智能網聯汽車結構層次及技術分析

黨超

摘要：根據公安部交通管理數據顯示，2020年我國汽車保有量已達2.81億輛，位居世界第一。隨著汽車數量的逐年遞增，環境污染問題、道路擁堵問題，能源短缺問題及交通事故等問題也越來越嚴重，對汽車的進一步發展產生一定的消極影響。而智能網聯汽車作為汽車未來的發展趨勢，有利于解決以上問題。本文主要分析了智能網聯汽車的技術及結構層次。

Abstract： According to the traffic management data of the ministry of public security， the number of cars in China has reached 281 million in 2020， ranking first in the world. With the increasing number of vehicles year by year， the problems of environmental pollution， road congestion， energy shortage and traffic accidents are becoming more and more serious， which has a certain negative impact on the further development of vehicles. As the future development trend of automobile， intelligent and networked vehicle is conducive to solve the above problems. This paper mainly analyzes the technology and structure hierarchy of intelligent and networked vehicle.

關鍵詞：智能網聯汽車;技術分析;結構

Key words： intelligent and connected vehicle;technical analysis;structure

中圖分類號：U46 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文獻標識碼：A ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文章編號：1674-957X（2022）05-0220-03

0 ?引言

根據《國家車聯網產業標準體系建設指南》對智能網聯汽車定義：智能網聯汽車是指搭載先進的車載傳感器、控制器、執行器等裝置，并融合現代通信與網絡技術，實現車與X（人、車、路、云端等）智能信息交換、共享，具備復雜環境感知、智能決策、協同控制等功能，可實現“安全、高效、舒適、節能”行駛，并最終可實現替代人來操作的新一代汽車。智能網聯汽車具有兩個層面：一是智能化，二是網聯化。

在智能化層面，汽車配備了多種傳感器（攝像頭、超聲波雷達、毫米波雷達、激光雷達），實現對周圍環境的自主感知，通過一系列傳感器信息識別和決策操作，汽車按照預定控制算法的速度與預設定交通路線規劃的尋徑軌跡行駛。在網聯化層面，車輛采用新一代移動通信技術（LTE-V、5G等），實現車輛位置信息、車速信息、外部信息等車輛信息之間的交互，并由控制器進行計算，通過決策模塊計算后控制車輛按照預先設定的指令行駛，進一步增強車輛的智能化程度和自動駕駛能力，最終實現在智慧交通中無人駕駛。

1 ?智能網聯汽車結構層次

智能網聯汽車是以新能源汽車為基體，利用各種傳感器及網絡通信，讓汽車安全行駛。智能網聯汽車由環境感知層、智能決策層以及控制執行層組成。感知主要分為自主式感知和網聯式感知。通過車載傳感器獲得的對復雜環境的感知，稱為自主式感知;借助現代通信和網絡技術來感知環境，稱為網聯式感知。

存在于互聯網絡中的智能網聯汽車，通過密切交互，形成了一種特定的新型網絡系統-車聯網。車聯網除了包括車車通信、車路通信和車輛內部通信外，還包括了在移動互聯下能提升安全和節能等方面指標的信息服務。智能網聯汽車在結構層次可以分為環境感知層、智能決策層和控制執行層。

1.1 環境感知層

環境感知層的主要功能是通過車載環境感知技術、衛星定位技術、4G/5G及V2X無線通信技術等，實現對車輛自身屬性和車輛外在屬性（如道路、車輛和行人等）靜態、動態信息的提取和收集，并向智能決策層輸送信息。

1.2 智能決策層

智能決策層的主要功能是接收環境感知層的信息并進行融合，對道路、車輛、行人、交通標志和交通信號等進行識別，決策分析和判斷車輛駕駛模式及將要執行的操作，并向控制和執行層輸送指令。

智能決策層類似于人類大腦，車輛通過感知識別端從外部獲取環境信息后，將信息進行集成處理，傳送到決策端，車輛決策端需要依靠這些信息做出正確精準的控制決策，并將決策下達至執行端，以完成自動駕駛，自動駕駛的環境感知端會感知并識別車道線、車輛、行人、交通標志等目標，并會采集大量的圖像信息，而這些信息會形成一個數據模型，然后與數據庫中的模型進行對比、分析、評估并糾錯;智能網聯汽車在反復的路測中，會不斷提高對道路信息識別程度，并為之做出合理的決策控制。

