安 鑫，蔡伯根，上官偉

(北京交通大學(xué) 電子信息工程學(xué)院，北京 100044)

隨著科學(xué)技術(shù)和經(jīng)濟(jì)社會(huì)的不斷發(fā)展，人們的出行方式越來(lái)越便捷且選擇越來(lái)越豐富，最常用的出行工具——汽車(chē)(智能網(wǎng)聯(lián)汽車(chē)或自動(dòng)駕駛汽車(chē))的數(shù)量也不斷增加。據(jù)公安部統(tǒng)計(jì)，截至2021年3月全國(guó)機(jī)動(dòng)車(chē)保有量已達(dá)3.78億輛；機(jī)動(dòng)車(chē)駕駛?cè)诉_(dá)4.63億人，而且這一數(shù)據(jù)還在不斷增長(zhǎng)[1]。與此同時(shí)，隨機(jī)動(dòng)車(chē)數(shù)量一起增長(zhǎng)的，還有交通事故的發(fā)生數(shù)量。據(jù)統(tǒng)計(jì)，2014年至2021年間，全國(guó)每年平均發(fā)生的交通事故數(shù)量達(dá)15萬(wàn)起以上[2]。在2018年和2019年已經(jīng)超過(guò)20萬(wàn)起。2020年受突發(fā)新冠疫情影響才有所下降[3]，但總體而言，這仍是一個(gè)不可忽視的數(shù)字。除此之外，機(jī)動(dòng)車(chē)數(shù)量急劇增加，導(dǎo)致交通擁堵情況時(shí)有發(fā)生，尤其是早晚人們上下班的高峰期，經(jīng)常會(huì)造成長(zhǎng)時(shí)間擁堵[4]，擁堵的交通不僅沒(méi)有為人們帶來(lái)方便，反而浪費(fèi)了大量的寶貴時(shí)間。這一現(xiàn)象導(dǎo)致許多人出門(mén)寧愿選擇地鐵等公共交通或單車(chē)和電瓶車(chē)，而將自己購(gòu)買(mǎi)的私家車(chē)擱置，這進(jìn)一步造成了資源的浪費(fèi)。

為了解決這一問(wèn)題，交通從業(yè)者不斷努力和嘗試，采用新建和改擴(kuò)建道路、部署路側(cè)感知設(shè)備、優(yōu)化交通組織等措施，以期進(jìn)一步提升交通安全水平和出行效率。但新建、改擴(kuò)建道路不僅會(huì)占用更多有限的耕地資源，而且也無(wú)法從根本上解決此類(lèi)問(wèn)題，是治標(biāo)不治本之策[5]。隨著計(jì)算機(jī)技術(shù)、移動(dòng)通信技術(shù)、大數(shù)據(jù)、人工智能、深度學(xué)習(xí)、AIoT(人工智能物聯(lián)網(wǎng))等新技術(shù)的快速發(fā)展，為解決這一類(lèi)問(wèn)題帶來(lái)了新思路和新方法。要通過(guò)技術(shù)創(chuàng)新的方式，通過(guò)科技手段來(lái)探尋一條符合我國(guó)交通國(guó)情、通信和汽車(chē)產(chǎn)業(yè)發(fā)展環(huán)境的技術(shù)路線來(lái)徹底解決道路交通擁堵、交通事故、出行效率等問(wèn)題[6]。

未來(lái)交通將是“智慧”的路和“聰明”的車(chē)協(xié)同發(fā)展、互相促進(jìn)的發(fā)展成果。具體到“智慧”的路來(lái)說(shuō)，應(yīng)根據(jù)道路交通環(huán)境和實(shí)際場(chǎng)景分級(jí)建設(shè)不同等級(jí)的路側(cè)智能基礎(chǔ)設(shè)施，賦予道路基礎(chǔ)設(shè)施數(shù)字化、網(wǎng)聯(lián)化和智能化的能力；針對(duì)“聰明”的車(chē)即智能網(wǎng)聯(lián)汽車(chē)(也稱(chēng)為自動(dòng)駕駛汽車(chē))，我國(guó)也已頒布《汽車(chē)駕駛自動(dòng)化分級(jí)》推薦性國(guó)家標(biāo)準(zhǔn)，基于6個(gè)要素將駕駛自動(dòng)化劃分為6個(gè)等級(jí)。其中，0～2級(jí)為駕駛輔助，系統(tǒng)輔助人類(lèi)執(zhí)行動(dòng)態(tài)駕駛?cè)蝿?wù)，駕駛主體仍為駕駛員；3～5級(jí)為自動(dòng)駕駛，系統(tǒng)在設(shè)計(jì)運(yùn)行條件下代替人類(lèi)執(zhí)行動(dòng)態(tài)駕駛?cè)蝿?wù)，當(dāng)功能激活時(shí)，駕駛主體為系統(tǒng)[7]。道路智能基礎(chǔ)設(shè)施分級(jí)和自動(dòng)駕駛汽車(chē)分級(jí)標(biāo)準(zhǔn)的推出將會(huì)極大推動(dòng)產(chǎn)業(yè)發(fā)展和技術(shù)迭代速度，但是，智能網(wǎng)聯(lián)汽車(chē)在短期內(nèi)還無(wú)法實(shí)現(xiàn)所有行駛工況下的安全高效運(yùn)行。在未來(lái)較長(zhǎng)的時(shí)期內(nèi)，智能網(wǎng)聯(lián)汽車(chē)和普通汽車(chē)混行將是一種常態(tài)。這種情況下，如何通過(guò)道路基礎(chǔ)設(shè)施的建設(shè)，有效彌補(bǔ)自動(dòng)駕駛汽車(chē)在某些特定交通場(chǎng)景下的環(huán)境感知能力的不足，對(duì)道路智能基礎(chǔ)設(shè)施感知系統(tǒng)來(lái)說(shuō)就顯得尤為重要。

根據(jù)歐洲西班牙Carreras等[8]的研究成果，基于運(yùn)行環(huán)境、道路的復(fù)雜度等因素，將道路基礎(chǔ)設(shè)施分為智能基礎(chǔ)設(shè)施和傳統(tǒng)基礎(chǔ)設(shè)施。在道路智能基礎(chǔ)設(shè)施建設(shè)中，為感知道路交通狀態(tài)，在路側(cè)部署大量傳感器設(shè)備(雷達(dá)、視頻、線圈等)構(gòu)建廣泛的感知網(wǎng)絡(luò)。路側(cè)多傳感器設(shè)備采集到的不同時(shí)空維度數(shù)據(jù)在提供給智能網(wǎng)聯(lián)汽車(chē)作為輔助駕駛決策使用之前，需要對(duì)感知數(shù)據(jù)進(jìn)行融合處理。數(shù)據(jù)融合為一個(gè)多級(jí)、多層面的處理過(guò)程，對(duì)來(lái)自多個(gè)感知設(shè)備的數(shù)據(jù)進(jìn)行自動(dòng)檢測(cè)、關(guān)聯(lián)、相關(guān)和估計(jì)的融合處理[9]。依據(jù)多傳感器系統(tǒng)數(shù)據(jù)融合基本架構(gòu)與理論體系，基于概率論智能化方法的數(shù)據(jù)融合技術(shù)有證據(jù)理論、貝葉斯理論、模糊數(shù)學(xué)理論等；基于仿生學(xué)類(lèi)智能化方法的數(shù)據(jù)融合技術(shù)有遺傳算法、神經(jīng)網(wǎng)絡(luò)、粒子群等；同時(shí)結(jié)合當(dāng)今人工智能發(fā)展熱點(diǎn)的數(shù)據(jù)融合方法有深度學(xué)習(xí)理論等。多傳感器數(shù)據(jù)融合按結(jié)構(gòu)可劃分為集中式、分布式和混合式。其中，集中式數(shù)據(jù)融合對(duì)融合中心的處理能力和通信帶寬要求較高，一旦融合中心故障則整個(gè)系統(tǒng)就會(huì)出故障；分布式數(shù)據(jù)融合對(duì)融合中心和通信帶寬的要求則相對(duì)較低，同時(shí)還具有較好的適應(yīng)能力和擴(kuò)展能力[10]。在現(xiàn)實(shí)環(huán)境下，針對(duì)某特定檢測(cè)需求，單個(gè)傳感器檢測(cè)結(jié)果和多傳感器檢測(cè)得到的結(jié)果會(huì)有所不同。多傳感器會(huì)得到多個(gè)檢測(cè)結(jié)果，將不同檢測(cè)結(jié)果進(jìn)行有效的數(shù)據(jù)融合，以得出符合實(shí)際的結(jié)果輸出，這是一項(xiàng)非常富有挑戰(zhàn)的活動(dòng)。

