随着自动驾驶汽车的复杂性不断提升，以及人工智能算法的普遍应用，预期功能安全（safety of the intended functionality, SOTIF）问题已经成为一个备受关注的新兴安全挑战，对自动驾驶汽车的大规模落地提出了重大挑战。预期功能安全关注的是解决由于预期功能或其实现方式的不足而引发的问题，这些问题超越了传统安全考量的范畴。本研究从系统工程的角度出发，通过全面回顾贯穿开发阶段、验证&确认阶段和运行阶段全流程的学术研究、实践活动、挑战与前景，对预期功能安全领域进行了深入探讨。在学术研究方面，本研究包括了系统级预期功能安全研究，以及与算法相关的预期功能安全问题和解决方案。此外，研究还涵盖了来自企业、政府和学术机构在国际和中国背景下的典型预期功能安全实践，特别关注不同阶段的总体方法论和实践经验。最终，本文提出了在自动驾驶汽车开发、验证&确认和运行阶段面临的挑战，以激励各利益相关方共同努力以最终解决。
“人车同规”(自动驾驶汽车与人类驾驶汽车遵从相同的交通规则)被汽车行业和交通管理部门视为准则。通过形式化和数字化方法，基于自然语言描述的交通规则可以被转换为数字规则，并被自动驾驶汽车使用。本文提出了一种有效的转换流程，利用分层次的信息提取，可以从丰富而复杂的自然语言语义中提取出交通规则中的有效信息，甚至是隐藏的假设。然而，如何确保转换成的数字规则的准确性，并且与原始交通规则保持一致，是个重要且未被探索过的问题。我们将等价性验证与模型检测相结合，得出了一种行之有效的形式化验证方法。利用本文所提出的交通规则数字化流程和验证方法，可以得到合理可靠的数字交通规则。在仿真环境中，我们利用这些数字交通规则对车辆行为进行了交规符合性评估。实验结果表明，通过本文所提流程获得的度量时序逻辑描述的数字交通规则，可以很方便地被用于仿真平台和自动驾驶系统中。
本研究提出了一种通用的智能车辆最优轨迹规划（GOTP）框架，能够有效地避开障碍物，引导智能车辆安全高效地完成驾驶任务。首先使用五阶贝塞尔曲线生成并平滑沿道路中心线的参考路径。为了使生成的曲线的曲率尽可能连续，笛卡尔坐标被变换。在曲线坐标系中，考虑道路约束、车辆运动学约束，通过采样生成有限的多项式候选轨迹集合。并在选择最优轨迹时，模拟驾驶人驾驶行为，总结驾驶人”趋利避害”操纵特性，提出了基于最小作用量原理的统一自适应目标函数。最后，基于滚动时域优化的思想，输出最优轨迹规划框架，能够协同规划过程动态多性能目标，并选择满足完备性、最优性和智能化的轨迹。大量的仿真和实验结果证明了该框架的可行性和有效性，能有效避开动态和静态障碍物，适用于多源交互交通参与者的各种场景。同时，与驾驶人操纵轨迹对比，所提出的框架能够满足实时安全规划需求。
行为决策和运动规划对于自动驾驶的安全性至关重要。本研究提出了一种数据和模型混合驱动的自动驾驶在线决策规划自进化框架。首先，开发了一个基于深度强化学习（DRL）的数据驱动决策模块以尽可能追求合理的驾驶性能。然后，采用模型预测控制（MPC）同时执行纵向和横向运动规划任务，并根据车辆的物理极限定义了多个约束，以满足驾驶任务要求。最后，提出了自动驾驶自进化的安全性和合理性准则。建立了安全运动包络并与所提出的合理探索与利用机制集成，规避了不安全的动作，以此过滤不合理的经验，从而为DRL智能体收集高质量的训练数据。在高保真车辆模型和MATLAB/Simulink联合仿真环境下进行了算法验证，结果表明所提出的在线进化框架能够实现更安全、合理、高效的驾驶行为。
从车联网中挖掘知识，利用高效率低成本的知识共享可以提高自动驾驶汽车的决策能力。然而，在高速移动的环境中，如何确保本地数据学习模型高效率的同时防止隐私泄露是一项挑战。为了在知识共享中保护数据隐私并提高数据学习效率，提出了一种异步联邦宽度学习（FBL）框架，该框架将宽度学习（BL）集成到联邦学习（FL）中。在FBL中，设计了一个宽度全连接模型（BFCM）作为训练客户端数据的本地模型。为了提高知识共享的无线信道质量并降低参与客户端的通信和计算成本，构建了一个针对FBL的联合资源分配和智能超表面（RIS）配置的优化框架。该问题被解耦为两个凸子问题。为了提高FBL的资源调度效率，利用双重Davidon–Fletcher–Powell（DDFP）优化算法来解决时隙分配和RIS配置问题。在资源调度结果的基础上，在FBL中设计了一种基于联邦激励学习的奖励分配算法，对客户端的成本进行补偿。仿真结果表明，所提出的FBL框架在IoV中知识共享的效率、准确性和成本方面相较对比模型能取得更好的性能。
