智慧交通中車路協同感知一體化平臺設計

江 濤 劉詠平

（1.清華大學深圳國際研究生院物流與交通學部，廣東 深圳 518055；2.深圳市金益科技股份有限公司新型車聯網通信技術工程研究中心，廣東 深圳 518052）

0 引言

多年來，我國交通領域已經積累了大量的交通數據。通過總結經驗和教訓可以得出，我國交通領域在數據方面存在以下2 個問題：1） 交通語義信息不足，會導致智能分析技術的應用不夠全面、深入，多種交通感知方式缺乏融合協同。缺乏對交通事件的實時分析、預警和實時響應，缺乏對交通信息的全面融合和深度應用。2） 各個系統業務獨立、數據散亂，會形成信息孤島。系統的孤立帶來流程割裂，單一系統無法自動完成整個流程的運轉和監控，系統間流程對接困難[1-2]。這些問題導致交通部門的管理者無法有效獲取數據并根據數據做出正確的決策。

由于當前我國業內交通環境語義信息采集不足，因此智能交通的業務數據存在信息孤島、多種交通數據缺乏融合協同等問題，筆者立足于交通行業的實際需求，研究車路協同感知一體化平臺，為多種現有的交通業務平臺提供數據接口和一致化分析平臺。

1 系統總體架構

系統采用分層結構進行設計，總體技術架構由5 個層次組成，自下而上依次包括邊緣感知層、網絡通信層、基礎設施層、數據資源層以及云端應用層。該車路協同感知一體化平臺的系統設計及其相關的應用規劃方案如圖1所示。

1.1 邊緣感知層

現有的智能交通技術在數據的全面性、準確性以及實時性等方面仍有待改進，特別是自動駕駛技術的發展對交通信息提出了更高的要求。為了實現立體感知交通場景的功能，需要圍繞“車-路-人-環境”4 個要素模型構建多維、多模態的硬件感知系統，在特定區域的邊緣計算服務器中卸載人工智能龐雜的計算量，從而形成車路協同感知一體化平臺的邊緣感知層。

邊緣感知層主要借鑒自動駕駛、車路協同以及物聯網3 個領域的技術范式：1） 針對車端感知，筆者基于自動駕駛的技術范式，采用目前普遍使用的傳感器套件，包括北斗全球衛星導航系統、車載攝像機、毫米波雷達以及激光雷達等設備并通過自研的車載單元（On-Board Unit，OBU）實現車端感知數據的對外開放和網絡互聯。2） 針對路側感知，結合自身在交通行業車路協同領域的相關實踐，除了選擇性地采用自動駕駛常用傳感器之外，還導入了交通行業廣泛采用的固定式道路交通數據檢測技術（包括橡膠管、壓電傳感器以及磁化線圈等）和信號燈系統，從而盤活交通行業現有的存量資產。最后通過路側單元（Road Side Unit， RSU）和車載單元OBU 對車輛信息-交通信息進行交換與互。3） 針對行人和環境的感知，提供平臺開放接口，以廣泛地兼容主流物聯網設施（包括附著于行人身上的手機數據、各類可穿戴式設備以及環境中現有的道路、氣象檢測設備）。

1.2 網絡通信層

智慧交通中主要使用無線電信號與兼容系統進行通信。目前，車聯網的通信標準分為專用短程通信（Dedicated Short Range Communication，DSRC）和蜂窩車聯網（Celluar Vehicle to Everythind， C-V2X）2 種主流技術路線[3]。然而，4G/5G 蜂窩網、5.8G DSRC 與 C-V2X 直連模式是基于不同的底層通信協議，采用的通信頻率不同，性能參數和指標也不相同，而基于幾種不同通信協議的設備目前無法進行通信及互聯。

車路協同感知一體化平臺的網絡通信層針對上述問題提出了多模式邊鏈路通信的解決方案。針對車路協同系統中不同應用場景對通信帶寬、實時性以及準確度等方面的不同需求及車路通信快時變的特性，基于多模多頻段通信技術進行兼容共存設計。研究5G-V2X、LTE-V2X、5.8G DSRC 及 5G 蜂窩網等無線通信技術在智能路側設備的互聯互通，解決多模共存的信號干擾、電磁兼容以及路網無縫覆蓋等問題，發揮各接入技術的優勢。該技術能滿足車用無線通信技術（vehicle to X，V2X）在高動態復雜環境下對協同組網能力的要求，支持自適應敏捷組網，針對不同應用場景選擇最優的通信技術，加速車路協同在不同應用和不同需求場景中的應用，為參與交通的人、車、路以及設施之間提供了安全、可靠的信息通道。

