车路协同系统的关键技术与测试方法

陈胜华　高越　张南岳　沈志伟

摘要 车路协同系统是未来智能交通的重要支撑。车路协同系统将智能获取移动目标产生的交通数据，并将路侧计算和预测的信息传输至车端（包括司机），包括安全、移动和环境有关的数据。针对车路协同系统的环境感知、仿真与预测、通信播报、交通引导等测试需求，从测试体系、测试方法、测试工具等方面，系统地总结了车路协同系统测试技术和最新工程实践，深入地分析了车路协同系统测试技术的体系架构、特点和适用范围。最后，阐述了车路协同系统测试技术的未来发展方向。

关键词 车路协同系统;系统测试;多传感器融合;信息融合

中图分类号 F426.471 文献标识码 A 文章编号 2096-8949（2022）06-0017-03

引言

智能汽车产业不仅包含传统汽车产业的智能化升级，还涉及通信系统、路侧设施等一系列关联产业。智能化与网联化是汽车产业大势所趋，单车智能+车路协同的网联协同发展路径逐渐成为行业共识，必将带来新的产品与生态模式，具备广阔的市场前景。

与常规汽车相比，面向自动驾驶的车路协同系统具备两大重要特征，一是多技术交叉、跨产业融合，需要智能汽车、交通设施、信息通信基础设施与资源平台信息的融合感知，在云控平台上形成物理交通系统的实时数字映射，进行分层融合决策[1]，实现车辆行驶与交通信号的实时调节，以优化车辆与交通运行的安全、效率等性能;二是具有本地属性，基于分布式部署和个性化配置，车路协同系统要满足特定区域场景，在通信、地图、数据平台等本地属性的支撑和安全管理[2]。

从自动驾驶汽车到智能汽车，再到智能网联汽车，智能驾驶汽车技术及产业的快速发展，系统测试技术起到了重要的支撑作用。

1 路协同系统概述

1.1 车路协同整体架构

车路协同系统通过向车辆实时推送道路状态信息，助力车辆选择更安全高效的出行路径;通过对实时交通流量的监测来进行智能规划，增强道路交通管控能力;通过增强路侧基础设施的感知计算能力，并与车辆感知信息进行融合，提升交通治理的数字化水平。

现阶段采用的车路协同架构分为5个层级：

（1）终端层：人、车、路端的各类设备，如智能手机、数据接收器、硬件传感器、定位设备等，用于各类数据的采集。

（2）边缘层：路侧部署的数据采集、清洗、感知计算、目标跟踪计算、数据管理的设备，如MEC、RSU等，实现对车辆、道路环境数据的感知收集和基础计算功能。

（3）接入层：利用定位网络、专有网络、运营商网络和应急救援通信等渠道，保障人-车-路-云的信息安全通信。

（4）平台层：实现道路、基础设施、车辆、个人等信息的数字化资源汇集。

（5）应用层：为政府、车企、个人等提供个性化的平台接入能力和应用服务。

1.2 車路协同中的关键技术

车路协同是在单车智能自动驾驶的基础上，通过先进的车、道路感知和定位设备，对道路交通环境进行实时高精度感知定位，遵循预设协议，实现车与车、车与路、车与人之间不同程度的信息交互共享，并涵盖不同程度的车辆自动化驾驶，以及车辆与道路间的协同优化。通过车辆自动化、网络互联化和系统集成化，最终构建安全、高效的车路协同自动驾驶系统。

因此，实现面向自动驾驶的车路协同系统，还需要攻克一系列的关键技术，包括：

（1）多传感器融合感知技术。

（2）高精度地图与移动定位技术。

（3）协同决策与协同控制技术。

（4）高可靠低时延网络通信技术。

（5）云计算技术。

（6）功能安全与预期功能安全。

（7）物联网技术。

（8）网络安全技术等[3-4]。

1.3 路侧感知系统

路侧感知系统是车路协同系统的重要组成，负责全方位感知道路交通的不同运动状态、更新频率的目标，以及基于感知结果的全局信息统计与预测。车路协同路侧感知系统主要由路侧感知单元、数据传输单元、路侧计算单元、附属配套设施等组成，系统组成架构见图1所示。

