自動駕駛技術的未來 ：單車智能和智能車路協同

摘 要：隨著全球交通擁堵和安全問題的日益突出，自動駕駛技術的廣泛應用被認為是解決這些問題的重要途徑，單車智能技術（SAD）和智能車路協同系統（i-VICS）是當前自動駕駛領域的兩大研究熱點。本文闡述了單車智能和車路協同系統的基本概念和關鍵技術，討論了單車智能中的感知定位、決策規劃和控制執行技術，以及車路協同系統中的協同感知定位、協同通信和分級云控技術，并回顧了不同技術的研究成果；總結了中、美、德、日對自動駕駛技術路線的發展選擇，并討論了不同技術所帶來的商業性產業鏈變革；剖析了單車智能和車路協同所面臨的技術挑戰，以及自動駕駛技術所面臨的社會與法律挑戰，并以此展望未來的發展方向，為自動駕駛技術的創新和應用提供參考。

關鍵詞：自動駕駛技術；單車智能（SAD）技術；智能車路協同系統（i-VICS）；智能交通系統

Future of autonomous driving： Single autonomous driving and intelligent vehicle-infrastructure collaboration systems

Abstract： As global traffic congestion and safety concerns become increasingly prominent， the widespread application of autonomous driving technology is considered a vital solution. Two prominent areas of research in autonomous driving are single autonomous driving （SAD） and intelligent vehicle-infrastructure collaboration systems （i-VICS）. This paper explores the fundamental concepts and critical technologies of both. In terms of SAD， the focus is on perception， localization， decision-making， planning， and control execution， while i-VICS is centered on cooperative perception， collaborative localization， vehicle-to-infrastructure communication， and hierarchical cloud control. Furthermore， it reviews the progress of research in these technologies and summarizes the development paths chosen by China， the United States， Germany， and Japan. Thetransformative impact of these technologies on the commercial and industrial supply chains is also examined. Finally， the paper analyzes the technical challenges faced by both SAD and i-VICS， along with the social and legal challenges of autonomous driving， offering insights into future development directions， and providing a reference for the innovation and application of autonomous driving technology.

Key words： autonomous driving technology; single autonomous driving （SAD）; intelligent vehicle-infrastructure collaboration systems （i-VICS）; intelligent transportation systems

智能自動駕駛技術是未來汽車領域發展的重要因素。隨著技術的成熟和商業化的加速，汽車將從駕駛工具變成自主導航的運輸機器人，核心價值部件由傳統傳動系統轉向智能軟件和處理芯片。駕駛員的肢體和雙眼將被解放，出行過程中的娛樂、社交和消費場景將被徹底打開，開辟萬億級市場。目前越來越多的汽車變得智能化和網聯化，不僅能夠實現自動駕駛，還能與周邊車輛和道路進行大規模數據交互。基于這一發展，自動駕駛領域出現了2 條不同的技術路線，即單車智能自動駕駛 （single autonomous driving，SAD）和智能車路協同系統 （intelligent vehicle-infrastructure collaboration systems，i-VICS）。

單車智能依賴內置的雷達、攝像頭和傳感器感知道路狀況，通過計算機分析與決策選擇路徑，實現車輛實時控制。智能車路協同系統通過路側設備實時監測道路中的車輛和行人，利用低延遲網絡獲取交通信息，實現車路協同的自動駕駛。

盡管美國汽車工程師學會 （Society of Automotive Engineers，SAE）指出L4-L5級別的自動駕駛理想模式是實現 “車端—路端—云端” 的高度協同^[1]，但車端智能和路端智能的發展并不完全同步。具體而言，單車智能主要通過車端技術實現車輛的傳感、感知、規劃和控制操作^[2]。相較之下，車路協同的發展主要依賴于車聯網路側基礎設施的建設。目前，單車智能的發展代表主要以谷歌派和Tesla派為代表，而車路協同的發展代表則以中國和歐洲的路側建設為代表。美國密歇根大學提出網聯和自動駕駛車輛 （connected and autonomous vehicles，CAVs） 走廊技術，通過協調優化CAV和智能交叉口，實現車路的信息交互^[3]。歐洲ERTR AC推出 “Connected Automated Driving Roadmap”計劃^[4]，將互聯和公共設施作為交通系統的長期目標。中國在2020年明確了新型基礎設施建設的目標，通過建設智能道路、智能交通系統和智慧城市，有望率先在網聯化維度取得突破。

雖然有大量研究專注于自動駕駛單車智能和車路協同系統的調研，但針對兩者對比發展的研究相對較少。在單車智能方面，E. Yurtsever 等^[5] 針對自動駕駛車輛的當前挑戰、高級系統架構、新興方法和核心功能包括 （ 定位、映射、感知、規劃和人機界面） 等研究進行了全面審查，并在開源軟件上針對部分先進算法進行了對比分析。D. J. Yeong 等 ^[6] 評估了自動駕駛汽車中常用的傳感器的能力和技術性能，主要關注大量視覺攝像頭、激光雷達傳感器和雷達傳感器等在各種條件下的工作效果及傳感器融合的主要方法。S. Atakishiye 等 ^[7]在人工智能技術的背景下，概述了用于自動駕駛汽車的可解釋人工智能方法的發展，并詳細闡述了自動駕駛汽車可解釋人工智能系統決策構建，以應對社會和法律要求的可解釋性。CHEN Long 等 ^[8] 針對自動駕駛的發展提出了一種名為 SoS （survey of survey） 的調查方案，系統總結了自動駕駛的發展，介紹了智能汽車的研究前景、倫理和未來方向。在車路協同方面，ZHANG Yi 等 ^[9]針對車輛的群體協同決策進行了綜述，系統梳理了集中式和分布式兩種協同群體決策的研究，并對不同場景下的優化和啟發式決策方法進行了對比分析。DING Fei 等 ^[10] 在車路云一體化背景下，詳細闡述了智能網聯車路云協同系統的架構技術，介紹了V2X （vehicle to everything） 的組網、融合定位和測試評價等關鍵技術，為車路協同云控制提供了未來的發展建議。林泓熠等^[11] 解析了車路協同的基本概念、研究方法和應用場景，并對車路協同的核心技術模塊進行了歸納介紹。M. Hasan 等 ^[12]" 對 V2X 生態系統進行了廣泛概述，并對 V2X 領域內的主要安全和隱私問題、當前標準化活動和現有防御機制進行了綜合調研。C. Gschwendtner 等^[13]概述了 V2X 的實施狀況，分析了 V2X 主要的試驗配置以及實施過程中的社會和監管挑戰，通過專家評估這些挑戰，探討了對不同參與者的影響。

為了對單車智能自動駕駛和車路協同系統的最新發展進行綜合、全面的對比概述，本文通過這項調查研究系統性且對比性地闡述單車智能和車路協同的發展現狀，并對兩者的未來發展提供建設性意見和建議。本文的要點是：1） 針對單車智能和車路協同的定義，總結了2 種自動駕駛路線的具體技術和關鍵應用；2） 分析了不同國家對于單車智能和車路協同技術的路徑選擇，以及不同路徑所帶來的產業鏈變革；3） 明確了這 2 種技術當前面臨的技術和社會法律挑戰，并展望了未來的研究方向。

單車智能技術

單車智能技術的發展主要依賴于自動駕駛汽車車

載設備和算法集成的迭代升級。其核心競爭力在于強大的軟硬件功能、自動駕駛算法、車載計算平臺和高精地圖等能力。因此，單車智能技術可以歸納為自動駕駛的感知定位、決策規劃和控制執行技術。

感知定位技術

自動駕駛汽車的感知，本質是對于事物狀態的估計問題，通常描述為從自身角度估計外界物體的狀態；通過觀測外界的物體，估計自身的狀態，稱之為定位。車輛的感知依賴于強大的車載設備和核心的感知算法，具體包括毫米波雷達、激光雷達、攝像頭等傳感器，其中中央控制器用于執行車輛的感知算法，如圖1 所示。

感知定位數據集

通常根據感知場景的復雜性進行說明。一個場景通常可以分解為多個組成要素，包括主車、道路、障礙物和自然環境等。這不僅涉及各要素的靜態屬性和動態行為狀態，還包括要素之間的組合和相互影響。道路方面，自動駕駛汽車需要感知或識別道路結構、道路設施以及交通標志等關鍵要素。道路的復雜性不僅體現在結構化與非結構化的道路特征上，還包括道路子要素的動態變化，例如紅綠燈故障、道路受損和車道線不完整等。障礙物方面，自動駕駛汽車需要準確地感知識別周圍的動態參與者及其行為動作，例如各類機動車輛、非機動車輛和行人。不同交通參與者可能會有任意轉向、緊急制動和橫穿道路等行為，需要自動駕駛汽車做出準確且實時的感知反饋。自然環境方面，自動駕駛汽車必須能夠適應各種不同的氣象條件、光照條件和突發的自然災害，從而定位自身的位置。通常這些條件還會影響車輛自身設備的功能。

近年來，研究人員主要集中在自動駕駛場景下，從道路場景的語義分割和交通標志識別 ^[14-15]、目標識別 ^[16-17]、應對復雜氣象條件 ^{[18-19] 以及多模態數據融}合 ^{[20-21] 等多個方面進行研究和分析。然而，不同角度的自動駕駛感知定位實現，大多需要龐大的自動駕駛數據集和優秀的深度學習模型。本文根據數據集的近 3 年引用量對現有自動駕駛感知類數據集進行歸納，如表 1 所示，其中 2023 的引用量截止到 2023 年 12 月。}

感知算法

感知數據集奠定了自動駕駛感知的基礎，為感知定位任務提供了巨大幫助。考慮到單車智能極大依賴自動駕駛自身的算法能力，本文根據車載傳感器的功能，將單車的感知定位算法分為基于視覺的算法、基于點云的算法以及基于兩者融合的感知算法。

基于視覺的感知算法主要依賴于圖像傳感器 （ 如攝像頭） 獲取視覺數據，將圖像或視頻數據作為輸入，利用計算機視覺 （computer vision，CV） 技術進行目標檢測、跟蹤和語義分割等任務。這類算法可以通過基于像素的視頻來檢測環境中的道路、行人和其他障礙物，并使用幾何、光流、顏色或其他圖像特征進行檢測。基于視覺的感知算法可分為目標檢測、目標跟蹤和語義分割 3 種類型：

目標檢測是指在圖像或視頻中確定和定位特定類別的物體。其任務是通過標記邊界框來確定感興趣區域，并將其與不同的目標類別進行關聯，目的是找到圖像中存在的所有目標并確定它們的位置，諸如 Faster R-CNN [31]、YOLO [32] 和 SSD [33] 等深度學習方法是目標檢測的代表算法。

目標跟蹤是指在連續幀的序列中追蹤已經被檢測到的目標，以獲得目標在時間上的連續性和動態信息。該任務通過在不同幀之間匹配目標的位置和外觀特征來實現目標的連續跟蹤，并根據目標的運動模型和外觀模型進行目標位置的預測和更新，Kalman 濾波 [34]、粒子濾波 [35]、Dempster-Shafer [36] 理論等方法常用于目標跟蹤領域。

語義分割涉及對圖像像素進行分類，并分配不同的語義標簽。與目標檢測不同，語義分割算法不僅能識別和定位目標，而且還會對圖像中的每個像素進行分類。算法的輸出是一個與輸入圖像尺寸相同的分割掩碼，每個像素都被分配了一個語義標簽。常見的語義分割算法如 U-Net [37]、HR-Net [38] 和 DeepLab [39] 等深度學習方法。

基于點云的感知算法主要依賴于由激光雷達等有源傳感器收集的三維空間中點 （ 或測量到物體的距離 ）數據，這些點分布在離散的三維空間中，提供場景的幾何信息。這類算法將點云數據作為輸入，通過對點云進行處理和分析，實現目標檢測和跟蹤等任務。通常，該算法通過點的密度、幾何形狀或圖案，從點的質量中導出場景結果，以便檢測對象。基于點云的感知算法分為點云分割、目標檢測跟蹤 2 種類型：

點云分割主要是將點云數據劃分為不同部分或類別，以識別和區分各種物體或場景元素，目的是將點云中的點歸類到特定的語義或對象類別，如道路、建筑物、車輛和行人等，以便更好地理解和感知環境中的不同物體。常用的點云分割算法包括 GodNet [40]、 SalsaNet [41] 和 PointCNN [42] 等。

目標檢測和跟蹤涉及在點云數據中識別和追蹤特定目標，如車輛、行人和自行車等。點云目標檢測的任務是確定點云中目標的位置和邊界框，目標跟蹤則是在連續幀的序列中追蹤已經被檢測到的目標，以獲得目標在時間上的連續性和動態信息。這些算法在點云數據中尋找目標并提供目標的位置和運動信息。常見的點云目標檢測和跟蹤算法包括VoxelNet [43]、PointRCNN [44]和 PointGNN [45]等深度學習算法。

