基于CiteSpace的國內自動駕駛領域研究熱點綜述與分析

中圖分類號：TP14 文獻標志碼：A

0 引言

隨著計算機技術、人工智能以及機器視覺算法等技術的迅速發(fā)展，自動駕駛技術作為其中革命性的發(fā)展方向開始拓寬市場，走人大眾視野，深刻地改變著人們對出行的認知與體驗。自動駕駛技術的興起提升了交通系統(tǒng)的整體運行效率，降低了交通事故的發(fā)生率，還能重塑汽車產業(yè)生態(tài)，激發(fā)智能交通、車聯(lián)網等相關領域的創(chuàng)新活力[1]。與此同時，自動駕駛領域的研究方向及研究重點繁多且時效性強，涵蓋目標檢測算法、圖像處理、深度學習、虛擬現(xiàn)實仿真、人工智能模型等多方面內容[2]。因此，對自動駕駛領域進行系統(tǒng)的研究熱點綜述與分析既有助于現(xiàn)有研究的梳理，也有益于該領域未來深入發(fā)展。

本文重點圍繞自動駕駛領域展開研究，采用CiteSpace知識圖譜可視化分析方法，對2014—2024年自動駕駛領域研究熱點進行梳理和可視化分析。通過分析文獻數據中的引用關系、各類圖譜等多維度信息，將自動駕駛領域的相關信息用圖譜形式直觀地呈現(xiàn)出來，清晰地揭示出研究力量的分布格局、研究熱點的轉移軌跡以及關鍵知識的傳承與創(chuàng)新路徑[3]，為自動駕駛領域的研究提供了一個全景式的視角，為技術創(chuàng)新和理論突破奠定了堅實的基礎，推動其進一

步成熟與廣泛應用。

1 數據獲取與研究方法

1.1數據獲取

本次研究以中國知網（ChinaNationalKnowledgeIntemet，CNKI）為數據來源，采用高級檢索功能，以“自動駕駛”等為主題，時間范圍為2014—2024年，文獻來源選擇全部期刊，主要主題選擇“自動駕駛”，其他選項保持默認。初步得到文獻共計1270篇，為保證文獻分析的準確性，按照相關度手動篩選相關文獻，剔除征稿啟事等和本次研究無關的數據，最終得到602篇有效文獻數據。

1. 2 研究方法

本文研究主要采用的是文獻計量和科學圖譜分析的方法，選用了CiteSpace作為文獻分析工具，以科學知識圖譜的方式展示自動駕駛領域的發(fā)展進程與結構關系，能夠清晰地展示研究熱點與研究趨勢方面的特征[4]。將篩選得到的文獻數據以“Refworks”格式導入CiteSpace中進行分析，主要在“作者圖\"“機構圖”“關鍵詞共現(xiàn)圖”“關鍵詞聚類圖”“關鍵詞時間線圖\"“突現(xiàn)詞圖\"等方面生成圖譜，進一步對自動駕駛領域近十年的研究熱點進行綜述與分析，為其研究提供有益參考。

2 研究現(xiàn)狀分析

2.1 文獻時間分布

文獻發(fā)文量隨時間的變化可以具象地展現(xiàn)自動駕駛研究的發(fā)展狀況，也可以體現(xiàn)出該領域的研究總體趨勢與發(fā)展演化，在時間分布上把握其脈絡。基于檢索獲取的文獻數據，2014—2024年國內自動駕駛領域研究的發(fā)文量及增長趨勢如圖1所示。2014—2018年，自動駕駛領域處于緩慢發(fā)展階段，雖然年平均增長率較高，在 86% 左右，但是該階段研究論文數量較少，年平均發(fā)文量只有11.6篇，文獻主題基本圍繞“發(fā)展與挑戰(zhàn)”“前景淺析”“應用分析”等方面[5-7]，表明自動駕駛領域當時正處于前期探索階段。2019—2022年，自動駕駛相關研究論文數量增長較快，年平均增長率約為 21% ，年平均發(fā)文量也增長到65.5篇，開始著重強調研究“自動駕駛算法”“機器視覺”“圖像處理”“控制模型”“模擬仿真”等對該領域有著初期突破和實際實現(xiàn)的關鍵點[8-10]，體現(xiàn)了當下自動駕駛領域發(fā)展的研究方向，表明自動駕駛進入了較快發(fā)展階段。2023—2024年，自動駕駛開始迅速發(fā)展，年平均增長率達到了 94% ，年平均發(fā)文量141篇，約為上一階段的2.15倍，實現(xiàn)了較大幅度的提高，說明該領域已經得到了各界的關注，成為當下研究熱點。這一階段研究人員開始探究包括“人工智能”“決策探究”“新能源”“智能協(xié)同”“風險評估\"等更深層次的技術及應用主題[11-13]。總體而言，近十年，自動駕駛領域的發(fā)展都處于逐步上升的趨勢。

