《清華大學智能產業研究院：面向自動駕駛的車路協同關鍵技術與展望2.0（2023）（177頁）.pdf》由會員分享，可在線閱讀，更多相關《清華大學智能產業研究院：面向自動駕駛的車路協同關鍵技術與展望2.0（2023）（177頁）.pdf（177頁珍藏版）》請在三個皮匠報告上搜索。

1、版權聲明本白皮書版權為清華大學智能產業研究院及阿波羅智聯(北京)科技有限公司所有，如需引用本白皮書內容，不得對本白皮書內容做任何改編，并滿足如下引用規范：“清華大學智能產業研究院、百度Apollo，面向自動駕駛的車路協同關鍵技術與展望2.0，2022”。自動駕駛是人工智能領域未來五年最復雜的任務之一。自動駕駛技術走向產業應用，本質上是跨越“達爾文之?！?，同樣充滿挑戰。站在技術角度，完全成熟的自動駕駛技術不會缺席，但什么時候到來？不同的技術路徑選擇指向不同的商業臨界點。更為關鍵的是，自動駕駛技術應用有一項不可妥協的原則安全性，必須充分考慮當下的法律法規、政策、倫理等諸多因素?，F階段如果完全依賴單

2、車智能，長尾場景短期內難以得到解決，若算力無法快速突破、硬件價格無法快速下降，那么自動駕駛的規模商業落地將需要較長時間。技術創新與產業應用之間存在挑戰，需要科學家與企業家攜手面對。這是清華大學智能產業研究院（AIR）在2021年與百度公司聯合發起“Apollo AIR”計劃、探索以純路側感知能力賦能自動駕駛的原因，也是兩個團隊牽頭眾多行業合作伙伴，共同編寫面向自動駕駛的車路協同關鍵技術與展望（簡稱“AIR 系列白皮書”）的初心。得益于C-V2X、邊緣計算、云計算等技術的發展和應用，車路協同技術可以有效補充單車智能面臨的安全長尾，兼顧設計運行范圍和經濟性。車路協同自動駕駛（VICAD）為智能汽車

3、引入了一套更高維的智能要素，數據、算力和算法都不再局限于單體智慧，而是演變為協同智慧，不同級別的自動駕駛、智能網聯汽車均可以參與到道路交通信息的交互中。有了高維視角，加上實時信息傳遞，智能汽車的“感官”將被進一步增強，在錯綜復雜的交通環境中做出更好的判斷和決策。車路協同與單車智能相輔相成，是自動駕駛的高階發展形態和必然趨勢。這既是技術命題，更是產業命題。發展車路協同不僅讓自動駕駛真正成為一項老百姓用得起、用得上的技術服務，極大降低規模商業化門檻，更是一項跨產業的超級系統工程，可帶動汽車、通信、交通、半導體等產業跨越式發展，加速構建以自動化、智能化為特征的交通出行體系，全面進入智能化城市和社會。

4、“AIR 白皮書2.0”圍繞這些思考作了詳細論證，它不是一套烏托邦式的暢想，而是一份基于真實產業需求、應用場景，并且旨在帶來關鍵改變的技術報告。序 言張亞勤中國工程院院士 清華大學講席教授、智能產業研究院（AIR）院長2022年的秋天，我與清華AIR和百度Apollo的同事在北京奧森公園有過一場面對面的交流，大家探討了在未來人工智能技術如何才能更好地被應用到交通場景，自動駕駛的未來將呈現何種景象。彼時，“AIR白皮書2.0”在經過近一年的推演、探討與修訂后即將付梓。創新沒有盡頭，有關人工智能、車路協同、自動駕駛的探索始終是進行時，白皮書也會伴隨人工智能技術的迭代、我們對于行業理解的加深持續升級

5、。我想感謝所有參與編寫和評審的同事，并衷心期待面向自動駕駛的車路協同關鍵技術與展望2.0能成為一個新的連接點，推動車路協同自動駕駛加速走向廣闊的產業，走入我們的日常生活。2022年12月1美國將單車智能自動駕駛定義為Autonomous Driving，歐洲ERTRAC將單車智能自動駕駛定義為Automated Driving。2美國CARMA提出了協同式自動駕駛（Cooperative Driving Automation，CDA），歐洲ERTRAC提出了網聯自動駕駛（Connected Automated Driving，CAD）的概念，參考國外情況，并結合我國技術發展現狀,本白皮書將車路

6、協同自動駕駛定義為Vehicle Infrastruc ture Cooperated Autonomous Driving，VICAD）。3關于自動駕駛技術路線的詳細論述見面向自動駕駛的車路協同關鍵技術與展望（2021年）。4https:/www.transportation.gov/av/avcp5https:/www.its.dot.gov/6Connected Automated Driving RoadmapR.The European Road Transport Research Advisory Council(ERTRAC)7https:/www.car-2-car.org/

7、about-c-its/8https:/www.ccam.eu/自動駕駛技術是影響未來汽車產業發展的重要因素。隨著自動駕駛技術的成熟和商業化的加速，汽車將不再只是從屬于人的駕駛工具，車的核心價值部件由體現動力和操作系統的傳動系統，轉向體現自動駕駛水平的智能軟件系統和處理芯片，駕駛員的雙手、雙腳和雙眼將被解放，出行過程中的娛樂、社交、消費場景將被徹底打開，自動駕駛萬億級市場將被激活。當我們談論自動駕駛時，通常是指單車智能自動駕駛（Autonomous Driving，AD）1和單車智能自動駕駛車輛（Autonomous Vehicle，AV），希望車輛能夠自主識別交通標識，讀懂交通信號燈，分辨出

8、路上的物體，并能夠進行實時路徑規劃與決策控制，像人類一樣去駕駛。結合行業自動駕駛的發展情況來看，AD又可以分為“漸進式”和“跨越式”兩條技術路徑：其中漸進式自動駕駛以車企為代表，從低級別的輔助駕駛系統搭載開始，先量產商用，再通過數據對算法進行迭代，最終實現完全無人駕駛；而跨越式自動駕駛路徑以互聯網公司、創業科技公司為典型代表，大多選擇攝像頭與激光雷達等多傳感器融合的方式，堅持“一步到位”，直奔L4及以上高等級自動駕駛技術成熟和規模商業化。隨著自動駕駛的深入發展，在AD的基礎上，演進出現了車路協同自動駕駛（Ve-hicle Infrastructure Cooperated Autonomous

9、 Driving，VICAD）2 這一新的技術路線和新的發展階段3。VICAD則是在AD的基礎上，充分發揮道路系統、云與網絡的優勢，開展車與車、車與路、車與云、車與人的協同配合，最終實現完全自動駕駛。世界各國都高度重視VICAD相關技術的研究和產業應用。美國2004年就啟動了車路集成系統（Vehicle-Infrastructure Integration，VII）研究計劃，并連續發布了自動駕駛車輛綜合計劃（Automated Vehicles Comprehensive Plan）4、ITS戰略計劃（ITS Strategic Plan）5 等一系列綱領性文件，并主導了IntelliDriv

10、e、Connected Vehicle Pilot、CARMA等一系列研究和驗證示范項目；歐洲也在ITS-G5、4G/5G通信技術的基礎上，發布了Connected Automated Driving Roadmap6、Cooperative Intelligent Transport Systems and Services7、Cooperative,connected and automated mobility(CCAM)8等頂層設計規劃，并在歐洲地平線計劃（Horizon Europe）總體框架下，主導開展了大量的研究測試和建設部署項目，如eSafety、CVIS、Drive C2X、

11、CAR2CAR和C-ROADS等；日本早在2006年就啟動了下一代前 言92022年12月14日，中共中央、國務院印發了擴大內需戰略規劃綱要（20222035年）102020年2月10日，國家發展改革委等11部門聯合發布智能汽車創新發展戰略112020年10月20日，國務院辦公廳印發新能源汽車產業發展規劃（20212035年）122019年9月19日，中共中央 國務院印發交通強國建設綱要132022年1月24日，交通運輸部、科學技術部印發交通領域科技創新中長期發展規劃綱要（20212035年）14智慧城市基礎設施與智能網聯汽車協同發展試點，簡稱為“雙智”試點15引自GB/T 40429-202

12、1汽車駕駛自動化分級“Smartway計劃”，通過整合ITS的各種功能，建立全國性的車載集成平臺，為車輛提供ETC、DSSS、ASV等服務，2017年9月，日本東京發布最新一版城市總體規劃都市營造的宏偉設計東京2040，推進“新東京”實現3個愿景：“安全城市”、“多彩城市”、“智慧城市”。中國積極推動VICAD技術和產業發展，從頂層設計、戰略布局、行業應用等層面進行系統性推進，目前總體處于全球領先水平。在技術路線與政策體系方面，“單車智能+網聯賦能”自動駕駛技術路線已成為廣泛共識，政府主管部門積極加強頂層規范設計，營造產業發展良好環境，出臺了一系列政策文件，包括擴大內需戰略規劃綱要（2022-

13、2035年）9智能汽車創新發展戰略10新能源汽車產業發展規劃（2021-2035）11交通強國建設綱要12交通領域科技創新中長期發展規劃綱要（20212035年）13等，為車路協同自動駕駛發展指明了方向；各地政府部門結合自身發展需求和優勢，發布了積極推進產業發展的一系列指導意見和發展計劃，大力發展車路協同技術，推動產業應用。在技術驗證和應用示范方面，工信部牽頭先后批準建設了江蘇（無錫）、天津（西青）、湖南（長沙）、重慶（兩江新區）等國家級車聯網先導區，北京、上海、廣州、深圳等地也大力支持開展車聯網示范區建設和“雙智”試點14，加快車路協同基礎設施規模建設部署，IMT-2020（5G）推進組、中

14、國智能網聯汽車產業創新聯盟（CAICV）等組織也先后開展了C-V2X“三跨”、“四跨”、“新四跨”系列大規模先導應用示范活動，逐步推動VICAD從封閉開發走向互聯互通和大規模應用。行業針對VICAD的研究和探索從未止步。為了進一步加快構建完善VICAD理論和技術體系，推動VICAD走向落地應用，清華大學智能產業研究院(AIR)張亞勤院士與百度Apollo、中國信息通信研究院、中國信科、中國聯通等10余家行業單位共同組建研究團隊，針對VICAD開展系統化研究和探索。2021年，研究團隊從自動駕駛發展存在的問題出發，提出了VICAD技術路線，并從安全性、設計運行范圍（Operational Des

15、ign Domain，ODD）15和經濟性等維度對VICAD進行了分析和論證；同時，針對VICAD中“路”這個短板，研究團隊也提出了智能化道路的分級標準和統籌建設高等級智能道路的發展建議，最終在2021年6月，面向行業首次發布了 面向自動駕駛的車路協同關鍵技術與展望1.0白皮書。2022年，我們繼續聚焦VICAD，又有了進一步的理解和認識。首先，VICAD是一個持續發展演進的技術體系，為應對自動駕駛、智能交通、C-V2X車聯網以及共享出行等一系列交叉行業的融合發展需求，需要有一個“面向未來、兼容當下”的車路協同系統作為支撐，同時支持“漸進式”和“跨越式”自動駕駛走向普及應用，并為以后推動智能交

16、通、智慧出行和智慧城市融合創新發展奠定堅實基礎；其次，我們針對不同等級自動駕駛車輛，明確了VICAD走向規模商業化的落地路徑，借助車路協同全方位技術能力（包括車路協同感知、車路協同決策規劃與車路協同控制），可以從本質上解決自動駕駛面臨的瓶頸問題，提升自動駕駛能力水平；第三，現階段發展VICAD的首要任務仍然是補齊“路”這個短板，而我國在這方面具有強大的體制機制、戰略政策、產業生態和技術領先優勢，需要統籌規劃、分級推進高等級智能道路在先行城市和高速公路的建設部署，探索車路協同公交專用道、車路協同自動駕駛專用道等一系列商業化運營新模式，形成可推廣、可復制的實踐經驗和成熟方案；最后，建設發展高等級智

17、能道路具有良好的經濟效益和社會效益，在解決自動駕駛發展“臨門一腳”的同時，還可以顯著減少交通事故風險、提高交通運行效率、帶動地方和區域經濟發展，帶給人民群眾更多的安全感、獲得感與幸福感?？偨Y以上研究工作和一年多的探索實踐，研究團隊正式對外發布面向自動駕駛的車路協同關鍵技術與展望2.0白皮書。本白皮書全文共分為七個章節（七個章節之間的邏輯關系見下圖），其中：1)第一章：總結了當前自動駕駛的發展現狀與存在的突出問題；2)第二章：明確了VICAD的概念定義、內涵外延、發展階段、發展現狀與趨勢；3)第三章：以L4等級自動駕駛無人化安全運營為發展目標，基于VICAD全面解決L4等級自動駕駛無人化面臨的問

18、題，實現自動駕駛零接管、高安全，遠超人類駕駛水平；4)第四章：針對L2等級自動駕駛車輛，通過VICAD為車輛和駕駛員提供多樣化應用服務，讓L2車輛在城市、高速等各種交通環境下暢行無阻；5)第五章：提出了道路的智能化分級標準和高等級智能道路的總體設計方案，并建議分步驟統籌規劃建設高等級智能道路，同時嘗試對建設發展高等級智能道路的經濟效益和社會效益進行了量化分析；6)第六章：介紹百度Apollo和清華AIR近兩年在車路協同方面的最新探索與實踐；7)第七章：總結性提出了全文的核心觀點和發展建議。自動駕駛發展現狀自動駕駛規模商業化落地面臨的挑戰1、自動駕駛發展現狀與面臨的挑戰VICAD定義與概念內涵V

19、ICAD發展階段VICAD發展趨勢2、車路協同自動駕駛是自動駕駛的高階發展形態和必然趨勢道路智能化分級標準高等級智能化道路系統總體設計中國優勢5、車路協同自動駕駛發展的核心是建設高等級智能道路Apollo車路協同自動駕駛進展典型實踐場景6、百度Apollo車路協同自動駕駛探索與實踐7、發展展望讓自動駕駛更安全讓自動駕駛無ODD限制L2自動駕駛方案L2車路協同自動駕駛服務3、車路協同自動駕駛實現L4無人化安全運營4、車路協同自動駕駛加速L2規?；瘧孟抻跁r間和研究水平，本白皮書仍有許多待改進之處，需要不斷修訂和完善，在此感謝各編制單位、編制人員和指導專家對白皮書研究與編制工作付出的努力，也歡迎各

20、位領導、專家和業界同仁提出指導意見和建議，共同加入車路協同的技術研究和產業推進工作，加快我國自動駕駛與智能交通融合創新發展。陳山枝 中國信息通信科技集團有限公司副總經理、總工程師、專家委主任，移動通信及車聯網國家工程研究中心主任龔建偉 北京理工大學機械與車輛學院教授、博導、智能汽車研究所所長李克強 中國工程院院士，清華大學教授李興華 同濟大學中國交通研究院院長王先進 交通運輸部科學研究院副院長、總工程師王志勤 中國信息通信研究院副院長楊殿閣 清華大學教授、車輛學院創院院長，中國汽車工程學會會士姚丹亞 清華大學自動化系工程研究所教授余卓平 同濟大學汽車學院教授，國家智能型新能源汽車協同創新中心主

