陳勝華　高越　張南岳　沈志偉

摘要 車路協(xié)同系統(tǒng)是未來智能交通的重要支撐。車路協(xié)同系統(tǒng)將智能獲取移動目標產(chǎn)生的交通數(shù)據(jù)，并將路側(cè)計算和預測的信息傳輸至車端（包括司機），包括安全、移動和環(huán)境有關(guān)的數(shù)據(jù)。針對車路協(xié)同系統(tǒng)的環(huán)境感知、仿真與預測、通信播報、交通引導等測試需求，從測試體系、測試方法、測試工具等方面，系統(tǒng)地總結(jié)了車路協(xié)同系統(tǒng)測試技術(shù)和最新工程實踐，深入地分析了車路協(xié)同系統(tǒng)測試技術(shù)的體系架構(gòu)、特點和適用范圍。最后，闡述了車路協(xié)同系統(tǒng)測試技術(shù)的未來發(fā)展方向。

關(guān)鍵詞 車路協(xié)同系統(tǒng);系統(tǒng)測試;多傳感器融合;信息融合

中圖分類號 F426.471 文獻標識碼 A 文章編號 2096-8949（2022）06-0017-03

引言

智能汽車產(chǎn)業(yè)不僅包含傳統(tǒng)汽車產(chǎn)業(yè)的智能化升級，還涉及通信系統(tǒng)、路側(cè)設施等一系列關(guān)聯(lián)產(chǎn)業(yè)。智能化與網(wǎng)聯(lián)化是汽車產(chǎn)業(yè)大勢所趨，單車智能+車路協(xié)同的網(wǎng)聯(lián)協(xié)同發(fā)展路徑逐漸成為行業(yè)共識，必將帶來新的產(chǎn)品與生態(tài)模式，具備廣闊的市場前景。

與常規(guī)汽車相比，面向自動駕駛的車路協(xié)同系統(tǒng)具備兩大重要特征，一是多技術(shù)交叉、跨產(chǎn)業(yè)融合，需要智能汽車、交通設施、信息通信基礎設施與資源平臺信息的融合感知，在云控平臺上形成物理交通系統(tǒng)的實時數(shù)字映射，進行分層融合決策[1]，實現(xiàn)車輛行駛與交通信號的實時調(diào)節(jié)，以優(yōu)化車輛與交通運行的安全、效率等性能;二是具有本地屬性，基于分布式部署和個性化配置，車路協(xié)同系統(tǒng)要滿足特定區(qū)域場景，在通信、地圖、數(shù)據(jù)平臺等本地屬性的支撐和安全管理[2]。

從自動駕駛汽車到智能汽車，再到智能網(wǎng)聯(lián)汽車，智能駕駛汽車技術(shù)及產(chǎn)業(yè)的快速發(fā)展，系統(tǒng)測試技術(shù)起到了重要的支撐作用。

1 路協(xié)同系統(tǒng)概述

1.1 車路協(xié)同整體架構(gòu)

車路協(xié)同系統(tǒng)通過向車輛實時推送道路狀態(tài)信息，助力車輛選擇更安全高效的出行路徑;通過對實時交通流量的監(jiān)測來進行智能規(guī)劃，增強道路交通管控能力;通過增強路側(cè)基礎設施的感知計算能力，并與車輛感知信息進行融合，提升交通治理的數(shù)字化水平。

現(xiàn)階段采用的車路協(xié)同架構(gòu)分為5個層級：

（1）終端層：人、車、路端的各類設備，如智能手機、數(shù)據(jù)接收器、硬件傳感器、定位設備等，用于各類數(shù)據(jù)的采集。

（2）邊緣層：路側(cè)部署的數(shù)據(jù)采集、清洗、感知計算、目標跟蹤計算、數(shù)據(jù)管理的設備，如MEC、RSU等，實現(xiàn)對車輛、道路環(huán)境數(shù)據(jù)的感知收集和基礎計算功能。

（3）接入層：利用定位網(wǎng)絡、專有網(wǎng)絡、運營商網(wǎng)絡和應急救援通信等渠道，保障人-車-路-云的信息安全通信。

（4）平臺層：實現(xiàn)道路、基礎設施、車輛、個人等信息的數(shù)字化資源匯集。

（5）應用層：為政府、車企、個人等提供個性化的平臺接入能力和應用服務。

1.2 車路協(xié)同中的關(guān)鍵技術(shù)

