面向自动驾驶的车路协同关键技术与展望.pdf

汽车产业正在经历百年未有之大变局，电动化、智能化、网联化和共享化是未来汽车产业发 展的主要趋势。一方面，能源消耗、环境保护、供需失衡、交通拥堵和行车安全给汽车产业 可持续发展带来的压力与日俱增，要求汽车行业必须把握新机遇提供全新解决方案。另一方 面，新一轮科技革命推动科技公司、创业公司及新型模式运营公司等外部力量加速跨界进入 汽车领域，汽车的产品属性、产业价值链和生态结构都将完全不同。 现阶段，汽车的电动化已经取得了阶段性的进展，接下来应该把网联化、智能化放到更加重 要的位置。近年来，全球自动驾驶汽车发展迅速，以 Waymo、Tesla、百度等为代表的企 业持续加大自动驾驶技术研发投入，大规模开展自动驾驶测试验证和示范应用，并逐步探索 无人驾驶汽车商业化运营。但总体来看，全球自动驾驶发展仍然处在初级阶段：L2 级别自 动驾驶汽车正处在商业化落地发展阶段，但市场渗透率和应用规模仍然较小；L3、L4 及以 上等级自动驾驶仍以试验和区域性示范为主，运行场景有限。全球自动驾驶行业仍需要探索 更加安全、更加泛化、更加经济高效的自动驾驶技术方案和落地路径，早日实现自动驾驶规 模商业化落地。 清华大学智能产业研究院（AIR）与百度共同致力于推进人工智能和自动驾驶技术发展、产 业升级和社会进步。2021 年 5 月，AIR 联合百度共同发布了“Apollo Air 计划”，将率先 探索中国车路协同自动驾驶技术的“无人区”。本次编制发布“面向自动驾驶的车路协同关 键技术与展望”白皮书,则深入阐述了车路协同自动驾驶的核心内涵，为“Apollo Air计划” 的技术方案和落地路径提供了参考。 希望本报告能够在行业引起广泛共鸣，也希望通过行业共同努力，推动我国自动驾驶快速发 展，助力我国汽车产业转型升级和经济高质量发展。 张亚勤 清华大学讲席教授 清华大学智能产业研究院(AIR)院长 美国艺术与科学院院士 自动驾驶技术是影响未来汽车产业发展的重要因素。随着自动驾驶技术的成熟和商业化的加 速，汽车将不再是从属于人的驾驶工具，车的核心价值部件由体现动力和操作系统的传动系 统转向体现自动驾驶水平的智能软件系统和处理芯片，驾驶员的双手、双脚、双眼将被解放， 出行过程中的娱乐、社交、消费场景被彻底打开，开辟万亿级市场。 自动驾驶目前有单车智能自动驾驶（ Autonomous Driving，AD） 和车路协同自动驾驶 （Vehicle-Infrastructure Cooperated Autonomous Driving，VICAD） 两种技术路线。 其中AD主要依靠车辆自身的视觉、毫米波雷达、激光雷达等传感器、计算单元、线控系统 进行环境感知、计算决策和控制执行。VICAD 则是在单车智能自动驾驶的基础上，通过车 联网将“人-车-路-云”交通参与要素有机地联系在一起，助力自动驾驶车辆在环境感知、 计算决策和控制执行等方面的能力升级，加速自动驾驶应用成熟。VICAD 不仅可以提供更 安全、更舒适、更节能、更环保的驾驶方式，还是城市智能交通系统的重要环节，也是构建 新型智慧城市的核心要素。 VICAD 是 AD 的高级发展形式，是一个循序渐进由低到高的发展过程， 可以分为三个大的 发展阶段： （1）阶段1：信息交互协同，实现车辆与道路的信息交互与共享； （2） 阶段2：协同感知，在阶段1的基础上，发挥路侧的感知定位优势，与车辆进行协同感 知定位； （3） 阶段3：在阶段1和阶段2的基础上，车辆与道路可实现协同决策与控制功能，能够保 证车辆在所有道路环境下都能实现高等级自动驾驶。 我国VICAD研究和发展迅速，I阶段VICAD已在多个城市开展规模性测试验证和先导示范， 并逐步开展商业化运营先行先试 ；II阶段VICAD也在部分城市开展了建设部署和测试试验， 道路的协同感知能力得到了充分验证，部分场景下基础设施的协调和控制也得到了探索，但 总体而言，II 阶段 VICAD 目前还不足以支撑高等级自动驾驶规模商业化落地。原因主要体 现在： （1）路侧协同感知定位能力有待进一步提高，尤其是需要从功能安全和预期功能安全 （ Safety of The Intended Functionality，SOTIF）的角度全面提高设备和系统的精确 性、稳定性、数据可靠性等； （2）道路智能化设备的覆盖范围有限，还不足以提供有效的车路协同应用服务； （3） 需要更加高效、经济的车路通信技术方案，解决更大连接、低时延、高可靠的数据传输 问题。 