21、任張進華 中國汽車工程學會常務副理事長兼秘書長、國家智能網聯汽車創新中心執行主任張永偉 中國電動汽車百人會副理事長兼秘書長、首席專家指導專家（排名不分先后，按姓氏拼音排序）主編：張亞勤 中國工程院院士，清華大學講席教授、智能產業研究院（AIR）院長主編單位及成員：清華大學智能產業研究院(AIR)：周谷越、袁基睿、龔江濤、陳龍瑞、李楚璇、張研、初夢迪、沈嘉浩、田倍聞、蔣程宇、許瑩、宋旭升百度：尚國斌、劉?？?、王淼、胡星、楊凡、王鯤、胡茂洋、張健、王洪浪、劉澤宇、肖驍、王洪岳、張雯、沙杰峰、駱乃瑞、司遠、杜小川、吳雯玥、黃秀林、王立琦、馬雪晶參編單位及成員：中國信息通信研究院：葛雨明、康陳、于潤東

22、、李鳳、余冰雁中國信息通信科技集團有限公司：胡金玲、楊雅茹中信科智聯科技有限公司：鄧婷婷、房家奕、于中騰、張杰、范炬、張連棟聯通智網科技股份有限公司：周光濤、楊海軍、程軍峰、李勝、辛亮北京車網科技發展有限公司：孫寧、李峰、宋娟、霍俊江、陳瀚、高景伯、姜川同濟大學：胡笳、安連華北京理工大學：呂超、巨志揚英特爾中國區集團：婁杰Apollo理事會及成員單位編制單位及成員第1章 自動駕駛發展現狀與挑戰 -011.1 自動駕駛發展現狀1.2 自動駕駛規模商業化落地存在的挑戰 第2章 車路協同自動駕駛是自動駕駛的高階發展形態和必然趨勢 -062.1 車路協同自動駕駛概念與內涵 2.2 車路協同自動駕駛發展

23、階段 2.3 車路協同自動駕駛發展現狀與趨勢 2.3.1 車路協同感知已進入規?；ㄔO部署應用階段 2.3.2 車路協同決策控制存在現實需求 第3章車路協同自動駕駛實現L4無人化安全運營 -14 3.1 面向L4的車路協同自動駕駛服務策略 3.2 讓自動駕駛更安全，遠高于人類駕駛水平 3.2.1 將“未知”場景轉化為“已知”場景 3.2.2 將“不安全”場景轉化為“安全”場景 3.2.3 VICAD安全評價模型與仿真驗證 3.3 管理擴展自動駕駛ODD，實現無接管連續運行 3.3.1 自動駕駛ODD限制 3.3.2 基于車路協同的ODD動態管理與擴展 3.4 小結 第4章 車路協同自動駕駛加速

24、L2規?；瘧?-574.1 L2自動駕駛主流方案及其限制 4.1.1 L2常見技術方案 4.1.2 電子電氣架構演進 4.1.3 L2自動駕駛面臨的主要挑戰 4.2 面向L2的車路協同自動駕駛服務 4.2.1 總體技術框架 4.2.2 車端參考技術架構 4.2.3 車路協同地圖服務和更新方案 4.2.4 車路協同公開停車場泊車服務 4.2.5 車路協同決策規劃4.2.6 綜合應用效果 4.3 小結 目 錄CONTENTS02030711121213185056155875651846305859606566676973755052第5章 車路協同自動駕駛發展的核心是建設高等級智能道路 -76

25、5.1 支持自動駕駛的高等級智能道路系統總體設計 5.1.1 智能道路分級標準 5.1.2 高等級智能道路性能指標5.1.3 高等級智能道路具體設計 5.2 高等級智能道路的經濟效益、產業價值和社會效益 5.2.1 顯著經濟效益 5.2.2 巨大產業價值 5.2.3 潛在社會效益 5.3 建設高等級智能道路中國優勢第6章 百度Apollo車路協同自動駕駛探索與實踐 -6.1 百度Apollo車路協同自動駕駛進展 6.1.1 標準先行 6.1.2 Apollo Air計劃 6.1.3 智路OS與車路協同開放平臺 6.1.4 DAIR-V2X開放數據集 6.1.5 L4共享無人車規?；瘻y試運營 6

26、.1.6 面向C端用戶的大規模網聯服務6.2 車路協同自動駕駛典型實踐場景和技術優勢 6.2.1 高精地圖實時更新實踐 6.2.2 車路協同感知實踐6.2.3 車路協同決策規劃實踐 6.2.4 車路協同控制實踐 第7章總結與展望 -7.1 觀點總結 7.2 發展展望 7.3 發展建議 附錄 -附錄A：地圖參考位置協議 附錄B：自動駕駛一體化安全評價實驗 B.1 場景分布模型 B.2 感知模型 B.3 決策控制模型 B.4 評價模型 縮略語 參考文獻 免責聲明 77851021081421421441511501481481471521551581651167780959597971081091

27、10112113114117119136128141107146自動駕駛發展現狀與挑戰01 自動駕駛是人類一直追求的發展目標。1925年，世界首輛由無線電遠程操縱的汽車出現在紐約街頭，這應該是自動駕駛的雛形概念；1961年，斯坦福大學研究院試制的Stanford Cart，依賴車頂搭載的攝像頭和早期的人工智能算法，實現了感知、決策、規劃和控制的一系列過程，被認為是世界上第一輛“自動駕駛”汽車。進入21世紀，自動駕駛加速與人工智能、物聯網、高性能計算等新一代信息技術深度融合，已經成為當前全球汽車與交通出行領域智能化和網聯化發展的主要方向，也是各國爭搶的戰略制高點。16GB/T 40429-202

28、1汽車駕駛自動化分級17L0：應急輔助，L1：部分駕駛輔助，L2：組合駕駛輔助，L3：有條件自動駕駛，L4：高度自動駕駛，L5：完全自動駕駛。18中國汽車工業協會：2022年上半年中國汽車產銷報告SECTION 11.1 自動駕駛發展現狀如今，自動駕駛已經逐漸從技術研究和測試驗證階段演進至產品落地階段，越來越多的企業加入到自動駕駛技術研發和自動駕駛汽車生產制造的行列，共同探索自動駕駛的落地應用路徑。按照美國國際自動機工程師學會（SAE）和我國自動駕駛分級標準15，自動駕駛劃分為L0-L516共6個等級，根據“開啟自動駕駛功能后，駕駛員是否應該處于駕駛狀態”這一標準，自動駕駛以L3等級作為分界線

29、，理論上，L3等級以上（包括L3等級）才能稱之為高等級自動駕駛，L3等級以下為輔助駕駛；自動駕駛最理想的狀態是L5等級（完全自動駕駛），能在所有的道路環境下執行完整的動態駕駛任務和動態駕駛任務支援，全程無需駕駛員介入，此時的自動駕駛汽車又可以稱為無人駕駛汽車。綜合來看，當前配備先進輔助駕駛系統功能（Advanced Driver Assistance System,ADAS）的L2輔助駕駛車輛仍然是市場主力，正處在加速量產階段，但市場滲透率和應用規模仍需要進一步擴大；L3、L4及以上高等級自動駕駛仍以測試驗證和區域性示范為主，部分企業無人駕駛開始進入小規模全無人開放運營階段，但城市級全域商業化

30、落地仍然需要克服技術、基礎設施、法規等一系列挑戰。（1）大多數車企已實現L2輔助駕駛車輛量產，市場滲透率大幅提升L2等級的自動駕駛車輛是現階段自動駕駛落地的核心，尤其是以Tesla為代表的造車新勢力，在標配L2級輔助駕駛系統的基礎上，進一步規劃提出了L2.5甚至無限接近于L3功能的汽車量產計劃。截止2022年6月的統計數據顯示17，全國1-6月累計乘用車銷量1035.5萬輛，其中L2及以上等級智能網聯汽車銷量187.3萬輛，滲透率達到20.2%；全國1-6月累計新能源乘用車銷量260.0萬輛，其中L2及以上等級新能源智能網聯汽車銷量112.3萬輛，滲透率高達43.2%；中國汽車工業協會同時預測

31、，2022年全年乘用車銷量有望達到2300萬輛，由此估計2022年全年L2及以上等級智能網聯汽車銷量保守估計將達到460萬輛；預計2022年全年新能源汽車銷量有望達到550萬輛，估計2022年全年L2及以上等級新能源智能網聯汽車銷量保守將達到237.6萬輛。（2）高等級自動駕駛應用場景快速拓展，并實現了初步商業化當前，自動駕駛技術還不足以實現在任意場景下的完全無人駕駛，只能通過不斷學習和反饋實現技術能力的持續迭代，優先在人車混行較少、紅綠燈設置合理、交通規則遵守意識較強的區域和環境落地，比如高速、干線物流、港口、園區、固定路線等限定區域的接駁、清掃車、自動駕駛出租車等場景，其中：1）在自動駕駛

32、出租車方面，IHS Markit發布的中國自動駕駛市場和未來出行市場展望認為，01 自動駕駛發展現狀與挑戰0219截止2022年第三季度末，蘿卜快跑向公眾提供的乘車次數已累計達到140萬SECTION 21.2 自動駕駛規模商業化落地存在的挑戰未來自動駕駛出租車將占到共享出行市場的60%以上。百度自動駕駛出行平臺“蘿卜快跑”已在北京、上海、廣州、深圳、成都等10多個城市提供自動駕駛出行服務，截至2022年第三季度末，累計訂單量已超過140萬19；全球范圍來看，GM Cruise、Waymo等企業也在探索自動駕駛出租車商業運營。2）在自動駕駛干線物流方面，自動駕駛可以填補國內超過1000萬的貨車

33、司機缺口，節省運輸總成本中30%-40%的人力成本，該領域的自動駕駛企業較多，包括DeepWay、主線科技、嬴徹科技、千掛科技、希迪智駕等。3）在無人配送方面，新冠疫情期間的無人配送代替人工完成了送餐、送藥、送快遞、清掃等任務，為抗疫作出了積極貢獻，未來5-10年，無人配送將進入快速發展時期，成為智慧物流的重要組成部分，國內無人配送已經擁有比較完整的產業鏈，如京東、美團、菜鳥等。4）在無人礦卡、封閉園區物流等方面，可以利用場景簡單、干擾因素少等優勢，在港口、礦區、機場等特定環境開展無人化自動駕駛服務，提高自動化作業效率。除了以上所列的主流自動駕駛應用場景外，還有很多自動駕駛細分應用場景有待探索

34、。自動駕駛是一個復雜系統，由一整套自動駕駛硬件（激光雷達、毫米波雷達、攝像頭、超聲波傳感器、GPS定位裝置、芯片和計算平臺等）和多個復雜系統（高精度地圖系統、高精度定位系統、感知系統、決策規劃系統、車輛控制系統、車輛通信系統等）組成。盡管目前自動駕駛技術已經取得了巨大的進步，自動駕駛的商業化進程也初見成效，但距離自動駕駛的大規模普及應用，還有很長的路要走?？偨Y來看，影響自動駕駛走向規模商業化落地的因素主要集中在安全性、運行設計范圍（ODD）和經濟性三個方面。（1）自動駕駛安全依然面臨著巨大挑戰，特定場景有失效風險安全問題依然是影響自動駕駛規模商業化落地的最關鍵原因，而不同等級自動駕駛車輛在安全

35、方面面臨的問題存在一定差異。在低等級自動駕駛方面，車輛輔助駕駛系統的功能仍然存在特定場景下應對能力不足和失效的風險。以自動緊急剎車為例，在夜間或者兒童穿梭等場景下，車輛的應對能力不足，很容易出現碰撞危險；另外在特殊目標識別（例如下雨天打傘或穿雨衣的行人）和高精度定位（如隧道、城市橋梁等）方面，也較容易出現系統失效的現象。通過研究國內外目前出現的多起自動駕駛安全事故案例發現，車輛對靜止交通設施和靜止交通參與者的準確識別和實時干預控制也存在一定困難，是造成事故的主要原因。03在高等級自動駕駛方面，其最大的挑戰是“無人”，由于L4-L5的駕駛和責任主體由駕駛員切換為自動駕駛系統，只有達到99.999

36、9%及以上的場景通過成功率，才能確保上路無或極低概率出現碰撞事故風險。根據加州車輛管理局（The California Department of Motor Vehicles，CA DMV）統計數據，2021年度（2020年12月1日2021年11月30日），28家自動駕駛公司的1180輛自動駕駛汽車累計完成了超過410萬英里的測試總里程，其中Waymo有693輛登記車輛，年度行駛總里程超過232萬英里，年度接管總次數292次，平均接管里程為7965英里；事故方面，Waymo全年共發生64起交通事故，平均每百萬英里約發生27.6起事故，即171.510-7次/公里；排名第二的Cruise全年

37、共發生30起交通事故，平均每百萬英里約發生34.1起事故（Cruise 2021年自動駕駛行駛總里程87.6萬英里），事故概率為211.910-7次/公里，這比人類駕駛事故概率20要高出很多，說明自動駕駛距離“絕對安全”和完全“無人化”的終極目標還有一定差距。（2）感知長尾、混行博弈、極端場景等一系列突出問題限制了車輛的ODD自動駕駛ODD是指自動駕駛系統設計時確定的適用于其功能運行的外部環境條件，包括環境、地理、時段限制、交通流量及道路特征等。限制自動駕駛ODD的原因或條件有很多，例如：1）道路條件，高速公路、無信號燈十字路口、山區道路等；2）環境條件，天氣（如雨、雪、霧）和日照狀況（晝或夜

38、、逆光、隧道出入口）等；3）其它還包括過時的地圖信息、收費站、水洼、低垂的植物、道路結冰、遺撒的物體、特種機械和違反交通規則的人類行為。限制ODD是保證車輛安全的重要手段，但不利于自動駕駛的連續運行。當前，自動駕駛車輛只能在限定的環境內行駛，例如美國國會至今也沒有發布全國性的自動駕駛法規，亞利桑那州、佛羅里達州和其他地方政府也都要求自動駕駛汽車必須在限定的區域內開展自動駕駛測試和試運營。目前已實現量產的L2等級自動駕駛車輛要求只能在高速公路、快速路或部分城市限定環境下，才能開啟自動駕駛系統。限制ODD的本質原因是自動駕駛存在感知長尾、混行交通博弈、極端場景等一系列問題難以克服，無法在所有場景下