识别工人的施工活动或行为可以帮助管理者更好地监控劳动效率和施工进度。然而，目前的施工工人活动分析依赖于人工观察和记录，这消耗了大量的时间和人力成本。研究人员已经致力于监测工地上工人的施工行为，但当多个工人一起工作时，现有的研究不能准确和自动地识别施工活动。本研究提出了一个深度学习框架，用于自动分析多个工人的施工活动。在这个框架中，设计并使用了多个深度神经网络模型来完成工人关键点提取、工人跟踪和工人施工活动分析。设计的框架在实际建筑工地进行了测试，对多个工人的活动进行了识别，表明该框架用于自动监控工作效率的可行性。
CO2是地球大气中最重要的温室气体之一。自工业革命以来，人类活动排放了大量温室气体进入大气，导致自1950年以来的气候变暖，并导致极端天气和气候事件频率增加。2020年，我国承诺在2060年前努力实现碳中和，这一承诺以及我国随后的行动将导致全球和区域人为碳排放发生重大变化，因此需要及时、全面且客观的监测和验证支持（monitoring, verification and supporting, MVS）系统。MVS方法是2019年气候变化政府间专门委员会（IPCC）清单改进指南中增加的内容，基于大气CO2浓度观测数据“自上而下”同化反演碳源汇。然而，区域高分辨率的同化和反演方法仍处于初步发展阶段。本研究，我们运用本征正交分解（POD）与四维变分（4DVar）相结合的数据同化方法，基于WRF–GHG模型构建了一个在公里尺度上进行碳源-汇反演的系统，中国区域碳源汇监测核校支持系统（CCMVS-R）。CCMVS-R可以持续同化大气CO2和其他相关信息，并实现区域和局地人为碳排放和自然陆地生态系统碳交换的反演。本研究基于山西省6个地面监测站收集的大气CO2浓度观测数据，采用两层嵌套（27 km和9 km）设置理想和真实实验来验证区域人为碳排放的同化反演效果。同化后大气CO2浓度模拟值不确定性显著降低，CO2浓度模拟值与理想值之间的均方根误差接近于0。同化反演获得的2019年山西省人为碳排放总量，较采用“自下而上”方法的5套排放清单的平均值高出约28.6%（17%~38%），表明“自上而下”的CCMVS-R系统能够获取更全面的人为碳排放信息。
铜是一种微量元素，在体内具有重要的生理功能。然而，过量的铜离子（Cu2+）可能会导致严重的健康问题，例如毛细胞凋亡，进而造成听力损失。因此，对Cu2+的测定具有重要意义。在本文中，我们将离子印迹技术与结构色水凝胶微球相结合，制备了基于壳聚糖的离子印迹水凝胶微球（IIHBs），并将其作为低成本、高特异性的Cu2+检测平台。这些IIHBs具有内部贯穿的大孔微纳结构，宏观尺寸均匀、颜色明亮，同时还具备磁响应性。将其孵育于Cu2+溶液中时，IIHB可以识别Cu2+并表现出反射峰变化，从而实现无标记检测。此外，受益于离子印迹技术，IIHBs 显示出良好的特异性和选择性，在Cu2+浓度为100 μmol∙L–1时印迹因子为19.14 。这些特征表明，所开发的 IIHBs有望用于Cu2+检测，进而预防听力损失。
骨骼肌具有强大的再生能力，但严重损伤、疾病和衰老会影响这种再生能力从而导致骨骼肌相关疾病的发生。因此，改善骨骼肌再生是治疗骨骼肌相关疾病的关键挑战。由于M2型巨噬细胞（M2Mø）在组织再生中所起的重要作用，植入M2Mø具有改善骨骼肌再生的巨大潜力。本研究利用短波红外（short-wave infrared, SWIR）荧光成像技术深入评估了M2Mø植入后对骨骼肌再生效果的活体信息。该技术示踪了小鼠骨骼肌损伤模型中植入的M2Mø。结果表明，植入的M2Mø在损伤部位聚集达两周。随后，血管SWIR荧光成像显示M2Mø植入可改善损伤后第5天（1.09 ± 0.09 vs 0.85 ± 0.05; p = 0.01）和9天（1.38 ± 0.16 vs 0.95 ± 0.03; p = 0.01）的相对灌注率，同时损伤后第13天的骨骼肌再生程度也得以改善。最后，多元线性回归分析明确了损伤后时间和相对灌注率可以作为评估骨骼肌再生的预测指标。这些结果为M2Mø在骨骼肌再生中的作用提供了更多体内细节，明确了M2Mø可促进血管生成和改善骨骼肌修复程度，这将指导未来M2Mø植入改善骨骼肌再生的进一步研究与发展。