基于視覺和點云融合的感知算法需要傳感器融合技術來充分利用每個傳感器的優勢，主要通過激光雷達和相機的融合使用來實現，通常以點云和 RGB 圖像作為輸入，利用 2D RGB 圖像和點云的相互優勢來實現精確的 3D 對象感知。根據設備的差異，通常可以歸納為單目相機與雷達融合和立體相機與雷達融合兩種方式。 MA Fangchang 和 S. Karaman [46] 采用了一種基于 ResNet [47] 的自動編碼器網絡，利用 RGB-D 圖像來預測密集深度圖。該研究融合單目相機與激光雷達，通過使用包含豐富 RGB 信息的 3D 集合圖像作為深度點

云的采樣參考，在單一特征融合過程中實現檢測目標。在特征級融合中，A. Eldesokey 等人 [48] 開發了一個非制導框架，能夠同時處理圖像和深度影像。A. Valada 等人 [49] 擴展了特征級融合，使其應用于不同的深度時期。

GuideNet [50]在編碼器的不同階段整合了視覺和稀疏深度信息特征，從而引導稀疏深度的上采樣過程。

W. Van Gansbeke等人[51]在圖像引導的深度完成網絡研究中，將信號級融合與特征級融合相結合，該網絡由全局分支和局部分支構成，用于并行處理RGB-D數據和深度數據，然后基于置信度圖將它們融合。

1.1.3 定位算法

定位技術通過融合多種傳感器產生的信息，增強了感知系統的精度和穩健性。目前，單車智能定位的技術主要包括全球定位系統 （global positioning system， GPS）、實時運動定位 （real-time kinematic，RTK） 和同步定位與建圖 （simultaneous localization and mapping， SLAM） 等技術。

GPS 定位是車輛通過接收衛星信號計算自身位置的一種技術手段，通常至少需要四顆衛星接收信號，以獲取車輛的三維信息。作為一種無源傳感器定位技術， GPS 為自動駕駛提供了低成本、高效的解決方案，但也會受到多路徑效應或信號阻塞的影響，從而造成信號誤差[52]。當前主流的 GPS 定位通過位置校正技術提高了精度和可靠性，包括濾波異常信號 [53]、地圖輔助 [54]和融合不同測量源結果 [55] 等。例如，LU Wenjie 等[56]通過匹配低精度開源地圖提高了GPS 精度。M. Adjrad和 P. D. Groves [57] 提出了一種基于全球導航衛星系統 （global navigation satellite system，GNSS） 的定位方法，通過去除異常 GPS 信號并結合數字地圖的地形高度輔助。R. Kumar 和 M. G. Petovello [58] 通過匹配非直瞄信號延遲提高了GNSS 精度。總體而言，GPS 雖然相對準確，但在某些情況下仍可能存在幾 m 到十幾 m 的誤差，這對自動駕駛而言并不是最佳選擇。因此，GPS廣泛應用于 L2 級別的自動駕駛，更高級別的自動駕駛則需要進一步融合其他定位技術。

實時運動定位 RTK 是一種基于 GPS 增強的定位技術，自動駕駛車輛通過接收固定基站的誤差校正信息來調整其接收到的 GPS 信號，從而提高定位精度。B. Vedder 等[59] 設計了一個低成本的自動駕駛試驗臺，其中定位系統的數據來自 RTK- 衛星導航。WU Bingfei等 [60] 通過集成實時運動學差分全球定位系統和激光測距儀，設計了智能車輛的實時自主導航系統。J. HAN等[61] 為自動駕駛快速噴霧器開發了一種移動基線實時運動學 / 運動傳感器集成定位算法，有效減小了自動駕駛設備的定位誤差。

GPS 定位和 RTK 定位通常更適合車輛的導航操作，為全局路徑規劃提供了較大作用。然而要實現車輛實時的局部路徑規劃，必須實時獲取車輛的位姿信息。同步定位與建圖 SLAM 定位技術能實時預估運動中的車輛的姿態，并構建附近環境的地圖。由于激光雷達 SLAM 出現較早，因此具有更廣泛的應用 [62]。

S. Milz 等 [63] 基于深度學習，介紹了CNN 網絡在處理視覺 SLAM 上的優勢。C. Kim 等 [64] 利用激光雷達將高精地圖數據建模為點云地圖，并采用 SLAM 來估計車輛的姿態以實時更新地圖狀態。DAI Kai 等 [65]提出了一種基于多傳感器融合的 SLAM 和在線定位方法，以解決地圖漂移問題，實現了結構表面定位精度在 20～30 cm 誤差范圍內的高精度定位。

1.2" 決策規劃技術

車輛對所感知到的傳感器數據進行分析處理后需要進一步做出自身的決策。為了確定車輛當前和未來的運行軌跡，需要進行全局路徑規劃、局部路徑規劃和即時動作規劃。

在車輛的行為決策中，可分為戰略性 （strategy） 決策和戰術性 （tactic） 決策。戰略層決策涉及自動駕馭汽車的宏觀表現，例如確定出行目的地時，車輛可以根據當前全局交通的實時信息和預測信息，為駕駛者選擇何時出發、出行的最佳路線等。戰術層決策則表現為車輛在行進過程中的微觀行為，例如面對復雜的動態交通環境，推理生成加速、減速、換道、超車等駕駛行為。基于自動駕駛決策的特點，本文歸納 4 種單車智能決策模型，分別為規則模型、激勵模型、離散選擇模型和人工智能模型：

規則模型通過數學表達與固定序列下的邏輯結構所構建，這類模型通常是基于駕駛員視角而建立的，其擁有的變量較少、決策過程較易。例如上世紀 80 年代 P. G. Gipps 先后提出了跟馳模型 [66] 和換道模型 [67]，以確定車輛在跟馳行為和換道行為下的決策速度或加速度。

激勵模型是一種反映駕駛員的駕駛期望的決策模型，包含心理學和行為科學的理論，以及影響駕駛員決策的因素。這類模型通過最大化駕駛員的收益或期望水平，將所有可以考慮的因素轉化為少量效用值或期望值，以實現決策需求，例如 MOBIL 模型 [68] 和博弈論模型 [69]。

離散選擇模型是一種使用邏輯或概率的效用模型，通過考慮駕駛員對時間和決策變量的異質性，以及每個決策階段內可選項的效用值或概率值，來執行決策的概率，諸如 Ahmed 模型 [70] 和間隙接受模型[71] 等。

人工智能模型是基于當前交通大數據驅動的狀態轉換模型。這類模型根據車輛或道路區域近期的歷史數據以及感知的實時數據，通過數據訓練模型對智能網聯汽車的決策行為進行輸出。在訓練過程中，還可以通過數據捕捉交通的可變性，具有較強的適應性。伴隨著 ChatGPT 式的生成式模型的爆火[72]，人

工智能將賦予自動駕駛更多的未來可能性。目前，基于機器學習 [73]、深度學習 [74]、強化學習 [75]，以及深度強化學習 [76] 的人工智能模型已經在單車智能決策領域發揮著巨大作用。此外，端到端式決策方案的應用最早可以追溯到 1989 年，D. A. Pomerleau [77] 開發了為道路跟隨任務而設計的三層反向傳播網絡，通過從相機獲取

圖像信息作為輸入，并將車輛前進的決策方向作為輸出，使車輛沿著目標道路方向行駛。ZHANG Jian 等[78] 利用人工神經網絡和大規模軌跡數據分析車道變化的復雜性。ZHAO Junwu 等[79] 通過構建動作集和狀態集，利用深度強化學習方法模擬行駛中車輛間的決策和互動。YE Yingjun 等[80] 采用深度強化學習訓練和學習車輛的決策，并在仿真情景中驗證了其效率。GAO Xin等[81] 通過設計一個獎勵矩陣，學習決策風格，同時利用圖卷積網絡提取車輛交互的圖結構特征，幫助車輛提高執行決策的能力。總的來說，基于人工智能的自動駕駛決策已經成為未來的發展趨勢。

與決策技術相配合的是自動駕駛的規劃技術。車輛的規劃模塊位于感知模塊的下游，控制模塊的上游，因此，當自動駕駛汽車在決策模塊下確定了具體的行為決策后，將在規劃模塊中生成銜接車輛當前狀態與目標狀態的幾何路徑或軌跡。規劃模塊通常與決策模塊共同負責自動駕馭汽車的具體駕駛行為。由于道路場景的復雜性，自動駕馭汽車在實際駕駛工況中既可能遭遇靜態障礙物，又可能因動態交互對象而產生碰撞。因此，在運動規劃的整個過程中，車輛需要時刻滿足自身的運動學約束、動力學約束、避撞約束，以及其他源自內部系統或外部環境的時空約束條件 [82]。

根據車輛的不同規劃需求，自動駕駛中的運動規劃可以劃分為路徑規劃 （path planning）" 和軌跡規劃 （trajectory planning）。路徑規劃是指根據駕駛人的用車需求確定車輛的起點和終點，在滿足一定約束條件下，通過路徑規劃算法找到一條最優的可行路徑，目的是解決自動駕馭汽車的可達性問題，即車輛能否到達目標點，以及如何到達；軌跡規劃是在給定路徑的基礎上，根據車輛的運動學、動力學模型，確定自動駕馭汽車在具體時刻的位置、速度和加速度狀態，目的是解決自動駕馭汽車的運動性能問題，即車輛如何以最優或最佳的方式運動，從而滿足安全、高效、舒適等要求。兩者的示例如圖 2 所示。

通常，路徑規劃是關于車輛的空間序列，在確定車輛的起始地點和目標地點后，需要找到滿足空間要求的路徑點，生成可行駛的路徑。常見的路徑規劃方法包括圖搜索法[83-84]、曲線插值法[85-86]、人工勢場法[87-88]和智能優化算法[89-90]。動態軌跡規劃基于車輛的運動與動力學模型及交通情況，從現狀推算至目標狀態。通過考察車速、加速度和轉向，將時間約束集成到路徑點中形成軌跡點，以便符合這些規范能夠實現自動駕駛的路徑設計。常見的軌跡規劃方法有采樣方法[91-92]、曲線插值法[93-94]、數值優化方法[95-96]和深度學習方法[97-98]。

1.3" 控制執行技術

車輛的控制技術模塊用于配合規劃模塊，目的是為了保證車輛操縱的穩定性和安全性，通過輸入已有的感知決策信息，進而輸出相應的控制參數給執行機構，如前輪偏角、車輪制動力等，從而盡可能地控制車輛沿所制動的執行指令行駛。通常來說，自動駕駛汽車的控制可以分為軌跡跟蹤控制、自適應巡航控制 （adaptive cruise control，ACC）、 緊急制動控制 （autonomous emergency braking，AEB）。

不同控制算法的基礎均與車輛的運動學模型和動力學模型相關。運動學模型從幾何學的角度描述了車輛的運動規律，具體包括車輛在每個時刻的空間位姿，以及速度變化等，其模型示意圖如圖 3 所示，其中 XOY 表示大地坐標系，（Xf，Yf） 和（Xr，Yr） 分別表示車輛的前軸和后軸軸心的坐標，φ 和 δ_f 分別為車輛的橫擺角和前輪轉角，v_f 和 v_r 分別為車輛的前軸和后軸中心速度，l 為車身軸距。

根據車輛在運動過程的幾何關系以及相關的運動學約束，以車輛后輪為參考點所建立的運動學模型表達式為

或者

ξkin = fkin（ξkin， ukin）.

