1、车车 联联 网网 白白 皮皮 书书 （网联自动驾驶分册）（网联自动驾驶分册） 中国信息通信研究院中国信息通信研究院 2020 年年 12 月月 前前 言言 车联网是汽车、电子、信息通信、交通运输和交通管理等行业深 度融合的新型产业形态，是 5G、人工智能等新一代信息通信技术在 汽车、交通等行业应用的重要体现。自动驾驶是汽车智能化、网联化 发展的核心应用，也是车联网部署发展的核心服务。我国在车联网技 术创新、应用实践、产业生态构建等方面已经走在了世界前列，将有 利于探索实现一条具有我国特色的网联自动驾驶发展路径。 本文聚焦车联网支持实现自动驾驶应用，从“协同感知、协同决 策、 协同控制” 等不同
2、环节， 重点研究分析网联需求、 典型应用场景、 体系架构和核心关键技术。在此基础上，总结提炼网联自动驾驶发展 面临的挑战，包括技术融合、基础设施建设以及商业运营等方面。最 终以协同发展总结全文，希望我国能抓住难得的历史发展机遇，坚持 网联自动驾驶的协同发展路径，影响形成全球广泛认同。 目目 录录 一、网联自动驾驶的内涵. 1 二、网联自动驾驶的需求及典型应用. 2 （一）单车智能自动驾驶发展现状. 2 1.单车智能自动驾驶应用尚未成熟 . 2 2.单车智能自动驾驶仍面临诸多风险 . 3 （二）单车智能自动驾驶的挑战和网联需求 . 4 1.环境感知的挑战和网联需求 . 4 2.计算决策的挑战和网
3、联需求 . 5 3.控制执行的挑战和网联需求 . 6 （三）网联自动驾驶的典型应用 . 7 三、网联自动驾驶的技术体系架构. 10 （一）网联自动驾驶的技术体系视图 . 10 1.全局视图下的网联自动驾驶技术体系 . 10 2.智能网联汽车视角下的网联自动驾驶技术体系 . 12 3.信息通信视角下的网联自动驾驶技术体系 . 13 4.交通与交管视角下的网联自动驾驶技术体系 . 14 5.网联自动驾驶技术体系的三向视图 . 15 （二）网联自动驾驶的协同关键技术 . 17 1.车载视觉感知关键技术 . 17 2.车载激光雷达感知关键技术 . 18 3.车载毫米波雷达感知关键技术 . 18 4.感
4、知融合关键技术 . 19 5.网联无线通信（C-V2X）关键技术 . 19 6.多接入边缘计算（MEC）关键技术 . 20 四、网联自动驾驶的挑战. 22 五、网联自动驾驶的协同发展政策现状和展望. 25 （一）美欧日等发达地区或国家持续布局自动驾驶 . 25 1.美国政府、产业在网联路径选择上存在差异性考虑 . 25 2.欧盟战略高度重视智能化和网联化的协同发展 . 26 3.日韩布局基础设施建设，希望抢占商业化普及先机 . 26 （二）我国协同发展环境加速形成 . 27 1.协同发展政策体系不断完善 . 27 2.应用示范，助力网联自动驾驶技术与产业成熟 . 29 （三）网联自动驾驶协同发
5、展展望 . 31 附录：缩略语. 34 图图 目目 录录 图 1 基于智慧基础设施和边缘计算的不停车汇入. 9 图 2 网联自动驾驶的体系架构. 11 图 3 智能网联汽车视角下的网联自动驾驶技术体系. 12 图 4 信息通信视角下的网联自动驾驶技术体系. 13 图 5 交通与交管视角下的网联自动驾驶技术体系. 14 图 6 网联自动驾驶技术体系的三向视图. 15 图 7 MEC 与 C-V2X 融合系统的多层系统架构 . 21 表 目 录 表 1 网联自动驾驶的典型应用场景. 7 车联网白皮书（网联自动驾驶分册） 1 一、网联自动驾驶的内涵一、网联自动驾驶的内涵 自动驾驶是车辆作为运载工具智
