基于道路智能化技術的試驗場車輛全域軌跡感知方案研究

張迪思，周 亮，謝 波，吳迪瑞

（1.招商檢測車輛技術研究院有限公司 國家智能網聯汽車質量檢驗檢測中心（重慶），重慶 401122；2.自動駕駛系統及智能網聯汽車技術研發與測試應用重慶工程研究中心，重慶 401122；3.重慶大學，重慶 400000）

前言

當前，試驗場的運行安全、運行效率和用戶體驗已逐漸得到了運營者的重視，業務的信息化和無紙化對以往復雜繁瑣的流程進行了梳理，讓試驗場管理人員的工作效率迅速提升；網上預約業務、實時查看業務進度等功能也使客戶擺脫了繁瑣地填表、問詢等流程，進一步提升了客戶的滿意度；而高精定位、短程專用無線通信等技術在近些年的廣泛發展和應用也在一定程度上幫助了管理人員和客戶隨時掌握試驗車輛的運行狀態，還能夠對車輛的歷史軌跡進行追溯，進而實現區域差別費用計算、危險事故分析等功能[1-5]。

通常，獲取車輛位置、速度等信息的方式，主要依賴車載OBU。這也是公共道路、園區道路上普遍使用的方式，簡單直接。但是，試驗場是一個車輛相對流動的場景，設備的發放、安裝，以及天線布設、電量維護、開關啟停等流程過于繁瑣，在一定程度上增加了管理人員的工作量，并影響客戶的體驗。在實際運營過程中，我們也發現，隨著時間的推移，試驗場管理人員往往會對流程產生厭倦，不再要求企業安裝OBU，使得管理效果大打折扣[6-9]。

而隨著邊緣計算、路端感知等為代表道路智能化技術的發展，開啟了一種道路主動感知交通參與者的新方式，從而不再完全依賴車載OBU。本文將闡述這種方案在試驗場管理中的應用[10]。

1 當前道路智能化的重要元素

1.1 道路感知設備

道路感知設備是整個道路智能化架構的核心，主要由攝像頭、激光雷達、毫米波雷達等傳感器組成，尤其是后兩者，通過發送和接收探測信號并對前后信號進行比較分析的方式，獲得物體的距離、位置、速度、大小、形狀等關鍵信息，在道路智能化中扮演重要的作用[11-12]。

表1 三種傳感器的性能比較

激光雷達的檢測能力比較均衡，尤其對距離的精度較高，在點云分析算法的支持下，還可以識別目標的形狀、類型等參數；同時支持多個雷達的拼接，使得同一物體在拼接范圍內能夠保持ID 唯一，這個特點是實現試驗場全域軌跡感知的重要基礎。因此，激光雷達是當前道路感知設備中的最優選擇；同時，輔以攝像頭、毫米波雷達等傳感器，在融合感知算法的幫助下，可以大大提升目標的識別效果。

1.2 邊緣計算架構

邊緣計算架構為道路智能化提供了強大的算力支持和低延時的通信方式。以激光雷達為主的傳感器設備每秒都會產生較大的數據量，一個80 線的激光雷達每秒出點數為百萬級，數據量約為10 MB/s，在多雷達拼接的情況下，數據量會達到一個千兆網絡都難以承載的規模，如果全部傳回傳統中心進行處理，會對網絡造成極大的負擔[4]。因此我們需要在網絡邊緣處設立邊緣計算單元，分析大量的雷達點云數據，得出我們最終需要的、僅數百字節的結構化數據（即物體的位置、速度、類型、大小、方向角等），再分發給上層結構。由于邊緣計算單元位于網絡的邊緣，信息傳輸經過的網絡層級較少，因此可以快速地將信息發送至終端用戶，獲得較好的延時性能[13-16]。

根據邊緣計算單元部署的位置、網絡規模和實際用途的不同，邊緣計算架構分為中心級、匯聚級、邊緣級、接入級和現場級，前四級需要依賴運營商網絡，結構復雜且成本較高；而現場級主要依賴的是用戶本地局域網，對于對網絡延時要求不高、終端用戶范圍較固定的場景，是一個性價比很高的解決方案[11]。

1.3 邊緣計算單元

邊緣計算單元可以理解為一個高性能的工控機，其主要作用是在邊緣側處理和分析傳感器生成的巨量數據，避免回傳中心造成網絡負擔[13]，同時將分析結果通過低延時信道傳送給終端用戶。邊緣計算單元的部署位置可以根據需要部署在多個位置。

