面向高等級自動駕駛的車路協同關鍵技術

王鯤，張珠華，楊凡，胡星，周谷越

（1.北京百度智行科技有限公司，北京 100193；2.清華大學人工智能產業研究院，北京 100084）

0 引言

自動駕駛有單車智能自動駕駛（AD,Autonomous Driving）和車路協同自動駕駛（VICAD,Vehicle-Infrastructure Cooperated Autonomous Driving）兩條技術路線。其中AD 主要依靠車輛自身的視覺、毫米波雷達和激光雷達等傳感器、計算單元、線控系統進行環境感知、計算決策和控制執行；VICAD 則是在單車智能自動駕駛的基礎上，通過車聯網將“人-車-路-云”交通參與要素有機地聯系在一起，助力自動駕駛車輛在環境感知、計算決策和控制執行等方面的能力升級，加速自動駕駛應用成熟。各國都在加快車路協同自動駕駛的技術研究和產業化，比如歐洲的ERTRAC[1]、美國CARMA[2]等機構。

VICAD 是一個循序漸進由低到高的發展過程，可以分為三個大的發展階段（參考中國公路學會[3]、清華大學智能產業研究院[4]相關報告中對階段的劃分）：

（1）階段1：信息交互協同，實現車輛與道路的信息交互與共享；

（2）階段2：協同感知，在階段1 的基礎上，發揮路側的感知定位優勢，與車輛進行協同感知定位；

（3）階段3：在階段1 和階段2 的基礎上，車輛與道路可實現協同決策與控制功能，能夠保證車輛在所有道路環境下都能實現高等級自動駕駛。

我國VICAD 研究和發展迅速，I 階段VICAD 已在多個城市開展規模性測試驗證和先導示范，并逐步開展商業化運營先行先試；II 階段VICAD 也在部分城市開展了建設部署和測試試驗，道路的協同感知能力得到了大量驗證，部分場景下基礎設施的協調和控制也得到了探索。但總體而言，II 階段VICAD 目前還不足以支撐高等級自動駕駛規模商業化落地，原因主要體現在：1）路側協同感知定位能力有待進一步提高，尤其是需要從功能安全和預期功能安全（SOTIF,Safety of The Intended Functionality）的角度全面提高設備和系統的精確性、穩定性、數據可靠性等，以滿足高等級自動駕駛車輛的需求；2）需要更加高效、經濟的C-V2X 通信技術方案，解決全域、全量、多車間協同數據傳輸問題；3）車路協同決策與協同控制還缺乏有效的模型和方案，需要進一步探索和驗證。

鑒于此，需要針對車路協同自動駕駛開展進一步深入研究，包括面向高等級自動駕駛的應用場景、車路協同系統等內容。

1 面向高等級自動駕駛的車路協同應用場景

根據SAE 3016[5]和GB/T 40429[6]標準，自動駕駛等級分為從L0 到L5 共6 個級別，其中L3 及以上等級規定：“當使用自動駕駛功能，無需駕駛汽車”。基于國內已經發布的車路協同自動駕駛應用場景國內標準如T/CSAE 53[7]、T/CSAE 156[8]、T/CSAE 157[9]、T/CSAE 158[10]，國外標準如SAE J2735[11]、3GPP TS22.186[12]、TR22.886[13]，本文將面向L3 及以上高等級自動駕駛的車路協同應用場景分為全量高精度協同感知與協同決策控制兩大類，如表1 所示。

表1 面向高等級自動駕駛的車路協同典型應用場景舉例

1.1 全量高精度協同感知類場景

（1）交通參與者協同感知

單車智能自動駕駛車輛（AV,Autonomous Vehicle）受限于傳感器的感知距離、感知角度、感知時長等因素，較難對動靜態盲區/ 遮擋、超視距等場景的交通參與者進行準確識別、定位和預測。通過路側多傳感器部署和路側融合感知定位，可實現多方位、長距離連續檢測識別，并利用V2X 技術將路側感知結果共享發送到網聯自動駕駛車輛（CAV,Connected Autonomous Vehicle），與主車感知進行融合，輔助自動駕駛車輛對盲區和超視距范圍內車輛或行人的準確感知識別，CAV 車輛可提前做出預判和決策控制，避免急剎或出現交通事故。