通過(guò)查閱文獻(xiàn)，不少專(zhuān)家學(xué)者對(duì)誤差方案的概念和理論進(jìn)行了研究探討。李茂登等[11]提出自主導(dǎo)航基于誤差協(xié)方差的可觀度的分析方法，誤差的協(xié)方差矩陣是用來(lái)判別隨機(jī)系統(tǒng)而不是決定系統(tǒng)的可觀性的。在卡爾曼濾波的應(yīng)用中，方差矩陣的特征值和特征向量提供了系統(tǒng)的可觀度信息。仇麗莎等[12]在正態(tài)分布情形下，假定均值參數(shù)和誤差方差服從正態(tài)-逆伽馬分布先驗(yàn)時(shí)，推導(dǎo)出了均值參數(shù)和誤差方差的 Bayes 估計(jì)，利用歷史樣本構(gòu)造了它們的參數(shù)型經(jīng)驗(yàn)Bayes估計(jì)(Parametric Empirical Bayes Estimation,PEBE)。在均方誤差(Mean Squared Error,MSE)準(zhǔn)則下，分別獲得均值參數(shù)和誤差方差等理論研究。由此可見(jiàn)，誤差方差方法已有多年的理論研究基礎(chǔ)。

本次研究對(duì)面向智能網(wǎng)聯(lián)汽車(chē)的車(chē)路協(xié)同多傳感器融合感知過(guò)程中存在的技術(shù)難點(diǎn)進(jìn)行分析，選取了道路交通智能基礎(chǔ)設(shè)施建設(shè)中最為常見(jiàn)的感知設(shè)備即智能攝像機(jī)和雷達(dá)(毫米波雷達(dá)、激光雷達(dá))設(shè)備作為道路側(cè)多傳感器融合的研究對(duì)象。同時(shí)結(jié)合智能網(wǎng)聯(lián)汽車(chē)自身環(huán)境感知系統(tǒng)作為研究參考，基于車(chē)路協(xié)同路側(cè)多傳感器集中式數(shù)據(jù)融合框架下常用的卡爾曼濾波方法中的并行濾波、序貫濾波和數(shù)據(jù)壓縮濾波進(jìn)行誤差協(xié)方差分析，提出了基于誤差方差的多傳感器融合算法，設(shè)計(jì)了多目標(biāo)多傳感器數(shù)據(jù)處理系統(tǒng)架構(gòu)，并在多傳感器數(shù)據(jù)融合基礎(chǔ)上提出了基于車(chē)路協(xié)同技術(shù)博弈論的交通運(yùn)行調(diào)度架構(gòu)。最后，聚焦道路交通典型場(chǎng)景——智能路口，通過(guò)對(duì)交通路口信息實(shí)時(shí)采集，構(gòu)建交通路口互斥模型和無(wú)交通信號(hào)控制系統(tǒng)(紅綠燈)車(chē)路協(xié)同引導(dǎo)控制模型，并對(duì)這兩種模型的疏導(dǎo)效果做出測(cè)試和分析，以達(dá)到提高交通效率的最終目的。

1 相關(guān)理論、技術(shù)現(xiàn)狀及存在問(wèn)題分析

1.1 多傳感器數(shù)據(jù)融合概念及主要特征

1.1.1 多傳感器數(shù)據(jù)融合的概念

多傳感器數(shù)據(jù)融合中的數(shù)據(jù)處理方法與經(jīng)典信號(hào)處理方法相比有本質(zhì)上的不同。由于多傳感器設(shè)備的多樣性和功能的豐富性，其數(shù)據(jù)融合所處理的數(shù)據(jù)具有較高的復(fù)雜性和非線性關(guān)系，且數(shù)據(jù)融合可以在數(shù)據(jù)層、特征層和決策層等不同信息層次上進(jìn)行處理。

當(dāng)前多傳感器數(shù)據(jù)融合方式主要有3種：傳感器級(jí)、特征級(jí)和決策級(jí)，這3種數(shù)據(jù)融合方式的主要優(yōu)缺點(diǎn)、理論依據(jù)和應(yīng)用領(lǐng)域歸納如表1所示。

表1 3種不同數(shù)據(jù)融合方式

1.1.2 多傳感器數(shù)據(jù)融合的主要特征

傳統(tǒng)的多傳感器數(shù)據(jù)融合模型通常分為低處理層和高處理層。其中，低處理層主要指?jìng)鞲衅骷?jí)別的直接數(shù)據(jù)處理、目標(biāo)檢測(cè)、分類(lèi)與識(shí)別、目標(biāo)追蹤等；高處理層是對(duì)環(huán)境感知現(xiàn)場(chǎng)的態(tài)勢(shì)估計(jì)與決策分析等。基于傳統(tǒng)的多傳感器數(shù)據(jù)融合模型中的低處理層的結(jié)構(gòu)與算法，可建立多種融合體系結(jié)構(gòu)，滿(mǎn)足多傳感器數(shù)據(jù)融合處理的需求。依據(jù)對(duì)傳感器數(shù)據(jù)直接處理程度和分辨率的不同，組成了形態(tài)各異的多傳感器數(shù)據(jù)融合架構(gòu)，主要包括：集中式、分布式和混合式。

(1)集中式多傳感器數(shù)據(jù)融合架構(gòu)。

集中式多傳感器數(shù)據(jù)融合將所有前端傳感器設(shè)備獲得的測(cè)量數(shù)據(jù)直接傳輸至中央處理單元(Central Processing Unit,CPU)進(jìn)行統(tǒng)一處理。實(shí)踐中，集中式多傳感器數(shù)據(jù)融合就是將雷達(dá)、視頻等前端傳感器獲得的數(shù)據(jù)，不經(jīng)過(guò)任何處理，直接傳輸給CPU進(jìn)行數(shù)據(jù)融合處理，獲得融合處理后的新目標(biāo)測(cè)量數(shù)據(jù)，之后對(duì)新目標(biāo)測(cè)量數(shù)據(jù)運(yùn)用卡爾曼濾波方法進(jìn)行追蹤計(jì)算。集中式多傳感器數(shù)據(jù)融合架構(gòu)如圖1所示。