（1）路侧感知单元：用于提取道路交通状态的各类要素，如交通参与者的运动学信息、判定交通事件触发的信息、计算交通流相关指标的支撑信息等，包括摄像机、毫米波雷达、激光雷达等交通检测器。

（2）外部设施：用于为闯红灯预警、浮动车信息采集、感知数据共享等特定场景提供感知信源，包括信号机、RSU、云平台、交通管控系统等。

（3）数据传输单元：用于系统组成设备之间以及系统与外部设备进行通信。

（4）路侧计算单元：用于对路侧感知单元的原始数据或结果数据进行存储、处理，生成高精度的感知结果信息。

（5）附属配套设施：用于为系统提供部署、供电、时间同步、信息安全等支撑服务的相关设备。

2 道路交通环境感知和信息统计

2.1 通用要求

不管是单车智能模式，还是车路协同系统，道路交通环境感知与信息统计，均是汽车自主导航和运动规划的前置条件[5]。道路交通环境感知结果的评估指标非常多，比如，在目标检测时，主要考虑检测水平（正确率、召回率、误检率）、位置精度、置信度。在实时性方面，考虑感知计算的时延水平、输出频率。系统计算主体的稳定性和安全性，也是重点考核内容。

2.2 道路基础设施信息

相对于其他道路交通信息，道路基础设施作为道路交通的运行环境，更新频率非常低，被视为静态数据。这一特性使得道路基础设施的各类信息，如车道线、限速标志、转向标志、人行横道、停止线等，可以被嵌套在高精度地图中。例如，在面向自动驾驶的高精度地图标准OpenDrive中，交通标志就被作为道路交通的元素，被结构化地存储在地图数据中。值得一提的是，交通信号系统，作为基础设施的重要部分，其位置是精确确定的，但是内容示意却是变化的。某些道路或者车道的属性（如行车方向），也可以随时间变化的。

2.3 交通参与者感知

在城市道路中，预期的交通参与者主要包括行人、机动车、非机动车。对这些道路交通参与者的检测计算，使用基于卷积神经网络的深度学习模型，利用真实数据进行训练，往往能得出性能良好的探测器，再基于多传感器检测结果，相互验证，从而提高检测的准确度、精确度。

2.4 交通事件检测

交通事件主要包括车辆的行为事件、道路环境事件、路面状态事件、非机动车事件。车辆行为事件主要包括：停车、车辆驶出路面、逆行/变线、倒车、拥堵、车辆超/低速、突然减速等。道路环境事件则包括烟雾、火焰等状况[6]。路面状态则是直接针对路面的情形，如抛洒物等。非机动车事件是在限定区域里出现了非机动车、行人的事件。高速公路和城市快速路上發生的停车、逆行、慢行、拥堵、行人穿越、交通事故是需要重点管控的交通事件。

2.5 交通流检测

交通流检测与预测服务于更加宏观的交通疏导。交通流的检测，主要分宏观和微观两个方面。微观层面，交通流检测以每辆车为对象，实时检测车辆的行驶方向、车速、车厂、车宽、车型、存在时间。中等粒度层面，以车道为对象，实时检测正反向交通流量、平均车速、平均车厂、平均时间占有率、平均车间据、排队长度。宏观层面上，交通状态主要包括畅通、缓行、密集、拥堵、走走停停五种交通状况。

3 车路协同系统的测试方法

测试方法主要指测试内容的组织形式以及开展测试的途径。一方面，考虑到系统的特点，装有OBU的车辆接收车路协同系统综合感知、传输、计算、融合计算的结果，因此测试方法必须提供车路协同系统的融合感知的性能测试，保证感知计算性能得到体现;另一方面，从测试的可重复性、可控性等需求出发，又希望测试对象在特定条件下被测试。根据上述两方面需求，按照测试方法对测试输入和测试过程要求的不同，可以将测试方法分为基于用例的测试方法、基于场景的测试方法、基于探针的量化测试和仿真测试。四种测试方法的对比，如表1所示。

