車路協同路側感知融合方法的研究

安 鑫，蔡伯根，上官偉

(北京交通大學 電子信息工程學院，北京 100044)

隨著科學技術和經濟社會的不斷發展，人們的出行方式越來越便捷且選擇越來越豐富，最常用的出行工具——汽車(智能網聯汽車或自動駕駛汽車)的數量也不斷增加。據公安部統計，截至2021年3月全國機動車保有量已達3.78億輛；機動車駕駛人達4.63億人，而且這一數據還在不斷增長[1]。與此同時，隨機動車數量一起增長的，還有交通事故的發生數量。據統計，2014年至2021年間，全國每年平均發生的交通事故數量達15萬起以上[2]。在2018年和2019年已經超過20萬起。2020年受突發新冠疫情影響才有所下降[3]，但總體而言，這仍是一個不可忽視的數字。除此之外，機動車數量急劇增加，導致交通擁堵情況時有發生，尤其是早晚人們上下班的高峰期，經常會造成長時間擁堵[4]，擁堵的交通不僅沒有為人們帶來方便，反而浪費了大量的寶貴時間。這一現象導致許多人出門寧愿選擇地鐵等公共交通或單車和電瓶車，而將自己購買的私家車擱置，這進一步造成了資源的浪費。

為了解決這一問題，交通從業者不斷努力和嘗試，采用新建和改擴建道路、部署路側感知設備、優化交通組織等措施，以期進一步提升交通安全水平和出行效率。但新建、改擴建道路不僅會占用更多有限的耕地資源，而且也無法從根本上解決此類問題，是治標不治本之策[5]。隨著計算機技術、移動通信技術、大數據、人工智能、深度學習、AIoT(人工智能物聯網)等新技術的快速發展，為解決這一類問題帶來了新思路和新方法。要通過技術創新的方式，通過科技手段來探尋一條符合我國交通國情、通信和汽車產業發展環境的技術路線來徹底解決道路交通擁堵、交通事故、出行效率等問題[6]。

未來交通將是“智慧”的路和“聰明”的車協同發展、互相促進的發展成果。具體到“智慧”的路來說，應根據道路交通環境和實際場景分級建設不同等級的路側智能基礎設施，賦予道路基礎設施數字化、網聯化和智能化的能力；針對“聰明”的車即智能網聯汽車(也稱為自動駕駛汽車)，我國也已頒布《汽車駕駛自動化分級》推薦性國家標準，基于6個要素將駕駛自動化劃分為6個等級。其中，0～2級為駕駛輔助，系統輔助人類執行動態駕駛任務，駕駛主體仍為駕駛員；3～5級為自動駕駛，系統在設計運行條件下代替人類執行動態駕駛任務，當功能激活時，駕駛主體為系統[7]。道路智能基礎設施分級和自動駕駛汽車分級標準的推出將會極大推動產業發展和技術迭代速度，但是，智能網聯汽車在短期內還無法實現所有行駛工況下的安全高效運行。在未來較長的時期內，智能網聯汽車和普通汽車混行將是一種常態。這種情況下，如何通過道路基礎設施的建設，有效彌補自動駕駛汽車在某些特定交通場景下的環境感知能力的不足，對道路智能基礎設施感知系統來說就顯得尤為重要。

根據歐洲西班牙Carreras等[8]的研究成果，基于運行環境、道路的復雜度等因素，將道路基礎設施分為智能基礎設施和傳統基礎設施。在道路智能基礎設施建設中，為感知道路交通狀態，在路側部署大量傳感器設備(雷達、視頻、線圈等)構建廣泛的感知網絡。路側多傳感器設備采集到的不同時空維度數據在提供給智能網聯汽車作為輔助駕駛決策使用之前，需要對感知數據進行融合處理。數據融合為一個多級、多層面的處理過程，對來自多個感知設備的數據進行自動檢測、關聯、相關和估計的融合處理[9]。依據多傳感器系統數據融合基本架構與理論體系，基于概率論智能化方法的數據融合技術有證據理論、貝葉斯理論、模糊數學理論等；基于仿生學類智能化方法的數據融合技術有遺傳算法、神經網絡、粒子群等；同時結合當今人工智能發展熱點的數據融合方法有深度學習理論等。多傳感器數據融合按結構可劃分為集中式、分布式和混合式。其中，集中式數據融合對融合中心的處理能力和通信帶寬要求較高，一旦融合中心故障則整個系統就會出故障；分布式數據融合對融合中心和通信帶寬的要求則相對較低，同時還具有較好的適應能力和擴展能力[10]。在現實環境下，針對某特定檢測需求，單個傳感器檢測結果和多傳感器檢測得到的結果會有所不同。多傳感器會得到多個檢測結果，將不同檢測結果進行有效的數據融合，以得出符合實際的結果輸出，這是一項非常富有挑戰的活動。

