【清华大学智能产业研究院】《面向自动驾驶的车路协同关键技术与展望2.0》.pdf

2022-12-23

178页

79MB

单车智能自动驾驶发展现状与存在的挑战

1.1 单车智能自动驾驶发展现状

自动驾驶指车辆主要依靠人工智能、视觉计算、雷达和全球定位及车路协同等技术，使汽车具有环境感知、路径规划和自主控制的能力，能够让计算机自主操控车辆，在不受任何人为干预的情况下自动安全地驾驶。自动驾驶是未来汽车产业发展的主流趋势，各国都在持续加大投入开展技术研究和产业化落地。

自动驾驶有单车智能自动驾驶（AD）和车路协同自动驾驶（VICAD）两大技术路线。单车智能自动驾驶的环境感知是通过车上安装的传感器完成对周围环境的探测和定位功能。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行轨迹。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。

（1）全球自动驾驶处于 L2 商用落地发展阶段

L2 级的 ADAS 是现阶段自动驾驶汽车商用落地的核心，由车辆的一个或多个驾驶辅助系统依据驾驶环境信息，在特定工况下执行转向或加速 / 减速，驾驶员执行所有其余的各类动态驾驶任务。

（2）高等级自动驾驶主要聚集于限定区域应用场景

在高等级自动驾驶领域，因为前期研发投入大、技术难度高，L3 级及以上自动驾驶汽车商业化进程缓慢，产业链合作伙伴抱团共同发展渐成常态。现阶段，高等级自动驾驶研发投入及商业化验证主要聚集在智慧园区 / 示范园区、港口、码头、停车场等限定区域应用场景，以及商用车物流、自动泊车等细分领域，低成本自动驾驶解决方案以及可弥补真实道路测试验证的自动驾驶仿真测试需求凸显。同时随着汽车产业“四化”转型加速，以及国家频繁发布产业红利政策加速推进围绕智能汽车等新经济生态的快速发展，自动驾驶载人、载物、高速测试等陆续开放，关键节点及核心领域具备前沿技术验证及整合服务能力的企业有望实现突破。

1.2 高等级自动驾驶规模商业化落地存在的挑战

（1）自动驾驶安全依然面临着巨大挑战

与传统汽车相比，自动驾驶汽车是一个更为复杂的系统，对安全将提出更高的要求。单车智能自动驾驶经过多年的发展，安全问题依然是影响自动驾驶规模商业化落地的关键原因。

在低等级自动驾驶方面，很多车企都已经商用量产，但很多ADAS功能仍然存在特定场景下应对能力不足和失效的风险。在高等级自动驾驶方面，自动驾驶的可靠性和应对挑战性交通场景的能力仍然有待提升。高等级自动驾驶车辆目前面临的安全问题主要包括：

（1）软硬件系统出现错误或漏洞；（2）感知容易受到遮挡、恶劣天气等环境挑战影响出现失效；（3）目标运动行为出现预测能力不足、决策时间超时和生成轨迹错误的现象 ; （4）目前的道路设施是以服务人类驾驶员进行设计和建设，车辆难以高效准确获取道路设施提供的交通规则、交通状态等信息。

（2）单车感知长尾问题限制了车辆可运行设计域（ODD）

自动驾驶运行设计域（Operational Design Domain，ODD）是指自动驾驶系统功能设定的运行条件，包括环境、地理和时段限制、交通流量及道路特征等。ODD 限制是保证车辆安全的重要手段，但却不利于自动驾驶的规模商业化落地。

限制自动驾驶 ODD 的原因或条件有很多，例如 :1、道路条件，比如高速公路、无信号灯十字路口、山区道路等 ;2、环境条件，天气（雨雪雾）和日照状况（昼或夜、逆光、隧道出入口）等；3、其他还包括过时的地图信息、收费站、水洼、低垂的植物、道路结冰、遗撒的物体、特种机械和违反交通规则的人类行为。

感知的长尾问题是当前限制单车智能自动驾驶车辆 ODD 的主要原因之一。受车端传感器安装位置、探测距离、视场角、数据吞吐、标定精度、时间同步等限制，车辆在繁忙路口、恶劣天气、小物体感知识别、信号灯识别、逆光等环境条件中行驶时，仍然难以彻底解决准确感知识别和高精度定位问题。

（3）自动驾驶的经济性问题还未得到充分解决

经济性是自动驾驶规模商业化落地必须考虑的现实问题。为了实现高等级自动驾驶，车载传感器的数量需要显著增加，硬件成本过高，难以保证车辆的经济性。另外，为了确保自动驾驶安全，会在车端部署冗余传感器系统、高精度地图、及相应的软件系统，也大大增加了自动驾驶车辆的成本。在一定的自动驾驶能力条件下，安全、ODD 和经济性这三个方面存在平衡关系。