其中： ξ_kin = [X_r， Y_r， φ] 為狀態向量；u_kin = [v_r， δ_f] 為控制向量；v_r由油門剎車控制，δ_f由方向盤控制。在自動駕馭汽車的軌跡跟蹤過程中，通常將控制量作為輸入量，以得到不同時刻的跟蹤狀態量大小。

對于車輛的整車動力學模型，通常用于分析車輛的懸架平順性以及橫縱向的操作穩定性。在動力學模型中，會著重考慮車輛的輪胎特性與力的關系，并通過選取 Frenet 坐標系，將縱向控制與橫向控制進行解耦；

相關的三自由度動力學模型示意圖如圖 4 所示。該模型考慮車輛的橫向、縱向和偏航運動。根據 Newton 第二定律，可以得到車輛 3 個自由度的受力分析表示為：

圖 4 和式 （2） 中各個參數的含義如表 2 所示。

考慮車輛的前后輪滑移角以及輪胎的側偏特性，經簡化和小角度假設后，代入式 （2），可得車輛動力學模型，如式 （3） 所示。

軌跡跟蹤控制的根本目的是消除車輛在行駛過程中期望路線與實際行駛路線之間的軌跡偏差。常見的自動駕駛汽車橫縱向控制算法包括純跟蹤法^[99]、 Stanley控制算法^[100]、比例-積分-微分（proportional- integral-derivative，PID）算法^[101]、線性二次型調節器 （linear quadratic regulator，LQR）算法^[102]和模型預測控制（model predictive control，MPC）算法^[103]等。其中，前

4種算法屬于無預測性質的反饋控制，而MPC則屬于帶預測性質的反饋控制方法。具體區別在于MPC可以使用預測水平來預測未來行為，并解決有限水平開環最優控制問題。

自適應巡航控制 ACC 是一種縱向控制技術，通過車載傳感器收集前車的距離和速度信息，并應用加速度優化算法來維持與前車的穩定距離。ACC 控制的設計通常分為端對端控制和分層控制 ^[104]，其中端對端控制根據傳感器的運動狀態信息直接生成控制命令。 CAO Zhong 等^[105] 提出了一種基于時序神經網絡的端到端 ACC 控制器，在機器學習框架中使用大量圖像駕駛數據進行訓練，并將控制命令直接發送到油門和剎車。分層控制器多采用典型的雙層控制結構，頂層通過考慮車輛的多目標因素以確定主車所需的期望狀態，底層由動力學控制器和控制執行器來跟蹤頂層生成的狀態。 ZHAO Shuo 等^[106] 將車輛的安全性和舒適性作為目標，利用 MPC 得到上層 ACC 控制器的期望加速度，底層控制器采用 PID 控制跟蹤前車的速度和間距。

緊急制動控制 AEB 被視為一種極端的跟馳模型，主要用于自動駕駛車輛在周圍出現風險時采取提前預警、緊急制動和其他避撞措施。AEB 的關鍵評估參數多為安全距離和即碰時間 （time to collision，TTC）。例如 YANG Wei 等^{[107] 使用分層控制的方法，構建了 AEB- 行人保護系統。HAN Ichun 等[108] 提出了一種考慮不同道路摩擦對 TTC 制動閾值影響的AEB 策略，使用組合滑移輪胎模型來估計峰值道路摩擦，再利用估計的峰值道路摩擦來獲得 TTC 的制動閾值。}

除了上述傳統的車輛控制模型外，人工智能賦予車輛控制更多可能性，越來越多的學者致力于通過強化學習模型控制車輛行為。DING Haitao 等 ^{[109] 針對}聯網電動汽車，提出了一種基于混合行動空間中強化學習算法的增強型生態駕駛控制策略，該策略同時控制縱向速度和側向車道的操縱，以實現更多潛在的生態駕駛。HE Yixu 等^{[110] 基于深度確定性策略梯度 （deep deterministic policy gradient，DDPG） 算法提出了一種深度自適應控制模型，該模型能夠使自車自適應識別車輛跟馳風險等級，并保持與前車的間距，從而提高交通效率和安全性。清華大學以強化學習和近似動態規劃為核心理論，開發了一種面向工業的最優控制問題的強化學習求解工具包GOPS（general optimal control problem solver） [111]}，這一自動駕駛和工業控制領域的實時高性能控制器能夠有效針對自動駕駛車輛的控制行為進行精確計算。

2"" 車路協同技術

車路協同系統利用先進的通信技術，實現車輛與道路參與者和基礎設施的信息交換 （ 如圖 5 所示），通過動態數據融合，提升交通安全與效率，構建環保的交通體系 ^[112]。通過在路側安裝計算設備，車路協同系統中的路側邊緣計算單元可以為車輛提供數據支持和決策指令，并與車載計算平臺協同處理數據，以降低車載計算平臺的算力要求，從而降低自動駕駛汽車對高性能計算能力的依賴。針對車路協同系統技術的研究，本文分別從多車協同定位技術、高可靠的車輛通信技術和分級的云控技術進行總結。

2.1"" 協同感知定位技術

在現代智能交通系統中，車路協同感知定位建立在單車智能感知定位技術的基礎上，通過車輛與路側設施的緊密合作，實現了更加準確和可靠車輛定位。相較于單車智能，基于車路協同的多車協同感知定位系統更加重視車輛群與路側智能交通設施之間的互動。因此，其綜合利用了車載傳感器、GPS 數據以及路側設施的信息，通過高級數據處理和分析技術，提供實時的交通狀況和環境感知能力。這不僅有利于自動駕駛汽車的發展，也為城市交通管理和路網優化提供了新的解決方案。

當前， 選擇路側感知系統技術路線的核心在于選擇適合的傳感器組和融合算法。與車端的感知技術相似，選擇不同的感知融合算法取決于利用傳感器獲取的交通環境數據。目前， 多傳感器進行感知數據的獲取和處理仍然是路側感知系統的主流做法。K. I. Moharm 等^{[113] 指出，多傳感器驅動的智能交通系統根}據監測的廣泛數據源分析環境，預見未來變化，以便于調整和監督。J. O. Kennedy [^{114] 指出通過整合多種傳}感器信息并應用克里格法與粒子濾波技術，多傳感器數據融合可提升交通評估和預測的精準度。

由于不同類型的傳感器具有不同的采集信息方式，數據融合呈現復雜的情形，通常包含數據級、特征級和決策級融合 3 種類型 ^[115]。WANG Binglu 等^{[116] 構建了一個多模態融合的基線系統，作為實現協同感知的基礎框架，在多車協同環境下對多種特征融合策略進行了評估和驗證，以增加自動駕駛感知系統的安全性和}可靠性。LIU Weijie 等^{[117] 通過融合毫米波雷達的檢測}數據和汽車與基礎設施通訊 （vehicle-to-infrastructure， V2I） 的協同通信數據，實現了對行人行為和碰撞的預測，車端和路端的共同作用保障了車輛的安全。MO Yanghui 等^{[118] 提出了一個感知框架，使車輛在發生損壞的情況下也能提供定位數據。}

同樣地，協同定位技術也是基于路端和車端設備的交互作用實現。路側單元通過圖像分析等方法提升車輛定位精度，最終融合車輛自身以外的位置數據、路側單元和地圖位置 ^{[119] 等數據提高GNSS 的定位精度。WANG Bo 等 [120] 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。M.}

A. Hossain 等^{[121] 開發了一種協作定位技術，通過其他}車輛和 RSU 的位置數據進行位置估計。面對 GPS 測量條件的未知性和時間變化性，LIU Siyuan 等 ^[122] 開發出能夠融合 GPS 信號并接收信號強度的觀測值和載波頻率偏移的定位系統。ZHANG Guohao 等^[123] 通過整合基于射線跟蹤的 3D 地圖輔助GNSS 與雙差分技術，減少了系統和隨機誤差。

需要注意的是，當前路側智能系統在各種復雜狀況下仍不能完全滿足自動駕駛車輛的需求，因為整合車輛與路側信息的資源仍顯不足。目前，清華大學智能產業研究院推出了首個集中于車路協同的智能自駕數據集— DAIR-V2X，支持3D檢測和軌跡預測等多項研究^[124]。

2.2" 協同通信技術

實現協同駕駛的另一個關鍵在于網絡通信。在自動駕駛中，傳感器數據和位置數據的實時傳輸，甚至車內娛樂功能的數據傳輸，都需要更高的網絡帶寬和更低的網絡延遲；因此，針對車聯網通信技術的研究層出不窮。自上世紀 90 年代起，一些國際標準組織，如美國的 ASTM/IEEE、日本的 ISO/TC204、歐洲的 CEN/TC278， 已經開始制定專用短程通信（dedicated short range communications，DSRC） 標準的工作 ^[125]。中國也于 2016 年制定了智能網聯汽車 LTE-V 協議的標準，進一步推動了自動駕駛通信技術的發展 ^[126]。此外，第 5 代移動通信網絡也被是為車聯網和自動駕駛的關鍵推動者，為車路協同通信提供了強大支持 ^[127]。

不同于傳統關于車內通信技術 （ 例如控制器局域網、FlexRay 等 ） 的介紹，本文主要通過介紹車間網絡通信技術，以強調車路協同通信的優勢。

對于車聯網技術而言，車載隨意移動網絡（vehicular ad-hoc network，VANET）是道路中常見的移動通信技術。作為移動自組織網絡的一個新興子類，VANET能夠自發地創建移動設備/車輛網絡^[128]，其通常由3部分組成，分別為車載單元（on board unit，OBU）、路側單元 （road side unit，RSU）和可授權機構（trusted authority， TA） [1^29]。其中，OBU一種基于GPS的跟蹤設備，用于車輛間的相互通信以及與RSU通信^[130]；RSU則是固定在高速道路、停車場和交叉路口等特定位置的計算單元，提供了自動駕駛汽車和基礎設施之間的連接，并協助車輛本地化^[131]；TA是一個用于管理VANET整個過程的機構^[132]，只有有效的RSU和車輛OBU才能注冊和通信，因此它可以為車輛提供強大的安全性。

當前，車路協同環境下的VANET可以實現V2X通信，具體包括車車互聯（vehicle-to-vehicle，V2V）通信^[133]、 V2I通信^[134]、車輛對行人（vehicle-to- pedestrian，V2P）通信^[135]等。V2V通信使用網狀連接不同節點 （即車輛） 構建一個網絡，使車輛能夠互相溝通，同時分享必需的交通堵塞、事故及限速信息。V2I通信是自組織的、無線的和雙向的，它允許車輛與RSU交互，RSU則將收集到的數據用于交通監督和管理，通過設置不同的速度變量，使車輛能夠最大限度地提高燃油效率并控制交通流量； V2P通信通過廣播車輛信息給附近的行人或其他弱勢道路用戶的移動設備，以最大限度地減少潛在的危險，并提高自動駕駛汽車在道路上的接受度。

根據車輛與交互對象的傳輸距離差異，VANET 又可以分為短程通信、中距離通信和遠程通信 3 種無線技術。短程通信以藍牙、紫蜂 （ZigBee） 和超寬帶技術 （ultra-wide band，UWB） 為主，由于藍牙傳輸范圍太小，一般不會使用在車車間的通信場景；ZigBee 支持的傳輸范圍最長可達 100 m，廣泛應用于高級駕駛員輔助系統中 ^[136]，但在擁堵的城市道路中，ZigBee 的傳輸效率會有所下降，并產生較大的端到端延遲 ^[137]。UWB 技術應用于極低功率的設備中運行，可以在密集城市環境中幫助車輛實現快速定位 ^[138]，成為定位與通信技術的最佳聯動。中距離通信以廣為熟知的 DSRC 技術為主，廣泛應用于V2V 和 V2I 通信，包括檢測道路障礙物、發送交通警告等。此外，DSRC 還可以幫助建立包括高速公路車隊管理、安全超車等在內的交通管理系統 ^[139]。遠程通信技術以C-V2X 和 5G-NR 通信技術為代表。 C-V2X 技術由 3GPP 第14 版引入，并在 3GPP 第15 版進一步開發，以滿足 5G 通信的標準，車輛可以通過蜂窩網絡與周圍環境進行通信交互 ^[140]。C-V2X 具有可靠性高、應用范圍廣等特點，可以在密集交通環境下進行高速通信，通過切換車載通信模式，實現車輛與基站

通信（ 模式 3） 和車輛間相互通信（ 模式 4） [^141]。5G-NR技術則是 C-V2X 的進化升級通信技術，提供更高的數據速率、更低的延遲，并實現多種設備之間的通信 ^[142]。目前，5G-NR 有望應用于基礎交通設施的改造，并為自動駕駛車輛通信的安全和隱私提供巨大幫助。

車路協同通信技術展現了豐富的多樣性，在 V2V方面，它主要體現在車輛決策和隊列控制的應用場景中。PENG Haixia 等 ^[143] 基于IEEE 802.11p 通信協議，將自動駕駛車輛組織成隊列的方式行駛在同一車道上，通過集群管理，減少了交通堵塞，提高了道路空間利用率和安全性。P. Fernandes 和 U. Nunes ^[144] 認為，隊列頭車之間的恒定間距是獲得高通行能力的基礎，并提出了一套保持恒定間距以及允許自動駕駛汽車協同進入主路的算法。ZENG Tenchan 等^[145] 提出的框架能夠聯合考慮無線 V2V 網絡的延遲和自動駕駛汽車控制系統的穩定性來優化自動駕駛汽車車隊的操作。

在 V2I 方面，車路協同通信不僅有助于車輛在通信后做出決策，更有助于交通管理的實施。L. C. Bento等^{[146] 介紹了一種應用于道路交叉口的智能交通管理系統，基于 V2V 和 V2I 通信，他們開發了一個微觀交通模擬器來研究智能交通管理技術并評估其性能，希望通過該智能管理技術最大限度地減少事故和交通擁堵。 LI Yuying 等[147] 提出交叉口的優先級由靜態沖突矩陣和動態信息列表決定，以此提出一種 V2I 環境下的自動駕駛汽車交叉口管理策略，并有效降低交叉口的車輛延誤。FANG Yukun 等 [148] 研究了 V2I 通信的統計特性，通過考慮 V2I 的通信延遲，提出了一種基于統計技術的通信時延估計模型，以實現智能網聯汽車在匝道合流區的集中合流。}

2.3"" 分級云控技術

云控技術是車路協同的另一項關鍵技術。由于自動駕駛汽車車載終端和基礎設施路側終端的存儲和計算能力有限，需要強大的計算技術來處理自動駕駛汽車難以完成的任務，車路協同的發展逐漸引入了云控技術，以處理自動駕駛的計算密集型任務^[149]。然而，這種方法需要高帶寬來傳輸原始數據，可能會導致自動駕駛汽車與云端之間的通信鏈路延遲增加。因此，云控技術更適用于長期和非實時的自動駕駛任務，如大規模模型訓練、高精度地圖的生成與更新，以及海量數據的存儲和模擬等。此外，自動駕駛汽車處于非使用狀態時，也可以從云端獲取數據更新。

