小编导读

自动驾驶汽车事故频发的背后，一个关键诱因长期被低估：ADS的规划层缺乏完整的道路交通法规引入。据统计，NHTSA公布的89起自动驾驶事故中，有10起直接归因于交规符合性不足；而美国汽车协会最新调查更显示，仅13%的美国司机愿意信任乘坐自动驾驶汽车。当前自动驾驶交规符合性研究正面临三重困境：缺乏对合规性具体要求的多维度系统分析，缺少法规与数据双驱动的实证对比研究，以及尚未形成体系化的合规性评价方法。长安大学赵祥模教授团队在《中国公路学报》2026年第39卷第3期发表的这篇综述，首次系统性地提出了"多维要求分析--交规体系梳理与实证验证--四层次提升框架--评价体系构建"的完整研究范式。文章基于SinD（4752辆车）、highD（4040辆车）、Agoverse（2000场景）和AVOID（20起ADAS事故）四个真实数据集，揭示了人类驾驶与自动驾驶在限速与安全车距两类违规上的共性高发特征，为自动驾驶交规符合性研究提供了从理论到实践的完整路线图。

基本信息

标题：Research Progress on Traffic Regulation Compliance of Automated Driving Systems「自动驾驶交规符合性研究进展」作者：王润民, 刘绘敏, 承靖钧, 朱宇, 赵轩, 赵祥模机构：长安大学信息工程学院；长安大学汽车学院期刊：中国公路学报（China Journal of Highway and Transport）（2026）链接：10.19721/j.cnki.1001-7372.2026.03.014

研究亮点

• 五大合规维度：首次提出技术合规性、风险最小化、区域一致性、人机交互性、测试监管通过性五大维度，构建多维度合规要求体系
• 四数据集实证：基于SinD（4752辆）、highD（4040辆）、Agoverse（2000场景）、AVOID（20起事故）四个真实数据集，系统对比人类驾驶与自动驾驶违规特征
• 四层次提升框架：提出"交规形式化→感知优化→轨迹预测→合规决策"四层次递进框架，覆盖从规则理解到安全执行的完整链路
• 六大未来方向：从软硬规则界定、法规动态更新、分级形式化模型、强化学习与博弈论融合、模型可信认证、合规陷阱场景生成六个方向规划研究蓝图

论文摘要

自动驾驶交规符合性是确保ADS安全运行的基础条件，也是实现社会性驾驶策略的关键。然而，目前学界对技术合规性要求、提升策略及评价方法尚未形成共识。本文系统综述了自动驾驶交规符合性研究的现状与挑战：首先明确了交规符合性的定义与多维要求，梳理了针对传统驾驶与自动驾驶的交规体系（中国3大类23小类），并基于四个真实数据集--SinD（4752辆车）、highD（4040辆车）、Agoverse（2000场景）、AVOID（20起ADAS事故）--对人类驾驶与自动驾驶的违规类型进行了对比统计分析。进而提出了一种四层次提升框架：①基于时序逻辑（LTL/MTL/STL）的交规形式化方法；②面向交通信号识别的感知优化；③交规约束下的车辆轨迹预测；④自动驾驶合规决策。在评价层面，梳理了涵盖6个维度、包含基础交规遵守、交互场景响应、安全边界、紧急避险、通行效率和预测性能的评价指标体系，以及仿真验证、试验场验证和开放道路监测三类试验方案。最后，针对交规"硬/软"规则边界量化、法规在线热更新、形式化分级机制缺失、决策模式转型、评价认证框架构建和合规陷阱场景生成六大挑战，提出了未来研究的突破方向。

1. 研究动机

自动驾驶交规符合性，一般是指自动驾驶系统（ADS）在设计、决策和执行过程中，严格遵守所在国家或地区为保障道路交通安全而制定的法律、法规、规章等文件要求，确保其行为与人类驾驶人在法规框架下的行为一致，同时满足安全、伦理和责任分配的要求。它是自动驾驶车辆安全合法地融入真实交通生态的底线前提，也是从实验室走向规模化商业落地的关键一步。

