精品伊人久久大香线蕉,开心久久婷婷综合中文字幕,杏田冲梨,人妻无码aⅴ不卡中文字幕

一、概述傳統的智能交通系統采用視頻、雷達等檢測器檢測道路交通流量、車速、排隊長度等交通參數，并且結合GNSS浮動定位系統檢測道路交通狀態。近年來又有互聯網公司結合移動互聯網手機定位大數據分析交通狀態，進而建立了所謂“交通大腦”，對區域交通信號燈配時方案進行整體優化，實現了不錯的效果。近來被廣泛關注的自動駕駛技術利用車載激光雷達、毫米波雷達、超聲波雷達、視頻攝像機等傳感器感知汽車周邊環境，通過車載邊緣計算實現對汽車周邊的環境進行識別，進而實現對車輛的自動駕駛，也取得了很大進展。但道路交通是異常復雜的巨系統，道路交通環境瞬息萬變。僅僅憑傳統的交通感知手段和自動駕駛汽車安裝的有限傳感器是無法滿足完全、快速掌握動態交通環境的需求的。而且由于車載傳感器要求體積小，并且價格昂貴，無法普及的廣大出行者的汽車上。車路協同技術應運而生。二、車路協同應用根據中國汽車工程學會標準《合作式智能運輸系統 車用通信系統應用層及應用數據交互標準》（T/CSAE 53-2017），車路協同一期基礎功能涵蓋安全、效率和信息服務三大類17個應用。表 1 一期應用列表序號類別通信方式應用名稱1安全V2V前向碰撞預警2V2VN2I交叉路口碰撞預警3V2VN2I左轉輔助4V2V盲區預警／變道輔助5V2V逆向超車預警6V2V-Event緊急制動預警7V2V-Event異常車輛提醒8V2V-Event車輛失控預警9V2I道路危險狀況提示10V2I限速預警11V2I閣紅燈預警12V2P/V2I弱勢交通參與者碰撞預警13效率V2I綠波車速引導14V2I車內標牌15V2I前方擁堵提醒16V2V緊急車輛提醒17信息服務V2I汽車近場支付三、車路協同感知體系1、車路協同感知體系車路協同感知在結合現有的智能交通感知設備的基礎上，增加了更加精密的路側感知設備、車載感知設備和5G移動大數據。路側感知設備包括激光雷達、毫米波雷達和帶目標識別功能的視頻攝像機；車載感知則是包括自動駕駛車輛能夠感知到的數據，需要通過路側單元RSU實時上傳到邊緣計算節點。圖 1車路協同感知體系2、交通感知傳感器激光雷達激光雷達的測距精度非常高，基本上可以達到正負一兩厘米，甚至到了毫米級，分辨率也非常高。機械激光雷達可以360度旋轉，同時角分辨率也比別的雷達高。但是目前的機械旋轉激光雷達的成本比較高，而且容易受到陽光雨霧和互干擾的影響。它跟毫米波雷達一樣是屬于主動傳感器。目前的機械激光雷達也會受到工作溫度以及工作環境震動的影響，它的工作溫度一般是在零下10°到零上60°左右。圖 2 激光雷達激光雷達目前的成本比較高，美國Velodyne的64線激光雷達在10萬美金左右，即使是16線雷達的售價也在8000美金左右。Flash激光雷達以及MEMS激光雷達，即向使用各種鏡片或者透鏡來形成非旋轉式雷達的方向演進和發展，它的成本還有功耗都會有很大的下降。毫米波雷達毫米波雷達是利用波長1~10mm，頻率30GHz~300GHz之間的電磁波，通過測量回波的時間差算出距離，具備全天時全天候以及探測距離遠的優勢。目前市場上主流的車載毫米波雷達頻段為24GHz（用于短中距離雷達，15~30m）和77GHz（用于長距離雷達，100~200m）。相比于24GHz產品，77GHz產品在性能和體積上都更具優勢，其距離分辨率更高，體積也小了1/3。圖 3 毫米波雷達工作原理最重要的是，毫米波價格低廉，比起動輒幾千乃至上萬美元的激光雷達，一兩百美元就可以被收入囊中的毫米波雷達算得上是業界良心。