自动驾驶与车路协同

文章摘要

自动驾驶正成为交通领域的最大变量。任何人都可以造成交通拥堵。只要你踩一脚刹车，你后面的司机就得跟着踩刹车，然后他后面的司机也得照做，这样刹车再启动的行为，可以传递好几公里。

最近在看百度创始人李彦宏写的《智能交通》（影响人类未来10-40年的重大变革）这本书，借助本文把个人做的部分笔记简单做个整理、汇总。

一、自动驾驶

1.1 自动驾驶标准

自动驾驶标准目前有两种，一种是国际标准，一种是我国自定义标准。

1） 国际自动机工程师学会（SAE）定义的自动驾驶等级划分

国际自动机工程师学会（SAE）定义的自动驾驶分级，是目前业内最通用的参照标准，许多国家的自动驾驶分级均参考SAE J3016自动驾驶分级标准。

2）中国版自动驾驶等级划分

2021年8月20日，由工业和信息化部提出、全国汽车标准化技术委员会归口的GB/T40429-2021《汽车驾驶自动化分级》推荐性国家标准由国家市场监督管理总局、国家标准化管理委员会批准发布（国家标准公告2021年第11号），将于2022年3月1日起实施。

0级驾驶自动化（应急辅助）：驾驶自动化系统不能持续执行动态驾驶任务中的车辆横向或纵向运动控制，但具备持续执行动态驾驶任务的部分目标和事件探测与响应的能力。

1级驾驶自动化（部分驾驶辅助）：驾驶自动化系统在其设计运行条件内持续地执行动态驾驶任务中的车辆横向或纵向运动控制，且具备与锁执行的车辆横向或纵向运动控制相适应的部分目标和事件探测与响应的能力。

2级驾驶自动化（组合驾驶辅助）：驾驶自动化系统在其设计运行条件内持续地执行动态驾驶任务中的车辆横向和纵向运动控制，且具备与所执行的车辆横向和纵向运动控制相适应的部分目标和事件探测与响应的能力。

3级驾驶自动化（有条件自动驾驶）：驾驶自动化系统在其设计运行条件内持续地执行全部动态驾驶任务。

4级驾驶自动化（高度自动驾驶）：驾驶自动化系统在其设计运行条件内持续地执行全部动态驾驶任务和执行动态驾驶任务接管。

5级驾驶自动化（完全自动驾驶）：驾驶自动化系统在任何可行驶条件

1.2 自动驾驶路线

今天我们看到的自动驾驶，可以分成两大路线：

一个是以特斯拉为代表的 “低感知+高处理能力” 的方式；
一个是以谷歌自动驾驶为代表的 “高感知+高处理能力”的方式。

1. 谷歌的赛道

自动驾驶汽车的感知能力是靠传感器实现的。
谷歌赛道的一辆自动驾驶汽车包含的传感器有：摄像机、超声波雷达、毫米波雷达、激光雷达。
通过算法把它们采集到的数据融合在一起，判断障碍物的距离，捕捉物体的视觉细节。
激光雷达是判断自动驾驶到底是谷歌类还是特斯拉类的关键

激光雷达：原理是“速度x时间=距离”。
发出一束光，射到障碍物后会反射回来，然后接收到反射信号，中间的时间差乘以光速的一半就是障碍物的距离。
一束光用处不大，而如果每次射出128束激光，每秒钟射100次，而且还是360度快速旋转扫描的，用处就变大了。收集到的数据就可以还原出一个半径为150米、从地面到上空20米空间里所有障碍物的细节，精度可以达到2厘米。
同时，激光雷达不会受到光线的影响，即使是在没有照明的夜晚，依然能够做出准确的判断。

摄像机：激光雷达只能判断物体的三维轮廓，没法很细腻的识别颜色、纹理、材质之类的内容。于是需要借助摄像机来采集物理的颜色、纹理信息，比如红绿灯、行车标志等。一句话：凡是激光雷达不太敏感的事物，就由摄像机来补充。然后使用算法，利用图像识别技术，为车辆自动驾驶决断提供准确的数据。

