面向自動駕駛的車路云一體化框架

張亞勤 李震宇 尚國斌 周谷越 高果榮 袁基睿

關鍵詞：自動駕駛（AD）；車路協同；預期功能安全；車路云一體化自動駕駛（VICAD）；可運行設計域（ODD）

單車智能自動駕駛規模商業化落地仍然面臨著諸多挑戰，其中，駕駛安全隱患與有限的運行設計域（operationaldesigndomain，ODD）是延阻自動駕駛落地的兩大重要瓶頸問題。

首先，安全性是自動駕駛的技術首要考量。對于低等級自動駕駛車輛，它們的輔助駕駛系統功能在特定情境下（例如夜間兒童穿梭、雨天打傘騎行等特殊目標場景）可能存在應對不足或甚至失效的風險，從而導致安全事故頻發。對于高等級自動駕駛而言，要達到99.9999%及以上的場景通過成功率，才能保證上路的安全[1-2]。然而，單車智能的系統可靠性以及應對復雜交通場景的能力也尚待持續提升：由于感知對環境變化魯棒性不足、運動目標行為預測能力有限、決策超時以及可能存在軟硬件系統錯誤等問題，造成車輛面臨大量的安全問題。通過研究國內外多起自動駕駛安全事故案例可以發現，車端在應對挑戰性場景時因缺乏全局信息所導致的能力不足是引發安全事故的主要原因之一。

其次，感知長尾、混行博弈、極端場景等復雜道路場景相關問題，嚴重限制了自動駕駛車輛的ODD。在感知定位方面，由于車端傳感器的安裝位置、探測距離、視場角、數據吞吐、標定精度、時間同步等因素的限制，車輛在繁忙路口、惡劣天氣、小物體感知識別、信號燈識別、逆光等環境條件中行駛時，可能存在感知、定位精度不足的問題；在決策控制方面，自動駕駛系統需要處理復雜的交通場景，如城市的交叉路口、人行道和車輛混雜的情況，這些場景要求車輛在較短時間內完成決策，這對于車載傳感器與計算能力均受限的單車智能自動駕駛系統無疑會造成極大挑戰。特別是在需要對多個目標進行預測和規劃的復雜交通博弈場景下，單車智能自動駕駛系統更是難以從交通場景的全局視角保證安全性和高效性。而在這些情況下，路端和云端可以發揮其高算力、高穩定性、高全局性等優勢，為車端提供全面且高性能的交通環境數據，并通過路端、云端的感知、決策、控制來增強車端能力。因此，需要面向自動駕駛應用，在車端、路端和云端之間建立一體化協同機制，融合多源多維信息來進行協同感知、協同決策和協同控制，減少因車端能力不足帶來的ODD限制，提升駕駛安全[1-6]。

本文提出了面向自動駕駛的車路云一體化（Vehicle-Infrastructure-CloudAutonomousDriving，VICAD）系統框架，將不同的車路云一體化協同部署方式與自動駕駛算法進行統一建模，在此基礎上開展了模擬仿真，并進一步借助自動駕駛一體化評價模型（UnifiedModelofAutonomousDrivingEvaluation，UMADE）的反饋結果，可對車路云一體化協同部署方式與自動駕駛算法進行持續優化和迭代。通過UMADE中的理論收益模型，對比協同感知、協同決策及協同控制在典型駕駛安全場景中的系統表現，驗證了VICAD在駕駛安全、ODD擴展等方面的收益。此外，結合實際場景案例，還進一步論證了VICAD能夠幫助解決混行狀態下自動駕駛與非自動駕駛的沖突博弈，進而優化交通環境秩序，有助于實現自動駕駛車輛的無人化安全運營。

本文首先概述了目前行業在車路云一體化自動駕駛方面的研究現狀；提出并闡述了面向自動駕駛的車路云一體化（VICAD）系統框架，以及其在一體化協同感知、協同決策、協同控制方面的具體實現。然后介紹了一體化協同安全框架，論述了VICAD如何提升自動駕駛安全，并討論了VICAD在擴展自動駕駛ODD中的意義；接著結合場景案例闡述了一體化協同感知、協同決策、協同控制對自動駕駛規模落地的積極影響；介紹國內外車路云一體化協同自動駕駛的產業實踐。最后總結全文，并給出了關于車路云一體化協同自動駕駛的發展建議。

1車路云一體化自動駕駛技術現狀

車路云一體化自動駕駛系統借助于車輛與道路基礎設施之間的信息交互和協作，旨在實現更高效、安全和智能的自動駕駛。其成功部署既取決于車載設備、路側設施、云端能力、通信能力[7-8]，也取決基于車、路、云的協同感知、協同控制與協同決策方法。

具體而言，單車智能技術依賴于車載傳感器對周圍環境的感知，以及通過車輛控制系統實現的交通行為。盡管單車智能技術經過數十年的發展，但由于車載傳感器安裝位置、探測距離、視場角度、數據吞吐量、標定精度、時間同步等限制，使得在諸如繁忙路口、惡劣天氣、小物體感知識別、信號燈識別、逆光等環境條件下行駛時，仍然存在難以完全解決的準確感知識別和高精度定位問題[1]。這些尚未解決的技術瓶頸問題為高級別自動駕駛系統的規模化商業應用帶來了研發周期長、實現成本高、商業落地慢等一系列挑戰。

車路云一體化協同技術利用道路和云端信息，可以為有限的單車感知提供更廣闊的視野，有效補充單車智能的信息盲點，并利用協同決策與控制技術，優化車輛的行駛行為，從而提高車輛的智能化水平和行駛安全性。在技術層面，協同感知是通過對多源傳感器數據的融合[9-11]，精確獲取實時交通狀況，為決策和控制提供數據輸入；協同決策是通過處理和分析感知數據，實現對交通流量和行駛路線的優化[12]；協同控制則是通過分配和優化決策控制指令的制定和執行，實現更精準、高效的交通控制[13]。在自動駕駛技術的迭代過程中，除了感知、決策、控制算法，還需要建立一體化評價模型，選取典型的測試場景對自動駕駛系統的性能進行多維度的量化評價，從而提高自動駕駛能力。

1.1協同感知

鑒于交通場景的復雜性和多元性，自動駕駛車輛僅憑借自身感知能力，往往難以達到全面準確的感知。現行的協同感知技術透過車輛與道路基礎設施間的信息共享與融合，能提供更精準、全面的交通信息，從而增強系統對環境的感知能力，進一步提升自動行駛的安全性和效率。

協同感知通常涉及多類型傳感器和不同模態的數據類型。多源感知數據的融合能幫助車路協同系統獲取更準確、全面的交通信息，為協同決策與控制的實施提供支撐。例如，結合車輛的速度、位置等信息以及交通攝像頭的圖像信息進行特征級融合，可以有效地實現交通擁堵預測。