不過，凡事無絕對，在探測精度上，毫米波要略遜一籌。視頻攝像機視頻攝像機是在智能交通系統中應用最為普遍的感知設備。隨著自動駕駛技術的不斷發展，視頻攝像機也被廣泛運用在自動駕駛車輛上。伴隨視覺處理技術的進步，可以使視頻處理出的有效信息倍增，從而更好地辨別道路上的標識、行人等信息。傳感器感知能力比較總體而言激光雷達精度高但價格不菲。毫米波雷達價格便宜但精度欠佳。視頻攝像機價格適中而且隨著視頻解析算法的不斷提高，視頻攝像機是車路協同感知體系中不可或缺的主要感知手段。圖 4 激光雷達/毫米波雷達/攝像頭感知能力比較激光雷達、毫米波雷達和攝像機的詳細優劣比較見下表。表 2 激光雷達/毫米波雷達/攝像機比較表傳感器優勢劣勢最遠距離攝像機可以分辨出障礙物的大小和距離，而且能識別行人、交通標識牌受到視野的影響，受惡劣天氣影響，逆光和光影復雜情況效果差6-100m超聲波達防水、防塵，監測距離在0.1-3m之間測試角度較小，需要在車身安裝多個3m毫米波達不受天氣情況和夜間影響，可以探測遠距離物體行人的反射波較弱，難以探測>200m激光雷達測距精度高，方向性強，響應快，能快速復建出目標的三維模型，滿足90%的三維工況成本高，容易受天氣的影響，如雨雪、大霧，但隨著算法和激光器的進，可以解決100-200m3、車載傳感器激光雷達、毫米波雷達和攝像機是車載感知設備的主要選項。盡管自動駕駛車技術發展到現在，車載感知技術已經取得了長足發展。從目前傳感器的性能來看，每一種傳感器都有其使用的環境條件和性能的邊界。包括：測量范圍以及在不同環境下表現出來的感知缺陷。圖 5 奧迪A8的傳感器布局（1）檢測范圍受限傳感器對周圍環境檢測的有其固定的范圍。例如，長距毫米波雷達探測距離為1-280m，紅外線傳感器探測距離為0.2-120m，視覺攝像頭探測距離為0-80m，中短距毫米波雷達探測距離為0.2-120m，短句毫米波雷達探測距離為0.2-30m，激光雷達探測距離為80-150m。下圖為Tesla的傳感器配置及傳感器感知范圍，扇形角度表示傳感器的視場角，扇形半徑表示傳感器的最大檢測距離。圖 6 特斯拉配置的傳感器最大探測距離（2）感知缺陷每一種傳感器都有其適用的環境條件。比如激光傳感器檢測效果穩定，但在面對大范圍的塵土時，其檢測效果大幅降低；再比如高分辨率攝像機能檢測圖像中的物體，窄視場的攝像機可以檢測很遠的距離。但是面對暴雨、大雪等惡劣天氣，其很難檢測到正確的車道線/障礙物/馬路牙子等信息。圖 7 車身各傳感器情況概述（3）先驗信息缺失先驗信息是指某些可以提前采集且短時間內不會改變的信息。僅僅依靠傳感器的信息是很難感知車輛現在是處在高速公路上，還是處在普通城市道路上的；無限速牌的路段，車速最高可以開多快;前方道路的曲率；所處路段的GPS信號強弱，這些都是傳感器遇到檢測盲區，無法實時捕獲的信息。而這些信息是客觀存在，不會隨外部事物的變化而變化，因此可以提前采集，并作為先驗信息傳給自動駕駛車做決策。圖為高精度地圖可以為自動駕駛車提供的某些先驗信息。包括道路曲率、航向、坡度和橫坡角。因為車載感知方式存在這些缺陷，因此有必要通過路側感知的方式，彌補這方面的不足。一方面可以大幅度提高自動駕駛車對周邊環境的感知程度，同時也為其他普通車輛提供安全和效益方面的信息服務。4、路側傳感器車路協同路側傳感器主要包括激光雷達、毫米波雷達和攝像機。傳統智能交通的傳感器如視頻卡口、視頻事件檢測、GNSS浮動車定位、4G大數據定位、事件報警等也需要納入到車路協同全域感知體系。