39、保證成功應對。在感知方面，基于數據驅動的深度學習技術已在自動駕駛感知領域得到了廣泛的應用，在日常的駕駛環境中，已經能夠實現單車的自動駕駛，但受車端傳感器物理特性、車端算力等限制，車輛在惡劣天氣、遺撒物體、鬼探頭等長尾場景中的感知能力，仍然需要持續提升。在這些場景中，路端可以發揮其穩定性和全局性等優勢，提供高性能交通信號數據、全量感知數據、為單車智能自動駕駛系統提供支持，減少因為感知不足帶來的ODD限制。除感知外，單車智能自動駕駛車輛還需要面對混行交通博弈等挑戰，從交通全局的角度看，依靠個體智能無法取得最優的效果，因此需要車與路的統一協調管理，才能更好地權衡自動駕駛車輛的安全與效率。（3）自動駕

40、駛需要更有競爭力的成本20以北京交通發展研究院2018年發布的“北京市機動車保有量及使用特征分析”報告中的數據進行測算：2018年，北京市機動車保有量608.4萬輛，小汽車平均出車率為 67.6%，小汽車日均行駛里程為31.3公里，北京市2018年公布的交通事故為3242起，測算得到有人駕駛汽車的事故概率約為0.6910-7次/公里。01 自動駕駛發展現狀與挑戰04汽車本身就是一項要求嚴苛的工業產品，它在被交付到消費者手中之前，需要經過長期的測試與打磨，遍歷各類極端環境的考驗，無論是機械性能還是電子電氣性能都需要做到極致，這樣才能保證用戶的行車安全。自動駕駛汽車更需要在安全性和穩定性上做到極致

41、，甚至比普通汽車的要求還要嚴苛，不僅需要配備更多傳感器、輔助定位設備、通信設備，還要求車身、傳感器、計算平臺及配套軟硬件設備都需要經過車規級量產的考驗，這必然會大幅增加車輛成本，難以實現量產應用。自動駕駛要實現規模商業化落地，形成一個健康的商業閉環，就必須降低成本。如今，自動駕駛汽車上的硬件如激光雷達、芯片的價格正在不斷降低，這是整個產業鏈共同努力的結果，特別是國產企業在這方面做出的積極貢獻，例如2021年6月，百度與極狐合作打造的Apollo Moon，整車成本降到了48萬元；2022年7月，百度推出第六代無人車Apollo RT6，在性能大幅提升的同時，整車成本價降低至25萬元，標志著L4

42、的大規模量產正在從理想成為現實。為了進一步降低成本，還需要持續加強軟硬件一體化自主研發，并在設計制造、生產管理和質量管控工藝上投入更多精力打磨優化，推動自動駕駛走向規模量產應用，因為量產規模越大，規模效應就越明顯，成本就壓得更低。綜上所述，在一定的自動駕駛能力條件下，安全、ODD和經濟性這三個方面存在矛盾關系。例如，為提高自動駕駛安全性，必須通過限制ODD并針對性調優逼近系統上限，才能實現小規模商業化落地；或使用較昂貴的設備來提升單車智能自動駕駛的安全性，但這樣會損失自動駕駛的經濟性。自動駕駛要實現規模商業化落地，需要進一步探索找到安全性、ODD限制和經濟性的平衡點，從本質上提升自動駕駛的能力

43、水平。05車路協同自動駕駛是自動駕駛的高階發展形態和必然趨勢02 車路協同的概念并不新鮮。早在20世紀60年代，美國汽車三巨頭之一的通用汽車，便在新澤西州的普林斯頓市打造了一條電子化高速公路的測試跑道，車輛在這條測試跑道上可以實現自動啟動、加速、轉向與停止，全程沒有人工參與，這被業內視為最早的“車路協同”方案。普林斯頓市政府隨后還發表了一篇暢想自動駕駛的文章：未來某一天，電子化高速公路將允許人們周末出游時，坐在行駛的車中打橋牌或者睡上一覺。囿于當時的技術水平，以及高昂的成本，電子化高速公路并沒有流行起來。SECTION 12.1 車路協同自動駕駛概念與內涵車路協同自動駕駛是在單車智能自動駕駛的

44、基礎上，借助C-V2X和4G/5G通信技術，將“人-車-路-云”交通要素有機地聯系在一起，實現車與車（V2V）、車與道路（V2I，主要指道路各類系統和設備設施，如感知設施、氣象檢測器、狀態監測設備、交通誘導與控制設施等）、車與云（V2N，地圖平臺、交管平臺、出行服務平臺等）和車與人（V2P）等的全方位協同配合（如協同感知、協同決策規劃、協同控制等），從而滿足不同等級自動駕駛車輛應用需求（如輔助駕駛、高等級自動駕駛），實現自動駕駛單車最優化和交通全局最優化發展目標。圖2.1示意說明了自動駕駛車輛與不同交通要素間的協同關系。VICAD發展除自動駕駛技術外，還需要綜合運用多種基礎支撐技術，具體包括：

45、1）高可靠、低時延通信技術：包括無線通信和有線傳輸，其中無線通信又可分為直連無線通信（如LTE-V2X PC5、NR-V2X PC5等）和蜂窩移動通信（包括4G、5G，以及未來演進的6G）兩類，有線傳輸則包括CAN、車載以太網、光纖網絡等；2）2D/3D高精度融合感知技術：包括傳感器離線/在線高精度標定技術、多傳感器融合技術、交通事件感知認知技術、交通參與者行為預測技術、交通運行狀況檢測與預測技術等；圖 2.1 自動駕駛車輛與不同交通要素間的協同關系車輛-車輛V2VV2IV2NV2PV2DV2H車輛-非機動車車輛-住宅車輛-交通基礎設施車輛-云車輛-人073）高精度地圖與高精度定位技術：包括高

46、精度地圖動態更新技術、路側輔助定位技術等；4）車路協同決策與協同控制技術：包括自動駕駛意圖預測、博弈仲裁、引導調度等協同決策規劃，車輛、設施、人等多目標協同控制技術；5）高性能云計算技術：包括高性能邊緣計算技術、多級云控平臺技術、大數據和人工智能平臺技術、算網一體智能調度技術；6）多級縱深安全技術：如自動駕駛功能安全與預期功能安全，信息安全技術（包括數據安全、網絡安全技術、地理信息安全等），安全統一認證技術、安全態勢感知技術、安全主動防御技術等。VICAD的本質是給每輛車開了一個“天眼”，這個“天眼”就是“上帝視角”，它不僅能幫助車輛在“完美”視角下保障安全，還能高效分配道路時空資源，讓所有交

47、通要素各行其道、各得其所。需要說明的是，VICAD實現的基礎是通過集成先進的感知、計算、通信、決策控制等技術，構建一套能夠連通信息空間與物理空間，基于數據的自由流動構建狀態感知、實時交互、科學決策、精準執行的閉環賦能體系。VICAD中的“V”是Vehicle，包括不同網聯等級和自動化程度的車輛，“I”則是Infrastructure，一般代指路端智能基礎設施及環境，包括但不限于：1）道路工程及配套附屬設施（路面、道路標志標識、信號燈、照明、供電等設施）；2）智能感知設施（攝像頭、毫米波雷達、激光雷達等）；3）車路通信設施（直連無線通信設施、蜂窩移動通信設施）；4）計算控制設施（路側邊緣計算節點

48、、多接入邊緣云或各級云服務平臺）；5）高精度地圖與輔助定位設施；6）其他配套附屬設備設施（如供能、照明設施）；7）道路上承載的各類人員（如行人、施工人員、非機動車駕駛員等）。將支持VICAD應用所需的全部要素所組成新型復雜系統稱為車路協同系統，它除了具有數據驅動、軟件定義、泛在連接、虛實映射、異構集成等一系列通用特征外，還面向自動駕駛和智能交通應用，具有以下核心特征和優勢：（1）交通全要素的一體化如圖2.2所示，車路協同系統中的交通參與者、交通運輸工具、交通基礎設施和交通環境不再只被看作一個簡單的對象，人、車、路和環境所對應的交通要素通過傳感器的采集和融合處理，成為具有自主身份且可具備信息交互

49、功能的數字孿生體。物理實體和數字孿生體之間可以通過有效信息流和決策控制流完成信息傳遞和決策控制閉環，例如車輛的遠程操控、道路信號燈的優化控制、道02 車路協同自動駕駛是自動駕駛的高階發展形態和必然趨勢08（2）自動駕駛計算、感知、決策、控制的一體化如圖2.3所示，AD由車輛自身完成“感知-決策-規劃-控制-執行”全過程，而在VICAD模式下，車輛、路端或云端都可能承擔部分或全部“感知-決策-規劃-控制-執行”功能，基于車路云一體化計算和互聯，實現一體化感知、一體化決策規劃和一體化控制，其中一體化計算和互聯是關鍵基礎，一體化感知與決策控制是核心應用。在一體化計算方面，智能汽車的算力從2019年開

50、始快速提升，目前TESLA Model3的算力達到144 TOPS，蔚來發布的ET7算力甚至會超過1000 TOPS，但僅僅依靠單車智能增加傳感器提升感知能力、增加運算單元提升車端算力，這樣會導致自動駕駛汽車成本無限增加?；诘蜁r延、高可靠網絡的傳輸互聯，通過VICAD可以充分發揮路端和云端算力充裕、易部署調度等優勢，對車端感知能力和算力進行有效分擔，突破單車算力極限，實現全系統算力的合理分布分配和優化均衡。在一體化感知、決策規劃和控制方面，一體化感知可以通過車車協同感知、車路協同感知和車云協同感知的綜合作用，起到擴展自動駕駛車輛感知范圍、提高車輛感知能力的作用。一體化決策規劃和一體化控制一方

51、面可以幫助車輛克服全局優化類場景和極端場景，進一步提升自動駕駛的安全性、擴展自動駕駛ODD，提高車輛的自動駕駛能力；另一方面還能通過對交通環境的控制，為車輛創造安全秩序化的駕駛環境，提高交通整體運行安全性和效率。圖 2.2 基于VICAD的交通全要素一體化系統模型協同感知全局路徑規劃行為決策運動規劃車輛控制云控平臺交管平臺地圖平臺出行平臺監管平臺有線網光纖網蜂窩移動通信衛星網絡能源互聯網物聯網交通基礎設施感知設施邊緣計算設施路側通信設施定位設施人/非機動車低速無人車L0-L5乘用車BUS物流車應用車路協同應用Application信息空間Cyber Space物理空間Physical Spac

52、eC-ITSMaaS智慧城市.云網路人、車路可變標識控制等；不同物理實體之間，在車路協同這個復雜信息物理系統的全局調度下，呈現出更加高效、更加秩序化的交通運行態勢。09（3）數據驅動的自動駕駛、智能交通跨行業應用一體化車路協同系統的核心目標是利用一套車路云基礎設施與基礎能力體系，通過數據驅動同時賦能自動駕駛、智能交通，甚至共享出行、智慧城市等更多行業，支持不斷迭代和創新發展。傳統交通系統和車輛中大量的數據都是隱性存在的，沒有被充分利用和挖掘出其背后潛在的價值。如圖2.4所示，車路協同系統通過構建數據層面“狀態感知、實時分析、科學決策、精準執行”自由流動的閉環賦能體系，能夠將數據源源不斷地從物理

53、空間中的隱性形態轉化為信息空間的顯性形態，并不斷迭代優化。數據是車路協同系統的基礎和靈魂，貫穿了狀態感知、實時分析、科學決策、精準執行的全流程，數據在自動生成、自動傳輸、自動分析、自動執行以及不斷迭代優化過程中不斷積累、螺旋上升，不斷產生更為優化的數據，能夠通過聚變引起質變。圖 2.3 VICAD感知、決策、控制的一體化圖 2.4 C-ITS與VICAD融合應用有線通信中心交通管理有線通信無線通信無線通信路側基礎設施定位全球導航衛星系統(GNSS)商業機構交通管理商業機構中心無線通信車端決策規劃控制車端決策規劃控制路端協同決策規劃控制云端協同決策規劃控制導航感知決策規劃控制車輛執行層導航控制決

54、策規劃感知導航控制決策規劃感知導航控制決策規劃感知車輛執行層1002 車路協同自動駕駛是自動駕駛的高階發展形態和必然趨勢SECTION 22.2 車路協同自動駕駛發展階段VICAD是一個由低至高、逐漸演進的發展過程。參考國內外對VICAD階段劃分情況，如SAE J301621、SAE J321622，以及國內相關機構發布的報告和標準23，本白皮書將VICAD劃分為以下三個大的發展階段（如表2.1所示），其中：1）階段1信息交互協同是重要基礎，為各類車路協同應用提供互聯互通保障支持；2）階段2協同感知是關鍵核心，實現自動駕駛感知互補、強化與冗余；3）階段3協同決策控制是最終目標，實現自動駕駛微觀

55、決策控制與智能交通宏觀決策控制兼容統一。其中，在VICAD第1發展階段，以LTE-V2X為核心的直連無線通信可以支持車與車、車與道路之間進行直接通信，實現較為基礎的消息提醒和安全預警類應用；而VICAD的第2發展階段，則是在C-V2X車路云高效通信的基礎上，以人工智能（Artificial Intelligence，AI）和邊緣計算應用為核心的路端感知技術，可以發揮路端視角好、觀測時間長、易部署等優勢，解決AV遮擋、盲區、不利照明、極端天氣相關感知長尾問題，擴展AV的感知范圍，提升AV的感知能力，進而保障車輛安全高效行駛；到了VICAD的第3個發展階段，在車路協同感知的基礎上，依托泛在互聯的基

56、礎設施，還可以進一步發揮路端和云端全局性優勢，支持實現協同決策規劃和協同控制等應用，全方位保障自動駕駛安全連續運行。21SAE J3016-2021Taxonomy and Definitions for Terms Related to Driving Automation Systems for On-Road Motor Vehicles22 SAE J3216-2021Cooperative Driving Automation:Definitions and Taxonomy 23中國公路學會自動駕駛委員會2019年6月發布的車路協同自動駕駛發展報告1.0版將車路協同自動駕駛分為4個

57、階段：階段1：信息交互協同；階段2：感知預測決策協 同；階段3：控制協同；階段1V：車路一體化。本白皮書結合當前技術發展水平對階段劃分進行了適應性修改。24與YD/T 3978-2021基于車路協同的高等級自動駕駛數據交互內容為通信行業標準，T/CSAE 158-2020基于車路協同的高等級自動駕駛數據交互內容為中國汽 車工程學會發布的團體標準，行業標準由團體標準演進升級制定。表2.1 VICAD發展階段劃分階段1：信息交互協同無T/CSAE 53-2020碰撞預警、道路危險提示等2.2階段所需的感知能力遠高于2.1階段，達到全量高精度級別，滿足高等級自動駕駛應用需求，相關性能指標見5.1.2

58、節。協作式換道、無信號燈協同通行、緊急車輛優先、AVP等T/CSAE 157-2020YD/T 3978-202124暫無遠程遙控駕駛、信號燈優化控制等YD/T 3978-2021T/CSAE 157-2020T/CSAE 156-2020階段2.1：初級協同感知階段2.2：高級級協同感知階段3.1：有條件協同決策控制階段3.2：完全協同決策控制階段2：協同感知階段3：協同決策控制注：YD/T 3978-2021基于車路協同的高等級自動駕駛數據交互內容（或T/CSAE 158-2020基于車路協同的高等級自動駕駛數據交互內容）T/CSAE 53-2020合作式智能運輸系統 車用通信系統應用層及