通用的多模態數據融合方法可以劃分為3種類型：低級融合、高級融合和混合融合[14]。低級融合（又稱前期融合[15]）是將來自不同傳感器的原始數據進行簡單的合并和處理，以獲得更全面、準確的感知信息。它直接整合了不同傳感器的信息，因此可以提供更為全面真實的數據。高級融合（或稱后期融合）首先對各傳感器的數據進行分析處理以提取特征信息，再將這些特征信息融合。這種融合方式對傳感器故障具有更好的魯棒性，但可能存在信息缺失的問題[14]。混合融合則是對前兩者的結合，通過分散處理以優先考慮高可靠度的傳感器，并減少不太可靠的傳感器對信息融合的影響。在混合融合的過程中，可靠度高的傳感器數據可通過前期融合進行處理，而可靠度較低的傳感器數據則通過后期融合進行處理[15]。

在實際應用中，可以通過權重賦值、動態切換等數據融合策略來提高協同感知的準確性。例如，將更高的權重賦予高度可靠的傳感器數據，給不太可靠的傳感器數據賦予較低的權重，或者根據當前環境的變化自動調整傳感器的權重。例如，E.Arnold等[16]針對T型路口和環形交叉路口下車端與路端基礎設施協同進行三維目標感知時，提出了早期融合和后期融合的方案。其研究結果顯示，早期融合方法的性能明顯優于后期融合方法，代價是更高的通信帶寬。YUANYunshuang等[17]提出了一種高效的基于關鍵點的深度特征融合框架，以及一種具有最大一致性的有效定位誤差修正模塊以增強數據融合的魯棒性。此外，QIUHang等[18]提出了名為AUTOCAST的協作感知框架，能夠根據交通參與者之間的位置關系和軌跡時間演變調整信息共享策略，從而降低協同感知的誤差。

這類方法只關注數據到達協同感知模塊之后的融合精度，存在以下問題：數據來源有限，僅考慮了有限的數據源，未實現車端、路端、云端多源數據的全面融合；數據模態有限，僅處理了部分數據模式，交通流信息、感知數據的多模態融合未得到充分考慮，缺乏對不同類型信息的綜合利用。因此，當前方法并未達到令人滿意的感知精度，需要引入多源信息并形成統一的框架進行全面協同，以解決數據來源及模態受限的問題。

1.2協同決策

協同決策在自動駕駛領域是一個至關重要的研究領域，通過對車輛周邊環境與路側感知信息進行處理與分析，為自動駕駛車輛提供合理的行駛決策。常見的協同決策與控制應用場景包括：無燈控場景下的交叉口通行，匝道協同匯流和路段編隊/借道超車；燈控場景下的匝道和路口協同通行，以及信號燈―車輛協同控制、快速路―燈控路口一體化協同控制和多匝道快速路一體化協同控制等[19]。

協同決策可以分為分布式決策和集中式決策兩種類型[20]。分布式決策[21-22]將決策權分散給多個決策單元，每個單元根據本地信息做出自主決策，并通過協同與其他單元進行信息交流和決策。在協同決策中，分布式決策實現車輛和基礎設施之間的信息共享和協同決策以應對復雜的交通環境。集中式決策[23-24]將所有的決策權集中在一個中心節點，根據收集到的所有信息做出全局最優的決策。在協同決策中，集中式決策可以實現對整個交通流的全局調度和優化，但也存在單點故障的風險，需要考慮可靠性和安全性等因素[25]。

一些研究結合二者優勢，中心系統僅保留車輛通信次序的決策，而將軌跡規劃任務轉移至車輛端。例如XUBiao等[26]將來自不同交通運動的接近車輛投影到虛擬車道中，并考慮相關車輛的沖突關系引入無沖突幾何拓撲，從而構建虛擬隊列；提出了通信拓撲的建模來描述車輛之間信息傳輸的兩種模式，通過設計一個分布式控制器來穩定虛擬隊列，從而實現在交叉路口進行無沖突合作。SUNZhangbo等[27]研究了混合交通的合作決策（cooperativedecision-makingformixedtraffic，CDMMT）。基于離散優化提出了CDMMT機制以促進匝道合并，并正確捕獲混合交通中的合作和非合作行為。混合交通的合作決策機制可以描述為一個雙層優化程序，其中狀態約束最優控制的軌跡設計問題被嵌入到排序問題中，該問題通過基于雙層動態規劃的解決方案方法來解決，所提出的方法構成了混合交通環境下匝道合流路段交通分析和協同決策的基礎。

然而，這些方法只對車端、路端、云端進行獨立建模，沒有從架構設計層面進行全局建模，因而無法形成最優決策信息，難以處理復雜交通場景中的混行博弈等問題。因此，未來的研究需要建立一個整體化的框架，通過對車端、路端、云端信息進行全局建模從而實現全面協同。

1.3協同控制

協同控制旨在處理車輛控制和交通環境的復雜性，通過車輛、駕駛員、道路和云端的協作，幫助自動駕駛車輛應對復雜和極端情況，確保安全性。

控制對象通常包含對路云端與車端的控制。在路云端控制方面，交通信號調控是協同控制中的常見應用之一，通過協同處理和分析車輛和道路環境的數據，控制交通信號燈的時序和時長，實現道路交通流量的合理調節和優化。例如，WANGFeiyu等[28-29]提出的無交通信號燈的未來交通設想是一種基于先進交通、物流算法和系統開發的智能交通控制系統，可通過實時感知和收集道路交通狀況，利用相應的控制算法和策略制定出相應的控制指令，并通過車輛與基礎設施之間的通信，及時傳達給車輛，由車輛響應并執行。該系統可以實現交通信號燈控制、車輛速度控制、路面安全控制、路線規劃和導航控制、車輛優先控制等多個功能，從而實現道路交通的高效、安全、平穩運行。

在車端控制方面，常見協同控制應用有車輛路權分配、車輛位置和速度控制以及車輛路徑規劃和導航控制。系統可以通過基于歷史車流信息、車輛實時位置及交通信號燈實時狀態的設計，針對不同車輛類型和道路交通情況進行優化調整，實現車輛路權控制和交通流量的優化調節[30]。例如，S.A.M.Kamal等[31]依托基礎設施在有限時間窗口內對交叉路口周圍一定范圍內的交通流進行調度，并單獨向各個智能車輛發送控制命令。此外，Vahidi等[32]針對全自主駕駛車輛需要物理交通信號的問題，建立了車輛在環（vehicleintheloop，VIL）仿真環境，并將車輛交叉路口協調問題轉化為混合整數線性規劃（mixedintegerlinearprogram，MILP）問題。他們通過協作控制方案，使自動駕駛車輛在十字路口可以不間斷地通過。結果表明，與固定時間控制的十字路口相比，采用MILP控制的十字路口的油耗顯著降低。

