1、 智能交通技术 ITSTECH 2022 年 车路协同专辑 i 目目 录录 一 自动驾驶之路聪明的车还是智慧的路？.1 1 车.1 2 路.3 3 车路协同.4 4 小结.8 二 车路协同应用场景分析.9 1 几个定义.9 2 关于车路协同几点理解.13 3 车路协同的主要功能.15 4 应用场景.16 5 小结.23 三 车路协同全域感知与数据融合.24 1 概述.24 2 车路协同应用.24 3 车路协同感知体系.25 4 实时数据处理与信息融合.35 5 车路协同信息服务（简述）.39 6 小结.40 四 车路协同边缘计算与边云协同.41 1 概况.41 2 边缘计算模型驱动参考架构.4

2、3 3 边缘计算 CROSS 功能.44 4 边云协同能力.45 5 边云协同参考架构.47 6 边缘计算节点系统安全.48 五 车路协同服务云平台.52 1 概述.52 ii 2 需求与应用场景分析.53 3 总体方案.54 4 车路协同应用系统.58 5 小结.67 六 边缘智能深度学习和边缘计算.69 1 什么是边缘计算.69 2 为什么我们需要边缘计算.70 3 缘智能结合人工智能和边缘计算.71 4 在网络边缘部署机器学习算法.76 5 下一步是什么？.78 七 北京市自动驾驶车辆测试场建设概况.79 1 相关法规和标准.79 2 自动驾驶开放测试道路.80 3 封闭测试场.86 4

3、 测试.89 5 道路测试监管.89 八 智能网联汽车封闭测试场建设方案.91 1 背景.91 2 总体建设总体思路.92 3 建设内容.93 4 运营.99 九 网联车辆和移动边缘计算，方便的结合.100 1 优势说明.103 2 云边结合的未来.103 十 在自动驾驶设计中考虑伦理道德.105 1 科技伦理哲学.107 2 问题的症结是什么？.109 3 可能的解决方案之旅？.110 十一 人工智能 AI 在智能交通领域中的应用.113 iii 1 介绍.113 2 文献调查.116 3 框架.120 4 讨论.124 5 结论.129 1 一一 自动驾驶之路自动驾驶之路聪明的车还是智慧的

4、路？聪明的车还是智慧的路？在 2020 年 7 月于上海举行的世界人工智能大会上的一次远程亮相中，马斯克告诉观众，他的公司距离突破只有几个月的时间。“我仍然有信心，我们将在今年完成 5 级自动驾驶的功能或基本功能，”他说，“我认为对于 5 级自动驾驶来说，基本的挑战已经不存在了。”但行业内普遍的反应是这个不可能实现。在过去的 18 个月中，即使是最乐观的行业人士也承认，自动驾驶汽车比预期的更具挑战性，许多公司已经取消或推迟了部署 L3 级和 L4 级车辆的计划。一段时间以来，自动驾驶的重点都在使车变得更智能，即单车智能，包括Waymo、Tesla、Uber 等新势力以及通用、梅赛德斯-奔驰等传

5、统车企都是如此。车路协同实际上是人们发现单纯的智能车难以解决降低成本以及确保安全等难题而选择的第二条道路。从某种意义上说，自主智能驾驶不能承受之重，由 V2X来分担。车路协同既大幅降低成本，也提高效能。车路协同包括聪明的车、智慧的路（包括高速的边和云）。1 车车 聪明的车可以分为智能车（自主智能车）、网联车和智能网联车。车辆不但包括小客车、公交车、货车等，还包括物流配送车、微交通的电动自行车和电动踏板车。智能车（智能车（AVAV），智能车也称为自主自动驾驶车，也成单车智能驾驶，通过自身携带的传感器。感知道路环境并通过自身的车载计算优化控制路径和控制车辆行驶。网联车（网联车（CVCV），网联车本

6、身无智能。网联车通过车载通信单元 OBU 接收路侧通信单元 RSU 传来的路侧边缘计算决策的控制指令远程遥控车辆。因此，可以说网联车本身没有智能，它的智能水平完全取决于道路（边缘计算）的智能水平。智能网联车（智能网联车（CAVCAV），智能网联车具备自主智能驾驶，同时安装 OBU，可接收RUS 传来的实时道路环境信息和控制指令，通过车载边缘计算（或完全接受路侧 2 边缘计算的控制指令）控制车辆行驶。网联车、智能车和智能网联车的对比。表 1 网联车、智能车和智能网联车对比表 1 1、自动驾驶的主要应用自动驾驶的主要应用 根据中国汽车工程学会标准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

7、标准（T/CSAE 53-2017），车联网基础功能涵盖安全、效率和信息服务三大类 17 个应用。其中安全类的应用数量、种类最多，也是自动驾驶需要解决的最基本的问题。表 2 车辆网基础功能表 类别类别感知感知通信通信决策决策主要模块主要模块网联车依靠路侧感知V2X路侧边缘计算感知融合和预测规划和决策控制智能车车载感知-车载自主计算感知决策控制智能网联车路测感知和车载感知V2X协同决策感知融合和预测规划和决策控制 3 2 2、智能车分级智能车分级 2020 年 3 月工信部发布 汽车驾驶自动化分级 推荐性国家标准报批公示，公示截止到 2020 年 4 月 9 日，这项标准将于明年 1 月 1 日

8、正式实施。汽车驾驶自动化分级 是我国智能网联汽车标准体系的基础类标准之一。其中包括了对驾驶自动化的定义、驾驶自动化分级原则、驾驶自动化等级划分要素、驾驶自动化各等级定义、驾驶自动化等级划分流程及判定方法、驾驶自动化各等级技术要求等。汽车驾驶自动化功能将划分为 0-5 共 6 个等级：其中最高级别的自动驾驶为完全自动驾驶，也就是驾驶自动化系统在任何可行驶条件下持续地执行全部动态驾驶任务和执行动态驾驶任务接管。表 3 驾驶自动化等级与划分要素的关系 2 路路 智慧的路包括感知、通信、决策。感知部分需要对道路上所有参与者、道路环境实时检测。通信解决车与道路的交互通信。一方面，网联车将自己位置信息实时

9、地传递给 RSU；另外一方面，RSU 将处理好的警告或控制信息传递给网联车。决策部分通过路侧设置的边缘计算单元处理传感器采集的信息，生成高精度动态 4 局部地图（LDM），实时对车辆警告或控制信息进行决策。道路分级道路分级 2019 年中国公路学会自动驾驶工作委员会、自动驾驶标准化工作委员会发布了智能网联道路系统分级定义与解读报告（征求意见稿），将交通基础设施系统分为 6 级。表 4 交通基础设施系统分级要素对比表 3 车路协同车路协同 车路协同是采用 V2X 等先进的无线通信技术，全方位实施车车、车路动态实时信息交互，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

10、，充分实现人车路的有效协同的智能交通系统。5 图 1 车路协同架构 3.1 车路协同感知数据车路协同感知数据 车路协同感知在结合现有的智能交通感知设备的基础上，增加了更加精密的路侧感知设备、车载感知设备和 5G 移动大数据。路侧感知设备包括激光雷达、毫米波雷达和带目标识别功能的视频摄像机；车载感知则智能车辆安装的视频、激光雷达、毫米波雷达等设备，需要通过 V2I 实时上传到边缘计算节点；此外还包括慢行交通的位置数据。6 图 2 车路协同感知体系 3.2 车路协同控制流程车路协同控制流程 信息感知，一方面采用路侧传感器，以上帝的视角，感知路面所有交通要素包括信号灯、机动车、非机动车、行人，甚至抛

11、洒物；另一方面，可通过 V2I 接收智能网联车车载传感器采集的路面信息，统一传输到路侧计算边缘进行处理。感知数据融合，对各类数据进行实时融合处理，直接生成局部动态地图。车路协同决策，根据实时道路环境进行线路规划、车道规划、速度预测等。生成车辆行驶安全警告和车辆控制命令。安全警告和车辆控制，利用 I2V 向网联车发布安全警告信息和车辆控制命令。图 3 车路协同控制流程示意图 3.3 车路协同分级车路协同分级 可结合道路智能分级和车辆智能分级对车路协同（道路+车辆）智能进行分级，可分为 C0 至 C5 共六级。7 C0 级无智能，由人类驾驶员全权操控汽车，可以得到警告或干预系统的辅助。C1 初步智

12、能，通过驾驶环境对方向盘和加减速中的一项操作提供驾驶支持其他的驾驶动作都由人类驾驶员进行操作。C2 部分智能，通过驾驶环境对方向盘和加减速中的多项操作提供驾驶支持其他的驾驶动作都由人类驾驶员进行操作。C3 有条件智能，由车路协同自动驾驶系统完成所有的驾驶操作根据系统要求，人类驾驶者需要在适当的时候提供应答。C4 高度智能，由车路协同自动驾驶系统完成所有的驾驶操作，根据系统要求，人类驾驶者不一定需要对所有的系统请求做出应答，包括限定道路和环境条件等。C5 完全车路协同智能，在所有人类驾驶者可以应付的道路和环境条件下均可以由车路协同自动驾驶系统自主完成所有的驾驶操作。车路协同等级与车辆智能等级、道

13、路智能等级的关系如下图。（相对合理的定性划分。其中假设两个低一级的车辆和道路智能叠加可产生高一级的车路协同智能等级，适用于三级以下。）图 4 车路协同智能等级与车辆、道路智能等级示意图 8 3.4 车路协同优化配置车路协同优化配置 对于自动驾驶而言，聪明的车和智慧的路是不同的实现途径，因此建设途径和投资方向就有不同的选择。当然采取道路和车辆两个方向齐头并进的建设方式，可以在最短的时间内取得实质进展，但可能造成重复建设和投资较大的问题。另外一个可能比较好的建设方式是重点建设道路智能，在路侧设置边缘计算能力，统一处理感知和决策，再通过 I2X 对网联车辆进行控制。通过车路协同可以大大降低自动驾驶的

14、门槛，单台车可以节省 50%90%的费用。图 5 车路协同配置 4 小结小结 总之，车路协同是从车和路两个不同的角度统一整合解决自动驾驶的方案。放眼世界，目前中美两个大国在自动驾驶方面的角力也在不断增强。我国发挥政府主导科技发展，基础建设能力强等优势，以车路协同为出发点，解决自动驾驶单车智能发展的瓶颈，无疑是一项正确的选择。9 二二 车路协同应用场景分析车路协同应用场景分析 【摘要】伴随我国智能网联汽车发展的是一系列全新的概念，车联网、智能汽车、无人驾驶汽车、自动驾驶汽车、车路协同等等，让人们目不暇接。本文试图对这些概念进行一下梳理，同时提出车路协同应用的主要场景。随着新一代信息技术与汽车产业

15、的深度融合，智能网联汽车正逐渐成为全球汽车产业发展的战略制高点。我国高度重视智能网联汽车发展，智能网联汽车成为关联众多重点领域协同创新、构建新型交通运输体系的重要载体，并在塑造产业生态、推动国家创新、提高交通安全、实现节能减排等方面具有重大战略意义，已经上升到国家战略高度。1 几个定义几个定义（1）车联网（）车联网（IOV，Internet of Vehicles）车联网是以车内网、车际网和车载移动互联网为基础，按照约定的通信协议和数据交互标准，在车-车、车辆与互联网之间，进行无线通讯和信息交换，以实现智能交通管理控制、车辆智能化控制和智能动态信息服务的一体化网络，它是物联网技术在智能交通系统

16、领域的延伸。早 期 的 车 联 网 叫 做 Telematics。Telematics 是 远 距 离 通 信 的 电 信（Telecommunications）与信息科学（Informatics）的合成词，按字面可定义为通过内置在汽车、航空、船舶、火车等运输工具上的计算机系统、无线通信技术、卫星导航装置、交换文字、语音等信息的互联网技术而提供信息的服务系统。简单的说就通过无线网络将车辆接入互联网，为车主提供驾驶、生活所必需的各种信息。（2）智能汽车（）智能汽车（AV，Autonomous Vehicle）就是在普通车辆的基础上增加了先进的传感器（雷达、摄像）、控制器、执行器等装置，通过车载传

17、感系统和信息终端实现与人、车、路等的智能信息交换，使车辆具备智能的环境感知能力，能够自动分析车辆行驶的安全及危险状态，并 10 使车辆按照人的意愿到达目的地，最终实现替代人来操作的目的。美国汽车工程师协会（SAE）根据系统对于车辆操控任务的把控程度，将自动驾驶技术分为L0-L5，系统在L1L3级主要起辅助功能；当到达L4级，车辆驾驶将全部交给系统，而L4、L5的区别在于特定场景和全场景应用。表 1 自动驾驶技术分级 自动驾驶汽车（Autonomous vehicles；Self-piloting automobile）又称无人驾驶汽车（无人车）、电脑驾驶汽车、或轮式移动机器人，是一种通过电脑系

18、统自动规划行车路线并控制车辆到达预定目标的智能汽车。（3）网联车（）网联车（CV，Connected Vehicle）网联车本身可以无智能甚至没有道路感知设备，如摄像机、雷达等。网联车通过车载通信单元 OBU 接收路侧通信单元 RSU 传来的路侧边缘计算决策的控制指令远程遥控车辆。因此，可以说网联车本身没有智能，它的智能水平完全取决于道路（边缘计算）的智能水平。（4）智能网联车（）智能网联车（CAV，Connected Autonomous Vehicle）智能网联汽车是指车联网与智能车的有机联合，是搭载先进的车载传感器、11 控制器、执行器等装置，并融合现代通信与网络技术，实现车与X（人、车

19、、路、云端等）智能信息交换、共享，具备复杂环境感知、智能决策、协同控制等功能，可实现“安全、高效、舒适、节能”行驶，并最终可实现替代人来操作的新一代汽车。（5）智慧道路（公路）智慧道路（公路）智慧的路包括感知、通信、决策。感知部分需要对道路上所有参与者、道路环境实时检测。通信解决车与道路的交互通信。一方面，网联车将自己位置信息实时地传递给 RSU；另外一方面，RSU 将处理好的警告或控制信息传递给网联车。决策部分通过路侧设置的边缘计算单元处理传感器采集的信息，生成高精度动态局部地图（LDM），实时对车辆警告或控制信息进行决策。表 2 自动驾驶的道路智能化技术分级 资料来源：面向自动驾驶的车路协

20、同关键技术与展望白皮书（6）车路协同系统（）车路协同系统（CVIS，Cooperative Vehicle Infrastructure System）车路协同系统是基于无线通信、传感探测等技术获取车辆和道路信息，通过 12 车车、车路通讯实现信息交互和共享，从而实现车辆和路侧设施之间智能协同与协调，实现优化使用道路资源、提高交通安全、缓解拥堵的目标。车路协同是ITS的重要子系统，也是欧美日等交通发达国家的研究热点。（6）车路协同通信系统（）车路协同通信系统（V2X，Vehicle to Everything）V2X(Vehicle to Everything)是一种车载通信系统，支持将信息从

21、车辆传输到交通系统中可能影响车辆的移动部件。V2X技术的主要目的是提高道路安全、节能和道路交通效率。作为物联网面向应用的一个概念延伸，V2X车联网是对D2D（Device to Device）技术的深入研究过程。V2X车联网通信主要分为三大类：V2V、V2I和V2P。运输实体，如车辆、路侧基础设施和行人，可以收集处理当地环境的信息（如从其它车辆或传感器设备接收到的信息），以提供更多的智能服务，如碰撞警告或自主驾驶。车路协同需要有高速、稳定、低时延的通信技术作为保障，而基于当前成熟的LTE技术的LTE-V2X能够让路侧单元（RSU）与车载单元（OBU）的信息进行有效交互。同时，这项技术也在演进之

22、中，在5G时代，更是能够凭借5G技术的优秀通信能力让自动驾驶成为可能，让人们获得更优良、安全、高效的出行体验。图 1 车路协同服务 13（7）路侧单元（）路侧单元（RSU，Road Side Unit）车路协同路侧单元是车路协同系统的重要组成部分，也是突破车路协同技术的关键所在，其主要功能是采集当前的道路状况、交通状况等信息，通过通讯网络，将信息传递至指挥中心或路侧处理单元进行处理，并裁定相关信息通过网络传递到有相应信息请求的车载终端，辅助驾驶员进行驾驶。（8）车载单元（）车载单元（OBU，On Board Unit）车载单元是指安装在车辆终端的起拓宽驾驶员视野、增加驾驶员对行车环境和车辆运行

23、状态的感知、加强行车安全的单元。主要技术包括信息获取、信息交互、事故隐患提示等。从各类传感器和车载网络获取原始信息，并解算出典型车路协同应用需要的底层信息，通过信息交互传递至路侧单元。其功能包括车辆运动状态获取、行车环境信息感知、车辆定位信息获取、信息交互、信息处理及管理、安全报警与预警等。2 关于车路协同几点理解关于车路协同几点理解（1）车联网就是车路协同通信系统）车联网就是车路协同通信系统 当车联网的概念由早期的Telematics概念演进成IOV后，车联网就是车路协同通信系统。车联网和车路协同都是强调汽车通过通信接收道路环境信息，提高驾驶安全性和效率，所不同的是车联网从车的角度、车路协同

24、是以道路的角度分别阐述车的通信网络。实际上在我国，车联网是工信部主推的方案，而车路协同实际上在我国，车联网是工信部主推的方案，而车路协同是交通运输部主推的方案。是交通运输部主推的方案。但殊路同归，最终都是借助无线V2X通信，实现驾驶的安全和高效。14 图 2 车联网与车路协同的关系（2）智能车、网联车和智能网联车三者的关系）智能车、网联车和智能网联车三者的关系 单车智能车辆可根据自己配备的传感器、高清地图，利用车载边缘计算实现自动驾驶；单纯的网联车需要借助道路智能和云控平台驾驶车辆。智能网联车则结合自身智能和道路智能提供的道路环境信息，优化车辆驾驶智能，实现智能驾驶。表 3 智能车、网联车和智

25、能网联车对比表 （3）智能网联车的智能程度可以有所不同）智能网联车的智能程度可以有所不同 目前智能汽车能够达到的最好水平是L4，即在特定的场景下可以实现完全自动驾驶。虽然这与L5的全天候、全场景自动驾驶水平似乎只有一步之遥，但这一步却是量变到质变的一步，短时间内不可能达到。类别类别感知感知通信通信决策决策主要模块主要模块网联车依靠路侧感知V2X路侧边缘计算感知融合和预测规划和决策控制智能车车载感知-车载自主计算感知决策控制智能网联车路测感知和车载感知V2X协同决策感知融合和预测规划和决策控制 15 在很长一段时间，智能汽车的自主自动化驾驶水平都会在L4以下徘徊。发展车路协同技术是另辟蹊径，智能

26、汽车借助车路协同网联技术，可以突破环境感知、边缘计算等方面的瓶颈，提高车辆的感知范围和驾驶智能。在车路协同的环境下，智能网联车可以在不同的自动化水平上发展，而且这正是车路协同和智能汽车发展最现实的道路。先期建设车路协同的框架和服务系统，为配置车载终端OBU的车辆提供驾驶信息、远程遥控驾驶等服务；待到车路协同技术发展到一定阶段，智能汽车将本身自主驾驶和车路协同辅助驾驶统一协同后，才有望最终达成的L5级全自动化驾驶。（3）车路协同项目应该在特定的场景下先行先试）车路协同项目应该在特定的场景下先行先试 车路协同项目需要投入一定费用进行基础设施建设，包括建设路侧单元RSU，当然作为5G最主要的应用，R

27、SU可以随着我国城市大规模进行5G试验网络建设一同建设，但毕竟前期建设的回报是有限的。因此项目建设需要找到特定的应用场景，如公共交通、货运车、特种车辆（救护车、消防车、公务车等）等的车路协同。待取得安全和效益上的明显效果后，私家车和汽车厂商就会自动跟进。3 车路协同的主要功能车路协同的主要功能 根据中国汽车工程学会标准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（T/CSAE 53-2017），车联网基础功能涵盖安全、效率和信息服务三大类17个应用。表 4 一期应用列表 序号序号 类别类别 通信方式通信方式 应用名称应用名称 1 安全 V2V 前向碰撞预警 2 V2VN2I 交叉路

28、口碰撞预警 3 V2VN2I 左转辅助 4 V2V 盲区预警变道辅助 5 V2V 逆向超车预警 6 V2V-Event 紧急制动预警 7 V2V-Event 异常车辆提醒 8 V2V-Event 车辆失控预警 9 V2I 道路危险状况提示 16 序号序号 类别类别 通信方式通信方式 应用名称应用名称 10 V2I 限速预警 11 V2I 阁红灯预警 12 V2P/V2I 弱势交通参与者碰撞预警 13 效率 V2I 绿波车速引导 14 V2I 车内标牌 15 V2I 前方拥堵提醒 16 V2V 紧急车辆提醒 17 信息服务 V2I 汽车近场支付 4 应用场景应用场景 车路协同重点应用可以从政府监

29、管、企业运营和个人服务三方面，按着安全、效率和信息三个维度进行分析。图 3 车路协同主要应用场景 17 4.1 车路协同测试示范区车路协同测试示范区 我国积极推进智能网联汽车测试示范区建设工作，初步形成了“5+2”的建设格局。各地区结合智能网联汽车发展状况，依托地区优势、特色资源，积极探索和建设示范区。北京-河北、上海、重庆、浙江、长春、武汉、无锡等地已建设智能网联汽车测试示范区，积极推动半封闭、开放道路的测试验证。表 5 中国智能网联汽车示范区概况 名称名称 场景功能场景功能 特色分析特色分析 参与机构参与机构 国家智能汽车与智慧交通（京冀）示范区 分为高速公路试验区、城市交通试验区及乡村交

30、通试验区 封闭测试（高速+城市交通+乡村交通）与实际道路测试结合，京冀地区联动 千方科技、亦庄国投、百度、北汽、大唐、中兴、长城汽车等 15 家 国家智能网联汽车（上海）A NICECITY 示范区 设有模拟隧道、林荫道、加油站、室内停车场等场景 GPS/北斗；DSRC、LTE-V、城市化道路网、新产业协同发展 上海国际汽车城、上汽集团、同济大学等 浙江示范区 杭州云栖小镇 设有小微站、宏站、车联网指挥中心等 LTE-V、5G 车联网指挥中心、互联网汽车 浙江移动、华为、上汽、西湖电子等 桐乡乌镇 智能停车、紧急避让等多种场景 智能停车功能测试 中电海康、诺基亚、上海贝尔等 重庆 i-VIST

31、A 智能汽车集成系统试验区 设有直道、弯道、隧道、桥梁、淋雨道、林荫道、ABS低附路等 GPS/GLONASS/北斗、4G/5G 通信网络、DSRC/LTE-V、中国西部地形特征和气候环境 中国汽研、长安、一汽、易华录等 武汉“智慧小镇”示范区 封闭测试区+智慧小镇进行新能源+智能网联轿车/客车/专用车自动驾驶测试 DSRC/LTE-V、通信网+物联网+智慧网三网、无人驾驶示范小镇 武汉中国光谷汽车电子产业技术创新战略联盟(CECOV)牵头 长春智能网联示范测试基地 智能驾驶、智慧交通技术，拥有冰雪天气条件 专注 LTE-V/5G 高速试验网络功能测试 车载信息服务产业应用联盟（TIAA）理事