1 2 前 言 INTRODUCTION 所以，为了尽早实现自动驾驶规模商业化落地，需要针对车路协同深度融合系统进一步开 展深入研发测试，加快建设部署高等级智能化道路，在保障自动驾驶安全运行和快速规模 商业化落地的同时，为智能交通、智慧出行和智慧城市建设提供高维数据，带来更多新智 能应用。 本白皮书在深入研究 VICAD 概念与内涵、SOTIF、设计运行域（Operational Design Domain，ODD）扩展等一系列问题的基础上，阐述了车路协同自动驾驶的必然趋势、展 望和愿景目标，并针对现阶段我国 VICAD 发展存在一系列问题，提出了加快建设部署高 等级智能化道路的发展建议和具体措施。 本白皮书的主编单位包括：清华大学智能产业研究院、百度Apollo 本白皮书由清华大学智能产业研究院（AIR）张亚勤博士牵头编制，其他编制组成员包括 清华大学智能产业研究院（AIR）的周谷越博士、袁基睿博士、王哲、陈家璇、陈小雪、蒋程宇、 韩一峰、苏泽然、李今、郭昊乐、陈翔宇 ；百度Apollo的尚国斌、陶吉博士、胡星、杨凡、王鲲、 张雯、胡茂洋、杨国义、骆乃瑞、张珠华、汪泰源、王阳、王亚丽、邓烽、时一峰、杨加林、张美博、 马雪晶、赵晶齐、王耀萱等。 本白皮书的指导专家包括（排名不分先后，按汉语拼音排序）： 冉 斌 东南大学-威斯康星大学智能网联交通联合研究院院长 杨殿阁 清华大学教授，车辆学院创院院长，中国汽车工程学会会士 姚丹亚 清华大学自动化系工程研究所教授 朱西产 同济大学汽车安全技术研究所所长 感谢各编制单位、编制人员和指导专家对白皮书编制工作的大力支持，限于时间和研究水平， 白皮书仍有待改进之处，需要不断修订和完善，欢迎各位领导、专家和业界同仁提出指导 意见和建议，也欢迎加入到车路协同自动驾驶的研究和推进工作，共同推进我国自动驾驶、 智能交通快速发展。 美国将单车智能自动驾驶定义为Autonomous Driving，欧洲ERTRAC将单车智能自动驾驶定义为Automated Driving。 美国CARMA提出了协同式自动驾驶（Cooperative Driving Automation，CDA），欧洲ERTRAC提出了网联自动驾驶（Connected Automated Driving，CAD）的概念，参考国外现状，并结合我国技术发展水平提出了车路协同自动驾驶（Vehicle-Infrastructure Cooperated Autonomous Driving，VICAD）。 1 2 序 言 III 前 言 I 第1章 单车智能自动驾驶发展现状与存在的挑战 - 07 1.1 单车智能自动驾驶发展现状 1.2 高等级自动驾驶规模商业化落地存在的挑战 第2章 车路协同自动驾驶是规模商业化落地的必然趋势 - 10 2.1 车路协同自动驾驶概念与内涵 2.1.1 概念与定义 2.1.2 车路协同自动驾驶内涵 2.2 基于车路协同的SOTIF提升自动驾驶安全 2.2.1 单车智能自动驾驶SOTIF 2.2.2 车路协同自动驾驶SOTIF保障自动驾驶安全 2.2.3 车路协同安全分析模型 2.3 基于车路协同扩展自动驾驶ODD 2.3.1 自动驾驶ODD限制 2.3.2 车路协同对ODD的扩展 第3章 车路协同自动驾驶需要高等级智能道路 - 25 3.1 面向车路协同自动驾驶的道路智能化分级 3.1.1 分级目的 3.1.2 技术分级 3.2 自动驾驶规模商业化对道路智能化的关键需求 3.3 建设高等级智能道路具有显著经济性 3.3.1 微观经济效益比较 3.3.2 宏观经济效益分析 第4章 百度车路协同自动驾驶实践 - 3 2 4.1 百度ACE智能交通引擎 4.2 Apollo车路协同自动驾驶实践 4.2.1 Apollo共享无人车规模化测试运营 4.2.2 Apollo Air计划 4.2.3 标准先行 4.3 Apollo车路协同典型场景和技术优势 4.3.1 全量交通要素感知定位 4.3.2 道路交通事件感知定位 4.3.3 路侧信号灯融合感知 08 08 11 33 34 11 12 15 15 16 21 23 23 24 26 26 26 27 29 29 31 34 34 34 35 35 39 40 CONTENTS 目 录 第5章 建设高等级智能道路助力实现跨行业协同创新 - 42 5.1 建设高等级智能道路的中国优势 5.2 