www.sciencedirect.com/science/article/pii/S0967070X18305924)