通過查閱文獻，不少專家學者對誤差方案的概念和理論進行了研究探討。李茂登等[11]提出自主導航基于誤差協方差的可觀度的分析方法，誤差的協方差矩陣是用來判別隨機系統而不是決定系統的可觀性的。在卡爾曼濾波的應用中，方差矩陣的特征值和特征向量提供了系統的可觀度信息。仇麗莎等[12]在正態分布情形下，假定均值參數和誤差方差服從正態-逆伽馬分布先驗時，推導出了均值參數和誤差方差的 Bayes 估計，利用歷史樣本構造了它們的參數型經驗Bayes估計(Parametric Empirical Bayes Estimation,PEBE)。在均方誤差(Mean Squared Error,MSE)準則下，分別獲得均值參數和誤差方差等理論研究。由此可見，誤差方差方法已有多年的理論研究基礎。

本次研究對面向智能網聯汽車的車路協同多傳感器融合感知過程中存在的技術難點進行分析，選取了道路交通智能基礎設施建設中最為常見的感知設備即智能攝像機和雷達(毫米波雷達、激光雷達)設備作為道路側多傳感器融合的研究對象。同時結合智能網聯汽車自身環境感知系統作為研究參考，基于車路協同路側多傳感器集中式數據融合框架下常用的卡爾曼濾波方法中的并行濾波、序貫濾波和數據壓縮濾波進行誤差協方差分析，提出了基于誤差方差的多傳感器融合算法，設計了多目標多傳感器數據處理系統架構，并在多傳感器數據融合基礎上提出了基于車路協同技術博弈論的交通運行調度架構。最后，聚焦道路交通典型場景——智能路口，通過對交通路口信息實時采集，構建交通路口互斥模型和無交通信號控制系統(紅綠燈)車路協同引導控制模型，并對這兩種模型的疏導效果做出測試和分析，以達到提高交通效率的最終目的。

1 相關理論、技術現狀及存在問題分析

1.1 多傳感器數據融合概念及主要特征

1.1.1 多傳感器數據融合的概念

多傳感器數據融合中的數據處理方法與經典信號處理方法相比有本質上的不同。由于多傳感器設備的多樣性和功能的豐富性，其數據融合所處理的數據具有較高的復雜性和非線性關系，且數據融合可以在數據層、特征層和決策層等不同信息層次上進行處理。

當前多傳感器數據融合方式主要有3種：傳感器級、特征級和決策級，這3種數據融合方式的主要優缺點、理論依據和應用領域歸納如表1所示。

表1 3種不同數據融合方式

1.1.2 多傳感器數據融合的主要特征

傳統的多傳感器數據融合模型通常分為低處理層和高處理層。其中，低處理層主要指傳感器級別的直接數據處理、目標檢測、分類與識別、目標追蹤等；高處理層是對環境感知現場的態勢估計與決策分析等。基于傳統的多傳感器數據融合模型中的低處理層的結構與算法，可建立多種融合體系結構，滿足多傳感器數據融合處理的需求。依據對傳感器數據直接處理程度和分辨率的不同，組成了形態各異的多傳感器數據融合架構，主要包括：集中式、分布式和混合式。

(1)集中式多傳感器數據融合架構。

集中式多傳感器數據融合將所有前端傳感器設備獲得的測量數據直接傳輸至中央處理單元(Central Processing Unit,CPU)進行統一處理。實踐中，集中式多傳感器數據融合就是將雷達、視頻等前端傳感器獲得的數據，不經過任何處理，直接傳輸給CPU進行數據融合處理，獲得融合處理后的新目標測量數據，之后對新目標測量數據運用卡爾曼濾波方法進行追蹤計算。集中式多傳感器數據融合架構如圖1所示。