提升城市智能交通管理能力，提高交通出行效率 5.3 推进高速公路建管养运一体化，建设智慧高速 5.4 提高城市综合治理能力，构建安全节能新型智慧城市 第6章 总结与展望 - 48 6.1 观点总结 6.2 发展展望 6.3 发展建议 附录 附录1： 国外车路协同自动驾驶发展现状 - 53 附录2：车路协同带来的以高维数据为代表的智能要素 - 55 附录3：安全评价模型 - 57 缩略语 - 63 参考文献 - 64 43 45 46 49 49 50 47 单车智能自动驾驶 发展现状与存在的挑战 01 SECTION 1 1.1 单车智能自动驾驶发展现状 自动驾驶指车辆主要依靠人工智能、视觉计算、雷达和全球定位及车路协同等技术，使汽车具有环境感知、路径规划和自 主控制的能力，能够让计算机自主操控车辆，在不受任何人为干预的情况下自动安全地驾驶。自动驾驶是未来汽车产业发 展的主流趋势，各国都在持续加大投入开展技术研究和产业化落地。 自动驾驶有单车智能自动驾驶（AD）和车路协同自动驾驶（VICAD）两大技术路线。单车智能自动驾驶的环境感知是通 过车上安装的传感器完成对周围环境的探测和定位功能。计算决策一方面将传感器数据进行分析处理，实现对目标的识别； 另一方面进行行为预测和全局路径规划、局部路径规划和即时动作规划，决定车辆当前及未来的运行轨迹。控制执行主要 包括车辆的运动控制以及人机交互，决定每个执行器如电机、油门、刹车等控制信号。 按照美国国际自动机工程师学会（SAE）划分的 L0-L5 自动驾驶等级来看， AD 先进辅助驾驶系统功能（Advanced Driver Assistance System, ADAS）仍然是主力 ；L2 正处在商业化落地发展阶段，但市场渗透率和应用规模仍然较小； L3、L4 及以上等级自动驾驶仍处在试验和区域性示范为主，规模商业化落地则需要更长的时间。 （1）全球自动驾驶处于 L2 商用落地发展阶段 L2 级的 ADAS 是现阶段自动驾驶汽车商用落地的核心，由车辆的一个或多个驾驶辅助系统依据驾驶环境信息，在特定工 况下执行转向或加速 / 减速，驾驶员执行所有其余的各类动态驾驶任务。根据高工智能汽车研究院2020 年 1-5 月乘用 车新车上险量 ADAS 市场数据报告，国内新车累计销量超过 5 万辆的车型中，ADAS 前装标配搭载率平均值达到 53.43%，其中，经济型车型搭载率平均为 45.96%。智能网联汽车技术路线图 2.0提出，到 2025 年，L2 和 L3 相 当功能的自动驾驶（PA）和有条件的自动驾驶（CA）的汽车销量占比将超过 50%，高度自动驾驶（HA，相当于 L4） 开始进入市场。各车企也都相继规划提出了 L2、L2.5 甚至无限接近于 L3 功能的量产计划，但是 L3 一方面受限于自动 驾驶汽车上路法律法规限制，另一方面受到场景和技术的限制，目前还难以进入实质量产阶段。 （2）高等级自动驾驶主要聚集于限定区域应用场景 在高等级自动驾驶领域，因为前期研发投入大、技术难度高，L3 级及以上自动驾驶汽车商业化进程缓慢，产业链合作伙伴 抱团共同发展渐成常态。现阶段，高等级自动驾驶研发投入及商业化验证主要聚集在智慧园区 / 示范园区、港口、码头、 停车场等限定区域应用场景，以及商用车物流、自动泊车等细分领域，低成本自动驾驶解决方案以及可弥补真实道路测试 验证的自动驾驶仿真测试需求凸显。同时随着汽车产业“四化”转型加速，以及国家频繁发布产业红利政策加速推进围绕 智能汽车等新经济生态的快速发展，自动驾驶载人、载物、高速测试等陆续开放，关键节点及核心领域具备前沿技术验证 及整合服务能力的企业有望实现突破。 SECTION 2 1.2 高等级自动驾驶规模商业化落地存在的挑战 高等级自动驾驶规模商业化落地仍然面临着诸多挑战，主要体现在以下三个方面： （1）自动驾驶安全依然面临着巨大挑战 与传统汽车相比，自动驾驶汽车是一个更为复杂的系统，对安全将提出更高的要求。单车智能自动驾驶经过多年的发展， 安全问题依然是影响自动驾驶规模商业化落地的关键原因。 在低等级自动驾驶方面，很多车企都已经商用量产，但很多ADAS功能仍然存在特定场景下应对能力不足和失效的风险。 以自动紧急刹车为例，在夜间或者儿童穿梭等场景下，车辆的应对能力不足，很容易出现碰撞危险；另外针对雨天打伞、 雨衣、隧道等场景也较容易出现系统失效的现象。 在高等级自动驾驶方面，自动驾驶的可靠性和应对挑战性交通场景的能 力仍然有待提升。