陳 力，肖晨劍，常旭華

（1.同濟大學(xué)汽車學(xué)院，上海 201804；2.上海市地面交通工具風(fēng)洞專業(yè)技術(shù)服務(wù)平臺，上海 201804；3.同濟大學(xué)上海國際知識產(chǎn)權(quán)學(xué)院，上海 200093）

自動駕駛與汽車電動化、共享化的趨勢相結(jié)合，將有效預(yù)防交通事故，提高出行效率。目前自動駕駛技術(shù)在傳感器、通信標(biāo)準(zhǔn)等方面出現(xiàn)了一些技術(shù)路徑的差異，明確自動駕駛技術(shù)的發(fā)展路徑與趨勢有助于相關(guān)標(biāo)準(zhǔn)和法律法規(guī)的制定。研究自動駕駛的發(fā)展路徑、趨勢和中外技術(shù)差距從微觀上可以幫助企業(yè)制定技術(shù)研發(fā)目標(biāo)，從宏觀上有助于進(jìn)行自動駕駛技術(shù)的專利布局，以突破技術(shù)領(lǐng)先國家的技術(shù)壁壘。

專利文獻(xiàn)是記錄技術(shù)發(fā)展的載體，利用專利文獻(xiàn)進(jìn)行技術(shù)演化分析是一種高效、有力的途徑。本研究通過對專利文獻(xiàn)非結(jié)構(gòu)化文本的深度挖掘，通過社區(qū)發(fā)現(xiàn)、LDA（latent Dirichlet allocation）主題模型、主路徑分析方法，能更細(xì)致地展現(xiàn)自動駕駛的研究現(xiàn)狀和未來研究熱點，為技術(shù)研發(fā)的正確決策提供參考。

1 相關(guān)研究工作

對自動駕駛技術(shù)的研究分為基于科學(xué)文獻(xiàn)的綜述和基于專利文獻(xiàn)的計量分析兩類。基于科學(xué)文獻(xiàn)的研究是對自動駕駛技術(shù)的發(fā)展歷程進(jìn)行梳理，對自動駕駛的研究現(xiàn)狀和關(guān)鍵技術(shù)進(jìn)行分析［1-2］?；诳茖W(xué)文獻(xiàn)的綜述研究和預(yù)測具有主觀性的缺點。基于專利文獻(xiàn)的計量分析是利用技術(shù)全景觀分析方法、IPC（international patent classification）分析法對自動駕駛技術(shù)進(jìn)行研究［3-4］。

利用專利中的信息進(jìn)行方法分類，可以將專利技術(shù)演化分析分為基于專利分類號、基于專利引用和基于專利文本的技術(shù)演化分析方法。基于分類號的專利分析顯示較為宏觀［5-6］，基于專利引用的技術(shù)演化分析引用關(guān)系可能不完全，且沒有深入文本［7-8］，基于專利文本的技術(shù)演化分析揭示信息較為詳細(xì)，但也存在文本信息模糊的問題［9-11］。胡阿沛等［12］對結(jié)合專利文本與引用的技術(shù)演化分析方法的可行性進(jìn)行探討，認(rèn)為二者結(jié)合可以彌補各自的不足。結(jié)合專利引用和文本信息的技術(shù)演化方法可以獲得多方面的細(xì)致分析［13-15］。