32、单位一汽、启明信息主导推动 国家智能交通综合测试基地（无锡）智能交通管理技术综合测试平台、交通警察实训平台、智能网联汽车运行安全测试平台 构建实际道路测试场景和管理平台推动解决智慧交通、车联网等交通问题 公安部交通管理科学研究所（无锡所）无锡车联网（LTE-V2X）城市级应用示范项目基于工业和信息化部、公安部和江苏省在无锡共同建设的国家智能交通综合测试基地开展，由公安部交通管理 18 科学研究所、无锡市公安局交通警察支队、中国信息通信研究院、无锡市组织中国移动、华为、江苏天安智联等6家核心单位实施，一汽、奥迪、上汽、福特等车企以及中国交通频道、高德、江苏航天大为等23家单位共同参与标准制定、研

33、发推进、开放道路实测、演示的系列活动。截止目前，无锡已建设完成了现阶段全球最大规模的城市级车联网LTE-V2X网络，覆盖无锡市主城区、新城主要道路240个信号灯控路口，共170平方公里的规模。项目以“人-车-路-云”系统协同为基础，开放40余项交通管控信息，实现V2I/V2V/V2P信息服务，覆盖车速引导、救护车优先通行提醒、道路事件情况提醒、潮汐车道、电单车出没预警等27个典型应用场景，未来，LTE-V2X技术将能支持实现高级自动驾驶、人车路协同感知和控制，让道路更智慧，让开车更简单。图 4 无锡车联网（LTE-V2X）城市级应用示范项目范围 在智能网联汽车测试示范区建设路侧单元，形成无线覆

34、盖的测试示范区，可推荐测试内测试无人驾驶车辆安装车载单元，形成车联网。可全方位掌握测试车辆位置、速度、驾驶操作信息，可与无人驾驶车辆传感器信息互相印证，提高无人驾驶汽车的安全性。4.2 车路协同交通走廊车路协同交通走廊 北汽集团2018年发布智能网联汽车五年行动计划“海豚+”战略。北汽集团 19 将与博世、松下、百度、科大讯飞、京东方等企业合作，整合优质资源。智能交通方面，结合2022年北京冬奥会、京雄高速、雄安新区和北京智慧城市需求，开展自动驾驶和车路协同良好的示范应用；面向冬奥会示范运营或量产应用商用车队列自动驾驶技术，建设北汽车辆队列自动驾驶技术平台；加快建设顺义智能网联汽车试验场等项目

35、。北京智能网联汽车产业白皮书（2018年）提出业提出了加快建设智能路网设施的行动计划。加快开展智能路网改造。提出“部署智能路网试点改造工程，规划建设卫星地面增强站、LTE-V、5G-V2X 路侧单元，实现交通道路通信设施、视频监控设施、交通信号、交通标识标线智能互联，具备路网全域感知能力，满足复杂的车路协同需要。”在特定的高速公路或高等级公路路侧设置路侧单元，与使用道路的网联汽车一起形成车联网。为网联汽车提供驾驶辅助和实时交通信息。国内目前有多家业内企业已经发布了车路协同高速公路应用。4.3 车路协同交叉口应用车路协同交叉口应用 交叉口控制的本质是依据实时交通状况对交叉口中冲突点的通行时空资源

36、进行合理分配，最终实现减少车辆在交叉口的等待时间，提高交叉口的通行效率的目的。在路口布设路侧单元，路侧单元接收附近智能联网汽车的信息和从云端收数据中心的数据，并不断向附近的所有联网车辆广播有关其间发生的事情的信息，从而提前警告他们潜在的安全问题并同时在驾驶员本身对道路观察的基础上提供进一步的信息。智能联网汽车接收到路侧单元发出的信息后对驾驶进行调整，同时将自己的数据发送给路侧单元。20 图 5 车辆通过交叉口车路协同示意图 路侧单元与车载单元建立连接后，车载单元向路侧单元发送包括车辆速度、车辆位置的车辆状态消息。路侧单元收到车辆状态消息后进行解析处理，实现对车辆运行参数的实时监测，然后根据监测

37、数据判定交叉口当前安全等级，并将判定结果与当前交叉口动态信息（当前信号灯状态、信号保持时间等）打包为交叉口状态消息或预警消息后实时向处于其通信队列的车载单元发送，其中预警消息定向发布至潜在事故车辆，提醒其调整驾驶行为，避免事故发生；状态消息以广播方式发布，接收到消息的非事故车辆根据状态消息调整驾驶行为。4.4 智慧公交应用智慧公交应用 利用车路协同技术提升智能公交管理水平，沿公交专用道部署路侧单元RSU，可以实现公交专用道沿线的网络覆盖，形成智能公交车联网。公交车辆安装车载单元OBU，交通信号控制系统可监测到公交车辆到达，为公交车辆提供信号优先服务。21 图 6 公交优先通过路口场景示意图 在

38、都市区的公交专用车道上，公交车辆较多，公交车辆行驶安全性和效率问题都十分突出，车路协同系统可为公交车辆提供车队行驶服务，减小车辆间隔，提高公交车辆的通行能力，并为公交车辆提供主动安全服务。图 7 公交车路协同车队行驶应用示意图 国内长沙、成都、武汉都分别实施了公交车路协同项目。取得了很好的效果。4.5 货运车队应用货运车队应用 自动驾驶技术在固定线路上可以实现以车队运行的最有效率的驾驶方式，可以极大减少对货车司机的需求，并极大地降低交通事故的发生概率，从而可以进一步降低运输成本。当前自动驾驶技术比较适用于干线运输这一细分场景，主要原因在于干线运输行驶场景主要为高速公路，高速公路相比起城市主干道

39、来说，行人、骑车人数量较少，复杂的道路路口、交通指示灯等设施相对较少，系统对道路上车辆行驶轨迹更好进行预测。22 对于高速公路或国道交通流量较少的情况，可采用车队行驶的方式，7-10货运卡车组成车队，头车和尾车采用人员驾驶，中间车辆采用跟车无人驾驶的方式进行长途运输。4.6 园区、机场、港口应用园区、机场、港口应用 由于场景相对封闭、运行区域规范整洁的机场、码头、货运场站等封闭区域汽车无人驾驶项目已成为无人驾驶应用的主要领域。应用车路协同服务系统，对区域进行信息化改造，通过装载路侧单元及车载单元，实现车辆与车辆、车辆与基础设施、车辆与云端的互联互通，并进一步实现对单个车辆的运行控制及区域车辆的

40、协调控制和管理，优化运行路线，能够有效避免车辆碰撞、降低物流成本、提高货物运输的效率及货运服务质量。4.7 共享汽车应用共享汽车应用 共享汽车是车路协同项目落地的最重要场景之一，自动驾驶也能够为共享汽车降低成本。据不完全统计，我国已经有超过300个租赁汽车平台，租赁汽车总量达约20万辆，但目前为止，尚未有一家能实现盈利。这主要是因为租赁汽车是一个重运营产业，运营成本居高不下。若能够通过自动驾驶实现自动调度、自动泊车，将大幅降低租赁汽车运营成本。租赁汽车由于车辆移动具有方向性，每日需要较大的人员成本移动车辆。可以使用车队跟车自动驾驶的方式组成车队，7-10辆车组成车队，头车和尾车采用人员驾驶，中

41、间车辆采用车队无人驾驶模式。可利用凌晨2-3点道路车辆少的时间移动车辆，可大幅度减少移车成本。4.8 试驾应用试驾应用 试乘试驾车管理平台对试驾车进行有效管理。首先通过车载OBD设备，采集4S店试乘试驾车辆的行驶数据，包括里程、路径、时间、油耗等。同时在管理后台实时监控试驾车辆违规操作和异常驾驶内容。如通过电子围栏查看试驾车是否超出使用范围，通过行驶数据查看实践路线是否合理，是否按主机厂要求完成试 23 驾数量等，最终实现车辆监控管理、试乘试驾统计、车辆配备管理及系统管理4部分功能在手机终端，销售顾问可以通过APP端管理平台，实现位置、导航、讲解、评价、分享、积分等功能，确保试乘试驾全流程的用

42、户体验。4.9 慢行自动驾驶慢行自动驾驶 包括快递配送、清扫车、治安巡逻车等方面的应用。4.10 其他应用场景其他应用场景（1）智能停车 在车路协同环境下，配置车载终端的车辆可以实时与路侧设备通信，智能停车系统可实时掌握车辆位置，因此停车诱导、停车收费等都可以很方便地实现。（2）事故鉴定 车路协同车辆可以得到全程的数据记录，发生事故后，可以调取汽车轨迹数据，协助事故责任鉴定。（3）汽车保险评估 将来车路协同系统的盈利可能来自保险公司，保险公司可以根据网联车的数据对车辆保险费用进行精算，取得合理的保险费率。（4）车路协同大数据交易 车路协同大数据比以往的交通数据更精确和高质量。因此作为车路协同运

43、营公司的最大资产是车路协同大数据，大数据交易可能是运营公司的重要收入来源。5 小结小结 总之，车路协同全域感知将路侧感知和车载感知合而为一，形成对道路交通环境的全面感知和判断，使驾驶具备了超视距感知能力，一方面可以补充自动驾驶感知能力不足，提高驾驶安全性；另一方面，可以大幅地减少自动驾驶所依赖的传感器，降低成本，促进自动驾驶技术迅速达到实用化程度。24 三三 车路协同全域感知与数据融合车路协同全域感知与数据融合 1 概述概述 传统的智能交通系统采用视频、雷达等检测器检测道路交通流量、车速、排队长度等交通参数，并且结合GNSS浮动定位系统检测道路交通状态。近年来又有互联网公司结合移动互联网手机定

44、位大数据分析交通状态，进而建立了所谓“交通大脑”，对区域交通信号灯配时方案进行整体优化，实现了不错的效果。近来被广泛关注的自动驾驶技术利用车载激光雷达、毫米波雷达、超声波雷达、视频摄像机等传感器感知汽车周边环境，通过车载边缘计算实现对汽车周边的环境进行识别，进而实现对车辆的自动驾驶，也取得了很大进展。但道路交通是异常复杂的巨系统，道路交通环境瞬息万变。仅仅凭传统的交通感知手段和自动驾驶汽车安装的有限传感器是无法满足完全、快速掌握动态交通环境的需求的。而且由于车载传感器要求体积小，并且价格昂贵，无法普及的广大出行者的汽车上。车路协同技术应运而生。2 车路协同应用车路协同应用 根据中国汽车工程学会

45、标准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（T/CSAE 53-2017），车路协同一期基础功能涵盖安全、效率和信息服务三大类17个应用。表 6 一期应用列表 序号序号 类别类别 通信方式通信方式 应用名称应用名称 1 安全 V2V 前向碰撞预警 2 V2VN2I 交叉路口碰撞预警 3 V2VN2I 左转辅助 4 V2V 盲区预警变道辅助 5 V2V 逆向超车预警 6 V2V-Event 紧急制动预警 7 V2V-Event 异常车辆提醒 8 V2V-Event 车辆失控预警 9 V2I 道路危险状况提示 25 序号序号 类别类别 通信方式通信方式 应用名称应用名称 10 V

46、2I 限速预警 11 V2I 阁红灯预警 12 V2P/V2I 弱势交通参与者碰撞预警 13 效率 V2I 绿波车速引导 14 V2I 车内标牌 15 V2I 前方拥堵提醒 16 V2V 紧急车辆提醒 17 信息服务 V2I 汽车近场支付 3 车路协同感知体系车路协同感知体系 3.1 车路协同感知体系车路协同感知体系 车路协同感知在结合现有的智能交通感知设备的基础上，增加了更加精密的路侧感知设备、车载感知设备和5G移动大数据。路侧感知设备包括激光雷达、毫米波雷达和带目标识别功能的视频摄像机；车载感知则是包括自动驾驶车辆能够感知到的数据，需要通过路侧单元RSU实时上传到边缘计算节点。图 8 车路

47、协同感知体系 26 3.2 交通感知传感器交通感知传感器 3.2.13.2.1 激光雷达激光雷达 激光雷达的测距精度非常高，基本上可以达到正负一两厘米，甚至到了毫米级，分辨率也非常高。机械激光雷达可以360度旋转，同时角分辨率也比别的雷达高。但是目前的机械旋转激光雷达的成本比较高，而且容易受到阳光雨雾和互干扰的影响。它跟毫米波雷达一样是属于主动传感器。目前的机械激光雷达也会受到工作温度以及工作环境震动的影响，它的工作温度一般是在零下10到零上60左右。图 9 激光雷达 激光雷达目前的成本比较高，美国Velodyne的64线激光雷达在10万美金左右，即使是16线雷达的售价也在8000美金左右。F

48、lash激光雷达以及MEMS激光雷达，即向使用各种镜片或者透镜来形成非旋转式雷达的方向演进和发展，它的成本还有功耗都会有很大的下降。3.2.23.2.2 毫米波雷达毫米波雷达 毫米波雷达是利用波长110mm，频率30GHz300GHz之间的电磁波，通过测量回波的时间差算出距离，具备全天时全天候以及探测距离远的优势。目前市场上主流的车载毫米波雷达频段为24GHz（用于短中距离雷达，1530m）和77GHz（用于长距离雷达，100200m）。相比于24GHz产品，77GHz产品在性能和体积上都更具优势，其距离分辨率更高，体积也小了1/3。27 图 10 毫米波雷达工作原理 最重要的是，毫米波价格低

49、廉，比起动辄几千乃至上万美元的激光雷达，一两百美元就可以被收入囊中的毫米波雷达算得上是业界良心。不过，凡事无绝对，在探测精度上，毫米波要略逊一筹。3.2.33.2.3 视频摄像机视频摄像机 视频摄像机是在智能交通系统中应用最为普遍的感知设备。随着自动驾驶技术的不断发展，视频摄像机也被广泛运用在自动驾驶车辆上。伴随视觉处理技术的进步，可以使视频处理出的有效信息倍增，从而更好地辨别道路上的标识、行人等信息。3.2.43.2.4 传感器感知能力比较传感器感知能力比较 总体而言激光雷达精度高但价格不菲。毫米波雷达价格便宜但精度欠佳。视频摄像机价格适中而且随着视频解析算法的不断提高，视频摄像机是车路协同

50、感知体系中不可或缺的主要感知手段。28 图 11 激光雷达/毫米波雷达/摄像头感知能力比较 激光雷达、毫米波雷达和摄像机的详细优劣比较见下表。表 7 激光雷达/毫米波雷达/摄像机比较表 传感器传感器 优势优势 劣势劣势 最远距离最远距离 摄像机 可以分辨出障碍物的大小和距离，而且能识别行人、交通标识牌 受到视野的影响，受恶劣天气影响，逆光和光影复杂情况效果差 6-100m 超声波达 防水、防尘，监测距离在0.1-3m 之间 测试角度较小，需要在车身安装多个 3m 毫米波达 不受天气情况和夜间影响，可以探测远距离物体 行人的反射波较弱，难以探测 200m 激光雷达 测距精度高，方向性强，响应快，

51、能快速复建出目标的三维模型，满足 90%的三维工况 成本高，容易受天气的影响，如雨雪、大雾，但随着算法和激光器的进，可以解决 100-200m 3.3 车载车载传感器传感器 激光雷达、毫米波雷达和摄像机是车载感知设备的主要选项。尽管自动驾驶车技术发展到现在，车载感知技术已经取得了长足发展。从目前传感器的性能来看，每一种传感器都有其使用的环境条件和性能的边界。包括：测量范围以及在不同环境下表现出来的感知缺陷。29 图 12 奥迪 A8 的传感器布局（1）检测范围受限 传感器对周围环境检测的有其固定的范围。例如，长距毫米波雷达探测距离为1-280m，红外线传感器探测距离为0.2-120m，视觉摄像

52、头探测距离为0-80m，中短距毫米波雷达探测距离为0.2-120m，短句毫米波雷达探测距离为0.2-30m，激光雷达探测距离为80-150m。下图为Tesla的传感器配置及传感器感知范围，扇形角度表示传感器的视场角，扇形半径表示传感器的最大检测距离。图 13 特斯拉配置的传感器最大探测距离（2）感知缺陷 每一种传感器都有其适用的环境条件。比如激光传感器检测效果稳定，但在 30 面对大范围的尘土时，其检测效果大幅降低；再比如高分辨率摄像机能检测图像中的物体，窄视场的摄像机可以检测很远的距离。但是面对暴雨、大雪等恶劣天气，其很难检测到正确的车道线/障碍物/马路牙子等信息。图 14 车身各传感器情况

53、概述（3）先验信息缺失 先验信息是指某些可以提前采集且短时间内不会改变的信息。仅仅依靠传感器的信息是很难感知车辆现在是处在高速公路上，还是处在普通城市道路上的；无限速牌的路段，车速最高可以开多快;前方道路的曲率；所处路段的GPS信号强弱，这些都是传感器遇到检测盲区，无法实时捕获的信息。而这些信息是客观存在，不会随外部事物的变化而变化，因此可以提前采集，并作为先验信息传给自动驾驶车做决策。图为高精度地图可以为自动驾驶车提供的某些先验信息。包括道路曲率、航向、坡度和横坡角。因为车载感知方式存在这些缺陷，因此有必要通过路侧感知的方式，弥补这方面的不足。一方面可以大幅度提高自动驾驶车对周边环境的感知程

54、度，同时也为其他普通车辆提供安全和效益方面的信息服务。3.4 路侧传感器路侧传感器 车路协同路侧传感器主要包括激光雷达、毫米波雷达和摄像机。传统智能交通的传感器如视频卡口、视频事件检测、GNSS浮动车定位、4G大数据定位、事 31 件报警等也需要纳入到车路协同全域感知体系。交通信号灯作为交通控制主要手段，其信号灯配时数据需要接入车路协同系统。此外，物联网大数据如气象数据、道路路面感知数据、道路湿滑/积水等数据，根据实际情况需要也可以考虑接入系统。3.5 车路协同通信车路协同通信 作为物联网面向应用的一个概念延伸，V2X（Vehicle to Everything）车联网是对D2D（Device

55、 to Device）技术的深入研究过程。它指的是车辆之间，或者汽车与行人、骑行者以及基础设施之间的通信系统。利用装载在车辆上的传感器、摄像头获取车辆行驶情况、系统运行状态及周边道路环境信息，同时借助GPS定位获得车辆位置信息；利用装在路侧的传感器获得道路环境信息；并通过D2D技术将这些信息进行端对端的传输，继而实现在整个车联网系统中信息的共享。通过对这些信息的分析处理，及时对驾驶员进行路况汇报与警告，有效避开拥堵路段选择最佳行驶线路。V2X车联网通信主要分为三大类：V2V、V2I和V2P。运输实体，如车辆、路侧基础设施和行人，可以收集处理当地环境的信息（如从其它车辆或传感器设备接收到的信息）

56、，以提供更多的智能服务，如碰撞警告或自主驾驶。图 15 车路协同服务 32 在V2X系统中，控制车辆与路面基础设施之间信息交流的部分就是车路协同，它能够让驾驶者能第一时间了解交通信息和危险状况。车路协同需要有高速、稳定、低时延的通信技术作为保障，而基于当前成熟的LTE技术的LTE-V2X能够让路边单元（RSU）与车载单元（OBU）的信息进行有效交互。同时，这项技术也在演进之中，在5G时代，更是能够凭借5G技术的优秀通信能力让自动驾驶成为可能，让人们获得更优良、安全、高效的出行体验。图 16 华为 LTE-V2X 模块 DA2300 3.6 高精度地图（高精度地图（HDM）高精度地图，通俗来讲就

57、是精度更高、数据维度更多的电子地图。精度更高体现在精确到厘米级别，数据维度更多体现在其包括了除道路信息之外的与交通相关的周围静态信息。高精度地图将大量的行车辅助信息存储为结构化数据，这些信息可以分为两类。第一类是道路数据，比如车道线的位置、类型、宽度、坡度和曲率等车道信息。第二类是车道周边的固定对象信息，比如交通标志、交通信号灯等信息、车道限高、下水道口、障碍物及其他道路细节，还包括高架物体、防护栏、数目、道路边缘类型、路边地标等基础设施信息。以上这些信息都有地理编码，导航系统可以准确定位地形、物体和道路轮廓，从而引导车辆行驶。其中最重要的是对路网精确的三维表征（厘米级精度），比如路面的几何结

58、构、道路标示线的位置、周边道路环境的点云模型等。有了这些高精度的三维表征，自动驾驶系统可以通过比对车载的GPS、IMU、LiDAR或摄像头的数据精确确认自己当前的位置。另外，高精度地图中包含有丰富的语义信 33 息，比如交通信号灯的位置和类型、道路标示线的类型、以及哪些路面是可以行使等。图 17 高精度地图的主要结构化数据 导航地图、ADAS地图和AD所需要的地图各不相同。（1）对于导航地图而言，街道名称是比较重要的信息，但对于ADAS和AD地图确并非如此。（2）道路曲率对于ADAS应用至关重要，对于自动驾驶也是必需的，但导航地图并不需要道路曲率数据。（3）道路的几何特征对于导航、ADAS和A

59、D地图都是适用的。（4）不同地图级别和地图精度的背后是不同级别的智能驾驶以及不同级别的精度需求。图 18 高精地图与导航地图的关联关系 高精度地图与传统地图的区别。与一般电子导航地图相比，高精度地图不同之处在于：34（1）精度：一般电子地图精度在米级别，商用GPS精度为5米。高精度地图的精度在厘米级别（Google、Here等高精度地图精度在10-20厘米级别）。（2）数据维度：传统电子地图数据只记录道路级别的数据：道路形状、坡度、曲率、铺设、方向等。高精度地图（精确度厘米级别）：不仅增加了车道属性相关（车道线类型、车道宽度等）数据，更有诸如高架物体、防护栏、树、道路边缘类型、路边地标等大量目

60、标数据。高精度地图能够明确区分车道线类型、路边地标等细节。（3）作用&功能：传统地图起的是辅助驾驶的导航功能，本质上与传统经验化的纸质地图是类似的。而高精度地图通过“高精度+高动态+多维度”数据，起的是为自动驾驶提供自变量和目标函数的功能。高精地图相比传统地图有更高的重要性。（4）使用对象：普通的导航电子地图是面向驾驶员，供驾驶员使用的地图数据，而高精度地图是面向机器的供自动驾驶汽车使用的地图数据。（5）数据的实时性：高精度地图对数据的实时性要求更高。根据博世提出的定义，自动驾驶时代所需的局部动态地图（Local Dynamic Map）根据更新频率划分可将所有数据划分为四类：永久静态数据（更

61、新频率约为1个月），半永久静态数据（频率为1小时），半动态数据（频率为1分钟），动态数据（频率为1秒）。传统导航地图可能只需要前两者，而高精地图为了应对各类突发状况，保证自动驾驶的安全实现需要更多的半动态数据以及动态数据，这大大提升了对数据实时性的要求。高精度地图=高鲜度+高精度+高丰富度。不论是动态化，还是精度和丰富度，最终目的都是为了保证自动驾驶的安全与高效率。动态化保证了自动驾驶能够及时地应对突发状况，选择最优的路径行驶。高精度确保了机器自动行驶的可行性，保证了自动驾驶的顺利实现。高丰富度与机器的更多逻辑规则相结合，进一步提升了自动驾驶的安全性。35 图 19 导航地图与智能驾驶地图的对