圖1 集中式多傳感器數(shù)據(jù)融合架構(gòu)

(2)分布式多傳感器數(shù)據(jù)融合架構(gòu)。

分布式多傳感器數(shù)據(jù)融合將前端傳感器設(shè)備獲得的測(cè)量數(shù)據(jù)先進(jìn)行自身局部參數(shù)估計(jì)，再把局部參數(shù)估計(jì)值傳輸至CPU進(jìn)行統(tǒng)一處理，由CPU完成最終的參數(shù)估計(jì)。在分布式多傳感器數(shù)據(jù)融合結(jié)構(gòu)中，各個(gè)傳感器均可獨(dú)立處理其自身獲得的測(cè)量信息，然后將處理后的測(cè)量信息傳輸至CPU進(jìn)行數(shù)據(jù)融合。與之前分析的集中式多傳感器數(shù)據(jù)融合架構(gòu)相比，分布式傳感器數(shù)據(jù)融合架構(gòu)對(duì)通信帶寬要求小，CPU所需存儲(chǔ)容量也相對(duì)較小，其處理速度快，增強(qiáng)了數(shù)據(jù)融合處理能力，提高了多傳感器數(shù)據(jù)融合參數(shù)估計(jì)的靈活性。分布式多傳感器數(shù)據(jù)融合架構(gòu)如圖2所示。

圖2 分布式多傳感器數(shù)據(jù)融合架構(gòu)

(3)混合式多傳感器數(shù)據(jù)融合架構(gòu)。

混合式多傳感器融合架構(gòu)中，既包含集中式多傳感器數(shù)據(jù)融合架構(gòu)，也可包含分布式多傳感器數(shù)據(jù)融合架構(gòu)，亦或是由集中式和分布式組合而成?；旌鲜蕉鄠鞲衅鲾?shù)據(jù)融合架構(gòu)如圖3所示。

圖3 混合式多傳感器數(shù)據(jù)融合架構(gòu)

1.2 車(chē)路協(xié)同路側(cè)感知融合助力智能汽車(chē)跨越安全難點(diǎn)并實(shí)現(xiàn)更快落地

智能網(wǎng)聯(lián)汽車(chē)主要指汽車(chē)具備自主信息獲取、自主決策和自動(dòng)控制能力；網(wǎng)聯(lián)化(車(chē)聯(lián)網(wǎng))是指汽車(chē)通過(guò)通信與網(wǎng)絡(luò)技術(shù)，實(shí)現(xiàn)車(chē)與車(chē)(Vehicle to Vehicle，V2V)、車(chē)與人(Vehicle to Person,V2P)、車(chē)與路(Vehicle to Infrastructure,V2I)、車(chē)與網(wǎng)(Vehicle to Network,V2N)等車(chē)與萬(wàn)物互聯(lián)(Vehicle to Everything,V2X)方面的智能信息交換。從智能化和網(wǎng)聯(lián)化兩個(gè)方面來(lái)協(xié)同推進(jìn)智能網(wǎng)聯(lián)汽車(chē)產(chǎn)業(yè)發(fā)展，是我國(guó)根據(jù)自身的體制優(yōu)勢(shì)、道路基礎(chǔ)設(shè)施狀況及汽車(chē)、通信和交通等產(chǎn)業(yè)融合發(fā)展趨勢(shì)，提出的具有中國(guó)特色的智能網(wǎng)聯(lián)汽車(chē)技術(shù)路線。

單車(chē)智能化解決方案受傳感器感知能力和車(chē)載計(jì)算資源的限制，在復(fù)雜路況下的安全性和可靠性較低，且無(wú)法解決區(qū)域內(nèi)智能交通管理問(wèn)題；同時(shí)加載相關(guān)設(shè)備的單車(chē)成本過(guò)高，無(wú)法解決大規(guī)模商業(yè)化的推廣難題。車(chē)路協(xié)同網(wǎng)聯(lián)化解決方案通過(guò)本地信息收集、分析和決策，有助于降低車(chē)輛適應(yīng)各種道路條件的成本，有利于推動(dòng)智能網(wǎng)聯(lián)汽車(chē)方案快速、有效的落地實(shí)施。車(chē)路協(xié)同網(wǎng)聯(lián)化方案助力智能汽車(chē)跨越安全難點(diǎn)并實(shí)現(xiàn)更快落地主要體現(xiàn)在以下幾個(gè)方面。

1.2.1 為智能網(wǎng)聯(lián)汽車(chē)提供全域信息感知

由于車(chē)載傳感器(包括攝像頭、激光雷達(dá)、毫米波雷達(dá)等)對(duì)環(huán)境感知能力有限，單車(chē)智能對(duì)運(yùn)行周邊的環(huán)境感知存在局限性。目前各類(lèi)傳感器的探測(cè)距離一般在300 m以?xún)?nèi)，并存在使用條件的嚴(yán)格限制，難以為在高速運(yùn)行、惡劣天氣(雨、雪、霧、強(qiáng)光等)、隧道、橋梁等非正常情況下行駛的車(chē)輛提供足夠的時(shí)間重新決策、規(guī)劃、更改駕駛路線，導(dǎo)致車(chē)輛性能受到極大的限制，造成安全隱患。

車(chē)路協(xié)同網(wǎng)聯(lián)化解決方案能夠?yàn)檐?chē)輛提供更遠(yuǎn)距離(≥300 m)的感知能力，且通信能力不受惡劣天氣環(huán)境干擾，能夠在全天候條件下為自動(dòng)駕駛決策提供安全保障。

1.2.2 提供交通路況的全場(chǎng)景感知

交通場(chǎng)景中存在一些極端情況，例如車(chē)端感知范圍被公交車(chē)、卡車(chē)等阻擋，交叉路口中轉(zhuǎn)彎車(chē)輛被建筑物遮擋，路側(cè)突然出現(xiàn)行人(俗稱(chēng)鬼探頭)等。單車(chē)自動(dòng)駕駛車(chē)輛在上述場(chǎng)景下存在“視覺(jué)盲區(qū)”，無(wú)法感知路面發(fā)生的異常情況，存在極大安全隱患。車(chē)路協(xié)同網(wǎng)聯(lián)化可以提供車(chē)路一體化協(xié)同解決方案，實(shí)現(xiàn)“超視距感知”。通過(guò)部署在路口的智能攝像頭、雷達(dá)等多源數(shù)據(jù)感知設(shè)備以“上帝視角”的方式全方位采集動(dòng)態(tài)交通數(shù)據(jù)，實(shí)時(shí)獲取交通參與者(包括各類(lèi)車(chē)輛、行人等)信息，有效彌補(bǔ)單車(chē)傳感器系統(tǒng)的感知缺陷，拓展、豐富自動(dòng)駕駛車(chē)輛的運(yùn)行場(chǎng)景范圍。同時(shí)通過(guò)路側(cè)感知設(shè)備將感知結(jié)果實(shí)時(shí)傳輸至邊緣計(jì)算單元計(jì)算處理，再由路側(cè)智能終端(Roadside Unit,RSU)將邊緣計(jì)算單元的結(jié)果信息廣播給過(guò)往所有車(chē)輛及行人，以確保各交通參與者安全通過(guò)城市路口，提升道路交通安全性。