然而，由于仿真環境與真實世界之間存在差異，這些方法并未實現真正意義上的車-路-云的全面協同，未能提升自動駕駛車輛在極端場景中的應對能力，需要統一的架構表達來支撐物理世界中云端對車輛的控制，從而提升極端場景的通行率，擴展自動駕駛ODD。

1.4系統評價

為了量化評價不同的自動駕駛解決方案在真實交通場景下的收益，需要構建評價模型，選取不同的典型測試場景、不同的交通交互方式以及評價指標，對系統表現的量化對比測試。自動駕駛系統評價通常從效率、安全性、舒適度、經濟性與可持續發展等多個維度對系統做出全面且客觀的評估，為系統的提升與發展提供量化標準。

安全評價通常從道路安全狀態、車輛危險性與道路事故等3個方面進行評估。道路安全狀態評估在潛在道路危險發生前對道路的安全性能做出衡量，通常包含高峰時段平均車速、高峰時段路口阻塞率[33]、路段車速差[34]、交通流量突變[35]等指標。車路危險性評估包含路口沖突點、碰撞時間（timetocollision，TTC）指數[36]與交通違法行為等指標，能夠反應實時的交通安全性能。道路事故評估包含單次碰撞死亡/重傷概率[37]、交通出行守法率、萬車碰撞概率、萬車死亡概率和特大交通事故起數等指標，在道路危險發生后對安全性進行統計與總結。

效率評價對協同系統帶來的交通效率提升進行量化，包含對交通流量、速度、密度與時間等基礎指標，通過統計車輛在特定觀測路段給定時間段內的車流數據進行分析，計算協同系統的效率指標以驗證系統的有效性。在基礎指標的基礎上，效率評價模型還包含路網運行效率、宏觀基本圖，Greenshield模型等綜合評價指標。路網運行效率通過計算加權行程速度與路網加權流量的乘積反映交通流的車輛流量與運行速度間關系；宏觀基本圖通過擬合宏觀基本圖（macroscopicfundamentaldiagram，MFD）曲線反映交通流的車輛密度與路段流量間關系[38-39]；Greenshield模型基于自由流行程速度與路網阻塞密度建模，以此衡量交通流的運行速度與車輛密度間關系[40]。

總體而言，目前雖然在單車智能、協同感知、協同決策、系統評價等方面均有一定的科研基礎，但是由于缺乏統一的架構和全局建模考慮，還無法實現車-路-云各源頭數據的充分利用，無法實現各階段功能的統一建模，無法實現車路云整體系統的全局優化，無法應對自動駕駛現有的感知長尾、混行博弈、極端場景通行等問題。因此，需要統一的車路云一體化的技術框架，從數據、模型、系統實現等多角度，實現安全、可靠、高效、可擴展的自動駕駛系統，為自動駕駛規模商業落地提供支撐。

2面向自動駕駛的車路云一體化架構

2.1總體架構

基于信息物理系統（cyberphysicalsystems，CPS）理論中的成體系系統（systemofsystems，SoS）的概念，本文構建了面向自動駕駛的車路云一體化框架VICAD（見圖1），旨在針對不同的車路云一體化協同部署方式與自動駕駛算法進行統一建模，并開展模擬仿真實驗。進一步借助自動駕駛一體化評價模型的反饋結果，可對車路云一體化協同部署方式與自動駕駛算法進行持續優化迭代。

如圖1所示，利用VICAD將任何交通參與對象建模為獨立的設備（即CPS中的Device）。局部交通場景，例如十字路口，被建模為由多個設備組成的系統（即CPS中的System）。全局交通場景，例如區域路網，被建模為由多個系統組成的成體系系統（即CPS中的SoS）。設備的動作不僅可以改變其自身的物理狀態，還會直接影響由其組成的系統和成體系系統的狀態。非自動駕駛設備的動作由預置模型確定，而自動駕駛設備的動作則由車路云一體化自動駕駛算法計算得出。對于給定的交通場景和車路云一體化協同部署方式，利用VICAD可以對模型中所有設備的自動駕駛算法進行協同優化。根據優化對象在自動駕駛系統中的最終作用環節，車路云一體化自動駕駛算法可分為協同感知、協同決策和協同控制3個類別。

具體而言，如圖2所示，在VICAD模式下，當車輛作為執行對象時，車端、路端或云端都可能承擔部分或全部的“感知―決策―控制”功能。車路云一體化感知可以融合來自車端、路端和云端的感知結果，將其送至車端進行決策和控制執行。車路云一體化決策在一體化感知的基礎上，進一步融合來自路端和云端的決策信息，將其送至車輛的控制層執行。車路云一體化控制在一體化感知和決策的基礎上，增加了路端和云端的控制功能，用于控制車輛的執行。

2.2一體化協同感知

針對交通場景的復雜性和多變性，僅依賴于自動駕駛車輛自身的感知能力無法實現精確和全方位的感知，存在感知范圍有限、視野盲區等問題，VICAD框架下，一體化協同感知通過車端、路端和云端的多源、多模態信息融合，解決現有算法框架內數據來源及模態受限的問題，以擴展現有感知算法的能力邊界。如圖3所示，主車周圍的車輛可以通過車車協同（vehicle-tovehicle，V2V）實現感知信息共享；路端感知系統和路端基礎設施可以通過車路協同（vehicle-to-infrastructure，V2I）共享感知信息；同時，云端平臺能夠充分利用其在數據處理方面的優勢，通過車云協同（vehicle-tonetwork，V2N）方式實現數據共享。該一體化協同感知模式通過這3種協同方式的集成，將所有的感知信息在車端進行匯集并融合處理，以得到最終的感知結果，從而擴大自動駕駛車輛的感知范圍，并提升其感知能力。

由于感知信息來源于多種傳感器，如激光雷達、攝像頭、毫米波雷達等，協同感知的關鍵在于如何有效地融合這些多模態數據。在VICAD系統框架內，可以支持多種融合感知方式。以后融合為例，一體化協同感知架構示例如圖4所示。其中：數據容器模塊負責收集多模態信息，并利用內部參數和地圖信息，將所有傳感器消息和車端/路端/云端消息轉化為統一的消息格式，然后傳遞給數據關聯模塊；數據關聯模塊對數據容器中的信息進行采樣處理，并按照觸發時間對所有信息進行排序和匹配，將初始的無序位置信息轉化為有序的時序狀態估計，并將其分組打包，然后傳遞給數據前處理模塊。數據前處理模塊對每組信息進行數據補全、降噪和重采樣處理，完成時序處理后，將具有同步時間戳的時間切片數據送入協同感知模型，最終輸出包括道路交通參與者的位置、檢測框、屬性等信息。

2.3一體化協同決策

在VICAD框架下給出一體化協同決策的架構，如圖5所示。這一架構利用協同感知的輸出結果，通過車端、路端、云端的決策協同，從局部到全局逐步完成車輛軌跡規劃、道路沖突解決以及宏觀交通系統優化。