62、比 高精度地图具备三大功能。（1）地图匹配。由于存在各种定位误差，电子地图坐标上的移动车辆与周围地物并不能保持正确的位置关系。利用高精度地图匹配则可以将车辆位置精准的定位在车道上，从而提高车辆定位的精度。（2）辅助环境感知。对传感器无法探测的部分进行补充，进行实时状况的监测及外部信息的反馈：传感器作为自动驾驶的眼睛，有其局限所在，如易受恶劣天气的影响，此时可以使用高精度地图来获取当前位置精准的交通状况。（3）路径规划。对于提前规划好的最优路径，由于实时更新的交通信息，最优路径可能也在随时会发生变化。此时高精度地图在云计算的辅助下，能有效地为自动驾驶车提供最新的路况，帮助自动驾驶车重新制定最优路

63、径。4 实时数据处理与信息融合实时数据处理与信息融合 信息融合是利大数据、图像识别、人工智能等技术将来自多个传感器或多源的观测信息进行筛选、清洗、分析和综合处理，从而得出决策和预测所需的信息的处理过程。信息融合的基本原理是充分利用传感器资源，通过对各种传感器检测信息的合理支配与使用，将各种传感器在空间和时间上的互补与冗余信息依据某种优化准则或算法组合来产生对观测对象的一致性解释和描述。36 图 20 车路协同交通感知数据处理流程 4.1 实时数据处理分工实时数据处理分工 在车路协同服务平台中，边缘计算和云端计算组成了数据分析系统。根据不同的需要，云端和边缘计算节点分别完成不同的实时数据融合计算

64、。与驾驶安全有关的数据处理和发送需要在10毫米以内完成，因此需要在边缘计算节点处理。其他与效率相关的服务因为需要结合整个区域交通状态进行处理和运算，而且这部分服务对时延要求不高，可以在云端进行处理。表 8 边缘计算与云计算比较表 序号序号 项目项目 路侧边缘计算路侧边缘计算 云计算云计算 1 设备 边缘计算服务器 云服务器 2 延时要求 5-10 毫秒 500 毫秒 3 主要任务 融合节点传感器数据，上传经处理好的结构化数据 更新局部动态地图(LDM)确认和发布安全警告 得到授权的情况下直接遥控车辆规避事故 融合区域交通传感器数据 优化区域交通控制方案 下发优化方案 其他交通信息服务 37 4

65、.2 路侧传感器与车载传感器数据融合路侧传感器与车载传感器数据融合 路侧传感器与附近众多的车载传感器分别从不同的视角对同一道路地点周边环境进行观测，系统对不同传感器观测的数据按转换成统一的坐标系统，对不同感知数据进行相互比对，最终形成对道路环境、运动的车辆和行人的统一的映像，形成结构化数据，包括运动物体的瞬时位置、运动方向、运动速度等，最终生成道路地点的局部动态地图。图 21 交叉路口的三维运动物体识别 图 22 左：摄像机覆盖区域。右：雷达覆盖区域 38 4.3 生成局部动态地图（生成局部动态地图（LDM）局部动态地图是统一描述道路动态环境的高精地图，是判断车辆是否处于危险状态的重要参照。局

66、部动态地图包括四个层级。（1）持续静态数据层 主要是地图数据。更新频率约为1个月。（2）半静态数据层 包括交通标志、标线、护栏、临时路标（如占路施工）等交通管理设施，以及其他交通基础设施的信息。更新频率为1小时。（3）半动态数据层 包括信号灯灯色（相位、配时）、交通拥堵的情况、交通事故情况和其他交通事件等状态过程。更新频率应小于1分钟。（4）高度动态数据层 包括汽车、摩托车、自行车、行人等运动的实体。需要知道实体的瞬时位置、移动的方向和移动的速度。更新频率为小于1秒。图 23 局部动态地图的四层 39 4.4 感知大数据数据结构化整合感知大数据数据结构化整合 车路协同传感器采集的数据包括大量非

67、结构化的数据，如视频数据、激光扫描数据、微波感知数据等，传输这些海量数据至云端无论从占用带宽还是成本上都是不合理的。因此需要在边缘计算节点上将这些数据进行解析、整合，形成如交通流量、车速、排队长度等结构化数据，然后上传。4.5 道路交通状态信息融合道路交通状态信息融合 道路交通状态信息融合可以在云端进行。通过接入区域各个边缘计算节点结构化整合数据，结合其他交通感知系统如4G/5G移动互联网数据等形成对道路交通运行宏观状态数据，具体如下：实时的主干道（含外环路、快速路）交通数据；实时主要道路交汇（叉）点（桥）交通数据；高速路通行数据：放行、封路、施工、占道、高流量、突发事件（含交通事故）引起交通

68、拥堵信息等；道路交通状况数据，包括实时的道路交通拥堵状况、平均车速、车道占有率、平均旅行时间等。5 车路协同信息服务（简述）车路协同信息服务（简述）5.1 面向交通安全的边缘计算服务面向交通安全的边缘计算服务 对于一期应用列表所列的应用场景，边缘计算服务根据数据融合生成的局部动态地图，判断车辆行驶的安全状态。对遇有危险的配备OBU的车辆，及时出警告，甚至直接干预车辆驾驶，采取必要的避险动作。5.2 面向交通效率的云计算服务面向交通效率的云计算服务（1）交通信号优化配时服务 40 根据区域交通流状态，对区域交通信号配时进行整体优化，以到达区域内车辆总体延误最小、排队长度最小等优化目标。（2）交通

69、诱导服务 根据区域交通状态甄别严重拥堵路段，生成车辆避开拥堵路段的策略，发布给抵达的车辆。（3）公交优先服务 基于车路协同技术，当公交车辆接近信号控制交叉口时，车载单元向路口信号控制机发送特殊车辆定位距离和当前车速信息，由智能路侧单元计算出的预计到达时间，信号控制机根据当前信号的状态，对相位进行红灯早断、绿灯延时等干预操作，保证公交车辆的顺利通过。6 小结小结 总之，车路协同全域感知将路侧感知和车载感知合而为一，形成对道路交通环境的全面感知和判断，使驾驶具备了超视距感知能力，一方面可以补充自动驾驶感知能力不足，提高驾驶安全性；另一方面，可以大幅地减少自动驾驶所依赖的传感器，降低成本，促进自动驾

70、驶技术迅速达到实用化程度。41 四四 车路协同边缘计算与边云协同车路协同边缘计算与边云协同 【摘要】本文重点对车路协同体系下道路边缘计算的概念、功能、架构和系统安全等进行了叙述，并对边云协同的能力和架构进行了介绍。希望能对车路协同项目规划和设计人员有所帮助。1 概况概况 车路协同车路协同是采用先进的无线通信和新一代互联网等技术，全方位实施车车、车路动态实时信息交互，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，从而形成的安全、高效和环保的道路交通系统。边缘计算边缘计算是在靠近物或数据源头的网络边缘侧，融合网络、

71、计算、存储、应用核心能力的分布式开放平台（架构），就近提供边缘智能服务，满足行业数字化在敏捷联接、实时业务、数据优化、应用智能、安全与隐私保护等万面的关键需求。它可以作为联接物理和数字世界的桥梁，使能智能资产、智能网关、智能系统和智能服务。传统智能交通系统是建立在中心云计算的基础上的，在前端实现实时采集数据的情况下，数据上传至云端，在云端上实现计算，并将结果发布至路口信号机和移动终端上，实现云端的信号灯系统战略控制和路口协调控制。但随着车路协同系统的推进，需要处理海量实时数据，车辆行驶安全服务需要在毫秒级延时的情况下通知开车人或控制车辆采取措施，因此原来的中心计算方式无法保证车路协同的时效性。

72、边缘计算可以将云端的计算负荷整合到边缘层，在边缘计算节点（ECN）完成绝大部分的计算，并通过LTE-V/5G路侧单元（RUS）等传输手段，实时将结果发送给装置车载单元（OBU）的车辆，满足车路协同的需要。车路协同是智慧交通的重要发展方向之一。车路协同的能力构建涉及车内边缘计算、道路边缘计算、车路协同云等方面。42 在车内边缘计算车内边缘计算方面，车内通讯多采用控制器车载总线（如CAN等）实现对车内的各个子系统进行检测与控制，未来将转变为高速实时车载以太技术（如基于TSN的TCP/IP的网络），汽车则成为边缘计算节点，在结合边云协同在本地提供车辆增值服务与控制能力。车内边缘计算属于特殊的应用场景

73、，不在本文讨论范围内。在道路边缘计算道路边缘计算方面，未来新的道路侧系统将综合内置LTE-V/5G等多种通信方式、提供多种传感器接口以及局部地图系统、并提供信号配时信息和周边运动目标信息、提供车辆协同决策等多种技术与能力，综合构建为道路侧边缘计算节点。车间（V2V）、车路（V2I）协调驾驶可以通过事故预警与规避的手段，来减少事故发生的概率。汽车需要将本地通过雷达、摄像头等取得的数据与周边车辆和道路基础设施通过边缘网关进行交互，并提升感知范围，从而达到车辆间、车路间的协同，为驾驶员提供碰撞预警、变道预警、自适应巡航等辅助，必要时接管汽车防止事故的发生。本文重点讨论道路边缘计算。图 24 C-V2

74、X 应用场景 车路协同云车路协同云可以通过与车辆边缘计算节点以及道路侧边缘计算节点之间的 43 交互，对车辆密度、速度等的感知，来引导道路上的车辆规避拥堵路段，实现交通的高效调度。在交叉路口，车载边缘计算可以结合道路交通状况告知道路边缘计算节点当前的道路状况。而道路边缘计算节点则收集附近道路的信息，通过大数据算法，下发合理的道路交通调度指令，通过控制信号灯的状态、为驾驶员提供拥堵预警等手段，实现道路的最大利用率、减少不必要的停留，从而减少道路拥塞、降低燃油损耗。车路协同云的内容在此也不做为重点讨论内容。图 25 边缘计算与运中心融合场景图 2 边缘计算模型驱动参考架构边缘计算模型驱动参考架构

75、边缘计算参考架构3.0的主要内容包括：（1）整个系统分为云、边缘和现场三层，边缘计算位于云和现场层之间，边缘层向下支持各种现场设备的接入，向上可以与云端对接；（2）边缘层包括边缘节点和边缘管理器两个主要部分。边缘节点是硬件实体，是承载边缘计算业务的核心。边缘计算节点根据业务侧重点和硬件特点不同，包括以网络协议处理和转换为重点的边缘网关、以支持实时闭环控制业务为重点的边缘控制器、以大规模数据处理为重点的边缘云、以低功耗信息采集和处理为重点的边缘传感器等。边缘管理器的呈现核心是软件，主要功能是对边缘节点进行统一的管理。（3）边缘计算节点一般具有计算、网络和存储资源，边缘计算系统对资源 44 的使用

76、有两种万式：第一，直接将计算、网络和存储资源进行封装，提供调用接口，边缘管理器以代码下载、网络策略配置和数据库操作等万式使用边缘节点资源；第二，进一步将边缘节点的资源技功能领域封装成功能模块，边缘管理器通过模型驱动的业务编排的万式组合和调用功能模块，实现边缘计算业务的一体化开发和敏捷部署。图 26 边缘计算参考架构 3.0 3 边缘计算边缘计算 CROSS 功能功能 边缘计算具备有CROSS的功能。（1）联接的海量与异构（）联接的海量与异构（Connection)网络是系统互联与数据聚合传输的基石。伴随联接设备数量的剧自，网络运维管理、灵活扩展和可靠性保障面面巨大挑战。同时，工业现场长期以来存

77、在大量异构的总线联接，多种制式的工业以太网并存，如何兼容多种联接并且确保联接的实时可靠是必须要解决的现实问题。（2）业务的实时性（）业务的实时性（Real-time)工业系统检测、控制、执行的实时性高，部分场景实时性要求在10ms以内。如果数据分析和控制逻辑全部在云端实现，难以满足业务的实时性要求。45（3）数据的优化（）数据的优化（Optimization)当前工业现场存在大量的多样化异构数据，需要通过数据优化实现数据的聚合、数据的统一呈现与开放，以灵活高效地服务于边缘应用的智能。（4）应用的智能性（）应用的智能性（Smart)业务流程优化、运维自动化与业务创新驱动应用走向智能，边缘侧智能能

78、够带来显著的效率与成本优势。以预测性维护为代表的智能化应用场景正推动行业向新的服务模式与商业模式转型。（5）安全与隐私保护）安全与隐私保护(Security)安全跨越云计算和边缘计算之间的纵深，需要实施端到端防护。网络边缘侧由于更贴近万物互联的设备，访问控制与威胁防护的广度和难度因此大幅提升。边缘侧安全主要包含设备安全、网络安全、数据安全与应用安全。此外，关键数据的完整性、保密性，大量生产或人身隐私数据的保护也是安全领域需要重点关注的内容。4 边云协同能力边云协同能力 边缘计算不是单一的部件，也不是单一的层次，而是涉及到EC-IaaS、EC-PaaS、EC-SaaS的端到端开放平台。典型的边缘

79、计算节点一般涉及网络、虚拟化资源、RTOS、数据面、控制面、管理面、行业应用等，其中网络、虚拟化资源、RTOS等属于EC-IaaS能力，数据面、控制面、管理面等属于EC-PaaS能力，行业应用属于EC-SaaS范畴。边云协同的能力涉及IaaS、PaaS、SaaS各层面的全面协同。EC-IaaS与云端IaaS应可实现对网络、虚拟化资源、安全等的资源协同；EC-PaaS与云端PaaS应可实现数据协同、智能协同、应用管理协同、业务管理协同；EC-SaaS与云端SaaS应可实现服务协同。资源协同：资源协同：边缘节点提供计算、存储、网络、虚拟化等基础设施资源、具有本地资源调度管理能力，同时可与云端协同，

80、接受并执行云端资源调度管理策略，包括边缘节点的设备管理、资源管理以及网络联接管理。46 数据协同：数据协同：边缘节点主要负责现场/终端数据的采集，按照规则或数据模型对数据进行初步处理与分析，并将处理结果以及相关数据上传给云端；云端提供海量数据的存储、分析与价值挖掘。边缘与云的数据协同，支持数据在边缘与云之间可控有序流动，形成完整的数据流转路径，高效低成本对数据进行生命周期管理与价值挖掘。智能协同：智能协同：边缘节点按照AI模型执行推理，实现分布式智能；云端开展AI的集中式模型训练，并将模型下发边缘节点。应用管理协同：应用管理协同：边缘节点提供应用部署与运行环境，并对本节点多个应用的生命周期进行

81、管理调度；云端主要提供应用开发、测试环境，以及应用的生命周期管理能力。业务管理协同：业务管理协同：边缘节点提供模块化、微服务化的应用/数字孪生/网络等应用实例；云端主要提供按照客户需求实现应用/数字孪生/网络等的业务编排能力。服务协同：服务协同：边缘节点按照云端策略实现部分ECSaaS服务，通过ECSaaS与云端SaaS的协同实现面向客户的按需SaaS服务；云端主要提供SaaS服务在云端和边缘节点的服务分布策略，以及云端承担的SaaS服务能力。图 27 边云协同能力框架 47 5 边云协同参考架构边云协同参考架构 为了支撑边云协同能力，需要相应的参考架构与关键技术。参考架构需要考虑下述因素：连

82、接能力：连接能力：有线连接与无线连接，实时连接与非实时连接，各种行业连接协议等 信息特征：信息特征：持续性信息与间歇性信息，时效性信息与非时效性信息，结构性信息与非结构性信息等 资源约束性：资源约束性：不同位置、不同场景的边缘计算对资源约束性要求不同，带来边云协同需求与能力的区别 资源、应用与业务的管理与编排：资源、应用与业务的管理与编排：需要支撑通过边云协同，实现资源、应用与业务的灵活调度、编排及可管理 根据上述考量，边云协同的总体参考架构应该包括下述模块与能力：（1）边缘侧 基础设施能力：需要包含计算、存储、网络、各类加速器（如AI加速器），以及虚拟化能力；同时考虑嵌入式功能对时延等方面的

83、特殊要求，需要直接与硬件通信，而非通过虚拟化资源 边缘平台能力：需要包含数据协议模块、数据处理与分析模块，数据协议模块要求可扩展以支撑各类复杂的行业通信协议；数据处理与分析模块需要考虑时序数据库、数据预处理、流分析、函数计算、分布式人工智能及推理等方面能力 管理与安全能力：管理包括边缘节点设备自身运行的管理、基础设施资源管理、边缘应用、业务的生命周期管理，以及边缘节点南向所连接的终端管理等；安全需要考虑多层次安全，包括芯片级、操作系统级、平台级、应用级等 应用与服务能力：需要考虑两类场景，一类场景是具备部分特征的 48 应用与服务部署在边缘侧，部分部署在云端，边缘协同云共同为客户提供一站式应用

84、与服务，如实时控制类应用部署在边缘侧，非实时控制类应用部署在云侧；一类场景是同一应用与服务，部分模块与能力部署在边缘侧，部分模块与能力部署在云侧，边缘协同云共同为客户提供某一整体的应用与服务。图 28 边云协同总体参考架构（2）云端 平台能力：包括边缘接入、数据处理与分析、边缘管理与业务编排。数据处理与分析需要考虑时序数据库、数据整形、筛选、大数据分析、流分析、函数、人工智能集中训练与推理等方面能力；边缘管理与业务编排需要考虑边缘节点设备、基础设施资源、南向终端、应用、业务等生命周期管理，以及各类增值应用、网络应用的业务编排 边缘开发测试云：在部分场景中，会涉及通过提供边云协同的开发测试能力以

85、促进生态系统发展的需求 6 边缘计算节点系统安全边缘计算节点系统安全 边缘计算架构的安全设计与实现首先需要考虑：安全功能适配边缘计算的特定架构；安全功能能够灵活部署与扩展；能够在一定时间内持续抵抗顶击；49 能够否忍一定程度和范围内的功能失效，但基础功能始终保持运行；整个系统能够从失败中快速完全恢复。同时，需要考虑边缘计算应用场景的独特性：安全功能轻量化，能够部署在各类硬件资源受限的IoT设备中；每量异构的设备接入，传统的基于信任的安全模型不再适用，需要技照最小授权原则重新设计安全模型（自名单）；在关键的节点设备（例如边缘网关）实现网络与域的隔霄，对安全顶击和风险范围进行控制，避免顶击由点到面

86、扩展；安全和实时态势感知无缝嵌入到整个边缘计算架构中，实现持续的检测与响应。尽可能依赖自动化实现，但是人工干预时常也需要发挥作用。安全的设计需要覆盖边缘计算架构的各个层级，不同层级需要不同的安全特性。同时，还需要有统一的态势感知、安全管理与编排、统一的身份认证与管理，以及统一的安全运维体系，才能最大限度地保障整个架构安全与可靠。50 图 29 安全服务架构 节点安全：节点安全：需要提供基础的边缘计算安全、端点安全、软件加固和安全配置、安全与可靠远程升级、轻量级可信计算、硬件Safety开关等功能。安全与可靠的远程升级能够及时完成漏洞和补丁的修复，同时避免升级后系统失效（也就是常说的“变砖”）。

87、轻量级可信计算用于计算（CPU）和存储资源受限的简单切联网设备，解决最基本的可信问题。网络安全：网络安全：包含防火墙（Firewall）、入侵检测和防护（IPS/IDS）、DDoS防护、VPN/TLS功能，也包括一些传输协议的安全功能重用（例如REST协议的安全功能）。真中DDoS防护在切联网和边缘计算中特别重要，近年来，越来越多的切联网顶击是DDoS顶击，顶击者通过控制安全性较弱的切联网设备（例如采用固定密码的摄像头）来集中顶击特定目标。数据安全：数据安全：包含数据加密、数据隔霄和销毁、数据防篡改、隐私保护（数据脱敏）、数据访问控制和数据防泄漏等。真中数据加密，包含数据在传输过程中的加密、在

88、存储时的加密；边缘计算的数据防泄漏与传统的数据防泄漏有所不同，边缘计算的设备往往是分布式部署，需要特别考虑这些设备被盗以后，相关的数据即使被获得也不会泄露。应用安全：应用安全：主要包含自名单、应用安全审计、恶意代码防范、WAF（Web应 51 用防火墙）、少箱等安全功能。真中，自名单是边缘计算架构中非常重要的功能，由于终端的每量异构接入，业务种类繁多，传统的IT安全授权模式不再适用，往往需要采用最小授权的安全模型（例如自名单功能）管理应用及访问权限。安全态势感知、安全管理与编排：安全态势感知、安全管理与编排：网络边缘侧接入的终端类型广泛，数量巨大，承载的业务繁杂，被动的安全防御往往不能起到良好

89、的效果。因此，需要采用更加积极主动的安全防御手段，包括基于大数据的态势感知和高级威胁检测，以及统一的全网安全策略执行和主动防护，从而更加快速响应和防护。再结合完善的运维监控和应急响应机制，则能够最大限度保障边缘计算系统的安全、可用、可信。身份和认证管理：身份和认证管理：身份和认证管理功能遍布所有的功能层级。但是在网络边缘侧比较特殊的是，每量的设备接入，传统的集中式安全认证面面巨大的性能压力，特别是在设备集中上线时认证系统往往不堪重负。在必要的时候，去中心化、分布式的认证方式和证书管理成为新的技术选择。参考资料：边缘计算与云计算协同白皮书（2018年），ECC、ALL 边缘计算参考架构3.0白皮

90、书（2018年），ECC、ALL Edge Intelligence White Paper，IEC MEC与V2X融合应用场景白皮书，IMT 52 五五 车路协同服务云平台车路协同服务云平台 1 概述概述 智能网联汽车是指搭载先进的车载传感器、控制器、执行器等装置，并融合现代通信与网络技术，实现车与X（人、车、路、云端等）智能信息交换、共享，具备复杂环境感知、智能决策、协同控制等功能，可实现“安全、高效、舒适、节能”行驶，并最终可实现替代人来操作的新一代汽车。车路协同平台综合感知、通信、计算、控制等技术，基于标准化通信协议，实现物理空间与信息空间中包括“车、交通、环境”等要素的相互映射，标准

91、化交互与高效协同、利用云计算大数据能力，解决系统性的资源优化与配置问题。平台为智能汽车及其用户、管理及服务机构等提供车辆运行、基础设施、交通环境、交通管理等动态基础数据，具有高性能信息共享、高实时性云计算、大数据分析、信息安全等基础服务机制，支持智能网联汽车实际应用需求的基础支撑平台。主要包含标准化互联互通和共性基础支持两方面。其中标准化互联互通包括统一交互标准化语言，减少多领域协同时在理解和认识上的差异化；针对车辆与各类资源互联互通的实际应用需求，设计标准化基础设施体系部署与分段实施路径。共性技术支持包括提供针对智能网联具体应用需求的基础、共性技术服务，包括数据的安全性管理，存储，运维，大数