当前，自动驾驶交规符合性领域面临着三大结构性矛盾：

• 矛盾一：法规模糊性与机器确定性之间的鸿沟。 面向人类制定的自然语言交规条文存在极大的模糊性（如"安全车距""合理车速"等弹性表述），难以被ADS直接理解与执行。传统交规默认驾驶主体为人类驾驶人，而L3/L4/L5级自动驾驶的驾驶主体为ADS，导致责任框架的根本错位。

• 矛盾二：合规需求紧迫性与技术供给不足之间的落差。 基于SinD/highD/Agoverse/AVOID四个数据集的实证分析表明，限速与安全车距违规在人类驾驶和自动驾驶两类场景中均呈高发态势，ADS远未实现合规性闭环。然而当前研究在交规形式化粒度、感知系统鲁棒性、合规决策灵活性等关键环节仍存在显著短板。

• 矛盾三：法规体系的全球碎片化与技术方案的普适性需求之间的张力。 各国自动驾驶法规形成"国内地方试点、国外国家立法、国际协同推进"的差异化发展形态，中国尚无国家层面专项立法，仅依托地方性法规和部门规章进行约束。ADS面临传统人类驾驶法规与自动驾驶专项法规的双重遵守要求。

在上述背景下，本文围绕自动驾驶交规符合性问题对现有研究进行充分调研，旨在从"多维要求分析--交规体系梳理与实证验证--四层次提升框架--评价体系构建"的系统视角，为该领域提供一份全面的研究现状梳理、方法策略归纳和未来方向展望。

2. 研究方法

本文采用"分析--提升--评价"三层面递进的研究框架，全方位解构自动驾驶交规符合性问题。在分析层面，从五大合规维度出发，系统梳理中国现行交规体系（3大类23小类），并结合四个真实数据集开展合规性实证分析。在提升层面，提出四层次递进框架，覆盖从形式化建模到合规决策的全链路技术路径。在评价层面，梳理多维度评价指标、多模式试验方案和评价限值确定方法。

多维合规要求体系

文章提出自动驾驶交规符合性需从五个维度综合考量： 技术合规性要求ADS通过高精度环境感知、实时决策策略和可解释的交通规则知识图谱，在复杂动态场景下做出符合交规的决策，从技术设计上严格遵循当地交规。 风险最小化要求坚守刚性规则零违反的底线，建立动态风险预测与消解机制，在不可避免事故中遵循"总体伤害最小化"原则。 区域一致性强调ADS需适应不同地区的交通法规、道路条件、文化背景和驾驶习惯差异，通过本地化交规知识库和模块化架构实现跨地域合规。 人机交互性要求ADS具备双向风险协同能力，包括违规提醒、接管响应和意图传达。 测试监管通过性提出需构建全面的测试体系与可量化的评价机制。

交规体系梳理与合规性实证分析

基于中国现行交规体系（以《道路交通安全法》为核心），将驾驶行为要求的交规条款细分为3大类23小类：交互类通行规则（11小类，包括超车、变道、会车、转弯、掉头、倒车、灯光交互、停车、通行权、车速、距离）、道路结构通行规则（10小类，包括交通信号、交叉口、进出匝道、弯道行车、隧道、施工区域、陡坡、人行横道、铁路道口、桥梁）、环境相关通行规则（2小类，包括不良天气、夜间行驶）。同时分析了传统交规对自动驾驶的二元适用特征：基础通行规则具有延续性，但责任框架与模糊性条款存在显著不适应性。在此基础上，选取SinD（天津城市交叉口，4752辆车）、highD（德国高速公路，4040辆车）、Agoverse（自动驾驶场景，2000个场景样本）和AVOID（20起ADAS相关事故）四个数据集，系统对比了人类驾驶与自动驾驶的违规特征，揭示限速与安全车距违规在两类场景中均呈高发态势。

四层次提升框架

文章提出包含四个层次的自动驾驶交规符合性提升框架：

① 基于时序逻辑的交规形式化方法。 将自然语言交规条文建模为ADS能够理解的精确逻辑表达，系统综述了线性时序逻辑（LTL）、度量时序逻辑（MTL）和信号时序逻辑（STL）三种主流方法。LTL语法简单但缺乏时间量化；MTL引入时间区间约束，适用于实时系统；STL支持连续信号与混合系统，在描述自动驾驶连续动态特性方面优势显著，其定量语义可提供连续的合规性度量。此外，文章还梳理了一阶逻辑、知识图谱、命题逻辑和本体构建等多元化形式化表示方法。