综上所述，在当前自动驾驶能力条件下，还无法找到安全性、ODD 限制和经济性的平衡点，需要从本质上提升自动驾驶的能力。

车路协同自动驾驶是规模商业化落地的必然趋势

单车智能自动驾驶容易受到遮挡、恶劣天气等环境条件影响，在全量目标检测、轨迹预测、驾驶意图“博弈”等方面存在困难。而车路协同自动驾驶通过信息交互协同、协同感知与协同决策控制，可以极大地拓展单车的感知范围、提升感知的能力，引入高维数据为代表的新的智能要素，实现群体智能。可以从本质上解决单车智能自动驾驶遇到的技术瓶颈，提升自动驾驶能力，从而保证自动驾驶安全，扩展自动驾驶ODD。

2.1 车路协同自动驾驶概念与内涵

2.1.1 概念与定义

车路协同是采用先进的无线通信和新一代互联网等技术，全方位实施车与车、车与路、车与人之间动态实时信息交互，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，从而形成安全、高效和环保的道路交通系统。车路协同能够加速自动驾驶规模商业化落地实现，其产业链潜力巨大，将成为新一轮科技创新和产业竞争的制高点。

车路协同自动驾驶则是在单车智能自动驾驶的基础上，通过先进的车、道路感知和定位设备对道路交通环境进行实时高精度感知定位，按照约定协议进行数据交互，实现车与车、车与路、车与人之间不同程度的信息交互共享，并涵盖不同程度的车辆自动化驾驶阶段，以及考虑车辆与道路之间协同优化问题。通过车辆自动化、网络互联化和系统集成化，最终构建一个车路协同自动驾驶系统。

车路协同自动驾驶是一个由低至高的发展过程，主要包括以下三个大的发展阶段，各个阶段的具体要求如下：

（1）阶段 1：信息交互协同

车辆 OBU 与路侧 RSU 进行直连通信，实现车辆与道路的信息交互与共享，通信方式可以是 DSRC 或 LTE-V2X。

面向自动驾驶的车路协同关键技术与展望

（2）阶段 2：协同感知（阶段 2.1：初级协同感知，阶段 2.2：高级协同感知）

在阶段 1 的基础上，随着路侧感知能力的提高，自动驾驶的感知和决策的实现不仅仅依赖于车载摄像头、雷达等感知设备，而且需要智能道路设施进行协同感知。

（3）阶段 3：协同决策控制（阶段 3.1 有条件协同决策控制，阶段 3.2：完全协同决策控制）

在阶段 2 协同感知的基础上，道路具备车路协同决策控制的能力，能够实现道路对车辆、交通的决策控制，保障自动驾驶安全、提高交通效率。

车路协同自动驾驶由智能车辆、智能道路两大关键部分组成：（1）智能车辆：可以是不同网联等级和自动化程度的车辆；（2）智能道路：可包括以下设备设施：道路工程及配套附属设施；智能感知设施（摄像头、毫米波雷达、激光雷达等）；路侧通信设施（直连无线通信设施、蜂窝移动通信设施）；计算控制设施（边缘计算节点、MEC 或各级云平台）；高精度地图与辅助定位设施；电力功能等配套附属设备等；

要实现车路协同自动驾驶还需要攻克一系列的关键技术，包括：（1）协同感知技术：传感器高精度标定技术；环境感知技术；融合与预测技术；（2）高精度地图与高精度定位技术：高精度地图；路侧辅助定位技术；（3）协同决策与协同控制技术 : 意图预测、博弈仲裁、引导调度等协同决策；车辆、设施、人类等协同控制引导；（4）高可靠低时延网络通信技术 : 直连无线通信技术；蜂窝移动通信技术；交通系统集成优化与有线网络传输技术等；（5）云计算技术：边缘计算 MEC 技术；多级云控平台技术；大数据和人工智能平台技术；（6）功能安全与预期功能安全；（7）物联网 IoT 技术；（8）网络安全技术等。

2.1.2 车路协同自动驾驶内涵

1 高维数据

1.1 数据高维：

VICAD在路侧会产生大量的数据，且信息特性与单车智能数据具有一定的正交属性，通过车路协同融合后将形成新的更高维度数据，如空间维度（范围、视角、盲区）、时间维度（动/静态、时间范围）、类型维度（多源多层）等，分布在不同维度具有正交性的高维数据信息量更大，对于智能系统的能力会产生更有效的帮助。

面向自动驾驶的车路协同关键技术与展望

1.2 算力高维:

VICAD通过路侧智能匹配高维度数据的算力智能要素也具备更高等级的条件，如固定点位和机房集群、固网通信、算力调度等条件。

面向自动驾驶的车路协同关键技术与展望

1.3 算法高维：

VICAD通过新的算法要素进行实时在线处理，离线的挖掘训练仿真，可为自动驾驶提供更多、更高等级的智能应用。

面向自动驾驶的车路协同关键技术与展望

2 新智能

VICAD 区别于单车智能，是新的智能形态。VICAD 通过引入新的智能要素，带来高维数据，并配合灵活算力和算法机制，实现由个体智能向协同智能或群体智能发展。VICAD 新智能使自动驾驶能力得到本质提升，突破了单车智能的天花板限制，将极大促进自动驾驶技术发展和规模商业化落地。

