科大工學院推出「擬人化」自動駕駛系統　有效降低整體交通風險逾26%

科大土木及環境工程學系講座教授楊海（右）與科大（廣州）智能交通學域博士生魯洪良（左）融合神經科學、認知科學和倫理學，開發出一套新系統，使自駕車能像真人司機般「思考」。 [Download Photo]

香港科技大學（科大）工學院的跨學科研究團隊最近成功開發了一套「擬人化認知編碼系統」，讓自動駕駛車（自駕車）能像人類司機般「思考」，綜合判斷複雜路況。這項嶄新技術可將整體交通風險降低26.3%，而對於行人及騎行者等高風險群體來說，潛在意外更大幅減少51.7%。與此同時，自駕車的自身風險也下降了8.3%，為自動駕駛技術的安全性邁進一大步。

現行自動駕駛系統的一大局限，在於其「單對單」風險評估機制，即每次只能比較兩個選項，無法像人類司機那樣全面考慮道路上的多方互動，例如在十字路口優先讓路予行人，再適度調整與附近車輛距離；一旦確定行人安全，再迅速將注意力轉向其他車輛。這種動態決策能力，稱為「社會敏感度（social sensitivity）」。

為了讓自駕車可「學習」人類的社會敏感度，科大土木及環境工程學系講座教授楊海牽頭的研究團隊借鑒了神經科學、認知科學和倫理學概念，開發出符合人類認知邏輯的編碼方案，為自動駕駛系統配備接近真人司機的感知、評估與行動能力。

該系統結合了三項關鍵創新：

一、個體風險評估模組（Individual Risk Assessment）：評估每位道路使用者（包括行人、單車、電單車與鄰近車輛）的潛在風險，包括分析其速度、相對距離和行為規律，例如，在路邊行走的小孩會被歸類為高風險群體。

二、社會權重風險映射模組（Socially Weighted Risk Mapping）：在決策過程中引入倫理權重，優先保護弱勢群體，例如在實際應用上，自駕車即使在規則允許前進的情況下，亦可能會主動禮讓行人。

三、行為信念編碼模組（Behavioral Belief Encoding）：能預判自駕車決策對整體交通狀況的影響，舉例說突然變道會否導致周邊司機急剎，或者加劇路面擠塞。

為了驗證安全性能，研究團隊採用了2,000種不同的模擬交通場景進行測試，結果顯示，使用新系統後，整體交通風險降低了26.3%。值得留意的是，在安全性提升的同時，行車效率亦得到改善。搭配新系統的自駕車完成駕駛任務的時間平均縮短了13.9%，顯示出道德駕駛與高效運作可以並行不悖。

楊教授說：「我們模擬了人類在整體風險評估與道德判斷方面的能力，使自駕車在面對涉及重大道德責任的交通情景，例如學校周邊或繁忙路口時，能作出更審慎且負責任的決策。」

楊教授補充：「我們的系統設計靈活，可因應不同國家或地區的法規與社會價值觀作調整。例如，有些地域注重保護弱勢道路使用者，亦有些則著重於提升交通流暢度；此外，各地對於交通事故責任的法律詮釋也存在差異。透過調整系統設定，自駕車能夠如地道司機般融入各地交通環境，極具潛力於全球廣泛應用。」

本研究由科大清水灣與廣州兩個校區合作，並聯同東南大學、北京理工大學、清華大學、同濟大學及華盛頓大學共同完成。論文題為「Empowering Safer Socially Sensitive Autonomous Vehicles Using Human-Plausible Cognitive Encoding」，近期發表於《美國國家科學院院刊》（PNAS）。

至於下一步，團隊正著手構建一個大規模的數據集，涵蓋多個地域的駕駛行為特徵與社會期望，並與潛在合作夥伴商討，以推進該系統的集成與實地測試工作。