92、据计算、仿真与测试评价技术等；为解决异构集成、互操作等实际业务需求提供一系列标准化开发接口与工具集。平台包含了面向效率和面向安全两个方面。其中面向效率包括基于车路协同信息的交叉口智能控制技术、基于车路协同信息的集群诱导技术、交通控制与交通诱导协同优化技术、动态协同专用车道技术、精准停车控制技术。面向安全包括智能车速预警与控制，弯道测速/侧翻事故预警、无分隔带玩到安全会车、车间距离预警与控制、临时性障碍预警。平台面向产业链应用，面向全行业提供体系化的安全，高效，节能等在内的汽车智能网联驾驶应用，以及包括共享汽车，电子支付等一系列新型汽车应用形态；为测试开发体系，公共服务体系，保险体系，医疗体系等

93、提供协同化的实际 53 业务应用。2 需求与应用场景分析需求与应用场景分析 根据中国汽车工程学会标准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（T/CSAE 53-2017），车联网基础功能涵盖安全、效率和信息服务三大类17个应用。表 9 一期应用列表 序号序号 类别类别 通信方式通信方式 应用名称应用名称 1 安全 V2V 前向碰撞预警 2 V2VN2I 交叉路口碰撞预警 3 V2VN2I 左转辅助 4 V2V 盲区预警变道辅助 5 V2V 逆向超车预警 6 V2V-Event 紧急制动预警 7 V2V-Event 异常车辆提醒 8 V2V-Event 车辆失控预警 9 V2I

94、 道路危险状况提示 10 V2I 限速预警 11 V2I 阁红灯预警 12 V2P/V2I 弱势交通参与者碰撞预警 13 效率 V2I 绿波车速引导 14 V2I 车内标牌 15 V2I 前方拥堵提醒 16 V2V 紧急车辆提醒 17 信息服务 V2I 汽车近场支付 车路协同服务的需求可以从政府、企业和个人三方面的需求分析。政府监管部门通过车路协同服务平台实现对交通进行实时监管、交通行业管理和交通规划管理。企业包括智能汽车研发企业和运营企业两大类。智能汽车研发企业可以通过车路协同提供的超视距信息服务、地图服务等为无人驾驶汽车提供更完备的服务。运营企业可以通过车路协同服务提高运营效率和安全性。5

95、4 图 1 车路协同需求与应用场景分析图 个人服务现实阶段可以得到车路协同的安全和交通诱导信息服务，远期当车路系统完善后可以实现车辆远程遥控和自动控制。3 总体方案总体方案 3.1 V2X 分级体系架构分级体系架构 当网络具备边缘计算能力后，许多核心层和终端层的计算负荷都可以整合到边缘层进行，极大地降低网络传输的数据量，也为低时延赋能。（1）终端层 车辆终端层决策的最大优势为时延小，主要进行与车辆安全性紧密相关的决策，如紧急刹车制动等。55（2）边缘云 该层配备的MEC平台具有强大的计算能力和虚拟化能力，能够承载多种自动驾驶应用。并且能够对基站数据进行匹配分流，在移动网络边缘完成对自动驾驶车辆

96、数据分析处理。（3）核心层 覆盖范围极广，计算能力最为强大，但由于距离机动车较远，传输时延相对较大，主要进行对时延要求不是特别敏感的初始规划、道路级规划、宏观交通调度、车辆大数据监管、全局路径规划和全局高精度地图管理。如实时完成每个自动驾驶车辆的道路级规划，优化整个道路交通网的车流。图 2 车路协同分级体系架构 56 3.2 总体架构总体架构 本次建设主要应用都部署在云上。参考云计算分层模型，本方案云计算数据中心在横向上分为数据源层、基础设施服务(IaaS)层、平台服务（PaaS）层、行业应用层（SaaS）。总体架构如下图。图 3 车路协同运控平台架构 感知设备层通过采集视频监控数据、交通流检

97、测、违章监测数据、事件监测数据、GPS数据、互联网大数据、手机信令数据、以及热线或投诉电话的事件报告数据等，汇聚接入到云计算平台，为云计算平台提供基础数据支撑。IaaS基础设施服务层对政务云的服务器、存储、网络等资源，进行统一的、集中的运维和管理。利用虚拟化技术按照用户或者业务的需求，从池化资源层中选择资源并打包，形成不同规模的计算资源。根据本方案的特点，基础设施层还包括边缘云计算资源，主要用于路口和小区级别的车路协同感知信息处理和实时信息发布。PaaS平台服务层依托基础设施服务层，通过开放的架构，提供共享云计算的有效机制。构建在虚拟服务器集群之上，把端到端的分布式软件开发、部属、运行环境以及

98、复杂的应用程序托管当作服务提供给用户。PaaS平台服务层依托基础设施服务层，建立系统应用所必须的基础数据库、业务数据库和主题数据库，为 57 系统提供共享数据服务。SaaS应用层包括协同感知系统、交通管控协调系统、驾驶安全信息服务系统、交通信息服务系统、终端APP应用系统和无人驾驶服务系统等应用系统。客户端车载终端、移动终端、可变诱导屏、智慧城市指挥中心大屏幕等为政府部门、交通管理部门、企业和普通民众提供交通的各种服务。3.3 边云框架边云框架 边缘计算不是单一的部件，也不是单一的层次，而是涉及到EC-IaaS、EC-PaaS、EC-SaaS的端到端开放平台。典型的边缘计算节点一般涉及网络、虚

99、拟化资源、RTOS、数据面、控制面、管理面、行业应用等，其中网络、虚拟化资源、RTOS等属于EC-IaaS能力，数据面、控制面、管理面等属于EC-PaaS能力，行业应用属于EC-SaaS范畴。边云协同的能力涉及IaaS、PaaS、SaaS各层面的全面协同。EC-IaaS与云端IaaS应可实现对网络、虚拟化资源、安全等的资源协同；EC-PaaS与云端PaaS应可实现数据协同、智能协同、应用管理协同、业务管理协同；EC-SaaS与云端SaaS应可实现服务协同。图 4 边云协同能力框架 58 4 车路协同应用系统车路协同应用系统 4.1 协同感知系统协同感知系统 车辆获取的信息既有来自车载传感器（激

100、光雷达、毫米波雷达、视频、GPSBD等）的各种数据（自己的位置、状态，周边目标的位置、速度），也有来自外部传感器（协同获取的其他车辆 GPS/BD、路侧设备微波雷达、信号机等）的数据（周边目标的位置、速度、特征、状态；周边道路状态；路口信号灯状态等），这些数据特征差异很大，需要在协同感知系统进行融合。4.1.14.1.1 道路交通道路交通路侧感知系统路侧感知系统 路侧感知系统是由安装在道路上的地磁、超声波、红外、RFID、信标、视频检测器和道路气象站、路面、路况检测器等组成，该子系统又分为道路交通感知模块、道路气象感知模块和路面状况感知模块3部分。4.1.24.1.2 车载感知系统车载感知系统

101、 车载感知系统是由安装在车辆上的各种车辆运行参数传感器、车载摄像头和雷达、GPS卫星定位装置以及车载微处理单元等组成。该子系统又分为车辆感知模块、环境感知模块和GPS定位模块3部分。59 4.1.34.1.3 多传感器信息融合系统多传感器信息融合系统 多传感器信息融合系统也是协同感知系统的关键技术之一。信息融合系统是利用计算机技术将来自多个传感器或多源的观测信息进行分析、综合处理。从而得出决策和估计任务所需的信息的处理过程。信息融合的基本原理是：充分利用传感器资源，通过对各种传感器及人工观测信息的合理支配与使用。将各种传感器在空间和时间上的互补与冗余信息依据某种优化准则或算法组合来，产生对观测

102、对象的一致性解释和描述。车路协同系统需要处理大量的源自路网的各种车载感知信息和路侧感知信息，如果运用数据融合技术对其进行数据级融合、特征级融合以及决策级融合，将有利于通过对信息的优化和组合从中获得更多的有效信息。4.1.44.1.4 实时数据处理系统实时数据处理系统 在车路协同服务平台中，边缘计算、局部计算和云端计算组成了数据分析系统。在这样的复杂新型交通系统里面才能很好的解决协同和控制问题。边缘计算主要是路测计算单元；局部的是情景中的集中部分，比如说路侧的信号机为核心的区域计算单元；云端计算的就是中心。三者结合形成有机的计算平台，分配好计算任务才能解决问题。该系统主要用于海量交通数据的处理，

103、分析计算道路交通状态、大规模车辆诱导策略、智能交通调度等。（1）通过边缘计算与云计算，综合分析交通与空间、气象与道路等信息以及与GIS匹配等，及时发现道路上的交通异常或潜在的交通危险，实现对道路交通状态的实时监测；（2）通过对区域交通数据的综合分析，提出科学合理的交通组织与优化对策，实现对全路网交通的有效组织与疏导；（3）通过对单个车辆运行轨迹和运行参数的分析，由边缘计算单元实现对个别违章车辆的实时预警或交通事故车辆的实时报警；（4）通过对特定车辆监视及行驶参数的分析，实现最优路径的诱导；（5）通过对气象条件与道路路况信息的综合分析，实现对道路路况条件与恶劣气象条件的提前预警；60（6）通过对

104、交通数据存储、管理、编辑、检索、查询和分析等综合应用，实现各子系统间的信息协同、数据共享与互通，提高交通信息的综合利用度。云计算的应用，一方面可以实现业务的快速部署，在短期内为交通用户提供信息服务；另一方面，平台具有的强大运算能力、最新实时数据和广泛的服务支持，能够对综合交通服务起到强大的支撑作用。云平台则可以根据用户的需求及道路交通的实际情况、异常交通因素等，进行大范围的交通数据的分析、计算与规划，从而实现宏观区域的交通组织与优化，并通过服务整合为路网中车载终端提供更丰富、更富有价值的综合交通服务等。图 5 车路协同交通感知数据处理流程 4.2 交通管控协调系统交通管控协调系统 交通控制与诱

105、导系统是由安装在道路沿线的信号控制装置、可变信息板和路旁广播等装置组成，该子系统能够通过通信装置接收来自车路协同服务平台的交通控制信息，实现对道路上车辆的交通信号实时控制；也可接收来自车路协同服务平台的交通诱导信息，实现对特定路段或特定区域交通诱导信息的发布。该系统发布的信息主要是该路段或区域内的群体车辆，也可以是指定车辆；该系统的控制与信息发布主要依赖路侧各种信息发布装置，如信号灯、交通诱导屏等。61（1）智能红绿灯预警/红绿灯车速引导系统 基于车路协同技术，当汽车在接近信号交叉口时，接收来自路侧单元的信号配时和交叉口地理信息，通过计算车辆行驶速度和加速度，结合信号配时和地理信息，判断本车在

106、剩余绿灯时间内能否安全通过交叉路口，如果存在违规风险，车辆将受到相应的告警，如果判定可以通过，给出建议车速。（2）特殊车辆信号优先系统 基于车路协同技术，当特殊车辆（救护车、消防车等）接近信号控制交叉口时，车载单元向路口信号控制机发送特殊车辆定位距离和当前车速信息，由智能路侧单元计算出的预计到达时间，信号控制机根据当前信号的状态，对相位进行红灯早断、绿灯延时等干预操作，保证特殊车辆的顺利通过。4.3 驾驶安全信息服驾驶安全信息服务系统务系统 车辆行驶安全信息服务系统主要用于对道路交通异常状态、单车运行异常状况、恶劣天气与路况异常变化等情况提前预警和实时报警，以便最大限度地减少交通异常所造成的损

107、失。车路协同服务平台可根据监测目标数目的多少采用单屏多窗口或者多屏幕显示方式，分别监测不同的目标和区域。一旦发现或预测到可能发生的交通异常或交通危险，则以声光报警方式发出预报或报警信息，并锁定和显示报警目标，提示工作人员及时处理警情。（1）智能交叉口预警 基于车车通信技术，两辆在不同道路行驶的网联汽车接近交叉口时，根据车辆速度、位置、行驶方向等信息，利用碰撞算法判别，如存在碰撞风险，则向两辆网联汽车发出告警，提示避让。在交通基础设施不完善或者郊区普通道路或公路交叉路口，车辆在交叉路口左转，与对向来车存在碰撞危险时，系统基于无线通信技术应对驾驶员进行预警。避免或减轻侧向碰撞，提高交叉口通行安全。

108、（2）智能人车冲突预警 基于车路协同技术，以红外视频、微波等检测器作为行人检测设备，通过深 62 度学习技术判断人车冲突隐患，在路侧通过显示屏及语音提示器，提醒行人注意通行安全，在车内通过车载设备提醒网联汽车注意行人。车辆行驶过程中，路侧感知单元检测到的行人、非机动车位置与人、车的GNSS信息在平台融合处理，并实时接收行人过街请求，再通过车路通信，把人行道及其周围环境的行人、自行车的位置信息以及行人过街信息发布给车辆，同时，也可以向行人、非机动车的手机发布安全提示信息，以防止事故的发生。（3）行车超视距服务 将道路前方路侧视频或前车车内视频传输给周边汽车，实现网联汽车超视距（如1km）接受前方

109、道路交通信息。车辆行驶在道路上时，与前车存在一定距离，当前车进行紧急制动时，后车将通过无线通信技术收到这一信息，并通过车载终端对驾驶员进行预警。（4）盲区预警/变道辅助 当汽车准备实施变道操作时（例如激活转向灯等），若其相邻车道上有同向行驶的车辆出现在网联汽车的盲区时，换道告警应用对网联汽车进行提醒，避免其与相邻车道上的车辆发生侧向碰撞，保证变道安全。在道路行驶过程中，因借用逆向车道超车，与逆向车道上的逆向行驶车存在碰撞危险时，及时对车辆驾驶员进行预警。辅助驾驶员避免或减轻超车过程中产生的碰撞，提高逆向超车通行安全。（5）道路施工预警 基于车路协同技术，当网联汽车接近施工区域前，智能路侧单元向

110、特定范围内的网联汽车发送施工信息预警，提醒车辆注意施工区域及施工人员，适用于可视条件不好的环境。（6）限速提醒 基于车路协同技术，通过智能路侧单元将结合天气、交通流量、施工、事故等信息动态调整限速信息、或前方道路的弯道限速信息向周边广播，为网联汽车提供可变限速提醒。63（7）前向碰撞预警 系统通过GPS定位系统和无线通信技术实现前向车辆距离过近时提前预警。以保护人员及车辆安全，主要针对追尾等前向碰撞事故，降低城市道路交通事故率。（8）异常车辆预警 当感知系统发现有车在行驶中打开故障报警灯时，边缘计算单元根据车辆状态（静止或慢速）若分析其属于异常车辆，并可能影响影响本车行驶路线时，通过无线通信技

111、术将这一状况发布至车载终端，对驾驶员进行预警。适用于城市及郊区普通道路及公路的交叉口、环岛入口等环境中的异常车辆提醒。帮助驾驶员及时发现前方异常车辆，从而避免或减轻碰撞，提高通行能力。（9）道路危险状况提示 车辆行驶到潜在危险状况（如桥下存在较深积水、路面有深坑、道路湿滑、前方急转弯等）路段，存在发生事故风险时，边缘计算单元对周围车辆进行预警，便于驾驶员提前进行处置，提高车辆对危险路况的感知能力，降低驶入该危险区域的车辆发生事故的风险。（10）紧急车辆提醒 基于车车通信技术，将救援车辆（救护车、消防车等）的位置和移动方位信息向特定范围内的网联汽车发送，提示网联汽车提前做好让行准备。（11）闯红

112、灯预警 经过有信号控制的交叉口或车道时，由于前方有大车遮挡视线或恶劣天气影响视线，或由于其他原因驾驶员看不清信号灯的，系统检测车辆当前所处位置和速度等，通过计算预测车头经过停车线时信号灯的状态，若系统认定车辆存在不按信号灯规定或指示行驶的风险时，向驾驶员进行预警。4.4 驾驶安全辅助控制系统驾驶安全辅助控制系统 对于特定生产或改装的，经过授权控制的特种车辆、公务车辆、公共汽车、64 营运车辆等，系统可以在紧急的情况下，对车辆进行控制，以避免事故的发生。对车辆的自动控制包括刹车、转向与油门控制。驾驶安全辅助控制系统可以利用V2X低延时通信网络，根据需要对车辆采取控制措施，避免因驾驶员反应不及时引

113、发的事故。图 6 传统油门踏板与电子油门控制系统对比 4.5 交通信息服务系统交通信息服务系统 4.5.14.5.1 路况交通信息服务路况交通信息服务 主要用于对前方道路拥堵状况、道路危险状况、事故状况、道路施工状况和车辆故障状况发布给驾驶员，实现提前预警和实时报警，提醒驾驶员避开拥挤道 65 路，以便最大限度地减少交通异常所造成的损失。4.5.24.5.2 精确定位服务精确定位服务 车载终端集成卫星定位模块，可以利用全球卫星定位系统来实现车辆定位。第一，因为该系统同时集成了卫星定位模块和移动通信模块，通过利用移动通信网络辅助GPS来给车辆提供实时定位信息。这样就可以大幅提升系统搜索定位时间、

114、提高定位精度同时还可以在卫星信号无法覆盖的区域内提供定位服务。第二，可以通过对定位数据进行加密后上传至专业服务平台还可以拓展出很多其他服务。例如，紧急救援服务、智能交通管理、车辆防盗等。特别是智能交通管理，如果可以精确获取一定区域内的车辆实时位置信息，就可以在此基础上对交通流进行有效管理，并结合通信服务等将疏导信息传达到驾驶人员，进而解决交通拥堵问题。同时，统一的定位信息也可以为交通管理提供第一手的基础数据。4.5.34.5.3 路径导航服务路径导航服务 车载终端可以有选择的接入全球卫星定位系统，从而得到定位数据。进而当在终端上标注出目的地后，终端便会自动根据当前的位置，依据距离和道路等级为车

115、主设计行车路线。结合智能交通服务，道路上的车辆都将自身的定位数据发送到相关服务器上，导航系统可以综合距离、道路等级和当前实时路况来为用户设计更加优化路线。另外，这项服务还要依赖于地图数据服务商提供高精度地图数据。66 4.5.44.5.4 车辆紧急救援求助车辆紧急救援求助服务服务 通过在车辆上安装相关传感器并在车载终端上安装相关软件可以最大限度地减少道路交通事故中因救援迟缓造成的人员伤亡。如在发生严重交通事故后，即使司机和乘客失去知觉不能拨打电话，该终端也能够自动拨叫紧急救援电话，并且自动报告事故车辆所处的位置。车载终端综合使用卫星通信、移动通信手段，实现紧急情况下的手动或者自动报警和救援呼叫

116、，最大限度地减少道路交通事故中因救援迟缓造成的损失。4.5.54.5.5 车辆车辆维护保养信息服务维护保养信息服务 在车辆运行过程中，感知系统会实时向驾驶员显示或报告车辆运转的工作状况，一旦出现车辆运转异常状况，系统会及时发出预警或报警信息提醒驾驶人员密切注意车辆自身运转情况并采取应急措施。车载感知系统检测车辆自身运转状态，并通过车载通信模块及其它通信设施，实现由监控中心对车辆各种工况的远程监测，平台对此为驾驶员提供目的地或者沿途的维护与保养服务网点的信息。4.6 车辆安全信用评价系统车辆安全信用评价系统 根据车辆行驶记录大数据，对车辆行驶安全性进行分析和评价，给出车辆行驶安全信用的综合评价，

117、建立车辆安全信用评价数据档案。可对车辆车主进行有针对性的安全教育，重点对安全信用评价不好的大型客、货车进行安全监督。保险公司可以根据车辆司机的安全信用提供有针对性的汽车安全保险服务。4.7 无人驾驶辅助系统无人驾驶辅助系统 目前绝大多数的无人车技术方案都可以称为“单车智能”，这种技术方案由于自身传感器等的局限，不能达到安全的要求。车路协同技术可以通过宽带、低延时的无线网将感知的道路和交通环境实时传递给无人车，拓展无人车的感知空间，辅助无人车达到L5级别的自动驾驶水平。67 4.8 车载终端服务车载终端服务 车载终端应用系统是无线通信技术、卫星导航系统、网络通信技术和车载电脑综合的产物。车载终端

118、可以提供以下服务：（1）实时为过往车辆提供实时的车辆安全信息，提示司机可能疏忽或者无法了解的危险，及时采取措施，提高驾驶安全性。（2）通过终端接收并查看交通地图、路况介绍、交通信息、安全与治安服务，实时确认当前位置，及时反馈预警与报警。（3）汽车在行驶过程中出现故障时，通过无线通信连接车路协同服务平台进行远程车辆诊断，内置在车辆的车载感知单元记录汽车主要部件的工作状态，并随时为驾驶员和平台提供准确的故障位置和原因。（4）可以了解临近停车场的车位状况和娱乐信息服务等，后排座位可以玩电子游戏、应用网络（包括金融、新闻、邮件等）。图 7 车载终端 5 小结小结 车路协同服务平台利用LTE/5G V2

119、X宽带、低延时通信技术实现从终端到路侧边缘端再到云端的瞬时通信，对实时交通大数据进行分析和研判，对车辆安全 68 和高效行驶提供信息服务（甚至是远程遥控）。解决自主自动驾驶汽车对周边环境感知的不足问题，可大幅度低成本地提升自动驾驶汽车的水平。车路协同服务平台是政府部门利用政策优势为自动驾驶汽车行业发展提供的最直接的服务。也是未来城市智慧交通发展的必由之路。车路协同服务平台可由政府建设，成立专门的运营公司运营。运营车路协同服务平台的公司可以通过为车企、保险公司提供大数据服务盈利。可以为政府交通相关部门提供数据而实现社会效益。69 六六 边缘智能边缘智能深度学习和边缘计算深度学习和边缘计算 随着深

120、度学习的突破，近年来人工智能（AI）应用和服务蓬勃发展。在移动计算和物联网进步的推动下，数十亿移动和物联网设备连接到互联网，在网络边缘生成数以亿计的数据字节。在人工智能和物联网的驱动下，迫切需要将人工智能前沿推向网络边缘，充分释放边缘大数据的潜力。为了实现这一趋势，边缘计算是一个很有前途的解决方案，以支持计算密集型人工智能应用在边缘设备上。边缘智能或边缘人工智能是人工智能和边缘计算的结合；它支持将机器学习算法部署到生成数据的边缘设备。边缘智能有可能为任何地方的每个人或组织提供人工智能。1 什么是边缘计算什么是边缘计算 边缘计算的概念是在更靠近需要提高响应时间和节省带宽的位置捕获、存储、处理和分

121、析数据。因此，边缘计算是一种分布式计算框架，它使应用程序更接近物联网设备、本地终端设备或边缘服务器等数据源。图 1 边缘计算的概念 70 边缘计算的基本原理是计算应该发生在数据源附近。因此，我们设想边缘计算可能对我们的社会产生与云计算一样大的影响。2 为什么我们需要边缘计算为什么我们需要边缘计算 2.1 数据在网络边缘生成数据在网络边缘生成 作为推动人工智能发展的关键驱动力，大数据最近经历了数据源从超大规模云数据中心到日益普及的终端设备（如移动和物联网设备）的根本转变。传统上，网络购物记录、社交媒体内容、商业信息等大数据主要是在超大规模数据中心产生和存储的。然而，随着移动计算和物联网的出现，这