1.2.3 建立數(shù)字化交通規(guī)則

當(dāng)前單車(chē)自動(dòng)駕駛大多采用視覺(jué)處理算法來(lái)識(shí)別紅綠燈、地面標(biāo)記等現(xiàn)有交通標(biāo)志，由于真實(shí)道路環(huán)境中交通標(biāo)識(shí)復(fù)雜多變，紅綠燈亮度不一致，建設(shè)年限久遠(yuǎn)導(dǎo)致設(shè)備性能不穩(wěn)定，不同光照條件下目標(biāo)物色差不同以及受惡劣天氣等影響，當(dāng)前的圖像識(shí)別技術(shù)和算法所提供的目標(biāo)識(shí)別準(zhǔn)確率不能達(dá)到100%，難以滿(mǎn)足所有場(chǎng)景應(yīng)用要求，存在安全隱患。

采用車(chē)路協(xié)同網(wǎng)聯(lián)化技術(shù)策略，可以對(duì)路側(cè)設(shè)施進(jìn)行智能化改造(數(shù)字化紅綠燈、高清攝像頭、高精度定位設(shè)備等)，給過(guò)往車(chē)輛提供準(zhǔn)確的完全數(shù)字化動(dòng)態(tài)可行路線的標(biāo)志標(biāo)線和定位等信息，消除因交通標(biāo)識(shí)識(shí)別錯(cuò)誤所帶來(lái)的潛在交通隱患。此外，通過(guò)數(shù)字化智能交通信息分發(fā)，可以將自動(dòng)駕駛車(chē)輛從繁重的交通標(biāo)識(shí)識(shí)別任務(wù)中解放出來(lái)，聚焦于實(shí)現(xiàn)路徑規(guī)劃和駕駛決策，提高通行安全和效率。

1.2.4 為城市交通提供群智路徑規(guī)劃

單車(chē)自動(dòng)駕駛的策略為實(shí)現(xiàn)單車(chē)通行規(guī)劃最優(yōu)，車(chē)與車(chē)之間缺乏統(tǒng)一協(xié)同調(diào)度管理機(jī)制，無(wú)法達(dá)到群體通行或者區(qū)域通行最優(yōu)，其路線規(guī)劃和決策很容易造成不同單車(chē)間的路權(quán)沖突，不利于交通效率的提升，這也對(duì)自動(dòng)駕駛算法提出更高的要求。

通過(guò)車(chē)聯(lián)網(wǎng)技術(shù)可以實(shí)現(xiàn)多車(chē)的統(tǒng)一規(guī)劃管理，支持車(chē)與車(chē)、車(chē)與路、車(chē)與云之間的數(shù)字化交互，實(shí)現(xiàn)統(tǒng)一管理下路權(quán)的動(dòng)態(tài)分配調(diào)整。車(chē)輛通過(guò)路口時(shí)，車(chē)聯(lián)網(wǎng)平臺(tái)執(zhí)行最優(yōu)化的路權(quán)分配策略，進(jìn)行動(dòng)態(tài)路權(quán)調(diào)整(給予指令讓自動(dòng)駕駛車(chē)先行或?qū)崿F(xiàn)紅綠燈控制)，達(dá)到“路口級(jí)”的路線規(guī)劃，進(jìn)一步通過(guò)整體交通協(xié)調(diào)指揮實(shí)現(xiàn)“區(qū)域級(jí)”或“路網(wǎng)級(jí)”的智慧交通。從而有效避免擁堵、提高交通效率、降低整體能耗。

1.3 車(chē)路協(xié)同路側(cè)智能基礎(chǔ)設(shè)施分級(jí)及重點(diǎn)交通場(chǎng)景

目前，全球?qū)＜覍W(xué)者對(duì)自動(dòng)駕駛分級(jí)認(rèn)識(shí)比較一致，分級(jí)標(biāo)準(zhǔn)從L0～L5級(jí)(L0為無(wú)自動(dòng)駕駛功能；L1為輔助自動(dòng)駕駛；L2為部分自動(dòng)駕駛；L3為有條件自動(dòng)駕駛；L4為高度自動(dòng)駕駛；L5為完全自動(dòng)駕駛)。我國(guó)也頒布了《汽車(chē)駕駛自動(dòng)化分級(jí)》(GB/T 40429—2021)[7]的推薦性國(guó)家標(biāo)準(zhǔn)，其發(fā)布也意味著填補(bǔ)了政策層面的空白，對(duì)自動(dòng)駕駛行業(yè)發(fā)展、商業(yè)量產(chǎn)都有著積極意義。

在對(duì)智能網(wǎng)聯(lián)汽車(chē)(自動(dòng)駕駛)分級(jí)的同時(shí)，對(duì)道路智能基礎(chǔ)設(shè)施進(jìn)行分級(jí)也進(jìn)行了研究和實(shí)踐，尤其是以歐洲西班牙Carreras等[8]的研究成果最為典型，該成果也成為各個(gè)國(guó)家或交通從業(yè)者的主要參考依據(jù)。智能道路等級(jí)劃分可以分為5個(gè)級(jí)別，從低到高分別是道路等級(jí)E～道路等級(jí)A。其中，道路等級(jí)E為傳統(tǒng)基礎(chǔ)設(shè)施；道路等級(jí)D為具備靜態(tài)數(shù)字信息(地圖、標(biāo)牌、紅綠燈)；道路等級(jí)C為具備支持動(dòng)態(tài)數(shù)字信息(限速、擁堵、繞行)，提供預(yù)警服務(wù)；道路等級(jí)B為具備協(xié)作感知(路側(cè)感知+車(chē)側(cè)感知融合)，提供微觀交通信息；道路等級(jí)A為具備協(xié)作駕駛(路徑規(guī)劃)，提供優(yōu)化駕駛建議。

基于智能網(wǎng)聯(lián)汽車(chē)和道路智能基礎(chǔ)設(shè)施的分級(jí)理論研究與實(shí)踐，在開(kāi)展車(chē)路協(xié)同路側(cè)融合感知方法研究時(shí)，需要密切結(jié)合不同的交通場(chǎng)景進(jìn)行分析，不同的道路等級(jí)將部署種類(lèi)、數(shù)量不等的前端傳感器設(shè)備和邊緣計(jì)算單元。因此，討論車(chē)路協(xié)同路側(cè)融合感知方法研究將主要集中在道路等級(jí)C以上(不含C級(jí))，重點(diǎn)是道路等級(jí)B，只有道路等級(jí)B才具備協(xié)作感知能力，即將路側(cè)多傳感器融合感知信息傳遞給智能網(wǎng)聯(lián)汽車(chē)作為輔助決策依據(jù)。因此，按照道路智能基礎(chǔ)設(shè)施分級(jí)研究成果和實(shí)踐，城市道路交通的重點(diǎn)交通應(yīng)用場(chǎng)景包括復(fù)雜通行環(huán)境的十字路口、視野盲區(qū)等；高速公路重點(diǎn)交通應(yīng)用場(chǎng)景包括分合流區(qū)、視野盲區(qū)、急轉(zhuǎn)彎道、隧道、橋梁、危險(xiǎn)路段等。城市交通和高速公路應(yīng)用場(chǎng)景分別如表2、表3所示。