目前自動駕駛技術(shù)演化研究主要集中于基于科學(xué)文獻(xiàn)的研究?？茖W(xué)文獻(xiàn)反映技術(shù)在萌芽期的發(fā)展情況，基于科學(xué)文獻(xiàn)的技術(shù)演化研究具有較強主觀性，且樣本量小，研究視角受限，缺乏全局視角。雖已有少量研究利用專利地圖和文本挖掘進(jìn)行，但前者存在不能有效利用專利非結(jié)構(gòu)化信息的不足，后者存在發(fā)展路徑和未來趨勢展示模糊的缺點。針對自動駕駛專利數(shù)據(jù)集的特點，需要考慮構(gòu)建一種適用的技術(shù)演化分析框架。本研究通過確定自動駕駛技術(shù)體系，結(jié)合直接檢索和間接檢索搜集自動駕駛技術(shù)領(lǐng)域的專利，以Derwent Innovation專利數(shù)據(jù)庫里73 421條專利數(shù)據(jù)作為分析基礎(chǔ)，對專利文本和引用信息進(jìn)行深度挖掘，可以客觀地展現(xiàn)技術(shù)演化過程。在技術(shù)演化方法上針對自動駕駛專利數(shù)據(jù)集的特點，結(jié)合社區(qū)發(fā)現(xiàn)、LDA主題模型和主路徑分析方法，可以獲得較為準(zhǔn)確的技術(shù)路徑信息，最后通過技術(shù)強度分析確定我國的領(lǐng)先和跟隨技術(shù)。

2 數(shù)據(jù)和方法

2.1 數(shù)據(jù)

自動駕駛技術(shù)是一個近年來發(fā)展迅速的交叉學(xué)科，技術(shù)體系包括車輛關(guān)鍵技術(shù)、信息交互技術(shù)和基礎(chǔ)支撐技術(shù)［2］。本研究涉及的技術(shù)體系見表1。根據(jù)技術(shù)體系制定檢索式，通過校驗篩選確定自動駕駛技術(shù)專利數(shù)據(jù)集。

表1 自動駕駛技術(shù)體系Tab.1 Automatic driving technology system

檢索式制訂分為直接檢索和根據(jù)技術(shù)體系的間接檢索，直接檢索對自動駕駛、輔助駕駛、無人駕駛進(jìn)行檢索，檢索式為：

然后根據(jù)技術(shù)分支分別制定檢索式進(jìn)行間接檢索。通過對專利分類號和申請人進(jìn)行驗證，經(jīng)過多次優(yōu)化確定檢索式。

專利檢索數(shù)據(jù)庫選擇Derwent Innovation，檢索時間為2019年11月30日，共檢索到73 421項專利。

2.2 研究方法

自動駕駛技術(shù)專利數(shù)據(jù)集存在以下特點：①節(jié)點數(shù)量大，引用關(guān)系多，直接應(yīng)用主路徑分析生成的技術(shù)路徑不能反映技術(shù)全貌，需要對引用網(wǎng)絡(luò)分層次進(jìn)行分析。由于網(wǎng)絡(luò)中節(jié)點數(shù)量多，需要更高計算效率的社區(qū)發(fā)現(xiàn)算法。②技術(shù)領(lǐng)域交叉，社區(qū)發(fā)現(xiàn)后的社區(qū)覆蓋多個研究主題，用一個主題描述社區(qū)的研究內(nèi)容與實際情況不符，需要對社區(qū)的多個研究主題概率分布進(jìn)行研究。

為了解決主路徑方法不適用于直接分析大型引用網(wǎng)絡(luò)的問題，對引用網(wǎng)絡(luò)首先進(jìn)行社區(qū)發(fā)現(xiàn)，將大型引用網(wǎng)絡(luò)劃分為小型的社區(qū)，使主路徑分析適用。一個社區(qū)包含大量專利節(jié)點，為了定量描述社區(qū)的研究主題分布，在模型中根據(jù)專利文本信息建立LDA主題模型。采用結(jié)合社區(qū)發(fā)現(xiàn)、LDA主題模型、主路徑分析方法的技術(shù)演化分析方法，制定適用于自動駕駛專利數(shù)據(jù)集的分析框架。根據(jù)自動駕駛技術(shù)專利數(shù)據(jù)集的引用關(guān)系構(gòu)建專利引用網(wǎng)絡(luò)，選擇BGLL（Blondel VD，Guillaume JL，Lambiotte R，Lefebvre E（2008）fast unfolding of communities in large networks）算法替代傳統(tǒng)算法進(jìn)行社區(qū)發(fā)現(xiàn)，將大型引用網(wǎng)絡(luò)分為小型的社區(qū)。通過專利文獻(xiàn)訓(xùn)練建立LDA主題模型。計算不同社區(qū)的主題概率分布，然后計算社區(qū)間的語義相似度。將語義相似度作為邊權(quán)重將社區(qū)聚類，同類社區(qū)的研究主題近似，對比分析主題近似的社區(qū)的主路徑，通過主路徑專利主題概率分布計算技術(shù)強度。綜上所述，研究方法如圖1所示。