6、能化、网联化发展的核心应用， 也是车联网、智慧交通产业发展的核心应用服务。在技术层面上，当 前存在着单车智能自动驾驶和网联自动驾驶两种不同的实现路径。 单车智能自动驾驶主要依靠车辆自身的视觉、毫米波雷达、激光 雷达等传感器进行环境感知、计算决策和控制执行。环境感知通过车 载传感器完成对周围环境的探测以及定位功能。 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 来的运动轨迹。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。目前单车智能自动驾 驶在环境感知、
7、计算决策和控制执行的多个环节均存在不同程度的技 术瓶颈，在应用过程中也出现了各种失效的问题，因此一方面需要不 断地加强单车智能的感知、决策和控制能力；另一方面也希望引入不 同的技术手段来进行弥补。 网联自动驾驶是在现有单车智能自动驾驶的基础上， 旨在通过车 联网将“人-车-路-云”交通参与要素有机地联系在一起，拓展和助力 单车智能自动驾驶在环境感知、 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。在环境感知环节进行协同，支持车辆获 得比单车智能感知更多的信息， 例如非视距感知或解决容易受恶劣环 境影响等问题；在计算决策环节进行协同，增加车与车、车与路之间 车联网白皮书（网联自动驾
8、驶分册） 2 的系统性决策， 例如解决车辆优先级管理、 交通路口优化控制等情况； 在控制执行环节进行协同，对车辆驾驶行为进行干预，例如远程遥控 车辆脱困等。 与此同时， 网联自动驾驶的发展还将带动 “人-车-路-云” 协同车联网新型基础设施体系的建设与完善，助力 5G、人工智能等 信息通信技术在垂直行业的应用推广， 促进实现汽车和交通服务的新 模式新业态发展。 二、网联自动驾驶的需求及典型应用二、网联自动驾驶的需求及典型应用 （一）单车智能自动驾驶发展现状（一）单车智能自动驾驶发展现状 1.单车智能自动驾驶应用尚未成熟 按照美国汽车工程师学会（SAE）划分的 L0-L5 的自动驾驶等级 来看，
9、目前单车智能自动驾驶正处于 L2-L3 等级的落地发展阶段， 市 场渗透率和应用规模仍然较小，先进辅助驾驶系统功能（Advanced Driver Assistance Systems， ADAS） 仍然是主力。 高工智能汽车研究院 2020 年 1-2 月乘用车新车上险量 ADAS 市场数据报告提出，国 内自主及合资品牌上线新车 ADAS 搭载率为 28.15%。智能网联汽车 技术路线图 2.0提出，到 2025 年，L2 和 L3 相当的部分自动驾驶 （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。从各个汽车企业的研 发进度
10、上看，2018 年宝马、沃尔沃、奥迪、通用等相继推出 L2 级自 动驾驶应用；2020-2022 年是各车企计划推出 L3 级自动驾驶汽车的 车联网白皮书（网联自动驾驶分册） 3 时间，但目前仅出现了一批 L2.5、L2.99 等自动驾驶的概念性应用， 一方面受限于 L3 级自动驾驶汽车上路的法律法规完善，另一方面受 限于技术实现。综合分析，从技术的发展上看，目前单车智能自动驾 驶的技术实现能力为 L2-L3，但受到场景的局限，例如需要在高速公 路、道路标识规范清晰的城市主干道路等；从产业应用的落地上看， L2 及以下的 ADAS 应用仍然保持一个较低的渗透水平， L3 及以上自 动驾驶应用仍