文獻時間分布及數據表明，隨著社會科技的進步和人民生活水平的提高，后續(xù)自動駕駛將會是一個熱門的研究領域。根據著名文獻學家普賴斯（D.J.Price）提出的學科發(fā)展階段理論，可以推斷，自動駕駛研究領域正處于學科大發(fā)展期[14]

2.2 文獻作者分布

對某一項研究的發(fā)文作者及作者之間合作關系的分析，能夠理清該領域的核心研究者，具體研究內容及研究共同體是否形成。在CiteSpace中，選擇“Author”

生成知識圖譜，選擇出現(xiàn)閾值大于等于3次篩選主要核心作者及研究人員，完成后續(xù)相關設置后，2014—2024年國內自動駕駛領域核心作者合作網絡知識圖譜如圖2所示。圖中字體大小代表作者發(fā)文量的多少，連線代表作者間的合作關系。

本次分析的602篇文獻中，主要核心作者有91位，從作者姓名之間的連線可以發(fā)現(xiàn)，在自動駕駛領域研究的作者多數以3＼～4人的小規(guī)模群體進行合作，少數以5人及以上的大規(guī)模群體進行研究。通過“作者圖”知識圖譜可以發(fā)現(xiàn)胡學敏、陳龍、童秀遲、張若晗、唐小林、褚文博、陳仕韜等作者姓名字體較大，說明上述作者發(fā)文量相對較多，一定程度上間接代表了他們在自動駕駛領域擁有較強的科研能力和學術成就[15]，尤其是胡學敏帶領的以童秀遲和陳龍為代表的兩個研究團隊。在文獻分析數據中，胡學敏在自動駕駛領域近十年內發(fā)表文章有8篇，占到總文獻數量的 1.3% 。在2017—2019年間，胡學敏主要以“路徑避障算法”為研究方向，為自動駕駛領域初步的發(fā)展奠定了基礎，近年來繼續(xù)以“多種自動駕駛運動規(guī)劃模型”“精準圖像擴散模型”“仿真決策技術”等方向在自動駕駛領域進行深度研究，對該領域后續(xù)的發(fā)展起到了較大的推動作用，凸顯了胡學敏在領域內的研究活躍度和一定的影響力[16-18]

可以發(fā)現(xiàn)，2014—2024年不斷有新作者加入該領域的研究。早期出現(xiàn)的作者，如2014年的王善超等人，為該領域的開拓者，在自動駕駛早期研究中進行了奠基性的工作，分析發(fā)展前景和可行性等[19]而后續(xù)新出現(xiàn)的作者則在已有研究基礎上進行拓展和深化。隨著技術的發(fā)展，新作者可能側重于自動駕駛領域更深入的研究，如基于深度學習的目標識別和環(huán)境感知技術等[20]

2.3 文獻機構分布

從領域中的機構層面研究發(fā)文量，對把握機構在學科領域發(fā)展中的位置和實力有較大的幫助。在CiteSpace中，選擇“Institution\"生成知識圖譜，選擇出現(xiàn)閾值大于等于10次篩選主要研究機構與單位，完成后續(xù)相關設置后，2014—2024年國內自動駕駛領域機構合作網絡知識圖譜如圖3所示。圖中字體大小代表機構發(fā)文量的多少，連線表示機構間相互合作關系。