面向自动驾驶的车路协同关键技术与展望

从复杂度熵系统的角度，车路协同自动驾驶引入了熵减的智能要素，来对抗单车智能自动驾驶系统自然迭代生长的熵增。而通过车路协同则可以引入路侧子系统的高维数据、系统连接算力、协调通行算法，使用低复杂度信号灯机对接信息，不仅可以实时通过低码率编码获得准确可靠的信号灯态语义信息，还可以超视距获得灯态信息以及倒计时等意图信息。通过更加彻底地打通路侧交通基础设施，还可以通过优化交通管理、优化信号控制，实现感应通行和绿波通行，提升交通效率。此外，车路协同的路侧和云端基础设施更有条件进行数据积累和协作，进一步通过挖掘来提升个体与群体的协作智能和学习成长型智能。这样，车路协同引入路侧智能的高维数据等正交要素，实现了对抗系统复杂度熵增的熵减新智能。

通过车路协同路侧子系统的加入，提供了新的以高维数据为代表的智能要素，可以有效分担车载自动驾驶系统的感知、决策和控制压力，降低系统的复杂度。随着自动驾驶研发投入逐渐增加，投入产出比呈边际效益递减的趋势，VICAD可以使 AD个体智能向VICAD协同智能或群体智能过渡，快速提高自动驾驶的能力，并加快规模商业化落地临界点的到来。

2.2 基于车路协同的SOTIF提升自动驾驶安全

2.2.1 单车智能自动驾驶SOTIF

自动驾驶汽车是一种极其复杂的系统，所处的实际驾驶环境要素繁多、复杂多变，使得自动驾驶车辆在安全方面存在许多不确定性。预期功能安全是自动驾驶安全体系的重要组成部分，主要是为了应对由于自动驾驶功能不足和可预见的人为误用造成的危害问题。

AD SOTIF 在感知方面存在的困难主要包括

（1）极端天气（雨、雪和大雾）条件下的感知问题；（2）不利照明条件下的感知问题；（3）遮挡条件下的感知问题。

在 AD SOTIF 在预测和决策控制方面存在的困难主要包括：（1）行人或车辆轨迹预测的不确定性。主要是因为：1、交通参与者的轨迹往往呈现高度非线性；2、驾驶行为具有多模态性；3、交通参与者之间的交互作用难以建模。目前车端轨迹预测算法输出难于确保安全。（2）自动驾驶决策控制算法的可靠性问题。包括基于规则的决策方法与基于人工智能的决策方法，算法的可靠性也是目前自动驾驶面临的重要困难之一。

2.2.2 车路协同自动驾驶SOTIF保障自动驾驶安全

基于AD SOTIF，从保障自动驾驶安全的角度出发，引入并建立面向车路协同自动驾驶的预期功能安全（VICAD SOTIF）的安全理念，通过协同感知、协同决策与协同控制，解决AD SOTIF面临的突出问题。要通过VICAD SOTIF实现自动驾驶安全，就要求路侧的系统、设备以及车路通信必须满足SOTIF标准框架和相关标准。

面向自动驾驶的车路协同关键技术与展望

根据 SOTIF 四象限理论，通过 VICAD SOTIF 可以使自动驾驶 SOTIF 中的不安全场景转化为安全场景，未知场景转化为已知场景。

（1）不安全场景转化为安全场景：针对原有“不安全”的场景，处理方式有两种：一是提升自动驾驶能力将其转化为安全场景，二是进行触发条件检测并通过限制 ODD 进行排除。车路协同的加入，让自动驾驶车辆能够获取更全面的数据，可以更早更远的启动处理，从而为车辆应对不安全场景营造更好的条件。同时，也支持增强对危险场景的触发检测能力，以便通过 ODD 将其排除。

（2）未知场景转化为已知场景：针对原有“未知”的场景的探索是一个行业难题“你永远不知道不知道什么”，车路协同一方面可以通过全量的感知识别完成对未知现象触发和处理，如将未知异常的交通现象转化为触发条件，并且提示过往车辆提前做出预判；另一方面，通过数据驱动和算法学习，可以将未知数据采集、挖掘、训练提升，发现未知场景，从而完成学习式系统的成长。

面向自动驾驶的车路协同关键技术与展望

VICAD SOTIF 带来的显著变化是：（1）“已知安全”场景集合明显扩大；（2）“未知不安全”场景集合明显缩小；

2.2.2.1“已知安全”场景集合明显扩大

“已知安全”对应着 SOTIF 第 1 象限的场景集合。由于部分单车智能自动驾驶“已知不安全”场景、“未知不安全”场景和“未知安全”场景（第 2、第 3、第 4 象限的场景集合），在加入车路协同后，会转化为“已知安全”场景。这样就实现了“已知安全” 场景集合的扩展。同时，原单车智能自动驾驶即使是“已知安全”的场景并非是百分百安全，在加入车路协同后，安全的概率会进一步提升。