2. 特斯拉的赛道

特斯拉赛道的一辆自动驾驶汽车包含的传感器有：摄像机。
特斯拉采用“纯视觉”的方式， 它的理由是：人和动物都是这么做判断的。

但这个前提是人和动物都有大脑，视觉加工的水平极高。
只要不用激光雷达，“感知”这个任务就不可能100%完成，就会遗漏一些之前都想不到的情况。摄像头在逆光下看到的东西，失真有比较严重。比如在车辆向前行驶时，突然出现一辆白蓝配色的想事货车横穿马路，而且还是逆光，车里的摄像头可能会把它识别蓝天白云，或者道路上方的指路牌，然后就保持原来的车速直接撞上去。

弥补方法：图像识别技术，作为最后一道防线，即使在逆光的请情况下，也能精准识别出对面是厢式货车，不是宽阔的蓝天白云，然后执行刹车。

3. 赛道选择

目前大部分车企选择了谷歌赛道的路线，除了谷歌、百度、优步这样的互联网企业，福特、通用这些传统企业，以及蔚来、小鹏这些国内造车新势力，走的都是谷歌赛道路线。

那为什么特斯拉这么特立独行呢？马斯克给出这么2个理由：
1）多种传感器相互配合，听起来很好 ，但是会出现感知结果相互矛盾的情况，很难处理。
2）激光雷达不能单独使用，它需要高精度地图的匹配，如此，车的使用场景就很受限，不可能全球通用。

当然有一个马斯克没有明说的理由：激光雷达很贵。
能达到自动驾驶要求的激光雷达价格 ，最初都能买一辆特斯拉了，而一个车载摄像头的成本才30美元。

那么未来自动驾驶最终会站在哪一个赛道呢？
估计，这就要看是人工智能的进化速度更快，还是激光雷达的成本降得更低了。
目前看来，谷歌赛道的赢面要大一些。

国内的媒体对此也很关注，大家的报道里都有这句话，叫“2022年是激光雷达量产上车元年”。意味着，激光雷达终于突破了小规模测试阶段，可以正式作为汽车自动驾驶的配套设备，规模量产了。据不完全统计，2022年宣布上市的搭载激光雷达的车型至少有20款，多数汽车安装3颗，最多的安装4颗。

1.3 L4级及以上自动驾驶的技术难点

L4级及以上自动驾驶的实现，在硬件、软件层面，在算力、算法、数据层面，其计数难度不是线性增长，而是指数级增长。

硬件方面，自动驾驶有一整套自动驾驶硬件，其中包括激光雷达、毫米波雷达、摄像头、超声波传感器、GPS定位装置等感知定位设备。芯片和计算平台，作为自动驾驶汽车的大脑也是不可或缺的。

软件方面，自动驾驶软件算法由多个子系统组成，需要协同工作来发挥作用：

高精地图，提供所行驶的道路环境和道路拓扑；绝对精度和相对精度均在0.1米以内的高精度、高新鲜度、高丰富度的电子地图，高精度地图不仅包括道路类型、曲率、车道线位置、交通标识等静态的道路信息，同时也囊括交通流量、红绿灯等实时的动态信息。高精度地图具备构建类似人脑对空间整体记忆与认知的功能，能够帮助汽车预知路面复杂信息，更好地规避潜在风险。

高精度定位系统，提供准确的道路位置信息，依靠技术包括北斗卫星、激光雷达的点云定位、视觉定位。

感知系统，提供周边的障碍物以及交通参与者信息，包括它们的速度、位置、朝向、边界等。

决策规划系统，利用周边的环境和道路系统来做出最终的驾驶判断，决定如何让行和超车，以及如何规划车辆的行驶轨迹。

1.4 自动驾驶核心突破口

突破1： 海量数据输入

自动驾驶系统，需要不断进行规模测试、数据采集以及进行基于海量数据的算法训练，为车辆感知、定位和规划路线提供重要依据。这就需要“投喂”大量的数据。随着数据量的增加，自动驾驶的算法精度也会增加。
数据采集方式有：车辆搭载摄像头、毫米雷达波和激光雷达等传感器在各地、各种路况、各种气候条件下进行路侧。一辆车一天的测试数据量可达10TB。