122、种趋势现在正在逆转。如今，大量传感器和智能设备产生海量数据，不断增长的计算能力正在推动计算和服务的核心从云端到网络边缘。今天，超过 500 亿物联网设备连接到互联网，IDC 预测，到 2025 年，将有 800 亿物联网设备和传感器在线。思科的全球云指数估计，到 2021 年，每年将在云之外生成近 850 ZB 的数据，而全球数据中心流量仅为 20.6 ZB。这表明数据源正在转变从大规模的云数据中心到越来越广泛的边缘设备。同时，云计算逐渐无法管理这些大规模分布的计算能力并分析它们的数据：资源：通过广域网(WAN)移动大量数据对网络容量和云计算基础设施的计算能力提出了严峻挑战。延迟：对于基于云的

123、计算，传输延迟可能非常高。许多新型应用程序都具有挑战性的延迟要求，而云计算很难始终如一地满足这些要求（例如，协作式自动驾驶）。2.2 边缘计算在数据源提供数据处理边缘计算在数据源提供数据处理 边缘计算是一种将云服务从网络核心推向网络边缘的范式。边缘计算的目标是尽可能靠近数据源和最终用户托管计算任务。当然，边缘计算和云计算并不相互排斥。相反，边缘补充并扩展了云。边缘 71 计算与云计算相结合的主要优势如下：骨干网络性能：骨干网络性能：分布式边缘计算节点可以处理许多计算任务，而无需与云交换底层数据。这允许优化网络的流量负载。敏捷服务响应：敏捷服务响应：部署在边缘的应用可以显着降低数据传输的延迟，提

124、高响应速度。强大的云备份强大的云备份：在边缘无法承受的情况下，云可以提供强大的处理能力和海量、可扩展的存储。数据越来越多地在网络边缘产生，在网络边缘处理数据会更有效。因此，边缘计算凭借其减少数据传输、改善服务延迟、缓解云计算压力的优势，成为突破新兴技术瓶颈的重要解决方案。3 缘智能结合人工智能和边缘计算缘智能结合人工智能和边缘计算 3.1 在边缘生成的数据需要人工智能在边缘生成的数据需要人工智能 移动和物联网设备的数量和类型激增，导致产生大量持续感知的设备物理环境的多模态数据（音频、图片、视频）。连接的边缘设备创建的数据与在云中处理的数据之间的差距 72 人工智能在功能上是必要的，因为它能够快

125、速分析这些庞大的数据量并从中提取洞察力以进行高质量的决策。Gartner 预测，到 2022 年，超过 80%的企业物联网项目将包含人工智能组件。最流行的人工智能技术之一是深度学习，它能够识别模式并检测边缘设备感测到的数据中的异常情况，例如人口分布、交通流量、湿度、温度、压力和空气质量。然后，从感测数据中提取的见解会被提供给实时预测决策（例如公共交通规划、交通控制和驾驶警报），以响应快速变化的环境，从而提高运营效率。3.2 什么是边缘智能和边缘人工智能什么是边缘智能和边缘人工智能 边缘计算和人工智能的结合催生了一个名为“边缘智能”或“边缘人工智能”的新研究领域。边缘智能利用广泛的边缘资源为 A

126、I 应用程序提供支持，而无需完全依赖云。虽然 Edge AI 或 Edge 智能是一个全新的术语，但这个方向的实践很早就开始了，微软在 2009 年构建了一个基于边缘的原型来支持移动语音命令识别。图 2 边缘计算场景 然而，尽管早期探索开始，边缘智能仍然没有正式的定义。目前，大多数组织和媒体将边缘智能称为“在终端设备上本地运行 AI 算法的范例，其数据（传 73 感器数据或信号）是在设备上创建的。”边缘人工智能和边缘智能被广泛认为是研究和商业创新的领域。由于在边缘运行 AI 应用程序的优越性和必要性，Edge AI 近来受到了极大的关注。Gartner 技术成熟度曲线（Gartner Hype

127、 Cycles）将边缘智能命名为一项新兴技术，它将在未来 5 到 10 年内达到生产力平台。包括谷歌、微软、IBM、英特尔在内的多家主要企业和技术领导者展示了边缘计算在连接人工智能最后一公里方面的优势。这些努力包括广泛的人工智能应用，例如实时视频分析、认知辅助、精准农业、智能家居和工业物联网。图 3 边缘智能和智能边缘的概念 74 3.3 云不足以支持深度学习应用程序云不足以支持深度学习应用程序 由于深度学习在计算机视觉（CV）和自然语言处理（NLP）领域的巨大优势，基于人工智能和深度学习的智能服务和应用已经改变了人们生活的许多方面。但是，由于效率和延迟问题，目前的云计算服务架构还不足以为任何

128、地方的每个人和每个组织提供人工智能。对于更广泛的应用场景，如智能工厂和城市、智能交通、人脸识别、医学影像等，由于以下因素，提供的智能服务数量有限：成本：云端深度学习模型的训练和推理需要设备或用户向云端传输海量数据。这会消耗大量的网络带宽。延迟：访问云服务的延迟通常无法保证，对于许多时间关键的应用程序来说可能不够短。可靠性：大多数云计算应用程序依赖无线通信和骨干网络将用户连接到服务。对于很多工业场景，即使在网络连接丢失的情况下，智能服务也必须是高可靠的。隐私：深度学习通常涉及大量的私人信息。人工智能隐私问题对智能家居和城市等领域至关重要。在某些情况下，甚至可能无法传输敏感数据。由于边缘比云更接近

129、用户，边缘计算有望解决其中的许多问题。3.4 将深度学习转移到边缘的优势将深度学习转移到边缘的优势 AI 和边缘计算的融合是很自然的，因为它们之间有明显的交集。在网络边缘生成的数据依赖于人工智能来充分释放其全部潜力。边缘计算能够随着更丰富的数据和应用场景而蓬勃发展。边缘智能有望尽可能地将深度学习计算从云端推向边缘。这使得开发各种分布式、低延迟和可靠的智能服务成为可能。将深度学习部署到边缘的优势包括：75 低延迟：深度学习服务部署在请求用户附近。这显着减少了将数据发送到云进行处理的延迟和成本。隐私保护：由于深度学习服务所需的原始数据存储在本地边缘设备或用户设备本身而不是云端，因此隐私得到增强。更

130、高的可靠性：分散和分层的计算架构提供了更可靠的深度学习计算。可扩展的深度学习：边缘计算凭借更丰富的数据和应用场景，可以推动深度学习在各行业的广泛应用，推动人工智能的普及。商业化：多样化和有价值的深度学习服务拓宽了边缘计算的商业价值，加速了其部署和增长。使用靠近数据源的网络边缘资源释放深度学习服务已成为一种理想的解决方案。因此，边缘智能旨在促进使用边缘计算部署深度学习服务。图 4 云、设备端和边缘智能的能力比较 3.5 边缘计算是泛在人工智能的关键基础设施边缘计算是泛在人工智能的关键基础设施 人工智能技术已经在我们日常生活中的许多数字产品或服务（电子商务、服务推荐、视频监控、智能家居设备等）中取

131、得了巨大的成功。此外，人工智能是 76 新兴创新前沿领域的关键驱动力，如自动驾驶汽车、智能金融、癌症诊断、智慧城市、智能交通和医疗发现。基于这些例子，人工智能领域的领导者推动实现更丰富的深度学习应用程序，并突破可能的界限。因此，泛在人工智能是各大 IT 公司宣称的目标，其愿景是“为每个人和每个组织在任何地方制造人工智能”。因此，人工智能应该“更接近”人、数据和终端设备。显然，在实现这一目标方面，边缘计算比云计算更胜任：与云数据中心相比，边缘服务器更靠近人、数据源和设备。与云计算相比，边缘计算更实惠且易于访问。边缘计算有可能提供比云计算更多样化的人工智能应用场景。由于这些优势，边缘计算自然是无处

132、不在的人工智能的关键推动因素。4 在网络边缘部署机器学习算法在网络边缘部署机器学习算法 前所未有的数据量，加上最近人工智能(AI)的突破，使深度学习技术的使用成为可能。边缘智能支持在网络边缘部署机器学习算法。将学习推向边缘的主要动机是允许快速访问边缘设备生成的大量实时数据，用于快速的 AI 模型训练和推理，从而赋予设备类人的智能，以响应实时事件。设备上的分析在设备上运行 AI 应用程序以在本地处理收集的数据。因为许多人工智能应用需要高计算能力，这大大超过了资源和能源受限的边缘设备的能力。因此，缺乏性能和能效是边缘人工智能的共同挑战。4.1 不同级别的边缘智能不同级别的边缘智能 边缘智能的大多数

133、概念通常都集中在推理阶段（运行 AI 模型），并假设 AI 模型的训练在云数据中心进行，主要是由于训练阶段的资源消耗较高。然而，边缘智能的全部范围充分利用终端设备、边缘节点和云数据中心的层次结构中的可用数据和资源来优化训练和推理深度神经网络模型的整体性能。77 因此，边缘智能并不一定要求深度学习模型在边缘完全训练或推理。因此，存在涉及数据卸载和协同训练的云边缘场景。图 5 边缘智能：云和边缘计算的范围 一般没有“最佳级别”，因为边缘智能的最佳设置取决于应用程序，并且是通过联合考虑延迟、隐私、能效、资源成本和带宽成本等多个标准来确定的。云智能是完全在云端对 AI 模型进行训练和推理。设备端推理包

134、括在云端进行 AI 模型训练，而 AI 推理则以完全本地的设备端方式应用。设备上推理意味着不会卸载任何数据。边缘智能完全在设备上执行 AI 模型的训练和推理。通过将任务转移到边缘，减少数据卸载的传输延迟，增加数据隐私，降低云资源和带宽成本。然而，这是以增加能源消耗和边缘计算延迟为代价的。设备端推理目前是一种适用于各种设备端 AI 应用程序的有前途的方法，已 78 被证明在许多用例中都达到了最佳平衡。设备端模型训练是联邦学习的基础。4.2 边缘深度学习设备端推理边缘深度学习设备端推理 AI 模型，更具体地说是深度神经网络(DNNs)，需要更大规模的数据集来进一步提高其准确性。这表明计算成本急剧增

135、加，因为深度学习模型的出色性能需要高级硬件。因此，很难将它们部署到边缘，这会带来资源限制。因此，大规模深度学习模型一般部署在云端，而终端设备只是将输入数据发送到云端，然后等待深度学习推理结果。然而，仅云推理限制了深度学习服务的普遍使用：推理延迟。具体来说，它不能保证实时应用的延迟要求，例如对延迟要求严格的实时检测。隐私。数据安全和隐私保护是基于云的推理系统的重要限制。为了应对这些挑战，深度学习服务倾向于求助于边缘计算。因此，必须定制深度学习模型以适应资源受限的边缘。同时，需要仔细优化深度学习应用程序，以平衡推理准确性和执行延迟之间的权衡。5 下一步是什么？下一步是什么？随着人工智能和物联网的出

136、现，需要将人工智能前沿从云端推向边缘设备。边缘计算已成为广泛认可的解决方案，可在资源受限的环境中支持计算密集型 AI 应用程序。智能边缘，也称为边缘人工智能，是一种将边缘计算和人工智能结合在一起的新范式，其目标是为各行各业的组织提供无处不在的人工智能应用程序。79 七七 北京市自动驾驶车辆测试北京市自动驾驶车辆测试场建设场建设概况概况 北京市作为全国科技创新中心，在自动驾驶车辆道路测试方面先行先试，有力的推动了全国自动驾驶车辆道路测试工作，促进了北京市自动驾驶产业的蓬勃发展，加速了产业融合创新。截至2020年6月底，北京市自动驾驶开放测试道路累计长度达到699.58公里，覆盖北京市四个行政区的

137、200条道路。测试车辆达到77辆，共完成测试里程达到158万公里。1 相关法规和标准相关法规和标准 2017 年12 月，北京市出台了自动驾驶车辆道路测试的政策指导文件，重点突破了有关自动驾驶车辆开展道路测试的政策法规、管理主体、测试场地、测试流程、事故保险赔偿及测试监管等系列问题。2018年4月，国家三部委出台智能网联汽车道路测试管理规范（试行），确定了智能网联汽车测试管理的基本框架，从国家层面准许各地开展自动驾驶公开道路测试。2018年08月10日，北京市交通委联合北京市公安交管局、北京市经济信息委等部门，制定发布了北京市关于加快推进自动驾驶车辆道路测试有关工作的指导意见（试行）和北京市自

138、动驾驶车辆道路测试管理实施细则（试行）两个文件，规范推动自动驾驶汽车的实际道路测试。2019 年12 月13 日，北京市自动驾驶测试管理联席工作小组发布北京市自动驾驶车辆道路测试管理实施细则（试行）（第三版）。2019 年6 月，北京市自动驾驶测试管理联席工作小组发布了北京市自动驾驶车辆测试道路管理办法（试行），鼓励各区县依据技术要求，因地制宜遴选测试道路，并允许选取开放自动驾驶测试区域。80 2 自动驾驶开放测试道路自动驾驶开放测试道路 截至当前，北京市自动驾驶开放测试道路累计长度达到699.58公里，覆盖北京市四个行政区的200条道路。各区分布情况见下表。北京市自动驾驶开放测试道路分布图

139、2.1.12.1.1 海淀海淀 6月30日，北京市公安局公安交通管理局、北京市交通委员会、北京市经济和信息化局联合发布公告，由实创股份、翠湖智能网联公司建设的海淀中关村科学城北区100平方公里自动驾驶示范区一期自动驾驶测试道路全面开放。中关村科学城北区自动驾驶测试道路由原来3条，19.4公里扩增至52条，215.3公里。自此，中关村科学城北区将拥有从封闭测试场、科技园场景应用示范区到开放道路测试更加完善的测试环境，更好的推进不同场景下的自动驾驶应用示范，推动自动驾驶从技术测试阶段进入商业模式探索阶段。81 2020年6月28日通告测试道路清单：苏四路（苏家坨北路至聂各庄东路之间路段）、苏家坨北

140、路（苏四路至前沙涧路之间路段）、北安河北路（温北路至聂各庄路之间路段）、柳泉路（苏二路至聂各庄东路之间路段）、苏一路（温阳路至柳泉路之间路段）、苏二路（温阳路至柳泉路之间路段）、琪树路（前沙涧路至苏四路之间路段）、瑞凤路（前沙涧路至同泽园路之间路段）、凤仪路（苏一路至聂各庄东路之间路段）、同泽园路（瑞凤路至聂各庄东路之间路段）、纳兰园西路（翠湖北路至沙阳路之间路段）、向山路（北清路至黑龙潭路之间路段）、温阳路（沙阳路至温泉路之间路段）、叠风路（白家疃西路至白家疃东路之间路段）、白家疃西路（温泉路至温北路之间路段）、御风路（白家疃西路至双坡路之间路段）、前沙涧路（苏家坨北路至聂各庄东路之间路段）

141、、苏三路（后沙涧路至聂各庄东路之间路段）、后沙涧路（苏四路至前沙涧路之间路段）、翠湖北路（上庄路至温阳路之间路段）、丰润中路（永澄北路至永丰路之间路段）、丰德中路（永澄北路至永盛北路之间路段）、丰慧中路（永澄北路至永丰路之间路段）、丰秀中路（永澄北路至永丰路之间路段）、永澄北路（丰润中路至北清路之间路段）、永腾北路（丰润中路至北清路之间路段）、永翔北路（丰德中路至北清路之间路段）、永盛北路（丰德中路至北清路之间路段）、丰豪中路（北清路至永丰路之间路段）、用友路（永澄南路 82 至永丰路之间路段）、永腾南路（北清路至丰滢中路之间路段）、永盛南路（北清路至用友路之间路段）、丰贤中路（永澄北路至永丰

142、路之间路段）、白家疃东路（温泉路至杨家庄路之间路段）、双坡路（温北路至温泉路之间路段）、簸箕水路（御风路至温泉路之间路段）、稻香湖路（翠湖北路至温北路之间路段）、温北路（沙阳路至黑龙潭路之间路段）、沙阳路（温北路至上庄路之间路段）、丰滢中路（永澄南路至永丰路之间路段）、永澄南路（丰滢中路至北清路之间路段）、杨家庄路（白家疃路至白家疃东路之间路段）、显龙山路（白家疃路至双坡路之间路段）、白家疃路（温北路至温泉路之间路段）、北清路（北安河路至永丰路之间路段）、上庄路（沙阳路至翠湖北路之间路段）、温泉路（黑龙潭路至温阳路之间路段）、永丰路（丰润中路至丰滢中路之间路段）、聂各庄东路（温阳路至聂各庄路之

143、间路段）、聂各庄路（温北路至北安河路之间路段）、凤凰岭路（温北路至聂各庄路之间路段）、梁家园路（温北路至聂各庄路之间路段）。2.2 亦庄亦庄 北京经济技术开发区开放40平方公里区域作为自动驾驶车辆测试区，共计111条道路，总里程322.46公里。除学校、医院、写字楼集中的路段未开放，基本实现了全区域开放，这也是本市第一次开放自动驾驶车辆测试区域。83 2019年10月12日通告规定的测试区范围和禁止测试的道路清单：文化园东路荣华北路至东环北路之间路段（含）、文化园西路西环北路至荣华北路之间路段（含）、西环北路文化园西路至三海子东路之间路段（含）、三海子东路西环北路至凉水河一街之间路段（含）、凉

144、水河一街三海子东路至博兴七路之间路段（含）、博兴七路凉水河一街至兴亦路之间路段（含）、兴亦路博兴七路至博兴路之间路段（含）、博兴路兴亦路至新凤河路之间路段（含）、新凤河路博兴路至泰河路之间路段（含）、泰河路新凤河路至博兴三路之间路段（含）、博兴三路泰河路至西环南路之间路段（含）、西环南路博兴三路至经海三路之间路段（含）、科创十七街经海三路至通惠干渠路之间路段（含）、通惠干渠路科创十七街至科创十街之间路段（含）、科创十街通惠干渠路至经海路之间路段（含）、经海路科创十街至科创五街之间路段（含）、科创五街经海路至经海四路之间路段（含）、经海四路科创五街至科创四街之间路段（含）、科创四街经海四路至经海

145、一路之间路段（含）、经海一路科创四街至科创五街之间路段（含）、科创五街经海一路至东环北路之间路段（含）、东环北路科创五街至文化园东路之间路段（含）围成的区域以内道路为自动驾驶车辆测试道路。以上区域内禁止在下列道路进行自动驾驶车辆测试：科慧大道（天宝东路至文化园西路之间路段）、西环南路（荣昌西街至博兴三路之间路段）、广德北巷（西环北路至亦德路之间路段）、广德中巷（西环北路至科慧大道之间路段）、天宝北街（西环北路至科慧大道之间路段）、天宝中街（西环北路至科慧大道之间路段）、天宝西路（荣京西街至天宝中街之间路段）、西环东一路（地盛南街至地盛北街之间路段）、景园南街（西环南路至景园街之间路段）、西环东

146、二路（景园南街至建安街之间路段）、宏达西路（康定街至景园街之间路段）、景园北街（荣昌西街至景园街之间路段）、凉水河二街（博兴三路至博兴七路之间路段）。V2X设备设置 2017年9月，北京市在北京经济技术开发区荣华中街路上建设并开放了国内首个V2X潮汐测试道路，支持与交通信号系统、毫米波雷达、标志标牌、可变情报板等路侧设施的连接，自动驾驶车辆可以在该路段上进行智能网联汽车的道路 84 协同测试。开放测试道路起始于博大大厦十字路口，终点设在永昌南路十字路口，经过7个红绿灯路口。2019年，上述道路V2X测试方案已升级至亦庄40多公里的V2X试验区。由北京智能车联产业创新中心整体规划，联合千方科技在

147、北京经济技术开发区增加建设了26个点位LTE-V2X设备，能够满足多种V2V、V2I、V2P的面向辅助驾驶和自动驾驶的V2X应用场景。2.3 顺义顺义 2019年10月11日，北京市公安局公安交通管理局、北京市交通委员会和北京市经济和信息化局联合发布关于指定顺义区自动驾驶车辆测试道路的通告。规定，北京顺义区26条道路自10月11日起成为自动驾驶车辆测试道路，自动驾驶车辆每天可在9时至17时上路测试，上路测试的自动驾驶车辆应取得临时行驶车号牌。至此，顺义区自动驾驶开放测试道路从11.2公里扩展至145公里。路线清单：文良北街（恒兴东路至恒兴西路之间路段）、恒兴西路（开元街至文良路之间路段）、恒兴

148、路（开元街至文良路之间路段）、文良街（恒兴东路至恒兴西路之间路段）、恒兴东路（开元街至文良街之间路段）、开元街（恒兴东路至恒兴西路之间路段）、白马路(京承高速至李木路之间路段)、乾安路（顺丰大街至白 85 马路之间路段）、右堤路（昌金路至复兴东街之间路段）、左堤路（昌金路至白马路之间路段）、通顺路（顺丰大街至外环路之间路段）、坤安路（顺丰大街至复兴四街之间路段）、顺丰大街（乾安路至右堤路之间路段）、顺恒大街（乾安路至坤安路之间路段）、复兴四街（通顺路至右堤路之间路段）、复兴东街（通顺路至右堤路之间路段）、李木路（赵陈路至白马路之间路段）、赵陈路（李木路至顺密路之间路段）、和新街（上宏西路至李魏

149、路之间路段）、北小营大街（顺密路至李魏路之间路段）、顺密路（北小营大街至赵陈路之间路段）、顺密路（赵陈路至白马路之间路段）、上宏西路（北小营大街至赵陈路之间路段）、上宏中路（北小营大街至赵陈路之间路段）、上宏东路（北小营大街至赵陈路之间路段）、李魏路（北小营大街至赵陈路之间路段）。2.4 房山房山 2018年9月19日，由北京市房山区人民政府，中国移动联合主办，中国移动全资子公司中移智行网络科技有限公司承办的首届中国移动5G自动驾驶峰会在京开幕。会上，中国第一条5G自动驾驶车辆测试道路，5G自动驾驶联盟建立及领先计划，中国移动“和路通”智能ETC的重磅发布，开启了5G汽车联网应用的序幕。中国第

150、一条 5G 自动驾驶车辆测试道路位于北京房山高端制造业基地，该道路可提供 5G 自动驾驶所需的 5G 网络，5G 边缘计算平台，5G-V2X 能力，5G 高 86 级定位能力，帮助科技创新企业开展网联自动驾驶汽车的研发，生产，质量检测试，为 5G 自动驾驶产业打造良好的研发，孵化环境。房山开放道路 11 条，总长度 18 公里。2018年9月12日通告测试道路清单：启望街（启航中路至普安路之间路段）、迎宾南街（弘安路至普安路之间路段）、启航西街（弘安路至普安路之间路段）、启航中路（启望街至启航街之间路段）、广翔路（启望街至启航街之间路段）、启航街（广茂路至普安路之间路段）、智慧西街（广茂路至弘

