車聯網路側感知系統發展現狀及測試方法研究

鮑敘言，余冰雁，王晶

（中國信息通信研究院技術與標準所，北京 100191）

0 引言

2018年12月，工業和信息化部印發了《車聯網（智能網聯汽車）產業發展行動計劃》，計劃明確以網絡通信技術、電子信息技術和汽車制造技術融合發展為主線，充分發揮我國網絡通信產業的技術優勢、電子信息產業的市場優勢和汽車產業的規模優勢，形成深度融合、創新活躍、安全可信、競爭力強的車聯網產業新生態[1]。從國家對車聯網產業的頂層設計層面看，車路協同已成為我國實現高等級自動駕駛、支撐構建智慧交通的技術主線，是實現“彎道超車”、彌補在單車自動駕駛領域與歐美等國技術差距的核心舉措。從技術和產業的發展來看，智能化網聯化技術融合的發展路線，正在得到更多國家和地區的認可，多個國家和地區正在結合C-V2X網聯通信技術，通過搭建智能化、協同化的路側基礎設施規劃自動駕駛，乃至智慧交通的發展路線圖。

1 車聯網路側感知系統技術發展現狀

當前，車聯網路側基礎設施的建設主要以構建路側感知系統為主，即利用攝像頭、毫米波雷達、激光雷達等傳感器，依托路側邊緣計算形成結構化的感知數據，并通過路側單元（RSU）、5G網絡等通信媒介，實現對交通參與者、路況等信息的實時共享播報[2]，一方面能夠為自動駕駛車輛提供超視距感知、盲區預警、駕駛意圖等感知信息，彌補單車感知局限，一方面能夠實現交通環境數據的全量匯聚，支撐構建精細化、實時性的交通監測系統。近年來，歐美日等從政府、科研機構、企業等各層面均開展了面向路側感知系統的研究、建設及部署工作，國內主要依托四大國家級車聯網先導區，先試先行通過部署規模化的路側基礎設施，支撐車路協同應用示范驗證。

（1）路側感知系統主流技術路線

車路云一體化的架構已在業界形成共識，路側感知系統在車路協同技術體系中具有承上啟下的關鍵作用。區分路側感知系統技術路線選擇的核心要素是傳感器組和融合算法的選擇。從傳感器組的選擇層面，目前主流的配置組合包括純攝像頭、攝像頭與毫米波雷達融合、攝像頭與激光雷達、毫米波雷達全融合三種形式[3]，從采集信息的種類、工作場景、定位精度、成本等角度看，不同配置各具優劣勢，純攝像頭能夠獲得豐富的紋理信息和語義信息，對識別車道線和交通標志有明顯優勢，但受環境光影響較大；攝像頭與毫米波雷達融合的方案相對成熟且性價比較高，能夠滿足傳統交通事件及交通流檢測的需求，具有精準捕獲目標速度、全天候、長距離探測等優勢，但難以滿足環境精細化感知的需求，也存在有效回波的不確定引入的誤檢漏檢、定位精度難以達到厘米級等問題。相比而言，全融合的配置方案能夠充分發揮三類傳感器的優勢，提高環境精細化感知水平，但也伴隨著高額的部署建設成本。

從融合算法的種類看，當前主流的路側感知算法以融合實施階段可分為原始數據融合、特征級融合以及目標級融合三種主要類別[4]，業內目前最普遍、適用范圍最廣的是目標級融合，各傳感器回傳的原始數據獨立處理，生成結構化數據后進行融合，該方案實現難度低、易于敏捷部署，缺點是原始數據的精度會在獨立處理的環節丟失精度，導致融合感知精度有一定程度降低。另有部分廠家選擇特征級融合的技術路線，對來自不同傳感器的原始信息進行特征提取，然后對特征信息進行綜合分析和處理，一般采用激光雷達與攝像頭融合，在降低實現難度的同時，能夠進一步豐富語義信息，一定程度保證融合感知精度。

