基于車路云協同的智能網聯汽車研究態勢*

貫懷光 郭蓬,2 張登權 王慶閃 夏海鵬

（1. 中汽研（天津）汽車工程研究院有限公司，天津 300300；2. 中國汽車技術研究中心有限公司，天津 300300）

縮略語

ICV Intelligent and Connected Vehicle

C-V2X Cellular Vehicle-to-Everything

OBU On board Unit

RSS Road Side Server

5GS 5G System

5GC 5G Core

RSU Road Side Unit

AMF Access and Mobility Management Function

NEF Network Exposure Function

PCF Policy Control Function

SMF Session Management Function

NRF Network Repository Function

NWDAF Network Data Analytics Function

UPF User Plane Fuction

UE User Equipment

CAN Controller Area Network

MEC Mobile Edge Computing

ES Edge Server

HPPS High Precision Positioning System

GNSS Global Navigation Satellite System

IMU Inertial Measurement Unit

VSL Variable Speed Limits

GA Genetic Algorithm

DOA Dingo Optimization Algorithm

IMFAPC Improved Model-Free Adaptive Predictive Control

TD-ISAC Time Division Integrated Sensing and Communication

0 引言

汽車產業正迎來新一輪顛覆性變革，汽車“新四化”是未來的發展趨勢，汽車智能化是未來汽車發展的戰略方向[1]。汽車產業先進技術、軟件系統、信息傳輸等技術的快速迭代發展，以及國家鼓勵智能網聯汽車公共蜂窩車聯網（Cellular Vehicle-to-everything, C-V2X）相關技術研發與創新，促進了智能網聯汽車（Intelligent and Connected Vehicle,ICV）行業迅速發展[2-5]。然而，目前智能駕駛輔助系統的國外供應商市場份額占比高達80%，國外ICV 技術仍處于壟斷地位，而國內如地平線、黑芝麻、寒武紀公司自主研發的控制器、芯片普遍與國外還有較大的差距，ICV系統技術發展尚不成熟，仍存在“卡脖子”的技術瓶頸。

為了打破國外壟斷格局，彌補我國低速智能網聯汽車產業鏈短板，優化智能駕駛算法，提升軟件開發、應用能力都很重要，需要在軟件算法上進行攻關和突破。在探索具有中國特色的智能網聯汽車發展道路進程中，智能網聯車路云協同技術是5G 技術在汽車領域最有潛力的應用。中國將重點打造智能網聯汽車、信息技術等產業鏈集群，打通智能網聯汽車產業鏈上下游，推動行業高質量發展。

從智能網聯車路云協同的技術層面分析，現有的單車智能技術方案存在著感知范圍有限、車間存在博弈與沖突、難以實現全局路徑規劃的問題。傳統車路云協同主要是強調車與路側設備之間的協同機制，提供車與車、車與路之間有限、單一的信息決策服務，應用場景和服務能力有限，難以實現大范圍的群體協同與決策，不能滿足ICV 參與交通系統在發展過程中對全局車輛交通管控與優化的實際需求[6]。

從產業環境層面分析，智能網聯汽車技術算法更新和迭代離不開道路、通信基礎設施的優化建設，但目前基礎設施因企業根據自身項目需求進行建設，導致資源冗余、通信協議復用、難以互聯互通、利用效率低，智能網聯汽車應用技術標準、運營標準缺乏協同，制約其進一步落地發展。

要解決技術短板和配套設施不完備、產業鏈上下游斷裂的問題，基于“人-車-路-云”統籌規劃的系統協同架構，從系統協同方面重構智能網聯汽車，打通智能網聯汽車的智能化交通基礎設施、通信網絡基礎設施、計算服務技術鏈。以融合實時云計算為主要技術，以數據可靠、網絡安全為主要技術特點，提升道路交通的綜合通過能力。

因此，本文分析智能網聯車路云協同系統架構技術的最新發展態勢，聚焦車路云協同系統框架以及3 大關鍵技術，提出ICV 系統發展面臨的挑戰和前進方向。

1 智能網聯車路云協同系統框架

1.1 車路云協同融合整體框架

智能網聯汽車結合C-V2X 網絡與道路、路側設施、智能網聯汽車云有機結合形成新型車路云融合系統[7]。圖1所示為智能網聯車路云協同系統框架。智能網聯車路云協同場景可以分為車輛隊列協同控制和空地聯網協同控制。