以下以動靜態盲區/遮擋協同感知、超視距協同感知、路邊低速車輛檢測典型場景為例，分別進行介紹。

1）靜態盲區協同感知

AV 車輛經常會被建構筑物、樹木、綠化帶、靜止車輛等遮擋，造成靜態盲區，容易出現急剎或者交通事故。以路邊行人闖入場景為例（如圖1 所示），CAV 車輛通過車路協同感知，可以提前獲取盲區內車輛、非機動車或行人的運動情況，避免了車輛急剎或事故的風險。

圖1 靜態盲區協同感知

2）動態盲區協同感知

AV 主車在路口左轉或掉頭時，容易被大卡車或公交車遮擋產生動態盲區，AV 無法識別被遮擋的車輛、行人或障礙物。通過車路協同感知，CAV 主車可以從路側獲取盲區內交通參與者的運動情況，避免了車輛急剎或事故的風險，如圖2 所示。

圖2 動態盲區協同感知

3）超視距協同感知

AV 主車很難對較遠處的障礙物進行穩定檢測，容易造成急剎和事故的風險。以超視距障礙物場景為例，如圖3 所示，通過車路協同感知，在很遠距離時，路側感知就可以將感知到的障礙物信息提前發送給車輛，避免了車輛出現急剎或事故的風險。

圖3 車輛超視距協同感知

（2）交通事件協同感知

AV 在通過“死車”和“排隊”等典型場景時往往難度較大，通過車路協同感知可以輔助自動駕駛車輛順利應對這些場景。

1）“死車”場景

AV 主車前方有大車“死車”并停占兩個車道時，后方AV 主車無法判斷前方交通運行狀況而停滯不前。通過車路協同感知，可以長時間對道路車輛進行跟蹤和預測，及時將“死車”事件播發給CAV 主車，AV 主車可以及時做出變道等決策。如圖4 所示。

圖4 違章停車、“死車”等交通事件場景

2）“排隊”場景

跟車狀態下，前方路口紅燈，直行車輛出現排隊現象；而AV 主車此時因為無法判斷前車停止原因（排隊中），因此會選擇往左側（左轉車道）并線超車；然而臨近路口時，卻因為車道中的排隊車輛而無法再并線回原車道。通過車路協同感知，及時發現前方排隊事件，并將排隊事件及時發送給CAV 主車，CAV 主車根據排隊信息做出不變道超車并在車道內排隊等候的決策。如圖5 所示。

圖5 排隊交通事件場景

（3）信號燈協同感知

信號燈數據獲取是自動駕駛必須解決的問題，單車智能主要通過視覺智能獲取，但仍存在很多不足：

1）識別信號燈能力有限，異形信號燈無法識別。

2）車端視角限制，容易被前車遮擋。

3）容易受外界環境限制，尤其是逆光、霧天、揚塵、夜晚等環境。

4）識別的數據維度有限，倒計時信息識別不準。

車路協同自動駕駛信號燈協同感知主要是通過物聯網信號燈數據接入、路側多視覺融合感知等技術獲取信號燈燈色和倒計時信息，經數據融合處理后，通過車路協同技術發給自動駕駛車輛。車路協同自動駕駛信號燈協同感知的優勢：

1）獲取方式不受燈的外觀、環境影響。

2）獲取到的數據內容豐富（包括燈色、倒計時）。

3）車輛可在很遠的距離提前獲取信息，提前進行決策控制。

以路口前方大車遮擋信號燈場景為例，可通過車路協同自動駕駛信號燈協同感知實時獲取準確的路口信號燈燈色和倒計時數據，并通過V2X 將信號燈數據發送給路口所有車輛，以便車輛提前做出預判和決策控制，避免出現闖紅燈或者急剎。如圖6 所示。