圖1 集中式多傳感器數據融合架構

(2)分布式多傳感器數據融合架構。

分布式多傳感器數據融合將前端傳感器設備獲得的測量數據先進行自身局部參數估計，再把局部參數估計值傳輸至CPU進行統一處理，由CPU完成最終的參數估計。在分布式多傳感器數據融合結構中，各個傳感器均可獨立處理其自身獲得的測量信息，然后將處理后的測量信息傳輸至CPU進行數據融合。與之前分析的集中式多傳感器數據融合架構相比，分布式傳感器數據融合架構對通信帶寬要求小，CPU所需存儲容量也相對較小，其處理速度快，增強了數據融合處理能力，提高了多傳感器數據融合參數估計的靈活性。分布式多傳感器數據融合架構如圖2所示。

圖2 分布式多傳感器數據融合架構

(3)混合式多傳感器數據融合架構。

混合式多傳感器融合架構中，既包含集中式多傳感器數據融合架構，也可包含分布式多傳感器數據融合架構，亦或是由集中式和分布式組合而成。混合式多傳感器數據融合架構如圖3所示。

圖3 混合式多傳感器數據融合架構

1.2 車路協同路側感知融合助力智能汽車跨越安全難點并實現更快落地

智能網聯汽車主要指汽車具備自主信息獲取、自主決策和自動控制能力；網聯化(車聯網)是指汽車通過通信與網絡技術，實現車與車(Vehicle to Vehicle，V2V)、車與人(Vehicle to Person,V2P)、車與路(Vehicle to Infrastructure,V2I)、車與網(Vehicle to Network,V2N)等車與萬物互聯(Vehicle to Everything,V2X)方面的智能信息交換。從智能化和網聯化兩個方面來協同推進智能網聯汽車產業發展，是我國根據自身的體制優勢、道路基礎設施狀況及汽車、通信和交通等產業融合發展趨勢，提出的具有中國特色的智能網聯汽車技術路線。

單車智能化解決方案受傳感器感知能力和車載計算資源的限制，在復雜路況下的安全性和可靠性較低，且無法解決區域內智能交通管理問題；同時加載相關設備的單車成本過高，無法解決大規模商業化的推廣難題。車路協同網聯化解決方案通過本地信息收集、分析和決策，有助于降低車輛適應各種道路條件的成本，有利于推動智能網聯汽車方案快速、有效的落地實施。車路協同網聯化方案助力智能汽車跨越安全難點并實現更快落地主要體現在以下幾個方面。

1.2.1 為智能網聯汽車提供全域信息感知

由于車載傳感器(包括攝像頭、激光雷達、毫米波雷達等)對環境感知能力有限，單車智能對運行周邊的環境感知存在局限性。目前各類傳感器的探測距離一般在300 m以內，并存在使用條件的嚴格限制，難以為在高速運行、惡劣天氣(雨、雪、霧、強光等)、隧道、橋梁等非正常情況下行駛的車輛提供足夠的時間重新決策、規劃、更改駕駛路線，導致車輛性能受到極大的限制，造成安全隱患。

車路協同網聯化解決方案能夠為車輛提供更遠距離(≥300 m)的感知能力，且通信能力不受惡劣天氣環境干擾，能夠在全天候條件下為自動駕駛決策提供安全保障。

1.2.2 提供交通路況的全場景感知

交通場景中存在一些極端情況，例如車端感知范圍被公交車、卡車等阻擋，交叉路口中轉彎車輛被建筑物遮擋，路側突然出現行人(俗稱鬼探頭)等。單車自動駕駛車輛在上述場景下存在“視覺盲區”，無法感知路面發生的異常情況，存在極大安全隱患。車路協同網聯化可以提供車路一體化協同解決方案，實現“超視距感知”。通過部署在路口的智能攝像頭、雷達等多源數據感知設備以“上帝視角”的方式全方位采集動態交通數據，實時獲取交通參與者(包括各類車輛、行人等)信息，有效彌補單車傳感器系統的感知缺陷，拓展、豐富自動駕駛車輛的運行場景范圍。同時通過路側感知設備將感知結果實時傳輸至邊緣計算單元計算處理，再由路側智能終端(Roadside Unit,RSU)將邊緣計算單元的結果信息廣播給過往所有車輛及行人，以確保各交通參與者安全通過城市路口，提升道路交通安全性。