自动驾驶公司收集数据一般有3种模式：

• 重资产模式：公司购置车辆，并改装成自动驾驶车辆，出行搜集数据；
• 影子模式：在汽车上加装传感器，搜集用户的驾驶场景相关数据（有侵犯个人隐私嫌疑）；
• 虚拟仿真：将现实的交通环境和物理规则、运转逻辑复制到虚拟世界中，可以极大提升自动驾驶测试效率，降低测试成本。

突破2： 数据驱动算法迭代

对有效的困难场景数据进行挖掘，从而驱动算法迭代。

突破3： 算力支撑算法训练

自动驾驶对算力最大的挑战来自算法训练。算法模型的复杂程序呈现指数级增长趋势，不断逼近算力的上限。

突破4： 另辟蹊径的车路协同

车路协同能让自动驾驶更安全、更经济，车路协同将缓解居高不下的单车成本，提供更有保障的安全冗余，让交通出行更加智能、更便捷，“让灯数车、让车读秒”。

二、车路协同

2.1 智能协同

车路协同像是路灯，单车智能像是车灯，在两者协同作用下，自动驾驶规模商业化落地门槛能够大大降低，加速单体智能向协同智能的转变。 -《面向自动驾驶的车路协同关键技术与展望》（白皮书），2021年

单车智能

依靠车辆自身的视觉、毫米雷达波、激光雷达波等传感器，计算单元以及线控系统进行环境感知、计算决策和控制执行。

车路协同

将路端升级到与车端智能化同等的水平，通过车联网将 人-车-路-云这些交通参与要素有机的结合在一起，从而保证自动驾驶安全，加快自动驾驶应用的成熟。

在自动驾驶领域有 90/10 理论，说的是最后10%的长尾问题，可能需要付出90%的努力甚至更多。车路协同可以解决自动驾驶的长尾问题。

2.2 车路协同的构成

1. 通信平台

车与车通信，车与路通信，要求：低延时、高可靠、快速接入的网络环境，保障车端与路侧的信息实时交互。

底层的通信技术有两种标准：

• 专用短程通信：主要是针对低移动场景（不停车自动缴费、出入控制、车队管理、车辆识别等）的WiFi技术，测试性能并不稳定，在高速场景、高密度场景下可靠性较差、时延抖动较大。

• C-V2X：该技术是基于蜂窝网络通信技术演进的，可移动性、可靠性强；最重要的一点是能够兼容5G演进路线，可支持自动驾驶。5G提供的大带宽、低延时、高速率的无线通信环境，将大幅提升车辆协同之间的信息、数据传输。

2. 终端层

终端层分为车载终端和路侧终端。

1）车载终端

主要包括通信芯片、通信模组、终端设备、V2X协议及V2X应用软件。
车载终端负责车载端的海量数据实时处理和多传感器数据融合，保证车辆在各种复杂的情况下稳定、安全行驶。借助当前主流的LTE-V2X以及新一代5G-V2X信息通信技术，车载终端可以实现车辆之间、车路之前、车与行人之间、车与云端之前的全面信息交互。可以说，终端是车内网和车外网通信的枢纽。

车载单元：是车辆的中央通信单元，是汽车与外界实现V2X通信的关键设备之一，与路测设备相联，进行数据的读取、接收、发送等。

2）智能路侧

负责路况信息搜集与边缘侧计算，完成对路况的数字化感知和就近云端算力部署。路侧单元具有交通信息采集、传输和处理三大功能，是车路协同系统的核心基础设施，是感知路网特征、道路参与者的信息交换枢纽。

路侧通信单元：负责与车载单元、路侧计算单元通信，相当于移动基站。

路侧计算单元： 起着边缘大脑的作用，接收来自路侧感知单元的信息，接收车载单元和其他路侧计算单元的信息，然后进行分析、检测、跟踪、识别等一系列处理。核心组件包括：采集传感、计算决策、通信汇聚、安全认证、状态检测等模块。