2.2.3 车路协同安全分析模型

在 SOTIF 框架下，为缩小自动驾驶中已知不安全（SOTIF 第 2 象限）的区域范围，选取超视距跟驰、换道冲突及无保护左转等三个典型交通场景，从真实数据生成仿真场景，通过协同感知、协同决策与协同控制等机制，构建不同场景下的车路协同安全收益模型，对比分析了单车智能和车路协同对自动驾驶安全的影响，证明了车路协同可以延长碰撞时间、提升安全概率。

在经典安全评价理论的基础上，通过引入车路协同路端感知信息及感知可靠性概率模型，进一步结合多传感器融合的概率迁移模型，我们提出了车路协同自动驾驶安全收益模型。将车路协同和单车智能的场景分别代入，即可在理论上得到车路协同相对单车智能在自动驾驶安全方面的收益。

面向自动驾驶的车路协同关键技术与展望

2.2.3.1 理论模型框架模块

基于碰撞时间的车辆驾驶行为安全量化技术指标受到行业内的普遍认可，该模型虽可用于分析车路协同自动驾驶的安全性，但往往只针对非智能车辆或处于理想工况的车路协同系统，在真实场景中，往往存在传感器失效、不良天气影响及算法边缘场景（corner case）等状况，造成了理想仿真场景与实际交通场景在感知方面的较大差异，无法体现车路协同为单车智能提供冗余信息和互补信息的优势，因此，在传统安全模型框架的基础上加入感知模型，得到一个更接近真实场景的自动驾驶安全理论模型框架。

2.2.3.2 典型场景下的安全计算方法

为了对比车路协同与单车智能在自动驾驶安全方面的差异性，根据已选取的三个典型交通场景，分别代入上述自动驾驶安全的理论模型框架中，计算在不同典型场景下的安全量化指标，分析其安全性。

面向自动驾驶的车路协同关键技术与展望

2.2.3.3 理论计算结果与分析

基于真实交通流数据，统计拟合出场景分布模型，并结合我们提出的 VICADSRM，计算单车智能和车路协同在三种典型场景下的运动状态和安全评价指标。

在时间评价维度，针对超视距跟驰、换道冲突和无保护左转三种场景，我们分别采用 TTC、TTC 和∆T 作为基于时间的安全评价指标，车路协同对比单车智能，实现了 0.04%、7.61% 和 31.31% 的提升。在概率评价维度，我们使用事故率 1-Psafe 作为指标，车路协同相比单车智能在三种场景下分别降低 38.94%，84.53% 和 90.75%。实验结果表明，车路协同将 SOTIF“已知不安全”场景转化为“已知安全”场景，因此能够显著提升自动驾驶安全性。

2.3 基于车路协同扩展自动驾驶ODD

2.3.1 自动驾驶ODD限制

自动驾驶运行设计域（Operational Design Domain，ODD）是指自动驾驶系统功能设定的运行条件。每个自动驾驶系统运行的前提条件及适用范围可能都不太一样，只有当全部条件都满足时自动驾驶才能保证正常运行，相反欠缺任何一个前提条件，自动驾驶系统都有可能出现故障，这时就需要采取紧急停车措施或是驾驶员手动接管。由于现在的自动驾驶技术还处于发展阶段，无法保证自动驾驶车在任何天气条件下和任何道路环境中都可以安全行驶。因此，自动驾驶系统会提前设定好 ODD，通过限制行驶环境和行驶方法，将有可能发生的事故防范于未然。

自动驾驶 ODD 包括但不限于天气条件、区域和时段限制、速度区间、交通流量及道路特征等。自动驾驶必须在限定条件下才能正常运行，其根本原因是自动驾驶车辆自身的传感器能力、计算能力、决策规划能力等存在限制，难以保证车辆在各种复杂工况下都能安全运行。例如受限于车载传感器的安装位置、传感器自身特性等原因，车辆难以完成精准识别。

2.3.2 车路协同对ODD的扩展

通过车路协同，可以解决上述单车感知遇到的问题，单车智能自动驾驶车辆的 ODD 存在一定局限性，路侧通过协同感知可以解决单车感知和预测方面的局限性，对车辆的感知范围、感知能力和可识别场景进行扩展，最终实现对单车运行设计域的扩展，保证自动驾驶车辆能够应对更多场景。当车路协同感知、协同决策控制达到一定能力水平时，车辆就可以所有时间、所有道路环境安全行驶。

面向自动驾驶的车路协同关键技术与展望

车路协同自动驾驶需要高等级智能道路

VICAD 由于安全性、可靠性高，能充分发挥道路的优势弥补 AD 的不足，可以大大降低自动驾驶规模商业化的门槛，但是不同自动驾驶能力水平的车辆要通过 VICAD 实现规模商业化，对道路智能化的要求存在较大差异。

3.1 面向车路协同自动驾驶的道路智能化分级

3.1.1 分级目的

对道路进行智能化分级的原因有两方面：

（1）不同等级智能驾驶汽车需要不同能力等级的道路支撑，以实现规模商业化。虽然车路协同自动驾驶已成为我国发展高等级自动驾驶的明确技术路线，但不同等级的自动驾驶车辆要实现规模商业化发展，对道路的能力具有不同的要求。