1.2.3 建立數字化交通規則

當前單車自動駕駛大多采用視覺處理算法來識別紅綠燈、地面標記等現有交通標志，由于真實道路環境中交通標識復雜多變，紅綠燈亮度不一致，建設年限久遠導致設備性能不穩定，不同光照條件下目標物色差不同以及受惡劣天氣等影響，當前的圖像識別技術和算法所提供的目標識別準確率不能達到100%，難以滿足所有場景應用要求，存在安全隱患。

采用車路協同網聯化技術策略，可以對路側設施進行智能化改造(數字化紅綠燈、高清攝像頭、高精度定位設備等)，給過往車輛提供準確的完全數字化動態可行路線的標志標線和定位等信息，消除因交通標識識別錯誤所帶來的潛在交通隱患。此外，通過數字化智能交通信息分發，可以將自動駕駛車輛從繁重的交通標識識別任務中解放出來，聚焦于實現路徑規劃和駕駛決策，提高通行安全和效率。

1.2.4 為城市交通提供群智路徑規劃

單車自動駕駛的策略為實現單車通行規劃最優，車與車之間缺乏統一協同調度管理機制，無法達到群體通行或者區域通行最優，其路線規劃和決策很容易造成不同單車間的路權沖突，不利于交通效率的提升，這也對自動駕駛算法提出更高的要求。

通過車聯網技術可以實現多車的統一規劃管理，支持車與車、車與路、車與云之間的數字化交互，實現統一管理下路權的動態分配調整。車輛通過路口時，車聯網平臺執行最優化的路權分配策略，進行動態路權調整(給予指令讓自動駕駛車先行或實現紅綠燈控制)，達到“路口級”的路線規劃，進一步通過整體交通協調指揮實現“區域級”或“路網級”的智慧交通。從而有效避免擁堵、提高交通效率、降低整體能耗。

1.3 車路協同路側智能基礎設施分級及重點交通場景

目前，全球專家學者對自動駕駛分級認識比較一致，分級標準從L0～L5級(L0為無自動駕駛功能；L1為輔助自動駕駛；L2為部分自動駕駛；L3為有條件自動駕駛；L4為高度自動駕駛；L5為完全自動駕駛)。我國也頒布了《汽車駕駛自動化分級》(GB/T 40429—2021)[7]的推薦性國家標準，其發布也意味著填補了政策層面的空白，對自動駕駛行業發展、商業量產都有著積極意義。

在對智能網聯汽車(自動駕駛)分級的同時，對道路智能基礎設施進行分級也進行了研究和實踐，尤其是以歐洲西班牙Carreras等[8]的研究成果最為典型，該成果也成為各個國家或交通從業者的主要參考依據。智能道路等級劃分可以分為5個級別，從低到高分別是道路等級E～道路等級A。其中，道路等級E為傳統基礎設施；道路等級D為具備靜態數字信息(地圖、標牌、紅綠燈)；道路等級C為具備支持動態數字信息(限速、擁堵、繞行)，提供預警服務；道路等級B為具備協作感知(路側感知+車側感知融合)，提供微觀交通信息；道路等級A為具備協作駕駛(路徑規劃)，提供優化駕駛建議。

基于智能網聯汽車和道路智能基礎設施的分級理論研究與實踐，在開展車路協同路側融合感知方法研究時，需要密切結合不同的交通場景進行分析，不同的道路等級將部署種類、數量不等的前端傳感器設備和邊緣計算單元。因此，討論車路協同路側融合感知方法研究將主要集中在道路等級C以上(不含C級)，重點是道路等級B，只有道路等級B才具備協作感知能力，即將路側多傳感器融合感知信息傳遞給智能網聯汽車作為輔助決策依據。因此，按照道路智能基礎設施分級研究成果和實踐，城市道路交通的重點交通應用場景包括復雜通行環境的十字路口、視野盲區等；高速公路重點交通應用場景包括分合流區、視野盲區、急轉彎道、隧道、橋梁、危險路段等。城市交通和高速公路應用場景分別如表2、表3所示。