車路協(xié)同是在單車智能自動駕駛的基礎上，通過先進的車、道路感知和定位設備，對道路交通環(huán)境進行實時高精度感知定位，遵循預設協(xié)議，實現(xiàn)車與車、車與路、車與人之間不同程度的信息交互共享，并涵蓋不同程度的車輛自動化駕駛，以及車輛與道路間的協(xié)同優(yōu)化。通過車輛自動化、網(wǎng)絡互聯(lián)化和系統(tǒng)集成化，最終構(gòu)建安全、高效的車路協(xié)同自動駕駛系統(tǒng)。

因此，實現(xiàn)面向自動駕駛的車路協(xié)同系統(tǒng)，還需要攻克一系列的關(guān)鍵技術(shù)，包括：

（1）多傳感器融合感知技術(shù)。

（2）高精度地圖與移動定位技術(shù)。

（3）協(xié)同決策與協(xié)同控制技術(shù)。

（4）高可靠低時延網(wǎng)絡通信技術(shù)。

（5）云計算技術(shù)。

（6）功能安全與預期功能安全。

（7）物聯(lián)網(wǎng)技術(shù)。

（8）網(wǎng)絡安全技術(shù)等[3-4]。

1.3 路側(cè)感知系統(tǒng)

路側(cè)感知系統(tǒng)是車路協(xié)同系統(tǒng)的重要組成，負責全方位感知道路交通的不同運動狀態(tài)、更新頻率的目標，以及基于感知結(jié)果的全局信息統(tǒng)計與預測。車路協(xié)同路側(cè)感知系統(tǒng)主要由路側(cè)感知單元、數(shù)據(jù)傳輸單元、路側(cè)計算單元、附屬配套設施等組成，系統(tǒng)組成架構(gòu)見圖1所示。

（1）路側(cè)感知單元：用于提取道路交通狀態(tài)的各類要素，如交通參與者的運動學信息、判定交通事件觸發(fā)的信息、計算交通流相關(guān)指標的支撐信息等，包括攝像機、毫米波雷達、激光雷達等交通檢測器。

（2）外部設施：用于為闖紅燈預警、浮動車信息采集、感知數(shù)據(jù)共享等特定場景提供感知信源，包括信號機、RSU、云平臺、交通管控系統(tǒng)等。

（3）數(shù)據(jù)傳輸單元：用于系統(tǒng)組成設備之間以及系統(tǒng)與外部設備進行通信。

（4）路側(cè)計算單元：用于對路側(cè)感知單元的原始數(shù)據(jù)或結(jié)果數(shù)據(jù)進行存儲、處理，生成高精度的感知結(jié)果信息。

（5）附屬配套設施：用于為系統(tǒng)提供部署、供電、時間同步、信息安全等支撐服務的相關(guān)設備。

2 道路交通環(huán)境感知和信息統(tǒng)計

2.1 通用要求

不管是單車智能模式，還是車路協(xié)同系統(tǒng)，道路交通環(huán)境感知與信息統(tǒng)計，均是汽車自主導航和運動規(guī)劃的前置條件[5]。道路交通環(huán)境感知結(jié)果的評估指標非常多，比如，在目標檢測時，主要考慮檢測水平（正確率、召回率、誤檢率）、位置精度、置信度。在實時性方面，考慮感知計算的時延水平、輸出頻率。系統(tǒng)計算主體的穩(wěn)定性和安全性，也是重點考核內(nèi)容。

2.2 道路基礎設施信息

相對于其他道路交通信息，道路基礎設施作為道路交通的運行環(huán)境，更新頻率非常低，被視為靜態(tài)數(shù)據(jù)。這一特性使得道路基礎設施的各類信息，如車道線、限速標志、轉(zhuǎn)向標志、人行橫道、停止線等，可以被嵌套在高精度地圖中。例如，在面向自動駕駛的高精度地圖標準OpenDrive中，交通標志就被作為道路交通的元素，被結(jié)構(gòu)化地存儲在地圖數(shù)據(jù)中。值得一提的是，交通信號系統(tǒng)，作為基礎設施的重要部分，其位置是精確確定的，但是內(nèi)容示意卻是變化的。某些道路或者車道的屬性（如行車方向），也可以隨時間變化的。