11、以试验和区域性示范为主，L4 及以上更高等级自动驾 驶应用则需要更长的时间。 2.单车智能自动驾驶仍面临诸多风险 目前已经商用量产的很多 ADAS 功能仍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，2019 年美国汽车协会 （AAA）对雪佛兰迈锐宝 XL、本田雅阁、特斯拉 Model 3 和丰田凯 美瑞等进行了测试， 发现一方面是在夜间或儿童穿梭等场景下车辆的 应对能力不足，大部分车型均发生了碰撞现象；另一方面是在下雨天 的打伞、雨衣、隧道等场景较容易引起失效。现有已经商用的 ADAS 功能尚无法应对复杂的交通状况或恶劣的天气条件， 感知能力的不足 仍是主要原因。但在驾驶员负
12、责整个驾驶过程的条件下，L2 及以下 的 ADAS 应用功能已经具备商用落地的条件。 在高等级自动驾驶路测方面， 自动驾驶的可靠性和应对挑战性交 通场景的能力仍有待提升。从 2019 年度美国加州的自动驾驶脱离报 告Autonomous Vehicle Disengagement Reports来看，36 家企业进 车联网白皮书（网联自动驾驶分册） 4 行了自动驾驶测试，谷歌 Waymo 以 234 万公里测试里程遥遥领先， 其每 21273 公里出现一次脱离接管， 但相比较下苹果则每 189 公里就 要出现一次脱离接管。从脱离接管的原因来看，软硬件系统性能的可 靠性几乎是每个测试企业面临的共
13、性问题；此外，对突然出现目标的 感知能力不足、目标运动行为的预测能力不足、决策时间超时和错误 的轨迹生成、交通信息标识识别的错误等也是主要问题。 此外，已经商用的部分自动驾驶车辆也出现了各类别的事故，存 在感知失效、预测和决策失效等原因。2018 年 1 月，美国洛杉矶一辆 Model S 因跟随车辆突然变道而没有及时检测到前方停止的消防车， 未能及时刹车/减速而造成事故，引发其感知失效的讨论。2016 年 2 月，美国加州的一辆雷克萨斯车辆感知到后侧有公交车准备通过，但 经过判断路面并没有足够的空间让公交车通过， 便假定公交车驾驶员 会减速，而公交车驾驶员判断雷克萨斯会礼让，因此发生碰撞，显
14、示 了单车智能自动驾驶在这种“博弈”的驾驶条件下很难准确判断周边 交通参与主体的意图，提出了协同决策的挑战。 （二）单车智能自动驾驶挑战和网联需求（二）单车智能自动驾驶挑战和网联需求 1.环境感知的挑战和网联需求 目前，单车智能自动驾驶的技术解决方案，视觉传感器、激光雷 达、毫米波雷达以及红外夜视、超声波等成熟的传感器是主要的产品 组成。各类别传感器的标称技术指标持续稳步发展，不断满足自动驾 驶需求，逐渐接近人类驾驶员的感知能力，甚至在部分技术能力上实 车联网白皮书（网联自动驾驶分册） 5 现了超越，例如探测距离 200 米以上、综合精度能够达到厘米级甚至 毫米级等。但是各类传感器的可靠性，以
15、及对突发事件的响应能力上 仍然存在不足。一方面，容易受到遮挡、恶劣天气等环境条件影响， 如十字交叉路口、隧道出入口等。网联化通过车路协同、车车协同， 能够极大地拓展单车的感知范围，并且不受遮挡限制，能够让单车提 早发现未知状况， 能够应对目标突然驶入等目前在自动驾驶测试和事 故中难以应对的状况。此外，单车智能自动驾驶在目标预测、驾驶意 图 “博弈” 等方面存在困难。 网联化能够直接给出关键结果状态信息， 例如信号灯状态、周边车辆的下一步动作意图、当前路况下最佳的行 驶路线等，减少了复杂的基于传感信息的计算处理过程，并且能够准 确地了解周围交通参与者的意图。 2.计算决策的挑战和网联需求 计算决