59、應用數據交互準 T/CSAE 157-2020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（第二階段）T/CSAE 156-2020自主代客泊車系統總體技術要求階段子階段適用標準典型應用場景舉例11SECTION 32.3 車路協同自動駕駛發展現狀與趨勢目前，國內外VICAD第1發展階段已經開展了大規模測試驗證與示范應用，第2發展階段車路協同感知也已完成了理論研究、技術驗證和標準制定，正在加速走向規?；ㄔO部署與應用，主要體現在以下三個方面：（1）協同感知類場景是國內外V2X研究的重點內容美國、歐洲和我國車路協同相關標準中都重點針對車路協同感知規劃了大量的應用場景。美國在DSRC通

60、信技術的基礎上，發布了SAE 2735、SAE 2945、SAE 3016、SAE 3216及相關標準，是全球范圍內最早的車路協同標準，規劃了一系列協同感知類場景，比如弱勢交通參與者預警、信號燈信息共享、緊急車輛警告等；歐洲ETSI也在DSRC的基礎上制定了歐洲的ETSI G5標準，場景方面與美國標準基本類似；中國車路協同系列標準具有領先優勢，DAY I、DAY II、增強型、高等級車路協同應用場景行業標準和國家標準已經完成制定并發布25，V2X應用層標準的場景設計比美歐更加全面，服務對象兼顧了L0-L5的普通網聯汽車和高等級自動駕駛汽車，應用場景不僅涉及協同感知類應用場景，甚至還包括協同決策

61、規劃和協同控制類應用場景。（2）車路協同感知技術和能力得到了極大提升隨著行業對車路協同自動駕駛研究的逐漸深入，相關技術也逐漸走向成熟，路端設施和系統的感知能力已經具備了為不同等級網聯自動駕駛車輛（Connected Automated Vehicle，CAV）提供規?；瘧梅盏臈l件。比如對于L2等級的CAV，國內外多家汽車廠商如福特、豐田、大眾等公司都已經規劃或完成了量產商用車型的上市，路端系統可以為這些車輛提供基礎的交通事件、信號燈等協同感知服務，還能基于C-V2X服務數據進一步實現優先通行、綠波通行等復雜度較高的應用；另外，在高等級自動駕駛方面，路端系統的感知精度、時延和可靠性已經能夠滿

62、足L4車端融合感知要求，可以實現在關閉車端感知的情況下，僅依靠路端感知能力就能夠實現L4等級自動駕駛閉環運行，這些感知能力已在北京經開區、廣州黃埔區等區域進行規?；ㄔO部署，可為自動駕駛車輛提供全量、高精度協同感知服務。（3）車路協同感知已在重點城市實現行政區級別建設部署應用車路協同感知是當前階段車路協同發展的重要方向。以美國為例，美國已在全國35萬個交叉口，部署約5315套DSRC RSU和大約18000套車載終端OBU，比如在美國I-80公路示范項目中，施工區預警、惡劣天氣預警、盲區預警等應用都是基于感知能力來實現的，再比如美國紐約市和坦帕市示范項目中的信號燈預警、人行橫道行人預警都屬于協

63、同感知場景。我國各級車聯網先導區、示2.3.1 車路協同感知已進入規?；ㄔO部署應用階段25 DAY I標準包括YD/T 3709、T/CSAE 53，DAY II標準包括T/CSAE 157，增強V2X應用標準是YD/T 3977,高等級自動駕駛V2X應用標準是YD/T 3978。1202 車路協同自動駕駛是自動駕駛的高階發展形態和必然趨勢范區建設示范項目中，協同感知都是最重要的應用方向，以北京市高級別自動駕駛示范區為例，目前已完成了1.0和2.0階段的建設任務，示范區內支持全量高精度車路協同感知應用的路口數量達到329個，城市道路雙向里程超過750公里，覆蓋面積達到60平方公里，占比超過了

64、亦莊城市核心區域的70%，能夠與示范區內數百臺L4自動駕駛出租車進行數據閉環交互；2022年，北京將啟動示范區3.0階段的建設26，持續推動車路協同自動駕駛更大規模建設和更多商業化場景落地。26北京市政府2022年政府工作報告。132.3.2 車路協同決策控制存在現實需求（1）在協同感知基礎上進一步解決自動駕駛安全性與ODD問題根據自動駕駛預期功能安全（Safety Of The Intended Functionality，SOTIF)理論，提升自動駕駛安全性有兩種方式，一種是將SOTIF“未知”場景轉化為“已知”場景，另一種是將“不安全”場景轉化為“安全”場景。車路協同感知通過多源感知渠道

65、為CAV提供更加豐富、精確的感知信息，提升車輛的感知能力，可以實現將SOTIF“未知”場景轉化為“已知”場景，但是在將“不安全”場景轉化為“安全”場景方面，卻存在一定的局限性，需要通過決策規劃和控制進一步解決。在ODD方面，協同感知只能解決自動駕駛車輛部分ODD限制，需要從全局高度進行車路云協同感知和決策控制，進行ODD動態管理，合理擴展自動駕駛ODD。（2）解決混行狀態下自動駕駛與非自動駕駛的沖突博弈問題自動駕駛車輛是交通系統的組成部分之一，現階段道路上還有大量的非自動駕駛、較低等級自動駕駛車輛、非機動車輛和行人，以及大量的違法違章駕駛行為，因此迫切需要解決混行交通模式下局部或全局的車輛最優

66、化問題，在保障交通安全和交通效率的前提下，實現分布式智能和群體智能，最終達成全局最優化智能交通發展目標。（3）解決自動駕駛“無人化”問題自動駕駛車輛在有駕駛員或安全員作為安全保障措施時，遇到復雜或極端場景情況時，可通過人工接管控制車輛通過極端場景，但當L4車輛完全去掉車端主駕或副駕安全員時，僅靠單車能力還有一定概率無法順利通過復雜極端場景，需要借助路端和云端能力，為車輛提供全方位協同感知、決策規劃和控制服務，幫助車輛安全通過復雜極端場景，全方位保障無人駕駛的安全性和普及應用。（4）解決交通環境秩序化和最優化問題不僅自動駕駛對車路協同存在需求，在智能交通、共享出行和智慧城市等領域，車路協同發展也

67、成為充分共識。我國交通系統經歷了近30年的快速增長時期，道路里程和運輸規模全球第一，但仍然還面臨著許多突出問題，比如交通擁堵呈現常態化、交通安全形勢依然嚴峻、碳中和與碳達峰目標任務艱巨。通過車路協同，能夠支持開展更加復雜、更深層次、更大范圍、更加多樣的車路協同應用服務，滿足跨行業、跨領域、跨地域交通出行需求，解決區域級移動多接入、多層次互操作和協同、大規模高密度實施控制、高可靠低時延計算決策等協同控制等一系列關鍵問題，實現從個體最優向群體智能最優化和全局智能最優化發展，這是對智能交通本質性的變革和突破。車路協同自動駕駛實現L4無人化安全運營03 盡管L4自動駕駛通過測試里程積累和持續技術迭代，

68、自動駕駛的安全性越來越高，ODD限制也越來越少，但L4自動駕駛的發展目標是在保證安全的基礎上，實現完全無人化自動駕駛，并達到大規模運營級別，這就對自動駕駛的安全性、可用性和可靠性提出了更高要求。VICAD可以全流程參與L4自動駕駛感知、決策規劃和控制等過程，在ODD范圍內保證自動駕駛安全，遠高于人類駕駛水平；動態管理和擴展自動駕駛ODD，優化自動駕駛運行環境，實現無接管連續運行。SECTION 13.1面向L4的車路協同自動駕駛服務策略結合L4自動駕駛系統總體架構，同時考慮到L4自動駕駛車輛的受控度，VICAD可以深度參與L4自動駕駛從感知到決策規劃和控制的全部過程，為L4提供全方位支撐服務（

69、如圖3.1），具體包括以下四個方面：1）通過車路協同感知解決自動駕駛感知長尾問題：發揮路端和云端感知優勢，與CAV進行協同感知，解決超視距、盲區、遮擋等一系列感知長尾問題；2）通過車路協同感知和地圖動態更新解決自動駕駛地圖實時性問題：在車路協同感知的基礎上，還可以通過分鐘級自動駕駛地圖更新，幫助CAV應對交通標志標線、信號燈等一系列自動駕駛地圖要素變更帶來的問題；3）通過車路協同決策規劃解決全局路徑優化、混行沖突及阻塞問題：通過車路協同路徑規劃（Routing），為CAV提供全局路徑規劃服務；通過車路協同行為決策（Decision）與運動規劃（Planning），解決自動駕駛博弈、阻塞等典型混

70、行場景問題；4）通過車路協同控制解決復雜特殊場景問題：針對自動駕駛復雜特殊場景，例如“脫困”、泊車等，可以通過VICAD直接控制CAV，幫助CAV成功應對這些場景，降低安全風險；針對復雜無序交通環境，還可以通過車路協同控制對交通基礎設施、交通運行狀況等進行有效干預和控制，優化自動駕駛整體交通環境，間接控制CAV，為CAV營造安全、簡單、秩序化的交通環境。自動駕駛協同感知車路協同感知車路協同決策規劃L4+VICAD車路協同控制動態高精地圖更新路/云協同Routing路/云協同Decision路/云協同Planning路/云遠程遙控駕駛道路基礎設施優化控制解決感知長尾問題解決高精地圖實時更新問題解

71、決全局路徑優化問題解決沖突和阻塞問題解決沖突和阻塞問題解復雜特殊場景問題解決交通安全與秩序化問題提高自動駕駛安全性管理擴展自動駕駛ODD實現L4無人化安全運營圖 3.1 VICAD加速L4實現無人化自動駕駛落地路徑1503 車路協同自動駕駛實現L4無人化安全運營需要說明的是，VICAD并不是要完全取代車端的自動駕駛系統，而是同時運行在路端和云端的自動駕駛系統，發揮路端和云端的優勢，為L4 CAV提供互補、冗余和強化三個層次的支撐和促進作用：（1）互補：以感知為例，AD存在感知范圍有限、易被遮擋、受環境和光線影響較大、難以預測等不足，而路端和云端感知可以充分發揮感知范圍廣、長時間連續觀測、容易工

72、程化等優勢，與車端感知進行感知互補，實現遮擋、超視距、動靜態盲區等協同感知，從而提升車輛的感知能力。以定位為例，AV已經采用了多種方式進行高精度定位，但是在長隧道、地下、橋梁、高大建筑物遮擋等環境行駛時，經常出現定位信號缺失或定位不準的問題，路端通過感知定位、特征定位、UWB定位、C-V2X定位等多種定位方式，可以為車輛提供定位互補，輔助車輛實現高精度定位。再以路云協同決策規劃和控制為例，單車智能自動駕駛車輛遇到復雜交通環境和駕駛場景時，容易出現急剎或被迫接管行為，通過路端或云端的協同決策和控制，可以為車輛重新規劃路徑，幫助車輛安全通過復雜場景?；パa的關系示意見圖3.2。（2）冗余：仍以感知和

73、定位為例，車輛在開闊環境下行駛時，車端感知和定位功能正常運行，路端系統對車輛周圍環境同時進行檢測識別與定位，或者通過轉發RTK定位信息，輔助車端進行融合定位，此時路端起到了冗余的作用。冗余的關系示意見圖3.2。（3）強化：如圖3.3和3.4所示，以交通信號燈識別為例，AD模式時，需要通過車端光學傳感器在3D空間中識別定位到較遠處的交通信號燈燈色，并且預測相位燈態變化，會面臨一系列難題，比如炫光、尾圖 3.2 感知定位互補和冗余作用示意圖單車感知定位路側感知定位車端運行正常情況下冗余車端不足時互補16圖 3.3 道路中不同的信號燈形態圖 3.4 VICAD信號燈強化感知作用示意圖多語義信號燈和異

74、彩信號燈移動式信號燈倒計時信號燈燈霓虹燈干擾、LED頻閃、燈亮度達標延遲、損壞和老化、移動式紅綠燈的位移、歐美懸掛式燈的晃動、多相位匹配、超視距、盲區、動靜態遮擋、異常天氣等場景中的感知難題；而在VICAD模式下，可以通過路端系統或設施與低復雜度信號控制機對接信息，不僅可以實時通過低碼率編碼獲得準確可靠的信號燈態語義信息，還可以超視距獲得燈態信息以及倒計時等信息，此時路端和云端起到了強化和提升的作用。車端信號燈視覺感知路端信號燈感知路端信號燈融合圖像、信號燈協議數據V2X4G/5G車端信號燈融合SPAT、MAP路端信號燈IOT采集云端信號燈轉發17圖 3.5 自動駕駛SOTIF安全目標安全是自

75、動駕駛發展的基礎，也是現階段自動駕駛首先需要重點解決的問題。根據自動駕駛SOTIF理論，如圖3.5所示，自動駕駛運行場景總體上可以分為4類，其中區域1為已知安全類場景、區域2為已知不安全場景、區域3為未知不安全場景、區域4為未知安全場景。VICAD對自動駕駛安全的核心目標是將自動駕駛“未知”場景轉化為“已知”場景，將“不安全”場景轉化為“安全”場景。即重點解決區域2和區域3中的場景問題，將區域2轉化為區域1，并證明區域2的殘余風險足夠低；針對未知不安全區域3，VICAD將區域3轉化為區域1、2或4，盡量減少區域3中的場景，保證區域3的風險控制在合理可接受的水平。SOTIF“未知”場景的探索是一

76、個行業難題，“你永遠不知道不知道什么”。VICAD可以充分發揮車端、路端和云端協同感知優勢，通過持續數據驅動和算法學習提升系統的認知能力，發現未知場景，并通過車路協同感知、高精度地圖實時更新等方式，將“未知”場景轉化為“已知”場景，降低自動駕駛安全風險。（一）總體技術原理車路協同系統的車端、路端和云端同時具備感知能力，都可以作為主車的感知信息源，如圖3.6所示，主車周圍車輛可通過V2V方式進行感知共享，路端感知系統和設施可通過V2I進行感知共享，SECTION 23.2讓自動駕駛更安全，遠高于人類駕駛水平已知安全場景（區域）已知不安全場景（區域）未知不安全場景（區域）未知安全場景（區域）不安全

77、已知未知安全4123已知未知不安全安全12433.2.1 將“未知”場景轉化為“已知”場景3.2.1.1 車路協同感知定位實現“未知”到“已知”03 車路協同自動駕駛實現L4無人化安全運營18圖 3.6 協同感知示意圖云端平臺也可以發揮數據優勢，通過V2N方式進行數據共享，所有感知數據匯聚在車端進行融合處理，得到最終感知結果信息。車路協同感知的優勢主要體現在：1）路端傳感器可選擇性多，可實現多方位、長距離連續部署；2）路端和云端可通過移動蜂窩接入、有線接入等差異化方式獲取數據，突破視覺感知認知瓶頸問題（比如信號燈數據采集），可以有效降低算力投入；3）路端和云端可通過長時間連續檢測，提高對復雜環