151、安路之间路段）、智慧东街（广茂路至弘安路之间路段）、交道西街（广茂路至弘安路之间路段）、广茂路（启航街至交道西街之间路段）、弘安路（启航街至交道西街之间路段）。3 封闭测试场封闭测试场 3.1 海淀基地测试场海淀基地测试场 国家智能汽车与智慧交通（京冀）示范区海淀基地是北京首个自动驾驶封闭测试场，占地近200亩，道路里程4.8公里。基地具有典型京冀交通特点与华北典型气候特点，具备搭建城市乡村全场景的测试条件。道路种类 包括城市主干路、城市次干路、城市支路、公路等；道路形态包含陡坡路、拱桥路、急转弯路连续弯道、林荫路、起伏路、限高路、水泥路和砂石路等；交叉路口包括红绿灯路口、XY异形交叉口、多支

152、路环岛、多出入口主辅路等。场地道路种类形态丰富，交通场景典型，对自动驾驶车辆的测试训练有很大的价值。87 （资料来源：智能车联）3.2 亦庄基地测试场亦庄基地测试场 亦庄封闭测试场占地650亩，依据T1-T5级别测试需求建设，涵盖高速公路、山路、乡村道路、城市复杂环路、铁路、隧道等多种交通场景，2018年中旬竣工使用。该封闭试验场立足京冀，面向全国；具有便利的京津冀交通条件与华北典型气候特点；拥有支持V2X与面向美国SAE自动驾驶L4级以上的测试能力；结合智能交通系统管理与控制；具有高速、城市与乡村全场景。88 （资料来源：智能车联）3.3 顺义在建测试场顺义在建测试场 北小营镇全封闭无人驾驶

153、测试场项目占地约300亩，围绕智能网联汽车测试软件开发、智能硬件研发、测试、无人驾驶赛道、汽车文化等功能，建成全封闭式智能汽车实验和测评基地。截至到4月，该项目已完成整体工程进展的60%，其中，测试场地已完工、场内四栋附属设施完成桩基截桩和压桩实验及褥垫层施工，预计2021年上半年全部投入使用。89 4 测试测试 截止到2019 年12 月31 日，有13 家企业，涵盖6 家互联网企业、6 家主机厂、1 家地图厂商共计77 辆车，参与了北京市自动驾驶车辆一般性道路测试，路测里程达104 万公里。申请企业数、车辆数、路测里程均位居全国第一。其中，2019 年度，有12 家企业，73 辆车参与北京

154、市自动驾驶车辆一般性道路测试，并首次为百度公司40 辆车，发放了允许载人测试的联席审查意见。截至2020年6月，北京自动驾驶车辆的道路测试路程已超过158万公里。近日，北京市公布了2020年自动驾驶车辆道路测试资格名单。获得测试资格的有百度、小马智行、戴姆勒、奥迪、美团旗下三快在线，以及丰田汽车研发中心（中国）。相比2019年的名单，会发现蔚来汽车、腾讯、苏州滴滴等没有出现在2020年的名单里。5 道路测试监管道路测试监管 为了满足北京自动驾驶车辆道路测试服务的需求，智能车联在北京市自动驾驶测试管理联席小组的指导下开发了全国首套自动驾驶道路测试监管平台。该平台能够准确，客观，公正的记录自动驾驶

155、车辆在实际道路测试中的行为，通过对 90 监管数据的溯源、挖掘、分析，为北京市自动驾驶政策的改进与优化提供数据支撑，以此来保障自动驾驶车辆道路测试安全可控。2020年1月，北京市三委、局公布了关于采纳自动驾驶车辆道路测试能力评估内容与方法 T/CMAX 、自动驾驶车辆封闭试验场地技术要求 T/CMAX 和北京市自动驾驶车辆模拟仿真测试平台技术要求T/CMAX 121的通知，确认采纳三个标准。91 八八 智能网联汽车封闭测试场建设方案智能网联汽车封闭测试场建设方案 1 背景背景 2021 年 7 月 30 日，工业和信息化部发布了关于加强智能网联汽车生产

156、企业及产品准入管理的意见（下称意见）。此前，4 月 7 日工业与信息化部发布了 智能网联汽车生产企业及产品准入管理指南（试行）（征求意见稿）。该指南的附件 3 智能网联汽车产品准入测试要求。规定申请准入的智能网联汽车产品应至少满足 1）模拟仿真测试要求、2）封闭场地测试要求、3）实际道路测试要求、4）车辆网络安全测试要求、5）软件升级测试要求和 6）数据存储测试要求。目前自动驾驶算法测试大约 90%通过仿真平台完成，9%在测试场完成，1%通过实际路测完成。随着仿真技术水平的提高和应用的普及，行业旨在达到通过仿真平台完成 99.9的测试量，封闭场地测试完成 0.09，最后 0.01到实路上去完成

157、，这样可以使自动驾驶汽车研发达到更高效、经济的状态。另外一方面，与汽车自动驾驶由众多汽车厂家投资研发不同，车路协同技术中路侧边缘计算智能驾驶汽车模型因为基础设施投资巨大，真实道路没法试验等因素，一直无法开展。因此亟需需要一个可以验证路侧智能驾驶汽车模型的环境，促进车路协同的技术发展。相关主要标准规范如下：自动驾驶封闭测试场地建设技术指南（暂行）2018 智能网联汽车测试场设计技术要求（TCSAE 125-2020）自动驾驶车辆道路测试能力评估内容与方法 TCMAX 自动驾驶车辆封闭试验场地技术要求 TCMAX 北京市自动驾驶车辆模拟仿真测试平台技术要

158、求 TCMAX 121-2019 智能网联汽车生产企业及产品准入管理指南（试行）（征求意见稿）92 2 总体建设总体思路总体建设总体思路 2.1 建设目标建设目标 总体目标为通过建设道路、桥梁、隧道、交叉口、停车场等测试研究所需典型道路交通基础环境，完善场地内交通环境如模拟行人、自行车、机动车等，气象环境如雨、雪、雾等智慧公路和自动驾驶领域技术研究条件，实现可同时满足智慧道路、自动驾驶不同厂商客户研究需要，促进其相关新技术研究、技术验证和测试工作。分项目标为：建设道路基础设施，满足封闭场地实际驾驶测试的各种场景测试要求。建设大数据中心，实现自动驾驶、车路协同的大数据存储、信息交换和共享。建设智

159、能网联测试服务平台，用于实时感知、监视、传输数据、和管理测试场的交通环境和测试进程。建设模拟驾驶测试平台，实现高水平的驾驶模拟测试。2.2 平台架构平台架构 93 图 2 智能网联车测试服务平台逻辑架构 2.3 主要建设内容主要建设内容 建设内容主要包括基础设施建设和智能网联车测试服务平台。概括起来为“11711”，即 1 套基础设施、1 个数据中心、7 个应用系统平台、1 套支撑和 1套配套工程。3 建设内容建设内容 3.1 基础设施建设基础设施建设 3.1.13.1.1 道路基础设施道路基础设施 根据相关标准建设高速、城市、乡村等各类测试道路，其中包括直路、弯道、坡道等各种道路线型，包括十

160、字交叉、丁字交叉和环岛等各种交叉路口形式，还包括立交桥和涵道等特殊的道路条件。3.1.23.1.2 交通模拟基础设施交通模拟基础设施 根据项目需求，需要建设以下交通模拟设施：模拟湿滑路面设施、模拟雨天设施、模拟雾天设施、模拟夜间路灯设施、模拟光照设施、模拟收费站、模拟加油站、模拟充电站、模拟高速服务区、模拟街景设施、模拟停车场、模拟限高设施、模拟限宽设施、模拟公共汽电车站台、道路隔离设施与安全设施、减速带等。3.1.33.1.3 交通标志和标线交通标志和标线 根据国标，为测试道路建设相应的各类标志、标线。常用和主要的交通标志和标线要配齐。3.1.43.1.4 交通信号灯交通信号灯 在交叉路口宜

161、部署交通信号控制系统，为自动驾驶车辆测试提供城市道路环境下真实的交叉路口场景，自动驾驶测试车辆可通过信号机数据获取丰富的交叉 94 口信息。信号机应满足GB 25280标准要求，并兼容国家运输ITS通信协议（NTCIP）协议。3.1.53.1.5 动态交通模拟设备动态交通模拟设备 项目建设模拟机动车、非机动车、人、动物等设施。根据需要不同，各类设施可细分如行人包括成年人、儿童、老人和残障人士等。交通流模拟设备还包括施工区、障碍物、事故现场和交通管控等。3.1.63.1.6 网联通网联通信设备信设备 部署 C-V2X 网联通信方式，部署的 C-V2X 网联通信设备应支持蜂窝通信（Uu）和直连通信

162、（PC5）两种工作模式，且符合国家和国际相关标准的要求。网联通信路侧设备依据场地内道路实际情况及自动驾驶评估内容专项要求合理部署。95 图 3 V2X 网络通信架构 3.1.73.1.7 高精度定位增强设备高精度定位增强设备 布设差分基站，提供高精度定位差分信号，差分信号应满足：北斗和 GPS 等多种制式多频点差分增强信号；支持 RTD 和 RTK 差分信息。兼容性要求能够接入国内外主流厂家生产的移动终端。3.1.83.1.8 交通感知设备交通感知设备 建设包括视频、毫米波雷达、激光雷达等各类感知设备。（1）视频监控功能要求 交通现场视频监视。交通行为识别与记录。交通流量和占有率统计。车牌图像

163、自动识别。（2）毫米波雷达功能要求 96 实现中心对部署的雷达设备的统一管理。通过以太网，可以对各个雷达安装的参数、道路信息、交通配置信息进行数据下发。定时输出车辆排队信息，包含排队车辆数、排队长度、排队次数等。定时输出断面过车信息。虚拟线圈检测功能，可提供基于断面的车辆存在信息。（3）激光雷达功能要求 识别路侧激光雷达所在区域的固定结构，如固定顶杆、路面、道路边界等。识别道路环境中的非固定物体。通过目标聚类，对大型车辆、小型车辆、行人、非机 动车或其他障碍物进行分类。对目标进行连续跟踪，输出目标的位置、大小、速度、方向，推算目标轨迹。3.2 大数据中心大数据中心 建设车路协同大数据中心和技术

164、数据交互平台，实现 V2X 数据的采集、清洗、治理、融合、存储和共享。为车路协同的研发、测试、运行运营、应用验证、产业化提供信息交互数据共享的基础云平台。数据中心提供智能网联驾驶云服务，采用云边端三级体系，结合移动边缘计算技术，具备支持车辆接入的横向扩展和应用运行智能动态调度能力，满足智能网联驾驶协同感知、决策与控制的低时延、高可靠性、高安全性要求的专业云平台 PaaS 服务。3.3 智能网联汽车测试服务平台智能网联汽车测试服务平台 3.3.13.3.1 智能感知实时监控平台智能感知实时监控平台 实时采集和处理 V2X 通信传来网联车辆信息，采集和处理来自交通管理设施（如信号灯）和道路感知设施

165、（如视频监控、毫米波雷达、激光雷达等）的数 97 据，对数据进行清洗、处理和融合，得出交通现场环境的整体信息。一方面，展示现场实时交通状态，测试车辆的位置信息和轨迹，实现对场地智能网联场地全域、可视化运营管控。另一方面，将数据共享给其他测试车辆和测试、研究人员，对数据进行分析和技术验证。同时平台可以实时各类监测设备运行状态，通过对各项数据进行分析，进而实现一体化、数字化、自动化的运维。3.3.23.3.2 高精动态地图服务平台高精动态地图服务平台 高精动态地图服务平台作为“车、路、云”动态数据汇聚平台，将打通高精地图所需的各类数据接口，实现“车、路、云”等多源动态数据的汇聚，构建智能网联汽车及

166、道路交通地理信息系统在线服务体系，支撑在线更新，解决高精地图更新的实时性问题。动态数据汇聚平台汇聚车端、路侧端、第三方平台动态数据，支撑高精静态地图和动态地图更新。高精静态地图和动态地图的安全推送及精准推送。静态地图和动态地图的推送有两种形式，一种是利用无线网络将地图信息推送给车端和路侧端，一种是下发给路侧边缘云再推送给车辆。3.3.33.3.3 智能网联汽车能力评估平台智能网联汽车能力评估平台 平台可自动实现场景任务调度、串联场景切换等服务，可对场景实现统计等业务功能。平台可对评测的自动驾驶车辆的驾驶行为进行统计分析和评分。评估的内容包括认知与交通法规遵守能力评估、执行能力评估、应急处置与人

167、工介入能力评估、综合驾驶能力评估、网联驾驶能力评估等五个方面。3.3.43.3.4 智能网联汽车安全信息服务平台智能网联汽车安全信息服务平台 安全信息服务平台通过对智能感知设备监测到的道路交通异常状态、单车运行异常状况、恶劣天气与路况异常变化实时报警，以便防止场区内发生交通事故。同时可智能语音评判测试车辆违规行为，安全提醒，自动应急响应等安全管 98 理。3.3.53.3.5 智能网联汽车信息安全测试平台智能网联汽车信息安全测试平台 建设 PKI 基础安全信任中心，以路侧通信设施、RSU、OBU 等密码环境为载体，建设适配交通自动驾驶试验场“管、端、云”特性的信息安全保障体系，为试验场安全认证

168、中心平台、各分中心及智能驾驶业务中的 RSU、OBU 等对象签发统一的数字身份标识数字证书，构建安全的网络标识环境，同时在此基础上，开展智能路侧设施、智能网联环境安全认证研究。3.3.63.3.6 智能网联汽车模拟仿真测试平台智能网联汽车模拟仿真测试平台 自动驾驶车辆模拟仿真测试平台包括交通场景模块、传感器模块、车辆动力学模块和测试管理模块构成。交通场景模块用于模拟车辆运行的外部世界；传感器模块用于模拟车辆上安装的各种传感器，从而获得交通场景的状态；车辆动力学模块用于模拟车辆本身对自动驾驶算法控制的响应，特别是对加速、制动和转向的响应。测试管理模块，负责对以上三个部分组成的仿真测试环境的管理，

169、保证仿真测试的效果和效率。一方面，对测试流程进行管理，另一方面，对测试数据进行管理。提供动态交互场景库服务，具备多类基于真实数据的车辆标准化动力学模型，多类型驾驶员模型，交通运行模型以及智能网联驾驶应用输入接口，智慧交通控制输入接口，实现可生成无限场景条件下的交互式仿真测试。提供体系化应用开发与测试环境，包括自动化环境构建、动态库及中间件、软件接口、参考实现、仿真环境、在线测试环境及测试集在内的完整开发工具链。3.4 支撑系统支撑系统 支撑系统包括软件支撑系统和硬件支撑系统两部分。软件支撑系统包括 AI模型库、数据库管理系统、GIS 系统和中间件等；硬件支撑系统包括网络及安全设备、云计算和云存

170、储、以及边缘计算等。99 3.5 配套工程配套工程 配套工程根据实际情况可以使用现有的建筑构建监控中心和计算机房。监控中心建设内容包括大厅装修、大屏幕、控制台、会议系统等；计算机房建设内容包括装修、综合布线、空调、UPS、消防等。4 运营运营 成立专门的运营公司，运营智能网联车试验场。主要收入为场地租金、设备使用租金、数据服务费等。100 九九 网联车辆和移动边缘计算，方便的结合网联车辆和移动边缘计算，方便的结合 2021-05-17 借助边缘计算，5G 蜂窝技术将为多种新型汽车(V2X)应用提供支持 随着云计算的出现，人们对信息管理资源的部署方式以及信息的分布和使用方式的看法已经发生了变化。

171、云计算背后的想法是将数据与与物理硬件相关的潜在限制区分开来。通过将应用程序和数据存储托管在云中，需要处理和访问的数据的物理距离变得遥远。这对将超大规模云数据中心连接到其最终用户的网络提出了额外的要求。随着 5G 及其发展，用户将期望互联社会不受限制地可用，并且用户将在移动中使用诸如增强现实和虚拟办公室应用之类的带宽需求服务。除其他事项外，人们将永远期待 5G 改变我们的驾驶方式！由于添加了各种类型的集成传感器，汽车工业正走在一条道路上，汽车行业正在不断地提高对环境的意识。同时，车辆的自动化程度增加了，在某些中间步骤的作用下，最终将达到无人干预的全自动驾驶。由于连接性以及新 5G 技术的推动，价

172、值链正在向价值网络转变。在这条道路上，车辆之间、车辆与其他道路使用者之间的互动以及日益智能化的道路基础设施的互动数量都在增加。因此，车辆对任何事物(V2X)通信能力的重要性和依赖正成为一项关键资产，它将提高自动驾驶的性能，并通过结合基于传感器的技术进一步提高道路交通安全。101 当我们考虑到新应用程序和服务的处理需求（包括人工智能，“物联网”）以及近乎实时处理和访问数据的需求时，这一挑战就变得尤为突出。云计算在某种程度上带来了虚拟化的便利，但这并不是实时数据收集，处理和分析的理想方法。与其他通信系统相比，V2X 通信系统的高速、动态环境经常混杂着静态和移动散射体，以及天线高度较低，这些都给 V

173、2X 通信系统带来了挑战。具有讽刺意味的是，一种解决方案是将物理基础架构的元素移到需要处理数据的位置。这个想法被称为“边缘计算”。在移动通信的环境中，随着 5G 网络及其处理能力的涌现，边缘计算成为必要。边缘计算通过利用现有移动网络的物理特性来工作。为了方便起见，让我们将网络的边缘定义为最靠近生成数据的已连接设备的网络点。在移动通信网络或实际上任何通信网络的边缘，都有机会将服务器甚至数据存储区放置在离用户更近的位置在这种情况下，我们可以将用户视为人或机器。这种方法减少了往返延迟。在专为边缘计算而设计的网络中，5G 就是一个很好的例子，共有三种方法，我们可以将其称为：蜂窝无辅助 V2V：嵌入式边

174、缘 蜂窝 V2X：RAN，专用 5G 蜂窝辅助 V2V：远程边缘 5G 非常适合于移动边缘计算的概念，也称为多接入边缘计算或 MEC。MEC的好处包括：最小的延迟：最小的延迟：对于某些汽车应用而言，依靠云并不理想，因为基于云的服务相对较慢。随着汽车应用越来越依赖于支持 AI 的应用，这使得云无法在许多汽车应用中使用，例如 ADAS 和自动驾驶汽车应用。服务器和处理能力位于更紧凑的数据中心机柜中。边缘计算更靠近将要访问和使用其过程的位置，从而解决了与云相关的延迟问题。它还可能为云架构无法解决的计算服务创造新的市场。在联网车辆的情况下，使该处理 102 能力更接近联网车辆可以提高处理速度，这意味着

175、实时分析和控制变得可行。维护：维护：设想支持 MEC 的微数据中心是为可访问性和易于维护而设计的，有足够的服务器来承载实时关键功能。这种可访问性和这些环境中所需要的模块化特性的结合不仅有利于维护，而且还确保了冗余，因为当一个站点被管理时，其他邻近的站点可以临时承担负载。环境：环境：与大型集中式数据中心相比，在较小的物理分布式设施中分配计算能力的想法很有吸引力。除了为大型数据中心的处理和冷却提供电力外，还需要考虑连接冗余的问题。对于网联车辆应用，尽管 MEC 带来了优势，但也有许多挑战需要考虑。一个明显的例子是部署 MEC 的物理范围。尽管移动基站被视为部署边缘服务器的首选位置，但并非所有基站机

176、柜都具有这样做的空间。还存在安全问题，人们可以篡改甚至从远程位置删除服务器。另一个考虑因素是是否可以提供三相电源，为一些偏远地区的额外设备供电。这些挑战需要与公共云模型的长期可持续性进行客观评估进行权衡。随着对联网车辆应用程序的需求不断增加，以及数据生成量的不断增加，公共云模型需要改变。如果位置很重要(对于汽车应用程序来说是如此)，这意味着企业计算方法需要改变。超大规模、集中化的云数据中心模型需要让位于更小的、本地化的处理点、更具成本效益的运营模型和分布式位置架构。对于连接的车辆，随着越来越多的车辆连接并生成越来越多的数据（远程信息处理，诊断，信息娱乐，基于位置的服务，V-Commerce 等

177、），5G 和 MEC 的结合减轻了移动网络的压力。这种在移动网络边缘进行数据处理的分布式方法可确保支持更多连接的车辆及其交换的数据-因此，现有网络上可容纳更多的车辆，以及正在处理的更多数据。结合 5G 和 MEC，而不是每个单独连接的车辆定期向网络发送信息，可以根据需要缓存数据并将其传输到主框架。103 5G 将成为业务模式的主要变化，从而实现新服务并改善现有服务。1 优势说明优势说明 2 云边结合的未来云边结合的未来 有人断言，对于网联车辆应用而言，目前形式对公有云的依赖是不可持续的，因此，尽管存在上述挑战，但 MEC 的确提出了一种可行的替代方法。将更多处理移至网络边缘的隐含意义使我们从信

178、息技术领域转向运营技术 104（OT）。这样做的原因是，随着对边缘基础架构的更多重视和关注，负责基础架构管理的人员将是那些迄今为止负责维护和软件支持的人员。因此，为了支持这种新的移动边缘模式，我们看到了对移动网络运营商更加关注运营技术的转变。另一个新兴概念是“边缘云”的概念，这是一种混合方法，实际上是在单个“虚拟”平台中收集的多个物理边缘部署的集合。通过这种方法，移动网络运营商将有机会提供公共云类型的服务，包括 SaaS 和虚拟服务器托管。这些变化对汽车原始设备制造商意味着什么？明确的信息是，对于连接的车辆应用，需要实时或接近实时的处理需要移动网络运营商的新架构方法的支持。对于某些类型的远程信

179、息处理用例，如 ADAS 或自动驾驶汽车服务，依赖于基于云的应用程序是不现实的。任何可以引入较低延迟数据处理的东西都是一个优点，但是 5G 可以自己做到这一点。5G 与 MEC 结合的美丽之处在于，它可以为汽车 OEM 开放一系列具有 V2X 服务和创收机会的新用例。分布式边缘架构使处理和处理的数据的速度和量都可以达到。在确定性应用中使用人工智能，例如最好使用哪种网络连接、何时何地进行 OTA 更新、如何将车辆与周围的基础设施连接，这些都是 5G 与 MEC 结合可以帮助实现的要求。作者：巴斯卡戈斯（Bhaskar Ghose）105 十十 在自动驾驶设计中考虑伦理道德在自动驾驶设计中考虑伦理

180、道德 2021-05-20 每十年都会带来新技术，这些技术对人类生活的影响是如此深远，以至于新一代无法轻易理解在此技术之前的生活方式。关于 90 年代之前没有手机的世界的想法带来了很多的惊奇，甚至对生活在那个时代的今天的成年人来说也是如此。有时，技术创造了一种我们不知道自己需要的新需求手机就是这样。快进 30 年，我们正处于一个 70 年代和 80 年代大多数科幻小说已经成真的时代，其中一些在未来十年中正处于大规模采用的风口浪尖。自主生物（机器人，无人驾驶飞机和汽车）已经到来，并且正处于大规模实施的转折点。如果我们足够幸运，今天活着的大多数人有一天会惊叹于人类曾经真的开车!手机和自动驾驶汽车(

