《Accident Analysis & Prevention》：From ambiguity to precision: Digitized traffic rules for autonomous driving
编辑推荐：
针对混合交通流中自动驾驶车辆（AVs）执行模糊交通规则的挑战，本研究提出知识驱动与数据驱动结合的优化框架。通过语义分类将规则分为正常驾驶、限速和让行三类，利用MTL形式化并基于26份国际法规补充参数，结合SCE轨迹数据估算初始阈值，最后通过遗传算法在仿真环境中优化参数。实验表明，集成优化规则的规划器在安全性能上超越人类驾驶员超90%，且在CommonRoad等不同平台验证了泛化能力，关键参数包括转向范围、时域安全阈值和纵向距离。
施若琳|王学松|朱美欣|张俊毅|傅晨明|臧静茹
教育部道路与交通工程重点实验室，上海，201804，中国
摘要
在由人类驾驶车辆和自动驾驶车辆（AVs）共同构成的混合交通流中，AVs必须准确推断并遵守人类驾驶员所遵循的交通规则，这是确保安全的前提。然而，当前的交通规则中常常使用诸如“不得妨碍”之类的模糊表述，这些表述人类容易理解，但对AVs来说却难以实现。为了解决这一挑战，本研究提出了一种规则优化框架，该框架结合了基于知识的推理和数据驱动的优化方法。该方法基于从中国三个城市的六个交叉口收集的安全关键事件（SCE）数据。该方法包括三个阶段：（1）对交通规则进行语义分类；（2）对于每一类规则，使用度量时态逻辑（Metric Temporal Logic）将其形式化；（3）利用从十个国家/组织的26份法规文件中提取的领域知识来补充未指定的参数，并结合SCE中观察到的行为模式来估计初始参数范围；（4）在基于真实世界SCE重建的模拟环境中，使用遗传算法来校准最优参数。实验评估表明：（1）与人类驾驶员相比，集成规则的规划器在保持运营效率和乘坐舒适度的同时，将安全性能提高了90%以上；（2）当这些优化规则被嵌入到CommonRoad和INTERACTION基准测试中的现有规划器中时，能够持续降低碰撞风险，证明了其强大的泛化能力；（3）最终的性能主要受控制转弯范围、时间安全阈值和纵向距离的参数影响。总体而言，本研究提出了一种可解释且可迁移的规则优化框架，有助于提高安全性，并加强不同驾驶环境中AV行为的一致性。
引言
道路交通系统正在从以人类驾驶的车辆（HVs）向包含HVs和自动驾驶车辆（AVs）的混合交通模式进行深刻转变。在这些混合环境中，交通规则对于规范行为和维护秩序至关重要。对于AVs而言，可靠的感知、语义解释以及对现有交通规则的算法遵循能力至关重要。这些能力确保了AVs的运营安全和效率，并使其能够与人类驾驶的车辆进行稳健、协作的互动（Yu等人，2025年）。
然而，AVs与人类驾驶员之间存在显著的认知差异，这带来了重大挑战。交通规则最初是为人类解读而制定的。许多规则使用对机器来说含义模糊的常识性语言。例如，中国的三条交通规则就体现了这一问题：（i）“在没有交通信号灯的道路上，应在确保安全和顺畅的前提下允许通行”；（ii）“当绿灯亮起时，车辆可以通行，但转弯车辆不得妨碍直行车辆或行人”；（iii）“转弯车辆应让行给直行车辆；相反方向的右转车辆应让行给左转车辆”（中华人民共和国国务院，2011年）。像“确保安全和顺畅”、“不得妨碍”和“让行”这样的表述对人类驾驶员来说很直观，但对AVs来说却难以理解和执行。这些表述缺乏明确的空间参数（例如安全跟随距离）和时间约束（例如碰撞时间），从而为机器的解释和决策制造了认知障碍。
自然语言交通规则中的这些模糊性激发了需要制定适合AV规划和控制的量化规则的需求。例如，示例规则要求对关键概念进行精确定义：将“安全”定义得超出单纯的避免碰撞，明确“不得妨碍”他人的条件，以及确定“让行”的具体情形。为了解决这些问题，引入了数字化交通规则的概念。数字化规则由两个关键部分组成：形式化的表达和可量化的参数。尽管现有研究在使用逻辑框架对规则进行形式化方面取得了进展，但仍存在重要限制：
(1)语义不连续性：诸如线性时态逻辑（Linear Temporal Logic，LTL）、信号时态逻辑（Signal Temporal Logic，STL）和度量时态逻辑（Metric Temporal Logic，MTL）等逻辑方法已被用于交通规则的形式化（Maierhofer等人，2020年；Maierhofer等人，2022年）。这些应用涵盖了德国、英国、澳大利亚、罗马尼亚和中国的交通规则监控和AV规划。然而，这些语法转换往往保留了自然语言的结构特征，很少整合参数量化。因此，符号规则缺乏实际执行所需的数值阈值。