圖1 研究方法Fig.1 Research methods

3 技術(shù)演化過程

3.1 引用網(wǎng)絡(luò)構(gòu)建及社區(qū)發(fā)現(xiàn)

根據(jù)檢索到的專利數(shù)據(jù)集構(gòu)建專利引用網(wǎng)絡(luò)。引用網(wǎng)絡(luò)使用網(wǎng)絡(luò)可視化處理軟件Gephi進(jìn)行構(gòu)建，在剔除了原數(shù)據(jù)集中沒有發(fā)生引用關(guān)系的孤立專利節(jié)點后，引用網(wǎng)絡(luò)共有26 113個專利節(jié)點。

社區(qū)結(jié)構(gòu)是大規(guī)模網(wǎng)絡(luò)中存在的基本結(jié)構(gòu)，是節(jié)點子團的組合。子團內(nèi)部節(jié)點連接緊密，子團外部連接稀疏。把同一類型的節(jié)點和這些節(jié)點之間的邊所構(gòu)成的子團稱為社區(qū)［13］。在社區(qū)發(fā)現(xiàn)中，Girvan等［16］提出了一種基于模塊度優(yōu)化的分裂算法（GN算法），克服了易將外圍節(jié)點分離出本應(yīng)屬于的社區(qū)的缺陷。Newman［17］提出了利用改進(jìn)模塊度公式的凝聚算法（FN算法），F(xiàn)N算法適用的節(jié)點規(guī)模達(dá)到100萬。Blondel等［18］提出了一種層次貪心算法（BGLL算法）。與GN算法和FN算法相比較，BGLL算法具有以下優(yōu)點：步驟簡單易于實現(xiàn)；適用于超大規(guī)模節(jié)點的網(wǎng)絡(luò)；在計算時間上具有顯著的優(yōu)越性。故本研究選擇BGLL算法進(jìn)行社區(qū)發(fā)現(xiàn)。

社區(qū)發(fā)現(xiàn)通過Python工具包CDlib進(jìn)行實現(xiàn)，CDlib用于從復(fù)雜網(wǎng)絡(luò)中提取、比較和評估社區(qū)。根據(jù)引用關(guān)系共發(fā)現(xiàn)了2 395個社區(qū)，其中包含大量節(jié)點數(shù)量小于10的小型社區(qū)。按照節(jié)點數(shù)對社區(qū)劃分結(jié)果進(jìn)行統(tǒng)計分析，當(dāng)網(wǎng)絡(luò)研究社區(qū)節(jié)點數(shù)量較少時，研究社區(qū)的影響力較小，同時主路徑分析將不能發(fā)現(xiàn)具有分析價值的技術(shù)發(fā)展路徑，因此對節(jié)點數(shù)量大于200的29個社區(qū)進(jìn)行主路徑分析。按節(jié)點數(shù)量大小，前29個社區(qū)包含節(jié)點共16 477個，占網(wǎng)絡(luò)總節(jié)點數(shù)的63%，如表2所示。