具體而言，車端系統能夠依托于車輛歷史決策信息、交通規則、駕駛偏好等先驗知識，結合駕駛場景判斷、行為軌跡預測以及行為邏輯推理等車端狀態估計，實現車端局部決策；云端系統則能夠利用交通系統的歷史決策信息、交通規則以及全局高精度地圖等先驗知識，并通過信控調優、路徑決策、沖突仲裁策略等系統狀態的實時分析，提供系統全局決策的支持；路端系統也可通過分析交通系統的歷史決策信息、交通規則以及高精地圖等先驗知識，并結合駕駛場景判斷、行為軌跡預測、沖突仲裁策略等系統狀態實時分析，為系統的全局決策提供支持。局部決策與全局決策相互配合優化VICAD整體系統決策，最終實現一體化協同決策[15]。這種一體化協同決策不僅增強了自動駕駛系統的自適應能力，也進一步提升了交通效率和安全性。

2.4一體化協同控制

協同控制的主要目標在于充分考慮到車輛控制與交通環境的復雜性，通過對決策控制指令的精細分配和深度優化，從而達到更為精確和高效的交通調控。在車路云一體化協同控制體系之下，利用車端控制、駕駛員控制、路端控制及云端控制的協同協作，能有效地處理自動駕駛的極端場景。例如，當自動駕駛車輛無人駕駛狀態下進入復雜的交通環境，駛出地理圍欄，或者面對復雜的認知交互類場景或極端場景，車輛單獨應對可能存在難度，此時車路云一體化的控制系統能夠提供支援，協助車輛解決問題，確保自動駕駛的安全。

在具體的控制流程中，如圖6所示：當車輛遇到難處理的場景時，車端有可能主動發起接管請求或遠程遙控駕駛請求；或者，當車輛即將接近復雜場景前，路端有可能主動發起接管請求或遠程遙控駕駛請求。此外，如果乘客有特殊需求，也可以由乘客主動發起接管請求。在此過程中，車輛會周期性地上報其自身狀態信息和感知信息，路端也會周期性地上報其感知信息（例如槍式攝像機、魚眼攝像機、激光雷達感知信息，以及路側可變標識和信號燈標識信息等）和決策信息；云端在接收到駕駛接管請求后，將對車端和路端的報告數據進行融合處理，進而生成控制建議和車輛環境信息。駕駛員控制、云端控制和路側控制三者協同，共同協助自動駕駛車輛安全行駛。值得注意的是，控制指令的下發有兩種通信鏈路實現：1）通過4G或5G通信直接從云端下發至車端；2）通過云端下發至路端，再由路側單元下發至車端。這兩種實現方式能夠相互補充，尤其是在城市內遇到信號遮擋或不穩定的情況時，路側通訊設備能有效地提供輔助[2]。

3一體化協同安全性論證

通過選取典型交通場景并生成仿真參數，構建不同場景下的一體化協同安全收益模型，進一步比較分析單車智能、協同感知以及車路云一體化協同決策控制對自動駕駛安全的影響，從而驗證一體化協同對駕駛安全的提升。

3.1一體化協同安全框架

安全是自動駕駛發展的基石，也是當前階段亟需解決的核心問題。根據自動駕駛預期功能安全（safetyoftheintendedfunctionality，SOTIF）理論[41]，如圖7所示，自動駕駛運行場景可大致分為4類：區域1為已知安全場景，區域2為已知不安全場景，區域3為未知不安全場景，區域4為未知安全場景。VICAD的核心目標是將自動駕駛中的“未知”場景轉化為“已知”場景，將“不安全”場景轉化為“安全”場景。因此，重點需解決區域2和區域3的場景問題，將區域2轉化為區域1，并證明區域2的殘余風險足夠低。對于未知不安全區域3，VICAD將其轉化為區域1、2或4，盡可能減少區域3中的場景，并確保區域3的風險控制在合理可接受的水平。

在經典的安全評價理論基礎上，通過引入路端及云端感知信息及感知可靠性概率模型，進一步結合多傳感器融合的概率遷移模型，在前序工作[2]中構建了一種自動駕駛一體化評價模型（UnifiedModelofAutonomousDrivingEvaluation，UMADE），如圖8所示。該評價模型選擇不同的標準測試環境、不同的交通互動方式以及不同的評估指標，對各種自動駕駛解決方案的系統性能進行量化的對比測試。

場景分布模型用于描述選定環境中交通狀態初始分布的概率。常用的分布概率模型包括跟車速度服從對數正態分布、跟車頭時距服從負指數分布等。

渲染引擎根據交通狀態為自動駕駛車端和路端設備提供高保真度的傳感器數據，并對交通環境中的行為事件進行可視化還原。

交互模型用于描述交通參與對象之間的交互行為。

感知模型用于模擬一體化協同系統通過云端信息以及車端與路端的傳感器數據進行環境感知的過程。

決策控制模型用于模擬一體化協同系統通過云端信息以及車端與路端的傳感器數據進行決策、規劃與控制的過程。

評價模型用于評價自動駕駛在交通環境下的系統表現。碰撞時間（TTC）是一種常用的安全評估指標，通常被定義為在車輛不改變當前運動特性的情況下，與前方跟車碰撞所需要的時間。它也可以被理解為衡量避免碰撞所需的時間標準。如果后車沒有采取相應的對策來應對前車的突然減速，那么可能會發生追尾沖突。TTC值越小，意味著發生碰撞的可能性越高，也就是說，這個環境越危險。

其中：S為兩車間距離，Δv車速差。在TTC的基礎上，采用經過修正的碰撞時間（modified-time-to-collision，MTTC）作為安全評價標準可以更充分地考慮加速度對跟車模型的影響。在人車混行的復雜交通場景下，基于運動軌跡的行人安全評價模型與車輛碰撞模型常用于系統性的安全評價標準設計。此外，在交通效率評價方面，交通流量、通行時間、通行速度等均為典型的評價指標。

3.2一體化協同收益場景

為了有效闡釋一體化協同對自動駕駛安全的收益，對自動駕駛領域公開數據與實際測試數據進行了分析與歸納。特別是針對自動駕駛安全性差以及極端場景應對不足的問題，概括出4種典型場景，這些場景常常表現出接管率高、事故率高以及通行效率低下的問題：行人鬼探頭、無保護左轉、異常障礙物與異常交通狀況（見圖9）。

行人鬼探頭場景：行人從駕駛盲區位置突然出現在車輛前方的情況，該場景下受限于單車智能的傳感器感知角度限制，在出現靜態障礙物或動態障礙物（如大型車輛）遮擋時，主車難以準確獲取盲區內的車輛或行人的運動情況，事故率及傷亡率較高。