圖6 路側信號燈融合感知

1.2 協同決策控制類場景

在車路協同感知的基礎上，路測設施或系統還可進一步具備協同決策或協同控制的能力，進一步保障自動駕駛安全，提高交通通行效率。以下以遠程駕駛、自主泊車和無信號燈協調通行場景為例進行介紹。

（1）遠程駕駛

基于車路協同實現遠程的應用場景，以具體的車輛脫困（EV-1（CAV 車輛）受周邊車輛影響停止運行，依靠路側協同幫助主車“脫困”）為例，實現邏輯與過程如圖7 所示。

圖7 遠程駕駛場景

1）EV-1（CAV 車輛車輛）在道路上行駛。

2）行駛過程中由于周邊車輛EV-2、NV-1 及NV-2的阻擋，導致EV-1（自動駕駛車輛）停止運行。

3）EV-1 向路側系統發送請求路側協同決策與控制信息，路側系統生成決策規劃和控制信息，EV-2 按照路側生成的決策規劃信息運行，給受困車輛EV-1（自動駕駛車輛）讓行。

（2）自主泊車

基于車路協同實現自助泊車的應用場景，實現邏輯與過程如圖8 所示。

圖8 車路協同自主泊車場景

1）CAV 行駛至停車場，向路側系統發送請求路側協同規劃請求（自主泊車接管）信息、自車信息。

2）路側系統根據接收到的協同規劃請求（自主泊車接管）信息和自車信息，確定停車場內目標停車位。

3）路側向車輛發送決策規劃消息，控制車輛停入停車位。

（3）無信號燈交叉口協調通行

該場景的實現邏輯與過程如下：

1）CAV 從遠處駛向交叉路口。

2）路側系統感知識別全局路況信息，可以針對不同的車道進行決策規劃，包括給不同的車道規劃行駛路徑等規劃消息，數據內容包括不同的路權以及相應的路權下的開始時間及結束判斷時間。如圖9 所示，路側系統針對車道級通行控制時，車輛EV-1 和EV-2 所處車道被分配一級通行權，車輛EV-3 和EV-4 所處車道被分配二級通行權。

圖9 無信號燈交叉口協調通行場景

3）CAV 通過OBU 接收路側系統的決策規劃信息，不同車道上的CAV 根據路側系統發送來的決策規劃信息（包括路權等級及對應的開始和結束時間）獲得車輛所歸屬車道的路權及可通行的時間并按照規則通行。

2 面向高等級自動駕駛的車路協同系統

2.1 總體架構

基于GB/T 30124.1[14]定義的合作式智能運輸系統，服務于車路協同自動駕駛的車路協同系統總體架構如圖10 所示，包括四個主要部分：

圖10 車路協同系統總體框架

（1）出行者子系統：由出行者所攜帶的各類信息終端或其它信息處理設備構成。

（2）車載子系統：包括OBU，也可以包括車載計算控制模塊、車載網關、路由器等。

（3）路側子系統：包括路側通信設施、路側感知設施、路側計算設施等，也包括用于交通安全、交通管理、通信與定位的各類設備設施。

（4）中心子系統：包括云控平臺和相關第三方應用服務平臺，提供中心解密、中心交換、服務組件節點、服務路由器和中心接入節點等服務，具備網絡管理、業務支撐和服務等能力。

2.2 系統功能與性能要求

面向高等級自動駕駛的車路協同應用場景對車路協同系統的技術需求主要體現在感知定位能力、C-V2X 通信能力、決策控制能力三個方面。

（1）C-V2X 通信能力

綜合來看，與行業已經發布的面向輔助駕駛的T/CSAE 53、T/CSAE 157 相關標準相比，面向高等級自動駕駛的車路協同應用場景對C-V2X 通信具有更高要求，如表3 所示，分別針對協同感知類場景和協同決策控制類場景提出了對C-V2X 的通信需求，其中最小端到端時延要求為3 ms，可靠性最高99.999%，直通鏈路數據速率最大為1 Gbit/s，上行數據速率最大為25 Mbit/s，負荷最大為12 000 byte，通信范圍最大為1 000 m。