1.3 控制執行層

控制執行層的主要功能是按照智能決策層的指令，對車輛進行操作和協同控制，并為聯網汽車提供道路交通信息、安全信息、娛樂信息、救援信息以及商務辦公、網上消費等，保障汽車安全行駛和舒適駕駛。

執行系統類似于人的手腳，用來執行決策系統的命令，有點類似于計算機的輸出端，最終實現車輛的行駛。

2 ?智能網聯汽車關鍵技術

2.1 環境感知技術

環境感知包括車輛本身狀態感知、道路感知、行人感知、交通信號感知、交通標識感知、交通狀況感知、周圍車輛感知等，主要由各種傳感器來感知。

2.1.1 視覺傳感器在智能網聯汽車中的應用

視覺傳感器是指通過對攝像頭拍攝到的圖像進行圖像處理，對目標進行檢測，并輸出數據和判斷結果的傳感器。視覺傳感器在智能網聯汽車或無人駕駛汽車上的應用是以攝像頭（機）出現，并搭載先進的人工智能算法，便于目標檢測和圖像處理。根據汽車攝像頭模塊的不同，目前使用的攝像頭分為單目攝像頭、雙目攝像頭和紅外攝像頭。紅外夜視系統是視覺傳感器一個獨特的分支，圖像處理算法在處理遠紅外夜視圖像過程中依然能夠發揮作用，因此紅外夜視系統能夠像可見光攝像頭一樣，獲取環境中的目標大小和距離等信息，對光照不足條件下對基于可見光的視覺傳感器的應用是一種有效補充。

智能網聯汽車傳感系統是一個多傳感器的復雜系統。使用單目攝像頭是一種很好的方法，但是單目攝像頭依賴大量訓練樣本、特征提取過程難以觀測和調整等。由于傳感器的物理特性，攝像頭測距精度遠低于激光雷達和多普勒雷達。因此在實際應用中，需要結合激光雷達和多普勒雷達等其他傳感器進行探測，這些傳感器在各自的約束條件下能夠發揮各自最優的性能，各類傳感器的融合將大大提高目標檢測的精度。在汽車智能駕駛中，通過不同焦距和不同仰角的多個單目攝像頭，可以獲得不同位置的交通標志、信號燈和各種道路標志的檢測和識別能力。隨著電子化、信息化與人工智能技術的發展，小型化和嵌入式的視覺傳感器得到了廣泛應用，人們可以從車載攝像頭中獲得更智能的結果，即通過攝像頭的視場，感知駕駛環境。

視覺傳感器主要應用于車道偏離預警、車道保持輔助、前向碰撞預警、行人碰撞預警、交通標志識別、盲區監測、夜視輔助、自動泊車輔助、全景泊車、駕駛員疲勞預警等。

2.1.2 雷達在智能網聯汽車中的應用

智能網聯汽車上的雷達有毫米波雷達、超聲波雷達、激光雷達等。超聲波雷達是汽車最常用的一種傳感器，可以通過接收到反射后的超聲波探知周圍的障礙物情況，消除了駕駛員停車泊車、倒車和起動車輛時前、后、左、右探視帶來的麻煩，幫助駕駛員消除盲點和視線模糊缺陷，提高了行車安全性。超聲波雷達被廣泛應用于倒車輔助系統和自動泊車系統中。車載超聲波雷達主要分為UPA和APA兩大類。UPA是一種短程超聲波，主要安裝在車身的前部與后部，檢測范圍為5cm-5m，由于檢測距離大，多普勒效應和溫度干擾小，檢測更準確。APA是一種遠程超聲波傳感器，主要用于車身側面，檢測范圍為35cm-5m，可覆蓋一個停車位。方向性強，探頭波的傳播性能優于UPA，不易受到其他APA和UPA的干擾。當然，檢測距離越遠，檢測誤差越大。