無保護左轉場景：自動駕駛車輛在無信號燈路口進行左轉的場景。該場景下車輛易受對向車輛阻擋，形成視野盲區，而引發較高的接管率。

異常障礙物場景：道路中出現錐桶、道路遺撒等形態各異、訓練樣本中較少出現或難以覆蓋全面的障礙物。在此類場景下，車輛可能因識別異常而請求接管，或者由于未能準確識別障礙物而導致剎車不及時，從而引發事故。

異常交通狀況場景：因道路施工等因素導致車輛無法在現有交通規則下正常通行的情況，例如占道施工、交通事故等導致自動駕駛車輛需要逆行通過的場景。在這些場景下，車輛的通行效率通常較差，接管率較高。

3.3一體化協同提升駕駛安全

針對列舉的4類典型交通場景，在前序工作[2]中，本團隊開展了單車智能、一體化協同感知、一體化協同感知―決策―控制3種對照實驗，每種實驗均進行了1000次。借助UMADE模型，從安全性和通行效率等多個評價維度對實驗結果進行統計分析，為自動駕駛解決方案的量化分析與評價提供了理論依據。

3.3.1行人鬼探頭

如圖10所示，單車智能無法有效感知由遮擋產生的視野盲區，因此存在較大的交通安全風險。相比之下，協同感知提供了互補信息，為自動駕駛車輛（主車）避讓行人提供了感知的信息增量。而一體化協同決策控制則提供了全局車輛協同決策的能力，為后車提供了前車駕駛行為的信息增量，從而降低了碰撞事件的發生概率。

3.3.2無保護左轉

如圖11所示，由于對向左轉的大型車輛遮擋了主車的感知視野，使得主車只依賴于單車智能無法有效感知到對向的直行車輛，因此存在較大的交通安全風險。與行人鬼探頭場景類似，協同感知提供了補充信息，為主車避讓對向直行車輛提供了感知的信息增量。一體化協同決策控制則提供了全局車輛協同決策的能力，為后車提供了前車駕駛行為的信息增量，從而降低了碰撞事件的發生概率。

3.3.3異常障礙物

異常障礙物通常不會出現在自動駕駛感知系統的訓練樣本中，需要借助額外的感知異常檢測算法進行感知不確定性分析，將SOTIF中的“未知”場景轉化為“已知”的異常場景。如圖12所示，單車智能無法預先有效地檢測到異常障礙物，存在較大的交通安全風險。協同感知提供了冗余和強化信息，為主車避讓異常障礙物提供了信息增量。一體化協同決策控制則提供了全局車輛協同決策的能力，為后車提供了前車駕駛行為的信息增量，降低了碰撞事件的發生概率。

3.3.4異常交通狀況

以圖13所示單車道對象通行場景為例，在此類場景下，車輛需要面對復雜的交通狀況。首先，該場景中一輛靜止車輛停在修路路段前，主車需要判斷其駕駛意圖并確定應對策略；其次，在雙向單車道條件下存在臨時的修路路段，主車需要決策是否違反交通規則進行“逆行”；最后，由于在單車道的條件下存在對向來車，主車需要與對向來車進行博弈與交互。由于缺乏全局信息，單車智能難以在這種復雜狀況下采取有效決策。協同感知提供了冗余與強化的增量信息，可以通過路端長時間觀測，有效預測靜止車輛的意圖并模仿其他車輛的駕駛行為，具有在前述復雜狀況下采取有效決策的可行性。而一體化協同決策控制則可以獲取云端交通狀況異常的先驗信息，結合全局車輛協同決策的能力，為對向車輛提供了主車的駕駛意圖等信息增量，進而提高了單車道對向通行的通過效率。

總體而言，一體化協同感知與一體化協同決策控制對自動駕駛的安全性有顯著的提升。上述典型場景均為低概率出現的極端場景，但一旦此類場景出現，則存在較高危險性或造成通行性較差。行人作為交通安全中的弱勢群體，確保其安全對自動駕駛技術的發展和應用尤為重要。在極端的行人鬼探頭場景下，與單車智能相比，VICAD模式在人體傷害評價指標上能夠得到顯著的安全性提升；同時，實驗結果也表明，VICAD在應對無保護左轉、異常障礙物與異常交通情況時均取得了明顯的系統表現提升，證明了VICAD能夠有效幫助解決自動駕駛落地面臨的極端場景應對問題[2]。詳細的實驗數據如表1所示。

4一體化協同在擴展自動駕駛ODD中的意義

4.1自動駕駛ODD定義與現狀介紹

自動駕駛ODD是指自動駕駛系統設計時確定的適用于其功能運行的外部環境條件。只有當所有條件都得到滿足時，自動駕駛系統才能正常運行；相反，如果有任何一個前提條件不足，自動駕駛系統就可能發生故障，此時需要采取緊急停車措施或由駕駛員手動接管。如圖14所示，不同級別的自動駕駛車輛存在不同的ODD限制。L4級別的自動駕駛ODD限制相對較小，L3級別次之，L2級別則有更嚴格的限制，只能在有限的環境或場景下啟用自動駕駛模式。以某品牌L3級別的自動駕駛ODD為例，只有在滿足以下條件時，才允許開啟自動駕駛模式：

1）行駛在高速公路或者帶有中央隔離帶和護欄的兩車道以上機動車專用公路上；

2）所在車道和周邊車道的車間距離較近，即在堵車狀態下；

3）車的行駛速度不超過60km/h；

4）在傳感器可檢測到的范圍內沒有信號燈也沒有行人。

如圖15所示，自動駕駛ODD可以總體分為3類：靜態實體、環境條件和動態實體[42]。其中，靜態實體由運行環境中狀態不改變的實體組成，例如道路、建筑等；環境條件包括天氣、大氣條件和信息環境；動態實體由運行狀態發生變化的實體組成，例如交通情況、道路使用者和非道路使用者。

4.2ODD動態管理流程

通過一體化協同感知、決策和控制，可以支持對自動駕駛ODD進行動態管理及合理擴展，使自動駕駛車輛能夠在盡可能多的環境下實現連續自動駕駛。圖16展示了管理和擴展自動駕駛ODD的VICAD流程，包括以下步驟：

1）明確自動駕駛ODD限制場景清單；

2）實時檢測識別ODD限制場景：通過一體化協同感知，實時感知識別自動駕駛車輛及周圍交通環境，包括交通參與者、交通事件和交通運行狀況等，并綜合判斷感知結果信息，確定對自動駕駛的影響，包括影響時間、影響范圍和影響程度等，以及是否需要進一步處理；

3）路端發起VICAD應用服務請求，為自動駕駛車輛提供協同感知、協同決策或協同控制服務：針對確實受到影響的ODD場景，路端發起應用服務請求，經車輛平臺審核確認后，由路端為車輛提供協同感知、協同決策或協同控制服務；