78、境、交通事件、交通態勢的語義判斷和理解認知，實現對各類交通事件（“死車”、排隊、施工、遺撒等）實時準確感知識別。路端多傳感器進行融合感知的策略可以是前融合，也可以是后融合，一種路端后融合感知的框架和流程見圖3.7，包括以下主要步驟：1）數據容器：數據容器提供了自適應參數、多種消息回調及支持熱插拔的接口，通過內置的參數和地圖將所有傳感器消息、車端/路端/云端消息轉化成統一的消息格式，并向下游輸出；2）數據關聯：對數據容器中的信息進行采樣處理時，會對所有信息按照觸發時間進行排序匹配，將混亂的位置變成時序狀態估計。在每一次匹配前，都會根據數據的屬性及其誤差計算協方差，作為匹配邊距離。經過若干次匹配后

79、，將結果分組打包傳遞給狀態估計模塊；3）狀態估計：狀態估計模塊會對每組信息進行時序相關的處理，再分別送給針對靜止和運動物體建立的不同濾波器；4）狀態預測：濾波器的預測狀態經過地圖和模型的處理后，生成短時間的預測消息輸出，同時回V2V協同感知V2N云端信息云端平臺傳感器CAVCAVMEC融合感知結果云端路端車端V2I協同感知19圖 3.7 路端多傳感器后融合感知定位框架送到數據關聯模塊，與下一次的傳感器結果進行關聯，形成時序的跟蹤；5）結果輸出：向外輸出最終融合感知結果信息，包括位置、速度、加速度、航向角、置信度等參數。數據容器.時間 位置 速度角度 類型 身份標識地圖參數地圖模型屬性誤差屬性誤

80、差屬性誤差屬性誤差采樣排序槍式攝像頭魚眼攝像頭毫米波雷達激光雷達車端/云端等其他信息第一次關聯第N-1次關聯最后一次關聯輸出消息數據關聯狀態估計狀態預測用于前后幀關聯車路協同感知適用的場景見表3.1。表 3.1 車路協同感知類應用場景舉例動靜態盲區/遮擋協同感知定位車輛超視距協同感知定位路邊低速車輛協同感知定位低矮障礙物協同感知定位室內、隧道、山區等無GNSS環境協同感知定位交通信號燈協同感知如超速、逆行、擁堵、違章停車、排隊事件、道路遺撒等道路交通氣象、路面條件、交通基礎設施狀態及變更信息等全量交通參與者協同感知與定位交通信號燈協同感知交通事件協同感知交通環境感知場景分類具體場景示例03 車

81、路協同自動駕駛實現L4無人化安全運營20圖 3.8 人行橫道過街安全禮讓（二）協同感知典型場景舉例1：行人闖入協同感知下面選取城市環境中較為常見的行人闖入場景對車路協同感知進行展開說明，更多應用場景可參見6.2.2節。問題描述：實際交通環境中，行人橫穿馬路、闖紅燈等現象經常發生，自動駕駛車輛一般對低速行人的軌跡預測較為困難，或者由于行人突然闖入導致較難快速應對，容易造成自動駕駛車輛急剎或者碰撞風險。場景原理：（1）路端可以通過多視角連續觀測，對行人、非機動車等目標進行實時識別定位和軌跡預測，生成行人、非機動車的狀態意圖標簽，如路邊等車、路邊施工、路邊行走、人行橫道過街、橫穿馬路等；（2）路端將

82、識別到的路口全量交通目標通過V2X實時發送給車輛，空口發送的V2X報文數據可以是SSM（Sensor Sharing Message）數據集27，車輛及時獲取全量交通目標的狀態意圖，進行合理的通行決策控制，例如：1）人行橫道過街：主車停車禮讓，見圖3.8；2）行人橫穿馬路：主車停車禮讓，見圖3.9；3）路邊施工人員：主車減速繞行通過，見圖3.10；4）路邊等車人員：主車保持車速通過；5）路邊行走人員：主車保持車速通過。應用效果：車端收到路端發送的感知信息，與車端感知進行感知融合，并由車端進行綜合決策，最終安全通過這類場景，避免急剎或事故風險，帶來更好的駕乘體驗。27SSM數據集的數據幀、數據元

83、素、數據發送要求參見標準YD/T 3978-2021基于車路協同的高等級自動駕駛數據交互內容21圖 3.10 工人路邊施工減速繞行圖 3.9 行人橫穿馬路安全禮讓（三）協同感知典型場景舉例2：無/弱GNSS環境下協同感知定位問題描述：自動駕駛車輛在開闊環境行駛時，可以通過GNSS+RTK提供絕對定位信息，IMU+輪速+方向盤轉角提供相對定位信息，并在此基礎上結合高精度地圖和觀測類傳感器匹配定位結果進行多傳感器融合定位；但當自動駕駛車輛行駛在橋隧、地下、山區等無/弱GNSS信號環境時，沒有有效的絕對定位信息輸入，導致無法實現高精度定位。場景原理：通過車路協同可以有多種方式解決自動駕駛在上述環境行

84、駛所面臨的定位問題：（1）路端多傳感器融合感知定位：技術實現原理同圖3.7，路端融合感知定位信息與車輛動靜態特征信息進行匹配，可得到車輛實時高精度位置信息，該方案在隧道的實際部署應用效果如圖3.11所示；（2）基于超寬帶UWB或LTE PC5的輔助定位技術方案：如圖3.12所示，在路端部署無線定位基站/Anchor和GNSS信號放大器，通過預先的位置標定，確定每個近場無線定位基站/Anchor的絕對位置，GNSS信號放大器用于無/弱GNSS信號環境下車、路的主時鐘授時；車端加裝無線定 03 車路協同自動駕駛實現L4無人化安全運營22圖 3.11 隧道內車路協同感知定位方案 位接收機/Tag，接

85、收帶有絕對時間信息的近場無線定位信號，并進行定位信息解算，得到較高精度定位信息；（3）基于路端特征定位標志物與高精度地圖融合的定位技術方案等。注：本方案已在長沙智慧高速等實際項目中部署應用圖 3.12 隧道內基于LTE PC5車路協同定位方案注：本方案由中信科智聯科技有限公司提供應用效果：通過綜合運用車路協同感知定位、超寬帶UWB、LTE PC5、特征定位等多種方式，解決自動駕駛在長隧道等無/弱GNSS信號環境下的高精度定位問題，實現從“未知”到“已知”。3.2.1.2自動駕駛地圖實時更新實現“未知”到“已知”自動駕駛地圖（業界也有稱為“高精地圖”或“高清地圖”）是自動駕駛的關鍵支撐要素之一，

86、現階段自動駕駛地圖比較常用的制圖以及更新的方式有兩種，一種是利用專業測繪設備進行集中數據采集后制圖及更新，一種是利用車載傳感器進行眾包數據采集后制圖及更新。當前業界在初始建圖方面，能夠在完整性和精度上，基本滿足高等級自動駕駛的需求，但在地圖的鮮度維護方面，存在難以解決的問題。（1）通過專業的高精度測繪設備更新：是指采用專業采集設備，定期對存量地圖覆蓋范圍進行采集、制作。這種方式一般有人工制圖的參與，所以可以對全要素的地圖進行更新，是目前主要的地圖更新方式。但這種方式需要專業的采集設備，成本高、數量少，對于大范圍地圖的采集和制作更新成本高、周期長，難以滿足自動駕駛對地圖實時更新需求。示意圖例感知

87、相機監控相機高清監控設備箱RSCURSUGPS放大器RJ45網線光線跳線光纜專線RSURSURSURSU避雷針GPS天線1B1C100m200m1D2B2A2C3A3B3C4A4B1ARSU避雷針GPS天線OBU23（2）眾包地圖更新：是指依賴量產車車端搭載的智能攝像頭或高級輔助駕駛系統的實時感知和定位能力，對交通環境進行不定期的重復掃描，云端通過收集的采集數據在線成圖，并與底圖進行差分，從而實現更新。憑借公開道路上的海量車載終端進行眾包更新，為高精度地圖實時更新提供了可能性，但是眾包更新難以完全支撐高精度地圖的實時更新，主要原因是：存在“車輛首次通過的天花板”，即現實道路變化后車輛首次經過時

88、的地圖失效問題。量產車車端算力、定位精度有限，需要采用在一段時間內的多次采集信息進行聚合生成高置信度結果然后進行地圖更新。車端傳感器數據上傳至云端進行建圖工作，過程中需要占用較大的通信資源，數據流量費用較高，另外傳感器原始數據的公共網絡傳輸會對國家地理信息安全造成重大隱患。高等級自動駕駛對自動駕駛地圖實時更新存在迫切需求，因為車輛在行駛過程中周圍環境是動態變化的，比如道路結構（封路、新建道路）、道路附屬設施（比如道路標志標線、標志牌、交通信號燈等）或交通運行狀況（交通管制、道路施工等），會造成車端地圖與現實交通環境存在不一致，影響自動駕駛的正常運行。不管是通過專業高精度測繪設備還是車端眾包獲取

89、地圖更新數據，目前都無法完全解決自動駕駛地圖實時更新問題，存在較高概率的“未知場景”問題。（一）總體技術方案為解決上述問題，本文在行業常用的地圖更新方式之外，提出基于車路協同的自動駕駛地圖實時更新方式路端局部動態地圖更新。路端局部動態地圖更新的原理如圖3.13所示，通過路端智能設施進行高頻率的定點觀測，實時發現動靜態地圖要素的變更情況，并更新覆蓋范圍內的地圖，發送給車端和圖商，與當前使用的地圖版本進行要素級的融合更新。相較于專業測繪地圖更和車端眾包地圖更新方式，路端局部動態地圖更新有如下優勢（具體比較見表3.2）：定點觀測數據精度高、可靠性強：路端傳感器在安裝部署時，可通過精確的內外參標定，以

90、及多傳感器融合感知定位，實現厘米級位置精度檢測。同時對于需要周期性觀測獲取的經驗類型的地圖數據，路側作為定點連續觀測單元，更具有優勢（如圖3.14）。實時性強：利用路端毫秒級感知，以及分鐘級地圖制作，為地圖分鐘級更新提供了保障支持，與傳統更新相比，具有明顯優勢?？勺R別的地圖動靜態要素信息豐富：路端不僅可以識別重要的靜態和半靜態地圖要素信息，還可以識別半動態、動態的地圖要素信息。03 車路協同自動駕駛實現L4無人化安全運營24圖 3.13 路端局部動態地圖更新總體原理圖 3.14 三種觀測連續性比較示意圖靜態層靜態高精度地圖動態地圖下發車道級導航交通態勢交通事件交通參與者地圖要素變更情報車輛自動

91、上報動態層更新L4自動駕駛車L2自動駕駛車自動駕駛動態地圖關聯測繪車采集更新 車端眾包更新地圖更新數據下發路側局部地圖更新地圖供應商政府主管部門邊緣計算路側感知設備C-V2X通信路側計算 路側局部地圖更新數據下發表 3.2 三種地圖更新方式比較車端眾包地圖更新測繪車地圖更新0.1m0.4m0.2m路端局部地圖更新天級別-分鐘級別斷點重復觀測單點觀測定點連續觀測區域大部分覆蓋區域全覆蓋區域路口覆蓋無需新增設備投入千元級別無需新增設備投入地圖更新方式相對精度實時性觀測連續性覆蓋范圍成本估算（萬元/公里）25通過路端局部動態地圖更新實現自動駕駛地圖動態更新的過程包括兩個主要步驟：（1）自動駕駛地圖動

92、態更新如圖3.15所示，自動駕駛地圖總體上分為靜態圖層和動態圖層兩類，其中靜態圖層可以粗略分為靜態圖層和半靜態圖層，動態圖層可以粗略分為半動態圖層、動態圖層（也可根據具體需求劃分成更多圖層）。如表3.3所示從下到上圖層不僅對數據實時性的要求是不同的，對數據的連續觀測周期要求也不同，對于需要連續觀測周期和高頻周期獲取的信息（例如路口合理的左轉引導線，未知原因的道路阻塞點，未知原因的低速行駛區間），基于路端感知的地圖更新方式才更有優勢。公交專用道動態信息半動態信息半靜態信息靜態信息動態圖層靜態圖層交通參與者（行人、機動車、非機動車）實時信號燈數據電子情報板交通事故施工事件道路濕滑道路擁堵通訊態勢交

93、通靜態標牌和設備交通專用道重點交通設施重點建筑物高精度交通地面標識車道級拓撲關系普通地圖路網圖 3.15 動態自動駕駛地圖圖層劃分表 3.3 動態自動駕駛地圖不同圖層特點以及對周期性觀測的需求靜態層-半靜態態信息動態層-動態信息靜態層-靜態信息動態層-半動態信息（事件、經驗）圖層多次采集后靜態提取實時采集快速提取一次采集后靜態提取多次反復采集，反復提取獲取方式周期長，頻率低短周期，高頻率無連續周期，高頻率對周期性觀測的需求位置不動但是屬性會發生變化且變化的地圖要素瞬時發生或者有效時間很短的地圖要素固定不動的道路交通設備設施地圖要素信息有明確效期，一次性或者周期性有效的經驗地圖要素圖層分類標準0

94、3 車路協同自動駕駛實現L4無人化安全運營26大量的實測統計結果顯示，L4自動駕駛因自動駕駛地圖更新不及時而導致的常見“未知”場景問題見表3.4，有超過八成的問題場景發生在路口，主要包括以下兩大類變更：表 3.4 自動駕駛地圖更新不及時導致的部分“未知”場景問題機動車道信號燈變更地圖要素信號燈刪除信號燈故障恢復信號燈故障信號燈控制方向變更信號燈錯位信號燈新增無法正確識別信號燈識別信號燈后不參與決策無法獲取正確的信號燈燈態信號燈燈態誤識別無法正確識別信號燈導致自動駕駛問題可能導致后果無法正確識別信號燈燈態,某些燈頭位置無法識別阻塞（綠燈停車）違反交規（闖紅燈）阻塞（綠燈停車）違反交規（闖紅燈）阻

95、塞（綠燈停車）違反交規（闖紅燈）違反交規（闖紅燈）阻塞（路口停車）違反交規（闖紅燈）車道線標識變更路口內虛擬連接車道變更道路阻塞點變更道路駕駛行為變更車道重繪停止線后移待轉區變更護欄新增車道數變化可通行流向變化掉頭虛擬連接線不合理左轉虛擬車道繪制不合理入口道與出口道連接關系變更無法正確識別車道線無法正確識別車道線停止線識別錯誤待轉區識別錯誤無可行駛區域車道流向識別錯誤車輛路口內并線掉頭轉彎位置錯誤，無法完成轉彎與路口內交通附屬障礙物距離過近感知車輛軌跡預測錯誤,未及時識別碰撞風險碰撞風險違反交規（跨多個車道線行駛）違反交規（壓線停車）碰撞風險違反交規（騎車道線行駛）碰撞風險（臨時變道）違反交規