由研究機構合作網絡知識圖譜可見，在近十年間發(fā)文量大于等于10篇的機構共有36個且機構與機構間合作的地域性極強，領域研究較為分散，基本呈現(xiàn)單區(qū)域多機構或多區(qū)域多機構的合作研究，可大致分為由同濟大學和上海大學領銜的上海研究區(qū)域，清華大學和重慶大學合作研究相關區(qū)域，東南大學的江蘇省內研究區(qū)域等幾個研究大區(qū)。

王超 吳武飛 紀明君 黃華 劉鍵 王普超2024 李云鵬 侯凌燕仁發(fā) 鄒文超 陳新 李彪 張明星 崔岳 嚴揚 劉凱威許勇 爽2023 趙勇 張瑞宏 張琦 張斌 何明 Tim，GORDON2022 龔俊杰 張劍峰 周波 陳希亮2021 張貴英 向函 金亦富 吳小波 ShammiRAHMAN劉床偉劉斌 吳春曉2020 李浩南 邢建民 史揚杰 翔 羅顯志童秀遲 白麗 劉彥博 時泉仁2019 陳龍2018 單正垛 段得玉 蔡英鳳 余雅瀾 任健佳 胡學敏 孔力 黃宏成 許20172016 許有疆 韓亞洪 徐濤 王海 張若晗 唐小林典 吳飛 冀杰2014 葛園園 趙帥 鄧海波 徐昕 甘露 李克強 李云伍 黃巖軍尹皓 徐正 王鐸超 鄭南寧CiteSpace 劉志康 敬頓 我鋼 余禾 李國法褚文博 陳仕韜 劉劍毅陳潭杜文麗 何景濤關鑫

2024 上海人工智能實驗室 北京聯(lián)合大學北京市智能機械創(chuàng)新設計服務工程技術研究中心 東南大學交通學院2023 上海交通大學計箏機科學與工程系 中國礦業(yè)大學（北京）上海工程技術大城市軌道交通學院2022 同濟大學汽車學院 北京聯(lián)合大學淮陰工學院江蘇省物聯(lián)網移動互聯(lián)技術工程實驗室2021 同濟大學道路與交通工程教育部重點實驗室 北京化工大學淮陰工學院江蘇省交通運與安全保障重點實驗室2020 上海市園林設計研究總院有限公司建筑環(huán)境院 清華大學車輛與運載學院貴州大學計算機科學與技術學院2019 重慶理工大學機械檢測技術與裝備教育部工程研究中心 遵義醫(yī)學院醫(yī)學信息工程系2018 蘭州交通大學電子與信息工程學院 西部科學城智能網聯(lián)汽車創(chuàng)新中心（重慶）有限公司 北京大學深圳研生院信息工程學院2017 中山大學能工程學院 重慶大學機械與運載工程學院 東京大學生育技術研究所廣東醫(yī)科大學信息工程學院2016 中山大學深圳 上海大學通信與信息工程學院國汽（北京）智能網聯(lián)汽車研究院有限公司2015 北京中科慧職科技有限公司上海大學上海先進通信與數據科學研究院2014 天津工業(yè)職業(yè)學院 吉林大學中國科學院大學電子電氣與通信工程學院 上海軌道交通無人駕駛列控系統(tǒng)工程技術研究中心北京金風科創(chuàng)凡電設備有限公司CiteSpace 中國科學院空無信息創(chuàng)新研究院中國科學院電磁輻射與探測技術重點實驗室

其中清華大學車輛與運載學院與同濟大學汽車學院為自動駕駛領域核心研究機構，近十年發(fā)文量都在8篇以上。同時，包括清華大學與同濟大學在內的發(fā)文量較多的幾個機構主要研究“人工智能”“車輛運載”“交通”等方向[21-22]，由此可知，自動駕駛技術的應用面非常廣，能為多數領域的發(fā)展提供幫助，較多的機構與單位也已發(fā)現(xiàn)自動駕駛領域的發(fā)展前景廣闊，開始著手注重對該領域的進一步研究。