云控技術主要提供 2 個功能：分布式計算和分布式存儲 ^[150]。分布式計算指的是利用多臺通常物理分離的計算機共同完成任務或解決計算問題，這些計算機通過網絡連接，并且可以并行地處理環境數據和車路系統產生的大量實時數據，包括車輛位置、速度、路況等。通過分布式計算，可以在多個計算節點上并行處理這些數據，以實現快速的交通流分析和預測。T. Gavankar 等 ^{[151] 為了高效處理大量的自動駕駛圖像，}利用 3 臺主機并采用HIPI 分布式計算對KITTI 數據集進行了處理，有效提高了自動駕駛圖像處理的運行效率。M. Spryn 等 ^{[152] 提出了一種利用云計算技術的架構，通過在虛擬機池中分布訓練過程來減少自動駕駛深度強化學習模型的訓練時間，結果證明小型機器集群確實能夠有效降低模型的訓練時間。ZHOU Su等 [153] 將分布式群組計算問題建模為基于市場的最優計算資源分配問題，并以此開發了一種軟件定義網絡 （software de?ned network，SDN） 架構， 在一種星形拓撲中將自動駕駛車輛的計算任務外包給以其為中心的其他自動駕駛車輛，通過市場機制降低了自身的計算成本。U. Y. Muhammad 等 [154] 實現了一個基于云平臺的視頻分析系統，通過并行訓練幾個子模型，并將它們組合在一個中心模型中，有效減少了原始模型訓練的資源使用和訓練時間。}

分布式存儲涉及將數據存儲在物理上分散的多個位置，而不是集中在單一位置。這些存儲資源通過網絡連接，協同工作以提供數據的高可用性、容錯能力和伸縮性。分布式存儲常常應用于車路系統中大量數據的存儲和備份，便于不同地點的交通管理中心、車輛和基礎設施共享和訪問數據，促進信息交流和合作。 WANG Ruijun 等 ^{[155] 提出了一種稱為 HydraSpace 的計算存儲系統，通過多層存儲架構和實用的壓縮算法來管理自動駕駛傳感器數據，最終在保持自動駕駛應用程序的可比性能的同時，有效減小了存儲空間。YU Rong 等 [156] 通過將云計算技術集成到車輛網絡，允許自動駕駛車輛共用計算資源、存儲容量和網絡帶寬。 HUANG Yaodong 等人 [157] 通過設備之間的數據交換得到可達性信息，進而確定了受青睞的候選緩存節點。}

伴隨著信息技術的快速發展，車路云的概念逐漸走入公眾視野。2023年1月，中國智能網聯汽車產業創新聯盟面向車路協同的建設發布了《車路協同一體化系統白皮書》^[158]。該文件提到了關于云控平臺的技術構成，該平臺包含2個層級，分別為云控應用平臺和云控基礎平臺，并且兩者保持1 + N的模式，即形成包含“1”個云控基礎平臺與“N”個由云控基礎平臺所支撐的云控應用平臺的“1 + N”拓撲結構，其系統架構如圖6所示。

云控基礎平臺采用邊緣—區域—中心三級分層體系結構：邊緣層云緊鄰道路一側布置，通過光纖與 RSU 相連，支持變道策略、超視距風險預警實施；區域層云能夠實現車隊行駛管理、道路預警和路線引導等功能；中心云的作用涵蓋實時與非實時的交通狀態監測、規劃設計評估、駕駛分析、車輛診斷與保險定價等，確保這些功能在整個系統中順暢協作。因此，通過這種協作，平臺能夠針對車輛及交通流的優化需求，統一調控和管理云控基礎平臺及其協作應用"" 。

基于車路多傳感器融合，以及 LTE/5G-V2X 通信系統的加持，分級云控技術能夠支持自動駕駛的汽車預計每年產生超過 300 TB 的數據^[161]，為研究自動駕駛提供了充實的基礎。

單車智能與車路協同的綜合探討

無論是單車智能還是車路協同，均是實現高等級自動駕駛的關鍵方向，兩者的本質體現為技術和成本在車側和路側的分配。然而，這種分配受多種因素影響，包括政府對智能公路改造的支持、各地路況、交通用戶特性、地圖和定位技術的精確性、高性能感測設備的成本、用戶的支付意愿及轉換費用等。這些因素共同決定了自動駕駛投資的方向，進而影響技術和成本在車側和路側的分配方案與研究路線。

自動駕駛的路徑選擇

各個國家對于自動駕駛路徑的選擇不同，以中、美、日本和德國為例，不同國家的戰略優勢如圖 7 所示。

對于美國而言，人工智能比較發達，谷歌等科技巨頭在自動駕駛領域的人工智能算法方面有深厚的技術積淀，保持一定的優勢。然而，美國在通信行業和5G領

域落后于中國，基礎設施投資主要由市場主導而非政府主導，且國民更崇尚自由獨立，重視個人隱私，可能導致車路協同基礎設施投資不足，網聯化推動進程緩慢。因此，單車智能可能是美國互聯網巨頭和互聯網造車新貴普遍采取的方案，通過提高車輛自身的感知、決策和控制能力，使其達到甚至超越人類司機的駕駛水平。不論是單車智能的“谷歌派”還是“Tesla派”，其核心能力都是人工智能算法和決策芯片，這也是美國的戰略優勢所在。

在中國，以華為為首的通信企業在 5G 技術上取得顯著領先，不僅部署了大量的 4G 與 5G 基站，實現了廣泛的網絡覆蓋，還由政府推動各類基礎設施的發展建設。此外，中國堅持使用 5G LTE-V2X 技術規范更新道路，以支持 LTE-V2X 向 5G-V2X 的平穩轉換。目前，中國的車路協同研究已經在無人出租車、電動公交車等基礎交通工具中取得了一定成果。因此，中國的車路協同有望進入快速發展階段，通過降低自動駕駛的復雜度和車載成本，補足單車智能化進程中的短板，形成具有中國特色的發展路徑，并可能先于美國實現 L4至 L5 級別自動駕駛技術的廣泛商用。

德國和日本擁有發達的汽車工業和成熟的整車制造能力，其高精尖制造業世界領先，對自動駕駛的研究也早于其他國家。早在 2015 年，奧迪、寶馬和戴姆勒

等德國汽車制造商組成的聯盟以 28 億歐元收購了高精地圖公司HERE ^[162]，以配合自動駕駛技術的研發。同年，德國政府發布了《自動和聯網駕駛策略》^[163]，通過投入大量資金鼓勵企業和研究機構的發展，并建設了諸多自動駕駛測試場所。在政府支持下，日本的主要汽車制造商也在加大自動駕駛技術領域的研發投入。特別是豐田汽車公司在日本靜岡縣的裾野市建造的智慧城市，目標是實現更加廣泛的互聯網連接 ^[164]。本田汽車也在逐步推出能夠在高速公路上實現 L3 級自動駕駛功能的車型。然而，考慮到德日等國在 AI、5G 領域均處于追趕者的角色，其國內市場容量有限，因此在美國和歐洲開展單車智能路線的同時，也會在中國部署車路協同方案，但將面臨 Waymo、百度等互聯網科技巨頭和華為等信息與通信技術 （information and communications technology，ICT） 龍頭企業的挑戰與沖擊。

不同國家對自動駕駛發展路徑的選擇取決于其自身的發展目標、市場容量及關鍵技術領域的競爭地位。美國和中國作為兩大科技強國，在自動駕駛技術的發展方向上顯示出明顯的差異化策略。這不僅體現在技術實力的不同分布上，更在于兩國對未來汽車產業的戰略規劃和市場預期。美國側重于通過其在人工智能和芯片技術方面的優勢，推動單車智能的發展；中國則利用其在 5G 技術和基礎設施建設方面的領先地位，著力發展車路協同系統。兩種不同的發展路徑不僅代表各自的技術優勢，也反映了不同的市場需求和政策導向。德國和日本則傾向于在保持其汽車制造優勢的同時，探索自動駕駛技術的集成和應用。這種策略雖然在某種程度上受限于這些國家在人工智能和 5G 等領域的追趕地位，但能夠有效利用其現有的工業基礎和技術積累。

不同路徑的產業鏈變革

單車智能路線下的產業變革

無論是單車智能還是車路協同的理論研究，其最終目標都是實現自動駕駛的商業化落地。不同的路徑選擇決定了自動駕駛產業鏈的價值分配和格局變革。單車智能將極大程度顛覆汽車產業鏈原有的價值分配格局，使汽車不再只是駕駛工具，而成為自主導航的運輸機器人。而車路協同路徑不僅對汽車產業鏈帶來極大影響，還極大推動了相關基礎設施設備提供商、通信運營商和解決方案提供商的發展。

圖 8 表示美國汽車產業鏈的未來價值分配格局。在美國， 互聯網科技巨頭如 Waymo 借助 Google 和 Alphabet 的力量，已經構建了包含人工智能在內的多方面的壁壘 ^[165]。其推出的經濟實惠的 Waymo One 出租車服務 ^[166]，破壞了傳統出行公司的流量和平臺優勢。

在互聯網科技巨頭逐漸涉足自動駕駛領域的同時，傳統汽車制造商也在積極維護它們在汽車市場中的影響力。他們通過自主研發和資本運作規劃自動駕駛技術。例如，通用汽車公司收購了舊金山的自動駕駛公司 Cruise Automation [^167]，以及一家制造激光雷達的公司，同時引入軟銀的投資，以獲得相關的生態資源，旨在成為提供“全棧式”自動駕駛解決方案的供應商。2020 年， Cruise 正式獲得了自動駕駛載客運營許可證 ^[168]，逐步開始了自動駕駛的運營工作。此外，為加快自動駕駛布局，豐田旗下的 AISIN、ADVICS、JTEKT 和 DENSO 4 家公司于 2019 年成立了一家合資企業，專注于開發自動駕駛汽車的剎車、轉向以及相關部件管理軟件 ^[169]。

除了互聯網科技巨頭和傳統主機廠商外，在智能單車領域，眾多創業企業紛紛涌現，這些公司大多是非全棧解決方案提供商，專注于特定場景下的布局，主要集中在提供L4/L5級別的自動駕駛技術解決方案上。例如，在加州機動車輛部（department of motor vehicles， DMV）2022年度平均接管里程的統計中^{[170] （如圖9所示}），美國兩大初創公司獨角獸NURO、ZOOX，以及中國的自動駕駛初創公司AutoX、Pony. AI都表現出色。自動駕駛的新興公司正積極與著名汽車生產商合作，共創高級駕駛輔助系統（advanced driving assistance system，ADAS），并提供個性化服務。為提升車輛感知決策功能，各大汽車品牌選擇投資或并購這些初創企業。

3.2.2 車路協同路線下的產業變革

除了上述單車智能發展帶來的產業鏈變革，車路協同的發展路線也在逐步改變相關產業鏈的分配格局。

中國作為車路協同技術路線的推動者，其汽車產業的“微笑曲線”（ 見圖 10） 與美國相近，但由于車路協同需要進一步考慮路側的建設，在未來的汽車產業鏈價值分配格局中，將會存在更多車輛行業之外的從業者。這些從業者包括車路協同相關的基礎設施設備提供商、通信運營商和解決方案提供商，他們將成為車路協同建設路線中不可或缺的力量。

目前，中國車路協同行業的投融資主要集中在車聯網領域，因此車聯網行業的發展速度十分快，形成了一個以LTE-V2X 為核心的全面產業生態系統。這一生態系統包括從通信芯片、通信模組、終端設備、汽車制造、運營服務、測試與認證到高精度定位和地圖服務等多個環節的完整產業鏈 ^[171]，相關產業地圖，如圖11 所示。

在車路協同的總體布局中，百度 Apollo 于 2020 年 4 月發布“ACE 交通引擎”^[172]，整合了百度在人工智能、自動駕駛和車路協同方面的積累，通過賦能智能交通和智慧城市建設。該綜合解決方案已在北京、長沙等 10 余個城市落地使用。阿里巴巴自 2018 年開始升級汽車戰略，利用車路協同技術打造“智能高速公路”^[173]，并通過菜鳥聯盟和阿里云 ET（evolutionary technology）城市大腦收集路段數據，加快了中國車路協同的落地。騰訊于 2019 年推出 WeCityX 項目，從城市空間視角切入車路協同的技術驗證 ^[174]，并完成了首個基于全真互聯技術的自動駕駛綜合創新實踐項目的全閉環運行。華為作為 ICT 龍頭企業和 5G 技術的領導者，推出了端到端的車路協同解決方案，通過協助交通部門對道路進行智能化改造，推進車路協同標準制定，幫助實現協同式自動駕駛。

在通信運營產業中，通信運營商通常結合使用光纖網絡和 5G 無線網絡作為道路信息的傳輸和調度通道，并通過整合云計算與人工智能技術，支持調度平臺建設，參與自動駕駛車路協同調度系統的建設。由于通信運營商通常受政府支持，具備較強的實力，可以負責部署智能路側設備，推動道路基礎設施的智能化升級，并承擔車路協同基礎設施的部分成本。然而，路側設備的初期投資巨大，除了通信運營商外，還需要政府、汽車制造商和金融機構共同投資建設，共同推動車路協同技術的實施。