（2）不同等级智能驾驶汽车需要不同能力等级的道路支撑，以实现规模商业化。要将如此庞大的公路体系建设成为智能化公路，需要一个合理的建设规划与技术路径。公路智能化建设不是一蹴而就的，各地公路的自身条件不同，对智能化的需求也不相同。我国智能道路的发展应兼顾各地公路不同的功能需求，将智能公路的智能化等级进行划分，不同公路采用不同的智能化等级为目标进行规划与建设。

3.1.2 技术分级

面向自动驾驶的车路协同关键技术与展望

3.2 自动驾驶规模商业化对道路智能化的关键需求

（1）现阶段：“聪明的车”与“智慧的路”协同推进

考虑到现阶段自动驾驶、V2X通信、云控平台、智能道路等技术的发展现状，VICAD规模商业化落地的可行路径有两条： 1、C4级智能道路+（L2-L4）网联自动驾驶车辆（Cooperated Automated Vehicle, CAV）； 2、L4级别CAV+（C1-C4）级智能道路。这两条路径都能助推自动驾驶实现规模商业化落地，也都需要“聪明的车”与“智慧的路”协同发展，仅依靠“聪明的车”或者“智慧的路”，要实现规模商业化落地都面临着巨大的挑战和困难。

（2）未来：L5 的车与 C5 的路是终极目标

未来，仅依靠L5的AV就可以在任何智能道路环境下实现完全自动驾驶，或者仅依靠C5的智能道路与L2以上等级的CAV 也能实现完全自动驾驶，但这两种方式都是理想中的终极目标，是多技术、多产业深度融合协同的终极形态，可实现的难度较大。

综上所述，（1）考虑到经济性和现阶段技术发展水平，在发展单车智能自动驾驶的同时，需要同等重视发展车路协同自动驾驶，两种方案都是实现自动驾驶规模商业化落地的可行路径；（2）在 L4 单车智能自动驾驶规模商业化存在较大困境的情况下，建议加快建设 C4 级智能道路，支撑 L2+ 和 L3 自动驾驶快速提升能力获得收益实现规模商业化落地。

3.3 建设高等级智能道路具有显著经济性

建设部署高等级智能道路“面向未来，兼容当下”，具有显著经济性，不仅可以“面向未来”满足车路协同自动驾驶车辆规模商业化落地的发展需求，也可以“兼容当下”降维解决低等级自动驾驶和车联网的发展需求，支撑开展智能交通、智能交管、智能高速、智慧出行服务，开展新型智慧城市建设。

高等级智能道路的经济性可以从微观和宏观两个角度进行分析：

（1）微观角度：以实现 L4 高等级自动驾驶规模化落地为目标，单车智能自动驾驶技术路线所需的成本是增加车端冗余设备系统费用，而车路协同自动驾驶技术路线所需的成本约等于建设 C4 级智能道路的升级改造费用，也可以等同于将智能化道路上的投资费用与分摊到每一辆车上的节约投入费用的两种费用进行比较。3.3.1 节将详细展开比较论述。

（2）宏观角度 : 建设部署高等级智能道除服务于自动驾驶外，还有多重收益，比如： 1、通过基础设施的集成或复用，避免道路设施重复建设，节约投资成本； 2、通过道路基础设施数据开放共享和创新应用，可以提供更多新型智能应用，带来营收收入，同时带动产业发展。

3.3.1 微观经济效益比较

（1）全国数据推算

据公安部统计发布数据，截至到 2020 年末，全国汽车保有量达 2.81 亿辆。据统计评估，全国各大城市交通路口数量约 25 万个，从汽车保有量和城市交通路口的两者数字上就可以直观看出，汽车保有量与路口数量的比例为“千”级别。

据交通运输部《2020 年交通运输行业发展统计公报》数据显示 , 截止到 2020 年末，全国四级及以上等级公路里程 494.45 万公里，高速公路里程 16.10 万公里，全国城市道路 45.90 万公里。全国汽车保有量有 2.81 亿辆，由此可推算，只要在每辆车上节省 1.98 万元的成本，就可以在每公里的道路上投入 100 万元的智能化改造。考虑到由于城市车辆密度高，分摊到每辆车费用低，是造成每辆车节约金额有数量级差别的主要因素。而且，随着车路协同大规模落地，可以预测每公里智能化道路的升级改造成本会远低于 100 万元，即使我们扣除掉一些测算的误差， VICAD 智能化道路所需的升级改造成本也是相对很低的。

（2）单个城市数据推算

以部分城市具体数据为例。根据大多数城市车辆运行规律，市内道路行驶是城市保有车辆的主要用途，仅做自动驾驶车辆在城市道路运行的成本收益分析。同理，以高速场景为主要用途的车辆也可以做高速运行成本收益分析。

只要在每辆车上节省成本，就可以在每公里的道路上投入智能化设备升级改造。相对比于全国，城市的车辆密度高，摊薄到每辆车费用较低。通过单个城市部署成本收益分析，重点城市快速部署具备一定的经济可行性。