1.3 基礎設施層

基礎設施層主要具備2 個功能：外部設備的管理和為大數據/云計算提供設備支撐。外部設備管理主要是對接入的各類傳感器進行管理、監控和遠程維護，實現高時效調度異構傳感器網絡的功能，在多源感知硬件系統出現局部信號失效時完成故障檢測，從而提高系統的魯棒性，進而實現全天候運行的目標。由于傳感器分布空間廣泛、數據格式各異，因此大數據/云計算基礎設施需要具備分布式存儲架構。為了滿足分布式、大批量以及多種格式交通信息的實時存儲、傳輸和計算需求，結合多源異構傳感器數據的流式、非結構化特點，靈活運用集群化、虛擬化以及離散存儲等技術構建交通大數據云存儲中心。該層支持批量計算、流計算，可以按需對計算資源進行分配，實現大批量、高速率數據實時計算和并發訪問的功能。

1.4 數據資源層

路側設施除各類傳感器之外，還有大量的誘導屏、信號燈、標識標牌以及動態限速標識等智能設施，這些設施一般采用專用接口，其對數據格式的兼容性較差，這就是交通大數據的多源異構現象。因此，通過數據虛擬化技術整合多種資源，通過異常檢測、數據清洗以及數據集成等步驟解決數據屬性不完整、格式不統一以及來源有沖突等問題，為上層用戶提供統一的數據視圖。支持知識圖譜、聚類分析、時間序列分析、多元統計分析、專題情報分析以及趨勢演變分析等大數據分析算法，實現隱藏規律挖掘、關聯關系發現和未來趨勢預測的功能。構建并持續更新交通系統動力學模型庫、交通誘導方法庫和相關的專家知識庫，為大數據挖掘提供支撐。同時，將這一類數據產品對外發布。

1.5 云端應用層

該文基于數據資源層產生的模型庫、方法庫以及專家知識庫等初級數據產品，結合自身對交通領域的行業見解，面向3 類用戶群體形成定制化的解決方案：1）面向政府服務的解決方案主要聚焦于交通管理與控制（用戶為交警局，方案任務主要為交通狀態監管、交通控制優化以及特種車輛優先等）、交通運輸管理與控制（用戶為交通局，方案任務主要為道路運行狀態監測與監管、公共交通服務監管以及城市停車監管等）以及交通規劃與管理（用戶為規劃局，方案任務主要為城市交通土地利用監管、道路交通網絡綜合評價以及道路交通出行預測等）。2）面向公眾服務的解決方案有3個。第一，面向交通信息類服務，形成關于近場支付、車內路牌、定位導航以及交通氣象等應用。第二，面向交通運行效率類服務，主要包括車內信號燈、車速引導、擁堵繞行提醒以及實時最優路徑選擇等應用。第三，面向交通安全類服務，主要包括安全預警、違章提醒、車輛失控處置以及出行行為管理誘導等。3）面向企業服務的解決方案根據目前的主流行業趨勢大致有4 個方向。第一，智能網聯汽車的超視距安全信息服務、動態高精度地圖服務。第二，智能公共運輸的車輛運行監管、安全警告、車輛失控處置以及車內安全服務。第三，智能物流園區的車輛運營監管、安全警告、車輛遠程遙控以及運輸車隊服務等。第四，其他細分應用，例如智能停車、共享汽車服務、汽車保險評估以及車路協同大數據交易等。

2 平臺功能設計

智慧交通車路協同感知一體化平臺以數據驅動、融合感知、云端共享以及安全可靠為目標，深度融合車聯網、人工智能、大數據、云計算以及5G 通信等技術，實現交通大數據即時處理、交通環境實時智能分析、交通態勢動態研判、交通決策自動生成與模擬預演的一體化流程。車路協同感知一體化平臺包括設備管理分平臺、數據采集與分發分平臺、感知系統任務分平臺以及交通數字孿生分平臺等。車路協同感知一體化平臺的總體功能框架如圖2 所示。

圖2 車路協同感知一體化平臺的功能設計框架

2.1 設備管理分平臺

設備管理分平臺通過資源擴展來實現異構設備的統一硬件接入，主要包括異構傳感器、通信單元以及邊緣計算設備等。支持設備的認證識別、狀態監控、遠程調試、遠程OTA 升級、告警管理及生命周期管控等人機交互的綜合管理功能。除了實現接入設備的功能（例如環境感知、通信以及交互控制等），還面向上層平臺和用戶提供統一的功能接口。設備管理分平臺采用嵌入式平臺，在保證系統性能可靠性的同時兼顧功能拓展的靈活性。