除了基礎的車輛零部件 （ 如激光雷達和攝像機 ），車路協同還帶來了許多增量零部件和服務機會，包括 LTE-V2X 芯片、C-V2X RSU、邊緣計算和高精地圖服務等。主要參與者仍以 ICT 企業和互聯網公司為主，例如，華為定義自身為面向智能網聯汽車的增量部件供應商，提供 C-V2X 解決方案。阿里巴巴基于 5G 邊緣計算，將路面交通狀況的感知、傳輸、處理、響應等通信交互過程遷移到阿里云邊緣節點進行處理。四維圖新、高德地圖、百度地圖等地圖廠商除了利用測繪車繪制高精度地圖外，也逐漸探索利用路側設備為高精地圖提供實時數據源。

無論是不同國家的路徑選擇，還是不同路線帶來的產業鏈變革，自動駕駛領域既要做好全球化的部署，也要充分考慮不同國家的國情和發展路徑的差異，才能讓自動駕駛邁向新的高度，加快智能交通系統和智慧城市的建設。

挑戰與展望

盡管單車智能和車路協同在不同國家和地區均取得了一定的成功，實現更高級別的自動駕駛和智慧城市建設仍面臨技術和社會法律方面的挑戰。本文概述了當前自動駕駛技術所面臨的挑戰，并強調了未來可能的研究方向。

技術挑戰

從單車智能的角度，自動駕駛的挑戰

傳感器的準確性和魯棒性。

自動駕駛汽車的感知能力是確保車輛安全性和可靠性的關鍵，這取決于高分辨率攝像頭、激光雷達等多種傳感器來獲取環境數據。然而，這些傳感器可能受到天氣、光照和遮擋等因素的影響，導致數據不準確或不完整。因此，提高傳感器的性能至關重要。這包括優化傳感器的分辨率、覆蓋范圍、動態范圍和信噪比等性能指標。此外，多傳感器融合技術通過整合不同類型、位置和時間的傳感器數據，能提高數據的完整性、一致性和可靠性，并提取更多特征和信息。總體而言，優化傳感器的設計、制造和校準過程，以及采用新的物理原理和材料，可顯著提升自動駕駛系統的環境感知精度。

算法的復雜性和效率。

自動駕駛汽車需要運用各種算法來處理傳感器數據，實現路徑規劃、決策控制和避障等功能，但這些算法可能存在計算量大、耗時長、難以適應復雜場景等問題。因此，需要不斷創新和改進算法，特別是引入深度學習等技術，提高算法的性能和效率。目前，深度學習在自動駕駛感知領域得到廣泛應用，但在工業界車輛的規劃控制體系中應用較少，未來自動駕駛的綜合發展需要 AI 的賦能支持。此外，為了滿足自動駕駛對高性能和低延遲的需求，需要優化計算平臺和框架的設計、配置、調度、編譯等過程，并采用新的軟硬件技術，如 GPU、FPGA、ASIC、邊緣計算和云計算。

3） 芯片的算力和成本。

自動駕駛汽車依賴強大的車載計算平臺來運行算法，然而當前這些計算平臺可能面臨算力不足、功耗高和成本高等問題。為解決這些問題，開發專用的智能駕駛芯片至關重要。這些芯片專為自動駕駛算法和場景設計，提供更高性能、更低功耗和更優成本效益，相較于通用芯片更具競爭力。自動駕駛汽車需處理大量圖像、視頻、雷達和激光等多模態數據，并執行復雜的數據融合、壓縮、編碼、識別、跟蹤、預測、規劃和控制等算法，對芯片算力要求極高。為提升芯片算力，需要優化設計、制造和測試過程，并探索新的物理原理和材料技術，如納米、光子和量子技術。同時，降低成本也是關鍵，高成本可能影響自動駕駛汽車的普及。為此，需要提高芯片集成度，實現規模化生產，降低廢品率和提高能效，并探索新的商業模式和合作方式，以控制成本。通過這些措施，可以使智能駕駛芯片更經濟高效，促進自動駕駛技術的廣泛應用。

4.1.2 車路協同所面臨的技術挑戰

1） 通信技術的穩定性和兼容性。

車路協同依賴多種通信技術，包括無線局域網、蜂窩網絡和專用短程通信，以實現汽車與道路基礎設施、其他車輛和行人的信息互動。然而，這些技術可能面臨信號弱、干擾、延遲和丟失的問題，影響信息交互的穩定性和可靠性。為此，需要提升通信技術性能，采用多通道、多頻段、多協議和多模式的方法，以增強通信的穩定性和兼容性。這些技術的性能指標主要包括帶寬、覆蓋范圍、傳輸速率、傳輸延遲和傳輸可靠性，需要不斷優化通信技術的設計、制造、部署和維護過程，并采用新的物理原理和材料。多通道、多頻段、多協議、多模式技術則通過利用不同的通信方式、頻率、標準和模式，來實現信息交互的多樣化、靈活化和可選擇性，以適應不同的場景和需求，提高通信的魯棒性和安全性。

協調算法的有效性和安全性。

車路協同依賴多種協調算法來實現汽車與道路基礎設施、其他車輛和行人的協調控制，涉及優先級、路權、速度、距離和時間等因素。然而，這些算法可能面臨計算復雜、難以達成共識和保證公平性的問題，導致控制不有效或不安全。因此，需要不斷創新和改進這些算法，引入博弈論、機器學習和多智能體系統等技術，以提高算法的有效性和安全性。博弈論作為一種數學理論，研究多個理性決策者之間的互動和沖突，可用于分析和設計協調算法的策略和機制，實現最優化或均衡化。機器學習可以使計算機從數據中學習和改進，提高算法的智能性和適應性，實現自主化或個性化的協調。多智能體系統由具有自主性和協作性的多個智能體組成，可模擬和實現算法的交互和協作，實現分布式或集中式的協調。

智能交通基礎設施的適應性與升級。

作為車路協同的關鍵組成部分，智能交通基礎設施的升級與維護需要大量資金，且升級過程可能暫時影響現有交通，例如引起道路施工、交通管制和設備故障。為確保新升級的基礎設施與各種自動駕駛系統兼容，需要跨公司、跨行業合作，制定并遵守統一的技術標準。目前，由于自動駕駛系統之間通信協議、數據格式和技術規范的差異，信息和服務的互聯互通受阻。因此，建立和實施統一的技術標準對于智能交通基礎設施與自動駕駛系統的有效整合至關重要。智能基礎設施必須能夠迅速響應并適應需求變化，這包括對交通信號燈和道路監控設備的智能化升級，以及高精度地圖和實時交通信息的集成。

4.2"" 社會與法律挑戰

無論是單車智能還是車路協同的發展，都需遵守各種法規標準，如交通法規、通信協議、數據格式和安全規范，以確保自動駕駛的合法性和規范性。然而，現有的法規標準可能存在不完善、不統一和不適應的問題，可能導致車路協同不合規或不兼容。因此，需要完善和統一法規標準，并引入多方參與、多層協商和多維評估的機制，以提高法規標準的完善性和統一性。

多方參與意味著在制定和修改法規標準的過程中，充分聽取和反映政府、企業、學術界和公眾等各方的利益和訴求，確保法規標準的公正和合理。多層協商指在制定和修改過程中，考慮并協調國際、國家、地區和城市等各層面的需求和差異，實現法規標準的協調一致。多維評估則涉及在制定和修改法規標準時，全面分析和評估技術、經濟、社會和環境等各方面的影響和效果，確保法規標準的科學性和有效性。當前，自動駕駛存在的社會與法律挑戰可以概括為以下幾個方面：

責任?問題。

由于自動駕駛技術尚未達到完全自動化的階段，關于誰應對自動駕駛系統的安全性負責仍存在不確定性。事故責任的認定，以及在法律和道德層面上誰將承擔損害賠償，成為亟待解決的問題。

倫理問題。

公眾對于自動駕駛汽車能否遵循現有的道德準則表示擔憂。如何將道德決策融入自動駕駛或車路協同系統是當前的一大挑戰。這需要深入討論在技術中實施道德規范的必要性，以及自動駕駛汽車在無法避免的傷害情境中應如何做出反應。

法律框架和整合。

將自動駕駛汽車融入現有法律體系帶來了重大挑戰。由于不同地區的行駛規范和法律要求各不相同，例如中國大陸與中國香港的交通法規存在差異，如何在現有的駕駛行為和駕駛執照管理的約束下，實現自動駕駛車輛的跨區域整合，成為一個復雜而具有挑戰性的問題。

社會影響和失業問題。

自動駕駛技術的不斷推進，可能導致汽車制造業、出租車服務和物流配送等領域的從業人員面臨失業風險，同時或將加劇汽車行業和互聯網企業的市場壟斷現象。此外，數據安全、移動自主權和保險責任等問題也可能影響社會對自動駕駛技術的接受程度 ^[175]。如何在確保自動駕駛技術健康發展的同時，減輕其對社會的負面影響，并妥善解決相關人員的就業問題，也將成為當前亟待解決的重大挑戰。

網絡安全和隱私。

在自動駕駛服務的實施過程中，如何保障用戶的隱私安全，對信息源進行身份驗證，并保護數據所有者的權益，已成為關鍵問題 ^[176]。隨著車路協同技術的網絡化發展，車輛所處的網絡連接狀態引起了廣泛關注。因此，確保所有通信和交換的信息都是真實且準確的，對維護網絡安全和用戶隱私至關重要。

4.3"" 未來發展方向

盡管單車智能和車路協同作為自動駕駛的兩大發展方向都表現了強大的應用力，但在未來的研究和商業道路上仍然還有更大的發展舞臺。基于此，本文從以下2 個方面概述了兩者可能的前瞻性研究主題。

構建新興智能交通系統。

在構建新興智能交通系統的過程中，智能空中系統[177-178] 和模塊化公交系統 [179-180] 將成為突破傳統交通模式的關鍵創新。智能空中系統的典型代表是飛行汽車，作為一種革命性的交通工具，預計將徹底改變我們的城市空間和交通方式。飛行汽車不僅能夠減少地面交通擁堵，還能提供更快速的點對點運輸服務。未來的飛行汽車將集成先進的自動駕駛技術，能夠在嚴格的空中交通管理系統中安全高效地運行。模塊化公交系統提出了一種全新的大眾交通解決方案，在這種系統中，公交車輛由多個獨立的模塊組成，可以根據需求動態地組合或分離。例如，在高峰時段，更多的模塊可以組合在一起以容納更多乘客；而在需求較低的時段，可以減少模塊的數量以提高運營效率。模塊化公交車輛同樣可以集成智能駕駛技術，實現自動化的路線規劃和乘客管理。這種模塊化設計還有助于優化維護和升級過程，降低運營成本。兩者的創新有望在未來幾十年內逐步成為現實，為城市交通帶來前所未有的便利和效率。

加強數字孿生智能駕駛平臺的建設。

數字孿生技術將在智能駕駛領域扮演重要角色。通過創建虛擬的數字復制品 （ 即數字孿生體 ），可以模擬真實世界中的車輛運行和環境互動。在數字孿生智能駕駛平臺上，開發者可以模擬各種道路條件、交通場景和極端情況，以測試和優化自動駕駛算法。這種模擬方式不僅節省成本，而且能在安全的虛擬環境中重現復雜或危險的駕駛情況，顯著提高測試的全面性和效率。此外，數字孿生平臺還可用于實時監控車輛性能，并通過分析收集的數據預測潛在的維護需求，從而提升車輛的運營效率和安全性。隨著技術進步，這種平臺有望成為車輛設計、測試和維護的標準工具。

5"" 結""" 論

為了提高自動駕駛的性能，車端的感知定位、決策規劃、控制執行，以及路端的協同感知定位、協同通信和分級云控技術受到了廣泛關注，本文調查并總結了單車智能和車路協同 2 種自動駕駛路線的關鍵技術應用。此外，不同國家和地區根據自身國情和技術優勢選擇不同的自動駕駛技術路線，這不僅影響了各自的商業產業鏈變革，也引發了對未來自動駕駛路線的深入思考和選擇。

在現有技術基礎上，本文提出了單車智能和車路協同所面臨的新技術挑戰及社會法律問題，并展望了兩者的未來發展方向。通過這項調查，讀者可以更全面地了解單車智能和車路協同的應用及發展現狀，并為自動駕駛的未來發展提供有益的建議。

參考文獻（References）

SAE International. Taxonomy and de?nitions for terms related to driving automation systems for on-road motor vehicles [J]. SAE International， 2018， 4970（724）： 1-5. Okuda R， Kajiwara Y， Terashima K. A survey of technical trend of ADAS and autonomous driving [C]// Tech Papers 2014 Int'l Sympo VLSI Design （ISVD）， Automa Test， IEEE， 2014： 1-4.