按用途和功能劃分，將系統架構分為感知融合層、信息交互層和應用層。

1.4 感知融合層

感知融合層主要由激光雷達、攝像頭等傳感器陣列以及邊緣計算單元組成。要實現試驗場的全覆蓋，必須依賴多激光雷達的拼接技術，而受限于單個邊緣計算單元的圖形處理能力，一個邊緣計算單元只能處理兩個激光雷達的點云數據，因此我們采用兩個處理層級來實現點云拼接。如圖1 中所示，第一層由通過光纖連接的多個浮點運算性能較強的邊緣計算單元組成，解析點云數據并輸出各自區域的交通參與者結構化數據；第二層由一個整數運算性能較強的邊緣計算單元組成，主要是作用是匯總第一層邊緣計算單元陣列輸出的結構化信息，進行目標去重等操作，最終輸出整個區域的目標結構化數據。通常，我們選擇以UDP 方式輸出，輸出的頻率為10 HZ。

圖1 系統架構總體設計

表2 最終輸出的格式化數據結構

1.5 信息傳輸層

傳輸層由一個MQTT 中間件組成，主要作用是將感知融合層的結構化數據封裝成RSM 消息，并以發布/訂閱的方式將消息傳輸至上層應用。

考慮到該系統的通用性，信息傳輸層的消息應遵循CSAE 53—2017 合作式智能運輸系統 車用通信系統應用層及應用數據交互標準或YD/T 3709—2020 基于LTE 的車聯網無線通信技術消息層技術要求中對RSM（RoadsideSafety Message）消息的規定。RSM 消息使用ASN.1 標準格式定義，以消除不同實現語言的差異性，并使用非對齊壓縮編碼規則UPER（Unaligned Packet Encoding Rules）進行編碼，對空口數據進行有效壓縮。

1.6 應用展示層

應用展示層由圖形化展示系統和場景觸發系統及用戶終端應用等功能模塊組成；圖形化展示系統訂閱RSM 等相關主題，解析數據獲得車輛位置坐標后，在GIS 地圖上顯示；同時，還可以連續記錄車輛的歷史位置，從而實現軌跡追溯等功能；場景觸發系統通過解析RSM 信息獲得所有交通參與者的位置、速度等信息，通過判斷相互之間的位置關系和計算TTC（TIME TO COLLISION）參數，生成預警事件，封裝成相關主題信息發送至MQTT 中間件，并由特定的功能模塊接收該主題信息進行下一步處理。通常，該功能模塊可以通過C-V2X 的Uu 口（即蜂窩網）向相關的終端發送預警消息。

2 全域軌跡感知方案的實現

2.1 路側感知設備的部署

如圖2 所示，根據當前試驗場的東西窄、南北長的地形特點，我們選擇在東西向中央的草坪中安裝雷達，使得雷達的測試范圍能夠覆蓋東西兩側的道路。

圖2 試驗場中的感知設備部署點位

另外，據我們的測試，雖然主流80 線雷達的探測距離在10%反射率的情況能夠達到200～250 米左右，但是障礙物識別距離，在保證效果的情況下，覆蓋范圍僅為120 米左右。因此，為了保證效果，我們將雷達之間的間隔距離設置為200米左右。

在隧道等受遮擋區域，布設了多個32 雷達，消除盲區，保證感知范圍的連續性。

圖3 場地中80 線雷達安裝

同時，為了便于調節雷達的角度，使得雷達線束能夠更多的覆蓋路面有效區域，還設計了專用的萬向節底座。

2.2 物理ID 與虛擬ID 的關聯

試驗場全域軌跡感知，即系統在車輛進入試驗場到駛離試驗場整個過程中，連續不斷的獲知車輛位置。

當車輛進入雷達感知區域時，感知系統內部會賦予其一個ID 號，即表格 2 中的“障礙物ID”，我們定義其為虛擬ID。該ID 理論上會可在感知范圍內保持唯一，即使在短暫的信號丟失后，也可以依靠算法恢復原ID。

物理ID 則可以理解為真實車輛的唯一標識，類似于VIN號；該ID 始終保持唯一；系統以該ID 為索引，可以獲知該測試車輛的廠商、型號、試驗項目、負責人等具體信息。