表2 城市交通應(yīng)用場(chǎng)景

表3 高速公路應(yīng)用場(chǎng)景

1.4 車(chē)路協(xié)同多傳感器融合感知技術(shù)存在的問(wèn)題

自動(dòng)駕駛技術(shù)不僅可以減少交通事故的發(fā)生，而且能夠緩解交通擁堵問(wèn)題，因此成為通信、交通、汽車(chē)等產(chǎn)業(yè)融合發(fā)展及聯(lián)合研發(fā)攻堅(jiān)的重點(diǎn)。環(huán)境感知系統(tǒng)作為自動(dòng)駕駛汽車(chē)獲取外界信息的重要部件，針對(duì)它的研究也層出不窮。但是由于交通環(huán)境的復(fù)雜和隨機(jī)性，自動(dòng)駕駛汽車(chē)其自身環(huán)境感知系統(tǒng)對(duì)目標(biāo)的識(shí)別很難滿(mǎn)足自動(dòng)駕駛領(lǐng)域的安全技術(shù)要求，須借助車(chē)路協(xié)同路側(cè)多傳感器數(shù)據(jù)融合感知系統(tǒng)來(lái)彌補(bǔ)特定交通場(chǎng)景下自動(dòng)駕駛汽車(chē)對(duì)全面感知路側(cè)交通態(tài)勢(shì)的需求。

自動(dòng)駕駛汽車(chē)技術(shù)架構(gòu)主要是由環(huán)境感知系統(tǒng)、決策分析系統(tǒng)和運(yùn)動(dòng)控制系統(tǒng)等組成，其環(huán)境感知系統(tǒng)受車(chē)輛所處道路交通自然環(huán)境和行車(chē)環(huán)境變化的不確定性和隨機(jī)性等影響。自動(dòng)駕駛汽車(chē)在利用自身環(huán)境感知系統(tǒng)識(shí)別過(guò)程中常常會(huì)出現(xiàn)錯(cuò)誤，如果障礙物太遠(yuǎn)或太近，都將無(wú)法及時(shí)響應(yīng)，且在特殊位置時(shí)避開(kāi)轉(zhuǎn)向障礙物效果不佳。因此在復(fù)雜的交通路況情況下，車(chē)路協(xié)同路側(cè)多傳感器數(shù)據(jù)融合技術(shù)可以輔助自動(dòng)駕駛汽車(chē)改善目標(biāo)識(shí)別效果并優(yōu)化時(shí)空融合感知性能。

在自動(dòng)駕駛技術(shù)的許多研究領(lǐng)域，車(chē)載環(huán)境感知系統(tǒng)如何接收和處理路側(cè)多傳感器數(shù)據(jù)融合處理結(jié)果存在以下研究重點(diǎn)和難點(diǎn)。首先是路側(cè)多傳感器數(shù)據(jù)融合的覆蓋范圍、所檢測(cè)到物體運(yùn)動(dòng)狀態(tài)的準(zhǔn)確性、及時(shí)性和權(quán)威性；其次是路側(cè)多傳感器設(shè)備之間如何對(duì)同一感知目標(biāo)在相同時(shí)間、不同空間環(huán)境中的感知結(jié)果進(jìn)行融合處理，且能夠?qū)ξ锢硎澜缰袑?shí)際目標(biāo)全面、精確地描述并給出符合自動(dòng)駕駛車(chē)輛當(dāng)時(shí)所需的環(huán)境感知處理結(jié)果輔助其進(jìn)行決策；最后是基于路基感知和車(chē)基感知數(shù)據(jù)之間的交互、互認(rèn)和共享問(wèn)題。

2 關(guān)鍵技術(shù)分析

2.1 車(chē)路協(xié)同多傳感器信息關(guān)聯(lián)及融合方法

根據(jù)對(duì)原始數(shù)據(jù)處理方法的不同，目前多傳感器多目標(biāo)的信息融合技術(shù)主要分為集中式、分布式和混合式。本研究對(duì)集中式融合系統(tǒng)的并行濾波、序貫濾波和數(shù)據(jù)壓縮濾波進(jìn)行誤差協(xié)方差分析，對(duì)分步式融合系統(tǒng)的加權(quán)融合算法、信息矩陣融合算法進(jìn)行分析和計(jì)算，結(jié)合計(jì)算結(jié)果，提出了基于誤差方差的多傳感器融合算法。

該算法有兩個(gè)重要組成部分，首先是運(yùn)用車(chē)路協(xié)同網(wǎng)聯(lián)化方案中路側(cè)部署多傳感器坐標(biāo)轉(zhuǎn)換，解決多傳感器目標(biāo)關(guān)聯(lián)問(wèn)題，轉(zhuǎn)換公式為

(1)

式中:α、β、γ分別為某傳感器坐標(biāo)系s與車(chē)輛相對(duì)坐標(biāo)的夾角；tv為坐標(biāo)平移量；Cx(α)、Cy(β)、Cz(γ)分別表示傳感器坐標(biāo)轉(zhuǎn)化為車(chē)輛坐標(biāo)軸時(shí)繞x軸、y軸和z軸旋轉(zhuǎn)的角度。運(yùn)用此算法，可以對(duì)傳感器追蹤目標(biāo)坐標(biāo)和車(chē)輛相對(duì)坐標(biāo)進(jìn)行轉(zhuǎn)換，將目標(biāo)的三維空間運(yùn)動(dòng)簡(jiǎn)化為二維運(yùn)動(dòng)。

其次是基于誤差方差的多傳感器融合算法解決目標(biāo)融合問(wèn)題，計(jì)算公式為

(2)

將經(jīng)過(guò)關(guān)聯(lián)配對(duì)的攝像頭目標(biāo)與毫米波雷達(dá)目標(biāo)進(jìn)行加權(quán)融合，得到:

(3)

2.2 車(chē)路協(xié)同多傳感器多目標(biāo)跟蹤融合算法及實(shí)驗(yàn)

本次研究的傳感器融合架構(gòu)的設(shè)計(jì)，選取了兩種車(chē)路協(xié)同網(wǎng)聯(lián)化方案中常用的傳感器，分別為智能攝像機(jī)和毫米波雷達(dá)，多傳感器融合架構(gòu)如圖4所示。

圖4 多傳感器融合架構(gòu)

如圖4所示，分別對(duì)兩種傳感器接收到的信息進(jìn)行預(yù)處理和特征提取，然后經(jīng)過(guò)坐標(biāo)轉(zhuǎn)換和誤差協(xié)方差多傳感器目標(biāo)融合，形成局部融合點(diǎn)，最后輸出。

在此架構(gòu)的基礎(chǔ)上，設(shè)計(jì)了基于PreScan的仿真實(shí)驗(yàn)，并設(shè)置其他算法作為對(duì)照組，進(jìn)行對(duì)比實(shí)驗(yàn)，驗(yàn)證本算法的可行性。

2.3 基于博弈論的車(chē)路協(xié)同路側(cè)感知融合的交通調(diào)度系統(tǒng)架構(gòu)設(shè)計(jì)