3 研究熱點分析

3.1文獻關鍵詞分析

3.1.1關鍵詞共現(xiàn)分析

一個學科或領域從無到有的不斷演繹發(fā)展，必然會產生領域范圍內的研究熱點與前沿，關鍵詞通常代表了一篇文章的研究重點，是文章核心的高度總結，出現(xiàn)頻率較高的關鍵詞往往用來確立該領域的研究熱點[23]。而共現(xiàn)分析旨在對文獻數據中出現(xiàn)的關鍵詞進行統(tǒng)計與關聯(lián)，從而分析該領域的研究熱點與變化。在CiteSpace中，選擇“Keyword”與簡化算法（Pathfinder）后生成知識圖譜，選擇出現(xiàn)閾值大于等于3次篩選主要研究關鍵詞，完成后續(xù)相關設置后，2014—2024年國內自動駕駛領域關鍵詞共現(xiàn)知識圖譜如圖4所示。圖中字體大小代表關鍵詞出現(xiàn)頻率的多少，連線代表關鍵詞間的關聯(lián)程度。

通過關鍵詞共現(xiàn)圖可以看出，十年間自動駕駛領域內的主要關鍵詞有43個，“自動駕駛”處于核心位置，表明該主題是整個研究領域的關鍵焦點，圍繞這一核心關鍵詞，眾多相關概念相互交織。結合自動駕駛領域的研究現(xiàn)狀進行分析，領域中主要研究熱點關鍵詞有“深度學習”“機器視覺”“目標檢測”“圖像處理”“人工智能”“強化學習”“路徑規(guī)劃”“數據驅動”“語義分割”“傳感器”等，這些研究熱點關鍵詞聯(lián)系緊密，具有相互依存與協(xié)同作用，如傳感器收集數據，為深度學習、機器視覺等提供素材；深度學習可用于目標檢測、語義分割等任務。上述關鍵詞多數基于數據和算法，主要包括YOLO、MEBA-OWOD、PPO 等主流算法[24，27]，依賴大量的數據以及各種算法來實現(xiàn)其功能，都是為了實現(xiàn)自動駕駛更安全、高效、智能地運行而服務于自動駕駛整體目標，自動駕駛領域也多次強調以數據為核心來推動技術發(fā)展和模型優(yōu)化[28]

數據驅動2024 路徑規(guī)劃 機器學習2023 人工智能 知識圖譜 軌跡預測 人2022 文獻計量2021 機器視覺 圖像識別 綜述 神經網絡智能交通 環(huán)境感知2020 深度學習 圖像處理車聯(lián)網 可解釋性智能駕集測試20182017 自動駕駛 高精地圍2016 多模態(tài) 運動規(guī)劃 感知 安金性2015 目標檢學協(xié) 端端CiteSpace 語義分割 軌跡規(guī)劃 汽智準路徑蹤傳感器

這些關鍵詞基本為自動駕駛領的重要節(jié)點，該領域的研究可以以這些關鍵詞為中心展開，進而更細化為“智能交通”“車路協(xié)同”“機器學習”“感知”“決策”等更深人的研究方向。結合關鍵詞字體大小、關聯(lián)程度、網絡密度3個因素，可知自動駕駛領域的研究集中度較高，已經形成了一個復雜而有序的研究網絡[29]，為深人了解該領域的研究發(fā)展趨勢提供了直觀而豐富的信息。