96、（不按導向行駛）違反交規（闖紅燈）碰撞風險碰撞風險碰撞風險碰撞風險碰撞風險路段繞行點新增路段繞行路段對于未知類型障礙物無法有效避讓對于未知類型交通事件無法有效避讓碰撞風險、阻塞風險碰撞風險、阻塞風險低速行駛路段新增行駛曲線變更對于未知原因導致的路段低速駕駛無法有效識別無法通過轉彎區域碰撞風險、阻塞風險碰撞風險、阻塞風險變更方式27（1）實體類的地圖要素變更，包括信號燈變更（機動車道信號燈、非機動車道信號燈、行人信號燈等）、道路標志標線變更（車道邊界線、車道行駛方向、停止線、左轉/右轉待行區等）、交通設施變更（如柵欄/隔離柱）。（2）經驗類的地圖要素變更，包括路口內車道連接線的變更（如直行、左轉

97、、掉頭連接線）、道路阻塞點變更、道路駕駛行為變更。因此，通過路端局部動態地圖更新方式，可以解決當前自動駕駛由于地圖要素變更引起的絕大多數人工接管問題。（2）地圖更新實時下發更新的地圖數據最終需要下發到車端并作用于車端決策規劃，才能有效發揮地圖的價值。目前地圖的下發渠道、下發內容、下發形式多種多樣，在下發的過程中同時還有跨圖商、跨車企、跨模組無損且安全的信息流動的訴求。利用路端作為統一的信息發布渠道，采用地圖參考位置協議（詳見附錄A）的方式發送與圖商地圖版本解耦的局部動態地圖數據，是保證車輛數據實時性、有效性的一種重要方式，同時對于圖商也可以利用路端信息進行版本級地圖更新。（二）地圖實時更新典型

98、場景舉例與比較分析下面以常見的信號燈變更和車道線變更為例進行說明。通過對多個智能網聯示范區的長期觀測統計，可知自動駕駛車輛在實際道路行駛時，會有較高概率遇到道路現實變更場景（比如道路信號燈、車道線、標志標牌等），每萬公里遭遇道路現實變更的次數MAD約為6.38次/萬公里（其中信號燈變更次數5.5次/萬公里，車道線變更次數0.78次/萬公里），這類場景會直接影響自動駕駛車輛的安全運營，需要通過有效手段快速解決。下面對眾包地圖更新和路端局部動態地圖更新兩種典型地圖更新模式進行比較分析。（1）車端眾包地圖更新模式在眾包地圖更新模式下，地圖完成現實變更的更新時間DAD，由于需要積累多趟、多車道數據才能

99、完整重建，一般需要天級別（24h）的數據積累，云端才能完成地圖的更新下發，因此眾包地圖更新模式下可定義地圖更新周期DAD=24h，假設自動駕駛車輛每天的運營時間TAD=10h。那么該模式下遭遇地圖要素變更場景的概率通過長時間的運營觀測可以從兩個層面得出：單車每萬公里里程遭遇該場景的概率：MAD=6.3次/萬公里，單車每天遭遇該場景的概率：NAD=1.7次/車天。該模式下車輛遭遇地圖要素變更場景的通過成功率僅依賴于單車的能力，定義地圖要素變更場景通過成功率為PAD|變更，PAD|變更的具體值應結合車輛的實際能力，并由大量實測結果確定。03 車路協同自動駕駛實現L4無人化安全運營28（2）路端局部

100、動態地圖更新模式依靠路端感知優勢，道路交通要素在變更完成后可在云端短時間內完成地圖重建和車端更新，將總的更新時間定義為D VICAD，保守按5min計算，那么：D VICAD=5min同時假設通過車路協同感知實現地圖更新的場景召回率R VICAD=99.9%。那么該地圖更新模式下自動駕駛車輛遇到變更場景的遭遇率M VICAD和N VICAD為：MVICAD=MAD(r+(1-r)(1-RVICAD)=0.0587次/萬公里NVICAD=NAD(r+(1-r)(1-RVICAD)=0.00159次/車天場景成功率方面，運營時間內發生一次地圖要素現實變更時，若地圖要素變更場景發生時刻為t1，有車輛

101、在t2時刻途經該點，則在t1至min(TAD,t1+D)時間窗口內，車輛受到場景的環境影響，通過成功率為PAD|變更，在時間窗口前，車輛通過成功率為PAD|變更=1，時間窗口后車輛若完成更新，成功率恢復為PAD|變更，那么：引入局部動態地圖更新后的場景通過率：根據大量自動駕駛車輛的測試和運營數據，可以進一步計算得出：假設AD模式下地圖要素變更場景通過成功率：PAD|變更=90%，路端局部動態地圖更新模式下變更場景召回率：RVICAD=99%，可得PVICAD|變更99.86%。若AD模式下場景通過成功率：PAD|變更=99.8%，路端局部動態地圖更新模式下場景召回率：29RVICAD=99.9

102、%，可得 PVICAD|變更99.999%。（3）收益評估分析綜上所述，路端局部地圖更新模式具有顯著收益，見表3.5，具體如下：1）地圖更新時間方面：D VICAD小于等于5min，地圖更新時間大幅縮短；2）地圖要素變更場景的遭遇概率明顯降低：RVICAD=99.9%情況下，場景遭遇率可從6.38次/萬公里降低至0.0587次/萬公里；3）場景通過成功率P得到顯著提升：在PAD|變更=99.8%，RVICAD=99.9%情況下，PVICAD|變更甚至可達到理想的99.999%，場景的失敗率從1.26次/百萬公里降低到0.0063次/百萬公里。3.2.2 將“不安全”場景轉化為“安全”場景VIC

103、AD除了可以將自動駕駛“未知”場景轉化為“已知”場景，還可以綜合運用車路協同感知、決策規劃和控制等技術，進一步實現將“不安全”場景轉化為“安全”場景，提高自動駕駛安全性。如表3.6所示，自動駕駛“不安全”場景主要可以分為三類：1）交互博弈類場景安全。當車車沖突時，路端和云端作為“仲裁者”定義道路使用權的優先級，并進行協同決策規劃，減少沖突引發的危險場景；當車人沖突時，應采取弱勢交通參與者保護策略，給車輛下發避讓、緩行或停車指令，保護行人安全。2）極端或特殊場景安全。自動駕駛車輛發生故障或出現極端場景的概率相對較低，但一旦出現時危害程度較高，可能會導致多車連續追尾、碰撞危險，通過車路協同決策規劃

104、和控制可以有效幫助車輛避免事故。表 3.5 地圖要素變更場景下VICAD收益分析車端眾包地圖更新6.38次/萬公里PAD|變更=90%PAD|變更=99.8%24h5min路端局部動態地圖更新0.0587次/萬公里(RVICAD=99.9%條件下)PVICAD|變更 99.86%PVICAD|變更 99.999%地圖更新方式地圖更新時間/D場景遭遇率/M條件1RVICAD=99%條件2RVICAD=99.9%場景成功率/P03 車路協同自動駕駛實現L4無人化安全運營303）環境安全。車輛運行環境的復雜度與車輛的安全緊密相關，環境越簡單車輛越安全，反之環境越復雜，自動駕駛車輛安全挑戰越大。車路協

105、同決策規劃和控制可以降低環境復雜度，提升安全性，如非機動車/行人安全治理、交通事故預防、客貨運車輛管理等，實現車輛和所有交通參與者安全、秩序化運行。表 3.6 將“不安全”場景轉化為“安全”場景舉例環境安全交互博弈類場景安全極端或特殊場景安全匝道匯入匯出變道超車無信號燈交叉口通行車輛優先通行場站進出等雨雪霧天氣非機動車、行人安全治理道路施工、交通事故安全低矮拋灑物路面積水、塌陷隧道事故、火災等車輛故障極端擁堵、道路阻塞/阻斷等車輛被困場景場景分類典型場景“不安全”場景轉化為“安全”場景的方式“控車”：在車路協同感知的基礎上，通過車路協同決策規劃和控制，實現對CAV的實時控制，提高自動駕駛安全性

106、?！翱丨h境”：通過控制交通基礎設施，對交通運行狀況進行誘導和控制，間接控制CAV，從而提高自動駕駛安全性。其中，交互博弈類場景安全與極端或特殊場景安全問題可通過“控車”方式實現“不安全”到“安全”，所謂“控車”是指通過VICAD直接參與CAV的決策規劃和控制過程，影響車輛的駕駛行為，如圖3.16所示。云端平臺傳感器感知MEC決策規劃云端路端車端CAV協同感知路云協同決策規劃協同感知I2N協同決策規劃車端決策規劃故障或不可用感知決策規劃感知決策規劃控制圖 3.16 VICAD直接控車實現“不安全”到“安全”31圖 3.17 VICAD控環境實現“不安全”到“安全”圖 3.18 自動駕駛感知、決策

107、規劃與控制總體流程示意圖云端平臺傳感器感知MEC決策規劃云端路端車端CAV弱控制感知感知決策規劃控制控制交通設施（信號燈、可變標識等）感知決策規劃控制控制間接控制環境安全類問題可通過“控環境”方式實現“不安全”到“安全”?！翱丨h境”是指通過VICAD直接控制道路基礎設施和設備，間接參與CAV的決策規劃和控制過程，影響車輛的駕駛行為，如圖3.17所示。3.2.2.1“控車”實現“不安全”到“安全”（一）總體技術原理如圖3.18所示，在典型的自動駕駛系統中，除了感知、預測和定位模塊或系統外，還包括路徑規劃（Routing）、行為決策（Decision）、運動規劃（Planning）和控制（Cont

108、rol）等一系列模塊，VICAD在協同感知基礎上，可以進一步參與自動駕駛的決策規劃和控制，實現動態路徑規劃、協同決策規劃和協同控制三個層次深度協同。感知障礙物檢測信號燈檢測預測路徑規劃定位高精地圖規劃控制決策CAN總線03 車路協同自動駕駛實現L4無人化安全運營32圖 3.19 自動駕駛動態路徑規劃總體技術原理（1）動態路徑規劃動態路徑規劃是指自動駕駛車輛在行駛過程中，通過融合標準路網地圖、高精度地圖、車道級交通態勢、車道級交通事件等信息，不斷修正和優化行駛路徑，實現路徑的實時優化，在保證安全的前提下，最大化提升交通出行效率。如圖3.19所示，車輛從起點開始，在行駛過程中，地圖會給出從車輛所在

109、位置到終點的推薦路徑，自動駕駛車輛可根據實際需求（如時間最短、交通場景最簡單）選擇最佳路徑。動態路徑規劃對于擁堵路口躲避、占道施工繞行、車輛動態編隊等應用場景，具有明顯優勢，其他相關應用場景見表3.7?；疖囌旧虅諈^學校商場123商場商場商務區商務區4醫院起點終點最短時間燃油消耗最少最低排放綜合方案1234表 3.7 動態路徑規劃可在L4自動駕駛中的典型應用安全類應用效率類應用應用分類L4自動駕駛收益定位和通訊更有保障可行駛條件更寬松更從容應對復雜場景道路行駛環境更有保障平均速度更快行駛速度更高等待時間更低道路更有秩序保障車道級定位+實時信息獲取全天候通行避免陷入復雜極端場景保障車輛控制安全減少

110、運行時間降低駕駛復雜度降低路口等待時間提高運行效率保障通行與定位穩定低能見度通行交通事件動態路徑規劃不良路面環境繞行躲避擁堵編隊行駛綠波車速路權預約與管理對比單車路徑規劃的優勢具體應用33圖 3.20 車路協同行為決策（Decision)流程（2）協同決策規劃協同決策規劃可分為協同行為決策與協同運動規劃兩個步驟。車路協同行為決策的總體流程見圖3.20。在特定的駕駛任務中，基于車路協同感知、高精度定位及全局路徑規劃輸入信息，完成駕駛場景的分析判斷及關鍵障礙物行為軌跡預測，同時結合交通規則、歷史決策信息、駕駛經驗等駕駛先驗知識，利用決策理論（如馬爾可夫決策過程）在決策空間集合中給出最優化車輛行為決

111、策判斷。駕駛任務車輛狀態車端感知高精定位Routing信息高精地圖車端輸入數據駕駛經驗場景庫駕駛場景判斷關鍵障礙物場景庫駕駛場景判斷關鍵障礙物行為軌跡預測參考線行為軌跡預測行為邏輯推理判斷沖突仲裁策略歷史決策信息交通規則駕駛先驗知識車端狀態空間駕駛經驗歷史決策信息交通規則駕駛先驗知識云端數據對接路端感知路云輸入數據路云規劃車端規劃路云端車端路云決策路云狀態空間車端決策駕駛任務車路協同運動規劃總體框架見圖3.21?；隈{駛舒適度評價、可達性評價、安全性評價、通行效率評價等軌跡評價體系，結合最優行為決策結果數據，給出最優軌跡規劃結果，供車輛控制執行。03 車路協同自動駕駛實現L4無人化安全運營34

112、圖 3.21 車路協同運動規劃（Planning）流程控制執行關鍵障礙物行為軌跡場景語義理解高精地圖路云決策路云規劃全局視角占據柵格法車流軌跡歸納法軌跡優選法路云建議軌跡推理結果參考線關鍵障礙物行為軌跡車端決策動態規劃S T 速度規劃二次規劃車端規劃安全性評價舒適度評價軌跡評價體系車端S L PATH 規劃路云端表 3.8 自動駕駛決策規劃類挑戰場景與解決策略交互沖突類場景與機動車沖突交通事件排隊、擁堵與行人、非機動車沖突道路阻塞類場景場景分類一級分類二級分類匝道分合流掉頭沖突變道超車左右轉沖突橫穿馬路逆行超速等闖紅燈占道行駛車路協同決策規劃策略與服務內容場景名稱1、車路協同感知對所有交通參與

113、者進行實時感知定位；2、若路徑規劃能解決，提前進行全局路徑規劃避免沖突；3、路徑規劃無法解決時：1）行為決策：為車輛制定通行策略(a.跟車；b.超車；c.繞行；d.加速；e.減速等）；2）運動規劃:（可選）推薦主車通行速度及局部軌跡規劃建議。1、車路協同感知對所有交通參與者進行實時感知定位；2、若路徑規劃能解決，提前進行全局路徑規劃避免阻塞；3、若路徑規劃無法解決：1）行為決策：為車輛制定通行策略(a.跟車；b.超車；c.繞行；d.加速；e.減速等）；2）運動規劃：推薦局部軌跡規劃建議和通行速度;4、若路徑規劃、行為決策和運動規劃仍無法解決，需通過車路協同控制解決。1、車路協同感知對所有交通參