表2 城市交通應用場景

表3 高速公路應用場景

1.4 車路協同多傳感器融合感知技術存在的問題

自動駕駛技術不僅可以減少交通事故的發生，而且能夠緩解交通擁堵問題，因此成為通信、交通、汽車等產業融合發展及聯合研發攻堅的重點。環境感知系統作為自動駕駛汽車獲取外界信息的重要部件，針對它的研究也層出不窮。但是由于交通環境的復雜和隨機性，自動駕駛汽車其自身環境感知系統對目標的識別很難滿足自動駕駛領域的安全技術要求，須借助車路協同路側多傳感器數據融合感知系統來彌補特定交通場景下自動駕駛汽車對全面感知路側交通態勢的需求。

自動駕駛汽車技術架構主要是由環境感知系統、決策分析系統和運動控制系統等組成，其環境感知系統受車輛所處道路交通自然環境和行車環境變化的不確定性和隨機性等影響。自動駕駛汽車在利用自身環境感知系統識別過程中常常會出現錯誤，如果障礙物太遠或太近，都將無法及時響應，且在特殊位置時避開轉向障礙物效果不佳。因此在復雜的交通路況情況下，車路協同路側多傳感器數據融合技術可以輔助自動駕駛汽車改善目標識別效果并優化時空融合感知性能。

在自動駕駛技術的許多研究領域，車載環境感知系統如何接收和處理路側多傳感器數據融合處理結果存在以下研究重點和難點。首先是路側多傳感器數據融合的覆蓋范圍、所檢測到物體運動狀態的準確性、及時性和權威性；其次是路側多傳感器設備之間如何對同一感知目標在相同時間、不同空間環境中的感知結果進行融合處理，且能夠對物理世界中實際目標全面、精確地描述并給出符合自動駕駛車輛當時所需的環境感知處理結果輔助其進行決策；最后是基于路基感知和車基感知數據之間的交互、互認和共享問題。

2 關鍵技術分析

2.1 車路協同多傳感器信息關聯及融合方法

根據對原始數據處理方法的不同，目前多傳感器多目標的信息融合技術主要分為集中式、分布式和混合式。本研究對集中式融合系統的并行濾波、序貫濾波和數據壓縮濾波進行誤差協方差分析，對分步式融合系統的加權融合算法、信息矩陣融合算法進行分析和計算，結合計算結果，提出了基于誤差方差的多傳感器融合算法。

該算法有兩個重要組成部分，首先是運用車路協同網聯化方案中路側部署多傳感器坐標轉換，解決多傳感器目標關聯問題，轉換公式為

(1)

式中:α、β、γ分別為某傳感器坐標系s與車輛相對坐標的夾角；tv為坐標平移量；Cx(α)、Cy(β)、Cz(γ)分別表示傳感器坐標轉化為車輛坐標軸時繞x軸、y軸和z軸旋轉的角度。運用此算法，可以對傳感器追蹤目標坐標和車輛相對坐標進行轉換，將目標的三維空間運動簡化為二維運動。

其次是基于誤差方差的多傳感器融合算法解決目標融合問題，計算公式為

(2)

將經過關聯配對的攝像頭目標與毫米波雷達目標進行加權融合，得到:

(3)