3.1.2關鍵詞聚類分析

以關鍵詞知識圖譜為基礎，將增減比例參數設置為10，利用LLR算法進行聚類分析[30]，可以得到自動駕駛領域關鍵詞聚類知識圖譜，如圖5所示。繼續(xù)選擇生成時間線，可以得到自動駕駛領域關鍵詞時間線知識圖譜，如圖6所示。圖6中呈現(xiàn)出11個聚類模塊，展示了自動駕駛領域多維度的知識結構，其中#0目標檢測、#1深度學習、#2機器視覺、#3人工智能在2014年前已產生，早期關注檢測、圖像處理、機器學習相關基礎內容，隨后研究方向向諸如實例分割、小目標函數等更細化深人的領域拓展，不斷提升目標檢測精度和范圍，不斷聚焦于深度學習在自動駕駛感知層面的應用深化[31]。#4強化學習、#5智能交通、#6數據融合在2014—2016年間產生，包括機器學習、神經網絡、多模態(tài)等基礎人工智能技術，后續(xù)研究向場景測試、數據驅動等自動駕駛決策和驗證環(huán)節(jié)拓展，可以發(fā)現(xiàn)，人工智能從基礎技術到自動駕駛實際應用的推進，從技術感知到綜合分析的研究趨勢變化[32]。#7路徑規(guī)劃、#8車路協(xié)同、#9 運動規(guī)劃、#10舒適性在2016一2018年間出現(xiàn)，從自主避障、路徑規(guī)劃仿真、軌跡規(guī)劃等基礎路徑規(guī)劃研究，逐漸向環(huán)境感知等與路徑規(guī)劃相關的多方面因素拓展，體現(xiàn)了路徑規(guī)劃研究從單一功能到綜合環(huán)境考量的發(fā)展，車路協(xié)同從概念到關鍵技術落地的研究進程[33]

各個聚類及其相關關鍵詞共同構成了一個全面且相互關聯(lián)的研究體系，為自動駕駛將來深入了解研究和發(fā)展方向奠定了基礎，提供了重要參考。當前復雜情況下的決策處理以及行為預測已成為研究的熱點，關于自動駕駛車輛決策處理的研究方法主要包括當下社會已有決策和機器學習決策兩大方面[34]。機器學習決策方法如深度學習與強化學習，鍛煉人工智在遇到復雜情況時的處理能力，近兩年受到多數學者的研究。搭建機器學習以及模擬決策模型較為復雜，數據采集也較為困難，但隨著時間和實驗次數的推移，機器學習在未來自動駕駛領域的運用可以得到更準確的結果[35-36] 。

3.2突變詞分析

利用CiteSpace中的突變詞探測（BurstDetection）算法可以得到自動駕駛領域突變詞知識圖譜，如圖7所示。通過考察詞頻的時間分布，在大量的主題詞中探測出頻次變化較高的詞，根據突現(xiàn)詞可以探究自動駕駛領域研究前沿趨勢[37]

從時間維度來看，2016年人工智能以3.01的爆發(fā)強度率先成為焦點，同年特征提取也進人研究視野，2017年車聯(lián)網嶄露頭角，2018年機器學習和機器視覺熱度攀升，2019年知識圖譜、傳感器、神經網絡受到更多關注，2020年文獻計量、強化學習、智慧交通、數據融合成為研究的熱門方向，2021年路徑跟蹤和模仿學習引發(fā)關注，2022年人工勢場成為研究熱點。在強度維度上，人工智能的爆發(fā)強度高達3.01，遠超其他關鍵詞，表現(xiàn)了其在自動駕駛領域的核心地位，此外機器學習、機器視覺、路徑跟蹤等關鍵詞的爆發(fā)強度也相對較高，說明了這些主題在對應時間段內的研究活躍度和影響力較大。從持續(xù)時間維度分析，人工智能、特征提取、機器學習三者的持續(xù)時間相對較長，人工智能從2016年延續(xù)至2019年，特征提取從2016年持續(xù)到2020年，機器學習從2018年持續(xù)到2021年，分別體現(xiàn)了不同研究方向受關注周期的差異，從側面反映了每個時間段不同的研究重點。

總體而言，突現(xiàn)詞反映了近十年自動駕駛領域的研究正在穩(wěn)步發(fā)展，呈現(xiàn)出多元化的發(fā)展趨勢。自動駕駛領域從基礎技術研發(fā)到應用推廣，再到深化技術研究逐步發(fā)展過程，更加說明了自動駕駛領域研究的綜合性和復雜性。