(2)缺乏泛化能力：许多现有的量化方法依赖于经验假设或统计近似（例如固定的安全边际），而不是系统性的、数据驱动的校准（Liu等人，2023年）。以这种方式制定的规则可能无法适应不同的交通条件，因此在多样或动态环境中的实用性有限。
为了解决这些不足，本研究提出了一种基于优化的框架来数字化交通规则。以三个中国城市的六个交叉口的轨迹数据为例，该过程分为三个主要部分：
(1)交通规则的行为分类：将“确保安全和顺畅”、“不得妨碍”和“让行”等定性和模糊的法规表述分为三种功能类型的交叉口行为：正常驾驶、速度限制和让行。
(2)基于知识的参数细化：使用MTL将自然语言规则形式化。每个规则被分解为由时间约束、车辆行为和交互代理定义的原子命题。对于模糊或缺少明确阈值的命题，通过整合26份国际法规文件和专家领域知识来细化参数值。
(3)基于优化的阈值选择：根据与安全关键事件（SCEs）相关的实际轨迹数据提取的细化值和行为特征，应用基于模拟的遗传算法（GA）来确定最优阈值。
本研究的贡献如下：
•一种针对模糊交通规则的优化框架：本研究提出了一种结合基于知识的推理和数据驱动优化的框架，用于数字化和细化模糊的法规表述。该框架通过将模糊的自然语言规则转换为精确的、可机器执行的代码，消除了AVs在语义上的理解障碍。这种方法确保了生成规则既适用于自主系统，又易于转移到其他规则优化任务中。
•泛化能力的验证：实验结果表明，与人类驾驶员相比，集成优化规则的规划器将安全性能提高了90%以上。此外，校准后的规则在不同模拟平台（例如CommonRoad、INTERACTION）和规划架构中一致降低了碰撞风险，验证了其泛化能力。
•为实践提供了鲁棒性的基础：敏感性分析和消融研究明确了关键参数的稳定操作范围，为在AV系统中可靠部署规则提供了可行的指导。
相关工作
相关研究
交通规则的数字化解决了语义上的模糊性，使机器能够遵守规则。这一过程包括两个核心组成部分：形式化的规则陈述和量化的关键参数。现有的数字化方法总结在表1中。
常见的形式化方法包括可废止的义务逻辑（Deferable Deontic Logic，DDL）（Bhuiyan等人，2022年；Bhuiyan等人，2023年）、时态逻辑、自定义逻辑（Althoff和Dolan，2014年；Talamini等人，2020年）以及高阶逻辑（HOL）（Rizaldi
安全关键事件提取
在三个中国城市（上海、苏州和东莞）的六个有信号灯的交叉口，在不同时间、天气条件下收集了轨迹数据。所有研究交叉口的几何配置如图2所示。具体数据收集细节如下：
(1)上海：交叉口1的轨迹数据是在2021年3月19日的连续6小时内收集的。交叉口2和3的数据收集时间在
度量时态逻辑
“规则即代码”（Rules as Code，RaC）是一种将书面法规转换为机器可执行代码的方法。典型的实现使用接近自然语言的语法，使得RaC易于学习和灵活应用。这种方法支持声明式和命令式编程，还可以生成人类可读的解释，减少了传统法规中常见的文本复杂性（Mowbray等人，2023年）。
三种常见的交通规则形式化逻辑是线性时态逻辑（Linear Temporal Logic，LTL）、信号时态逻辑（Signal Temporal Logic，STL）
模糊命题确定
为了将交通规则转换为机器可读的格式，使用MTL定义了每条规则的时间和空间范围。对于交叉口中的 ego 车辆，定义了三种基本的规则类型，对应于核心驾驶操作。这些规则的形式化代码参考了之前的规则形式化代码表（Shi和Wang，2025年）。
(1) 正常驾驶规则：
这类规则管理车辆在无冲突条件下的行为
为了初始化
对于
为了确定，使用k-means++方法识别了不同冲突严重程度下的ETTC（期望到达时间，Expected Time to Collision）的代表性阈值。这三个类别的ETTC阈值分别为：严重冲突0.97秒，轻微冲突1.51秒，潜在冲突2.09秒。此外，经验观察（表5）显示，当
结论
在HVs和AVs共存的混合交通环境中，人类驾驶员可以通过“合理考虑”和“谨慎驾驶”来确保安全。然而，对于AVs来说，交通规则中人类语言的模糊性给可靠的解释和执行带来了相当大的挑战。为了解决现有交通规则数字化中的语义模糊性和泛化能力有限的问题，本研究提出了一种新的方法。
本研究开发了
CRediT作者贡献声明
施若琳：写作——审稿与编辑、撰写初稿、可视化、验证、软件开发、方法论研究、数据分析、概念化。王学松：写作——审稿与编辑、监督、资源协调、数据收集、概念化。朱美欣：写作——审稿与编辑、验证。张俊毅：方法论研究、数据分析。傅晨明：方法论研究、数据分析。臧静茹：方法论研究、数据分析。
利益冲突声明
作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。
致谢
本研究得到了国家重点研发计划（2024YFE0115400）的资助。