基于以上分析从整体发展趋势上看，可以预测 VICAD 比 AD 具有更高的经济效益。同时考虑智能化道路公共设施复用率高，又有成本分摊机制效果，随着 VICAD 技术不断迭代，单位道路资源上需要承载的车辆会逐渐增多，VICAD 的部署成本优势会更加明显。

3.3.2 宏观经济效益分析

建设部署高等级智能的宏观经济效益分析，可从避免重复投资建设和创新应用两个角度进行分析：

（1）避免重复投资建设：高等级智能道路具有全量高精度感知识别的能力，可以充分发挥道路系统和设备设施的优势，研究提供交通监控执法、舆情监控、公共安全管理等能力，为交通、公安、城建等多个政府部门提供基础数据和基础能力服务，实现设备设施的最大化利用，避免重复投资建设和设备浪费。

（2）通过创新应用探索更多服务模式和商业模式：高等级智能道路具备车辆、道路、行人、云端高维数据的汇聚和实时处理分析能力，除服务于车路协同自动驾驶外，可以不断探索开展更多的商业化运营服务创新，比如智慧交管服务、城市智慧出行、车辆安全管理等，通过各类服务为高等级智能道路带来盈利，最大可能发挥智能道路价值。

百度车路协同自动驾驶实践

4.1 百度ACE智能交通引擎

百度从 2013 年开始大力投入无人驾驶汽车的研发，2017 年，百度基于在自动驾驶领域的技术研发和积累经验，正式面向全球推出首个自动驾驶开放平台“Apollo（阿波罗）”，Apollo 是一个开放的无人驾驶平台或者是一个开放的无人驾驶的生态系统，目的是帮助汽车行业及自动驾驶领域的合作伙伴结合车辆和硬件系统，快速搭建一套属于自己的完整的自动驾驶系统。目前 2021 年，Apollo 开放平台已升级到 6.0 版本，平台拥有全球生态合作伙伴超过 210 家，汇聚全球开发者 55000 名，开源代码数 70 万行。

面向自动驾驶的车路协同关键技术与展望

2020 年 4 月，百度正式对外发布全球首个车路智行融合的全栈式智能交通解决方案 “ACE 交通引擎”。 ACE 交通引擎是一个覆盖基础技术能力、平台解决方案和垂直应用场景的系统化方案，包括“一大数字底座、两大智能引擎、 N 大应用生态”，其核心目标是发挥 Apollo 自动驾驶与车路协同核心能力，全面构筑人、车、路全域数据感知及智能处理分析的智能交通系统，为自动驾驶与智能交通提供泛在连接技术与端到端应用服务，改善交通效率与安全。

面向自动驾驶的车路协同关键技术与展望

4.2 Apollo车路协同自动驾驶实践

4.2.1 Apollo共享无人车规模化测试运营

截止 2021 年 6 月，百度 Apollo L4 级自动驾驶路测里程已经突破 1200 万公里，成为全球唯一一家实现千万公里级路测积累的中国企业，并且保持着 0 安全事故的纪录。百度 Apollo 率先在全国范围内开启了量产自动驾驶服务，用最强自动驾驶技术挑战中国复杂的城市道路场景。

共享无人车与自动驾驶巴士是百度 Apollo 自动驾驶规模商业化的重要探索实践，Apollo 共享无人车与自动驾驶巴士拿到了超过 244 张测试牌照，接待乘客超，过 21 万人次，路网覆盖 30 个城市，面积达到 391 平方公里。伴随着共享无人车与自动驾驶巴士在不同城市落地，Apollo 车路协同自动驾驶为共享无人车与自动驾驶巴士提供规模化测试验证和示范运营服务，保证了自动驾驶安全运营，为乘客提供高质量体验服务。

4.2.2 Apollo Air计划

为进一步推进车路协同自动驾驶从先导示范到规模商业化落地，基于百度 ACE 智能交通引擎实践，在进行智能化改造和不断打磨迭代的基础上，联合清华大学智能产业研究院正式提出了 Apollo Air 计划。

Apollo Air 计划有三大典型特征：（1）依靠纯路侧感知实现车路协同自动驾驶；（2）持续降维反哺车路协同产品；（3）标准开源开放实现业界共享。

其中，依靠纯路侧感知实现车路协同自动驾驶是 Apollo Air 的最大技术创新，在不使用车载传感器，仅依靠路侧轻量感知的前提下，实现连续覆盖感知，并利用 V2X、5G 等无线通信技术就可以实现车 - 路 - 云协同的 L4 级自动驾驶。

依靠 Apollo Air 纯路侧感知技术，还可以持续反哺现有的智能路口解决方案，将技术降维释放给车路协同量产产品，为共享无人车运营和高级别辅助驾驶提供高可靠性的路侧感知数据。 Apollo Air 计划是行业发展到无人化、规模商业化运营新阶段的必然需求，也是对现有的车路协同技术的一次全面升级，只有以高可靠性、高准确率的路侧感知技术的提升来加强车路协同的融合感知框架，才能更好地为自动驾驶提供安全保证。