16、策主要实现的功能可以分为两类， 一是对环境感知数据进 行目标识别，深度神经网络是目前在感知中使用最多的方式，也是目 前对算力消耗需求最大的计算任务； 二是针对感知的结果以及车辆的 行驶任务，给出行驶路线、车辆动作的决策规划。在硬件上，计算决 策主要承载在基于 CPU、GPU、DSP、AI 芯片、MCU 等多核异构分 布的计算处理平台上。 算力和功耗之间的矛盾是目前单车智能自动驾 驶计算处理平台遇到的重要瓶颈。同时，由于交通行为更多是众多参 与者之间互相“博弈” ，在路径动作的决策规划环节，单车智能自动 驾驶难以给出最佳的解决方案。 车联网白皮书（网联自动驾驶分册） 6 网联化有望分担单车的算力
17、消耗， 基于云控平台给出全局最优的 驾驶策略。在算力方面，一是网联化作为“超级传感器”能够直接给 出感知的目标结果，省去了复杂的对传感器信号的计算分析过程，如 红绿灯的判断，从而大大减轻了单车的算力需求；二是能够借助云计 算、边缘计算等能力，有望将路侧的算力引入，例如在路侧安装视觉 传感器、激光雷达等传感器，将路侧感知结果进行下发等。在驾驶策 略方面，在特定场景下，网联化能够集中采集其范围内的交通参与主 体，根据所有主体的目的和状态，给出全局最优的解决方案，无需再 通过“试探”和“博弈”给出决策规划，在矿山、港口、物流等非公 共开放道路的特定场景下已经得到验证应用。 3.控制执行的挑战和网联需
18、求 单车智能自动驾驶的控制执行主要根据计算决策给出的动作命 令，通过车辆的动力学模型和人机交互界面，给到电机、油门、刹车 等执行机构。在控制执行方面，考虑自动驾驶系统和人类驾驶之间的 协同处理以及车辆控制的可靠性、安全性，控制系统的冗余备份、高 实时响应是主要的技术需求。 网联化在控制执行方面能够提供远程遥 控驾驶、协同驾驶的应用模式。例如在某些危险或不适合人类进入的 场合，需要通过 5G 远程遥控驾驶来操作远端的车辆进行作业，目前 在无人矿山等场合下已得到应用。在车辆编队行驶等方面，借助头车 和后排车辆的控制执行信息交互， 后排车辆能够按照头车的统一命令 进行驾驶，减轻后排车辆的感知计算任务
19、负载。网联化能够将车辆的 车联网白皮书（网联自动驾驶分册） 7 控制和执行从单车上分开，助力打造一批创新性的应用模式。 （三）网联自动驾驶的典型应用（三）网联自动驾驶的典型应用 在单车智能自动驾驶基础上，引入网联化技术，使得更多协作式 的自动驾驶应用得以实现。 从典型工况和协同环节两个维度进行考虑， 可以将网联自动驾驶的应用场景划分为一个矩阵。 典型工况包括各类 路口、高速公路、隧道、停车场所、矿山/港口等相对结构化的道路环 境，以及通用工况环境。协同环节则包括协同感知、协同决策和协同 控制三个部分。 表 1 网联自动驾驶的典型应用场景 协同感知协同感知 协同决策协同决策 协同控制协同控制 通
20、用工况通用工况 高精地图 全天候路况感知 路标信息 超视距&盲区感知 交通流量 车辆状态 道路状态 协作自适应巡航 柔性车道管控 协作汇入汇出 可变限速控制 各类路口各类路口 路口车辆信息 信号灯信息 VRU&混合交通主体辨识 及预警 全局路径规划 绿波车速引导 驾驶意图判定 交叉口诱导 路口协同通行 信号灯优化控制 远程接管 闸机信号交互 高速公路高速公路 远程接管 远程平行驾驶 网联编队驾驶 隧道隧道 隧道内高精地图及定位 临时设施/障碍 隧道设施 停车场停车场 场内高精地图&定位 空闲车位信息 空闲车位分配 车位路径引导 全自动代客泊车 （半封闭场景 L4） 矿山矿山/港口港口 封闭固定
21、区域内 L4 来源：中国信息通信研究院 不同应用场景对网联的依赖程度可分两类， 一是需要网联才能在 车联网白皮书（网联自动驾驶分册） 8 全工况环境下实现的应用场景。比如信号灯、标识标牌等信息获取， 在能见度低的雨雪雾天气中，单车感知设备将难以准确识别，通过车 与路侧相应交通基础设施的联网通信才能获取上述信息；不仅如此， 信号灯等信息的数字化更是为其增加了动态调整的可能性， 使潮汐车 道、动态限速等场景更容易实现。其次，盲区的感知，单车所能搭载 的摄像头和激光雷达都存在物理极限， 一些路侧感知设备的部署则可 以轻松解决单车视觉上的盲区， 并且可以将远方的动态交通事件信息、 道路信息等发送给车辆