表3 車路協同系統C-V2X通信性能指標要求

（2）感知定位能力

車路協同系統的感知定位能力應與L3 及以上等級自動駕駛車輛對感知定位的要求相匹配，相關性能指標如表4 所示。

表4 車路協同系統融合感知定位性能指標要求

（3）決策控制能力

協同決策控制類場景需要車路協同系統具備相應的軌跡預測能力、決策規劃能力和控制能力，這就要求在路側同時部署一套與車端智能駕駛系統（車載OS 與車控OS）適配兼容的路側智能駕駛系統（路側OS），且路側OS 需要更具開放兼容性，為不同類型、不同等級的車輛提供協同駕駛服務。

2.3 車路協同系統安全評價

（1）評價模型

Hayward 基于預期功能安全理論（SOTIF）提出的基于碰撞時間的車輛駕駛行為安全量化技術指標[15]受到行業內的普遍認可，該模型可用于分析車路協同自動駕駛的安全性，但往往只針對非智能車輛或處于理想工況的車路協同系統，在真實場景中，車輛容易受到極限場景（corner case）、惡劣天氣等影響，使得傳感器失效、算法失效、控制系統失效，造成理想仿真場景與實際交通場景存在較大差異，無法體現車路協同為單車智能提供冗余信息和互補信息的優勢，因此，需要在傳統安全模型框架的基礎上，加入場景分布模型和車輛交互模型，得到一個更加接近真實場景的車路協同自動駕駛安全評價模型（VICADSRM），該模型的框架如圖11 所示。

圖11 VICADSRM理論模型框架

VICADSRM 有四個子模型組成，分別是：

1）場景分布子模型：車輛在不同駕駛場景，車速、車頭時距、沖突距離等參數呈現出不同的分布，由大量實際交通數據統計得出，車速服從對數正態分布，在非路口條件下的車頭時距服從負指數分布，在路口條件下沖突距離的倒數和左轉車速服從泊松分布。

2）感知子模型：感知的不確定性是單車智能和車路協同產生駕駛安全差異的核心點，包括硬件檢測的不確定性、軟件模型的不確定性與多傳感器融合的不確定性。對這類不確定性，可使用貝葉斯神經網絡對感知模型進行誤差表征與估計。

3）車輛交互子模型：針對超視距跟馳、換道沖突和無保護左轉場景，分別使用了智能駕駛模型（IDM，Intelligent Driver Model）、三階段車道變更模型和三階段左轉模型，實現仿真場景下的車輛交互。

4）安全評價子模型：為評價系統的安全性，引入基于時間和基于概率的安全評價指標。在時間維度，使用碰撞時間（TTC,Time to Collision）和抵達沖突點時間差ΔT作為安全評價指標；在概率維度，使用實際未發生碰撞的概率PSafe作為安全評價指標。

VICADSRM 模型中，超參數表征某類場景的具體狀態分布，P(θ) 為某一組場景出現的概率；Tact則表示車輛發生感知、變道、路口轉彎等關鍵動作的時間，P(Tact) 為執行該關鍵動作的概率；Psafe是在給定一組和Tact情況下，借助安全評價模型和車輛交互模型計算求得安全量化指標，進而通過積分可以得到該類場景下的平均安全理論指標P。

（2）評價方法與結果

為了對比車路協同與單車智能在自動駕駛安全方面的差異性，選擇了超視距跟馳、換道沖突和無保護左轉三個典型場景進行比較分析，基于百度Apollo 在實際交通運行環境中采集的大量數據，分別代入上述自動駕駛安全的理論模型框架中，計算在不同典型場景下的安全量化指標，并進行比較分析。