SU Debing. $9.95M for _‘smart intersections’ across Ann Arbor [EB/OL]. （2021-01-08）. https：//news.umich.edu/9- 95m-for-smart-intersections-across-ann-arbor/.

Meyer G. European roadmaps， programs， and projects for innovation in connected and automated road transport [C]// Road Vehi Auto 5. Springer Inter Publishing， 2019： 27-39. Yurtsever E， Lambert J， Carballo A， et al. A survey of autonomous driving： Common practices and emerging technologies [J]. IEEE Access， 2020， 8： 58443-58469.

Yeong D J， Velasco-Hernandez G， Barry J， et al. Sensor and sensor fusion technology in autonomous vehicles： A review [J]. Sensors， 2021， 21（6）： 2140.

Atakishiyev S， Salameh M， YAO Henshuai， et al. Explainable arti?cial intelligence for autonomous driving： An overview and guide for future research directions [J]. IEEE Access， 2024， 12： 101603-101625.

CHEN Long， LI Yuchen， HUANG Chao， et al. Milestones in autonomous driving and intelligent vehicles： Survey of surveys [J]. IEEE Trans Intell Veh， 2022， 8（2）： 1046-1056.

ZHANG Yi， PEI Huaxin， YAO Danya. Research review on cooperative decision- making for vehicle swarms in vehicle- infrastructure cooperative environment [J]. J Traffic Transp Eng， 2022， 22（3）： 1-18.

DING Fei， ZHANG Nan， LI Hengbo， et al. A survey of architecture and key technologies of intelligent connected vehicle-road-cloud cooperation system [J]. Acta Automatica Sinica， 2022， 48（12）： 2863-2885.

林泓熠， 劉洋 ， 李深 ， 等. 車路協同系統關鍵技術研究進展 [J]. 華南理工大學學報：自然科學版 ， 2023， 51（10）： 46-67.

LIN Hongyi， LIU Yang， LI Shen， et al. Research progress on key technologies in the cooperative vehicle infrastructure system [J]. J South Chin Univ of Techn： Nat Sci Ed， 2023， 51（10）： 46-67. （in Chinese）

Hasan M， Mohan S， Shimizu T， et al. Securing vehicle- to-everything （V2X） communication platforms [J]. IEEE Trans Intell Veh， 2020， 5（4）： 693-713.

Gschwendtner C， Sinsel S R， Stephan A. Vehicle-to-X （V2X） implementation： An overview of predominate trial con?gurations and technical， social and regulatory challenges [J]. Renew Sust Energ Rev， 2021， 145： Paper No 110977.

YI Yang， LUO Hengliang， XU Huarong， et al. Towards real-time traf?c sign detection and classi?cation [J]. IEEE Trans Intell Transp Syst， 2015， 17（7）： 2022-2031.

Saadna Y， Behloul A. An overview of traf?c sign detection and classi?cation methods [J]. Int’l J Multimed Inf R， 2017， 6： 193-210.

Arnold E， Al-Jarrah O Y， Dianati M， et al. A survey on 3d object detection methods for autonomous driving applications [J]. IEEE Trans Intell Transp Syst， 2019， 20（10）： 3782-3795.

CHEN Xiaozhi， MA Huiming， WAN Ji， et al. Multi-view 3d object detection network for autonomous driving [C]// Proce IEEE Conf Computer Vision Pattern Recog （CVPR）. 2017： 1907-1915.

ZHANG Yuxiao， Carballo A， YANG Hanting， et al. Perception and sensing for autonomous vehicles under adverse weather conditions： A survey [J]. ISPRS J Photogramm， 2023， 196： 146-177.

Lee Y， Jeon J， Ko Y， et al. Task-driven deep image enhancement network for autonomous driving in bad weather [C]// 2021 IEEE Int'l Conf Robot Automation （ICRA）. IEEE， 2021： 13746-13753.

Prakash A， Chitta K， Geiger A. Multi-modal fusion transformer for end-to-end autonomous driving [C]// Proce IEEE/CVF Conf Computer Vision Pattern Recog （CVPR）. 2021： 7077-7087.

XU Shu， ZHOU De， FANG Jian， et al. Fusionpainting： Multimodal fusion with adaptive attention for 3d object detection [C]// 2021 IEEE Int'l Intell Transp Syst Conf （ITSC）. IEEE， 2021： 3047-3054.

Cordts M， Omran M， Ramos S， et al. The cityscapes dataset for semantic urban scene understanding [C]// Proc IEEE Conf Computer Vision Pattern Recog （CVPR）. 2016： 3213-3223.

Geiger A， Lenz P， Urtasun R. Are we ready for autonomous driving？ the kitti vision benchmark suite [C]// 2012 IEEE Conf Computer Vision Pattern Recog （CVPR）. IEEE， 2012： 3354-3361.

Caesar H， Bankiti V， Lang A H， et al. nuscenes： A multimodal dataset for autonomous driving [C]// Proc IEEE/CVF Conf Computer Vision Pattern Recog （CVPR）. 2020： 11621-11631.

SUN Pei， Kretzschmar H， Dotiwalla X， et al. Scalability in perception for autonomous driving： Waymo open dataset [C]// Proc IEEE/CVF Conf Computer Vision Pattern"Recog （CVPR）. 2020： 2446-2454.

YU Feishe， CHEN Haofeng， WANG Xin， et al. Bdd100k： A diverse driving dataset for heterogeneous multitask learning [C]// Proc IEEE/CVF Conf Computer Vision Pattern Recog （CVPR）. 2020： 2636-2645.

CHANG Minfang， Lambert J， Sangkloy P， et al. Argoverse： 3d tracking and forecasting with rich maps [C]// Proc IEEE/CVF Conf Computer Vision Pattern Recog （CVPR）. 2019： 8748-8757.

Neuhold G， Ollmann T， Rota Bulo S， et al. The mapillary vistas dataset for semantic understanding of street scenes [C]// Proc IEEE Int'l Conf Computer Vision （ICCV）. 2017： 4990-4999.

HUANG Xinyu， WANG Peng， XIN Jingcheng， et al. The apolloscape open dataset for autonomous driving and its application [J]. IEEE Trans Pattern Anal Mach Intell， 2019， 42（10）： 2702-2719.

Brostow G J， Shotton J， Fauqueur J， et al. Segmentation and recognition using structure from motion point clouds [C]// Computer Vision–ECCV 2008： 10th Euro Conf Computer Vision （ECCV）， 2008： 44-57.

WANG Ye， LIU Zhenyi， DENG Weiwen. Anchor generation optimization and region of interest assignment for vehicle detection [J]. Sensors， 2019， 19（5）： 1089.

ZHAN Huiqin， LIU Yuan， CUI Zhibin， et al. Pedestrian detection and behavior recognition based on vision [C]// 2019 IEEE Intell Transp Syst Conf （ITSC）. IEEE， 2019： 771-776.

CHEN Lili， ZHANG Zhengdao， PENG Li. Fast single shot multibox detector and its application on vehicle counting system [J]. IET Intell Transp Syst， 2018， 12（10）： 1406-1413.

Ligorio G， Sabatini A M. A novel Kalman ?lter for human motion tracking with an inertial-based dynamic inclinometer [J]. IEEE Trans Biomed Eng， 2015， 62（8）： 2033-2043.

XIAO Jingjing， Stolkin R， Oussalah M， et al. Continuously adaptive data fusion and model relearning for particle ?lter tracking with multiple features [J]. IEEE Sens J， 2016， 16（8）： 2639-2649.

HUANG Bin， XIONG Hui， WANG Jianqiang， et al. Detection-level fusion for multi-object perception in dense traf?c environment [C]// 2017 IEEE Int'l Conf Multisensor Fusion Integr Intell Syst （MFI）. IEEE， 2017： 411-416.

Dewangan D K， Sahu S P. Road detection using semantic segmentation-based convolutional neural network for intelligent vehicle system [C]// Data Eng Commu Tech： Proc ICDECT 2020 （DECT）， 2021： 629-637.

WANG Jingdong， SUN Ke， CHENG Tianheng， et al. Deep high-resolution representation learning for visual recognition [J]. IEEE Trans Pattern Anal Mach Intell， 2020， 43（10）： 3349-3364.

Mahmud M N， Osman M K， Ismail A P， et al. Road image segmentation using unmanned aerial vehicle images and DeepLab V3+ semantic segmentation model [C]// 2021 11th IEEE Int’l Conf Contr Syst， Compu Engineering（ICCSCE）. IEEE， 2021： 176-181.

Paigwar A， Erkent ?， Sierra-Gonzalez D， et al. Gndnet： Fast ground plane estimation and point cloud segmentation for autonomous vehicles [C]// 2020 IEEE/RSJ Int’l Conf Intel Robot Syst （IROS）. IEEE， 2020： 2150-2156.

Aksoy E E， Baci S， Cavdar S. Salsanet： Fast road and vehicle segmentation in lidar point clouds for autonomous driving [C]// 2020 IEEE Intell Vehi Sympo （IV）. IEEE， 2020： 926-932.

Arief H A， Arief M， Bhat M， et al. Density-adaptive sampling for heterogeneous point cloud object segmentation in autonomous vehicle applications [C]// CVPR Workshops. 2019： 26-33.

ZHOU Yin， Tuzel O. Voxelnet： End-to-end learning for point cloud based 3d object detection [C]// Proc IEEE Conf Compu Vision Pattern Recog （CVPR）. 2018： 4490-4499.

SHI Shaoshuai， WANG Xiaogang， LI Hongsheng. Pointrcnn： 3d object proposal generation and detection from point cloud [C]// Proc IEEE/CVF Conf CompuVision Pattern Recog （CVPR）. 2019： 770-779.

SHI Weijing， Rajkumar R. Point-gnn： Graph neural network for 3d object detection in a point cloud [C]// Proc IEEE/CVF Conf Compu Vision Pattern Recog （CVPR）. 2020： 1711-1719.

MA Fangchang， Karaman S. Sparse-to-dense： Depth prediction from sparse depth samples and a single image [C]// 2018 IEEE Int'l Conf Robot Automation （ICRA）. IEEE， 2018： 4796-4803.

HE Kaiming， ZHANG Xianuyu， REN Shaoqing， et al. Deep residual learning for image recognition [C]// Proc IEEE Conf CompuVision Pattern Recog （CVPR）. 2016： 770-778.

Eldesokey A， Felsberg M， Khan F S. Con?dence propagation through cnns for guided sparse depth regression [J]. IEEE Trans Pattern Anal Mach Intell， 2019， 42（10）： 2423-2436.

Valada A， Mohan R， Burgard W. Self-supervised model adaptation for multimodal semantic segmentation [J]. Int J Comput Vis， 2020， 128（5）： 1239-1285.

TANG Jie， TIAN Feipeng， FENG Wei， et al. Learning guided convolutional network for depth completion [J]. IEEE Trans Image Process， 2020， 30： 1116-1129.

Gansbeke W Van， Neven D， Brabandere B De， et al. Sparse and noisy lidar completion with rgb guidance and uncertainty [C]// 2019 16th Int'l Conf Mach Vision Appl （MVA）， IEEE， 2019： 1-6.

LU Yongqiang， MA Hongjie， Smart E， et al. Real- time performance-focused localization techniques for autonomous vehicle： A review [J]. IEEE Trans Intell Transp Syst， 2021， 23（7）： 6082-6100.

Peyraud S， Bétaille D， Renault S， et al. About non-line-of- sight satellite detection and exclusion in a 3D map-aided localization algorithm [J]. Sensors， 2013， 13（1）： 829-847.

Amini A， Vaghe? R M， de la Garza J M， et al. Improving GPS-based vehicle positioning for intelligent transportation systems [C]// 2014 IEEE Int'l Veh Sympo Proc （IV）， IEEE， 2014： 1023-1029.

Park S G， Cho D J. Smart framework for GNSS-based navigation in urban environments [J]. Int’l J Satell Commn N， 2017， 35（2）： 123-137.

LU Wenjie， Rodríguez F S A， Seignez E， et al. Lane marking-based vehicle localization using low-cost GPS and open source map [J]. Unmanned Syst， 2015， 3（04）： 239-251.

Adjrad M， Groves P D. Enhancing least squares GNSS positioning with 3D mapping without accurate prior knowledge [J]. Navig J Inst Navig， 2017， 64（1）： 75-91.

Kumar R， Petovello M G. A novel GNSS positioning technique for improved accuracy in urban canyon scenarios using 3D city model [C]// Proc 27th Int'l Vehi Sympo Tech Meeting of the Satellite Division of the Institute of Navigation （ION GNSS）. 2014： 2139-2148.

Vedder B， Vinter J， Jonsson M. A low-cost model vehicle testbed with accurate positioning for autonomous driving [J]. J Robot， 2018， 2018： 1-10.

WU Bingfei， Lee T T， Chang H H， et al. GPS navigation based autonomous driving system design for intelligent vehicles [C]// 2007 IEEE Int'l Conf Syst， Man Cybernetics （MC）. IEEE， 2007： 3294-3299.