4.3 Apollo车路协同典型场景和技术优势

百度 Apollo 车路协同自动驾驶在全面满足行业已发布标准的基础上，结合已落地项目开展了大量 V2X 车路协同应用测试验证和先导示范，以下列举出典型协同感知应用场景。

面向自动驾驶的车路协同关键技术与展望

4.3.1 全量交通要素感知定位

基于 Apollo 车路协同规模化测试验证和示范运营积累，百度在智能道路方面具备对全量交通要素的实时准确感知能力，交通要素感知的准确率、位置精度、端到端全链路时延等指标达到了 C4 级高等级智能道路标准，核心指标符合要求。

同时，为了满足与 L4 级自动驾驶车辆进行车路协同感知的要求，实现交通要素对象级位置融合和速度融合，Apollo 车路协同在路侧感知方面专门开展了零速检测准确性优化、速度波动优化、静转动时延的专项优化等一系列专项优化，最终实现了一系列高难度复杂场景感知识别。

4.3.1.1 动静态盲区/遮挡协同感知

AD 盲区问题描述：

受限于单车智能的传感器感知角度限制，在出现静态障碍物或动态障碍物遮挡时，自动驾驶汽车主车难以准确获取盲区内的车辆或行人的运动情况。

VICAD 动静态盲区协同感知：

通过路侧多传感器部署，实现对多方位、长距离连续检测识别，并与 AV 主车感知进行融合，实现自动驾驶车辆对盲区内车辆或行人的准确感知识别，车辆可提前做出预判和决策控制，进而降低事故风险。

4.3.1.2 车辆超视距协同感知

AD 超视距感知问题描述：受限于车载传感器的类型、感知范围、分辨率等因素，AV主车对超出车载传感器覆盖范围的交通运行状况、交通参与者或障碍物检测结果不稳定，容易出现类型跳变等问题。

VICAD 超视距协同感知：通过路侧多传感器部署，实现对多方位、长距离连续检测识别，并与AV主车感知进行融合，实现自动驾驶车辆对超视距范围内车辆或行人的准确感知识别，车辆可提前做出预判和决策控制，进而降低事故风险。

4.3.1.3 路边低速车辆检测

AD 超视距感知问题描述：受车端传感器感知视角及车辆实时运动等因素的影响，AV 主车对路边低速车辆检测的速度估计不准，如路边缓慢倒车、路边车辆驶出等，造成潜在碰撞或急刹风险。

VICAD 超视距协同感知：通过路侧多传感器部署，实现对道路多方位、长距离连续检测识别，并与 AV 主车感知进行融合，实现自动驾驶车辆对低速车辆或行人的准确感知识别，车辆可提前做出预判和决策控制，进而降低事故风险。

4.3.2 道路交通事件感知定位

自动驾驶车辆需要对各类交通事件进行实时准确感知识别，但是交通事件往往具有一定的复杂性、实时性，仅依靠车辆很难进行准确全面的识别定位，车端由于观察的角度、视距时长受限，面对违章占道停车、“死车”等场景，难以对交通态势进行及时的语义判断，使得车辆刹车或变道距离短，容易造成急刹。百度 Apollo 车路协同通过 C4 级智能道路对背景建模实现交通态势的语义判断，进行交通事件实时感知，为 L4 级自动驾驶车辆提供交通事件协同感知服务，让车辆提前进行预判和决策控制，如变道绕行、停车，避免急刹或事故等风险，保障自动驾驶车辆安全。

4.3.3 路侧信号灯融合感知

通过 VICAD 协同信号灯感知识别，将信号灯灯色和倒计时数据实时发送到车端，路侧识别信号灯灯色和倒计时数据的准确率、端到端时延等满足 C4 级道路指标要求，核心指标准确率不低于 99.9999%，信号灯端到端时延低于 200ms，数据发送频率不低于 8Hz。

建设高等级智能道路助力实现跨行业协同创新

全球车路协同自动驾驶相关技术研究、测试示范、法规标准制定总体还处于探索和起步阶段，我国虽然起步较晚，但发展迅速，总体上处在第一阵营地位，中国完全有机会充分发挥自身的体制机制优势、战略政策优势、技术产业优势，建设高等级智能道路，发展车路协同自动驾驶，引领自动驾驶快速规模商业化落地。建设高等级智能道路，通过连接交通、汽车、电子、通信、互联网等多个行业，除了服务于车路协同自动驾驶外，还能充分发挥智能道路的全要素高精度感知能力、车路云一体化智能化管控和服务能力，探索开展更多创新应用和创新服务，催生出数字经济发展新机遇，加快新型智慧城市建设，助力实现交通强国宏伟目标，推动我国经济转型升级和高质量发展。

5.1 建设高等级智能道路的中国优势

（1）体制机制层面，国家统筹能力优势

我国国情决定了国家拥有强大的全局统筹能力，可以在新技术的研发落地的各个阶段发挥其强大的号召引领作用。这种统筹能力可在车路协同自动驾驶的研究与落地中显得尤为突出，加速技术研发，并逐步完成全国范围内的道路基础设施重新规划与升级。