114、與者進行實時感知定位；2、行為決策：制定主車通行策略(a.減速避讓；b.繞行通過；c.正常行駛通過）；3、運動規劃：（可選）推薦主車通行速度及軌跡建議。35在車路協同行為決策和運動規劃的配合下，可以解決自動駕駛交互沖突和道路阻塞兩大類挑戰場景，詳見表3.8，其中：1）交互沖突類場景：道路車輛之間存在交互博弈或路權博弈問題，VICAD基于全局交通參與者狀態感知及意圖預測，完成交互博弈場景中沖突車輛行駛方向、行駛速度、行駛次序的協調決策建議和通過策略；2）道路阻塞類場景：自動駕駛車輛在道路中遇到阻塞事件會產生不合理停滯，VICAD基于阻塞場景的語義理解及交通態勢感知結果，合理制定繞行或通過策略。（

115、3）協同控制車路協同還可以進一步參與自動駕駛的控制過程，根據控制方式的不同，有兩種模式：1）間接控制：通過控制交通基礎設施（如交通信號燈）或交通流，間接控制自動駕駛車輛；2）直接控制：可以在特定環境或場景下，實現對車輛的直接實時控制。下面以直接控制為例進行說明，當L4自動駕駛車輛駛入復雜交通環境、駛出地理圍欄、面臨復雜認知交互類場景或極端場景時，車輛較難獨立應對，可通過車路協同控制幫助車輛脫困，其總體流程見圖3.22，包括以下步驟：1）車輛遇到阻塞性場景時，可由車端主動發起遠程遙控駕駛請求；或者在車端即將到達復雜場景前，由路端主動發起云端控制請求；此外，乘客有特殊需求時，也可由乘客發起云端控制

116、請求；2）車輛周期性上報自車狀態信息、自車感知信息、自車狀態信息等；3）路端周期性上報路端感知信息、路端決策規劃信息等；4）云端接收到車輛主動申請/乘客手動申請/路端申請的云端控制請求后，云端對車端和路端的上報的數據進行融合處理；5）通過云端智能駕艙的方向盤和踏板下發控制指令到車輛底盤，實現遠程遙控駕駛。其中，控制指令的下發有兩種通信鏈路實現：一種是通過4G/5G直接從云端下發至車端；另一種是通過云端下發到路端，再由路端RSU下發至車端。兩種實現方式可以起到互補的作用，尤其是在城市內4G/5G信號出現遮擋或不穩定時，路端RSU可以對4G/5G進行有效補充。03 車路協同自動駕駛實現L4無人化安

117、全運營36遠程遙控駕駛車輛監管、調度控制指令4G/5G控制指令V2X車、路數據融合基礎支撐槍式攝像機魚眼攝像機路側計算單元激光雷達可變標識信號機路側通信單元接管請求來源1：車輛發起接管請求來源2：乘客發起車輛信息車端感知數據車端視頻數據接管請求來源3：路端發起信號燈數據路端視頻數據路端感知數據（交通對象、事件、路況等）接管建議車輛信息環境信息RSCURSU圖 3.22 車路協同控制原理與總體流程（二）協同決策控制典型場景舉例下面以施工場景為例，對車路協同決策規劃和控制如何提高自動駕駛安全性展開進行說明。問題描述：道路施工、交通事故、交通管制等交通事件是自動駕駛車輛經常遇到、且較難應對的一類場景

118、，尤其是在一些復雜的道路施工（如路口內施工、占據所有行進方向車道的施工）場景中，僅依靠車路協同感知或動態地圖更新也不能成功克服，容易造成車輛停滯或接管，存在安全風險。場景原理：針對施工場景，VICAD具體有動態路徑規劃、協同決策規劃、協同控制三種應對解決方式。（1）動態路徑規劃提前改變路徑如圖3.23所示，路端可以識別施工信息并發送到地圖平臺，發送的信息包括但不限于事件類型、時37間地點、影響范圍、影響時間等，通過車路協同路徑規劃，可以評估車輛的可通過性，若不能通過或難度較大，可重新為車輛規劃路徑，提前避開施工路段。具體實現流程如下：1）車輛設置目的地后，路徑規劃模塊根據道路拓撲關系和道路擁堵

119、情況構建全局路徑規劃，車輛按照路徑規劃行駛；2）路端檢測到占道施工，同步該信息至云端,通過自動和人工的方式及時更新路網拓撲關系；若判斷車輛無法通行，重新對車輛進行全局路徑規劃，提前繞開施工區域所在路段。車端車道級Routingxa）單車智能自動駕駛施工場景：有一定概率停車或接管b）基于VICAD：動態路徑規劃提前改變行車路徑x起點終點全局路徑規劃車道級路徑規劃路端Routing圖 3.23 施工場景動態路徑規劃03 車路協同自動駕駛實現L4無人化安全運營38圖 3.24 施工場景車路協同決策規劃（2）協同決策規劃繞行在車路協同路徑規劃部分，針對施工場景給出了通過提前改變車輛行進路徑的解決方式；

120、如果車輛必須保持直行，則需要在車路協同路徑規劃的基礎上，進一步從車路協同決策規劃的角度來解決施工阻塞問題，具體流程如下：1)通過車路協同感知,對道路阻塞區域、阻塞原因、阻塞可達性等進行識別，對雙向車流進行實時持續性觀測，獲取阻塞區域周邊車流軌跡，結合對道路交通態勢的判斷，識別本側道路已經無法通行，但是對側道路最內側車道臨時變更行駛方向，作為本側方向的車道。2)路端發現車道可通行方向和連接關系變更后，更新局部區域的道路拓撲數據。3)車輛到達施工區域前，獲取新的局部路網拓撲，重新對車輛進行局部路徑規劃，借用對向道路通過施工區域所在路段，見圖3.24。xx車端車道級Routing車端車道級Routi

121、ng車端Decision與Planning車路云一體化Decision與Planning（3）車路協同控制繞行若通過上述兩種方式仍不能解決該場景問題時，CAV可主動發起接管請求，由云端接管車輛，通過遠程遙控駕駛幫助車輛通過施工阻斷路段。如圖3.25所示，車輛主動請求接管的流程如下：39圖 3.25 跨道路阻斷，車端主動請求接管1)車端遇道路阻塞，向云端發起接管請求；2)云端遠程遙控駕駛員接到車輛的脫困或代駕請求;3)車端/路端各類實時數據同步上傳云端，云端遠程遙控駕駛員通過信息顯示屏上的信息進行人工決策；4)遠程遙控駕駛員控制駕駛艙的方向盤、油門、剎車等，給車端下發控制指令；5)車輛執行遠程駕

122、駛的控制指令，進行脫困。（三）與單車智能應用效果比較基于上述道路施工場景案例，下面分別對基于AD的單車決策規劃和基于VICAD的車路協同決策規劃兩種模式進行量化比較分析。（1）基于AD的單車決策規劃根據長期實測統計，自動駕駛車輛每萬公里遭遇的施工事件M AD為4.5次/萬公里，同時定義：AD模式下自動駕駛地圖更新（場景召回）時長：D AD=24h自動駕駛車輛每日運營時長：T AD=10h單車智能自動駕駛遇該類場景的成功率為P AD（P AD的值可根據實測數據獲得）。03 車路協同自動駕駛實現L4無人化安全運營40（2）基于VICAD的車路協同決策規劃依靠路端和云端協同感知和協同決策規劃，可在較

123、短時間內完成施工事件的精準識別和決策規劃，并下發到車端，保守起見，將整個鏈路的時間定為3min，那么：D VICAD=3min3min時間周期情況下，施工事件場景的召回率可做到：R VICAD=99.9%車路協同決策規劃模式下可以通過多種方式幫助自動駕駛車輛避免遭遇施工事件，比如Routing、Decision和Planning，那么該模式下施工事件的場景遭遇率為：場景成功率方面，假設施工時長服從對數正態分布：lL,ln(l)N(ln(2),ln(6)h，對于運營時間內發生的一次場景，若場景發生t1時刻，持續時長分布L，有車輛在t2時刻途徑該點，則在t1至min(TAD,t1+l,t1+D),

124、lL時間窗口內，車輛受到場景的環境影響，通過成功率為P未認知|施工，時間窗口后若施工持續且完成召回，成功率為P認知|施工=1，其余時間車輛通過成功率為P未施工=1：引入車路協同決策規劃后的場景通過率：若單車場景通過成功率：P未認知|施工=90%，車路協同決策規劃模式下場景召回率：RVICAD=99%，可得PVICAD|施工99.87%。41若單車場景通過成功率：P未認知|施工=99.8%，邊緣計算場景召回率：RVICAD=99.9%，可得PVICAD|施工99.9991%。（3）收益評估分析：綜上所述，通過車路協同決策規劃對自動駕駛具有顯著收益，見表3.9，具體如下：1）車輛場景的遭遇概率明顯

125、降低：通過車路協同Routing、Decision和Planning等，可以多種方式避免車輛遭遇施工類場景，在RVICAD=99.9%情況下，場景遭遇率可從4.5次/萬公里降低至0.0270次/萬公里；2）車輛場景通過成功率P得到顯著提升：在P未 認 知|施 工=99.8%，邊緣計算 場景召回率RVICAD=99.9%情況下，PVICAD|施工 可達到理想的99.9991%，場景的失敗率從0.9次/百萬公里降低到0.00405次/百萬公里。表 3.9 施工場景下VICAD收益分析單車智能決策控制4.5次/萬公里PAD|變更=90%RVICAD=99%PAD|變更=99.8%RVICAD=99.

126、9%3min車路協同決策控制0.0270次/萬公里(RVICAD=99.9%條件下)99.87%99.9991%比較項車路協同決策規劃鏈路時間/DVICAD場景遭遇率/M條件1條件2場景成功率/P3.2.2.2“控環境”實現“不安全”到“安全”（一）總體技術原理環境安全也是影響自動駕駛安全的重要因素，通過車路協同可以實現“控環境”，實現車輛駕駛出行與交通運行管理的協調統一，最終提高自動駕駛的安全性。如圖3.26所示，路端系統與設施在為自動駕駛提供VICAD服務的同時，也可以利用路端實時高精度感知定位能力，對道路和交通運行狀況進行實時監測，識別不安全事件和因素，并及時采取有效手段對交通設施進行干

127、預和控制，并通過移動蜂窩網絡或者RSU通信設備提前向車輛發布交通環境信息，避免交通事故發生，達到提升交通安全的目的。03 車路協同自動駕駛實現L4無人化安全運營42路側計算單元云控平臺交管平臺槍式攝像機魚眼攝像機激光雷達單點控制路端控制云端控制線路級控制區域級控制可變標識信號機路側單元RSURSCU圖 3.26“控環境”提高自動駕駛安全總體技術原理（二）典型場景舉例下面從“控環境”提高自動駕駛安全的角度，列舉兩個比較常見的“不安全”到“安全”場景案例。（1）下穿道路積水管控問題描述：城市道路中下穿道路比較普遍，遇到下雨天氣時，道路低洼地段容易積水，一旦車輛駛入可能會嚴重威脅車輛和人身安全，造成

128、生命財產損失。場景原理：如圖3.27所示，1）在路端有積水傳感器的情況下，可由路端對下穿道路積水深度進行檢測；2）根據水深判斷危險程度，若有安全風險，可通過多種方式提醒或控制車輛，禁止車輛駛入危險路段。相關方式包括地圖提醒、V2X預警、云端修改Routing、控制信號燈禁止通行，或者將危險信息報送交管、城管平臺，由交管和城管統一對道路進行封路管理。43 圖 3.27 下穿道路積水場景圖 3.28 下穿道路積水安全管控應用效果：如圖3.28所示，路端系統可以通過控制信號燈，禁止車輛靠近危險區域，提前避讓積水路段，保障車輛和人員安全；或者可以在下穿道路入口處設置路閘，通過關閉路閘的方式，禁止車輛駛

129、入，避免發生水淹事故。云端積水傳感器下穿道積水（2）隧道內危險事件管控問題描述：如圖3.29所示，若高速公路隧道內發生危險情況（比如火災、瓦斯泄露、坍塌或事故），自動駕駛車03 車路協同自動駕駛實現L4無人化安全運營44場景原理：如圖3.30所示，1）路端通過感知系統對隧道的危險事件進行實時感知識別；2）隧道內感知系統與隧道口的信號控制設備打通，通過控制信號燈禁止車輛進入隧道，或通過V2X將隧道事件廣播給車輛，提前讓車輛和駕駛員知悉隧道內事件。應用效果：通過控制信號燈，避免車輛陷入危險環境，發生二次交通事故，保證人身安全和交通安全。輛無法提前獲取事件信息，一旦駛入隧道可能會導致二次事故。圖 3

130、.30 隧道危險情況安全管控 圖 3.29 隧道內交通事故45V2X事件播報控制信號燈禁止車輛通行道路塌陷火災瓦斯泄露危險事件識別事故 圖 3.31 自動駕駛一體化評價模型（UMADE）為了量化評價VICAD在典型交通場景下對安全的收益，本白皮書在車路協同自動駕駛安全收益模型（Vehicle-Infrastructure Cooperated Autonomous Driving Safety Revenue Model，VICAD-SRM）28的基礎上進一步加入復雜的交通場景交互與高保真的傳感器數據渲染，建立了自動駕駛一體化評價模型（Unified Model of Autonomous D

131、riving Evaluation，UMADE）。如圖3.31所示，UMADE支持選取不同的測試場景、不同的交通交互方式以及不同的評價指標，針對不同的自動駕駛解決方案進行系統表現的量化對比測試。3.2.3 VICAD安全評價模型與仿真驗證以下為自動駕駛一體化評價模型中各功能模塊的簡要介紹。1）場景分布模型：用于描述選定場景中交通狀態初值的分布概率。常見的分布概率模型包括：跟馳車速服從對數正態分布、跟馳車頭時距服從負指數分布等；2）渲染引擎：用于根據交通狀態為自動駕駛車輛與路端設備提供高保真的傳感器數據，同時也將用于對交通場景的行為事件進行可視化還原。自動駕駛一體化評價模型對基于UE4渲染引擎的

132、開源自動駕駛模擬器CARLA進行了二次開發，提供了包括激光雷達與視覺相機在內的常見車載傳感器以及路端感知設備的數據接口；3）交互模型：用于描述交通參與對象之間的交互行為。自動駕駛一體化評價模型支持交通信號、車輛、行人、非機動車等交通參與對象，在CARLA自帶的交互模型的基礎上進一步提供了交通參與對象交互的自定義接口；4）感知模型：用于模擬車路協同系統通過云端信息以及車端與路端的傳感器數據進行環境感知的過程。自動駕駛一體化評價模型支持在車路兩端自由接入目標檢測、語義分割、異常檢測等自動駕駛相關的感知算法；5）決策控制模型：用于模擬車路協同系統通過云端信息以及車端與路端的傳感器數據進行決策、規劃與

133、控制的過程。自動駕駛一體化評價模型支持在車路兩端部署協同決策控制算法，進而有序調度交通場景內的相關交通信號與車輛；28車路協同自動駕駛安全收益模型（Vehicle-Infrastructure Cooperated Autonomous Driving Safety Revenue Model，VICAD-SRM）見面向自動駕駛的車路 協同關鍵技術與展望（2021年）。03 車路協同自動駕駛實現L4無人化安全運營466）評價模型：用于評價自動駕駛在交通環境下的系統表現。自動駕駛一體化評價模型支持選取不同的評價方法，可以對指定自動駕駛方案在指定交通場景下的安全性和通行效率等指標進行量化評價。為了