Han J， Park C， Jang Y Y. Development of a moving baseline RTK/motion sensor-integrated positioning-based autonomous driving algorithm for a speed sprayer [J]. Sensors， 2022， 22（24）： 9881.

Debeunne C， Vivet D. A review of visual-LiDAR fusion based simultaneous localization and mapping [J]. Sensors， 2020， 20（7）： 2068.

Milz S， Arbeiter G， Witt C， et al. Visual slam for automated driving： Exploring the applications of deep learning [C]// Proc IEEE Conf Computer Vision Pattern Recog Workshops （CVPR）. 2018： 247-257.

Kim C， Cho S， Sunwoo M， et al. Updating point cloud layer of high de?nition （hd） map based on crowd-sourcing of multiple vehicles installed lidar [J]. IEEE Access， 2021， 9： 8028-8046.

DAI Kai， SUN Bohua， WU Guanpu， et al. LiDAR-Based sensor fusion SLAM and localization for autonomous driving vehicles in complex scenarios [J]. J Imaging， 2023， 9（2）： 52.

Gipps P G. A behavioural car-following model for computer simulation [J]. Transp Res B-Meth， 1981， 15（2）： 105-111.

Gipps P G. A model for the structure of lane-changing decisions [J]. Transp Res B-Meth， 1986， 20（5）： 403-414.

Kesting A， Treiber M， Helbing D. General lane-changing model MOBIL for car-following models [J]. Transp Res Rec， 2007， 1999（1）： 86-94.

YANG Lan， ZHAN Jiahao， SHANG Wenlong， et al. Multi-lane coordinated control strategy of connected and automated vehicles for on-ramp merging area based on cooperative game [J]. IEEE Trans Intell Transp Syst， 2023， 24（11）： 13448-13461.

Ahmed K I. Modeling drivers’ acceleration and lane changing behavior [D]. Cambridge： Department of Civil and Environmental Engineering， MIT， 1999.

Ahmed K， Ben-Akiva M， Koutsopoulos H， et al. Models of freeway lane changing and gap acceptance behavior [J]. Transp Traff Theo， 1996， 13： 501-515.

QU Xiaobo， LIN Hongyi， LIU Yang. Envisioning the future of transportation： Inspiration of ChatGPT and large models [J]. Commun Transp Res， 2023， 3： 100103.

SHI Xiupeng， Wong Y D， CHAI Chen， et al. An automated machine learning （AutoML） method of risk prediction for decision-making of autonomous vehicles [J]. IEEE Trans Intell Transp Syst， 2020， 22（11）： 7145-7154.

LI Liangzhi， Ota K， Dong M. Humanlike driving： Empirical decision-making system for autonomous vehicles [J]. IEEE Trans Vehi， 2018， 67（8）： 6814-6823.

XU Xin， ZUO Lei， LI Xin， et al. A reinforcement learning approach to autonomous decision making of intelligent vehicles on highways [J]. IEEE Trans Syst Man Cybern Syst， 2018， 50（10）： 3884-3897.

Hoel C J， Driggs-Campbell K， Wolff K， et al. Combining planning and deep reinforcement learning in tactical decision making for autonomous driving [J]. IEEE Trans Intell Veh， 2019， 5（2）： 294-305.

Pomerleau D A. Alvinn： An autonomous land vehicle in a neural network [J]. Adv Neural Inf Process Syst， 1988， 1.

ZHENG Jian， Suzuki K， Fujita M. Predicting driver’s lane-changing decisions using a neural network model [J]. Simul Model Pract Theory， 2014， 42： 73-83.

ZHAO Junwu， QU Ting， XU Fang. A deep reinforcement learning approach for autonomous highway driving [J]. IFAC-PapersOnLine， 2020， 53（5）： 542-546.

YE Yingjun， ZHANG Xiaohui， SUN Jian. Automated vehicle’s behavior decision making using deep reinforcement learning and high-?delity simulation environment [J]. Transp Res Part C Emerg Technol， 2019， 107： 155-170.

GAO Xin， LI Xueyuan， LIU Qi， et al. Multi-agent decision-making modes in uncertain interactive traf?c scenarios via graph convolution-based deep reinforcement learning [J]. Sensors， 2022， 22（12）： 4586.

LI Bai， SHAO Zhijiang， ZHANG Youmin， et al. Nonlinear programming for multi-vehicle motion planning with homotopy initialization strategies [C]// IEEE Conf Auto Sci Eng （ASE）， 2017： 118-123

ZHU Dandan， SUN Junqun. A new algorithm based on Dijkstra for vehicle path planning considering intersection attribute [J]. IEEE Access， 2021， 9： 19761-19775.

WANG Chunbao， WANG Lin， QIn Jian， et al. Path planning of automated guided vehicles based on improved A-Star algorithm [C]// 2015 IEEE Int'l Conf Inform Auto （ICIA）. IEEE， 2015： 2071-2076.

Choi J， Curry R， Elkaim G. Path planning based on bézier curve for autonomous ground vehicles [C]// Adva Electri Electro Engineering-IAENG Special Ed World Congress Engineering and Computer Sci， IEEE， 2008： 158-166.

Berglund T， Brodnik A， Jonsson H， et al. Planning smooth and obstacle-avoiding B-spline paths for autonomous mining vehicles [J]. IEEE Trans Autom Sci Eng， 2009， 7（1）： 167-172.

LI Hongcai， KIU Wenjie， YANG Chao， et al. An optimization-based path planning approach for autonomous vehicles using the DynEFWA-arti?cial potential ?eld [J]. IEEE Trans Intell Vehi， 2021， 7（2）： 263-272.

HUANG Yanjun， DING Haitao， ZHANG Yubiao， et al. A motion planning and tracking framework for autonomous vehicles based on arti?cial potential ?eld elaborated resistance network approach [J]. IEEE Trans Indu Electron， 2019， 67（2）： 1376-1386.

Kulatunga A K， Liu D K， Dissanayake G， et al. Ant colony optimization based simultaneous task allocation and path planning of autonomous vehicles [C]// 2006 IEEE Conf Cyber Intell Syst （CCIS）， IEEE， 2006： 1-6.

Lamini C， Benhlima S， Elbekri A. Genetic algorithm based approach for autonomous mobile robot path planning [J]. Procedia Comput Sci， 2018， 127： 180-189.

GE Qingying， LI Aijuan， LI Shaohua， et al. Improved bidirectional RRT * path planning method for smart vehicle [J]. Math Probl Eng， 2021， 2021（1）： 6669728.

MAI Xiquan， LI Di， OUYANG Jian， et al. An improved dynamic window approach for local trajectory planning in the environment with dense objects [C]// J Physics： Conf Series. IOP Publishing， 2021， 1884（1）： 012003.

LIU Yonggang， ZHOU Bobo， WANG Xiao， et al. Dynamic lane-changing trajectory planning for autonomous vehicles based on discrete global trajectory [J]. IEEE Trans Intell Transp Syst， 2021， 23（7）： 8513-8527.

DAI Changhua， ZONG Changfu， ZHANG Dong， et al. Human-like lane-changing trajectory planning algorithm for human-machine con?ict mitigation [J]. J Intell Connect Veh， 2023， 6（1）： 46-63

Nilsson J， Br?nnstr?m M， Coelingh E， et al. Lane change maneuvers for automated vehicles [J]. IEEE Trans Intell Transp Syst， 2016， 18（5）： 1087-1096.

Hamada Y， Ikawa M， Fuhii M， et al. Traveling lane determining device and traveling lane determining method： U.S. Patent Application 15/577， 687 [P]. 2018-06-14.

CAO Haotian， SONG Xiaolin， HUANG Zhenyu， et al. Simulation research on emergency path planning of an active collision avoidance system combined with longitudinal control for an autonomous vehicle [J]. Proc Inst Mech Eng Part D J Automob， 2016， 230（12）： 1624-1653.

BAI Zhengwei， CAI Baigen， SHANGGUAN Wei， et al. Deep learning based motion planning for autonomous vehicle using spatiotemporal LSTM network [C]// 2018 Chin Automation Congress （CAC）， IEEE， 2018： 1610-1614.

Samuel M， Hussein M， Mohamad M B. A review of some pure-pursuit based path tracking techniques for control of autonomous vehicle [J]. Int’l J Comput Appl Technol， 2016， 135（1）： 35-38.

AbdElmoniem A， Osama A， Abdelaziz M， et al. A path- tracking algorithm using predictive Stanley lateral controller [J]. Int J Adv Robot Syst， 2020， 17（6）： 1-11

Farag W. Complex trajectory tracking using PID control for autonomous driving [J]. Int’l J Intell Transp， 2020， 18（2）： 356-366.

CHEN Jianyu， ZHAN wei， Tomizuka M. Autonomous driving motion planning with constrained iterative LQR [J]. IEEE Trans Intell Vehi， 2019， 4（2）： 244-254.

Kong J， Pfeiffer M， Schildbach G， et al. Kinematic and dynamic vehicle models for autonomous driving control design [C]// 2015 IEEE Intell Vehi Sympo （IV）， IEEE， 2015： 1094-1099.

YU Liangyao， WANG Ruyue. Researches on adaptive cruise control system： A state of the art review [J]. P I Mech Eng D-J Auto， 2022， 236（2-3）： 211-240.

CAO Zhong， YANG Diange， JIANG Kun， et al. End-to- end adaptive cruise control based on timing network [C]// Proc 19th Asia Pacific Auto Engineering Conf SAE-China Congr 2017： Sele Papers， 2019： 839-852.

ZHAO Shuo， YU Qiang， LI Shihao， et al. Adaptive cruise hierarchical control strategy based on MPC [J]. Int’l J Vehi Info Commun， 2021， 6（2）： 161-184.

YANG Wei.， ZhANG Xiang.， LEI Qian.， et al. Research on longitudinal active collision avoidance of autonomous emergency braking pedestrian system （AEB-P） [J]."Sensors， 2019， 19（21）：46-71.

HAN Ichun， LUAN Bicheng， Hsieh F C. Development of autonomous emergency braking control system based on road friction [C]// 2014 IEEE Int'l Conf Auto Sci Engineering （CASE）， IEEE， 2014： 933-937.

DING Haitao， LI Wwei， XU Nan， et al. An enhanced eco-driving strategy based on reinforcement learning for connected electric vehicles： cooperative velocity and lane- changing control [J]. J Intell Connect Veh， 2022， 5（3）： 316-332.

HE Yixu， LIU Yang， YANG Lan， et al. Deep adaptive control： Deep reinforcement learning-based adaptive vehicle trajectory control algorithms for different risk levels [J]. IEEE Trans Intell Veh， 2024， 9（1）： 1654–1666.

WANG Wenxuan， ZHANG Yuhang， GAO Jiaxin， et al. GOPS： A general optimal control problem solver for autonomous driving and industrial control applications [J]."Commun Transport Res， 3， 100096.

ZHANG Yi， PEI Huaxin， YAO Danya. Research review on cooperative decision- making for vehicle swarms in vehicle-infrastructure cooperative environment [J]. J Traffic Transp Eng， 2022， 22（3）： 1-18.

Moharm K I， Zidane E F， El-Mahdy M M， et al. Big data in ITS： Concept， case studies， opportunities， and challenges [J]. IEEE Trans Intell Transp Syst， 2018， 20（8）： 3189-3194.

KENNEDY J O. Sensor data fusion for improving traf?c mobility in smart Cities [D]. Sheffield： Department of Automatic Control and Systems Engineering University of Sheffield， 2020.

AN Xin， CAI Bogen， SHANG Guanwei. Vehicle road cooperative roadside perception fusion method [J]. Meas. Control， 2022， 41（2）： 1-12+35.

WANG Binglu， JIN Yang， ZHANG Lei， et al. Collaborative perception method based on multisensor fusion [J]. J Radars， 2023， 13（1）： 87-96.

LIU Weijie， Muramatsu S， Okubo Y. Cooperation of V2I/ P2I communication and roadside radar perception for the safety of vulnerable road users [C]// 2018 16th Int'l Conf on Intell Transp Syst Tele （ITST）. IEEE， 2018： 1-7.

MO Yanghui， ZHANG Peilin， CHEN Zhijun， et al. A method of vehicle-infrastructure cooperative perception based vehicle state information fusion using improved kalman ?lter [J]. Multimed Tools Appl， 2022： 1-18.

LI Yicheng， HU Zhaozheng， CAI Yinfeng， et al. Visual map-based localization for intelligent vehicles from multi- view site matching [J]. IEEE Trans Intell Transp Syst， 2020， 22（2）： 1068-1079.

WANG Bo， CHEN Chunqiang， ZHANG Tianchen. Commercial vehicle road collaborative system based on 5G-V2X and satellite navigation technologies [C]// Chin Satel Navi Conf （CSNC 2021）， 2021， I： 274-282.

Hossain M A， Elsha?ey I， Al-Sanie A. Cooperative vehicular positioning with VANET in urban environments [C]// 2016 IEEE Asia-Pacific Conf Appl Electromag （APACE）. IEEE， 2016： 393-396.