2016年兰德智库报告指出，一套自动驾驶系统需要测试110亿英里，才能达到量产条件。但即使是L4级 自动驾驶头部企业Waymo在2020年的路测里程达到了981万公里，距离110亿英里还有很大的差距，另外自2019年至 2020年9月，Waymo自动驾驶汽车共发生18起事故、29次人为干涉以避免碰撞的场景。高等级自动驾驶车辆目前面临 的安全问题主要包括： （1）软硬件系统出现错误或漏洞； -8 （2）感知容易受到遮挡、恶劣天气等环境挑战影响出现失效； （3）目标运动行为出现预测能力不足、决策时间超时和生成轨迹错误的现象; （4）目前的道路设施是以服务人类驾驶员进行设计和建设，车辆难以高效准确获取道路设施提供的交通规则、交通状 态等信息。 （2）单车感知长尾问题限制了车辆可运行设计域（ODD） 自动驾驶运行设计域（Operational Design Domain，ODD）是指自动驾驶系统功能设定的运行条件，包括环境、地 理和时段限制、交通流量及道路特征等。ODD限制是保证车辆安全的重要手段，但却不利于自动驾驶的规模商业化落地。 例如美国国会至今也没有发布全国性的自动驾驶法规，亚利桑那州、佛罗里达州和其他地方政府也都要求自动驾驶汽车必 须在限定的区域内开展自动驾驶测试和试运营。 限制自动驾驶ODD的原因或条件有很多，例如:1、道路条件，比如高速公路、无信号灯十字路口、山区道路等;2、环境条件， 天气（雨雪雾）和日照状况（昼或夜、逆光、隧道出入口）等 ；3、其他还包括过时的地图信息、收费站、水洼、低垂的植物、 道路结冰、遗撒的物体、特种机械和违反交通规则的人类行为。 感知的长尾问题是当前限制单车智能自动驾驶车辆 ODD 的主要原因之一。受车端传感器安装位置、探测距离、视场角、 数据吞吐、标定精度、时间同步等限制，车辆在繁忙路口、恶劣天气、小物体感知识别、信号灯识别、逆光等环境条件中行驶时， 仍然难以彻底解决准确感知识别和高精度定位问题。 这些长尾问题，严重制约和影响了自动驾驶的规模商业化落地，而这 些感知长尾问题仅靠车端传感器融合感知是难以解决的。 （3）自动驾驶的经济性问题还未得到充分解决 经济性是自动驾驶规模商业化落地必须考虑的现实问题。为了实现高等级自动驾驶，车载传感器的数量需要显著增加，目 前L4级自动驾驶车辆的硬件设备一般包含：612台摄像头、312台毫米波雷达、5台以内的激光雷达以及12 台GNSS/IMU和12台计算平台，硬件成本过高，难以保证车辆的经济性。另外，为了确保自动驾驶安全，会在车端 部署冗余传感器系统、高精度地图、及相应的软件系统，也大大增加了自动驾驶车辆的成本。 在一定的自动驾驶能力条件下，安全、ODD 和经济性这三个方面存在平衡关系。例如，可以通过限制 ODD 并针对性调 优逼近系统上限、使用较昂贵的设备来提升单车智能自动驾驶的安全性，从而实现小规模商业应用落地。但在规模商业化 落地中，三个方面都是必要条件，需要提升。 综上所述，单车智能自动驾驶要实现规模商业化落地，还面临着安全性、ODD 限制和经济性等方面的挑战和问题，在当 前自动驾驶能力条件下，还无法找到安全性、ODD 限制和经济性的平衡点，需要从本质上提升自动驾驶的能力。 SAE（美国国际自动机工程师学会）及中国发布的国家标准汽车驾驶自动化分级（报批稿）都将自动驾驶分为L0-L5共6个等级，其中L0：应急辅助，L1：部分驾驶辅助，L2： 组合驾驶辅助，L3：有条件自动驾驶，L4：高度自动驾驶，L5：完全自动驾驶。 3 3 智能产业研究院 Institute for AI Industry Research,Tsinghua University 高等级自动驾驶规模商业化落地仍然面临着诸多挑战，主要体现在以下三个方面： （1）自动驾驶安全依然面临着巨大挑战 与传统汽车相比，自动驾驶汽车是一个更为复杂的系统，对安全将提出更高的要求。单车智能自动驾驶经过多年的发展， 安全问题依然是影响自动驾驶规模商业化落地的关键原因。 在低等级自动驾驶方面，很多车企都已经商用量产，但很多ADAS功能仍然存在特定场景下应对能力不足和失效的风险。 以自动紧急刹车为例，在夜间或者儿童穿梭等场景下，车辆的应对能力不足，很容易出现碰撞危险；另外针对雨天打伞、 雨衣、隧道等场景也较容易出现系统失效的现象。 在高等级自动驾驶方面，自动驾驶的可靠性和应对挑战性交通场景的能 力仍然有待提升。2016年兰德智库报告指出，一套自动驾驶系统需要测试110亿英里，才能达到量产条件。