② 面向交通信号识别的自动驾驶感知优化。 针对外部环境干扰（光照、天气、遮挡）导致的识别精度下降、车道线缺失和交警手势等非标准化/动态化信号引发的解读障碍、以及标志褪色和污损等物理形态失效三大感知难题，从复杂环境下感知优化（深度学习特征提取与多传感器融合）、语义理解下感知优化（车道线多模态融合补全与交警手势识别）和极端场景下感知优化（不依赖颜色信息的检测方法）三个方面综述了最新研究进展。

③ 交规约束下的车辆轨迹预测。 将交规从"事后校验"转为"事中约束"，形成关键约束驱动的新型预测模式。梳理了三类技术路径：STL形式化交规的深度融合（将合规性指标直接纳入轨迹预测优化目标）、交规导向的成本函数编码（将交通规则转化为可计算成本函数实现协同优化）、以及模糊交规的优先级建模（通过RuleNet多智能体框架解决模糊交规嵌入难题）。

④ 自动驾驶交规符合性决策方法。 梳理了三类主流决策方法：基于候选行为集方法（预定义合规行为空间，多维度代价函数评估输出最优决策）、基于人工势场方法（构建虚拟势场模拟交规约束，整合至MPC成本函数）、以及基于强化学习方法（将交规转化为约束条件或奖励函数训练智能体）。文章指出当前研究的一大核心挑战在于将STL的连续时间语义转化为离散时间语义以匹配自动驾驶控制器采样周期。此外，现有研究普遍缺乏对"软规则"的动态适配机制和"硬/软规则"的系统化划分标准。

图1 | 自动驾驶交规符合性多维要求总览：五大维度及其相互关系

图2 | 基于SinD数据集的天津城市交叉口驾驶合规性分析结果

图3 | 基于highD数据集的高速公路驾驶合规性分析结果

3. 核心结论

通过系统综述，文章从形式化、感知、预测、决策和评价五个维度全面呈现了当前研究格局与关键发现。

交规形式化方法。 三种时序逻辑各有适用场景：LTL语法简单，在环形交叉口等离散场景的形式化中表现出普遍可用性，但当状态序列包含重复状态时可能出现语义不一致；MTL通过引入时间量化能力（GI、FI、PI、OI等时序算子），可精准刻画特定时间区间内需满足的时序属性，已有研究利用LLM实现交规到MTL的自动化转换（TR2MTL框架）；STL的定量语义通过量化交规符合程度而非简单布尔满足性，为评估自动驾驶行为提供了连续的精细化度量视角。改进方向包括提出siFLTLGX以简化公式结构、通过谓词扩展丰富MTL的时间表现形式、以及利用答案集编程处理无信号交叉口交规等。

感知优化。 在复杂环境方面，基于CNN与Keras的交通标志检测框架在遮挡及光照变化下保持较高精度，深度学习驱动的雷达-摄像头融合架构显著提升了极端天气及低光照场景下的检测性能。在语义理解方面，基于交叉口拓扑与规则的车道多模态融合算法可解耦直线/曲线补全重构语义车道，基于深度学习的交警手势识别模型通过结合多个卷积网络和特征融合技术实现了高精度手势识别。在极端场景方面，基于孪生网络与支持向量机的深度学习框架在褪色标志识别上表现突出。

轨迹预测。 STL深度融合路径将合规性指标直接纳入轨迹预测的优化目标，通过联合学习未来轨迹生成与交规鲁棒性满足度，避免先预测再校验的滞后性——进一步利用STL语法树解析交规的结构化特征，将交规满足度转化为GAN判别器的动态约束条件。交规导向成本函数编码方法通过双层框架实现交规约束与环境动态性的协同优化，上层捕捉交互意图，下层将交通规则转化为可计算成本函数。RuleNet框架通过图神经网络与多头注意力机制捕捉车辆间交互，再引入模糊规则优先级评估模块，解决了模糊交规嵌入轨迹预测的难题。