（2）战略政策层面，国家新基建政策会加速车路协同的全面发展

在国家战略层面，我国基本明确了车路协同与单车智能结合的发展道路。将车路协同作为发展智能交通、无人驾驶的杠杆着力点，重点发展车路协同，则有望实现换道超车。在政策层面，国家主管部门统筹规划，加强顶层协同，营造良好的产业发展环境；各级地方政府部门也结合自身发展需求和基础优势，积极推动车路协同自动驾驶产业发展。

（3）产业协同层面，汽车、5G 和 ICT 产业具备创新引领条件

我国在汽车、交通、ICT 技术与产业方面具有较大的优势，这些产业通过车路协同自动驾驶深度融合与协同，形成合力，初步具备了创新引领发展的条件。

（4）技术保障层面，车路云标准体系规划配套完整

组织完成制定并印发系列文件明确了国家构建车联网生态环境的顶层设计思路，表明了积极引导和推动跨领域、跨行业、跨部门合作的战略意图。

面向自动驾驶的车路协同关键技术与展望

5.2 提升城市智能交通管理能力，提高交通出行效率

通过建设高等级智能道路，利用人工智能、驾驶自动化、网络通信、云计算大数据、物联网等技术，将车、路、云、网、图等核心要素实现全面互联互通。构建以车路协同高维数据为重要基础、以通信网络为纽带、以产品服务应用为核心的服务体系，可以实现交通基础设施、交通运输装备与交通运行监控的有机结合，为用户和社会提供立体互联、完备可控、便捷舒适、经济高效的一体化交通运输服务。这是对传统分散式交通技术的一次深刻变革，也是构建安全、便捷、高效、绿色、经济的现代化综合交通体系的科技支撑。

面向自动驾驶的车路协同关键技术与展望

5.3 推进高速公路建管养运一体化，建设智慧高速

高速公路的数字化、智能化面临着迫切需求，全国各地已先后开展了大量智慧高速的试点建设项目，但仍然存在感知能力薄弱、智慧管控手段不足、资产管理手段匮乏、服务能力手段单一等痛点问题。

通过建设高等级智能高速公路，在开展传统高速公路应用服务的基础上，通过路网大数据实时接入和处理分析，支撑开展车路协同自动驾驶、一体化综合监测、全生命周期数字管养、全天候安全出行服务、智慧服务区、收费服务、应急指挥等服务，最终构建面向智慧高速“建管养运服”全生命周期服务体系。

5.4 提高城市综合治理能力，构建安全节能新型智慧城市

高等级智能道路是未来智慧城市建设的最重要基础设施，是构建数字孪生城市的关键基础，通过道路全息感知、边云智能决策等手段，能够实现物与物、物与人、物与网络、人与人之间的泛在连接，可以提升传统基础设施的建设质量、运行效率、服务水平和管理水平，解决城市供需平衡面临的一系列突出问题，助力城市高质量发展。从支撑新型智慧城市发展的角度，基于高等级智能道路，可针对以下重点内容进行探索研究：

（1）通过智能道路构建城市全面感知体系，提升城市安全管理水平

在智能道路建设的基础上，通过智能道路实现对城市的全面感知、态势监测、事件预警，提高城市综合治理和安全管理能力。加快智慧多功能杆建设，完善物联感知手段。加快智慧多功能杆建设，形成共建共享、集约高效的城市物联感知网络建设模式，提升公共安全、城市管理、道路交通、生态环境等领域的智能感知水平。建立时空基础设施，实现全市遥感各类地理空间数据和时空大数据的统一标准、统一汇聚和统一服务。建立开放式城市感知平台，加强感知数据标准化处理和共享共用，以及感知设备的规范化接入和数据汇聚，结合互联网数据，实现对物理社会和虚拟社会的全面感知，形成智慧城市全量信息视图。支持企业开展新型智能终端应用，支持企业在社区、公共场所、办公楼宇等区域部署智能服务终端，支持智能机器人、智能支付、虚拟现实等智能化应用。

（2）通过智能道路支撑构建节能环保体系，助力实现碳中和碳达峰

通过建设等级智能道路对构建节能环保新型智慧城市具有极大的促进作用，具体体现在： 1、通过道路智能化实现设备复用，避免重复建设，节约政府财政支出，节省电力能源； 2、通过高等级智能道路实现多杆合一，灯杆兼具照明、通信、V2X 服务等多重功能，实现节能的目的； 3、高等级智能道路致力于实现高等级自动驾驶规模商业化落地，可以显著提高交通出行效率，减少有害气体排放，对于中国实现碳达峰和碳中和具有极大的促进作用。充分利用高等级智能道路的全面感知能力、大数据汇聚处理能力、车路协同服务能力等，基于已有和新发展的交通方式，综合匹配乘客的出行时间、出行成本和对环境的影响，采用一种或多种交通方式服务乘客完成空间位置移动，提供一站式出行服务，实现便捷换乘、便捷支付、共享出行。

报告链接：面向自动驾驶的车路协同关键技术与展望

（本文仅供参考，不代表我们的任何投资建议。如需使用相关信息，请参阅报告原文。）