車(chē)路協(xié)同自動(dòng)駕駛為當(dāng)前智慧交通建設(shè)領(lǐng)域與中國(guó)特色智能汽車(chē)技術(shù)路線相結(jié)合后的研究熱點(diǎn)之一[13]，而其中的重點(diǎn)主要集中在車(chē)路協(xié)同網(wǎng)聯(lián)化方案領(lǐng)域，即通過(guò)車(chē)路協(xié)同技術(shù)助力智能汽車(chē)跨越安全難點(diǎn)并實(shí)現(xiàn)更快商業(yè)化落地應(yīng)用。車(chē)路協(xié)同網(wǎng)聯(lián)化技術(shù)是隨著通信技術(shù)的不斷發(fā)展衍生出的一種基于車(chē)與車(chē)、車(chē)與路、車(chē)與人、車(chē)與網(wǎng)絡(luò)等V2X的數(shù)據(jù)實(shí)時(shí)采集、數(shù)據(jù)分析、智能決策和V2X信息交互關(guān)鍵技術(shù)[14]。在城市交通重點(diǎn)交通應(yīng)用場(chǎng)景智能路口的研究和實(shí)踐中，涉及路側(cè)多傳感器融合感知及交通信號(hào)系統(tǒng)協(xié)同控制重要內(nèi)容，而交通控制領(lǐng)域的研究則主要集中在控制方法這一領(lǐng)域，比較出名的有實(shí)時(shí)動(dòng)態(tài)分配和博弈論配時(shí)方法[15]。筆者提出的控制方法就是基于博弈論的車(chē)路協(xié)同路側(cè)感知融合的交通調(diào)度控制方法[16]?；诓┺恼摰能?chē)路協(xié)同路側(cè)感知融合的交通調(diào)度控制算法設(shè)計(jì)如下：① 建立雙向2車(chē)道十字路口車(chē)輛沖突模型；② 提出有/無(wú)交通信號(hào)系統(tǒng)控制的十字路口沖突車(chē)輛的安全因素和時(shí)空因素表達(dá)公式，并設(shè)計(jì)博弈的收益函數(shù)；③ 針對(duì)沖突車(chē)輛設(shè)計(jì)基于博弈論的車(chē)路協(xié)同路側(cè)感知融合的交通調(diào)度控制算法，使用PreScan 仿真系統(tǒng)對(duì)此算法進(jìn)行驗(yàn)證。

現(xiàn)有研究的不足之處可以大致總結(jié)為三點(diǎn)：① 數(shù)據(jù)統(tǒng)計(jì)不準(zhǔn)確；② 調(diào)度模型靈活性問(wèn)題；③ 無(wú)信號(hào)燈路口控制問(wèn)題。下面將針對(duì)這3個(gè)問(wèn)題做有針對(duì)性的研究[17]。

首先，針對(duì)智慧交通調(diào)度中的信息感知，提出了基于車(chē)路協(xié)同的交通路口架構(gòu)。該架構(gòu)分為兩個(gè)部分，分別是圖5所示的車(chē)路協(xié)同單點(diǎn)交通架構(gòu)和圖6所示的車(chē)路協(xié)同區(qū)域性交通路口架構(gòu)。

圖5 車(chē)路協(xié)同單點(diǎn)交通架構(gòu)

圖6 車(chē)路協(xié)同區(qū)域性交通路口架構(gòu)

車(chē)路協(xié)同單點(diǎn)交通架構(gòu)由兩部分組成，分別是路側(cè)設(shè)備和車(chē)輛終端設(shè)備，即車(chē)路協(xié)同網(wǎng)聯(lián)化方案中的PC5直連通信模式，路側(cè)設(shè)備主要包括3個(gè)功能塊，分別為車(chē)輛信息統(tǒng)計(jì)、交通信息推送和交通調(diào)度控制[18]。車(chē)輛終端設(shè)備同樣有3個(gè)功能塊，分別為V2X通信、數(shù)據(jù)采集和處理以及車(chē)速引導(dǎo)[19]。路側(cè)設(shè)備主要負(fù)責(zé)對(duì)來(lái)往車(chē)輛的行車(chē)路線軌跡進(jìn)行分析，確定即將到來(lái)的車(chē)輛的行駛速度，并通過(guò)信息推送模塊廣播出去。而車(chē)輛的V2X通信設(shè)備負(fù)責(zé)接收來(lái)自路側(cè)設(shè)備的廣播信息，通過(guò)數(shù)據(jù)處理和車(chē)速引導(dǎo)模塊自適應(yīng)地將建議調(diào)節(jié)車(chē)速提供給智能汽車(chē)供其路徑規(guī)劃和控制決策輔助使用[20]。

車(chē)路協(xié)同區(qū)域性交通路口架構(gòu)原理與單點(diǎn)式交通架構(gòu)類(lèi)似，除了路側(cè)設(shè)備和車(chē)載終端設(shè)備外，多了一個(gè)智能網(wǎng)聯(lián)云控平臺(tái)功能結(jié)構(gòu)[21]。其中路側(cè)設(shè)備和車(chē)載終端設(shè)備的結(jié)構(gòu)和功能與單點(diǎn)式完全一致，而智能網(wǎng)聯(lián)云控平臺(tái)主要負(fù)責(zé)接收車(chē)載終端和路側(cè)設(shè)備發(fā)送的車(chē)輛數(shù)據(jù)，并進(jìn)行統(tǒng)計(jì)分析和應(yīng)用場(chǎng)景配置，得出一個(gè)適宜的交通控制策略，然后將結(jié)果發(fā)送給路側(cè)設(shè)備，以此來(lái)達(dá)到調(diào)節(jié)路況的目的。這種架構(gòu)比較適合在路況復(fù)雜的十字路口進(jìn)行應(yīng)用[22]。

智慧交通的所有策略分析都是基于數(shù)據(jù)統(tǒng)計(jì)分析，因此收集數(shù)據(jù)的準(zhǔn)確性直接關(guān)系到該調(diào)度方案的實(shí)施效果。交通對(duì)象信息感知模型圖如圖7所示，依據(jù)這個(gè)框架對(duì)交通對(duì)象進(jìn)行感知和數(shù)據(jù)收集[23]。

圖7 交通對(duì)象信息感知模型

該模型考慮到了數(shù)據(jù)的實(shí)時(shí)性、完整性，通過(guò)利用雷達(dá)、攝像頭、地磁感應(yīng)線圈等多種傳感手段，對(duì)路側(cè)狀況、車(chē)輛和行人信息進(jìn)行數(shù)據(jù)收集和融合，并對(duì)收集到的數(shù)據(jù)進(jìn)行分類(lèi)[24]。以此為基礎(chǔ)構(gòu)建交通調(diào)度模型。

在此過(guò)程中，將收集到的信息分為車(chē)輛信息數(shù)據(jù)和道路信息數(shù)據(jù)。其中，車(chē)輛信息數(shù)據(jù)包括車(chē)輛編號(hào)、類(lèi)型、速度、加速度、道路編號(hào)、車(chē)輛所在經(jīng)緯度、航線角等；道路信息數(shù)據(jù)包括路口編號(hào)、車(chē)道寬度、車(chē)道數(shù)、限制車(chē)速、摩擦系數(shù)、非機(jī)動(dòng)車(chē)位置速度等[25]。

2.4 基于博弈論的車(chē)路協(xié)同路側(cè)感知融合的交通調(diào)度系統(tǒng)架構(gòu)實(shí)現(xiàn)

為了實(shí)現(xiàn)2.3節(jié)提出的兩個(gè)架構(gòu)，下面提出了兩種對(duì)應(yīng)的研究模型。首先針對(duì)單點(diǎn)交通架構(gòu)提出了基于實(shí)時(shí)信息采集的交通路口互斥模型?；趫D7的交通信息感知模型提出了實(shí)時(shí)信息采集公式為

Mlanen=N1n+N2n+N3n+N4n

(4)

式中：N1n、N2n、N3n、N4n分別代表第n個(gè)車(chē)道的微型、小型、中型、大型汽車(chē)的數(shù)量。

車(chē)流量計(jì)算公式為

(5)