激光雷達（LiDAR）是集激光、全球定位系統（GPS）和IMU慣性測量裝置三大技術為一體的系統。典型激光雷達：接收系統采用了各種形式的光電探測器，如光電倍增管、半導體光電二極管、雪崩光電二極管、紅外線和可見光多元探測器。激光雷達使用兩種工作模式：脈沖和連續波。根據探測原理，探測方法可分為米散射、瑞利散射、拉曼散射、布里淵散射、熒光、多普勒等。實時激光雷達一般分為16線、3線和64線，雷達測距的精度非常重要，以16線激光雷達為例，它具有角分辨率，如果行人在50米以外，只有一條激光脈沖線。激光雷達在智能網聯汽車中的應用：車輛輔助駕駛和無人駕駛的整體解決方法是激光雷達+多傳感器融合算法+高性能嵌入式算法控制板+可視化界面配置軟件，采用單線或多線激光雷達+攝像頭+毫米波雷達檢測車輛周圍的道路環境，實現多傳感器功能互補。采用數據融合算法提取道路的車道線信息、障礙物屬性和障礙物運行狀態信息，綜合分析給出警告信息，提醒駕駛員對車輛進行相應的控制，確保安全駕駛。

2.2 車聯網技術

長距離無線通信技術用于提供即時的互聯網接入，主要用4G、LTE、GPRS等技術。短距離通信技術有專用短程通信技術（DSRC）、藍牙、2.4G通信技術等，其中DSRC重要性較高且亟須發展，它可以實現在特定區域內對高速運動下移動目標的識別和雙向通信，例如V2V、V2I雙向通信，實時傳輸圖像、語音和數據信息等。

2.3 云計算平臺

云計算平臺通過以太網絡與車輛、路側設備進行遠程通信，實現遠程監控、車輛追蹤、調度管理和路徑規劃等功能，同時還能夠利用云計算和大數據處理，為自動駕駛控制策略、智能交通控制管理的研究提供數據依據。

2.4 網絡信息安全

智能網聯汽車需滿足車聯網通信的保密性、完整性、可鑒別性等要求。通過引入密碼安全芯片、設計“端-管-云”安全主動防御機制、密碼安全協議和設置可信計算區域等手段，對云計算平臺和車載終端進行軟件代碼和物理硬件安全升級。

2.5 先進的駕駛輔助技術

先進駕駛輔助系統（ADAS）是利用安裝在車輛上的傳感器、通信、決策及執行等裝置，實時監測駕駛員、車輛及其行駛環境，并通過影響、燈光、聲音、觸覺提示/警告或控制等方式輔助駕駛員執行駕駛任務或主動避免/減輕碰撞危害的各類系統的總稱。

智能汽車的初級階段是具有先進駕駛助系統（Advanced Driver Assistance Systems，ADAS）的汽車。ADAS在汽車上的配置越多，其智能化程度越高，其終極目標是無人駕駛汽車。智能汽車的發展方向是自動化、網聯化、智能化和共享化。智能汽車的自動化程度越高越接近自動化汽車，網聯化程度越高越接近網聯汽車，最終發展成為無人駕駛的智能網聯汽車。

2.5.1 前向碰撞預警系統

前向碰撞預警（FCW）系統通過雷達或視覺傳感器時刻監測前方車輛，判斷本車與前車之間的距離、方位及相對速度，當存在潛在碰撞危險時對駕駛員進行警告。前向碰撞預警系統由信息采集、電子控制和人機交互三個單元組成。通過分析傳感器獲取的前方道路信息對前方車輛進行識別和跟蹤，如果有車輛被識別出來，則對前方車距進行測量;同時利用車速估計，根據安全車距預警模型判斷追尾可能，一旦存在追尾危險，便根據預警規則及時給予駕駛員主動預警。

2.5.2 車道偏離預警系統

車道偏離預警系統主要由信息采集單元、電子控制單元和人機交互單元等組成。該系統可以在行車的全程自動或手動開啟，以監控汽車行駛的軌跡。當系統正常工作時，信息采集單元將采集車道線位置、車速、汽車轉向角等信息，電子控制單元將所有的數據轉換到統一的坐標系下進行分析處理，從而獲得汽車在當前車道中的位置參數，并判定汽車是否發生非正常的車道偏離。

2.5.3 盲區監測系統

盲區監測（BSD）系統也稱汽車并線輔助（LCA）系統，是通過攝像頭、毫米波雷達等車載傳感器檢測視野盲區內有無來車，在左右兩個后視鏡內或其他地方提醒駕駛員后方安全范圍內有無來車，從而消除視線盲區，提高行車安全性。當汽車速度大于某一閾值時，例如10km/h，盲區監測系統自動啟動，如果監測范圍內有車輛或行人，就會被信息采集單元監測到，計算出目標的距離、速度等信息，并將采集到的信息傳遞給電子控制單元;電子控制單元根據收到的信息判斷進入監測范圍內的車輛或行人是否對本車造成威脅，如果存在安全隱患，則通過預警顯示單元提醒駕駛員，并根據危險程度、駕駛員的反應提供不同的預警方式。