圖1 智能網聯車路云協同系統框架

在組網和控制場景中，車輛隊列協同可以根據協同控制的不同方面分為車內協同、車隊結構協同和車間通信，具體闡述如下：

（1）車內控制是指通過分布式控制器實現車輛之間合適的車速和車間間距。

（2）車隊結構是指隊列中車輛之間隊列保持穩定性以及一致性。

（3）車間通信考慮多傳感器車載網絡拓撲結構的多邊特性。

空地聯網協同控制是指車與無人機、基站、衛星之間協同。

智能網聯汽車云通過“6 大中心”來集成車輛、道路及汽車制造商或第3方平臺，以及公安、交警監管平臺各種資源數據，構成C-V2X技術融合的車路云協同應用服務核心，“6大中心”分別為：

（1）感知中心

主要是對行駛過程中的智能網聯汽車進行信息采集，對車輛狀態進行檢測。

（2）地圖中心

主要為車輛產生高精度的地圖定位實時信息，全局、局部動態路徑規劃信息和交通信息。

（3）決策中心

主要為車輛進行決策和規劃，當車輛出現故障和行駛環境惡劣情況下，提升車輛行駛和交通運行的綜合性能，確保安全行駛。

（4）控制中心

主要是依據感知和地圖中心信息控制驅動。

（5）服務中心

主要是進行車載可視化，讓用戶享受個性化的交通信息服務。

（6）安全中心

主要是保證汽車組網安全、數據與接口安全、系統平臺安全。

車路協同端對端解決方案總架構可劃分為4 層結構（圖2），其總體目標是能夠實現車輛和道路之間及時信息交換，進而為自動駕駛和其它應用場景提供支撐[8]，車路協同端對端解決方案總架構4 層結構具體為：

圖2 C-V2X車路云協同解決方案總體架構

（1）終端層中，車路協同中遵循同一個標準，ICV 內需要集成C-V2X 模組（On Board Unit,OBU），以獲得車載通訊能力，并且結合車身傳感器，使路側單元（Road Side Unit，RSU）與行駛車輛進行通訊。

（2）邊緣層中，路側服務器（Road Side Server,RSS）進行路側融合、感知，提供交通預警和其它行車風險預警，邊緣計算平臺承擔高精度定位所提供的差分信息采集任務。

（3）云端層，提供基礎服務，包括車路云協作數據采集、路由分發、車路云協同數據運用，使得汽車交通管控大腦功能極大增強。

（4）應用層，實現各類數據使用單位之間銜接和執行，為交通信號優化、誘導和控制提供服務。

1.2 車路云協同5G-V2X應用架構

面向車路云協同的智能網聯5G-V2X 應用架構如圖3 所示。采用5G 系統能夠提供良好的動態資源配置與調動功能，使用5G 網絡提供V2X 應用發布與差異化通信服務，實現集成V2X的感知決策控制組網一體化功能[9]。5G-V2X 應用系統架構（5G System,5GS）主要是由5G核心網（5G Core,5GC）、RSU和路側基礎設施以及車輛構成。其中，5GC是由訪問和移動管理功能體（Access and Mobility management Fuction,AMF）、網絡開放功能體（Network Exposure Function,NEF）、策略控制功能體（Policy Control Fuction,PCF）、會話管理功能體（Session Management Fuction,SMF）、網絡存儲數據庫功能體（Network Repository Function,NRF）、網絡數據分析功能體（Network Data Analytics Function, NWDAF）以及用戶面機制（User Plane Fuction,UPF）網絡功能體組成。

圖3 5G-V2X車路云協同應用架構[2]

5GC 網絡功能使用功能體提供服務接口進行交互（Namf,Nnef,Npcf等），車路云協同的智能網聯汽車內置的用戶設備（User Equipment,UE）應用之間采用V5 接口進行本地數據交互傳遞，并且利用V1 接口和V2X應用遠程服務器進行交互。

其中在架構中，車載通信分為車-車之間通信和車外通信2個部分。

（1）車-車之間通信系統包括技術平臺、控制器域網（Controller Area Network,CAN）網關、傳感器可視化平臺、地圖信息和集成化車載單元OBU接口。

（2）車外通信實現“人-車-路-云”之間的通信服務，通過串口或以太網接口協議進行信息交換。

2 車路云協同平臺關鍵技術

2.1 智能網聯汽車V2X通信技術

智能網聯汽車通信協議可以為車路云協同系統的運行穩定性提供重要支撐。在智能網聯汽車V2X通信系統中，每輛車定期廣播其鏈路狀態消息，產生的流量與運行車輛成正比，當車輛流量密度增加時，易導致車輛局部V2X 通信失敗。在V2X 通信技術中應聚焦無線網絡流量之間的控制研究，對各個運行環境的流量進行調節和動態更新，可便于緩解V2X信道之間流量阻塞。