但即使是L4级 自动驾驶头部企业Waymo在2020年的路测里程达到了981万公里，距离110亿英里还有很大的差距，另外自2019年至 2020年9月，Waymo自动驾驶汽车共发生18起事故、29次人为干涉以避免碰撞的场景。高等级自动驾驶车辆目前面临 的安全问题主要包括： （1）软硬件系统出现错误或漏洞； 01 单车智能自动驾驶发展现状与存在的挑战 （2）感知容易受到遮挡、恶劣天气等环境挑战影响出现失效； （3）目标运动行为出现预测能力不足、决策时间超时和生成轨迹错误的现象; （4）目前的道路设施是以服务人类驾驶员进行设计和建设，车辆难以高效准确获取道路设施提供的交通规则、交通状 态等信息。 （2）单车感知长尾问题限制了车辆可运行设计域（ODD） 自动驾驶运行设计域（Operational Design Domain，ODD）是指自动驾驶系统功能设定的运行条件，包括环境、地 理和时段限制、交通流量及道路特征等。ODD限制是保证车辆安全的重要手段，但却不利于自动驾驶的规模商业化落地。 例如美国国会至今也没有发布全国性的自动驾驶法规，亚利桑那州、佛罗里达州和其他地方政府也都要求自动驾驶汽车必 须在限定的区域内开展自动驾驶测试和试运营。 限制自动驾驶ODD的原因或条件有很多，例如:1、道路条件，比如高速公路、无信号灯十字路口、山区道路等;2、环境条件， 天气（雨雪雾）和日照状况（昼或夜、逆光、隧道出入口）等 ；3、其他还包括过时的地图信息、收费站、水洼、低垂的植物、 道路结冰、遗撒的物体、特种机械和违反交通规则的人类行为。 感知的长尾问题是当前限制单车智能自动驾驶车辆 ODD 的主要原因之一。受车端传感器安装位置、探测距离、视场角、 数据吞吐、标定精度、时间同步等限制，车辆在繁忙路口、恶劣天气、小物体感知识别、信号灯识别、逆光等环境条件中行驶时， 仍然难以彻底解决准确感知识别和高精度定位问题。 这些长尾问题，严重制约和影响了自动驾驶的规模商业化落地，而这 些感知长尾问题仅靠车端传感器融合感知是难以解决的。 （3）自动驾驶的经济性问题还未得到充分解决 经济性是自动驾驶规模商业化落地必须考虑的现实问题。为了实现高等级自动驾驶，车载传感器的数量需要显著增加，目 前L4级自动驾驶车辆的硬件设备一般包含：612台摄像头、312台毫米波雷达、5台以内的激光雷达以及12 台GNSS/IMU和12台计算平台，硬件成本过高，难以保证车辆的经济性。另外，为了确保自动驾驶安全，会在车端 部署冗余传感器系统、高精度地图、及相应的软件系统，也大大增加了自动驾驶车辆的成本。 在一定的自动驾驶能力条件下，安全、ODD 和经济性这三个方面存在平衡关系。例如，可以通过限制 ODD 并针对性调 优逼近系统上限、使用较昂贵的设备来提升单车智能自动驾驶的安全性，从而实现小规模商业应用落地。但在规模商业化 落地中，三个方面都是必要条件，需要提升。 综上所述，单车智能自动驾驶要实现规模商业化落地，还面临着安全性、ODD 限制和经济性等方面的挑战和问题，在当 前自动驾驶能力条件下，还无法找到安全性、ODD 限制和经济性的平衡点，需要从本质上提升自动驾驶的能力。 -9 -6 车路协同自动驾驶是 规模商业化落地的必然趋势 02 车路协同是采用先进的无线通信和新一代互联网等技术，全方位实施车与车、车与路、车与人之间动态实时信息交互，并 在全时空动态交通信息采集与融合的基础上开展车辆主动安全控制和道路协同管理，充分实现人车路的有效协同，保证交 通安全，提高通行效率，从而形成安全、高效和环保的道路交通系统。车路协同能够加速自动驾驶规模商业化落地实现， 其产业链潜力巨大，将成为新一轮科技创新和产业竞争的制高点。 车路协同自动驾驶则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（如摄像头、雷达等）对道路 交通环境进行实时高精度感知定位，按照约定协议进行数据交互，实现车与车、车与路、车与人之间不同程度的信息交互 共享（网络互联化），并涵盖不同程度的车辆自动化驾驶阶段（车辆自动化），以及考虑车辆与道路之间协同优化问题（系 统集成化）。通过车辆自动化、网络互联化和系统集成化，最终构建一个车路协同自动驾驶系统。 车路协同自动驾驶是一个由低至高的发展过程，主要包括以下三个大的发展阶段 ，如下表 2.1 所示，各个阶段的具体要求 如下： （1）阶段 1：信息交互协同 车辆OBU与路侧RSU进行直连通信，实现车辆与道路的信息交互与共享，通信方式可以是DSRC或LTE-V2X。 （2）阶段 2：协同感知（阶段 2.1：初级协同感知，阶段 2.2：高级协同感知） 在阶段1的基础上，随着路侧感知能力的提高，自动驾驶的感知和决策的实现不仅仅依赖于车载摄像头、雷达等感知设备， 而且需要智能道路设施进行协同感知。协同感知分为初级协同感知和高级协同感知两个分阶段： 1、阶段2.1初级协同感知：道路感知设施相对单一、部署范围有限、检测识别准确率较低、定位精度较低，达不到服务于 L4级自动驾驶车辆的要求； 单车智能自动驾驶容易受到遮挡、恶劣天气等环境条件影响，在全量目标检测、轨迹预测、驾驶意图“博弈”等方面存在 困难。而车路协同自动驾驶通过信息交互协同、协同感知与协同决策控制，可以极大地拓展单车的感知范围、提升感知的 能力，引入高维数据为代表的新的智能要素，实现群体智能。可以从本质上解决单车智能自动驾驶遇到的技术瓶颈，提升 自动驾驶能力，从而保证自动驾驶安全，扩展自动驾驶ODD。 2.1.1 概念与定义 02 车路协同自动驾驶是规模商业化落地的必然趋势 SECTION 1 2.1 车路协同自动驾驶概念与内涵 -11 中国公路学会自动驾驶委员会2019年6月发布的车路协同自动驾驶发展报告1.0版将车路协同自动驾驶分为4个阶段：阶段1：信息交互协同；阶段2：感知预测决策协同；阶段3： 控制协同；阶段1V：车路一体化。本白皮书结合当前技术发展水平对阶段划分进行了适应性修改。 4 4 2、阶段2.2高级协同感知：道路感知设施多样、道路全面覆盖、检测识别准确率高、定位精度高，能够服务于L4级自 动驾驶车辆； （3）阶段 3：协同决策控制（阶段 3.1 有条件协同决策控制，阶段 3.2：完全协同决策控制） 在阶段2协同感知的基础上，道路具备车路协同决策控制的能力，能够实现道路对车辆、交通的决策控制，保障自动驾驶安全、 提高交通效率。 1、阶段3.1有条件协同决策控制：在自动驾驶专用道、封闭园区等环境下实现协同决策控制，或实现AVP自主泊车。 2、阶段3.2完全协同决策控制：在任何时间、任何道路和交通环境下，都可实现车路全面协同感知、协同决策控制功能。 车路协同自动驾驶由智能车辆、智能道路两大关键部分组成： （1）智能车辆： 可以是不同网联等级和自动化程度的车辆； （2）智能道路： 可包括以下设备设施 ：道路工程及配套附属设施 ；智能感知设施（摄像头、毫米波雷达、激光雷达等） ；路侧通信设施（直 连无线通信设施、 蜂窝移动通信设施）；计算控制设施（边缘计算节点、MEC或各级云平台）；高精度地图与辅助定 位设施；电力功能等配套附属设备等； 阶段1：信息交互协同 阶段2：协同感知 无 阶段2.1：初级协同感知 阶段2.2：高级协同感知 阶段3.2：完全协同决策控制 阶段3.1：有条件协同决 策控制；阶段3：协同决策控制 注：T/CSAE 53-2019合作式智能运输系统 车用通信系统应用层及应用数据交互准 T/CSAE 157-2020合作式智能运输系统 车用通信系统应用层及应用数据交互标准（第二阶段） T/CSAE 158-2020基于车路协同的高等级自动驾驶数据交互内容 T/CSAE 156-2020自主代客泊车系统总体技术要求 T/CSAE 53-2019 T/CSAE 157-2020 T/CSAE 158-2020 T/CSAE 157-2020 T/CSAE 158-2020 T/CSAE 156-2020 碰撞预警、道路危险提示等 暂无 5G平行驾驶 交通参与者、交通事件等协同感知，2.2 阶段所需的感知能力远高于2.1阶段 协作式换道、无信号灯协同通行、紧急 车辆优先、AVP等 子阶段 适用标准 典型应用场景举例阶段 表 2.1 VICAD发展阶段划分 车路协同是采用先进的无线通信和新一代互联网等技术，全方位实施车与车、车与路、车与人之间动态实时信息交互，并 在全时空动态交通信息采集与融合的基础上开展车辆主动安全控制和道路协同管理，充分实现人车路的有效协同，保证交 通安全，提高通行效率，从而形成安全、高效和环保的道路交通系统。车路协同能够加速自动驾驶规模商业化落地实现， 其产业链潜力巨大，将成为新一轮科技创新和产业竞争的制高点。 