2.5.4 車道保持輔助系統

車道保持輔助（LKA）系統是一種能夠主動檢測汽車行駛時的橫向偏移，對轉向和制動系統進行協調控制，實現主動對車道偏離現象進行糾正，使汽車保持在預定的車道上行駛，從而減輕駕駛員負擔，減少交通事故的發生。該系統主要由信息采集單元、電子控制單元和執行單元等組成。在系統工作期間，駕駛員將會接收車道偏離的報警信息，并選擇對轉向系統和制動系統中的一項或多項動作進行控制，也可交由系統完全控制，如圖1所示。

2.5.5 自動制動輔助系統

汽車AEB系統：采用測距傳感器測出與前車或障礙物的距離，與報警距離、安全距離進行比較，小于報警距離時就進行報警提示;小于安全距離時，即使在駕駛員沒來得及踩制動踏板的情況下，AEB系統也會啟動，使汽車自動制動。

2.5.6 自適應巡航控制系統

自適應巡航控制（ACC）系統由信息感知、電子控制、執行單元、人機界面組成。在汽車行駛過程中，車距傳感器持續掃描汽車前方道路，同時輪速傳感器采集車速信號;當前汽車與前方車輛之間的距離小于或大于安全車距時，ACC控制單元通過與制動系統、發動機控制系統協調動作，改變制動力矩和發動機輸出功率，對汽車行駛速度進行控制，始終保持安全車距行駛，如圖2所示。

2.5.7 自動泊車輔助系統

自動泊車輔助系統（PA）：利用車載傳感器探測有效泊車空間，并輔助控制車輛完成泊車操作的系統;減輕了駕駛員的操作負擔，有效降低了泊車的事故率。自動泊車輔助系統由感知單元、中央控制器、轉向執行機構和人-機交互系統組成。通過車載傳感器掃描汽車周圍環境，通過對環境區域的分析和建模，搜索有效泊車位，當確定目標車位后，系統提示駕駛員停車并自動啟動自動泊車程序，根據所獲取的車位大小、位置信息，由程序計算泊車路徑，然后自動操縱汽車泊車入位。

3 ?結論

智能網聯汽車作為當下汽車最新的研究方向，必將在未來汽車市場發揮越來越重要的作用。本文對智能網聯汽車的結構及技術進行了分析，通過本文的研究，為智能網聯汽車的進一步研究提供一定的理論基礎。

參考文獻：

[1]孫常林.智能網聯汽車發展現狀分析[J].產業創新研究，2020（20）：34-35.

[2]李克強，戴一凡，李家文.智能網聯汽車發展動態及對策建議[J].智能網聯汽車，2018（1）：12-19.

[3]李寒洋.淺談智能網聯汽車發展現狀及趨勢[J].汽車工業研究，2020（1）：3-10.

[4]徐國艷，宗孝鵬，余貴珍，等.基于DDPG的無人車智能避障方法研究[J].汽車工程，2019，41（2）：206-212.

[5]楊順，蔣淵德，吳堅，等.基于多類型傳感數據的自動駕駛深度強化學習方法[J].吉林大學學（工學版），2019，49（4）：1026-1033.

[6]白朋濤.信息通信技術對智能網聯汽車數據資源的影響分析[J].數據通信，2019（1）：51-53.

[7]薛俊.我國智能網聯汽車行業發展現狀探析[J].質量與標準化，2019（4）：56-59.

[8]李克強，李家文，常雪陽，等.智能網聯汽車云控系統原理及其典型應用[J].汽車安全與節能學報，2020，11（3）：261-275.

[9]王曉原，楊新月.基于決策樹的駕駛行為決策機制研究[J].系統仿真學報，2008，20（2）：415-419.

[10]張新鈺，高洪波，趙建輝，等.基于深度學習的自動駕駛技術綜述[J].清華大學學報（自然科學版），2018，58（4）：438-444.

[11]王建強，鄭訊佳，黃荷葉.駕駛人駕駛決策機制遵循最小用量原理[J].中國公路學報，2020，33（4）：155-168.

[12]常雪陽，許慶，李克強，等.通信時延與丟包下智能網聯汽車控制性能分析[J].中國公路學報，2019，32（6）：216-225.