4 车路协同系统的测试系统

测试工具是满足不同测试阶段、测试环境需求的测试过程的信息化集成结果[7]。采用测试工具可以大大提高测试的可重复性并降低风险，同时便于数据的采集。根据主体功能分类，车路协同系统的测试系统包括车端数据记录模块、数据分析与重组织模块、数据评测软件、系统参数配置模块、车端真值系统，如图2所示。

测试系统流程如下：

（1）车端真值系统采集单一交通参与者目标的定位、速度、航向角等运动学指标真值。

（2）车端数据记录模块则是记录车路协同系统发布的信息，包括多目标交通参与者的类别、定位、速度、航向角等数据，并打上接收时刻的时间戳。

（3）数据分析与重组织模块，则是将分拆多目标交通参与者的信息，并与车端真值系统的数据，进行数据结构和维度的对齐，辅助下一步的数据评测计算。

（4）数据评测软件是测试系统的核心，基于单目标和多目标的结构化数据，在感知距离、系统感知时延、定位精度、尺寸检测精度、速度检测精度、航向角检测精度、车道感知覆盖率、感知范围、系统频率、准确率与召回率、轨迹跟踪成功率、轨迹跟踪中位距离等指标上，进行量化评测。

（5）系统参数配置模块，除了用于设置测试设备采集参数和精度要求，更主要的作用是设置不同真值数据和车路协同感知系统的时间参考和空间参考的基准差异。

5 分析与展望

车路协同系统的测试，依赖于测试方法、测试工具以及测试加速手段的综合应用[8]。就当前研究现状而言，构建包含基于测试用例、基于场景、基于探针、虚拟仿真测试的测试工具链是非常必要的，在选择测试方法时需要综合考虑应用的测试环境、测试效率、测试成本等因素。

从该文的分析来看，现阶段，车路协同系统测试技术仍存在许多不足和局限性，主要体现在以下几个方面：

（1）测试方法方面。基于用例的测试方法不能完全满足车路协同测试需求。基于场景的测试方法和技术亟待完善，场景提取、筛选以及测试场景的构建是主要问题。

（2）测试工具方面。测试工具链严重不完整，缺少灵活性。基于虚拟仿真的测试，场景构建工具还存在技术高、模型不完善的局面，不能处理大尺度地图和交通流，测试效率低、成本高，开展比较困难。

针对以上分析，认为车路协同系统测试技术的未来发展重点应围绕以下几个方面：

（1）测试方法上，需要进一步完善基于场景的测试方法，发展场景综合构建方法和场景复杂度评估理论，并建立场景定义标准，以加快场景测试方法的落地应用。

（2）测试工具应着力发展模块化的测试工具，适配多种测试方法，尤其是基于场景的测试方法，建立柔性化、可定制的测试工具。提高虚拟环境的真实性，研究传感器的电气与虚拟交通环境的交互模型。

参考文献

[1]李克强. 智能网联汽车创新发展的探索与实践[J]. 汽车纵横， 2021（1）： 18-19.

[2]李克强，常雪阳，李家文，等. 智能网联汽车云控系统及其实现[J]. 汽车工程，2020（12）： 1595-1605.

[3]姚兰， 赵永恒， 施雨晴， 等. 一种基于视频分析的高速公路交通异常事件检测算法[J].计算机科学， 2020（8）：  208-212.

[4]清华大学智能产业研究院、百度Apollo. 面向自动驾驶的车路协同关键技术与展望[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，陈君毅. 自动驾驶汽车测试技术与应用进展[J]. 同济大学学报（自然科学版）， 2019（4）： 540-547.

[7]李克强， 戴一凡， 李升波， 等.智能网联汽车（ICV）技术的发展现状及趋势[J]. 汽车安全与节能学报， 2017（1）： 1-14.

[8]郭云鹏，邹凯，陈升东，等.基于仿真的面向车路协同的路侧感知仿真系统[J].计算机系统应用， 2021（8）： 29-35.

收稿日期：2022-01-20

作者简介：陈胜华（1986—），男，博士，高级工程师，研究方向：多传感器融合、高精度地图、自动驾驶系统。