表2 社區(qū)劃分結(jié)果Tab.2 Community division result

3.2 LDA主題建模

LDA主題模型是由Blei等［19］提出的貝葉斯概率模型，在LDA模型下文章的主題以概率的形式分布，主題下的詞也以概率的形式分布。

LDA模型建模首先確定主題數(shù)k，本研究中確定最佳主題數(shù)的方法為：先通過LDA可視化工具PyLDAvis觀察不同主題數(shù)下主題建模后的主題分布情況，確定主題數(shù)的范圍。在可視化圖中，主題圓圈的大小表示主題流行度，圓圈之間的距離表示主題距離，通過多維縮放呈現(xiàn)在圖中。當(dāng)主題數(shù)過小時，一個主題中可能包括多個語義不同的主題；當(dāng)主題數(shù)過大時，不同的主題產(chǎn)生語義近似的現(xiàn)象，反映在可視化圖中即主題距離過?。蝗缓笤诖_定的主題數(shù)范圍中計算主題連貫性。本研究通過計算CUMass值（評價最佳主題的指標(biāo)）確定最佳主題數(shù)［20］，其基本原理是基于文檔并發(fā)計數(shù)，利用one-preceding分割和對數(shù)條件概率計算連貫度，計算結(jié)果越大，主題質(zhì)量越高。

主題建模通過Python的Gensim包實現(xiàn)，參數(shù)設(shè)置為：α=‘a(chǎn)symmetric’（50/k），eta=’auto’，迭代次數(shù)為500次。

不同主題數(shù)k值下的可視化圖如圖2所示。由圖2可知，當(dāng)主題數(shù)小于20時，主題間距離較大，當(dāng)主題數(shù)大于30時，開始出現(xiàn)主題距離過小的情況。因此將主題數(shù)k的范圍設(shè)為（20，30），計算此范圍內(nèi)的CUMass值，如圖3所示。當(dāng)k=21時，CUMass取得最大值，因此將主題數(shù)k取為21。LDA模型下主題分布如表3所示，主題詞的系數(shù)表示某個主題下詞的分布，一個主題下所有特征詞的系數(shù)和為1，通過主題下詞的分布?xì)w納主題名稱。

表3 LDA主題模型下自動駕駛領(lǐng)域主題分布Tab.3 Topic distribution in the field of automatic driving under the LDA topic model

圖2 不同主題數(shù)k取值的主題可視化圖Fig.2 Topic visualization graph with different topic number k values

3.3 社區(qū)語義相似度計算與聚類

語義相似度的常用計算方法為計算余弦相似度［21］，余弦相似度的計算公式為

式中：Pi，a為a社區(qū)第i個主題的概率值；Pi，b為b社區(qū)第i個主題的概率值；K為研究主題集合。

由于主題分布是一個各元素和為1的向量，而余弦相似度只考慮向量方向上的相似性，所以將余弦相似度用于語義相似度計算會出現(xiàn)計算結(jié)果偏大的現(xiàn)象，因此考慮選擇調(diào)整后的余弦相似度作為語義相似度的度量，同時考慮向量方向和量綱上的相似性，調(diào)整方式為將原公式中的主題概率值分別減去專利訓(xùn)練集中的主題概率值，計算公式為

首先通過LDA主題模型計算社區(qū)的主題分布，一個社區(qū)包含多個研究主題。社區(qū)的主題概率分布如表4所示。

表4 社區(qū)主題概率分布Tab.4 Distribution of community topic probability

按照統(tǒng)計的節(jié)點數(shù)排序，對前29個社區(qū)進(jìn)行語義相似度計算。將社區(qū)間的語義相似度作為邊權(quán)重，建立社區(qū)語義關(guān)系網(wǎng)絡(luò)，通過Gephi的模塊化功能，將29個社區(qū)聚類，聚類結(jié)果見表5。根據(jù)社區(qū)的主要研究主題將社區(qū)分組概括為感知、規(guī)劃與決策、控制與執(zhí)行、通信4類。

表5 社區(qū)語義聚類結(jié)果Tab.5 Result of community semantic clustering

3.4 主路徑分析

生成主路徑的方法有搜索路徑鏈接數(shù)方法（search path link count，SPLC）、搜索路徑節(jié)點對（search path node pair，SPNP）方法和搜索路徑數(shù)（search path count，SPC）方法［22］。其中SPC方法的計算效率最高，普遍性最強［23］，所以選擇SPC方法作為主路徑分析的實現(xiàn)算法，SPC值表示一條鏈路經(jīng)過從所有源點到所有終點的所有可能路徑數(shù)。