LIU Siyuan， HE Dazhi， XU Yin， et al. Adaptive vehicle cooperative positioning system with uncertain gps visibility and neural network-based improved approach [C]// 2018 IEEE/CIC Int'l Conf Commun in Chin （ICCC Workshops）. IEEE， 2018： 303-308.

ZHANG Guohao， Ng H F， WEN Weisong， et al. 3D mapping database aided GNSS based collaborative positioning using factor graph optimization [J]. IEEE Trans Intell Transp Syst， 2020， 22（10）： 6175-6187.

YU Haibo， LUO Yizhen， SHU Mao， et al. Dair-v2x： A large-scale dataset for vehicle-infrastructure cooperative 3d object detection [C]// Proc IEEE/CVF Conf Computer Vision Pattern Recog （CVPR）. 2022： 21361-21370.

Kenney J B. Dedicated short-range communications （DSRC） standards in the United States [J]. Proc IEEE Inst Electr Electron Eng， 2011， 99（7）： 1162-1182.

CHEN Shanzhi， HU Jinlin， YAN Shi， et al. LTE-V： A TD- LTE-based V2X solution for future vehicular network [J]. IEEE Internet Things J， 2016， 3（6）： 997-1005.

Bagheri H， Noor-A-Rahim M， LIU Zilong， et al. 5G NR- V2X： Toward connected and cooperative autonomous driving [J]. IEEE Communi Stan Maga， 2021， 5（1）： 48-54.

Hartenstein H， Laberteaux L P. A tutorial survey on vehicular ad hoc networks [J]. IEEE Commun Maga， 2008， 46（6）： 164-171.

Ahangar M N， Ahmed Q Z， Khan F A， et al. A survey of autonomous vehicles： Enabling communication technologies and challenges [J]. Sensors， 2021， 21（3）： 706.

Toor Y， Muhlethaler P， Laouiti A， et al. Vehicle ad hoc networks： Applications and related technical issues [J]. IEEE Commun Surv Tutor， 2008， 10（3）： 74-88.

ZHANG Rui， YAN Feng， XIA Weiwei， et al. An optimal roadside unit placement method for vanet localization [C]// GLOBECOM 2017-2017 IEEE Global Commun Conf， IEEE， 2017： 1-6.

Ferrag M A， Maglaras L， Ahmim A. Privacy-preserving schemes for ad hoc social networks： A survey [J]. IEEE Commun Surv Tutor， 2017， 19（4）： 3015-3045.

Darbha S， Konduri S， Pagilla P. R. Bene?ts of V2V communication for autonomous and connected vehicles [J]. IEEE Trans on Intell Transp Syst， 2018， 20（5）： 1954-1963.

IE Guoqi， LI Yanwen， HAN Yunbo， et al. Recent Advances and Future Trends for Automotive Functional Safety Design Methodologies [J]. IEEE Trans Indu Info， 2020， 16（9）：5629-5642.

Hussein A， Garcia F， Armingol J M， et al. P2V and V2P communication for pedestrian warning on the basis of autonomous vehicles [C]// 2016 IEEE 19th Int'l Conf Intell Transp Syst （ITSC）. IEEE， 2016： 2034-2039.

Pawade S， Shah S， Tijare D. ZigBee based intelligent driver assistance system [J]. Int’l J Eng Res Indu Appl， 2013， 3： 1463-1468.

Yassein M B， Al-Maolegi M， Khamayseh Y， et al. Smart system for busy roads using short range wireless technologies [J]. Int’l J Math Comput Simu， 2015， 9：146-152.

San Martín J， Cortés A， Zamora-Cadenas L， et al. Precise positioning of autonomous vehicles combining UWB ranging estimations with on-board sensors [J]. Electronics， 2020， 9（8）： 1238.

GAO Song， Lim A， Bevly D. An empirical study of DSRC V2V performance in truck platooning scenarios [J]. Digit Commun Netw， 2016， 2（4）： 233-244.

Molina-Masegosa R， Gozalvez J. LTE-V for sidelink 5G V2X vehicular communications： A new 5G technology for short-range vehicle-to-everything communications [J]. IEEE Vehi Technol Mag， 2017， 12（4）： 30-39.

Gonzalez-Martín M， Sepulcre M， Molina-Masegosa R， et al. Analytical models of the performance of C-V2X mode 4 vehicular communications [J]. IEEE Trans Vehi， 2018， 68（2）： 1155-1166.

Andrews J G， Buzzi S， Choi W， et al. What will 5G be？ [J]."IEEE J Sel Areas Commun， 2014， 32（6）： 1065-1082.

PENG Haixia， LI Dazhou， Abboud K， et al. Performance analysis of IEEE 802.11 p DCF for multiplatooning communications with autonomous vehicles [J]. IEEE Trans Vehi， 2016， 66（3）： 2485-2498.

Fernandes P， Nunes U. Multiplatooning leaders positioning and cooperative behavior algorithms of communicant automated vehicles for high traf?c capacity [J]. IEEE Trans Intell Transp Syst， 2014， 16（3）： 1172-1187.

ZENG Tenchan， Semiari O， Saad W， et al. Integrated communications and control co-design for wireless vehicular platoon systems [C]// 2018 IEEE Int'l Conf Commun （ICC）， IEEE， 2018： 1-6.

Bento L C， Para?ta R， Nunes U. Intelligent traf?c management at intersections supported by V2V and V2I communications [C]// 2012 15th Int'l IEEE Conf Intell Transp Syst， IEEE， 2012： 1495-1502.

LI Yuying， LIU Qipeng. Intersection management for autonomous vehicles with vehicle-to-infrastructure communication [J]. PLoS one， 2020， 15（7）： e0235644.

FANG Yukun， MIN Haigen， WU Xia， et al. On-ramp merging strategies of connected and automated vehicles considering communication delay [J]. IEEE Trans Intell Transp Syst， 2022， 23（9）： 15298-15312.

WANG Jiadai， LIU Jiajia， Nei K. Networking and communications in autonomous driving： A survey [J]. IEEE Commun Surv Tutor， 2018， 21（2）： 1243-1274.

LIU Shaoshan， LIU liangkai， TANG Jie ，et al. Edge computing for autonomous driving： opportunities and challenges [J]. Proc IEEE Inst Electr Electron Eng， 2019， 107（8）： 1697-1716.

Gavankar T， Joshi A， Sharma S. Distributed computing and image processing for autonomous driving systems [C]// 2018 IEEE Distributed Computing， VLSI， Electrical Circuits and Robotics （DISCOVER）. IEEE， 2018： 13-18.

Spryn M， Sharma A， Parkar D， et al. Distributed deep reinforcement learning on the cloud for autonomous driving. [C]// Proc 1st Int'l Workshop Software Engineering AI Autonomous Systems， 2018： 16-22.

ZHOU Su， HUI Yilong， and Tom H. Luan. Distributed task allocation to enable collaborative autonomous driving with network softwarization [J]. IEEE J Sel Areas Commun， 2018， 36（10）： 2175-2189.

Muhammad U Y， Ashiq A， Mohsen F， et al. Cloud-based video analytics using convolutional neural networks [J]. Softeare Pract Exoer， 49.4 （2019）： 565-583.

WANG Ruijun， LIU Liangkai， SHI Weisong. HydraSpace： computational data storage for autonomous vehicles [C]// 2020 IEEE 6th Int'l Conf Collabor Internet Computing （CIC）， IEEE， 2020： 70-77.

YU Rong， ZHANG Yan， Gjessing S， et al. Toward cloud-based vehicular networks with ef?cient resource management [J]. IEEE Netw， 2013， 27（5）： 48-55.

HUANG Yaodong， SONG Xintong， YE Fan， et al. Fair and ef?cient caching algorithms and strategies for peer data sharing in pervasive edge computing environments [J]. IEEE Trans Mob Comput， 2019， 19（4）： 852-864.

中國智能網聯汽車產業創新聯盟 . 車路云一體化系統白皮書 [EB/OL]. （2023-2-11）. http：//www.caicv.org.cn/. China Industry Innovation Alliance for the Intelligent and Conneted Vehicles. Vehicle-road-cloud integrated system white paper [/OL]. （2023-2-11）. http：//www.caicv.org.cn/. （in Chinese）

中國智能網聯汽車產業創新聯盟 . 智能網聯汽車技術路線圖 2.0 [EB/OL]. （2020-11-19）. http：//www.caicv.org.cn/. China Industry Innovation Alliance for the Intelligent and Conneted Vehicles. Intelligent connected vehicle technology roadmap 2.0 [EB/OL]. （2020-11-19）. http：// www.caicv.org.cn/. （in Chinese）

李克強 ， 常雪陽， 李家文，等 . 智能網聯汽車云控系統及其實現 [J]. 汽車工程， 2020， 42（12）： 1595-1605.

LI Keqiang， CHANG Xueyang， LI Jiawen， et al. Cloud control system for intelligent and connected vehicles and its application [J]. Autom Engineering， 2020， 42（12）：1595-1605. （in Chinese）

Wright S. Autonomous cars generate more than 300 TB of data per year [EB/OL]. （2022-05-12）. https：//www.tuxera. com/blog/autonomous-cars-300-tb-of-data-per-year.

Byford S. Nokia sells here map unit to Audi， BMW， and Mercedes for $3 billion [EB/OL]. （2015-08-03）. https：// www.theverge.com/2015/8/3/9088727/nokia-sells-here- maps.

Bleiben L， Werden L， Einleiten R. Strategie automatisiertes und vernetztes Fahren [EB/OL]. （2015-11-16）. https：// www.bundesregierung.de/breg-de/service/publikationen/ strategie-automatisiertes-und-vernetztes-fahren-729794.

Pierce A. Toyota’s Woven City of the future [J]."Techdirections， 2020， 2.

Lenox M， McDermott J. Driving Waymo's fully autonomous future [EB/OL]. （2022-01-24）. https：//ssrn. com/abstract=4014646.

LeBeau P. Waymo starts commercial ride-share service. CNBC [EB/OL]. （2018-12-05）. https：//www.cnbc. com/2018/12/05/waymo-starts-commercial-ride-share- service.html.

White J. GM buys Cruise Automation to speed self- driving car strategy， REUTERS [EB/OL]. （2016-5-11）. https：//www.reuters.com/article/us-gm-cruiseautomation- idUSKCN0WD1ND/.

Kasmar J. Drivered autonomous vehicle passenger service deployment program [EB/OL]. （2022-2-28）. https：//www. cpuc.ca.gov/-/media/cpuc-website/divisions/consumer- protection-and-enforcement-division/documents/tlab/av- programs/20220228-cruise-tcp-a---drivered-deployment. pdf.

Aisin Seiki Co Ltd， ADVICS Co Ltd， JTEKT Corporation， et al. AISIN， ADVICES， JTEKT， and DENSO to form a new company to develop integrated control software for automated driving [EB/OL]. （2018-12-26）. https：//www. denso.com/global/en/news/newsroom/2018/20181226-g01/.

Herger M. 2022 disengagement report from California [EB/OL]. （2023-2-17）. https：//thelastdriver licenseholder. com/2023/02/17/2022-disengagement-report-from- california/.

LU Chunfang， MA Chengxian， JIANG Yuan， et al. Counter measures suggestions of development and research for vehicle infrastructure cooperation industry in China [J]. Chin J Highw Transp， 2023， 36（03）： 225-233.

BAIDU. Apollo intelligent transportation white paper [EB/ OL]. （2022-04-09）. https：//iot-automotive.news/baidu- apollo-releases-white-paper-on-intelligent-transportation/.

EHANGZHOU. Alibaba permitted to test self-driving vehicles on Hangzhou streets [EB/OL]. （2018-09-25）. https：//www.ehangzhou.gov.cn/2018-09/25/c_267758.htm.

Tencent. Urban mobility reinvented： tencent’s autonomous driving road paves the way to greener cities [EB/OL]. （2023-08-24）. https：//www.tencent.com/en-us/ articles/2201669.html.

Badweeti K N， Malaghan V D， Pawar D S， et al. Evaluating effectiveness and acceptance of advanced driving assistance systems using ?eld operational test [J]."J Intell Connect Vehi， 2023， 6（2）， 65-78.

Olovsson T， Svensson T， WU Jiaming. Future connected vehicles： Communications demands， privacy and cyber- security [J]. Commun Transport Res， 2022， 2（1）： 100056.

WANG Kai， LI Aoyong， QU Xiaobo. Urban aerial mobility： Network structure， transportation bene?ts， and Sino-US comparison [J]. Innov， 2023， 4（2）： Paper No 100393.

QU Xiaobo， ZENG Ziling， WANG Kai， et al. Replacing urban trucks via ground–air cooperation [J]. Commun Transport Res， 2022， 2： Paper No 100080.

LIU Xiaohan， QU Xiaobo， MA Xiaolei. Improving ?ex- route transit services with modular autonomous vehicles [J]. Transport RES E-Log， 2021， 149： Paper No 102331.

WU Jiaming， Balázs K， QU Xiaobo. A modular， adaptive， and autonomous transit system （MAATS）： An in-motion transfer strategy and performance evaluation in urban grid transit networks [J]. Transp Res Part A Policy Pract， 2021， 151： 81-98.