181、AVs)诞生的唯一不同之处在于，自动驾驶汽车已经达到了一种迟来的必要性，而手机一开始就没有这种必要性。这个区别就是人的生命安全。汽车行业在技术上也处于有利地位，能够通过自动驾驶汽车解决这一长期的安全要求。自动驾驶汽车预计将在当前 10 年内上路，并在未来几十年成为主流。实施级别(SAE 级别)将根据地理位置、市场、基础设施和消费者的准备情况，错开并错开时间。电动汽车技术、电池、半导体、传感器、连通性、绘图、远程信息技术、基础设施管理等方面的不断进步，让我们看到了一个有利的局面，即大规模实现自动驾驶汽车不再是 10 年的愿景。我们在 oem 上有真正的汽车发展计划，106 这些计划正在执行中，每

182、个季度都会发布预告片。我们现在还没有到讨论自动驾驶汽车的重要性和必要性的阶段。对于大多数原始设备制造商来说，这是一种既定的选择，唯一的好处就是挽救生命，值得在自动驾驶汽车的研发上投入每一分钱。到 2030 年，全自动驾驶汽车销量将占到总销量的 15%。对 AV 的低估将使我们想到，AV 的实施涉及其运行的核心，即动态决策。只要有决策，就意味着有指导方针。只要有决策指南，就会涉及到与技术，法律和不太明显的道德背景有关的方面。AV 的架构功能可以这样考虑：感知-决策-行动 感知：从激光雷达，雷达，摄像机接收传感器输入 决策：处理数据，决定下一步行动 行动：执行制动，加速或转向方面的计划输出，并确保

183、乘客和行人安全 下面是一个自主/智能战场场景的示例。PDATT 框架-为战场设计机器人：国家的艺术-布鲁斯A斯威特等 107 技术，道德和法律框架的工作决定了决策阶段，从而导致了“可接受的”行动 阶段。快速的底层检查会让我们知道，有大量数据正在为 AV 运作（决策和采取行动）。数据包括地图、实时传感器输入、特定于车辆的位置信息等。从本质上讲，车辆的每次旅行信息不再是车主专有的。做出的决定基本上控制了车辆在道路上的行为。一旦意识到这一点，就很明显，AV 需要服从任何其他人工智能系统的法律和道德严格要求，并且出于零错误空间的安全考虑，可能甚至还要受制于更高的安全性。任何框架都会随着时间和推动因素(

184、技术、社会或其他方面)的成熟而发展；并且需要在应用方面领先于时代。一个强大的框架具有远见。框架的缺点是，它们需要转换成法律约束力才能有效地实现。工程师和科学家通常对与技术相关的最佳实践、规范充满热情，并且善于通过过去发表的研究论文来改善当前的技术状态。企业专注于推出伟大的产品，并确保满足需求。消费者关注的是物有所值。因此，在技术实现中满足道德需求被视为被动目标。随着基于任务的 AI 产品（例如 AV）的实施越来越多，迫切需要为产品带来更强的道德定义。机器越“人性化”，就越需要将道德框架集成到产品中。对于依赖 AI 的产品、信任、了解机器意图及其功能是急需的产品功能。我们想在 AV 设备中看到美

185、德吗？我们是否想看到 AV 中的亲社会行为？我们是否希望 AV 能够即时处理新情况？我们是否希望将文化差异延伸到 AV 行为中(是否按喇叭)？1 科技伦理哲学科技伦理哲学 在这种情况下经常引起注意的示例是通过考虑以下示例场景：如果 AV 撞上了私有财产，您应该责怪谁？（没有人开车！）如果 AV 处于不得不撞向儿童或老年人的强迫情况下，它必须拯救谁（为什么？）人类会做些什么？伦理学基础深入研究伦理学理论并分析其基本前提。道德客观主义和主观主 108 义成为考虑的重点。根据详细的评估和论据，对好，坏，对或错的道德判断。我们需要分析事情的当前状态，从中可以得出一个理想的状态。我们需要分析事情的当前状

186、态，从中可以得出一个理想的状态。伦理研究涉及诸如分享、关怀、合作和承诺等人类价值观。它们还涉及人类的美德，如诚实，勇气，耐心，谦逊，服从。伦理与思考无关，而是与行动的结果直接相关。法律、规则、规章、指示、指导方针、该做和不该做的事情：所有这些都是建立在道德纪律之上的。伦理就是告诉人们什么行为是好的，什么行为是不好的。理想的状态是对善与恶的定义具有普遍的吸引力。伦理价值是复杂的。将它们纳入技术对于改善人类使用这些技术的经验是必要的。将健全和稳健的道德框架整合到技术中被视为迫切需要，因为当它们被部署到大规模生产的自动驾驶汽车中时，将产生乘数效应。在人类如此大的消费中，这有可能是我们第一次通过非人类

187、代理人来委托道德价值观。该尺度涉及历史上任何时候都没有使用过的对人类生活的影响。乌托邦式的目标是要达到这样一种状态，即对一组人类来说，好的事物也对“所有人”都意味着良好的事物。技术的道德基础需要健全，并在所有场景和所有使用情况下都经过测试。控制此问题的唯一方法是通过部署具有凝聚力和并行性的道德框架，该框架将指导技术实施的工作规则。在 AI 的世界中，AV 是一个直接的例子，其中 5V（体积，速度，多样性，准确性和价值）已经超越了 Ethics 框架，与过去的技术革命不同，在 5V 时代，5V 很好地处于了当时的道德框架之内。“移交”和规模是空前的，因此紧迫。这可能是人类有史以来第一次，在如此大

188、规模的消费中，我们将伦理价值的服务委托给一个非人类代理人。该尺度涉及到历史上任何时候都没有使用过的尺度对人类生活的影响。乌托邦的目标是达到这样一种状态，即对一群人来说是好的，并对“所有人”来说也是好的。技术的伦理基础必须是健全的，并在所有场景和所有消费情况下进行测试。控制这一点的唯一方式是部署一个具有凝聚力和并行性的伦理框架，该框架将指导技术实施的工作规则。在 AI 的世界中，AV 是一个直接的例子，其中 5V（体积，速度，多样性，准确性和价值）已经超越了 109 伦理框架，与过去的技术革命不同，在 5V 时代，5V 很好地处于了当时的道德框架之内。这一“移交”及其规模是前所未有的因此，它具有

189、紧迫性。“到 2035 年，人类的思想没有理由也没有办法跟上人工智能机器的步伐。”-Gray Scott 在撰写本文时，AI 中的伦理是一个被广泛讨论和发展的领域。此外，人工智能被应用于医药和自动驾驶汽车等具有大规模影响的领域，需要更高的紧迫感。在那之前，我们将继续依赖于当前的法律框架，而不去探究最近出现的大规模人工智能应用的细微差别。现在的当务之急是为伦理 AI 建立一个被广泛接受的、全面的框架。“真正的问题是，我们何时才能起草人工智能权利法案？这将包括什么？谁来决定呢？”-Gray Scott 一个良好的起点将是与基本伦理一起工作，而不必重新设计它们。我们需要看看在现实世界中，自动驾驶汽车

190、的新交易表现，需要什么样的道德规范。这项任务并不容易。这几乎就像跳上一列行驶的火车，能够跟上创新和实施的步伐。人们所期望的状态是，自动驾驶汽车在所有的感觉、过程和最终行动上都成为有道德的人。这就像人类被期望的功能一样。决策结果总是机器学习/深度学习算法的结果，这些算法执行传感器融合，为车辆的行为和行为提供决策。在我们的神经网络中，奖励的优先级是什么只是金钱利润还是道德利润？2 问题的症结是什么？问题的症结是什么？这是关于能够预先适应道德框架，紧接着是导致技术规范的法律和监管框架，并且几乎必须将其硬编码到产品中，这样在执行时就不会有太多的歧义。在过去，我们的法律和道德框架大多像操作系统一样工作给

191、了很多解释的空间。在不 110 遵守规定的情况下伸张正义，主要是一种事后的做法，基于未能遵守规定的情况下提出的事实的价值。从本质上讲，我们试图减少失败的机会，从而在 AI 实施的情况下进行事后处理。我们可能要面对的是人的生命。3 可能的解决方案之旅？可能的解决方案之旅？OEM 和生态系统成员在其产品开发过程中采用的正确方法是什么？对工程师和技术人员进行道德方面的教育（想想过去二十年来的六西格玛，设计思维或敏捷教育驱动力，涉及各个领域的大多数大型公司甚至带来了思想领导力和文化契合的新水平）花足够的时间去理解道德框架及其实施不要急着去了解产品环境 将哲学专业的学生带入技术开发的主流不要将他们视为孤

192、立的团队中的“好人”成员这些成员是技术追求与人类福祉之间的联系让他们为每个重要步骤提供支持-尤其是在人工智能世界 我们没有意识到，在过去的一些实现中，什么被认为是“重要的一步”这是一个很好的提醒，从字面上讲，技术没有自己的想法 将伦理学家与法律团队相提并论，法律团队已经很好地融入了大多数产品团队 在此背景下，从汽车领域（互联网，网站，社交网络？）交叉传授最佳实践 只要我们努力只满足法律或技术规范，我们就会继续在人工智能领域冒道德事故的风险。我们需要用道德考虑作为产品开发周期中各个里程碑上的检查点来思考产品定义及其实现方法。AI 的大多数定义可以组织为四个视图：(1)像人类一样思考的系统(2)像

193、人类一样运作的系统 111(3)理性思考的系统(4)行为合理的系统 这是通过机器模拟人类的艰巨任务。需要从当前的车辆开发流程中分离出自动驾驶开发框架。这些在很大程度上是由 20 世纪发展起来的法律和技术规范所驱动。原始设备制造商努力满足他们作为最低限度的必要条件，以便能够出售车辆以获取最低利润。符合法律要求，隐含暗示符合道德要求。随着 AI 出现在自动驾驶领域，必须进一步研究可能会或可能不会在当今的法律和法规框架中具有约束力的产品的道德含义。我们需要让道德框架从头开始发挥领导作用这是我们构建产品时最大的远见。对于自动驾驶设备和任何严重依赖数据和人工智能的产品，必须重新审视ELSI（道德，法律，

194、社会问题）。ELSI 需要在基于人口统计学的环境中进行理解，并且 OEM 商需要在自动驾驶领域的每个销售区域（也称为运营设计领域（ODD）中考虑这一点。消除程序员的无意识偏见，确保测试用例的均等性，个人信息的安全性（连接和共享的车辆部署）是人们可以想到的一些非常基本的考虑因素。我们需要道德框架来解决数据、算法、实践和实施相关方面。我想留给读者一个简单的隐藏在显而易见地方的视角转换。自动驾驶汽车与车辆无关，而是关于(自动)驾驶员的。AV 所做的任何事情都将受到与人类驾驶员相同的审查水平以及法律和道德检查。当我们将崩溃、数据泄露或其他不道德和不受欢迎的行为归咎于自动驾驶汽车时，我们该责怪谁呢?这是

195、理解正确的框架进入主流产品开发优先级的迫切需要的最简单的方法。我们需要政府、监管机构、OEM、哲学家、法律团队、零部件供应商，甚至是消费者走到一起，制定出一个剧本。没有这个，我们就不会有自主伦理（车辆）存在！就自动驾驶汽车而言，它对人类生活、社会和谐和未来城市的利害关系更为直接。“人工智能是我们正在经历的划时代变革的核心。如果机器人与公共利益结合起来，它可以使一个更美好的世界成为可能。事实上，如果技术进步加剧了不平等，那就不是真正的进步。未来的进展应面向尊重个人和创造的尊严。让我们祈祷机器人和人工智能的进步能够永远为人类服务我 112 们可以说，愿它“是人”。弗朗西斯 我们是否要回到古代，伦理

196、学推动科学探索的时代?这一次，它将更加丰富和有益!作者：维杰戈帕拉克里希南（Vijai Gopalakrishnan）113 十一十一 人工智能人工智能 AIAI 在智能交通领域中的应用在智能交通领域中的应用 【摘要摘要】人工智能(AI)是指机器执行人类能够轻松完成的感知、推理、学习和解决问题等认知功能的能力。过去 20 年以来，由于互联网产生的海量数据的可用性，人工智能在全球范围内获得了关注。最近，使用高级算法处理这些数据给政府和企业带来了巨大的好处。物联网、机器人过程自动化、计算机视觉、自然语言处理等各种技术支持的机器学习算法的强劲增长，使人工智能的增长成为可能。本文是将交通运输业的各种问

197、题分类为智能交通系统的汇编。考虑的一些子系统与智能交通系统的交通管理、公共交通、安全管理、制造和物流相关，人工智能的好处被投入使用。这项研究涉及交通运输业的特定领域，以及可能使用人工智能解决的相关问题。该方法涉及根据从各种来源获得的国别数据进行二次研究。此外，全球各国都在讨论解决交通行业问题的人工智能解决方案。1 1 介绍介绍 技术过去一直是企业的问题解决者。无论是零售、银行、保险、医疗保健甚至体育。其中一些解决方案通过降低运营成本、提高效率和提高效率改变了企业的运营方式。即将成功实施最新技术的即将到来的领域之一是交通运输行业，该行业受到与交通拥堵、意外延迟和路线问题相关的问题的困扰，这些问题

198、导致经济损失。运输业一直是不同地理区域人员和货物流动的主要贡献者。它在货物从一个地方转移到另一个地方的供应链管理系统中发挥着重要作用。该行业在将货物在物流链中的精确时间移动到正确地点的过程中发挥着关键作用。为了从商业投资中获得全部收益，政府和组织使用了机器学习、人工智能、物联网等技术。1.11.1 人工智能（人工智能（AIAI）人工智能(AI)是计算机科学的一个广泛领域，它使机器像人脑一样运作。人工智能也被定义为机器执行人类认知功能的能力。AI 一词最初是由计算机科学家 John McCarthy 在 1956 年创造的。由于通过各种设备生成的大量数据的可用性，以及高效硬件、软件和网络基础设施

199、的可用性，这个已有 60 年历史的概念 114 最近引起了热议。人工智能的出现使流程自动化成为可能，从而产生创新的业务解决方案47。AI 提供可靠且具有成本效益的解决方案，同时解决决策过程中的不确定性。由于流程自动化，高级算法处理复杂数据的能力促进了企业更快的决策10。随着人们对环境的日益关注，人工智能已成为通过改造传统行业和系统来解决气候变化和水问题的解决方案提供商。这些能力帮助政府建设可持续城市，从而有助于保护生物多样性和人类福祉23。美国和中国目前主导着人工智能世界。普华永道的一份报告估计，到 2030年，人工智能将为世界经济贡献 15.7 万亿美元。在美国，学术体系已经产生并孵化了与人

200、工智能相关的研究；而在中国，政府提供资金和技术来利用人工智能的潜力。中国计划到 2030 年至少投资 70 亿美元。加拿大和英国通过宣布为私人和公共人工智能企业提供资金的交易，加大了对技术的投资20。加拿大在 2017年承诺为人工智能研究投资了 1.25 亿美元。法国政府将在 2022 年之前投资 18亿美元用于人工智能研究。该国计划从私营公司提取数据以供公开研究。俄罗斯每年在人工智能上的花费估计为 1250 万美元，主要用于军事领域。1.21.2 人工智能和交通人工智能和交通 全球大多数大城市都面临与运输、交通和物流相关的问题。这是由于人口的快速增长以及道路上车辆数量的增加。为了有效地创建和

201、管理可持续的交通系统，技术可以提供巨大的支持。随着城市地区陷入交通拥堵的困境，人工智能解决方案出现在访问车辆的实时信息以进行交通管理，并通过统一的系统在旅行计划中按需利用移动性。基于人工智能的决策、交通管理、路径规划、交通网络服务和其他移动优化工具的安全集成使得高效交通管理具备可能性（交通，2019）61。人工智能被世界经济论坛视为新兴技术之一。支持运输的 AI 方法包括人工神经网络(ANN)、遗传算法(GA)、模拟退火(SA)、模糊逻辑模型(FLM)和蚁群优化器(ACO)。在交通管理中部署这些技术的目的是缓解拥堵，使通勤者的出行时间更加可靠，并提高整个系统的经济性和生产力1。通过技术连接的车

202、辆可以预测道路上的交通状况，从而提高驾驶效率。研究文章41提出了三个观点。115(1)评估准确的预测和检测模型，旨在预测交通量、交通状况和事故；(2)通过探索人工智能的各种应用，公共交通作为一种可持续的出行方式；(3)联网车辆旨在通过减少高速公路上的事故数量来提高生产力40。已经在全球范围内进行了几项研究，以解决与运输行业有关的问题。在该行业人工智能技术支持下的研究成果为这一重要的发展领域带来了希望。1.31.3 智能交通智能交通 近年来，随着跨行业的多种技术设备的激增，产生了大量数据。这些数据在企业、政府和社会的决策过程中变得很有价值。交通运输业是城市建设的生命线，在数据生成和使用方面不能落

203、后。该部门在城市发展中发挥着重要作用，因为它会影响人员、流程和利润。为了实现数据生成，汽车制造商一直积极主动地制造可以安装在车辆上的设备，用于运送人和货物。这些设备产生的数据由专家远程监控。政府和企业能够根据使用各种应用程序生成的数据进行实时决策。近年来，与交通和技术有关的各种创新应用正在建设中。应用程序开发人员关注的是一种面向流程的系统方法，该方法具有明确的目标，并嵌入了反馈机制，以衡量与运输行业相关的解决方案的结果。运输管理系统(TMS)属于运输管理领域，具体涉及运输业务。这些系统的目标是使用数据建立有效的路线规划、负载优化、提高灵活性和透明度。根据Gartner，该领域预计将快速增长42

204、。城市的交通战略与信息系统相关联，以便更好地管理，该系统将专注于采集、处理、传输和管理由此产生的数据。在过去的几十年里，由于智能技术的出现，各种物流、路线、地图和规划的信息系统正在开发中。这些系统提供了更好的数据处理能力，以更好地规划运输过程，从而实现智能运输系统(ITS)13。从用户和车辆生成的数据用于构建高效的 ITS。由于跨车辆、城市基础设施和其他相关活动的信息获取、交换和集成，将 ITS 构建到交通系统中确保了性能的提高。据观察，ITS 支持城市当局和车辆用户的决策过程。用户和车辆产生的数据被用于构建高效的 ITS。将 ITS 纳入交通系统，通过 116 车辆、城市基础设施和其他相关活

205、动的信息获取、交换和集成，确保了性能的提高。据观察，ITS 支持城市管理单位和车辆用户的决策过程。本文的重点是智能交通系统，它是交通管理系统的一部分。采用基于桌面的方法来整理人工智能技术，以解决交通行业问题，构建可持续的交通系统。识别和讨论了 ITS 各种子系统的好处以及对运输行业产生积极影响的人工智能应用。数据来自研究论文、政府报告、期刊文章和咨询机构的报告。早期研究中采用的一些框架被认为是当前研究中确认子系统的基准。这项工作将帮助企业和政府采用这些技术，并根据给定的场景构建相关的解决方案。2 2 文献调查文献调查 人工智能已经对医疗保健、零售、银行、保险、娱乐、制造和运输等各个行业造成了重

206、大冲击。人工智能在交通运输中的几个用例已经过试验和采用，证明了这个市场正在上升的事实。随着与人工智能相关的技术进步，交通运输业向在车辆上嵌入方便用户使用的设备的方向发展。这导致了使用设备生成的数据建立ITS。当前形式的人工智能能够解决实时运输中的问题，从而管理物流系统和货运的设计、运营、时间表和管理。其他一些应用包括旅行需求分析、交通组织、行人和群体行为分析。AI 技术允许将这些应用程序用于整个运输管理车辆、驾驶员、基础设施以及这些组件动态提供运输服务的方式59。在难以完全理解交通系统特征之间复杂关系的领域，人工智能方法提供了智能解决方案1。31的研究专注于两个领域，即人工智能和交通。人工智能

207、一方面带来了巨大的机遇，另一方面也带来了与安全相关的重大挑战。从 2000 年代中期开始，用于商业目的的交通私有化带来了新的研究机会和计划，并在这些领域取得了相当大的进步。国际公共交通协会(UITP)和陆地运输管理局(LTA)联合资助的一项名为“公共交通中的人工智能”的研究项目是通过文献回顾、定量调查、用例、专家博客和构思研讨会进行的。该报告概述了人工智能应用16在公共交通中的各种用例，以及人工智能在公共交通系统中的未来可能会怎样。咨询公司普华永道进行了一项全国性调查，以通过在线模式了解人工智能对金融服务、技术和制造等广泛领 117 域的决策者和雇员的影响。研究发现，青少年对交通相关技术的适应

208、性更强48。早期采用者和进步的公共交通利益相关者预计人工智能将进一步融入未来的移动性24。人工智能能够在不同程度上通过不同的方法、方法和技术发挥作用，表现出逻辑推理、解决问题和学习的能力。人工智能可以基于硬件（机器人）或软件相关（谷歌地图）。数据驱动的人工智能将机器学习技术与用于搜索和分析大量数据的技术相结合。人工智能有助于发现市场趋势、识别风险、缓解交通拥堵、减少温室气体和空气污染物排放、设计和管理运输、并分析出行需求和行人行为（Niestadt、Debyser、Scordamaglia 和 Pape，交通人工智能，2019）43。数据和人工智能驱动的应用和服务是实现提供最佳移动性愿景的主要

209、基石。为了在城市中建立有效和高效的移动生态系统，需要一种整体的移动管理方法。联网车辆实时发送数据，从而产生大量数据。随着运输需求的不断增加，通过设备的数据增长也在增长；因此，需要对道路交通进行更智能的管理57。表 1 给出了人工智能在交通应用中目前开始商业化或正在研究试验中的一些关键功能。表 1 AI 功能和用例 人工智能功能人工智能功能 用例用例 非线性预测 交通需求建模 控制功能 信号控制，动态路线引导 模式识别 用于道路或桥梁交通数据收集和裂缝识别的自动事件检测、图像处理 聚类 根据行为识别特定类别的驾驶员 规划 基于人工智能的交通规划决策支持系统 优化 设计最佳交通网络，制定维护路面网

210、络的最佳工作计划，制定一组交通信号的最佳配时计划 改编自（Sadek，交通运输中的人工智能应用，2007）5450的研究重点是智能车辆道路系统的监测、控制和管理的先进系统。这里讨论的是复杂网络中的非重复拥塞。该研究提出了一种基于人工智能的解决方案，在主干道交通管理中采用多个实时知识相关专家系统。支持向量回归(SVR)和基于案例推理(CBR)两种人工智能范式被用于大规模网络和复杂仿真模型的评估。11研究通过比较交通状况的预测来评估两种模型的结果。在这项研究中，一个基于代理(Agent)的控制系统监测交通、道路事故和其他运输活动。文章22比较了部署在巴塞罗那 118 附近的智能交通管理系统上的两个