（2）路側感知系統建設部署現狀

從國外的路側系統建設部署情況看，美國的底特律安娜堡網聯式自動駕駛項目[5]，在美國主推單車自動駕駛的背景下，首次提出CAV走廊基礎設施技術堆棧，跨域點式解決方案，以物理基礎設施、數字基礎設施、協調性基礎設施和運營基礎設施構成CAV走廊的技術解決方案，通過構建路側感知系統賦能車端感知瓶頸，加速車路協同進程。歐洲于2019年3月，ERTRAC更新發布了“Connected Automated Driving Roadmap”[6]，此版本納入了網聯化及道路基礎設施相關內容，通過構建路側的感知計算一體化系統，提升網聯自動駕駛在ERTRAC交通系統長期愿景中的作用。總體來說，歐美日等國已逐漸將路側基礎設施體系逐漸納入到自動駕駛、協同智能交通的技術體系中來。與此同時，我國車聯網產業發展正從測試驗證轉向多場景示范應用新階段，堅定單車智能和網聯賦能并行發展的戰略路徑。從路側基礎設施的產業化進程看，各地車聯網先導區的建設推進是帶動路側感知系統規模化部署的重要推力[7]。以工信部批復的國家級車聯網先導區為引領，各地正逐步形成地方產業特征強、建設與場景結合度高、參與主體多樣化的路側基礎設施建設格局，例如，江蘇（無錫）在交通設施的升級改造方面，改造了240路口的道路交通信號控制機，部署視頻交通檢測器；長沙市完成了約100 km智慧高速、100 km2范圍內城市開放道路的智能化改造建設，建設包括路側通信、傳感、計算等信息化基礎設施等，通過構建完備的路側感知系統，支撐各類車聯網應用落地實現。

總體來說，我國在路側基礎設施規模化部署的進程上處于引領地位，但從各先導區的建設情況來看，路側感知系統的技術演進和規模化部署仍有一些痛點問題尚未解決。一是當前市場上路側感知系統構成形態多樣，缺乏標準化、可量化、系統性的整體評測方案；二是路側基礎設施投資巨大，各地先導區投資方、高速公路業主，對路側感知系統的建前選型及質量把控訴求強烈。因此，本文將基于當前主流的路側感知系統解決方案，提煉車聯網路側感知系統的參考架構，并設計相應的系統性測試方案，進一步推動車路協同技術迭代和車聯網產業發展。

2 車聯網路側感知系統的參考架構

當前，路側感知系統的產品形態差異較大，主要體現在以下幾個方面：一是傳感設備差異，目前路側主要使用的傳感設備有激光雷達、毫米波雷達和攝像頭等三個大類。每個大類下又包括細分小類，如激光雷達包括機械式、固態；毫米波雷達有24/77 GHz；攝像頭包括單目、雙目、紅外等。二是設備組合差異，根據應用場景和需求不同（如城市交叉口、高速公路等），建設方會選擇不同的設備組合，如毫米波雷達+攝像頭，激光雷達+攝像頭，激光雷達+毫米波雷達+攝像頭等，同樣的設備組合又會有分體式、一體式等不同的部署方式。三是感知算法差異，感知算法作為非通用件，各廠家采用自有算法進行特征提取和數據融合。四是安裝方式差異，主要體現在安裝高度，設備相對位置，設備絕對位置選擇等方面。但從功能構成和各設備的邏輯連接層面看，路側感知系統的整體參考架構[8]在產業界基本達成共識。

路側感知系統（RSS,Roadside Sensing System）的基本構成是路側感知設備及路側計算單元，如圖1所示，路側感知設備包括但不限于攝像頭、激光雷達、毫米波雷達等設備，可實時采集當前所覆蓋交通環境的圖像、視頻、點云等原始感知數據，路側計算單元包括不限于邊緣計算服務器、工控機等計算設備，通過對路側感知設備采集的原始感知數據實時融合計算，實現對交通環境中交通參與者狀態信息、道路狀況信息、交通事件等全量信息的獲取，進而通過路側單元RSU、中心子系統向局部/全域交通參與者下發感知消息。應用層的感知消息格式已由標準規范定義[9]，融合感知結果將用于實現車路協同的安全預警類、效率通行類等場景，該類場景對數據的準確度及精度要求較高，然后實驗室環境下的設備級檢測結果，只能反映構成RSS各部件的感知及計算能力，不能反映在真實工況條件下RSS的整體感知性能，因此本文將探索基于客觀真值的路側感知系統測試方法，為量化RSS的系統整體感知性能提供參考依據。

圖1 路側感知系統參考架構

3 路側感知系統測試方法探究

目前已有針對車端的真值系統（RS,Reference System）產品，如亮道智能量產研發的LDCompass感知測評真值系統，速騰聚創自主研發的RS-Reference全棧式測評系統，應用于車端零部件的設計研發和測試驗證。這為構建路側的靜態真值系統提供了可行性，相比車端RS的設計研發，路側的RS搭建由于部署位置相對固定，真值采集環境變化相對穩定，其實現難度及成本都遠低于車端。因此，本文將提出路側RS的基本架構組成，通過與待測RSS同步部署，實現對真實復雜交通環境的精細化數據采集，進而通過離線后處理生成客觀真值數據，最后可利用真值數據實現對待測RSS感知性能的測試評價。