三個場景中關鍵指標的計算公示如表5 所示，其中超視距跟馳場景下的安全評價指標計算過程如下：

表5 三種典型場景下自動駕駛安全的理論計算方法

1）對場景分布的超參數θ={v1,v2,h2}進行離散采樣，并計算該分布產生的概率P(θ)=P(v1)P(v2)P(h2)。

2）對關鍵動作時間t1進行離散采樣，并通過感知模型PS計算關鍵動作發生在時間t1的概率P(t1)，即在t1時刻前均未發生有效感知且在t1時刻發生有效感知的概率。

3）對于θ和t1計算量化的安全評價指標TTC、ΔT及PSafe，對P(θ)P(t1)PSafe(θ,t1) 進行積分得到安全評價指標的期望值。

基于百度Apollo 的實測數據，統計擬合出場景分布模型，并結合VICADSRM 模型，計算單車智能和車路協同在三種典型場景下的運動狀態和安全評價指標，實驗計算結果如表6 所示。經比較分析顯示，車路協同能夠顯著提升自動駕駛安全性。

表6 三種典型場景下自動駕駛安全的理論計算結果

1）在時間評價維度：用TTC、TTC和ΔT作為基于時間的安全評價指標，車路協同對比單車智能，實現了0.04%、7.61% 和31.31% 的提升。

1）在概率評價維度：用事故率1-Psafe作為指標，車路協同相比單車智能在三種場景下分別降低38.94%、84.53%和90.75%。

2.4 應用示范情況

基于百度Apollo 的車路協同系統具有廣泛用途，除服務于自動駕駛車輛外，還可應用于智能交通、智慧出行和智慧城市建設，目前車路協同系統已在北京、廣州、上海、長沙等二十多個城市開展落地實踐。

（1）車路協同自動駕駛

百度Apollo L4 級自動駕駛車輛的路測里程已經突破1 000 萬公里，是全球唯一一家實現千萬公里級路測積累的中國企業。Apollo 車路協同系統為Apollo Robotaxi、Robobus 等網聯自動駕駛車輛在全國超過27 個城市的規模化測試運營提供網聯支持，輔助自動駕駛車輛安全可靠運營，為乘客提供高質量體驗服務，如圖12 所示。

圖12 Apollo車路協同系統應用

在輔助駕駛的基礎上，百度Apollo 還進一步提出了Apollo Air 車路協同系統，其核心是在不使用車載傳感器，僅依靠路側輕量感知的前提下，實現連續覆蓋感知（部署示意圖見圖13），并利用V2X、5G 等無線通信技術就可以實現車-路-云協同的L4 級自動駕駛。

圖13 Apollo Air全息道路感知部署示意圖

（2）其他網聯應用

依賴于百度Apollo 車路協同系統高精度感知能力、邊緣計算能力與智能網聯能力，不斷探索開展更多車路協同和智能網聯應用，比如將數據發送到Robobus/Robotaxi 車內的交互屏幕、Robobus 車尾屏上，后方車輛能看到紅綠燈倒計時、交通事件播報、路口排隊長度等交通信息。網聯數據還可以發送到百度地圖、度小鏡等產品上，廣大市民也能便捷獲得電子圍欄語音播報、信號燈信息、事件點視頻的呈現等網聯化服務。

3 結束語

本文簡述了面向高等級自動駕駛車輛的車路協同應用場景需求，并對車路協同系統進行了系統分析，可以為下一階段車路協同應用的發展和自動駕駛的規模商業化落地提供參考和解決思路。

但車路協同自動駕駛規模商業化落地是一個循序漸進、由局部到全面逐漸發展的過程：首先，需要實現關鍵技術進一步突破，如車路協同系統、車路高效通信（NRV2X）、云控平臺等；其次，智能車輛的滲透率和智能道路覆蓋率需要達到一定水平，實現車路協同系統的全面覆蓋和廣域服務；第三，需要在政策法規和技術標準方面提供足夠的保障支持，比如高精度地圖與定位、車聯網數據安全等方面。