交通信號燈作為交通控制主要手段，其信號燈配時數據需要接入車路協同系統。此外，物聯網大數據如氣象數據、道路路面感知數據、道路濕滑/積水等數據，根據實際情況需要也可以考慮接入系統。5、車路協同通信作為物聯網面向應用的一個概念延伸，V2X（Vehicle to Everything）車聯網是對D2D（Device to Device）技術的深入研究過程。它指的是車輛之間，或者汽車與行人、騎行者以及基礎設施之間的通信系統。利用裝載在車輛上的傳感器、攝像頭獲取車輛行駛情況、系統運行狀態及周邊道路環境信息，同時借助GPS定位獲得車輛位置信息；利用裝在路側的傳感器獲得道路環境信息；并通過D2D技術將這些信息進行端對端的傳輸，繼而實現在整個車聯網系統中信息的共享。通過對這些信息的分析處理，及時對駕駛員進行路況匯報與警告，有效避開擁堵路段選擇最佳行駛線路。V2X車聯網通信主要分為三大類：V2V、V2I和V2P。運輸實體，如車輛、路側基礎設施和行人，可以收集處理當地環境的信息（如從其它車輛或傳感器設備接收到的信息），以提供更多的智能服務，如碰撞警告或自主駕駛。圖 8 車路協同服務在V2X系統中，控制車輛與路面基礎設施之間信息交流的部分就是車路協同，它能夠讓駕駛者能第一時間了解交通信息和危險狀況。車路協同需要有高速、穩定、低時延的通信技術作為保障，而基于當前成熟的LTE技術的LTE-V2X能夠讓路邊單元（RSU）與車載單元（OBU）的信息進行有效交互。同時，這項技術也在演進之中，在5G時代，更是能夠憑借5G技術的優秀通信能力讓自動駕駛成為可能，讓人們獲得更優良、安全、高效的出行體驗。圖 9 華為LTE-V2X模塊DA23006、高精度地圖（HDM）高精度地圖，通俗來講就是精度更高、數據維度更多的電子地圖。精度更高體現在精確到厘米級別，數據維度更多體現在其包括了除道路信息之外的與交通相關的周圍靜態信息。高精度地圖將大量的行車輔助信息存儲為結構化數據，這些信息可以分為兩類。第一類是道路數據，比如車道線的位置、類型、寬度、坡度和曲率等車道信息。第二類是車道周邊的固定對象信息，比如交通標志、交通信號燈等信息、車道限高、下水道口、障礙物及其他道路細節，還包括高架物體、防護欄、數目、道路邊緣類型、路邊地標等基礎設施信息。以上這些信息都有地理編碼，導航系統可以準確定位地形、物體和道路輪廓，從而引導車輛行駛。其中最重要的是對路網精確的三維表征（厘米級精度），比如路面的幾何結構、道路標示線的位置、周邊道路環境的點云模型等。有了這些高精度的三維表征，自動駕駛系統可以通過比對車載的GPS、IMU、LiDAR或攝像頭的數據精確確認自己當前的位置。另外，高精度地圖中包含有豐富的語義信息，比如交通信號燈的位置和類型、道路標示線的類型、以及哪些路面是可以行使等。圖 10 高精度地圖的主要結構化數據導航地圖、ADAS地圖和AD所需要的地圖各不相同。（1）對于導航地圖而言，街道名稱是比較重要的信息，但對于ADAS和AD地圖確并非如此。（2）道路曲率對于ADAS應用至關重要，對于自動駕駛也是必需的，但導航地圖并不需要道路曲率數據。（3）道路的幾何特征對于導航、ADAS和AD地圖都是適用的。（4）不同地圖級別和地圖精度的背后是不同級別的智能駕駛以及不同級別的精度需求。圖 11 高精地圖與導航地圖的關聯關系高精度地圖與傳統地圖的區別。與一般電子導航地圖相比，高精度地圖不同之處在于：（1）精度：一般電子地圖精度在米級別，商用GPS精度為5米。高精度地圖的精度在厘米級別（Google、Here等高精度地圖精度在10-20厘米級別）。