2.2 車路協同多傳感器多目標跟蹤融合算法及實驗

本次研究的傳感器融合架構的設計，選取了兩種車路協同網聯化方案中常用的傳感器，分別為智能攝像機和毫米波雷達，多傳感器融合架構如圖4所示。

圖4 多傳感器融合架構

如圖4所示，分別對兩種傳感器接收到的信息進行預處理和特征提取，然后經過坐標轉換和誤差協方差多傳感器目標融合，形成局部融合點，最后輸出。

在此架構的基礎上，設計了基于PreScan的仿真實驗，并設置其他算法作為對照組，進行對比實驗，驗證本算法的可行性。

2.3 基于博弈論的車路協同路側感知融合的交通調度系統架構設計

車路協同自動駕駛為當前智慧交通建設領域與中國特色智能汽車技術路線相結合后的研究熱點之一[13]，而其中的重點主要集中在車路協同網聯化方案領域，即通過車路協同技術助力智能汽車跨越安全難點并實現更快商業化落地應用。車路協同網聯化技術是隨著通信技術的不斷發展衍生出的一種基于車與車、車與路、車與人、車與網絡等V2X的數據實時采集、數據分析、智能決策和V2X信息交互關鍵技術[14]。在城市交通重點交通應用場景智能路口的研究和實踐中，涉及路側多傳感器融合感知及交通信號系統協同控制重要內容，而交通控制領域的研究則主要集中在控制方法這一領域，比較出名的有實時動態分配和博弈論配時方法[15]。筆者提出的控制方法就是基于博弈論的車路協同路側感知融合的交通調度控制方法[16]。基于博弈論的車路協同路側感知融合的交通調度控制算法設計如下：① 建立雙向2車道十字路口車輛沖突模型；② 提出有/無交通信號系統控制的十字路口沖突車輛的安全因素和時空因素表達公式，并設計博弈的收益函數；③ 針對沖突車輛設計基于博弈論的車路協同路側感知融合的交通調度控制算法，使用PreScan 仿真系統對此算法進行驗證。

現有研究的不足之處可以大致總結為三點：① 數據統計不準確；② 調度模型靈活性問題；③ 無信號燈路口控制問題。下面將針對這3個問題做有針對性的研究[17]。

首先，針對智慧交通調度中的信息感知，提出了基于車路協同的交通路口架構。該架構分為兩個部分，分別是圖5所示的車路協同單點交通架構和圖6所示的車路協同區域性交通路口架構。

圖5 車路協同單點交通架構

圖6 車路協同區域性交通路口架構

車路協同單點交通架構由兩部分組成，分別是路側設備和車輛終端設備，即車路協同網聯化方案中的PC5直連通信模式，路側設備主要包括3個功能塊，分別為車輛信息統計、交通信息推送和交通調度控制[18]。車輛終端設備同樣有3個功能塊，分別為V2X通信、數據采集和處理以及車速引導[19]。路側設備主要負責對來往車輛的行車路線軌跡進行分析，確定即將到來的車輛的行駛速度，并通過信息推送模塊廣播出去。而車輛的V2X通信設備負責接收來自路側設備的廣播信息，通過數據處理和車速引導模塊自適應地將建議調節車速提供給智能汽車供其路徑規劃和控制決策輔助使用[20]。

車路協同區域性交通路口架構原理與單點式交通架構類似，除了路側設備和車載終端設備外，多了一個智能網聯云控平臺功能結構[21]。其中路側設備和車載終端設備的結構和功能與單點式完全一致，而智能網聯云控平臺主要負責接收車載終端和路側設備發送的車輛數據，并進行統計分析和應用場景配置，得出一個適宜的交通控制策略，然后將結果發送給路側設備，以此來達到調節路況的目的。這種架構比較適合在路況復雜的十字路口進行應用[22]。

智慧交通的所有策略分析都是基于數據統計分析，因此收集數據的準確性直接關系到該調度方案的實施效果。交通對象信息感知模型圖如圖7所示，依據這個框架對交通對象進行感知和數據收集[23]。

圖7 交通對象信息感知模型

該模型考慮到了數據的實時性、完整性，通過利用雷達、攝像頭、地磁感應線圈等多種傳感手段，對路側狀況、車輛和行人信息進行數據收集和融合，并對收集到的數據進行分類[24]。以此為基礎構建交通調度模型。

在此過程中，將收集到的信息分為車輛信息數據和道路信息數據。其中，車輛信息數據包括車輛編號、類型、速度、加速度、道路編號、車輛所在經緯度、航線角等；道路信息數據包括路口編號、車道寬度、車道數、限制車速、摩擦系數、非機動車位置速度等[25]。

2.4 基于博弈論的車路協同路側感知融合的交通調度系統架構實現

為了實現2.3節提出的兩個架構，下面提出了兩種對應的研究模型。首先針對單點交通架構提出了基于實時信息采集的交通路口互斥模型。基于圖7的交通信息感知模型提出了實時信息采集公式為

Mlanen=N1n+N2n+N3n+N4n

(4)

式中：N1n、N2n、N3n、N4n分別代表第n個車道的微型、小型、中型、大型汽車的數量。

車流量計算公式為

(5)