通過SPC方法對上述29個社區(qū)進(jìn)行主路徑分析。主路徑分析通過社會網(wǎng)絡(luò)分析軟件Pajek實現(xiàn)。路徑編號與社區(qū)編號一致。主路徑專利共260件，其中感知領(lǐng)域主路徑節(jié)點共66個，規(guī)劃與決策領(lǐng)域主路徑節(jié)點共58個，控制與執(zhí)行領(lǐng)域主路徑節(jié)點共107個，通信領(lǐng)域主路徑節(jié)點共29個。根據(jù)路徑下節(jié)點的研究內(nèi)容歸納該路徑的技術(shù)主題。

3.4.1 感知

路徑1、7、9、11、13、18、23是關(guān)于感知的路徑。具體見表6。

表6 感知領(lǐng)域主路徑匯總Tab.6 Summary of main paths in perception domain

傳感器使用方案實現(xiàn)從單目相機到廣角相機到攝像頭到測速測距雷達(dá)和相機混合的轉(zhuǎn)變。由于單一種類的視覺傳感器具有局限性，多源傳感器融合成為傳感器使用的趨勢，此外也出現(xiàn)了一些利用地圖的先驗信息進(jìn)行識別的方案，如根據(jù)地圖中的物體尺寸識別物體并測距，組合電子地圖信息識別交通信號與標(biāo)志。

識別方法經(jīng)歷了根據(jù)顏色特征到根據(jù)顏色、形狀、方向特征融合再到根據(jù)語義分割的轉(zhuǎn)變?；跈C器視覺的圖像識別成為新的研究方向，如基于機器視覺的車載交通信號燈標(biāo)志識別。隨著深度學(xué)習(xí)的發(fā)展，將深度學(xué)習(xí)應(yīng)用于圖像感知能獲得豐富的特征信息，應(yīng)用深度學(xué)習(xí)的圖像處理成為新的趨勢，如基于深度學(xué)習(xí)的非標(biāo)準(zhǔn)車特征提取與處理。

3.4.2 規(guī)劃與決策

路徑2、3、5、8、22是關(guān)于規(guī)劃與決策的路徑。主要研究內(nèi)容包括風(fēng)險和不確定性評估、行為預(yù)測、駕駛風(fēng)格識別、全局規(guī)劃、局部規(guī)劃、行為決策、任務(wù)決策和遠(yuǎn)程協(xié)助。具體見表7。

表7 規(guī)劃與決策領(lǐng)域主路徑匯總Tab.7 Summary of main paths in planning and decision-making domain

其中研究集中的領(lǐng)域是風(fēng)險和不確定性評估、路徑規(guī)劃和測試與仿真。風(fēng)險和不確定性評估包括評估巡航的安全性、檢測車輛是否卡死、輪胎狀況檢測等。路徑規(guī)劃算法的應(yīng)用經(jīng)歷傳統(tǒng)算法到智能算法再到啟發(fā)式算法的轉(zhuǎn)變。測試方法經(jīng)歷基于用例、基于場景和基于公共道路的轉(zhuǎn)變。

遠(yuǎn)程協(xié)助提供了更強的計算能力和更快的計算速度，計算模塊呈現(xiàn)從車載轉(zhuǎn)移到云端的趨勢。路徑規(guī)劃出現(xiàn)單純依靠GPS信息到融合環(huán)境信息和地圖信息的變化。從研究目標(biāo)來看，決策規(guī)劃目前需要克服復(fù)雜極端場景帶來的挑戰(zhàn)，例如可見度低、環(huán)境擁擠等場景。

3.4.3 控制與執(zhí)行

路徑6、14、15、16、17、19、20、24、25、26、27、28、29是關(guān)于控制與執(zhí)行的路徑。具體見表8。

表8 控制與執(zhí)行領(lǐng)域主路徑匯總Tab.8 Summary of main paths in control and execution domain