（2）數據維度：傳統電子地圖數據只記錄道路級別的數據：道路形狀、坡度、曲率、鋪設、方向等。高精度地圖（精確度厘米級別）：不僅增加了車道屬性相關（車道線類型、車道寬度等）數據，更有諸如高架物體、防護欄、樹、道路邊緣類型、路邊地標等大量目標數據。高精度地圖能夠明確區分車道線類型、路邊地標等細節。（3）作用&功能：傳統地圖起的是輔助駕駛的導航功能，本質上與傳統經驗化的紙質地圖是類似的。而高精度地圖通過“高精度+高動態+多維度”數據，起的是為自動駕駛提供自變量和目標函數的功能。高精地圖相比傳統地圖有更高的重要性。（4）使用對象：普通的導航電子地圖是面向駕駛員，供駕駛員使用的地圖數據，而高精度地圖是面向機器的供自動駕駛汽車使用的地圖數據。（5）數據的實時性：高精度地圖對數據的實時性要求更高。根據博世提出的定義，自動駕駛時代所需的局部動態地圖（Local Dynamic Map）根據更新頻率劃分可將所有數據劃分為四類：永久靜態數據（更新頻率約為1個月），半永久靜態數據（頻率為1小時），半動態數據（頻率為1分鐘），動態數據（頻率為1秒）。傳統導航地圖可能只需要前兩者，而高精地圖為了應對各類突發狀況，保證自動駕駛的安全實現需要更多的半動態數據以及動態數據，這大大提升了對數據實時性的要求。高精度地圖=高鮮度+高精度+高豐富度。不論是動態化，還是精度和豐富度，最終目的都是為了保證自動駕駛的安全與高效率。動態化保證了自動駕駛能夠及時地應對突發狀況，選擇最優的路徑行駛。高精度確保了機器自動行駛的可行性，保證了自動駕駛的順利實現。高豐富度與機器的更多邏輯規則相結合，進一步提升了自動駕駛的安全性。圖 12 導航地圖與智能駕駛地圖的對比高精度地圖具備三大功能。（1）地圖匹配。由于存在各種定位誤差，電子地圖坐標上的移動車輛與周圍地物并不能保持正確的位置關系。利用高精度地圖匹配則可以將車輛位置精準的定位在車道上，從而提高車輛定位的精度。（2）輔助環境感知。對傳感器無法探測的部分進行補充，進行實時狀況的監測及外部信息的反饋 ：傳感器作為自動駕駛的眼睛，有其局限所在，如易受惡劣天氣的影響，此時可以使用高精度地圖來獲取當前位置精準的交通狀況。（3）路徑規劃。對于提前規劃好的最優路徑，由于實時更新的交通信息，最優路徑可能也在隨時會發生變化。此時高精度地圖在云計算的輔助下，能有效地為自動駕駛車提供最新的路況，幫助自動駕駛車重新制定最優路徑。四、實時數據處理與信息融合信息融合是利大數據、圖像識別、人工智能等技術將來自多個傳感器或多源的觀測信息進行篩選、清洗、分析和綜合處理，從而得出決策和預測所需的信息的處理過程。信息融合的基本原理是充分利用傳感器資源，通過對各種傳感器檢測信息的合理支配與使用，將各種傳感器在空間和時間上的互補與冗余信息依據某種優化準則或算法組合來產生對觀測對象的一致性解釋和描述。圖 13 車路協同交通感知數據處理流程1、實時數據處理分工在車路協同服務平臺中，邊緣計算和云端計算組成了數據分析系統。根據不同的需要，云端和邊緣計算節點分別完成不同的實時數據融合計算。與駕駛安全有關的數據處理和發送需要在10毫米以內完成，因此需要在邊緣計算節點處理。其他與效率相關的服務因為需要結合整個區域交通狀態進行處理和運算，而且這部分服務對時延要求不高，可以在云端進行處理。