4）在路端的幫助下，車輛安全無接管地通過ODD限制景。

4.3一體化協同擴展自動駕駛ODD

4.3.1ODD擴展示例

在前序工作[2]中，列舉了L4級別自動駕駛可能存在的典型ODD限制場景，見表2，例如道路施工、交通事故、混行等相關場景。針對其中的動態實體類ODD限制場景，通過一體化協同感知或決策方式，可以提升自動駕駛車輛的感知能力和決策能力，解除ODD限制；針對靜態實體和環境條件類ODD限制，可以在一體化協同感知和決策的基礎上，通過一體化協同控制實現對車輛、交通設施和交通環境的優化控制，例如信號燈優化控制、道路融雪除冰裝置等，以保障車輛在ODD限制場景中的安全通行。

下面以無信號燈交叉口協調通行為例，對ODD管理和擴展進行說明。

問題描述：如圖17所示，當自動駕駛車輛經過復雜路口（包括城市內復雜交叉口、高速公路或快速路匝道口）或無信號燈交叉口時，由于不同方向車輛流向的交叉沖突，容易造成碰撞風險或引發接管。

場景原理：通過一體化協同可以從路口全局識別預測所有車輛的駕駛意圖，并為車輛制定適當的通行策略，使路口車輛有序通行，從而避免接管。具體流程如下：

1）路端系統和設施實時感知和預測路口車輛，路口車輛也可以通過車輛交通和基礎設施（vehicle-to-everything，V2X）主動上報車輛行駛意圖（預期軌跡，包括各時刻的車輛位置和速度）；

2）路端系統和設施根據交通規則（例如左轉讓直行）和優先策略進行一體化決策，例如讓直行車輛優先通過，左轉車輛隨后通過；

3）左轉車輛根據路端的統一調度提前減速避讓，直行車輛可以不減速或加速通過；

4）所有車輛在路端的統一調度下高效通過路口。

應用效果：如圖18所示，通過協同感知和決策，可以確保自動駕駛車輛在不需要接管的情況下具備在交叉型道路環境中行駛的能力，從而擴展了自動駕駛的ODD。

4.3.2ODD擴展綜合應用效果

前序工作[2]中給出了一體化協同對自動駕駛ODD擴展的前后對比效果示意，見圖19和圖20。以一次具體出行行程為例，從起點到終點的過程中，車輛可能經歷一系列場景，如泊車場景、城市道路中的交通沖突場景、高速道路中的長隧道場景、沙塵團霧等惡劣天氣場景，以及低能見度區域和施工區域場景等。

受自動駕駛ODD限制，在遇到困難場景時，車輛必須退出自動駕駛模式，由駕駛員接管，導致自動駕駛無法連續運行；VICAD通過一體化協同可以大大擴展ODD，除遭遇極端惡劣天氣或出現無高精度地圖覆蓋等不可控因素外，均可以幫助車輛在這些ODD限制場景中繼續保持自動駕駛狀態，實現連續無接管的自動駕駛運行，如圖20所示。

5一體化協同自動駕駛場景案例

一體化協同自動駕駛已經在許多實際項目中得到了應用。通過對落地的大量VICAD應用測試和先導示范項目的調研，在前序工作[2]中總結列舉了VICAD有場景收益的17個小類的典型應用場景，本章從中選取了一些典型案例進行詳細闡述，其他案例詳見參考文獻[2]。

5.1一體化協同感知場景案例

一體化協同感知在自動駕駛中的典型收益場景有7個小類，包括路端信號燈融合感知、靜態盲區/遮擋協同感知、動態盲區/遮擋協同感知、超視距協同感知、低速車輛協同感知、道路遺撒與低矮障礙物協同感知，以及地圖要素變更。本文以超視距協同感知為例展開介紹場景問題及應用收益。

典型應用：超視距協同感知

超視距感知問題描述：受限于車載傳感器類型、感知范圍和分辨率等因素，車輛對超出車載傳感器覆蓋范圍的交通運行狀況、交通參與者或障礙物的檢測結果不穩定，容易出現無法感知或感知跳變等問題。

VICAD超視距協同感知：如圖21所示，通過在路端部署多傳感器，實現對多個方向上長距離的連續檢測和識別，并與車輛的感知進行融合，實現自動駕駛車輛對超視距范圍內的車輛或行人的準確感知和識別，車輛可以提前做出判斷、決策和控制，從而降低事故風險。

具體案例：如圖22和圖23所示，這兩張圖片展示了同一時刻的車端感知和協同感知的結果。在圖22中，主車（藍白色）很難穩定地檢測到遠處的障礙物（行駛路徑上沒有障礙物顯示），容易導致急剎和事故風險。而在圖23中，通過VICAD超視距協同感知，車輛可以提前獲取前方車輛、非機動車或行人的運動情況（粉色框表示路徑附近的目標），避免了急剎和事故風險。

5.2一體化協同決策場景案例

一體化協同決策對自動駕駛收益的典型場景有7小類，包括決策層面的排隊決策、死車決策，決策+規劃層面的交叉口協調通行、阻塞繞行、路口內施工繞行，以及協同路徑決策規劃層面的合作式代客泊車、編隊行駛等。本文以交叉口協調通行為例展開介紹場景問題及應用收益。

典型應用：交叉口協調通行

問題描述：如圖24所示，自動駕駛車輛在直行車道行駛時，當左轉車輛從分叉道匯入直行車道時，與主車行駛路徑產生沖突。由于缺乏通行次序協調，會導致主車急剎或需要駕駛員接管的情況。

場景原理：通過一體化協同，雙方車輛通過V2X方式上報車輛意圖（預期軌跡，包括各時刻的車輛位置和速度）。路端或云端系統根據車輛意圖、交通規則（例如左轉匯入禮讓直行）和車輛狀態信息，仲裁主車和匯入車輛的通行策略為：直行車輛優先并加速通過，左轉車輛減速跟隨通過。雙方車輛按照仲裁結果執行，高效通過交叉口。

應用效果：如圖25所示，通過車路云一體化協同決策，合理仲裁車輛通行次序，確保直行與左轉匯入車輛有序高效通過，避免了交互沖突造成路口車流阻塞或碰撞風險，提升了通行效率和安全性。

5.3一體化協同控制場景案例

一體化協同控制對自動駕駛收益的典型場景包括3小類，即自動駕駛領域的控制車輛——5G云代駕，以及智能交通領域中控制基礎設施的兩種場景——優先通行和綠波通行。本文以5G云代駕為例展開介紹場景問題及應用收益。

在實際運營中，自動駕駛車輛可能面臨臨時道路變更或交通管制等特殊情況。“5G云代駕”提供了遠程遙控駕駛的能力，幫助車輛解決這些問題。在5G環境下，借助高帶寬、低延遲和穩定性強的數據連接，遠程駕駛員可以通過5G云代駕控制臺像駕駛實際汽車一樣通過方向盤和踏板來控制車輛，如圖26所示。由于需要“5G云代駕”介入的極端情況并不經常發生，一個云端駕駛員可以為多輛車提供服務，通過提升人效加速RoboTaxi、RoboBus、無人港口和智能礦山等多種場景的商業化落地[2]。

典型應用：“5G云代駕”典型場景——施工阻塞跨黃實線繞行

問題描述：自動駕駛車輛遇到前方道路施工，導致所有車道被占用，無法正常通行，如圖27.