22、。再者，群体智能，基于交通信息的全局路径 规划需要一个基于云端的强大决策平台， 并将规划结果下发给区域内 的车辆，这是单车智能所不能实现的，并且可以通过网联实现对于异 常车辆的远程监控和接管介入。 二是通过网联实现将更具经济性的应 用场景。 此类场景单车在技术上也可行， 然而实现代价过于繁琐高昂， 不利于应用的快速普及。比如十字交叉路口等典型城市工况环境，在 对于混合交通主体的识别过程中， 单车需要付出极大的感知和计算开 销，而通过路侧感知、计算、通信等设备的部署，可以达到资源复用 的规模化效应。再如隧道、停车场等封闭场所的定位，配合路侧通信 设备、蜂窝通信基站、边缘计算服务器等的支持，在达到
23、同样精准度 的情况下，可以很大程度上降低单车惯性导航、雷达等一系列复杂融 合感知算法的开销。 目前， 网联自动驾驶的相关应用场景也已经陆续在国内外开展应 用示范验证和部署。港口、矿山、物流园区等封闭场景成为各地率先 部署商用车 L4 自动驾驶的示范区。2019 年 11 月，由上汽集团、上 车联网白皮书（网联自动驾驶分册） 9 港集团、中国移动合作打造的上海洋山港智能重卡示范运营项目，在 洋山港物流园、东海大桥、洋山一期码头内，实现集装箱智能转运， 是国际上首次实现 5G+自动驾驶重卡商业化落地。5G 远程遥控驾驶 与单车智能自动驾驶的结合， 可以解决自动驾驶算法出现故障等原因 导致的人工接管
24、的情况。博世、梅赛德斯奔驰、诺基亚等合作伙伴， 在德国乌尔姆市示范基于智慧基础设施和边缘计算的不停车汇入， 如 下图 1 所示。项目建设方在道路灯杆上安装摄像头、激光雷达、路侧 通信设备和 MEC 边缘计算服务器，拓展车辆感知范围，解决车辆自 身感知设备的视觉识别盲区，如被卡车遮挡的行人、从盲区驶来的车 辆、从后方靠近并变道的自行车。系统能将路端传感器采集到的图像 数据，与车辆传感器采集到的数据相结合，在边缘算力支持下，与高 精度地图结合，可生成包含当前路况全部信息的车辆周围环境模型， 并通过网联技术传输给车辆。项目实施后，自动驾驶车辆可以精确地 发现主干道上的车流间隙，无需刹停即可无缝汇入主
25、干道车流。 数据来源：博世 图 1 基于智慧基础设施和边缘计算的不停车汇入 车联网白皮书（网联自动驾驶分册） 10 三、网联自动驾驶的技术体系架构三、网联自动驾驶的技术体系架构 （一）网联自动驾驶的技术体系视图（一）网联自动驾驶的技术体系视图 1.全局视图下的网联自动驾驶技术体系 网联自动驾驶的体系架构可以按照 “终端”“连接”“计算与服务” 三个维度来进行解构，如下图 2 所示。网联自动驾驶技术体系的“终 端”包含智能网联汽车和路侧智能化系统这两个广义终端。 “连接” 是实现“人-车-路-云”相互连通的各类通信技术，按照网络类型可分 为公众电信网、公安专网、交通专网等，按照网络技术可分为移动
26、通 信网络、光纤接入网等。 “计算与服务”承载着网联自动驾驶各类服 务的数据支撑与应用实现能力， 从物理实体上包括边缘计算平台与云 平台；从业务逻辑上包含数据底座、开放接口、应用服务等；从服务 功能上包括以红绿灯信息推送、盲区感知、隧道高精度定位为代表的 协同感知类应用，全局路径规划、车辆编队行驶等协同决策类应用， 5G 远程遥控驾驶等协同控制类应用，以及高精度地图下载、OTA 升 级等数据支撑业务等。 车联网白皮书（网联自动驾驶分册） 11 来源：中国信息通信研究院 图 2 网联自动驾驶的体系架构 智能网联汽车和路侧智能化系统可以看作两个系统级“终端，可 以被进一步解构为 “终端” “连接”