路侧感知单元：包括雷达、摄像头、交通信号灯与指示牌等环境信息。

3. MEC边缘计算

边缘计算，指的是靠近应用场景的网络边缘，将计算、存储、通信等任务分配到网络边缘的计算模式，就近提供边缘智能服务。

边缘计算服务器可以发挥近距离部署的优势，及时获取路况信息，并根据路况信息不同类型分发给不同系统：
如果是紧急事件，就直接下发给车/路设备，提醒各方及时处理；
如果是可能影响全局的数据，就上报给中心云，由中心云计算决定是否追加下发， 同时协调中心云绘制出整体交通态势图。

4. 云控平台

云控平台包括云控基础平台和云控应用平台。

云控平台提供设备管理控制、数据融合与云端数据交换、全域事件信息发布，为不同级别的智能网联和自动驾驶车辆提供服务，为管理及服务机构提供车辆运行、基础设备、交通环境、交通管理等动态基础数据，是支持智能网联汽车实际应用需求的云端支撑平台。

2.3 自动驾驶与车路协同融合

.

1. 全量交通要素感知

单车自动驾驶受车端传感器感知视角及车辆实时运动等因素的影响，自动驾驶车辆对路边低速车辆检测的速度估计不准，如路边缓慢倒车、路边车辆驶出等。

全量交通要素感知定位，包括静态盲区/遮挡协同感知、车辆超视距协同感知、路边低速车辆检测。全量交通要素感知定位，可以辅助单车自动驾驶规避上述缺陷。

2. 道路交通事件感知

单车自动驾驶车辆感知视角有限，对低矮障碍物的准确检测需要较近距离才能实现，容易造成车辆急刹。

道路交通事件感知，包括违章停车、“死车”事件识别、排队事件识别、道路遗撒（锥桶、货物）事件识别。

3. 路侧信号灯融合感知

单车自动驾驶车辆是通过视觉AI获取，不过这种方式仍然存在很多不足，识别信号灯能力有限，具体表现在：

1）异形信号灯无法识别；
2）车端视角限制，容易被遮挡（比如受树枝、前面大货车遮挡）；
3）容易受外界环境限制，尤其是逆光、雾天、扬尘、夜晚等环境 ，识别的数据维度有限；
4）倒计时信息识别不准。

路侧信号灯融合感知，可以把路口信号灯的数据传送给车载终端，使得车辆可以及时做出驾驶决策：

1）即使前面被遮挡，车辆依然可以根据路侧设备返回的路口实时灯态以及放行倒计时数据做出正确预判；
2）除了实时灯态数据和倒计时数据，甚至可以把信号机的运行方案给到车载终端；这样做的好处是，车辆在经过一个路口后，即可结合下一个路口信号灯的运行方案以及两个路口之间的距离，做出预判，调整车速，实现个体意义上的绿波。

2.4 车路协同面临的挑战

挑战1：自动驾驶与车路协同深度融合形成的复杂系统，需要构建基于系统工程的功能安全和预期功能安全体系。

自动驾驶与车路协同所形成的复杂系统，需要解决大规模移动接入、多层次互操作、低延时、高安全可靠等一系列问题，尤其是要适用各种复杂场景。需要明确系统架构、系统功能、应用场景和服务内容，对系统设施提出明确的功能要求、性能要求、数据要求、安全要求，以保障车路协同自动驾驶安全可靠。

挑战2：道路智能化与驾驶智能化发展不够协调，需要建设高等级智能化道路服务于车路协同自动驾驶、智能交通管理和智慧城市建设。

挑战3：需要探索更加高效、经济的车路通信技术方案，以解决车端渗透率低、难以规模商业化推广的一系列问题。

挑战4：车路协同自动驾驶需要跨行业、跨地域互联互通，并不断探索开展应用服务创新和商业模式创新。在互联互通方面，车路协同自动驾驶在具体推进过程中还有很多影响或者制约因素，比如车辆数据开放应用、道路感知设施复用、道路信号控制数据使用、道路收费系统打通等，需要开展深入研究并逐步推进。

挑战5：政策法规和标准建设是引领和支撑车路协同自动驾驶发展的关键因素，应按照车路系统自动驾驶发展的不同阶段，提前开展相关法律法规的研究、制定及修订工作。