合规决策。 基于候选行为集的分层决策框架通过上层交规建模与下层多指标评估实现安全性与合规性保障，但计算复杂度较高。人工势场法通过构建表征交通信号灯、车道线、车辆、行人等交规约束的势函数，整合至MPC优化目标实现交规约束决策。强化学习方法中将STL形式化交规转化为鲁棒性奖励嵌入训练过程，法规自适应混合强化学习框架利用基于规则的备份策略弥补RL智能体对交规动态适应的不足。部分研究利用违规程度作为奖励函数，通过分层安全强化学习框架将高层策略与交规联合编码为形式化指令。

评价体系。 文章梳理了涵盖6个维度的评价指标体系：基础交规遵守指标（交通信号识别率、违规率）、交互场景响应指标（行人/非机动车/车辆交互响应）、安全边界指标（碰撞风险次数、紧急制动触发、TTC）、紧急避险指标（紧急避让合规性、违规权衡合理性）、通行效率指标（交通流量）和预测性能指标（ADE）。在三类试验方案中，仿真验证可支撑"数据采集→规则数字化映射→合规性判定"的系统化流程但面临置信度不足与标准化缺失瓶颈；试验场验证以高置信度数据与物理真实性为核心优势，文章设计了融合形式化规则引擎的试验场实车验证框架；开放道路合规性监测构建了"识别-预警-干预-溯源"闭环机制，可成为政府监管与事故责任厘清的核心技术凭证。在评价限值方面，提出了基于交规直接提取、基于概率风险模型分析和"NoCrash+NoChange"双准则动态优化三条路径。

图4 | 基于Agoverse数据集的自动驾驶合规性分析结果

图5 | ADAS相关事故中的违规类型分布统计

图6 | 自动驾驶交规符合性四层次提升框架：形式化→感知→预测→决策

4. 研究展望

当前，自动驾驶交规符合性研究面临交规"内在复杂性"与"外部动态性"的双重挑战。尽管已有研究在形式化建模、感知优化、轨迹预测和合规决策等方面取得了阶段性成果，但在以下方面仍存在明显不足：数据层面，现有自然驾驶数据集未全面覆盖所有违规类型，自动驾驶数据集样本规模仍有限；形式化层面，关键谓词定义冗余、规则间优先级冲突缺乏系统化解决机制、法律规范强度（强制性vs建议性）尚未建立分级标准；地域适配层面，跨地域交规差异性与ADS技术方案的普适性需求之间存在根本性张力。

针对上述挑战，文章提出六大未来突破方向：

① 建立软硬规则动态处理机制。 深度解析交规体系，明确界定"硬规则"（如红灯禁行，零违反）与"软规则"（如礼让行人，允许弹性调整）的边界及其适用条件，探索开发启发式图搜索算法，融合人类驾驶历史合规决策轨迹知识，构建动态演化的规则应用图谱。

② 设计融合NLP与知识图谱的动态法规更新机制。 利用NLP将文本型交通法规转化为结构化交规知识图谱，明确交规实体及其间复杂的逻辑关系与约束条件，将实时更新的知识图谱与多模态感知数据深度融合，使ADS决策系统能够实时解析合规要素并依据最新规则进行在线推理。

③ 构建分级形式化模型。 解决"冗余-冲突-分级"三大系统化机制缺失问题，区分"必须遵守"的绝对约束与"建议遵循"的条件约束，建立规则优先级冲突的动态仲裁机制。

④ 建立强化学习-博弈论融合决策框架。 推动从被动阈值约束型合规向主动策略型合规转变，使ADS能够主动生成合规策略（如变道前进行车速微调诱导后车让行），实现合规性与通行效率的多目标协同优化。

⑤ 构建自动驾驶交规符合性评价体系。 基于概率风险模型推动"里程统计"向"模型可信认证"转型，解决概率模型可解释性保障、弹性规则阈值法律效力转化和多主体博弈合规基准制定三大监管认证难题。

⑥ 创新合规陷阱场景生成与跨地域知识库构建。 利用违规敏感性强化学习训练对抗性智能体，主动诱发ADS潜在违规行为，针对性生成"合规陷阱"场景；基于联邦学习构建分布式地域交规知识库，实现跨地域场景的合规性交互验证与泛化能力评估，将合规性验证从事后检测升级为事前注入。

< Fin >