27、 “计算与服务”等若干子类。智能 网联汽车内部的“终端”包含车载通信网关、车载感知设备，以及智 慧座舱、域控制器等汽车电子系统； “连接”主要是车内高速总线与 多协议车内通信技术融合； “计算与服务”涉及异构计算平台、车载 操作系统、感知识别与行为决策算法等。路侧智能化系统的“终端” 主要有路侧通信终端、路侧感知设备、道路交通智能化设备等； “连 接”主要以交通、公安等专网或本地局域网为主； “计算与服务”主 要包含路侧边缘计算系统、路侧感知与服务能力、路-云协同等。 在这种系统整体结构分解的思路中， “终端”是载体， “连接”是 途径， “计算”是手段， “服务”是目的， “人-车-路-云”
28、各个环节的关 键技术深度协同，形成了统一融合的网联自动驾驶技术体系架构。 车联网白皮书（网联自动驾驶分册） 12 2.智能网联汽车视角下的网联自动驾驶技术体系 在智能网联汽车视角下，结合全局视角技术体系的解构思路，网 联自动驾驶按照技术环节可分为感知、连接、计算与服务，其中网联 系统是与雷达、摄像头、定位等并列的一种感知技术，车内电子电气 架构（E/E） 、车载计算平台归属于连接和计算的范畴，服务主要是与 自动驾驶有关的预测和决策等，如下图 3 所示。在智能网联汽车视角 下，车辆的安全是非常重要的技术环节，需要遵循相应的功能安全体 系（ISO 26262） ，以及预期功能安全体系（SOTIF）
29、 。 来源：中国信息通信研究院 图 3 智能网联汽车视角下的网联自动驾驶技术体系 在智能网联汽车视角下，自动驾驶对以 C-V2X 为代表的网联系 统提出了诸多要求，包括应用时延、消息集的可用性、消息内数据的 可靠性、 消息与车内感知的相互备份性等。 该视角特点可总结为：（1） 网联系统将作为车辆感知系统的一部分，可提供车辆盲区信息、超视 距信息、交管信息等传统车载传感器无法直接提供的信息； （2）自动 驾驶对于网联系统相关的功能安全、预期功能安全体系非常关切，有 待进一步研究并形成跨行业共识； （3）自动驾驶对典型应用场景的消 车联网白皮书（网联自动驾驶分册） 13 息集标准化需求强烈，有必要
30、推动形成消息集持续演进机制，支撑网 联自动驾驶基础设施广泛部署。 3.信息通信视角下的网联自动驾驶技术体系 在信息通信视角下，网联自动驾驶遵循“端-管-云-业务”的典型 信息通信体系架构，一方面，无论是车载、路侧系统的各类终端，都 是网络内的车联网终端用户；另一方面，各类终端通过 C-V2X/5G 等 移动通信网络或光纤接入网络接入到边缘计算平台或云平台， 平台上 的各类应用为终端用户提供通用或定制化服务，如下图 4 所示。 来源：中国信息通信研究院 图 4 信息通信视角下的网联自动驾驶技术体系 在信息通信视角下，一方面终端是网络服务的主体，需要为终端 业务需求针对性地调整网络能力或者服务特点
31、； 另一方面对终端对于 网络或服务的匹配性提出了明确要求，例如工作频率要求、射频一致 性、通信协议一致性、数据集一致性等。该视角特点可总结为： （1） 网联自动驾驶系统遵循“端-管-云-业务”架构，各环节主体需要受到 频段许可以及电信业务资质等 ICT 领域政策法规的监管； （2）ICT 企 车联网白皮书（网联自动驾驶分册） 14 业希望自动驾驶企业对应用、网络、服务等提出需求，在此基础上开 展管、云、服务方面的系统研发与部署； （3）ICT 企业可针对自动驾 驶应用提供“标准+定制”服务，但如何明确并提供网联数据可靠性 或置信度仍需进一步研究。 4.交通与交管视角下的网联自动驾驶技术体系 在