場景原理：車輛主動申請5G云代駕接管，云端駕駛員收到接管申請后，根據車端上傳的感知數據和車輛狀態數據進行人工決策，并通過云端智能駕駛艙的方向盤和踏板下發控制指令到車輛底盤，實現遠程遙控駕駛。

應用效果：云端駕駛員對車輛進行遠程遙控駕駛，通過借用對向車道完成跨黃實線繞行。完成繞行后，切換回自動駕駛模式，車輛繼續行駛。

6一體化協同自動駕駛產業實踐

VICAD發展是一個由低至高、逐漸演進的發展過程，參考國內外對VICAD階段劃分情況，如SAEJ3016[42]、SAEJ3216[43]，以及中國國內相關機構發布的報告和標準[44]，一般分為協同信息交互、協同感知、協同決策控制3個階段。目前，國內外VICAD的協同信息交互階段已經開展了大規模測試驗證與示范應用，協同感知發展已完成了理論研究、技術驗證和標準制定，正在加速走向規模化建設部署與應用，協同決策控制也已形成發展共識。本章將重點介紹國內外一體化協同自動駕駛的產業實踐。

6.1國外一體化協同自動駕駛產業實踐

VICAD技術在全球范圍內備受關注，許多國家和地區都非常重視其戰略布局、技術研究和應用探索。例如，美國交通部（DepartmentofTransportation，DOT）于2004年啟動了車路集成系統（Vehicle-InfrastructureIntegration，VII）研究計劃[45]，并于2007年拓展成IntelliDrive項目[46]，同時連續發布《智能交通系統（ITS）戰略規劃（2010-2014）（2015-2019）（2020–2025）》（ITSStrategicPlan）等一系列頂層設計規劃開展布局[47-49]。美國聯邦公路管理局（FederalHighwayAdministration，FHWA）開發的協同自動化研究移動應用（CooperativeAutomationResearchMobilityApplication，CARMA）項目[50]旨在提高交通系統中所有用戶之間的合作研究，通過鏈接技術、開源工具和框架，加速試點交通技術進步，從而提高交通安全性、流動性和效率。加速一體化協同技術的部署與應用。SafePilot、ConnectedVehiclePilot等一系列研究和驗證示范項目相繼開展[51]，加速了一體化協同技術的部署與應用。

21世紀初，為在歐洲協同部署智能交通系統（IntelligentTransportationSystems，ITS），歐盟委員會于2001年啟動了為期6年的歐洲跨國智能交通系統項目（Trans-EuropeanIntelligentTransportSystemsProjects，TEMPO）計劃[52]，顯著促進了旅行者信息服務（travellerinformationservices，TIS）的開發和部署[53]。基于TEMPO計劃成果，為期7年的EASYWAY項目[54]于2007年啟動，以增加交通安全性、提升流動性并減少污染。同期，歐盟委員會還啟動了由研究機構、道路經營者與汽車公司共同參與的研發項目，如車輛基礎設施協同系統（CooperativeVehicleInfrastructureSystem，CVIS）與智能道路安全協作系統（Co-OperativeNetworksforIntelligentRoadSafety，COOPERS）等[55-56]。近年，在C-ITS、4G/5G通信技術研究基礎上，歐洲道路運輸研究咨詢委員會（EuropeanRoadTransportResearchAdvisoryCouncil，ERTRAC）陸續發布互聯自動駕駛路線圖（ConnectedAutomatedDrivingRoadmap）、協作式智能交通系統和服務（CooperativeIntelligentTransportSystemsandServices）、互聯、協作和自動化移動路線圖（Connected，Cooperative，andAutomatedMobilityRoadmap，CCAM）[57-59]等戰略性文件，并在不同地區開展了大量的研究測試和建設部署項目，如eSafety、CVIS、DriveC2X、CAR2CAR和C-ROADS等，以提升道路安全、減少擁堵、提升駕駛體驗[60]。

日本于1996年開始提供道路交通信息通訊系統（VehicleInfrastructureCommunicationSystems，VICS）服務，該車聯網信息系統在2003年已基本覆蓋全日本，即時發送道路擁擠、交通限制等情報[61]。以VICS為基礎，日本啟動Smartway計劃，并發展成ETC2.0項目，整合ITS的功能，為車輛提供ETC、DSSS、ASV等服務[62]。2011年，基于Smartway項目發展的智能交通系統點位服務（ITSSpotServices）在日本交通網絡擁有超過1600處點位，城際高速每10至15km設置一個ITS點位，城市高速路則為4km。在東京都市高速公路中事故最多的三寶坂曲線，通過提供曲線前方的擁堵信息，事故數量下降了約60％[63]。2013年，日本內閣發布日本《世界領先IT國家創造宣言》，智能網聯汽車為其中核心[64]。韓國亦出臺《基于CoRE的智能交通系統（2040）》，制定短、中、長期車聯網發展規劃[65]。

6.2中國一體化協同自動駕駛產業實踐

中國車路云一體化協同的發展在近幾年取得了顯著成果。總體來看，中國已經躋身全球協同自動駕駛的領先之列，完全有能力利用自身的體制機制、政策環境和技術產業優勢，實現彎道超車。

1）在體制機制方面，中國具有強大的國家統籌能力

中國政府擁有強大的全局統籌能力，可以在新技術研發和落地的各個階段發揮重大的引領作用。這種能力在一體化協同自動駕駛的研發和落地中尤其突出，例如國家和地方通過制定優惠政策，批準建設測試示范區和先導區（如表3），逐步推進道路基礎設施的重建和升級。

2）在戰略政策方面，國家新基建政策將推動一體化協同的全面發展

在國家戰略層面，中國明確了單車智能+網聯賦能的智能網聯汽車發展技術路線。雖然中國在單車智能領域與美國的差距正在逐漸縮小，但鑒于中國路況和交通環境的復雜性，一體化協同自動駕駛有顯著優勢，可以作為中國自動駕駛領域彎道超車的重要著力點。