2.2 數據采集與分發分平臺

根據交通行業關于信息查詢的業務需求及數據關系，對數據進行分析、歸類，建立結構性與關聯性良好的交通元數據組織模型并對交通多源異構數據進行異常檢測、數據清洗。基于交通元數據模型，通過規則、相似性度量以及深度學習等方法關聯異構數據，獲得結構化的交通數據資源。通過數據虛擬化技術[4]提供交通數據服務，支持交通基礎數據服務間的重組和再加工。同時，采用數據即服務（Data as a Service，DaaS）模式，通過排序、刪除、合并以及數據結構調整等方式生成新的數據服務：根據交通行業各部門的業務需求，對數據進行解讀和凝練，快速生成調查報告并采用按需分發和推送的方式發布數據產品，再根據用戶評價反饋對交通數據產品進行改進。

2.3 感知系統任務分平臺

協同感知平臺對車端環境信息和路側環境信息進行異構數據融合，從而提取關于交通場景的多維態勢信息，針對“車-路-人-環境”4 個要素模型構建多維、多模態的交通語義模型，進而獲取關于交通態勢的立體認知。該平臺包括車端、路側以及泛在交通信號設施（例如誘導屏、信號燈、標識標牌以及動態限速標識等）3 種信息來源，通過RSU 的融合C-V2X、DSRC 以及5G 公共網絡等多模通信鏈路使交通環境信息與“車-路-人”之間進行信息交互與設備聯動。為了緩解路側感知信息對網絡帶寬的壓力、降低任務的響應時延，可以通過計算卸載技術把云計算中心的感知任務卸載給具有豐富計算資源的邊緣節點[5]。為了進一步提高感知任務的服務效率，針對情景感知的交通服務，情景的相似性使用戶對于服務內容的需求也具有相似性，因此可以通過邊緣計算設施的服務緩存和車間內容分享來降低路側感知任務對網絡流量的負載。還可以通過分析網絡通信、計算和服務資源之間的相互作用機理，使它們聯合優化，完成靈活卸載感知任務和智能管理計算資源的任務[6]。

2.4 交通數字孿生分平臺

交通數字孿生分平臺利用協同感知分平臺采集的實時交通數據，在計算機虛擬空間中構建交通場景“車-路-人-環境”4 個要素的數字模型（稱為數字孿生體）來模擬在實際交通環境中的交通參與實體。通過觀測、分析、推演和控制數字孿生體來研究交通中車流、物流以及人流等對象的行為，從而制定交通管控決策，對各種交通場景下的便捷出行、交通誘導以及安全駕駛具有輔助作用。交通數字孿生分平臺主要有以下2 個功能：1） 通過數據接入和重建交通場景來構建動態語義高精度地圖。2） 基于數據驅動的真實交通環境和基于虛擬數字孿生體的聯動響應。

動態語義高精度地圖由靜態模型和動態感知交通信息組成。靜態模型主要為預置的常規高精度地圖、建筑物信息模型以及基礎交通設施CAD 模型等。動態感知交通信息則由協同感知平臺來提供，主要包括時空坐標（車輛）、屬性信息（車輛）、天氣信息以及交通信號等多源異構實時數據。

通過協同感知任務平臺推導真實交通場景與虛擬交通環境的構建關系，實現交通實體要素在虛擬場景中的顯示與動態設定并對動態語義高精度地圖進行初始化。通過（在真實交通環境中）在線數據融合、虛擬交通環境構建以及交通實體-孿生體聯動響應的流程，迭代實現交通數字孿生關于真實交通環境的漸進收斂。動態語義高精度地圖不僅是交通全要素資源的數字化圖譜，而且還是交通數字孿生的載體平臺，可以為交通行業現有的多種業務數據系統提供一致化的數據接口和分析平臺。

3 系統實現及關鍵技術

3.1 數據虛擬化技術

系統接入數據源不僅包括激光雷達、視頻傳感器、毫米波雷達、磁化線圈、壓電傳感器以及微波雷達等傳感器信息，而且還包括開源情報、人力情報等報告的關于交通事件的檢測信息。因此，交通數據是典型的多源異構信息，為了克服多源、異構以及分布式的交通數據源，需要采用數據虛擬化技術來實現跨數據源的整合以及統一的訪問接口。構造源數據層對多源異構數據源的接口進行統一管理，實現各種不同數據源的訪問細節與用戶的解耦。在圍繞源數據層構造的過程中，尤其要注意異構數據源的集成、異質數據的集成以及元數據組織模型的構造。

針對交通數據中結構化、半結構化與混合結構數據的問題，在源數據層分別提供不同的訪問接口：對于存儲結構化數據的關系型數據庫來說，可以利用ODBC 接口通過SQL語言進行訪問；對于非結構化數據來說，可以采用REST 或JSON 等接口；還要為兩類數據訪問接口提供統一的API 訪存接口，以屏蔽數據源數據模型的異構性（解決數據源的異構性是保證數據服務的基礎）。對于數據異質性問題（包括結構差異、命名差異、語義差異和內容差異4 個方面[7]）來說，可以利用XML 語言對所需的數據進行統一描述，以確保數據的正確性、完整性和一致性，從而滿足數據模型對可移植性的要求[4]。元數據是數據虛擬化系統運行的核心，要針對交通行業信息查詢的業務需求特點對元數據進行分析、重新歸類，建立結構性與關聯性良好的、通用的元數據組織模型。