车路协同自动驾驶则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（如摄像头、雷达等）对道路 交通环境进行实时高精度感知定位，按照约定协议进行数据交互，实现车与车、车与路、车与人之间不同程度的信息交互 共享（网络互联化），并涵盖不同程度的车辆自动化驾驶阶段（车辆自动化），以及考虑车辆与道路之间协同优化问题（系 统集成化）。通过车辆自动化、网络互联化和系统集成化，最终构建一个车路协同自动驾驶系统。 车路协同自动驾驶是一个由低至高的发展过程，主要包括以下三个大的发展阶段 ，如下表 2.1 所示，各个阶段的具体要求 如下： （1）阶段 1：信息交互协同 车辆OBU与路侧RSU进行直连通信，实现车辆与道路的信息交互与共享，通信方式可以是DSRC或LTE-V2X。 （2）阶段 2：协同感知（阶段 2.1：初级协同感知，阶段 2.2：高级协同感知） 在阶段1的基础上，随着路侧感知能力的提高，自动驾驶的感知和决策的实现不仅仅依赖于车载摄像头、雷达等感知设备， 而且需要智能道路设施进行协同感知。协同感知分为初级协同感知和高级协同感知两个分阶段： 1、阶段2.1初级协同感知：道路感知设施相对单一、部署范围有限、检测识别准确率较低、定位精度较低，达不到服务于 L4级自动驾驶车辆的要求； 2.1.2 车路协同自动驾驶内涵 与 AD 相比，VICAD 的典型特征或内涵是高维数据带来新智能。 其中高维数据为代表的智能要素特性体现在数据高维、 算力高维和算法高维，新智能则体现在从单体智能向群体智能发展过渡。 1 高维数据 1.1 数据高维： VICAD在路侧会产生大量的数据，且信息特性与单车智能数据具有一定的正交属性，通过车路协同融合后将形成新的更高维 度数据，如空间维度（范围、视角、盲区）、时间维度（动/静态、时间范围）、类型维度（多源多层）等，分布在不同维度 具有正交性的高维数据信息量更大，对于智能系统的能力会产生更有效的帮助。VICAD与AD数据维度的比较见表2.2。 -12 2、阶段2.2高级协同感知：道路感知设施多样、道路全面覆盖、检测识别准确率高、定位精度高，能够服务于L4级自 动驾驶车辆； （3）阶段 3：协同决策控制（阶段 3.1 有条件协同决策控制，阶段 3.2：完全协同决策控制） 在阶段2协同感知的基础上，道路具备车路协同决策控制的能力，能够实现道路对车辆、交通的决策控制，保障自动驾驶安全、 提高交通效率。 1、阶段3.1有条件协同决策控制：在自动驾驶专用道、封闭园区等环境下实现协同决策控制，或实现AVP自主泊车。 2、阶段3.2完全协同决策控制：在任何时间、任何道路和交通环境下，都可实现车路全面协同感知、协同决策控制功能。 车路协同自动驾驶由智能车辆、智能道路两大关键部分组成： （1）智能车辆： 可以是不同网联等级和自动化程度的车辆； （2）智能道路： 可包括以下设备设施 ：道路工程及配套附属设施 ；智能感知设施（摄像头、毫米波雷达、激光雷达等） ；路侧通信设施（直 连无线通信设施、 蜂窝移动通信设施）；计算控制设施（边缘计算节点、MEC或各级云平台）；高精度地图与辅助定 位设施；电力功能等配套附属设备等； 要实现车路协同自动驾驶还需要攻克一系列的关键技术，包括： （1）协同感知技术： 传感器高精度标定技术；环境感知技术；融合与预测技术； （2）高精度地图与高精度定位技术： 高精度地图；路侧辅助定位技术； （3）协同决策与协同控制技术 : 意图预测、博弈仲裁、引导调度等协同决策；车辆、设施、人类等协同控制引导； （4）高可靠低时延网络通信技术 : 直连无线通信技术；蜂窝移动通信技术；交通系统集成优化与有线网络传输技术等； （5）云计算技术： 边缘计算MEC技术；多级云控平台技术；大数据和人工智能平台技术； （6）功能安全与预期功能安全； （7）物联网 IoT 技术； （8）网络安全技术等。 智能产业研究院 Institute for AI Industry Research,Tsinghua University 表 2.2 AD与VICAD数据维度比较 表 2.3 AD与VICAD算力维度比较 1.2 算力高维: VICAD通过路侧智能匹配高维度数据的算力智能要素也具备更高等级的条件，如固定点位和机房集群、固网通信、算力调 度等条件，如下表2.3所示。 1.3 算法高维： VICAD通过新的算法要素进行实时在线处理，离线的挖掘训练仿真，可为自动驾驶提供更多、更高等级的智能应用，如下 表2.4所示。 