表 3 邊緣計算與云計算比較表序號項目路側邊緣計算云計算1設備邊緣計算服務器云服務器2延時要求5-10毫秒500毫秒3主要任務1）融合節點傳感器數據，上傳經處理好的結構化數據2）更新局部動態地圖(LDM)3）確認和發布安全警告得到授權的情況下4）直接遙控車輛規避事故1）融合區域交通傳感器數據2）優化區域交通控制方案3）下發優化方案4）其他交通信息服務2、路側傳感器與車載傳感器數據融合路側傳感器與附近眾多的車載傳感器分別從不同的視角對同一道路地點周邊環境進行觀測，系統對不同傳感器觀測的數據按轉換成統一的坐標系統，對不同感知數據進行相互比對，最終形成對道路環境、運動的車輛和行人的統一的映像，形成結構化數據，包括運動物體的瞬時位置、運動方向、運動速度等，最終生成道路地點的局部動態地圖。圖 14 交叉路口的三維運動物體識別圖 15 左：攝像機覆蓋區域。右：雷達覆蓋區域3、生成局部動態地圖（LDM）局部動態地圖是統一描述道路動態環境的高精地圖，是判斷車輛是否處于危險狀態的重要參照。局部動態地圖包括四個層級。（1）持續靜態數據層主要是地圖數據。更新頻率約為1個月。（2）半靜態數據層包括交通標志、標線、護欄、臨時路標（如占路施工）等交通管理設施，以及其他交通基礎設施的信息。更新頻率為1小時。（3）半動態數據層包括信號燈燈色（相位、配時）、交通擁堵的情況、交通事故情況和其他交通事件等狀態過程。更新頻率應小于1分鐘。（4）高度動態數據層包括汽車、摩托車、自行車、行人等運動的實體。需要知道實體的瞬時位置、移動的方向和移動的速度。更新頻率為小于1秒。圖 16 局部動態地圖的四層4、感知大數據數據結構化整合車路協同傳感器采集的數據包括大量非結構化的數據，如視頻數據、激光掃描數據、微波感知數據等，傳輸這些海量數據至云端無論從占用帶寬還是成本上都是不合理的。因此需要在邊緣計算節點上將這些數據進行解析、整合，形成如交通流量、車速、排隊長度等結構化數據，然后上傳。5、道路交通狀態信息融合道路交通狀態信息融合可以在云端進行。通過接入區域各個邊緣計算節點結構化整合數據，結合其他交通感知系統如4G/5G移動互聯網數據等形成對道路交通運行宏觀狀態數據，可能的信息如下：－實時的主干道（含外環路、快速路）交通數據；－實時主要道路交匯（叉）點（橋）交通數據；－高速路通行數據：放行、封路、施工、占道、高流量、突發事件（含交通事故）引起交通擁堵信息等；－道路交通狀況數據，包括實時的道路交通擁堵狀況、平均車速、車道占有率、平均旅行時間等。五、車路協同信息服務（簡述）1、面向交通安全的邊緣計算服務對于一期應用列表所列的應用場景，邊緣計算服務根據數據融合生成的局部動態地圖，判斷車輛行駛的安全狀態。對遇有危險的配備OBU的車輛，及時出警告，甚至直接干預車輛駕駛，采取必要的避險動作。2、面向交通效率的云計算服務（1）交通信號優化配時服務根據區域交通流狀態，對區域交通信號配時進行整體優化，以到達區域內車輛總體延誤最小、排隊長度最小等優化目標。（2）交通誘導服務根據區域交通狀態甄別嚴重擁堵路段，生成車輛避開擁堵路段的策略，發布給抵達的車輛。（3）公交優先服務基于車路協同技術，當公交車輛接近信號控制交叉口時，車載單元向路口信號控制機發送特殊車輛定位距離和當前車速信息，由智能路側單元計算出的預計到達時間，信號控制機根據當前信號的狀態，對相位進行紅燈早斷、綠燈延時等干預操作，保證公交車輛的順利通過。六、小結總之，車路協同全域感知將路側感知和車載感知合而為一，形成對道路交通環境的全面感知和判斷，使駕駛具備了超視距感知能力，一方面可以補充自動駕駛感知能力不足，提高駕駛安全性；另一方面，可以大幅地減少自動駕駛所依賴的傳感器，降低成本，促進自動駕駛技術迅速達到實用化程度。