3.2 車路協同多傳感信息融合

車路協同多傳感信息融合包括車端傳感器、路側傳感器以及車端-路側協同3 種信息融合方式：1） 車端傳感器信息融合激光雷達、視覺傳感器的信息對3D 目標進行檢測，以通道分組卷積作為基本單元構造輕量型卷積網絡并提取目標的特征，同時匯集多空間分辨率的特征圖的目標邊界結果；通過多層次級聯檢測網絡組成檢測框架，實現對前一層預測結果的重定位和再識別，以提高目標檢測的精度。2） 路側傳感器一方面使用類似的級聯深度神經網絡模型融合攝像頭、毫米波雷達以及激光雷達的信息，以感知周圍環境。通過提取交通路況信息向智能網聯汽車和云控中心分發交通態勢信息；另一方面作為邊緣節點匯集信號燈、前方交通事故預報以及天氣數據等信息，基于D-S證據理論[8-9]結合已經獲得的交通態勢信息對前方可行使區域進行感知決策。3） 車路協同融合是將分別來自車端和路側的交通數據進行融合，與孤立的車端或路側的多傳感信息融合相比，在多種傳感器數據的空間配準和時間配準上有許多細節需要注意。

由于車端傳感器的位置在路側傳感器，因此存在較大的差異，而利用最小二乘法、廣義最小二乘法只有在量測誤差比較小的情況下進行空間配準才能取得較高的精度。對于車路協同多傳感器融合的空間配準來說，需要通過考慮各個平臺的空間分布特點來獲得傳感器間的配準模型。基于攝像機成像原理并結合BDS 定位信息建立車端坐標系、路側坐標系和世界坐標系的變換關系模型，從而獲得關于交通場景中目標數據的統一描述。時間配準要考慮車端和路側傳感器在輸出頻率上的差異，利用最小二乘準則進行涉及時間配準算法，利用多線程同步方式在時序上對車端、路側的傳感器信息進行配準。

3.3 語義高精度地圖

該項目的語義高精度地圖的研究重點在于動態更新、獲取語義信息，這主要涉及車輛道路場景的語義理解問題，其支撐技術為語義分割技術。筆者準備了2 種道路場景語義分割的技術方法（相互作為冗余備份）。

基于圖像的語義分割。由于對場景信息的語義分割速度及準確率有較高的要求，因此采用Segformer 的計算策略，將視覺Transformer 引入語義分割任務。采用分層結構的Transformer 編碼器（Hierarchical Transformer Encoder），以避免在測試分辨率與訓練不同時導致性能下降。同時，使用輕量級多層感知機解碼器（Lightweight All-MLP Decoder），從而在保證較高精度的同時提高算法的效率。然而，在實際應用場景中，由于視覺SLAM 依賴于可見光相機采集的圖像特征點，因此經常因光照變化、場景紋理稀疏等問題失效。這個時候可以充分發揮多傳感器信息融合的優勢，利用2D 圖像信息高分辨率的紋理細節和3D 激光點云的空間幾何信息來提高語義建圖算法的魯棒性。

該文提出融合圖像和激光點云的道路場景語義分割方法。具體方法是通過深度學習分別用不同的神經網絡提取2D 和3D 數據的特征，利用這種方式充分地從2 種模態信息中提取特征。為了克服2D 圖像平面特征與3D 激光點云三維特征的數據格式的差異，采用三維體素網格作為中間表示，通過標定好的空間變換關系將2D 圖像特征投影到體素網格中。

4 結語

該文針對智慧交通提出了基于車路協同的一體化感知平臺。通過計算機視覺的圖像語義分割、多傳感器融合以及邊緣計算等人工智能理論和技術構建了交通全要素資源的數字化圖譜。以高精度地圖為載體平臺，為交通行業現有的多種業務數據系統提供一致化的數據接口。基于多源異構信息融合的語義高精度地圖將為分析交通問題、掌握交通出行特征以及預測交通發展趨勢提供了豐富的語義數據支撐；同時，也為多種現有的交通業務平臺提供了數據接口和一致化分析平臺。

5 致謝

該課題承蒙新型車聯網通信技術工程研究中心（深圳市發展和改革委員會“深圳市戰略性新興產業發展專項”，項目編號：XMHT20190101025）資助，特此致謝。感謝技術研究院辦公室主任周靖和范志恒在科研管理方面的協助和支持。