32、交通与交管视角下， 车联网与智慧交通系统按照业务类型垂直 分类， 网联自动驾驶可视作涉及到多个传统业务类型增强与融合的新 兴业务系统， 例如在传统的交通信号智能控制系统基础上增加了数据 开放与广播，在交通标志标线、车辆超速预警、典型违法预警系统等 基础上增加了信息融合与实时播发功能等，如下图 5 所示。 来源：中国信息通信研究院 图 5 交通与交管视角下的网联自动驾驶技术体系 在交通与交管视角下， 各类业务应用需要道路侧智能化设备与基 础数据平台的支撑。对于网联自动驾驶来说，需要在路侧智能化设备 和基础数据平台方面增加新的实体和功能，包括新增 C-V2X 路侧通 信单元、新增路侧感知计算融合系
33、统、部署 V2X 信息的采集与发布 车联网白皮书（网联自动驾驶分册） 15 功能等，实现网联系统与传统智能交通系统的融合演进。交通与交管 视角的特点可总结为： （1）交通与交管系统按照“感知-传输-计算-应 用”的层级来设计，以 C-V2X 为代表的网联系统建设与交通新基建 融合发展已形成行业共识； （2） C-V2X 等网联功能作为一种新型感知 发布方式，可以使交通与交管系统增强与智能网联汽车的交互，促进 交通与交管业务从路端向车端延伸； （3）交通与交管行业需要基于现 有智能交通业务提炼网联自动驾驶所需服务，与现有系统融合演进、 并通过 C-V2X 等网联系统与网联自动驾驶进行耦合。 5.
34、网联自动驾驶技术体系的三向视图 为了更好地描述网联自动驾驶技术体系， 本白皮书尝试将网联自 动驾驶技术体系用三向视图进行总结，如下图 6 所示。 来源：中国信息通信研究院 图 6 网联自动驾驶技术体系的三向视图 正向视图展示了系统架构和信息流，根据业务类型的不同，信息 车联网白皮书（网联自动驾驶分册） 16 流可以分为三种类型。一是车路信息流，路侧智能化系统为智能网联 汽车提供超视距感知信息、道路信息、地理信息等；智能网联汽车向 路侧智能化系统提供自身状态信息， 用于路侧更全面地了解道路车辆 状态，形成车路协同流闭环。二是面向交通治理的车路云信息流，交 通与交管平台从路侧智能化系统及智能网联汽
35、车获取车辆行驶信息， 用于分析和形成宏观或微观交通状态，并将交通控制、管理、诱导等 信息发送至智能网联汽车，促进改善交通环境，形成智慧交通信息流 闭环。三是面向网联自动驾驶的车路云信息流，智能网联汽车和路侧 智能化系统将感知信息与道路状态信息上传至云控平台， 云控平台将 适用于自动驾驶的融合感知与决策信息下发至智能网联汽车， 形成网 联自动驾驶信息流闭环。 顶向视图展示了关键技术的逻辑架构，信息通信、交通、汽车等 各行业对于“终端” “计算” “连接与服务”的技术逻辑划分基本达成 共识，但不同行业对于此种逻辑划分有不同的关注重点。汽车行业更 关注智能网联汽车内部系统， 同时关注云控平台上自动驾
36、驶应用服务 的实现。通信行业更关注车路云之间的连接与服务，以及边-云端的 MEC、数据中心、云计算、人工智能等关键技术。路侧智能化系统需 要信息通信、交通、交管等跨行业协同，其中交管行业的责权界面相 对明晰， 信息通信行业和交通行业在路侧系统建设运营方面的合作模 式还有待进一步探索；应用平台方面，信息通信、交通、交管、汽车 等各行业仍存在平台间数据集不统一、 互联互通困难等待解决的问题。 侧向视图展示了系统安全视图， 包含网联自动驾驶功能安全与信 车联网白皮书（网联自动驾驶分册） 17 息安全两部分安全体系。功能安全既包括汽车传统的功能安全体系， 也包括自动驾驶汽车的预期功能安全体系，以及未来