如圖2所示，路側真值系統包含由高性能傳感器構成的感知設備組以及滿足大數據處理需求的離線真值系統服務器，感知設備組包括不限于高線束激光雷達、高清攝像頭、以及毫米波雷達；離線真值系統服務器具備PB級數據的專業化存儲、處理、分析能力，承載數據采集模塊、智能處理模塊、真值存儲模塊、RSS測評模塊四個功能模塊，數據采集模塊主要實現對圖像、視頻、點云等數據的融合匯聚，智能處理模塊主要完成原始數據關聯、自動化標注等環節，生成長時間序列的環境真值，并通過真值存儲模塊實現PB級數據的存儲落盤和冗余備份，RSS測評模塊通過設定的測評維度和指標體系輸出統計分析結果。

圖2 路側真值系統架構

路側RS的高性能感知設備組可復用待測RSS部署的信號燈橫臂、高速路門架、路側燈桿等資源，鑒于客觀真值可離線處理，高性能服務器可根據實際情況彈性部署于路側、中心機房等位置，通過有線/無線網絡實現感知設備組到服務器的數據回傳。測試流程如圖3所示，主要分為路端原始感知數據采集和服務器端離線處理兩個部分，路端原始數據采集主要涉及傳感器的融合標定、待測區域ROI選擇、以及時間同步等環節，服務器端處理主要涉及幾個方面的內容：一是數據清洗，確保數據一致性，完成激光雷達點云、毫米波雷達點云、圖像、視頻等數據的時間空間對齊；二是自動化標注——以高線束激光雷達返回的點云數據為基礎，基于機器學習、深度學習等算法，完成交通參與者目標類型的識別與檢測，以及多目標的離線軌跡跟蹤。融合攝像頭采集數據，對目標類型進行二次修正，融合毫米波雷達數據，對目標軌跡數據（包括速度、加速度、位置等數據）進行二次修正。將自動化標注的數據輸入至修正模塊（允許人工標注介入修正），完成各類感知數據標注；三是基于已標注數據生成靜態和動態真值，包括不限于交通參與者目標類型、位置、速度、加速度、軌跡等真值，完成真值存儲及RS建立；四是提取測試時間區間內真值，完成與待測RSS輸出結構化感知數據的時間空間對齊，設定評測維度，輸出感知性能的統計評測結果。

圖3 基于RS的路側感知系統測試方法

為進一步驗證本文所提路側真值系統對實際交通目標的檢測性能，依托2021車聯網路側系統標準化先導評測活動，項目組搭建了基于高線束激光雷達與攝像頭組成的路側真值系統，從真實工況下的城市交叉口提取了交通流密度大、交通目標種類多的4組原始感知數據（如表1所示），以人工標注的方式獲取絕對真值，基于誤檢率、漏檢率、類別錯誤率等指標，與路側真值系統離線輸出的結果進行比對，考慮遮擋和不考慮遮擋情況下，真值系統的檢測誤差統計結果如表2和表3所示。

表1 城市道路十字路口的雷達點云數據

表2 考慮遮擋時類別檢測統計結果

表3 不考慮遮擋時類別檢測統計結果

本次路側真值系統的自動化標注有以下幾個原則：標注漏檢、誤檢以及分類錯誤三種錯誤類型；數據標注只針對場景中的行人、騎行者、小車以及大車四種類別的目標障礙物。行人挨得太近導致的欠分割不標記為漏檢，大車偶爾的過分割不標記為誤檢；對目標的類別判斷根據人眼跟蹤識別，算法跟蹤斷開導致遠場目標分類錯誤一致標記為分類錯誤；目標障礙物無點云被框住即視為漏檢，框里點云皆為背景點云視為誤檢。從評測結果看，路側真值系統離線標注的真值與絕對真值的誤差在5%左右，可用于對現有路側感知系統產品的自動化評測，在考慮有遮擋漏檢的情況下，雷達傳感器無法有效獲取“點云”數據，自動化標注一定程度會增加漏檢率。

4 結束語

目前，中國通信標準化協會（CCSA）TC10車聯網子組、全國智能運輸系統標準化技術委員會已經完成了面向路側感知系統的測試方法相關標準立項工作，但基于真值系統構建量化評測體系仍面臨一些困難和挑戰。一方面，真值系統本身也屬于路側感知系統，其生成的真值客觀性、準確性仍然難以保證，構成真值系統的部件組成未來難以計量。另一方面，無論是路側真值系統還是動態真值車的方案，其真值的種類和范圍都難以完全覆蓋路側感知系統的全部能力，當前更多是面向交通參與者的感知能力評測，交通流、交通事件等方面的感知性能如何評估仍是未知數。本文提出的測試方案力求為路側系統性能的量化評估提供依據，進一步解決單車自動駕駛系統如何對路側消息采信、車端和路端數據究竟如何交互關聯等問題，推動路側感知系統向路側協同決策及控制系統演進，爭取早日實現真正意義上的車路協同和完全自動駕駛。