在有交通信號(hào)控制系統(tǒng)紅綠燈的情況下，構(gòu)建了圖8所示的車(chē)路協(xié)同數(shù)據(jù)統(tǒng)計(jì)架構(gòu)。

圖8 車(chē)路協(xié)同網(wǎng)聯(lián)化方案數(shù)據(jù)統(tǒng)計(jì)架構(gòu)

該架構(gòu)由3個(gè)部分組成，分別為車(chē)載智能終端(OnBoard Unit,OBU)、路側(cè)智能終端(Road Side Unit,RSU)和多源傳感器。其中，OBU負(fù)責(zé)發(fā)送車(chē)輛的狀態(tài)信息和接收RSU廣播的數(shù)據(jù)；RSU負(fù)責(zé)廣播多源傳感器融合并經(jīng)過(guò)MEC處理后的信息，同時(shí)，也接收OBU上傳的信息并轉(zhuǎn)交給相應(yīng)單元進(jìn)行處理分析[26]。

而對(duì)于如何與信號(hào)燈結(jié)合實(shí)現(xiàn)對(duì)車(chē)流量的控制，則構(gòu)建了圖9所示的交通信號(hào)控制系統(tǒng)控制流程圖。

圖9 交通信號(hào)控制系統(tǒng)控制流程圖

該流程通過(guò)統(tǒng)計(jì)車(chē)輛數(shù)據(jù)計(jì)算當(dāng)前總車(chē)流量，并將車(chē)流量與交通路口的通行能力M做比較。如果總流量沒(méi)有超過(guò)該交通路口的通行能力，則設(shè)置綠燈并建議行駛速度;如果總流量超過(guò)該交通路口的通行能力，則要進(jìn)一步通過(guò)博弈論模型求出最適合的通行相位和通行數(shù)量，依據(jù)計(jì)算出的結(jié)果設(shè)置綠燈時(shí)間。

針對(duì)無(wú)交通燈的情況，建立了無(wú)交通燈的車(chē)輛引導(dǎo)控制模型，如圖10所示。

圖10 無(wú)交通燈的車(chē)輛引導(dǎo)控制模型

該流程通過(guò)預(yù)測(cè)車(chē)輛運(yùn)行軌跡以及車(chē)隊(duì)到達(dá)碰撞區(qū)的時(shí)間，然后根據(jù)首車(chē)隊(duì)離開(kāi)碰撞區(qū)域的時(shí)間計(jì)算車(chē)隊(duì)下一次進(jìn)入碰撞區(qū)域的時(shí)間，通過(guò)控制車(chē)隊(duì)速度的形式，實(shí)現(xiàn)安全疏導(dǎo)。同時(shí)，在整個(gè)流程環(huán)境中，還需要細(xì)致考慮蜂窩車(chē)聯(lián)網(wǎng)(C-V2X)網(wǎng)絡(luò)架構(gòu)、關(guān)鍵技術(shù)、標(biāo)準(zhǔn)制定等因素對(duì)傳輸可靠性、時(shí)延情況的影響[27]。

最后，本次研究建立了圖11所示的車(chē)路協(xié)同網(wǎng)聯(lián)化仿真平臺(tái)架構(gòu)圖對(duì)以上優(yōu)化方案進(jìn)行結(jié)果仿真和驗(yàn)證。

圖11 車(chē)路協(xié)同車(chē)聯(lián)網(wǎng)仿真平臺(tái)架構(gòu)

該平臺(tái)分為兩個(gè)大板塊，上半部分負(fù)責(zé)場(chǎng)景的仿真，搭建車(chē)輛、行人和交通燈等交通對(duì)象的仿真場(chǎng)景，并輸出仿真參數(shù)，下半部分負(fù)責(zé)運(yùn)行對(duì)應(yīng)算法。

3 仿真實(shí)驗(yàn)結(jié)果與分析

3.1 車(chē)路協(xié)同多傳感器多目標(biāo)跟蹤融合算法實(shí)驗(yàn)結(jié)果分析

以實(shí)際試驗(yàn)項(xiàng)目為基礎(chǔ)，通過(guò)搭建PreScan物理模型，按照實(shí)際項(xiàng)目部署位置和數(shù)量，在PreScan中配置了移動(dòng)邊緣計(jì)算單元(Mobile Edge Computing,MEC)、攝像頭、雷達(dá)、激光雷達(dá)、V2X路側(cè)通信設(shè)備RSU等，輔助添加GPS和北斗高精度定位設(shè)備的路側(cè)基礎(chǔ)設(shè)施；在車(chē)端，采用裝備攝像頭與毫米波雷達(dá)的主車(chē)與目標(biāo)車(chē)。城市交通智能路口部署方案如圖12所示。

圖12 城市交通智能路口部署方案

PreScan中仿真試驗(yàn)開(kāi)始前，做了如下準(zhǔn)備工作。

① 搭建測(cè)試道路及外界基本場(chǎng)景，在PreScan Viewer 顯示3D場(chǎng)景。

② 在建好的應(yīng)用場(chǎng)景中添加車(chē)輛、行人、建筑以及雷達(dá)、攝像頭、V2X通信設(shè)備等傳感器獲取目標(biāo)信息。

③ 加載已建好各狀態(tài)的車(chē)輛、行人、路側(cè)基礎(chǔ)設(shè)施設(shè)備傳感器模塊，利用傳感器模塊的輸出信息進(jìn)行相關(guān)控制算法設(shè)計(jì)。

④ 在仿真環(huán)境中控制指令發(fā)給執(zhí)行器(路側(cè)基礎(chǔ)設(shè)施，包括紅綠燈、車(chē)輛等)模型，進(jìn)行動(dòng)態(tài)交互。

仿真環(huán)境中搭建的所有車(chē)輛均處在運(yùn)動(dòng)狀態(tài)，通過(guò)模型在環(huán)(Model in Loop,MIL)、實(shí)時(shí)軟件在環(huán)(Software in Loop,SIL)、硬件在環(huán)(Hardware in Loop,HIL)等多種使用模式，實(shí)驗(yàn)數(shù)據(jù)選取自然光照充足的白天時(shí)段進(jìn)行，采用周期按照自然月30天為準(zhǔn)進(jìn)行仿真實(shí)驗(yàn)，隨機(jī)選取4組數(shù)據(jù)繪制出多傳感器多目標(biāo)跟蹤融合算法與其他兩種算法的預(yù)測(cè)準(zhǔn)確度對(duì)比圖，如圖13所示。

由圖13可知，車(chē)路協(xié)同多傳感器多目標(biāo)跟蹤融合算法比其他幾種算法的預(yù)測(cè)數(shù)值更接近真實(shí)值。其次，毫米波雷達(dá)的預(yù)測(cè)值要比攝像機(jī)更接近實(shí)際值。這說(shuō)明毫米波雷達(dá)的監(jiān)測(cè)比攝像機(jī)更加精準(zhǔn)。

圖13 3種算法預(yù)測(cè)準(zhǔn)確度比較圖

為了進(jìn)一步驗(yàn)證車(chē)路協(xié)同多傳感器多目標(biāo)跟蹤融合算法的精準(zhǔn)度，對(duì)3種算法的目標(biāo)狀態(tài)估計(jì)誤差進(jìn)行計(jì)算，根據(jù)計(jì)算結(jié)果，繪制了圖14所示的目標(biāo)狀態(tài)誤差對(duì)比圖，圖14中B、C、D、E分別表示縱、側(cè)向相對(duì)距離，以及縱、側(cè)向相對(duì)加速度。