单车局部范围，且同等设备可更密集精确 范围 动/静态 视角 盲区 第一视角有优势，但易于被视距问题影响 有多视角优势，可俯视视角 时间范围 单车实时 持续观测长期推理预测未来 多源多层 单车传感器，实时一手 设备按车规部署于车内须较小，耐高温振 动电磁，且能力受限 架设于路侧，可使用较大体积和重量的设 备，可选择不同的形态种类，且上限更高 交通、场景、用户等多源多层数据，且易 做灾害异常等高等级推理，如红绿灯、天 气、人文活动等跨领域跨行业信息 传感器集中部署于车上易造成静态盲区和 动态遮挡盲区，可通过运动推理盲区状态 来补偿 观测点动态移动所以有难度，但也有动态 视角变化前后印证的优势；观测相对变化 高于参与者观察，所以盲区小，并可通过 多传感器重叠区域消除盲区 观测点静态，可长时间观测并分辨差异 多点位全局范围，超视距，且有条件因地制宜 地布设 VICAD数据维度特性维度类别 空间维度 时间维度 类型维度 维度子类别 AD数据维度特性 其他维度特性 单车遭遇高车总时长 时间：2021年4月百度Apollo Robotaxi运营时间段内 单车红绿灯有效感知数量时长积（忽略闪烁黑灯）路口逆光 时间：2021年4月百度Apollo Robotaxi夕照时段段内 指标名 指标名 场景 固定设备，端边云多层，端的设备须防震、防 热、防电磁、防尘等，云的设备有较好IDG环境 移动属性 电源属性 解耦调度 通信 电网供电，能耗不受限 多种解耦调度形态，如忙闲调度、多点位空间调 度、时间调度、步骤配合调度、在线与离线调度 车路无线通信，路云间是有线传输 移动设备，体积较小且防震、防热、防电 磁、防尘等要求障碍物持续时间求 电池供电，能耗受限 车载算力专用，定制紧耦合配套设计 整车CAN、车载以太网等 AD算力 VICAD算力维度子类别 -13 02 车路协同自动驾驶是规模商业化落地的必然趋势 表 2.4 AD与VICAD算法维度比较 单车遭遇高车总时长 时间：2021年4月百度Apollo Robotaxi运营时间段内 单车红绿灯有效感知数量时长积（忽略闪烁黑灯）路口逆光 时间：2021年4月百度Apollo Robotaxi夕照时段段内 指标名 指标名场景 具备基础设施设计参与度，可动态处理 场景化高精 分工服务化 全局大数据 协同智能 交通运营商服务 端边云融合大数据分析处理 多方多层次协同 依赖推理高级语义或地图，偏静态 单车能力闭环 单车实时结合地图与模型 单向，博弈推理 AD算法和机制 VICAD算法和机制维度子类别 -14 2 新智能 VICAD 区别于单车智能，是新的智能形态。VICAD 通过引入新的智能要素，带来高维数据，并配合灵活算力和算法机制， 实现由个体智能向协同智能或群体智能发展。VICAD新智能使自动驾驶能力得到本质提升，突破了单车智能的天花板限制， 将极大促进自动驾驶技术发展和规模商业化落地。 以VICAD协同感知框架为例，如图2.1和图2.2所示，在AD车端感知子系统的基础上，路侧增加了冗余感知子系统和 车路通信子系统，其中：1、冗余感知子系统为车辆提供感知冗余，弥补车端感知的缺陷和不足。2、车路通信子系统引入 路侧智能感知结果，与车载感知结果并联，经过车路协同融合模块处理后，输出到下游的决策控制子系统。处理环节中， 道路感知、车路协同融合使用的是与单车智能的感知、多传感器融合同类型的处理，仅通信的处理环节是完全新引入的处 理环节。得益于5G的普及与V2X（DSRC、LTE-V、NR-V2X、C-V2X）等通信技术长年发展，使得高可靠、低时延、 大连接车路信息交互成为可能。所以车路协同所降低的复杂度是相对困难且长尾的算法和系统性复杂度，所增加的复杂度 主要是相对低代价且可控的工程性复杂度。 图 2.1 AD感知、决策控制系统框架 图 2.2 VICAD协同感知系统框架 智能产业研究院 Institute for AI Industry Research,Tsinghua University 从复杂度熵系统的角度，车路协同自动驾驶引入了熵减的智能要素，来对抗单车智能自动驾驶系统自然迭代生长的熵增。 可以以一个较直观的案例来阐述VICAD系统的优势，以交通信号灯色识别为例，如果通过单车智能完成，需要在3D空间 中识别定位到较远处的交通信号灯，通过光学传感器识别灯色，并且预测相位灯态变化；还需要面临炫光、尾灯霓虹灯干 扰、LED频闪、灯亮度达标延迟、损坏和老化、移动式红绿灯的位移、欧美悬挂式灯的晃动、多相位匹配、超视距、盲 区、动静态遮挡、异常天气等场景中的感知难题。而通过车路协同则可以引入路侧子系统的高维