在有交通信號控制系統紅綠燈的情況下，構建了圖8所示的車路協同數據統計架構。

圖8 車路協同網聯化方案數據統計架構

該架構由3個部分組成，分別為車載智能終端(OnBoard Unit,OBU)、路側智能終端(Road Side Unit,RSU)和多源傳感器。其中，OBU負責發送車輛的狀態信息和接收RSU廣播的數據；RSU負責廣播多源傳感器融合并經過MEC處理后的信息，同時，也接收OBU上傳的信息并轉交給相應單元進行處理分析[26]。

而對于如何與信號燈結合實現對車流量的控制，則構建了圖9所示的交通信號控制系統控制流程圖。

圖9 交通信號控制系統控制流程圖

該流程通過統計車輛數據計算當前總車流量，并將車流量與交通路口的通行能力M做比較。如果總流量沒有超過該交通路口的通行能力，則設置綠燈并建議行駛速度;如果總流量超過該交通路口的通行能力，則要進一步通過博弈論模型求出最適合的通行相位和通行數量，依據計算出的結果設置綠燈時間。

針對無交通燈的情況，建立了無交通燈的車輛引導控制模型，如圖10所示。

圖10 無交通燈的車輛引導控制模型

該流程通過預測車輛運行軌跡以及車隊到達碰撞區的時間，然后根據首車隊離開碰撞區域的時間計算車隊下一次進入碰撞區域的時間，通過控制車隊速度的形式，實現安全疏導。同時，在整個流程環境中，還需要細致考慮蜂窩車聯網(C-V2X)網絡架構、關鍵技術、標準制定等因素對傳輸可靠性、時延情況的影響[27]。

最后，本次研究建立了圖11所示的車路協同網聯化仿真平臺架構圖對以上優化方案進行結果仿真和驗證。

圖11 車路協同車聯網仿真平臺架構

該平臺分為兩個大板塊，上半部分負責場景的仿真，搭建車輛、行人和交通燈等交通對象的仿真場景，并輸出仿真參數，下半部分負責運行對應算法。

3 仿真實驗結果與分析

3.1 車路協同多傳感器多目標跟蹤融合算法實驗結果分析

以實際試驗項目為基礎，通過搭建PreScan物理模型，按照實際項目部署位置和數量，在PreScan中配置了移動邊緣計算單元(Mobile Edge Computing,MEC)、攝像頭、雷達、激光雷達、V2X路側通信設備RSU等，輔助添加GPS和北斗高精度定位設備的路側基礎設施；在車端，采用裝備攝像頭與毫米波雷達的主車與目標車。城市交通智能路口部署方案如圖12所示。

圖12 城市交通智能路口部署方案

PreScan中仿真試驗開始前，做了如下準備工作。

① 搭建測試道路及外界基本場景，在PreScan Viewer 顯示3D場景。

② 在建好的應用場景中添加車輛、行人、建筑以及雷達、攝像頭、V2X通信設備等傳感器獲取目標信息。

③ 加載已建好各狀態的車輛、行人、路側基礎設施設備傳感器模塊，利用傳感器模塊的輸出信息進行相關控制算法設計。

④ 在仿真環境中控制指令發給執行器(路側基礎設施，包括紅綠燈、車輛等)模型，進行動態交互。

仿真環境中搭建的所有車輛均處在運動狀態，通過模型在環(Model in Loop,MIL)、實時軟件在環(Software in Loop,SIL)、硬件在環(Hardware in Loop,HIL)等多種使用模式，實驗數據選取自然光照充足的白天時段進行，采用周期按照自然月30天為準進行仿真實驗，隨機選取4組數據繪制出多傳感器多目標跟蹤融合算法與其他兩種算法的預測準確度對比圖，如圖13所示。

由圖13可知，車路協同多傳感器多目標跟蹤融合算法比其他幾種算法的預測數值更接近真實值。其次，毫米波雷達的預測值要比攝像機更接近實際值。這說明毫米波雷達的監測比攝像機更加精準。

圖13 3種算法預測準確度比較圖

為了進一步驗證車路協同多傳感器多目標跟蹤融合算法的精準度，對3種算法的目標狀態估計誤差進行計算，根據計算結果，繪制了圖14所示的目標狀態誤差對比圖，圖14中B、C、D、E分別表示縱、側向相對距離，以及縱、側向相對加速度。