2.3 交通參與者感知

在城市道路中，預期的交通參與者主要包括行人、機動車、非機動車。對這些道路交通參與者的檢測計算，使用基于卷積神經(jīng)網(wǎng)絡的深度學習模型，利用真實數(shù)據(jù)進行訓練，往往能得出性能良好的探測器，再基于多傳感器檢測結(jié)果，相互驗證，從而提高檢測的準確度、精確度。

2.4 交通事件檢測

交通事件主要包括車輛的行為事件、道路環(huán)境事件、路面狀態(tài)事件、非機動車事件。車輛行為事件主要包括：停車、車輛駛出路面、逆行/變線、倒車、擁堵、車輛超/低速、突然減速等。道路環(huán)境事件則包括煙霧、火焰等狀況[6]。路面狀態(tài)則是直接針對路面的情形，如拋灑物等。非機動車事件是在限定區(qū)域里出現(xiàn)了非機動車、行人的事件。高速公路和城市快速路上發(fā)生的停車、逆行、慢行、擁堵、行人穿越、交通事故是需要重點管控的交通事件。

2.5 交通流檢測

交通流檢測與預測服務于更加宏觀的交通疏導。交通流的檢測，主要分宏觀和微觀兩個方面。微觀層面，交通流檢測以每輛車為對象，實時檢測車輛的行駛方向、車速、車廠、車寬、車型、存在時間。中等粒度層面，以車道為對象，實時檢測正反向交通流量、平均車速、平均車廠、平均時間占有率、平均車間據(jù)、排隊長度。宏觀層面上，交通狀態(tài)主要包括暢通、緩行、密集、擁堵、走走停停五種交通狀況。

3 車路協(xié)同系統(tǒng)的測試方法

測試方法主要指測試內(nèi)容的組織形式以及開展測試的途徑。一方面，考慮到系統(tǒng)的特點，裝有OBU的車輛接收車路協(xié)同系統(tǒng)綜合感知、傳輸、計算、融合計算的結(jié)果，因此測試方法必須提供車路協(xié)同系統(tǒng)的融合感知的性能測試，保證感知計算性能得到體現(xiàn);另一方面，從測試的可重復性、可控性等需求出發(fā)，又希望測試對象在特定條件下被測試。根據(jù)上述兩方面需求，按照測試方法對測試輸入和測試過程要求的不同，可以將測試方法分為基于用例的測試方法、基于場景的測試方法、基于探針的量化測試和仿真測試。四種測試方法的對比，如表1所示。

4 車路協(xié)同系統(tǒng)的測試系統(tǒng)

測試工具是滿足不同測試階段、測試環(huán)境需求的測試過程的信息化集成結(jié)果[7]。采用測試工具可以大大提高測試的可重復性并降低風險，同時便于數(shù)據(jù)的采集。根據(jù)主體功能分類，車路協(xié)同系統(tǒng)的測試系統(tǒng)包括車端數(shù)據(jù)記錄模塊、數(shù)據(jù)分析與重組織模塊、數(shù)據(jù)評測軟件、系統(tǒng)參數(shù)配置模塊、車端真值系統(tǒng)，如圖2所示。

測試系統(tǒng)流程如下：

（1）車端真值系統(tǒng)采集單一交通參與者目標的定位、速度、航向角等運動學指標真值。

（2）車端數(shù)據(jù)記錄模塊則是記錄車路協(xié)同系統(tǒng)發(fā)布的信息，包括多目標交通參與者的類別、定位、速度、航向角等數(shù)據(jù)，并打上接收時刻的時間戳。

（3）數(shù)據(jù)分析與重組織模塊，則是將分拆多目標交通參與者的信息，并與車端真值系統(tǒng)的數(shù)據(jù)，進行數(shù)據(jù)結(jié)構(gòu)和維度的對齊，輔助下一步的數(shù)據(jù)評測計算。