圖14 目標(biāo)狀態(tài)誤差對(duì)比圖

如圖14所示，本次研究提出的車(chē)路協(xié)同多傳感器多目標(biāo)跟蹤融合算法，無(wú)論是在相對(duì)距離還是相對(duì)加速度預(yù)測(cè)方面，預(yù)測(cè)誤差都比單一傳感器的預(yù)測(cè)誤差更小，說(shuō)明車(chē)路協(xié)同多傳感器多目標(biāo)跟蹤融合在實(shí)際應(yīng)用中監(jiān)測(cè)效果比單一傳感器更好。

3.2 有交通燈模型優(yōu)化結(jié)果分析

本次研究共完成了4組實(shí)驗(yàn)，首先在直行車(chē)流量：左轉(zhuǎn)車(chē)流量=3∶1時(shí)，實(shí)驗(yàn)結(jié)果如圖15所示(圖中“博弈論”為本次研究提出的基于博弈論框架的仿真曲線，“固定配時(shí)”為傳統(tǒng)的調(diào)度框架仿真曲線)。

如圖15所示，在直行車(chē)流量較大的情況下，構(gòu)建的博弈論模型信號(hào)燈自適應(yīng)控制算法，無(wú)論是在累計(jì)停放車(chē)輛數(shù)目還是在累計(jì)延遲時(shí)間方面都比傳統(tǒng)的固定行為配時(shí)表現(xiàn)更優(yōu)秀。

圖15 直行車(chē)流較大的仿真曲線對(duì)比圖

但是實(shí)際情況會(huì)比較復(fù)雜，又可能會(huì)出現(xiàn)某個(gè)時(shí)間段內(nèi)某個(gè)方向車(chē)流量突然增大的情況。為了驗(yàn)證模型在這種條件下的判斷效果，對(duì)單相位車(chē)流量較大的情況進(jìn)行了對(duì)比實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果如圖16所示。

如圖16所示，在單相位車(chē)流量較大的情況下，在累計(jì)停放車(chē)輛數(shù)目和累計(jì)延遲時(shí)間方面，本次研究構(gòu)建的博弈論模型信號(hào)燈自適應(yīng)控制算法與傳統(tǒng)固定配時(shí)方案相比都更加優(yōu)秀。雖然在各相位車(chē)流量分布均勻時(shí)二者效果差異不明顯。但實(shí)際情況中，路口的車(chē)流量不可能像理想狀態(tài)中總數(shù)保持均勻。因此，本文提出的方案效果要優(yōu)于傳統(tǒng)的固定配時(shí)方案。

圖16 單相位下仿真曲線對(duì)比圖

為了進(jìn)一步驗(yàn)證猜想，還設(shè)置了模擬實(shí)際交通流的方案，實(shí)驗(yàn)結(jié)果如圖17所示。

由圖17所示，在根據(jù)實(shí)際交通運(yùn)行中，本次研究提出的實(shí)驗(yàn)?zāi)Ｐ涂傮w上的累計(jì)停放車(chē)輛數(shù)目和累計(jì)延遲時(shí)間都比傳統(tǒng)的算法模型表現(xiàn)更加優(yōu)秀。因此，通過(guò)對(duì)以上3個(gè)模擬實(shí)驗(yàn)結(jié)果的分析，可以得出的結(jié)論為基于車(chē)路協(xié)同網(wǎng)聯(lián)化技術(shù)的博弈論的交通路口互斥模型方法可以很好地替代現(xiàn)有體系對(duì)交通調(diào)度體系進(jìn)行優(yōu)化。

圖17 實(shí)際交通流下的仿真曲線對(duì)比圖

3.3 無(wú)交通燈模型實(shí)驗(yàn)結(jié)果分析

無(wú)交通燈模型實(shí)驗(yàn)結(jié)果如圖18所示。由于在無(wú)交通燈狀態(tài)下，車(chē)輛無(wú)法在路口停留時(shí)被統(tǒng)計(jì)，因此無(wú)法對(duì)車(chē)輛的累計(jì)停放時(shí)間和車(chē)輛的停放數(shù)目進(jìn)行對(duì)比。因此，選取了有信號(hào)燈時(shí)模型的變化周期為橫坐標(biāo)，繪制了一定周期內(nèi)通過(guò)車(chē)輛的數(shù)量對(duì)比圖，可以看出，提出的基于車(chē)路協(xié)同網(wǎng)聯(lián)化的算法模型比有交通燈時(shí)的引導(dǎo)算法效果要更好，在很大程度上使車(chē)輛的通行數(shù)量得到提高。在一個(gè)周期內(nèi)，平均車(chē)輛通行率提高了25%以上。

圖18 有無(wú)交通燈通行車(chē)輛數(shù)目對(duì)比圖

4 結(jié)束語(yǔ)

本次研究通過(guò)對(duì)面向智能汽車(chē)的車(chē)路協(xié)同多傳感器感知融合方法中存在的技術(shù)難點(diǎn)進(jìn)行分析，選取了道路交通智能基礎(chǔ)設(shè)施建設(shè)中最為常見(jiàn)的感知設(shè)備即智能攝像機(jī)和雷達(dá)(毫米波雷達(dá)、激光雷達(dá))設(shè)備作為道路側(cè)多傳感器融合的研究對(duì)象。同時(shí)，結(jié)合智能汽車(chē)自身配備的前視攝像機(jī)、毫米波雷達(dá)、智能車(chē)載終端等設(shè)備作為研究參考，提出了基于誤差方差的多傳感器融合算法，設(shè)計(jì)了多目標(biāo)多傳感器數(shù)據(jù)處理系統(tǒng)架構(gòu)，并在多傳感器數(shù)據(jù)融合感知的基礎(chǔ)上提出了基于博弈論的車(chē)路協(xié)同信息融合的交通運(yùn)行調(diào)度架構(gòu)。最后，聚焦道路交通典型場(chǎng)景——智能路口，通過(guò)對(duì)交通路口信息實(shí)時(shí)采集，構(gòu)建交通路口互斥模型和無(wú)交通信號(hào)控制系統(tǒng)(紅綠燈)車(chē)路協(xié)同引導(dǎo)控制模型，并對(duì)這兩種模型進(jìn)行了仿真實(shí)驗(yàn)。實(shí)驗(yàn)數(shù)據(jù)表明，本次研究提出的兩種多傳感器優(yōu)化調(diào)度模型都可以對(duì)車(chē)輛的調(diào)度和交通路段的疏通起到積極作用。

本次研究的不足之處在于，研究的模型對(duì)于車(chē)輛與路側(cè)設(shè)備的工作性能、穩(wěn)定性和通信技術(shù)要求很高，要保證設(shè)備隨時(shí)能夠計(jì)算處理分析數(shù)據(jù)且可靠地接收和傳遞信息。因此要完全實(shí)現(xiàn)并且推廣利用，需要對(duì)車(chē)載和路側(cè)設(shè)備經(jīng)過(guò)量產(chǎn)和長(zhǎng)時(shí)間實(shí)踐使用驗(yàn)證，還需要搭建新的基于云平臺(tái)的基礎(chǔ)底座和系統(tǒng)架構(gòu)，開(kāi)發(fā)新的軟件來(lái)支持整個(gè)體系以更好適應(yīng)技術(shù)發(fā)展需求。