4總結與展望

本文以文獻計量學的相關思想和方法作為指導，以CNKI數據庫中篩選出的602篇自動駕駛領域相關學術文獻為分析對象，借助CiteSpace軟件繪制作者合作圖譜、機構合作圖譜、關鍵詞共現(xiàn)圖譜、關鍵詞聚類及時間線圖譜和突變詞圖譜，對國內自動駕駛領域近10年來的發(fā)展狀況和規(guī)律進行了可視化分析和探究，得出以下結論：

（1）2014—2024年國內自動駕駛領域的研究呈逐步上升趨勢，2014—2018年處于緩慢發(fā)展的前期探索階段，2019—2022年進入較快發(fā)展階段，2023—2024年迅速發(fā)展，年平均發(fā)文量不斷增長，表明該領域越來越受到關注，當下處于學科大發(fā)展期。

（2）自動駕駛領域研究涉及多學科，研究力量分布呈現(xiàn)地域性合作特點，核心研究機構數量豐富，發(fā)表文獻作者多以小規(guī)模群體合作，每年不斷有新的學者加入研究，自動駕駛領域內容得以拓展和深化。

（3）當前自動駕駛領域的研究熱點主要集中在“深度學習”“機器視覺”“目標檢測”“圖像處理”“人工智能”等基于數據和算法的方向，這些關鍵詞聯(lián)系緊密，圍繞“自動駕駛”構成了井然有序的研究網絡，當前復雜情況下的決策處理以及行為預測成為研究熱點，而機器學習決策方法在近兩年有多數學者

研究。

（4）隨著自動駕駛領域從基礎技術研發(fā)向應用推廣及深化技術研究發(fā)展，研究呈現(xiàn)多元化趨勢，包括“機器視覺”“圖像處理”等在內的早期研究熱點集中于基礎實現(xiàn)與高效運行，而近5年“智慧交通”“路徑跟蹤”等部分深人應用研究成為新的熱點，這也體現(xiàn)了自動駕駛領域未來的研究發(fā)展方向。

基于對上述知識圖譜的分析與當下國內自動駕駛領域的研究現(xiàn)狀，未來自動駕駛研究的展望主要集中于以下幾個方面：

（1）技術深化與算法創(chuàng)新：當前自動駕駛領域研究熱點集中于深度學習、機器視覺等算法，在復雜環(huán)境下的魯棒性仍然存在著一些困難與挑戰(zhàn)，在未來的研究中更需要探索輕量化模型、遷移學習及自適應算法，提升自動駕駛系統(tǒng)在多樣化場景中的穩(wěn)定性和泛化能力。

（2）數據驅動與智能化升級：數據是自動駕駛領域的重中之重，研究多模態(tài)數據融合技術，開發(fā)邊緣計算與分布式存儲方案，解決數據采集、傳輸與隱私保護的矛盾也是后續(xù)值得深思探索的方向。對自動駕駛后續(xù)成果智能化檢測進行虛擬現(xiàn)實（VR）和數字孿生技術構建高精度仿真環(huán)境，加速算法訓練與驗證，可以有效減少對實際道路測試的依賴與其他不利因素。

（3）跨學科融合與應用拓展：繼續(xù)深化自動駕駛與車路協(xié)同、智慧交通的融合，探索動態(tài)路徑規(guī)劃、群體智能調度等技術，優(yōu)化城市交通效率與能源利用，推動自動駕駛技術與新能源汽車的協(xié)同創(chuàng)新，助力碳中和目標的實現(xiàn)。

5結語

本文以CNKI數據庫2014—2024年收錄的602篇自動駕駛領域相關學術文獻為數據來源，就國內自動駕駛領域的研究現(xiàn)狀和未來趨勢展開分析。當前國內自動駕駛領域研究呈現(xiàn)“階梯式增長態(tài)勢”“跨地域協(xié)同創(chuàng)新格局”“熱點向智能算法縱深發(fā)展”三大特征，具體表現(xiàn)為年度發(fā)文量突破式增長、京津冀與長三角科研集群效應凸顯及深度學習與機器視覺技術持續(xù)迭代。今后研究可聚焦“感知決策算法優(yōu)化”“多模態(tài)數據生態(tài)構建”“車路云協(xié)同創(chuàng)新”三大方向，重點突破復雜場景下的模型泛化能力，包括數據安全與算力瓶頸和智能交通系統(tǒng)集成等關鍵問題。本研究通過可視化知識圖譜揭示的自動駕駛領域發(fā)展規(guī)律，為構建產學研協(xié)同創(chuàng)新體系提供了決策依據，研究成果不僅有助于推動自動駕駛領域未來的突破性發(fā)展，更將為當今社會持續(xù)發(fā)展、智慧城市新型交通生態(tài)構建和“雙碳”戰(zhàn)略目標的實現(xiàn)注入創(chuàng)新動能。

