基于数据驱动的深度学习技术大大推动了自动驾驶汽车量产落地的进程,但是,“长尾问题”一直悬而未决,很大程度制约了自动驾驶汽车的商业化应用。车载传感器视野遮挡导致的潜在危险交通场景是“长尾问题”的典型“边角案例”。国内外在潜在危险交通场景研究主要存在两大类问题,一是研究场景单一;二是运动规划只考虑静态遮挡盲区。然而,现实中潜在危险交通场景种类多样,且特性不同。针对这些问题,本文以城市路况为背景,对潜在危险交通场景进行分类、识别、风险评估,并进行自动驾驶汽车的运动速度规划,主要研究内容及成果如下:第一,潜在危险交通场景的分类。通过人类驾驶视野遮挡问题延伸至自动驾驶领域,结合大量交通场景分析,寻找场景特征共性及特性,以遮挡物运动状态分为静态遮挡与动态遮挡;在此基础上,结合道路特征和场景共性及相关理论知识,分为静态渐变盲区、静态突变盲区、动态渐变盲区三种潜在危险交通场景,并建立了各类别场景的环境模型,为后续识别模块降低难度。第二,潜在危险交通场景的识别。根据上述场景模型特征,分别采用不同识别方法。考虑静态渐变盲区与动态渐变盲区主要研究对象为车辆,采用深度学习算法uNetXST网络进行识别,与深度网络及其变体网络进行对比,本文模型遮挡区识别F1 Score为92%,MIou分数为87.83,均高于深度网络及其变体;考虑静态突变盲区研究对象为隔离带豁口处与道路连通域位置,采用区域生长方法进行识别处理;通过不同城市结构化道路与非结构化道路仿真实验,检验了识别算法的有效性与鲁棒性,为后续运动规划提供潜在危险区域起始点。第三,潜在危险场景的风险评估与运动速度规划。为增加风险评估模型的鲁棒性,采用基于场景上下文信息的动态贝叶斯网络进行风险评估,将道路环境中的8种安全因素作为评估网络节点,增加评估模型灵活性;为了可以安全并且高效的行驶,基于人类驾驶员行为,建立纵向运动规划模型,将遮挡区域风险点与道路环境信息引入模型中,使得纵向规划速度随着相对距离及风险值的变化而变化,从而降低对道路交通流的影响,并且增加了模型的鲁棒性。第四,潜在危险场景风险评估与运动规划模型的实验验证。选取校园道路场景进行实车实验。针对静态渐变盲区和静态突变盲区场景,考虑多种复杂工况和测试指标,对潜在危险交通场景风险评估模型及运动规划模型进行离线测试,将仿真实验与人类驾驶员实验数据进行比较分析。实验结果表明,本文模型不仅可以保证行车安全性,并且可以实现车辆交通流的高效性,提高了自主驾驶汽车的主动安全性。