其中自適應(yīng)巡航控制經(jīng)過定速巡航、普通自適應(yīng)巡航、帶跟停功能自適應(yīng)巡航、帶排隊功能自適應(yīng)巡航的發(fā)展，自適應(yīng)巡航控制的一個發(fā)展趨勢是協(xié)同式自適應(yīng)巡航，出現(xiàn)與車對車通信、車路協(xié)同技術(shù)融合的趨勢；從演化目標(biāo)來看，自適應(yīng)巡航技術(shù)的研究熱點目前集中在如何綜合考慮安全性和燃油經(jīng)濟性。

縱向控制由防抱死制動系統(tǒng)發(fā)展到牽引力控制系統(tǒng)，可以減輕打滑，保證行駛安全性，改善汽車在光滑路面行駛。

自動駕駛的人機交互技術(shù)方面關(guān)注車與車內(nèi)用戶、行人、周圍車輛內(nèi)的用戶進(jìn)行交互溝通，提供自動駕駛車輛的操作指示以幫助其他駕駛員和行人預(yù)測自動駕駛車輛的移動，使觀察者對自動駕駛車輛運動更為舒適，使車內(nèi)駕駛員適應(yīng)輔助駕駛系統(tǒng)的干涉。人機交互目前主要依靠圖形界面與用戶溝通。主動檢測乘員狀態(tài)、感知用戶情境以適應(yīng)用戶需求；通過照明系統(tǒng)為行人、前方車輛提供視覺信息成為人機交互技術(shù)的發(fā)展趨勢。

3.4.4 通信

路徑4、10、21是關(guān)于通信的路徑。具體見表9。

表9 通信領(lǐng)域主路徑匯總Tab.9 Summary of main paths in communication domain

通信領(lǐng)域研究內(nèi)容經(jīng)歷從車對車（V2V）通信、車對一切（V2X）通信的轉(zhuǎn)變，主要研究內(nèi)容包括證書吊銷列表的接收和發(fā)送、安全消息如車輛位置、移動方向、速度的廣播、基站和用戶設(shè)備配置。通信方式經(jīng)歷了可讀存儲設(shè)備、車輛自組織網(wǎng)絡(luò)VANET、4G、5G、LTE蜂窩網(wǎng)絡(luò)通信的轉(zhuǎn)變。

通信領(lǐng)域發(fā)現(xiàn)的主路徑可以總結(jié)為C-V2X和DSRC兩種路徑。DSRC由于標(biāo)準(zhǔn)建立早且標(biāo)準(zhǔn)健全，已經(jīng)在電子收費、防撞預(yù)警等領(lǐng)域得到應(yīng)用。C-V2X是基于蜂窩通信的V2X技術(shù)，伴隨著5G和LTE通信的發(fā)展成為DSRC的有力補充。

3.5 技術(shù)強度分析

技術(shù)強度用于衡量在關(guān)鍵專利布局的數(shù)量占比和主題強度。對主路徑分析中的260件專利按照申請國家進(jìn)行統(tǒng)計，其中在中國申請的專利數(shù)量為66件，在美國申請的專利數(shù)量為107件，在日本申請的專利數(shù)量為47件，共占主路徑專利數(shù)量的84.6%，由于中國、美國、日本申請的主路徑專利數(shù)量較多，因此對比中美日三國的自動駕駛技術(shù)強度。根據(jù)建立的LDA主題模型，分別計算中國、美國、日本主路徑專利的主題強度。主題強度分布即為LDA主題計算下的主題概率分布θd。技術(shù)強度Ti的計算公式為

式中：i=1，2，3分為表示中國、美國、日本；θdi表示i國主路徑專利的主題概率分布；Ni/N為影響力系數(shù)，Ni為i國主路徑專利數(shù)量，N為主路徑專利總量。

中國、美國、日本技術(shù)強度對比如圖4所示，以美國、日本作為參照，中國在21項技術(shù)主題下有2項技術(shù)處于技術(shù)領(lǐng)先，分別是測試和自動泊車，有5項技術(shù)處于技術(shù)跟隨，包括定位、高精度地圖、執(zhí)行機構(gòu)、運動控制、硬件計算平臺。

圖4 中國、美國、日本自動駕駛技術(shù)強度對比Fig.4 Comparison of the technical strength of automatic driving technology between China,the United States,and Japan