參考文

[1]楊宣有.自動駕駛汽車通信技術與產業(yè)發(fā)展現(xiàn)狀及問題研究[J].中國科技產業(yè)，2024（12）：36-38.

[2]張博.基于人工智能的自動駕駛專利技術綜述[J].河南科技，2024（20）：135-139.

[3]靳慧.基于CiteSpace的軌跡規(guī)劃研究［J].汽車文摘，2023（1） ：39-46.

[4]林通，金韜，李婕.科學知識圖譜下公安教學改革研究的可視化分析[J].中國人民公安大學學報（自然科學版），2019（4）：101-108.

[5]劉梓葳.淺談自動駕駛汽車的發(fā)展與挑戰(zhàn)[J].科技傳播，2018（23）：137-138.[6]李付俊.淺談汽車自動駕駛技術的發(fā)展與未來[J].黑龍江科技信息，2016（16）：59.

[7]劉偉，孫芳岑.自動駕駛控制系統(tǒng)芯片技術現(xiàn)狀與應用分析[J].汽車電器，2018（10）：15-19.

[8]錢勇.智能汽車自動駕駛的控制方法分析[J].農機使用與維修，2022（11）：65-67.

[9]李朋原.基于計算機視覺的自動駕駛行人檢測專利技術綜述[J].專利代理，2022（4）：20-27.

[10]趙一兵，邢淑勇，劉昌華，等.復雜交通場景下自動駕駛道路目標檢測[J].應用科技，2022（4）：1-6.

[11]蔣立偉，葉永鋼，周波，等.基于改進DDPG的經濟性自動駕駛汽車決策方法[J].內燃機與配件，2024（22） ：1-5

[12]賀宏博.基于深度學習的自動駕駛車輛目標檢測與跟蹤技術研究[J].專用汽車，2024（7）：61-65.

[13]胡爽祿，華賢平，竇民，等.汽車端到端自動駕駛現(xiàn)狀與發(fā)展趨勢[J].時代汽車，2024（13）：4-6，109.

[14]高同，崔鵬.基于CiteSpace的無人駕駛研究熱點分析[J].汽車文摘，2019（5）：30-34.

[15]李曉華，孔祥丹.中國近代教科書研究的可視化計量分析與展望：基于CiteSpace 知識圖譜[J].西北師大學報（社會科學版），2024（6）：100-108

[16]劉旖菲，胡學敏，陳國文，等.視覺感知的端到端自動駕駛運動規(guī)劃綜述[J].中國圖象圖形學報，2021（1） ：49-66

[17]胡學敏，童秀遲，郭琳，等.基于深度視覺注意神經網絡的端到端自動駕駛模型[J].計算機應用，2020（7）：1926-1931

[18]胡學敏，成煜，陳國文，等.基于深度時空Q網絡的定向導航自動駕駛運動規(guī)劃[J].計算機應用，2020（7）：1919-1925.

[19]趙禹程，張永偉，俞喬.無人駕駛汽車發(fā)展史、技術現(xiàn)狀與創(chuàng)新管理模式研究［J].新疆師范大學學報（折學計今科學版）2021（4）.103-112

[20]冉敬楠，倪偉，陳世宇.面向深度強化學習自動駕駛決策算法的硬件加速器[J].合肥工業(yè)大學學報（自然科學版），2024（9）：1159-1169.