211、集成自主代理，这些智能交通管理系统为实时交通管理提供决策支持。51研究探讨了自主智能代理在城市交通控制(UTC)中的适用性。该研究提出的系统可以为动态环境设计、实施、优化和调整协调 UTC。该模型可应用于多个交通信令智能交叉口。这些代理能够响应实时交通状况，并保持其稳定性和完整性。与自动驾驶汽车(AV)相关的技术有可能影响车辆安全和出行行为。它们确保减少旅行时间并提高燃油效率。目前，这些技术已经成为颠覆性的，为交通系统带来了巨大的好处。然而，与更大群体的采用和高昂的采用成本相关的挑战仍然存在。政府在责任、安全和数据隐私方面的法规不确定，导致自动驾驶汽车的市场渗透率较低。对低速自动紧急制动系统有

212、效性评估的研究发现，采用该技术的车辆可将追尾事故减少约 38%19。在目前的情况下，交通的主要问题是拥堵、安全、污染和对流动性的需求增加。解决所有这些挑战的潜在解决方案之一可能是自动驾驶汽车36。这些车辆通过传感器技术25和连接解决方案68从其物理和数字环境中收集数据。联网汽车能够通过智能设备访问互联网，也能够与其他汽车和基础设施进行通信。他们从多个来源获取实时数据，支持司机在驾驶过程中强大的压力下进行操作。这些汽车确保了安全性和可靠性12。模式识别与图像处理一起用于自动事件检测和识别路面或桥梁结构中的裂缝。聚类技术用于根据驾驶员行为识别特定类别的驾驶员（Sadek，交通运输中的人工智能应用，

213、2007）54。文章35提出了使用技术制造车辆的新模型、方法和形式。这导致了在汽车制造中采用技术来构建智能汽车。该研究讨论了人工智能技术对一个国家的各种业务和经济的影响程度15。福特汽车公司已成功将人工智能集成到主流制造流程中，为组织提供竞争优势。该研究侧重于制造智能系统的流程规划和部署（Rychtyckyj，福特汽车公司的智能制造系统，2007 年）52。研究64提到用于自动驾驶汽车的技术的最初演示可以追溯到 1939 年。Google 公司开发的大多数自动驾驶汽车都依赖于自己开发的摄像机、雷达传感器、激光测距仪和地图。自动驾驶汽车不仅会影响单个公司的运作，还会影响国家和世界经济63。由于与

214、不同利益相关者的网络能力，制造业和物流产生了大量的数据。由于 119 运输业在物流中扮演着重要的角色，因此只有通过各种操作技术的应用来使用生成的数据才是合适的。通过模拟39的过程，提出了基于 Agent 的供应链优化方法。45这项研究思考了一个事实，即带有人工智能的无人驾驶汽车是否会对人类产生负面影响。极端的自动化可能会导致机器出现漏洞。这些综合智能系统容易受到网络崩溃或外部机构黑客攻击等系统性风险的影响。该研究提出了“产业5.0”，它可以使大数据中的知识协同生产大众化。研究文章62认为运输系统是物流链中的关键要素，因为它提供了分离的物流活动之间的联系。物流的改善对整体业务的贡献是由于技术的影

215、响。该研究旨在帮助物流管理人员、研究人员和运输规划人员定义和理解物流的基本观点及其各种应用以及物流与运输之间的关系。物流不仅限于货物跨空间移动以及减少供应链中的时间和成本。它的范围扩大了，也成为战略管理的一部分。因此，将核心业务信息系统与一套现代分析和人工智能工具相结合，从各个来源发现相关知识是非常重要的。这有助于管理不确定性和获得竞争优势33。研究9结合各种人工智能技术实现四个视角，即知识获取、服务物流、服务自动化和绩效衡量。交通在构建响应式物流信息系统方面发挥着更大的作用；因此，机器学习概念支持识别需求模式和相应的补货策略34。该研究标志着当前物流场景过程的系统发展65。我们可以看到，智能

216、系统在以交通运输业为支柱的物流业中发挥着越来越大的作用。运输功能发生了结构性变化，影响了运输物流的演进8。一方面，由于采用了人工智能，道路上的事故和死亡人数可能会大幅减少;另一方面，我们可以预料到技术性失业32。通过对解决交通问题的应用的详细背景研究，可以明显地看出，人工智能在利用数据构建高效的交通系统方面发挥着重要作用。目前的研究试图代表人工智能的各种概念和应用的发展，ITS 作为 TMS 的一部分。在各种可用的应用中，研究的范围缩小到智能交通管理系统、智能公共交通系统、智能安全管理系统和智能制造与物流系统，以构建可持续的交通系统53。在这些系统中，AI 的作用和相应的成效将在第 3 节中讨

217、论。此外，第 4 节讨论了世界各国交通运输业相关问题的人工智能解决方案。结论部分整理了通过人工智能实施交通运输业面临的各种挑战和建议。120 3 3 框架框架 从早期的研究中可以看出，人工智能在构建智能交通系统时的成效尚未得到充分探索。目前的研究探讨了在不同国家部署的交通运输行业的 ITS 应用。作为经济生命线的运输业似乎正在努力解决全球范围内的各种运营问题。与运输业相关的问题导致一个城市乃至一个国家的进步放缓。TMS 是一个好消息，它可以使用各种技术来克服运输问题的系统。TMS 帮助企业计划、执行和优化货物的物理移动。由于数据可用性和远程监控，TMS 确保及时交付货物，从而提高客户满意度。这

218、通过增加销售额使企业受益。TMS 通过使用适当的工具（例如路线优化）来提高车队绩效并减少供应链支出。由于数据是远程收集并受到严密监控，因此记录了对交付、结果和回报的端到端理解，从而提高了透明度。TMS 使用技术来规划、执行和优化货物运输，以帮助企业蓬勃发展。这些应用程序被制造商、分销商、零售企业和从事物流业务的公司使用。TMS 的主要功能包括路线确定、出站/入站物流流程、路线调度、第三方物流供应商服务、货运代理、服务代理、运输跟踪和路线调度和运输计划的批量处理（图 1）。可以看出，与 TMS 相关的功能与货物运输有关。TMS 将多个运输应用程序集成到一个包中，以便更好地使用。121 图 1 T

219、MS 的功能（来源：ValuecConsulting，2013）使用 AI 和机器学习使 TMS 变得更加智能，以提供准确的预测。目前正在使用的一些技术包括：物联网(IoT)设备和传感器、数字助理、交货时间预测解决方案、运输规划解决方案、区块链等。智能交通系统(ITS)是从 TMS 发展而来的。一个能够根据给定的场景，使用安装在车辆上的设备生成的数据做出适当决定的系统被称为智能运输系统(ITS)。过去的研究表明，对 ITS 的综合方法包括运输基础设施和运输管理。ITS 作为一种新型的 TMS，已逐渐被自动化控制系统所取代。它们已经发展成为对危险情况的预测，并有可能利用大量复杂的数据作为决策工具

220、。ITS 还通过在动态环境下的自动数据收集影响了运输系统的高效运行29。典型的 ITS 需要来自各种设备和传感器的输入数据。这些数据被远程监控和处理。从处理过的数据中得出的洞察力被认为是政府和企业做出决策的宝贵输入。这种系统方法通过反馈机制确保性能的持续改进。输入数据来自安装在交通管理基础设施、车辆和道路基础设施中的各种设备。管理部门监控数据并确保及时将数据传播给通勤者、司机和行人，从而使利益相关者受益。122 智能交通系统由公共交通、交通信息、停车管理、交通管理与控制、安全管理与应急、路面管理（图 2）。这是智慧城市特有的（Agarwalet al.,2015）3。为了通过 ITS 建设有效

221、的智慧城市，将系统能力构建到城市的各种运营活动中是很重要的。如图 2 所示，城市中的一些活动包括公共交通、交通管理、停车管理、路面管理和安全管理。通过 ITS，通勤者、行人、交通和整个社会都受益。图 2 开发智能交通系统的各种子系统（来源：Agarwal 等，2015）Hamida 等人在 2015 年进行的研究5将智能交通系统的各种应用分为四个主要类别，如图 3 所示。(1)信息娱乐和舒适度；(2)交通管理；(3)道路交通安全，和(4)自动驾驶。123 图 3 ITS 应用的分类（来源：Hamida 等，20155）这些应用程序从车辆收集数据以提高其效用，从而确保驾驶员安全并增强公共交通设施

222、。ITS 应用程序是数据的生成器，这些数据反过来又有助于管理部门的决策过程，以更好地管理公共场所。其中一些应用与乘客舒适度、改善驾驶员体验和高效道路管理有关。公共交通系统的最终受益者是道路使用者。可持续公共交通系统的智能交通系统(ITS)框架考虑了 ICT 技术、自动化交通系统、交通管理中心和先进的旅客信息系统60。图 4 中给出的框架分为四个阶段，从作为数据来源的道路使用者开始，通过 ITS 实现最终的经济增长。围绕交通系统构建的应用程序需要牢记生成数据的受益者。一旦使用 ICT 构建应用程序，它们不仅可以提高流程效率，还有助于实现运输系统的可持续性，从而实现更好的经济增长。图 4 公共交通

223、系统的 ITS 框架实施（来源：Abijede O 55）使用 ITS 构建的一些应用程序可确保交通管理、交通信号控制、车辆导航系统、智能停车管理等。ITS 需要一个跨城市基础设施共同运作的技术网络（Shaheen 124&Finson，2019 年）56。29讨论的 ITS 问题分类包括性能监控、交通管理、改进的运输过程、对交通参与者的信息支持以及运输基础设施管理。ITS 遵循系统方法，当前的研究将 ITS 的各个子系统视为一个分类来探索人工智能解决方案的成效是合乎逻辑的。考虑用于研究的子系统的图解表示在图 5 中给出。这些与交通系统相关的子系统（表 2）是从先前研究中描述的各种框架中得出的

224、。分类是根据人工智能解决方案提供的成效进行的，以构建高效的 ITS。本研究中提出的这些子系统总结了 ITS 下的各种活动。图 5 智能交通系统 表 2 ITS 的子系统 ITSITS 的子系统的子系统 描述描述 智能交通管理系统 实时道路管理以避免拥堵 智能公共交通系统 沿不同路线通过道路运送乘客 智能安全管理系统 确保道路上的乘客、车辆和货物的安全 智能制造与物流系统 在汽车制造和货物运输中引入技术 图 5 中给出的每个子系统都根据运输问题的起源进行分类，并以系统的方式组织。此外，还强调了采用技术解决这些问题所带来的成效。本文研究了运输行业中成功采用人工智能并从中受益的组织。4 讨论讨论 4

225、.1 智能交通智能交通 AI 解决方案解决方案 人工智能对运输业领域的贡献是巨大而广泛的。这些解决方案包括自动驾驶汽车、交通管理、优化路线和物流，从而为车辆和驾驶员提供安全保障。ITS 是通过 AI技术使用安装在车辆上的设备生成的数据构建的。125 目前的研究集中在与交通相关的四个子系统即智能交通管理系统、智能公共交通系统、智能安全管理系统和智能制造与物流系统。表（表 3 至 6）描述了 AI的解决方案，相关问题的子系统，AI 的作用和取得的成果的数据源。表 3 交通管理 数据来源数据来源 问题问题 人工智能的作用人工智能的作用 益处益处 之前的研究之前的研究 配备智能系统的车辆 交通拥堵导致

226、成本增加 机器学习工具来预测交通拥堵 更好的节油能力和更少的环境污染 通过评估使用 ML 模型实现的交通参数进行短期交通拥堵预测(Akhtar,Moridpour,2021)38 来自智能手机的数据 路径规划 替代路线建议 节省时间 通过智能手机生成的数据的驾驶员行为监控系统使用 ML 技术17 智能交通系统 不可预测的交通拥堵 空气中污染物质的鉴别 遏制环境污染 使用模糊逻辑结合多个空气质量指标以及模拟退火和粒子群优化技术来识别空气污染（Ly H.B，2019）37 交通灯和车辆 高峰时段交通管理 实时跟踪交通信号灯中的拥堵和算法 控制较高和较低的流量模式 在部署 AI 解决方案进行分析之前

227、，观察从交通灯收集的实时信息以获得最佳的绿-红分布67 来自车辆的数据 增加道路上的车辆数量 模式识别 更好的观察和决策 人工智能技术的稳定性，特别是 ANN 被部署来预测异构交通条件下的交通拥堵（Olayode，2020）44 表 4 公共交通 数据来源数据来源 问题问题 人工智能的作用人工智能的作用 益处益处 之前的研究之前的研究 路网结构、路面、天气和交通模式 数据的可变性 通过机器学习算法预测模式的变化 规划和决策 使用交通量、密度、占用率、旅行时间、拥堵指数进行的短期交通拥堵预测(Akhtar M,Moridpour S,2021)来自司机和乘客的实时数据 交通拥堵 路线优化 缩短旅

228、行时间 用于货物交付的 AI 车辆 交货时间、地点的变化 改善驾驶模式的建议 提高生产力和进一步销售 使用车辆路线优化将预测智能应用于道路运输26 来自智能道路的传感器 路面磨损 自动向管理机构发出警报 道路管理 通过将传感器技术与确保车辆和乘客安全的交通基础设施相结合，实现可持续的 ITS（Ibanez 等人，2018 年）表 5 安全管理 126 数据来源数据来源 问题问题 人工智能的作用人工智能的作用 益处益处 之前的研究之前的研究 长途卡车 连续行驶时间和未知地形 司机健康监测 事故预测 驾驶员生理参数的实时测量被馈送到网络云中，并使用人工智能使用智能车载健康监测系统进行分析46 自动

229、驾驶汽车 低性能和安全问题 盲点警报、自适应巡航控制、高级驾驶员辅助系统 节省司机的时间 自动驾驶汽车可确保减少驾驶员对安全策略的努力和投资（Littman.2021）实时数据传输 增加时间和成本 路线优化 预测车辆体积的预测技术 自动驾驶汽车实时准确地了解车辆位置和状态，从而提高车辆的操控性和安全性2 通过传感器进行监控 修理或加油 远程控制管理 节省燃油，提高里程 安装在车辆上的智能视觉标签提供移动支持和跟踪机制（Li Q，2015）49 表 6 制造和物流 数据来源数据来源 问题问题 人工智能的作用人工智能的作用 益处益处 之前的研究之前的研究 智能汽车 需要维护 结合来自物联网传感器的

230、数据、维护日志创建预测模型 更好的预测和机器故障 通过自动驾驶汽车降低成本并改善低级人群的可及性（Anandakumar、Arulmurugan R、Roshini A（2019）21 联网车辆 维修与保养 联网车辆安排预测性和预防性维护 赋能车辆监控业务 如果联网乘用车能够以更好的用户界面可靠地运行，则它们比手动驾驶的车辆更好（Y David,F Donald(2021)14）配备技术的车辆 生产和运输成本增加 跨车辆和路线共享数据 改善从采购到研发的整个供应链的成本节约 C-ITS合作 ITS 为特定司机提供实时定制信息（Maxime G 等人，2016 年）基于网络的结构 由于手动数据输

231、入而产生大量发票 基于人工智能的系统可以轻松地从网络中检索数据 更快地处理账单、发票 智能手机将家庭连接到车联网车辆以执行重复性任务（Kim Y 等，2017）30 发票和文件 发票异常，合规性验证 欺诈检测的预测和处理 高精度 合同 提取非结构化数据 用于解释发票的自然语言处理技术 提取关键信息 从表 3 中我们可以看出，人工智能为交通问题提供了解决方案，通过建议替代路线，在交通拥堵时实时跟踪交通灯。这有助于有效地管理交通，最终遏制环境污染，建设可持续发展的城市。127 从表 4 可以看出，人工智能在预测天气和交通模式、道路管理、警报生成等方面为值班人员提供了解决方案。这些系统可以帮助司机、

232、通勤者和行人在他们开始旅行之前。有技术的支持，建立一个有效的公共交通系统，有助于规划和决策过程，这是很重要的。从表 5 中我们可以看出，人工智能减少了道路事故的数量，根据路况预测事故，提醒司机注意道路安全等。当运输行业效率高时，经济就会成功运行。借助人工智能技术构建安全的交通系统，具有重要意义。从表 6 中我们可以看出，在汽车制造过程中，人工智能解决方案使汽车行业受益。传感器、摄像头和其他技术在这个行业发挥了作用，以获得更好的效益。汽车内置的一些人工智能解决方案已经成为乘用车和商用车领域的重要组件。4.2 人工智能在全球交通领域的成就人工智能在全球交通领域的成就 从目前的讨论中可以看出，人工智

233、能解决交通相关问题的能力似乎是一种自然的契合。然而，与其他所有行业的 AI 情况一样，这些应用程序的采用因组织和地域而异。基于环境和地理因素，应用程序可以是简单的和复杂的，遥远的和即将到来的，确定的或可能的。4.2.14.2.1 跨组织的人工智能应用跨组织的人工智能应用 表 7 提供了人工智能在交通部门各个组织中的应用。美国似乎是这些应用的先行者。这可能是由于人口较少，道路基础设施更好。具有创新精神的初创企业获得了大量资金，用于在发达国家开发原型。相对于乘用车阶段，大多数方案都是在长途驾驶阶段进行试验的。表 7 人工智能在全球交通领域的成就 人工智能应用人工智能应用 组织组织 国家国家 自动驾

234、驶的认知电动班车Olli，将乘客运送到要求的位置，并提供当地观光建议。Olli 由 IBM 的 Watson 汽车物联网(IoT)提供支持 本地汽车 美国 Surtrac 系统安装在由九个交通信号组成的网络中，它通过将交通传感器转换为智能代理来帮助预测和检测交通事故和状况 快速流动技术 美国匹兹堡 128 人工智能应用人工智能应用 组织组织 国家国家 Otto 完成了世界上第一辆自动卡车运送 50,000 罐百威啤酒超过 120 分钟的距离 奥托（优步）美国旧金山 图森未来是一家中国初创公司，完成了 200 英里的无人驾驶卡车驾驶。使用深度学习技术训练驾驶系统 图森未来 中国 GE 配备传感器

235、的智能货运机车可检测轨道上或轨道周围的物体。机车故障率降低 25%通用电气运输 德国 日立的内部人工智能技术降低了驱动车辆的功耗。从机车车辆中提取的运行数据的正确组合见证了年牵引力降低 20%日立 日本 交通部预计道路货运管理中的人工智能增强需求和预测模型 交通部 美国 尽管天气模式、交通模式、城市基础设施不统一，但仍能通过自动驾驶巴士按时交付人员和包裹 芬兰、新加坡、中国 4.2.24.2.2 运输公司采用人工智能运输公司采用人工智能 根据28人工智能可能通过提供个人运动、偏好和目标的准确预测行为模型，对城市基础设施产生越来越大的积极影响。尽管人工智能在交通规划应用中的应用在最近变得很重要，

236、但与数据相关的个人隐私和安全仍然令人担忧。由于这些道德考虑，政府和法律法规可能会决定该行业创新和采用的速度。在技术的许多方面缺乏道德共识的情况下，踏上 AI 旅程的各个组织必须考虑道德因素。尽管很少有组织使用机器来编写代码，但总的来说，人类仍在继续编写代码。由于这个因素，偏见、假设、看法可能会进入正在开发的算法中。组织必须自问：什么是合乎道德的 AI？治理和道德人工智能在哪里重叠？如何消除人工智能决策中的偏见？等6。由于这方面的原因，各个政府和城市公司对人工智能的采用存在差异。表 8 给出了各种运输公司采用人工智能的情况及其好处。由于当地政府法规的影响，各个城市的采用情况似乎有所不同。表 8

237、运输公司采用人工智能 国家运输公司国家运输公司 人工智能应用人工智能应用 好处好处 马哈拉施特拉邦运输公司 IVADO&Next AI 加拿大公司 为包括交通在内的各种项目建立人工智能集群研发投资、交通技术 Telangana 运输公司 用于客户支持的聊天机器人 人工智能回答多个问题。疑难问题向上级反映 多伦多运输委员会 自驾中转班车 最初由人类司机监督。一项解决公共交通最后一英里连接问题的举措 法国国家铁路公司 过境乘客的聊天机器人 帮助旅行者计划他们的日常旅行并在不可避免的延误情况下穿越城市 129 国家运输公司国家运输公司 人工智能应用人工智能应用 好处好处 迪拜道路和交通管理局 使用人

238、工智能的智能和可持续交通自动公交轨道控制系统、智能行人信号系统 监控公交车的状况驾驶员疲劳、车辆监控摄像头提高公交车效率、分配行人信号交叉口的传感器 新加坡交通部 nuTonomy一家与 Grab 合作开发自动驾驶出租车的自动驾驶汽车公司 自动驾驶公交车和货运车辆将对公共交通产生影响 伦敦交通 Sopra Steria 提供对数据的访问 道路交通、公交车性能、天气和道路工程，以减少拥堵和道路管理 5 结论结论 本文汇总了 AI 构建 ITS 的能力和优势。该研究提出了一个包含 ITS 子系统的框架，这些子系统是根据其能力确定的。ITS 是识别运输行业潜在问题的重要工具之一，本研究为特定问题提出

239、了解决方案。研究发现，机器学习算法主要用于预测交通拥堵和路线管理。一项针对采用人工智能克服交通问题的城市分析表明，大多数发达国家已经迅速采用了这些系统。这种采用需要相关公司和领导层的支持，因为它涉及最高管理层的投资和长期愿景。由于两个原因，一些组织和政府仍对采用犹豫不决要么担心与人工智能采用相关的风险，要么在这些国家中采用技术能力较弱。据观察，发达国家正在采用与运输管理相关的技术。为了构建有效的 AI 应用程序，我们需要大量数据作为输入来处理文本、图像、视频和音频，以便做出适当的决定。该领域缺乏知识和人才仍然是推出适合该领域的更新解决方案的弱点。因此，人工智能在物流公司的应用成本大约是营业额的

240、3-10%，这给采用人工智能造成了障碍。人工智能应用引发了许多伦理、社会、经济和法律问题。数据驱动的基于人工智能的应用程序存在网络安全和数据隐私问题，尤其是在自动驾驶汽车中。当面对生命对生命的情况时，了解全自动车辆中的人工智能算法与人类相比如何做出决策至关重要。Eurobarometer 对自动驾驶系统进行的一项调查发现受访者对自动驾驶汽车运输货物感到非常满意，而不是乘坐此类车辆本身（Niestadt、Debyser、Scordamaglia 和 Pape，运输中的人工智能，2019 年）。缺乏明确的政策、对采用新技术的抵制、缺乏道德法规的建立，使得人工智能解决方案对许多 130 组织来说难以捉摸。总的来说，人工智能能够为人类提供更好的旅行体验。进一步研究的范围进一步研究的范围 由于本研究的概念性质，它可能缺乏在不同场景中的应用的普遍性。未来可以根据从运输行业的利益相关者那里收集的原始数据进行影响研究。一些研究问题可能是：行为研究乘客对乘坐自动驾驶汽车的偏好与人类驾驶汽车相比，自运输行业采用人工智能以来，事故数量是否减少了？人工智能在运输行业的实施是否为企业带来了更好的投资回报率？人工智能是否确保提高运输行业的效率？政府监管机构在运输行业部署各种人工智能解决方案的作用和意义是什么？