圖14 目標狀態誤差對比圖

如圖14所示，本次研究提出的車路協同多傳感器多目標跟蹤融合算法，無論是在相對距離還是相對加速度預測方面，預測誤差都比單一傳感器的預測誤差更小，說明車路協同多傳感器多目標跟蹤融合在實際應用中監測效果比單一傳感器更好。

3.2 有交通燈模型優化結果分析

本次研究共完成了4組實驗，首先在直行車流量：左轉車流量=3∶1時，實驗結果如圖15所示(圖中“博弈論”為本次研究提出的基于博弈論框架的仿真曲線，“固定配時”為傳統的調度框架仿真曲線)。

如圖15所示，在直行車流量較大的情況下，構建的博弈論模型信號燈自適應控制算法，無論是在累計停放車輛數目還是在累計延遲時間方面都比傳統的固定行為配時表現更優秀。

圖15 直行車流較大的仿真曲線對比圖

但是實際情況會比較復雜，又可能會出現某個時間段內某個方向車流量突然增大的情況。為了驗證模型在這種條件下的判斷效果，對單相位車流量較大的情況進行了對比實驗，實驗結果如圖16所示。

如圖16所示，在單相位車流量較大的情況下，在累計停放車輛數目和累計延遲時間方面，本次研究構建的博弈論模型信號燈自適應控制算法與傳統固定配時方案相比都更加優秀。雖然在各相位車流量分布均勻時二者效果差異不明顯。但實際情況中，路口的車流量不可能像理想狀態中總數保持均勻。因此，本文提出的方案效果要優于傳統的固定配時方案。

圖16 單相位下仿真曲線對比圖

為了進一步驗證猜想，還設置了模擬實際交通流的方案，實驗結果如圖17所示。

由圖17所示，在根據實際交通運行中，本次研究提出的實驗模型總體上的累計停放車輛數目和累計延遲時間都比傳統的算法模型表現更加優秀。因此，通過對以上3個模擬實驗結果的分析，可以得出的結論為基于車路協同網聯化技術的博弈論的交通路口互斥模型方法可以很好地替代現有體系對交通調度體系進行優化。

圖17 實際交通流下的仿真曲線對比圖

3.3 無交通燈模型實驗結果分析

無交通燈模型實驗結果如圖18所示。由于在無交通燈狀態下，車輛無法在路口停留時被統計，因此無法對車輛的累計停放時間和車輛的停放數目進行對比。因此，選取了有信號燈時模型的變化周期為橫坐標，繪制了一定周期內通過車輛的數量對比圖，可以看出，提出的基于車路協同網聯化的算法模型比有交通燈時的引導算法效果要更好，在很大程度上使車輛的通行數量得到提高。在一個周期內，平均車輛通行率提高了25%以上。

圖18 有無交通燈通行車輛數目對比圖

4 結束語

本次研究通過對面向智能汽車的車路協同多傳感器感知融合方法中存在的技術難點進行分析，選取了道路交通智能基礎設施建設中最為常見的感知設備即智能攝像機和雷達(毫米波雷達、激光雷達)設備作為道路側多傳感器融合的研究對象。同時，結合智能汽車自身配備的前視攝像機、毫米波雷達、智能車載終端等設備作為研究參考，提出了基于誤差方差的多傳感器融合算法，設計了多目標多傳感器數據處理系統架構，并在多傳感器數據融合感知的基礎上提出了基于博弈論的車路協同信息融合的交通運行調度架構。最后，聚焦道路交通典型場景——智能路口，通過對交通路口信息實時采集，構建交通路口互斥模型和無交通信號控制系統(紅綠燈)車路協同引導控制模型，并對這兩種模型進行了仿真實驗。實驗數據表明，本次研究提出的兩種多傳感器優化調度模型都可以對車輛的調度和交通路段的疏通起到積極作用。

本次研究的不足之處在于，研究的模型對于車輛與路側設備的工作性能、穩定性和通信技術要求很高，要保證設備隨時能夠計算處理分析數據且可靠地接收和傳遞信息。因此要完全實現并且推廣利用，需要對車載和路側設備經過量產和長時間實踐使用驗證，還需要搭建新的基于云平臺的基礎底座和系統架構，開發新的軟件來支持整個體系以更好適應技術發展需求。