Rahim等[10]提出了一種內容緩存協議。所提出的協議使用背包優化算法根據其效用將可變大小的內容分配給RSU。結果與市場匹配和隨機緩存相比，所提出的協議分別提高了約13%和70%的數據下載量。Yu 等[11]提出了基于車輛間通信技術的隊列控制優化跟馳模型。優化模型可以提高車輛跟隨的穩定性和安全性，降低車輛總油耗。Hou 等[12]基于C-V2X 智能融合網絡提出了邊緣計算（Mobile Edge Computing，MEC），為了降低問題的復雜性并提高求解效率，提出了啟發式算法，從延遲感知、適用性評估和空間聚類方面實現了C-V2X中邊緣服務器（Edge Server,ES）的聯合分層放置和配置。但是，ICV不能直接應用于CV2X。需要進一步研究C-V2X通信中的信道模型、控制元件的輸入以及車輛密度之間的耦合關系，以重新定義ICV應用場景。

2.2 智能網聯汽車定位與融合技術

高精度定位系統（High Precision Positioning System,HPPS）是智能網聯車路云系統能力提升的核心，也是確保自動駕駛精準位置定位的重要技術。當前主流技術主要分為：多衛星定位、蜂窩定位、局域網融合定位和智能傳感器定位。

（1）多衛星定位，通過獲得多地圖的定位數據和全球導航衛星系統（Global Navigation Satellite System,GNSS）實現定位。單系統的定位精度通常可以達到米級，但實際定位結果偏差較大，無法滿足車道級定位與導航要求。

（2）蜂窩網絡定位通過移動通信基站信號時間差來計算車輛所在的位置，終端計算蜂窩網絡定位精度取決于定位區域基站數量與分布。

（3）局域網定位是通過測量待定位節點的已知信標節點的電波信號強度特征，依據局域網接收信號到達的時間、時間差、強度信息，推斷定位節點的位置。

（4）智能傳感器定位有利于智能網聯汽車定位在全路況場景上的應用。通過如慣性測量單元（Inertial Measurement Unit, IMU）得到運動體之間的速度與位置信息，表1 是智能網聯汽車常用定位技術比較。

表1 智能網聯汽車常用的定位技術比較

國內外學者對智能網聯汽車定位與融合技術開展了大量研究，Wang等[13]提出一種智能網聯環境下的可變限速（Variable Speed Limit,VSL）控制方法，使用總通行能力、總行程時間和總速度差構建多目標函數，控制方法具有較好的控制效果。Chen等[14]提出了一種以深度Q 學習（Deep Q-Learning，DQL）為對象的網絡分布式計算卸荷策略，以找到最佳卸載方法，充分利用周圍車輛計算資源，減少計算復合任務執行時間。Tong等[15]通過系統車載總線和其它傳感器，實時采集智能網聯汽車運行時有關數據，并傳輸至監控平臺，以監測道路上的ICV，判斷每輛車的行駛狀態。同時，在監控平臺上建立免疫算法模型，對行駛車輛的行駛狀態進行評估，發現不安全狀態時及時預警。Wang 等[16]提出了一種基于5G、C-V2X、衛星導航定位、融合感知技術的商用車車路協同系統。Suseendran等[17]使用支持向量機學習對給定的信息及其偏差進行反復分類。該信息通過減少近似誤差和復雜性來提供智能網聯汽車的準確定位和跟蹤。Mo 等[18]提出了協同自動駕駛系統的車基協同感知框架，改進了傳統的卡爾曼濾波器，即使車輛在路邊故障時也能輸出位置信息。

2.3 智能網聯汽車測試與評價技術

ICV 車路協同測試通常包括可預測全部場景的虛擬仿真測試、可覆蓋典型和極限場景的封閉場景實車測試和主要覆蓋典型場景隨機組合的開放道路測試，以驗證智能網聯汽車應對有限和隨機場景的能力。在測試過程中，首先開展智能網聯汽車性能測試，穩步擴展到高速公路、封閉園區和城市道路下的車路云協同服務測試[19]。

Sun 等[20]基于車輛動力學的狀態空間方程，探索和識別主動避撞的安全域。建立模型預測控制器，在復雜交通場景下，測試所提主動防撞控制策略的功能，提高自動駕駛效率和道路交通安全。Li 等[21]建立了考慮動態交通流下交通要素、車輛狀態和駕駛員行為的駕駛風險場模型，分析了駕駛風險場模型中各參數的影響因素，提高智能網聯汽車動態行駛安全性和自主決策能力。表2 是國內外測試軟件比較。Mao 等[22]采用微仿真軟件VISSIM，基于遺傳算法（Genetic Algorithm, GA）模擬駕駛員通過工作區時的行為，提升高速公路維護運營效率和安全。Li 等[23]基于車輛群行為，對面向智能網聯汽車的主動交通管理控制進行了仿真研究。用研究數據對城市快速路交織區交通流車輛駕駛行為進行了VISSIM 模擬。研究成果可以優化車道管理，緩解高速公路交通擁堵。Shi等[24]基于強化學習框架，根據城市無信號交叉口設計強化學習狀態、動作和獎勵，讓車輛以適應人類駕駛汽車的方式安全地通過交叉路口。