[21]徐國艷，余貴珍，周彬，等.產教研融合建設研究生人工智能系列課程探索：以自動駕駛方向人工智能課程為例[J].高等工程教育研究，2023（4）：196-200.

[22]鄭素麗，吳盛豪，郭京京.自動駕駛汽車技術軌道演進研究：基于社群識別和主路徑分析的整合框架[J].科研管理，2022（2）：126-136.

[23]韓文思，孟瑞鋒，喬志，等.基于知識圖譜的自動駕駛算法研究熱點分析[J].汽車實用技術，2023（24） ：25-31.

[24]王軒慧，吳穎，邵凱揚，等.基于改進YOLOv8s的自動駕駛多目標跟蹤檢測研究[J].汽車技術，2024（12）：1-7.

[25]王超，蘇樹智，朱彥敏，等.基于MEBA-OWOD算法的開放自動駕駛場景目標檢測[J].湖北民族大學學報（自然科學版），2024（4）：514-520.

[26]時高松，趙清海，董鑫，等.基于PPO算法的自動駕駛人機交互式強化學習方法[J].計算機應用研究，2024（9）：2732-2736.

[27]王開峰.基于MPC的自動駕駛汽車橫向控制算法研究[J].無線互聯(lián)科技，2022（24）：34-36.

[28]宣陳宇，唐明，雷鑑銘.基于自動駕駛的機器視覺原理及應用[J].無線互聯(lián)科技，2018（10）：124-125.[29]陳伊高，黃楚新.人工智能技術與出版深度融合的焦點透視與趨勢展望：基于CiteSpace的可視化分析[J].科技與出版，2024（4）：112-120.

[30]周小安，張雅勤.一種基于FPGA的簡化LLR算法研究[J].通信技術，2015（3）：262-266.

[31]馬春江.自動駕駛技術的討論與展望[J].信息與電腦（理論版），2014（24）：53.

[32]廖爽，許勇，王善超.智能汽車自動駕駛的控制方法研究[J].計算機測量與控制，2014（8）：2472-2474.[33]范宜標，盧瑋，傅智河.自動駕駛場景下的魯棒車輛檢測[J].電子測量與儀器學報，2018（12）：60-65.[34]褚文博，甘露，李國法，等.面向自動駕駛的大模型高效壓縮技術：綜述[J].機械工程學報，2024（22）：224-240.

[35]尹超.基于視覺導航系統(tǒng)辨識的車路協(xié)同自動駕駛高精規(guī)控方法[J].江蘇科技信息，2023（13）：59-62.

[36]王洪琳，鄭睿.激光雷達在軌道列車自動駕駛系統(tǒng)中的應用研究[J].江蘇科技信息，2021（31）：42-44，55.

[37]柳星仿，黃秦安.中國數學文化研究：“起源”“現(xiàn)狀”“趨勢”及“熱點”：基于CNKI數據庫（1991—2022）的CiteSpace知識圖譜可視化分析［J].數學教育學報，2024（4）：83-90.

（編輯何琳）

Summary and analysis of research hotspots in the field of automatic driving in China based on CiteSpace

SHI Haipeng，DI Sisi* （School of Automation， Nanjing Institute of Technology，Nanjing 211167， China）

Abstract：Asacontemporary research hotspot，autonomous driving plays avital role inthe developmentof automobile， transportation，and other fields.Basedonthe literature related to autonomous driving published in the CNKIdatabase from 2014 to 2O24，anin-depth analysis was conducted using the visual analysis tool of CiteSpace knowledge mapping. Through systematic sorting and analysis of literature data，the distribution patern of autonomous driving research，its coreresearch forces，thedynamic changes in research hotspots，and the evolution of key knowledge were presented. Over the past decade，research hotspots in the field of autonomous driving were found to primarily focus oncomputer andautomation technologies，such asartificial intelligenceand machine visionalgorithms，with shiftsanddeepening of focus observed across diffrent periods.The findings are expected to provide valuable references for future research in the field of autonomous driving.

Key words：autonomous driving;machine vision;artificial inteligence; CiteSpace;knowledge graph;visualizationanalysis