以高精度地圖技術(shù)為例，對國內(nèi)外關(guān)鍵專利申請人的重點專利進(jìn)行實例研究，以同族專利數(shù)量衡量專利重要程度。我國百度公司的專利“一種車道線數(shù)據(jù)的處理方法及裝置”（專利號：CN105260699 A）和“一種高精度地圖數(shù)據(jù)的處理方法和裝置”（專利號：CN105260988A）側(cè)重于高精度地圖數(shù)據(jù)的處理和采集，屬于高精度地圖的生成技術(shù)。谷歌（專利號：CN111295629A、CN105210128A）、福特（專利號：CN106546977A、CN106546977A）、豐田（專利號：CN108241371A、CN107784826A）這些國外公司的重點技術(shù)側(cè)重于高精度地圖在實際駕駛場景下的應(yīng)用。因此，我國專利申請人需要加快在高精度地圖應(yīng)用領(lǐng)域的專利技術(shù)布局。

4 結(jié)論

為了獲得更加豐富的自動駕駛技術(shù)演化路徑和技術(shù)信息，通過利用結(jié)合專利引用和文本信息的方法，構(gòu)建專利引用網(wǎng)絡(luò)，通過BGLL社區(qū)發(fā)現(xiàn)算法對引用網(wǎng)絡(luò)進(jìn)行社區(qū)發(fā)現(xiàn)，通過SPC方法對社區(qū)中的主路徑進(jìn)行分析。借助LDA主題模型對專利的文本信息進(jìn)行挖掘分析，計算社區(qū)的主題分布，對語義相似的社區(qū)的主路徑進(jìn)行對比分析，最后計算主路徑專利的主題概率分布以對比技術(shù)強度。

研究將自動駕駛領(lǐng)域劃分為21個研究主題，其中運動控制、通信與網(wǎng)路、自動泊車、車路協(xié)同、執(zhí)行機構(gòu)是熱點研究主題。對29個社區(qū)進(jìn)行語義相似度計算和主路徑分析，感知領(lǐng)域呈現(xiàn)多源傳感器融合、應(yīng)用深度學(xué)習(xí)的趨勢；規(guī)劃與決策呈現(xiàn)計算模塊從車載端轉(zhuǎn)移到云端，需要應(yīng)對復(fù)雜極端環(huán)境趨勢；控制與執(zhí)行領(lǐng)域呈現(xiàn)與車對車、車路協(xié)同技術(shù)融合的趨勢；通信領(lǐng)域識別出C-V2X和DSRC兩種路徑，C-V2X成為DSRC的有力補充。通過技術(shù)強度分析，我國在自動泊車技術(shù)和測試技術(shù)上處于技術(shù)領(lǐng)先，在高精度地圖、定位、執(zhí)行機構(gòu)、運動控制、硬件計算平臺與國際先進(jìn)水平相比存在差距。

針對以上技術(shù)演化分析結(jié)論，目前我國自動駕駛領(lǐng)域應(yīng)當(dāng)順應(yīng)技術(shù)趨勢，重點突破多源傳感器融合感知、復(fù)雜環(huán)境智能決策控制、車路協(xié)同、人機交互等關(guān)鍵技術(shù)，在人機交互技術(shù)方面需要考慮自動駕駛新場景下為行人、司機、道路帶來的新的問題，如自動駕駛場景下行人如何辨別自動駕駛車輛的技術(shù)，通過車燈傳遞車輛自動駕駛狀態(tài)信息等；著力提升在國際競爭中位于落后的技術(shù)，補足高精度地圖與定位、控制算法和硬件、車載芯片及操作系統(tǒng)等細(xì)分技術(shù)；完善在國際競爭中處于技術(shù)領(lǐng)先的細(xì)分技術(shù)，如自動泊車和測試技術(shù)，提升國際視野，搶占市場先機，推動C-V2X相關(guān)標(biāo)準(zhǔn)的實施以促進(jìn)C-V2X技術(shù)路徑的發(fā)展。