表2 國內外常用的智能網聯汽車測試評價軟件比較

在自動駕駛仿真方面，高性能和高保真的智能網聯仿真軟件主要是商業化應用，并且進行接口和界面封裝，用戶根據自身需求定制化程度較低，只能按照軟件設定的規范場景進行測試驗證。目前，大約80%的算法目標測試場景是通過仿真系統構建，自動駕駛仿真平臺的高效性和可靠性關系到自動駕駛未來的應用場景[25]。大多數仿真軟件用于對單車和虛擬交通環境進行模擬，但缺少在車路云協同真實交通環境下，對自動駕駛性能進行系統研究。

網聯測試主要以測試為主，Wang等[26]提出耦合車輛模型的事件觸發框架，所提出的預測方法可以在通信速率和估計性能之間取得有效的平衡。Song等[27]提出了一種使用多通道的多跳傳輸協議技術，提高通信網絡的可靠性和延遲時間。Pari 等[28]使用野狗優化算法（Dingo Optimization Algorithm，DOA）優化車輛之間的路由通信，以實現通信的可靠性，增加了吞吐量和數據包傳遞率。最后，通過執行混合波束成形增強了通信可靠性，還利用了基于多智能體的分類深度Q 網絡，提高頻譜效率。Yu 等[29]提出一種無模型自適應預測協同駕駛（Improved Model-Free Adaptive Predictive Control,IMFAPC）改進方法，該方法能夠緩解時變延遲和隨機丟包對控制效果的不利影響，從而在基礎上提高各種流量下的流量效率，確保多車行駛安全。Shen 等[30]提出了物聯網輔助創新數據完整性驗證方案IoT-IDIVS，以整合交通系統數據并有效地交換信息，丟包率為21.3%，平均服務時延為26.9%。Zhang 等[31]提出了時分集成傳感與通信系統（Time Division Integrated Sensing and Communication,TD-ISAC），提出的通信模式選擇算法同時通信吞吐量保持在2.2 Gbit/s以上，可以有效地最小化不同條件下的響應時延。

綜上，文獻中主要測試指標如表3所示，ICV車路云協同系統中典型測試場景可根據道路類別、自動駕駛業務場景、測試數據和通信對象分類，主要指標包括時延、丟包率、吞吐量、通信范圍、數據包投遞率、接收信號強度。

表3 文獻主要測試指標

3 結束語

本文針對智能網聯汽車領域中車路云協同系統技術發展不完善，導致智能網聯汽車在車路云協同方面的應用和運營標準存在不足的問題，分析智能網聯車路云協同系統框架和應用架構研究現狀。通過重點分析車輛無線通信、融合和定位、測試和評估關鍵技術，表明未來智能網聯汽車需要在與自動駕駛等級相結合的新型“人-車-路-云”框架內，在車路云協同控制模型方面實現重大突破。

本文首先建議解決車隊協同控制中，保障控制層通信安全的問題。為了解決該問題，需要研究在復雜場景下，采用高可靠通信和智能算法推薦技術，并考慮安全互信認證技術需要滿足區域范圍、網絡高頻接入問題，以提高智能網聯車路云協同系統的穩定性和保密性。其次，智能網聯車路云協同系統中的組網架構需要融合智能網聯汽車、智能網聯道路、智能網聯云和路側設施服務模型，這可能導致信息設備研發企業推出的軟硬件接口和交互機制出現差異，因此需要加速推進新型V2X 融合的終端、云控、路面基礎設施和標準化，全面聯動融合產業發展。

此外，智能網聯車路云協同技術將在相當長的時間內采用分區域、分階段的解決方案，各個階段之間需要考慮通信、計算技術約束。因此，未來需要部署相應的邊緣計算和存儲方案，以滿足新場景下協同和固定場景下不同網絡架構之間的聯動需求。

最后，未來需要考慮智能網聯汽車網絡拓撲的動態變化，通信節點之間信號高速切換時，偽造節點的惡意攻擊會導致巨大的安全風險。本文建議加強安全方面的研究，以提高整體安全互信認證技術的升級投入，以提高ICV系統的穩定性和保密性。