在政策層面，國家主管部門進行統一規劃，加強頂層設計，創造良好的產業發展環境；地方政府部門也結合自身的發展需要和優勢，積極推進一體化協同自動駕駛產業的發展。在最近幾年，國家發布了《智能汽車創新發展戰略》《交通強國建設綱要》《國家綜合立體交通網規劃綱要》等一系列的頂層設計文件，見表4。地方政府如江蘇、天津、上海、廣東等也相繼出臺了相應的政策支持，推動自動駕駛等領域的發展。其中，一些城市政策法規創新已進入“深水區”，例如，北京市在高級別示范區基礎上建設智能網聯汽車政策先行區，適度超前并系統構建智能網聯汽車道路測試、示范應用、商業運營服務以及路側基礎設施建設運營等政策體系，目前已經給予無人配送車路權，開放高速公路測試、無人化測試、商業運營。

3）在產業層面，汽車、道路和通信等產業具備創新引領條件

中國在汽車、交通、通信技術和產業方面有明顯的優勢，這些行業通過一體化協同自動駕駛的深度融合，形成強大的合力，初步具備了創新引領發展的條件。

在汽車和交通市場方面，中國的汽車和交通市場規模穩居世界前列，其中2021年中國汽車年產銷量分別為2608.2萬輛和2627.5萬輛，為世界第一汽車市場大國[66]。到2020年底，中國公路總里程超過519.8萬km，國家高速公路網主線基本建成，覆蓋約99%的城鎮人口20萬以上城市及地級行政中心。中國可以充分利用自身的市場優勢，按照自己需求制定具有中國特色的市場規則、技術標準。

在5G通信方面，將AI賦能的單車智能和5G相結合，為單點智能的車加裝上全天候、全場景、360°的“千里眼”和統籌全局的“智慧腦”，實現車、路、人、基礎設施的萬物互聯和萬物互控。截至2021年底，中國累計建成并開通5G基站142.5萬個，5G基站總量占全球60%以上，建成全球最大5G網，實現覆蓋所有地級市城區、超過98%的縣城城區和80%的鄉鎮鎮區，為實現車、路、人等萬物互聯提供了通信保障。

4）在技術保障層面，車路云標準體系規劃配套完整

2018年6月，工業和信息化部聯合國家標準化管理委員會完成制定并發布《國家車聯網產業標準體系建設指南》[67]系列文件（如圖28所示），明確了國家構建車聯網生態環境的頂層設計思路，展示了積極引導和推動跨領域、跨行業、跨部門合作的戰略意圖。目前，該體系規劃已經全部發布，其中基于LTE-V2X的接入層、網絡層、消息層和安全等核心技術標準已經制定完成，技術標準體系基本形成，為一體化協同自動駕駛的發展奠定了堅實的基礎。

7總結與展望

7.1總結

本文針對自動駕駛領域的現有問題，即缺乏車路云統一的架構和全局建模考慮，因此無法實現車路云整體系統的全局優化，無法高效應對現有的感知長尾、混行博弈、極端場景通行等瓶頸問題，提出了面向自動駕駛的車路云一體化（VICAD）系統框架，將不同的車路云一體化協同部署方式與自動駕駛算法進行統一建模，并在此基礎上開展模擬仿真，進一步借助自動駕駛一體化評價模型的反饋結果，可對車路云一體化協同部署方式與自動駕駛算法持續優化迭代。并結合實際案例，闡述了VICAD能夠提升駕駛安全、擴展自動駕駛ODD，加速自動駕駛規模商業化落地。

圖29示意性給出了VICAD對L4自動駕駛車輛的作用效果，其中：在自動駕駛能力層面，VICAD可以顯著提升L4級別的自動駕駛能力，使其能夠成功應對各種復雜場景。在自動駕駛商業化落地層面，當前階段的L4級別自動駕駛僅能在封閉或有限區域內實現規模化商業化應用，要想實現規模商業化落地，仍需要需要持續的研發投入；而在VICAD的推動下，可以快速達到無人化自動駕駛規模商業化落地的臨界點。

7.2發展建議

目前，VICAD在全球仍處于探索與發展的初級階段，面臨著許多挑戰與困難，需要行業的多方協同共同解決。

1）車路云深度融合形成高維復雜系統，需要基于系統工程建立功能安全和預期功能安全體系。一體化協同系統需要解決大規模移動接入、多層次互操作、低延時、高安全可靠等一系列問題，尤其是要應對不同地域差異、工況條件、氣候環境、場景形態帶來的各種復雜問題。因此，需要基于系統工程的角度構建車路云一體化協同自動駕駛的功能安全和預期功能安全體系，明確系統架構、系統功能、應用場景和服務內容，對系統的設備設施提出明確的功能要求、性能要求、數據要求、安全要求，以保障一體化協同自動駕駛的安全可靠運行。

2）道路智能化和駕駛智能化的發展不夠協同，需要逐步規劃高等級智能道路的建設，提高智能道路覆蓋率，服務于一體化協同自動駕駛、智能交通管理和智慧城市建設。目前，國內部分城市和高速公路已規劃建設了一批自動駕駛封閉測試場和開放測試道路，但這些都還處在小范圍的測試驗證和應用示范階段，道路的感知定位、車路信息交互等方面的能力還不能滿足自動駕駛的需求，更不具備協同決策或協同控制的能力，難以滿足高等級自動駕駛對數據精度、數據質量的要求。因此，需要建設高等級的智能化道路，以推動自動駕駛規模商業化的落地應用。

3）需要提升網聯終端滲透率，并持續探索車路通信演進技術，支持一體化協同自動駕駛及更加多樣的應用。在提升滲透率方面，建議推進城市及高速公路路側單元（roadsideunit，RSU）的部署，同時加速提升C-V2X前裝量產。以城市場景作為示范，推進單城或單區域規模部署，降低邊際成本。在車路高效通信技術演進方面，高等級一體化協同自動駕駛需要路側協同感知或協同決策控制，車路之間的數據交互數據量更大、頻率更高，需要更高性能的車路通信技術提供支持和保障。

4）一體化協同自動駕駛需要跨行業、跨地域互聯互通，并不斷探索開展應用服務創新和商業模式創新。在互聯互通方面，一體化協同自動駕駛在具體推進過程中還有很多影響或限制因素，例如需要解決車輛數據開放應用、道路感知設施復用、道路信號控制數據使用和道路收費系統打通等問題，這需要深入研究和逐步推進。同時，需要借鑒專用短程通信（dedicatedshortrangecommunication，DSRC）應用的優秀做法，發揮C-V2X的演進優勢，以一體化協同自動駕駛為基礎，探索更多的應用服務和商業模式。

5）政策法規和標準建設是引領和支撐一體化協同自動駕駛發展的關鍵因素。應針對VICAD的不同發展階段，提前研究和制定相關法規和標準。目前，國家和地方政策已推動自動駕駛道路測試進程。在標準層面，盡管多個標準化組織已制定一系列相關技術標準，但是，諸如道路基礎設施、云控基礎平臺、功能安全和預期功能安全等一體化協同自動駕駛的核心技術標準還需加快制定。汽車、通信、電子信息、交通、安全各行業標準組織應加強協同，構建完善的一體化協同自動駕駛技術標準體系。