（4）數(shù)據(jù)評測軟件是測試系統(tǒng)的核心，基于單目標和多目標的結(jié)構(gòu)化數(shù)據(jù)，在感知距離、系統(tǒng)感知時延、定位精度、尺寸檢測精度、速度檢測精度、航向角檢測精度、車道感知覆蓋率、感知范圍、系統(tǒng)頻率、準確率與召回率、軌跡跟蹤成功率、軌跡跟蹤中位距離等指標上，進行量化評測。

（5）系統(tǒng)參數(shù)配置模塊，除了用于設置測試設備采集參數(shù)和精度要求，更主要的作用是設置不同真值數(shù)據(jù)和車路協(xié)同感知系統(tǒng)的時間參考和空間參考的基準差異。

5 分析與展望

車路協(xié)同系統(tǒng)的測試，依賴于測試方法、測試工具以及測試加速手段的綜合應用[8]。就當前研究現(xiàn)狀而言，構(gòu)建包含基于測試用例、基于場景、基于探針、虛擬仿真測試的測試工具鏈是非常必要的，在選擇測試方法時需要綜合考慮應用的測試環(huán)境、測試效率、測試成本等因素。

從該文的分析來看，現(xiàn)階段，車路協(xié)同系統(tǒng)測試技術(shù)仍存在許多不足和局限性，主要體現(xiàn)在以下幾個方面：

（1）測試方法方面?；谟美臏y試方法不能完全滿足車路協(xié)同測試需求?；趫鼍暗臏y試方法和技術(shù)亟待完善，場景提取、篩選以及測試場景的構(gòu)建是主要問題。

（2）測試工具方面。測試工具鏈嚴重不完整，缺少靈活性?；谔摂M仿真的測試，場景構(gòu)建工具還存在技術(shù)高、模型不完善的局面，不能處理大尺度地圖和交通流，測試效率低、成本高，開展比較困難。

針對以上分析，認為車路協(xié)同系統(tǒng)測試技術(shù)的未來發(fā)展重點應圍繞以下幾個方面：

（1）測試方法上，需要進一步完善基于場景的測試方法，發(fā)展場景綜合構(gòu)建方法和場景復雜度評估理論，并建立場景定義標準，以加快場景測試方法的落地應用。

（2）測試工具應著力發(fā)展模塊化的測試工具，適配多種測試方法，尤其是基于場景的測試方法，建立柔性化、可定制的測試工具。提高虛擬環(huán)境的真實性，研究傳感器的電氣與虛擬交通環(huán)境的交互模型。

參考文獻

[1]李克強. 智能網(wǎng)聯(lián)汽車創(chuàng)新發(fā)展的探索與實踐[J]. 汽車縱橫， 2021（1）： 18-19.

[2]李克強，常雪陽，李家文，等. 智能網(wǎng)聯(lián)汽車云控系統(tǒng)及其實現(xiàn)[J]. 汽車工程，2020（12）： 1595-1605.

[3]姚蘭， 趙永恒， 施雨晴， 等. 一種基于視頻分析的高速公路交通異常事件檢測算法[J].計算機科學， 2020（8）：? 208-212.

[4]清華大學智能產(chǎn)業(yè)研究院、百度Apollo. 面向自動駕駛的車路協(xié)同關(guān)鍵技術(shù)與展望[DB/OL]. 2021.

[5]ISO， IEC， IEEE. Systems and software engineering： vocabulary[S]. Piscataway， IEEE Computer Society， 2010.

[6]余卓平，邢星宇，陳君毅. 自動駕駛汽車測試技術(shù)與應用進展[J]. 同濟大學學報（自然科學版）， 2019（4）： 540-547.

[7]李克強， 戴一凡， 李升波， 等.智能網(wǎng)聯(lián)汽車（ICV）技術(shù)的發(fā)展現(xiàn)狀及趨勢[J]. 汽車安全與節(jié)能學報， 2017（1）： 1-14.

[8]郭云鵬，鄒凱，陳升東，等.基于仿真的面向車路協(xié)同的路側(cè)感知仿真系統(tǒng)[J].計算機系統(tǒng)應用， 2021（8）： 29-35.

收稿日期：2022-01-20

作者簡介：陳勝華（1986—），男，博士，高級工程師，研究方向：多傳感器融合、高精度地圖、自動駕駛系統(tǒng)。