37、路侧设备、云端 服务的预期功能安全。信息安全包括了网络安全、身份认证等关键技 术体系，其中身份认证体系一方面需要明确管理机制，考虑建立跨行 业、跨地域协同管理模式，共同维护协同互认的数字身份信任关系。 （二）网联自动驾驶的协同关键技术（二）网联自动驾驶的协同关键技术 1.车载视觉感知关键技术 车载视觉摄像头成为近年汽车 ADAS 市场需求增长最快的传感 器。 按照摄像头安装位置和功能的差异， 可以分为前视、 环视、 侧视、 后视以及内视等。前视摄像头主要用于车辆和行人探测、交通标志识 别、车道偏离警告、车距监测以及自适应巡航控制等，通常需要搭配 复杂的算法芯片。环视摄像头主要用于全景泊车和车道
38、偏离警告，侧 视摄像头可用于盲点检测，后视摄像头用于倒车辅助，内视摄像头用 于疲劳驾驶预警和情绪识别等。当前车载摄像头主要以 720P、1080P 分辨率为主， 空间分辨率已经与人眼接近， 而感知距离通常为 200m， 与人类肉眼可感距离（500+m）仍存在差距。逆光、图像动态范围是 当前影响视觉传感器可靠性的主要挑战。 视觉感知技术将传感器的输入数据转换成计算机能够理解的场 景语义表达和物体结构化表达，包括物体检测、识别和跟踪、3D 环 境建模、物体的运动估计等。车辆在运行过程中，通过高清摄像头的 不间断采集， 实现对环境信息的实时感知， 随着自动驾驶等级的提升， 车联网白皮书（网联自动驾驶
39、分册） 18 必然引发像素需求与芯片计算能力之间的平衡问题。 2.车载激光雷达感知关键技术 车载激光雷达以避障应用为主，将走向 3D 点云识别及定位。车 载激光雷达是目前车载环境感知精度最高的感知方式， 探测距离可达 300m， 精度可控制在厘米级。 机械式激光雷达因其抗光干扰能力强、 信噪比高等优点成为前期主要的激光雷达形态， 长远来看 MEMS、 3D Flash 等固态激光雷达有望成为重点，相控阵 OPA 技术方案仍然需要 较长的技术研发周期。 目前限制激光雷达量产商用的主要制约因素为 可靠性和成本。 3.车载毫米波雷达感知关键技术 车载毫米波雷达的技术最为成熟、鲁棒性最高，可以探测车辆
40、与 目标物体之间的距离，主要用于碰撞预警、自动巡航、制动辅助和泊 车辅助等功能。目前，车载毫米波雷达的频率多采用 24GHz 频段和 77GHz 频段。24GHz 的技术难度和成本较低，适用于测量中短距离 物体， 占据了目前毫米波雷达的主要应用市场。 77GHz 的毫米波雷达 具有体积更小、测量距离更远、测量精度更高等优点，适用于测量长 距离物体， 77GHz 等高频段毫米波雷达产品目前以国外产品为主。 随 着技术的成熟，3D、高空间分辨率的毫米波雷达成为未来趋势，理论 上有可能替代激光雷达。 车联网白皮书（网联自动驾驶分册） 19 4.感知融合关键技术 多传感器融合成为提升感知可靠性的主要手段。 不同的传感器在 感知精度、鲁棒性、可靠性上各有不同，因此适用于不同环境、不同 物体的感知测量。结合激光雷达、毫米波雷达和视觉的传感器融合技 术，可获得更高精度的 3D 信息，并且通过不同信息的互补、交叉验 证，将语义感知的准确性提升数个数量级。目前，存在着视觉主导和 激光主导两种不同的感知融合方案， 视觉主导方案的采用者以特斯拉 为代表，激光主导方案的采用者以谷歌为代表。毫米波雷达凭借优秀 的抗干扰性能，成为摄像头和激光雷达的重要补充。在技术路线上， 多传感器融合感知主要有数据级的前向融合和特征级的后向融合两
sgpjbg002
工作日 8:30 - 17:30
会员动态：
报告分类
新质生产力
ChatGPT
新能源汽车
大模型
Sora
机器人
微短剧
芯片
薪酬
白皮书
低空经济
数据要素
创新药
人工智能
AI产业
信息科技
互联网
消费经济
汽车交通
电商零售
传媒娱乐
医药健康
投资金融
能源环境
地产建筑
传统产业
英文报告
其它
扫码登录
手机快捷登录
账号登录