在物理ID 和虛擬ID 沒有關聯的情況下，感知系統探測到的車輛雖然能在GIS 地圖上顯示，但卻無法顯示車輛的具體信息。

因此，我們需要將上述物理ID 和虛擬ID 進行關聯，簡單來說，物理ID 代表車輛的靈魂，包含車輛類型、車輛廠商等固有信息；虛擬ID 代表車輛的軀殼，使其具備在可視化系統中展示的能力；兩者合二為一，我們才能在GIS 系統中獲取車輛的所有信息。

物理ID 與虛擬ID 關聯初始化操作在試驗場門崗處進行，ID 關聯關系表在圖中的場景任務觸發系統中進行維護。該系統會在關系表發生改變時向MQTT 發送主題信息。初始化流程如圖4 所示：車輛到達門崗處時，門衛用連接業務管理系統的手機掃描車輛車窗處貼的二維碼，該二維碼相當于車輛的物理ID；掃描完成后，業務管理系統將推送包含物理ID 的主題/CHECK_IN；場景任務觸發系統接收該主題消息，并解析感知融合層周期發送的RSM 消息，獲取位于門崗進口位置車輛的虛擬ID，完成關聯的初始化操作。

圖4 虛擬ID 與物理ID 關聯關系的維護流程

同理，在車輛出場時，門崗再次掃描二維碼，業務管理系統將推送包含物理ID 的主題/CHECK_OUT；場景任務觸發模塊接收該主題消息，并解析融合感知層周期發送的RSM消息，找出位于門崗出口位置的車輛虛擬ID，完成解綁操作。

另外，車輛在感知系統中有可能會出現信號丟失情況（即感知系統在一段時間內未探測到車輛），而在信號恢復后，車輛的虛擬ID 即會發生變化。為了應對這種情況，我們還需要在流程中設計重新匹配的操作；在不利用其他感知方式的情況下，可根據算法邏輯做初步的補救，例如，場地內僅有一輛車A 的虛擬ID 出現丟失，且出現另一個陌生的虛擬ID，則可以直接將陌生虛擬ID 與A 的物理ID 進行重新關聯。但是，如果出現多個車輛同時消失的情況，則需要利用場地內其他傳感器輔助，例如攝像頭車牌識別、RFID 標記等等。在這個方案中，一旦虛擬ID 丟失且邏輯補救方式失敗，系統將臨時開啟車載HMI 的衛星定位模塊，記錄一定時間的運動軌跡，并與多個陌生虛擬ID 的運動軌跡進行對比，找出匹配度最相似的一個，進行重新匹配。

2.3 實施效果

從圖5 可見，間隔200 米部署一個激光雷達的方式，基本能夠滿足試驗場感知信號的全覆蓋，使道路具備在全域主動感知交通參與者的能力。

圖5 試驗場全域雷達拼接感知效果

由圖6 和圖7 可見，激光雷達點云在邊緣計算單元的分析處理后，可以識別包括行人、小型車輛、大型車輛等交通參與者，并輸出格式化數據。

圖6 交通參與者感知效果

圖7 匯流區感知效果

由圖8 可見，車輛在可視化界面可正確顯示位置以及其廠商、負責人等基礎信息，在試驗場整個區域內基本實現了全域軌跡感知。

圖8 交通參與者在GIS 界面的顯示效果

3 總結

與車端智能方案相比，本方案采用道路主動感知車輛的方式實現了全域軌跡感知，具備操作方便、可靠性高、復用性好等特點，最大化地提升了試驗場管理效率和用戶體驗。在感知能力上，車端智能方案完全依賴車載OBU，無法感知未安裝OBU 的單元，而路端智能方案則幾乎可以感知道路上所有的交通參與者。在成本上，車載OBU 花費了大量的資金；而路端智能化則主要用于道路感知設備、計算單元和網絡的部署。從前后兩種方案的實際花費情況來看，兩者成本幾乎是相同的。從擴展性看，道路智能化方案還可以承擔道路場景數據采集工作，用于開展自動駕駛仿真測試；另外，隨著數據質量的不斷提高和網絡延時的不斷降低，道路感知系統獲得的數據還有可能在未來參與自動駕駛決策和執行環節，有效分擔車端算力降低車載設備成本，推動自動駕駛技術的普及。

但是，本方案仍然存在著不少弊端，如車輛在感知范圍內信號消失的問題、激光雷達老化和壽命問題等等，還需進一步研究和改進。

表3 兩種方案的比較