134、有效闡釋自動駕駛落地過程中遇到的實際困難，經過對自動駕駛領域公開數據與百度實際測試數據的分析與歸納，針對最為關注的自動駕駛安全與極端場景應對問題，選取行人鬼探頭、無保護左轉、異常障礙物與異常交通狀況四個典型場景（詳細描述見表3.10），利用自動駕駛一體化評價模型開展量化評價。表 3.10 場景列表場景異常交通情況異常障礙物無保護左轉行人鬼探頭場景描述場景參數主車速度從車速度主從車間距主車速度從車速度從車進入時間主車速度從車速度從車進入時間主車速度從車速度對向車輛速度主從車間距路端設備車輛、行人路端設備車輛路端設備車輛路端設備車輛、修路標識互補感知互補感知冗余感知/強化感知強化感知交通參與對象協

135、同感知關鍵算法評價方法協同決策控制同向行駛車輛的協同剎車協同感知協同決策控制同向行駛車輛的協同剎車同向行駛車輛的協同障礙繞行對向行駛車輛的協同讓行協同感知協同決策控制協同異常檢測協同決策控制協同預測與模仿協同決策控制碰撞概率行人傷害通行效率碰撞概率通行效率碰撞概率通行效率通行能力通行效率47針對上述典型交通場景，可選取單車智能、車路協同感知與車路協同決策控制三種不同的自動駕駛模式進行系統表現對比，借助自動駕駛一體化評價模型得到以下仿真結果與分析。（1）行人鬼探頭如圖3.32所示，單車智能無法對遮擋產生的視野盲區進行有效感知，因此存在較大的交通安全隱患。相比之下，車路協同感知提供了互補信息，為前

136、車避讓行人提供了感知的信息增量。而車路協同決策控制則提供了全局車輛協同決策的能力，為后車提供了前車駕駛行為的信息增量，從而降低了碰撞事件的發生概率。圖 3.32 基于行人鬼探頭場景的系統表現對比圖 3.33 基于無保護左轉場景的系統表現對比（2）無保護左轉如圖3.33所示，由于對向左轉的大型車輛遮擋了主車的感知視野，使主車僅依賴單車智能無法有效感知到對向的直行車輛，因此存在較大的交通安全隱患。與行人鬼探頭場景類似，車路協同感知提供了互補信息，為前車避讓對向直行車輛提供了感知的信息增量。而協同決策控制則提供了全局車輛協同決策的能力，為后車提供了前車駕駛行為的信息增量，從而降低了碰撞事件的發生概率

137、。（3）異常障礙物異常障礙物一般不會出現在自動駕駛感知系統的訓練樣本內，需要由額外的感知異常檢測算法進行感知不確定分析，將預期功能安全SOTIF中的“未知”場景轉化為“已知”的異常場景。如圖3.34所示，單車智能無法預先對異常障礙物進行有效的檢測，存在較大的交通安全隱患。而車路協同感知提供了冗余與強化信息，為前車避讓異常障礙物提供了信息增量。而協同決策控制則提供了全局車輛協同決策的能力，為后車提供了前車駕駛行為的信息增量，降低了碰撞事件的發生概率。03 車路協同自動駕駛實現L4無人化安全運營48圖 3.34 基于異常障礙物場景的系統表現對比圖 3.35 基于異常交通狀況場景的系統表現對比(4）

138、異常交通狀況在圖3.35所示場景下，車輛需要面對較為復雜的交通狀況。首先，存在一輛靜止車輛停在修路路段前，自動駕駛車輛需要判斷其駕駛意圖并確定排隊策略。其次，在雙向單車道條件下存在臨時的修路路段，自動駕駛車輛需要決策是否違反交通規則進行“逆行”。最后，由于在單車道的條件下存在對向來車，自動駕駛車輛需要與對向來車進行博弈與交互。由于缺少全局信息，單車智能難以在這一復雜狀況下采取有效決策。而車路協同感知提供了冗余與強化的增量信息，可以通過路端長時間觀測，有效預測靜止車輛的意圖并模仿其他非自動駕駛車輛的駕駛行為，具有在前述復雜狀況下采取有效決策的可行性。協同決策控制則可以獲取云端交通狀況異常的先驗信

139、息，結合全局車輛協同決策的能力，為對向車輛提供了自動駕駛車輛的駕駛意圖等信息增量，進而提高了單車道對向通行的通過效率?？傮w而言，車路協同感知與車路協同決策控制對自動駕駛的安全性有較大提升。上述典型場景為低概率出現的極端場景，具有較高危險性。行人作為交通安全問題中的弱勢群體，確保行人安全對自動駕駛技術的發展與應用尤為重要。在極端的行人鬼探頭場景下，與AD相比，VICAD模式在人體傷害評價指標方面可以得到大幅的安全提升；同時，實驗結果表明，VICAD在應對無保護左轉、異常障礙物與異常交通情況時均取得了明顯的系統表現提升，證明了VICAD能夠有效幫助解決自動駕駛落地面臨的極端場景應對問題。詳細的實驗

140、數據如表3.11所示，具體的實驗方法請參見附錄B。49表 3.11 基于自動駕駛一體化評價模型的實驗結果單車智能車路協同決策控制評價模型車路協同感知場景無保護左轉異常障礙物N/A7.143s極端場景通行效率10.504s無有通行能力有359.98s10.39s極端場景通行效率80.02s5.3010-50行車碰撞率1.0510-5201.30s64.84s極端場景通行效率71.25s3.1010-59.2610-6行車碰撞率1.0410-51881.51s50.52s極端場景通行效率119.13s6.8510-64.7810-89.2210-8行人傷亡率3.3010-56.9310-7行車碰撞

141、率2.9510-6異常交通情況行人鬼探頭SECTION 33.3管理擴展自動駕駛ODD,實現無接管連續運行3.3.1 自動駕駛ODD限制自動駕駛ODD是指自動駕駛系統設計時確定的適用于其功能運行的外部環境條件。只有當全部條件都滿足時，自動駕駛才能保證正常運行；相反，欠缺任何一個前提條件，自動駕駛系統都有可能出現故障，這時就需要采取緊急停車措施或是駕駛員手動接管。如圖3.36所示，不同等級自動駕駛車輛的ODD限制存在差異，L4等級自動駕駛ODD限制相對較小、L3等級自動駕駛次之、L2等級自動駕駛限定更為嚴格，只能在有限的環境或場景下啟用自動駕駛模式。以某品牌L3等級自動駕駛ODD為例，只有在滿足

142、下述條件時，才允許開啟自動駕駛模式：1）行駛在高速公路或者帶有中央隔離帶和護欄的兩車道以上機動車專用公路上；2）所在車道和周邊車道的車間距離較近，即在堵車狀態下；3）車的行駛速度不超過60km/h；4）在傳感器可檢測到的范圍內沒有信號燈也沒有行人。03 車路協同自動駕駛實現L4無人化安全運營50速度地理圍欄道路類型環境ODD參數交通氣溫其他限定區域非限定區域駕駛員應急響應系統應急響應部分物體和事件檢測完全的物體和事件檢測橫向或縱向控制 橫向和縱向控制道路類型：高速速度：=35英里/小時僅支持白天總駕駛員管理域ODD非限定ODDLevel 2示例Level 0Level 1Level 2Leve

143、l 3Level 4Level 5道路類型：園區道路速度：=25英里/小時僅支持白天Level 4示例圖 3.36 不同等級自動駕駛ODD限制圖 3.37 自動駕駛ODD分類如圖3.37所示，自動駕駛ODD總體上可以分為靜態實體、環境條件和動態實體三類29，其中：1）靜態實體由運行環境中狀態不改變的實體組成，如：道路、建筑等；2）環境條件包括天氣、大氣條件和信息環境；3）動態實體由運行狀態發生變化的實體組成，如交通情況、道路使用者和非道路使用者。29參考全國汽車標準化技術委員會發布的自動駕駛設計運行白皮書。51ODD靜態實體道路類型道路表面道路幾何車道交叉車道特征建筑交通標志道路邊緣道路設施區

144、域環境條件天氣光照連接度動態實體交通情況道路使用者非道路使用者3.3.2 基于車路協同的ODD動態管理與擴展（一）總體技術原理通過車路協同，可以支持對自動駕駛ODD進行動態管理，并合理擴展自動駕駛ODD，讓自動駕駛車輛在盡可能多的環境下實現連續自動駕駛。通過VICAD管理擴展自動駕駛ODD的流程見圖3.38，包括以下步驟：1）明確自動駕駛ODD限制場景清單，需要確定不同等級、不同品牌、不同車型自動駕駛車輛的具體ODD限定場景清單；2）實時檢測識別ODD限制場景：通過車路協同感知，對CAV及周邊交通環境進行實時感知識別，包括交通參與者、交通事件、交通運行狀況等，并對感知結果信息進行綜合判斷，確定

145、對自動駕駛是否有影響，并確定影響時間、影響范圍和影響程度等，以及是否作進一步處理；3）路端發起對自動駕駛車輛提供VICAD應用服務：針對確有影響的ODD場景，路端發起對CAV的應用服務請求，車輛平臺經審核確認后，由路端為車輛提供協同感知、協同決策規劃或協同控制服務；4）車輛在路端的幫助下，安全無接管通過ODD限制場景。明確ODD限制場景清單實時檢測識別ODD限制場景路端發起對車輛提供VICAD應用服務安全無接管通過ODD限制場景圖 3.38 ODD動態管理流程圖（二）典型場景舉例：無信號燈交叉口協調通行表3.12列舉了L4自動駕駛的可能存在的典型ODD限制場景，如道路施工、交通事故、混行等相關

146、場景。針對其中的動態實體類ODD限制場景，可通過車路協同感知或決策規劃方式，提升CAV的感知能力和決策規劃能力，解除ODD限制；針對靜態實體和環境條件類ODD限制，在車路協同感知和決策規劃的基礎上，還可以通過車路協同控制實現對車輛、交通設施和交通環境的優化控制，例如信號燈優化控制、道路融雪除冰、裝置等，保障車輛安全通過ODD限制場景。03 車路協同自動駕駛實現L4無人化安全運營52表 3.12 自動駕駛ODD限制與管理擴展實現方式（舉例）動態實體靜態實體環境條件交通情況道路使用者非道路使用者道路類型停車場室內停車場有信號控制交叉口無信號控制交叉口匝道分合流、岔道環形交叉口車道線模糊無車道線長隧

147、道橋梁立交鐵路交叉口道路施工交通事故困難困難困難困難困難困難ODD限制場景分類一級分類三級分類二級分類車輛排隊或擁堵交互沖突交通阻塞車路協同感知/決策/規劃車路協同感知/決策/規劃車路協同感知/決策/規劃/控制（控車）車路協同控制（控環境）車路協同控制（控環境）車路協同控制（控環境）機動車行人動物動物闖入的突發行為低矮障礙物、拋灑物、異常障礙物等其他非機動車車輛停滯困難困難困難困難困難困難困難困難困難道路表面車道交叉車道特征道路邊緣道路設施天氣能見度較差（大霧、大雪、大雨、沙塵暴、團霧等）信號干擾無信號信號強度連接性平面交叉車道標線特殊設施臨時設施無道路邊界線困難困難困難困難困難困難困難困難困

148、難困難邊界線道路路面積水、結冰、積雪、泥濘等困難擴展ODD的方式L4自動駕駛場景應對能力典型場景舉例機動車-機動車交互沖突：并線匯合沖突、前車急剎、加塞、切彎等突發行為危險行為：超速、逆行、闖紅燈等突發行為危險行為：行人進入機動車道、鬼探頭、闖紅燈等突發行為危險行為：非機動車進入機動車道、鬼探頭、超速、逆行、闖紅燈等突發行為53下面以無信號燈交叉口協調通行為例，對ODD管理和擴展進行說明。問題描述：以圖3.39為例，自動駕駛車輛在通過復雜路口（包括城市內復雜交叉口、高速公路或快速路匝道口）或無信號燈交叉口時，由于不同方向車輛流向的交叉沖突，容易造成碰撞風險或引發接管。圖 3.39 無信號燈交叉

149、口場景場景原理：通過車路協同可以從路口全局識別預測所有車輛的駕駛意圖，并給車輛制定合適的通行策略，讓路口車輛有序通行，可避免接管。具體流程如下：1）路端系統和設施對路口車輛進行實時感知預測，路口車輛也可通過V2X主動上報車輛行駛意圖（預期軌跡，包含各時刻的車輛位置及速度）；2）路端系統和設施依據交通規則（左轉讓直行）、優先策略等進行一體化決策，比如讓直行車輛優先通過、左轉車輛隨后通過；3）左轉車輛根據路端的統一調度提前減速避讓，直行車輛可不減速或加速通過；4）所有車輛在路端的統一調度下，高效通過路口。應用效果：如圖3.40所示，通過協同感知和決策規劃，可以保證自動駕駛車輛在不接管的情況下，具備

150、在交叉型道路環境行駛的能力，從而擴展了自動駕駛的ODD。03 車路協同自動駕駛實現L4無人化安全運營54圖 3.40 車路協同決策規劃實現無信號燈交叉口協調通行自動駕駛車輛在無信號燈交叉口無法安全高效通行，需要駕駛員接管通過車路協同控制，實現自動駕駛車輛無信號燈交叉口協作通行（三）綜合應用效果車路協同對自動駕駛ODD擴展的前后對比效果示意見圖3.41和圖3.42。以一次具體出行行程為例，從起點到終點過程中，會經歷一系列場景，如：1）泊車場景，如室內封閉的停車區域駛入駛出；2）城市道路中的交通沖突場景，如有信號燈交叉路口、行人非機動車混行道路；3）高速道路中的長隧道、沙塵團霧等低能見度區域、施工

151、區域等場景等。受自動駕駛ODD限制，在經過困難場景時，車輛必須退出自動駕駛模式，并由駕駛員對車輛進行接管，使得自動駕駛不能連續運行；通過VICAD，可以幫助車輛在這些ODD限制場景中依然保持自動駕駛狀態，實現自動駕駛連續無接管運行（除極端惡劣天氣、無高精度地圖覆蓋等不可控因素外），如圖3.42所示。圖 3.41 ODD擴展前55圖 3.42 ODD擴展后 圖3.43 VICAD對L4自動駕駛的促進作用如上論述，在VICAD多重作用下，可以為L4自動駕駛車輛提供差異化應用支撐服務，讓L4自動駕駛車輛更安全、更普適，服務于居民的日常出行。圖3.43示意性給出了VICAD對L4自動駕駛車輛的作用效果

152、，其中：1)在自動駕駛能力水平方面，L4自動駕駛能力水平會顯著提高，能夠成功應對各類復雜場景；2)在自動駕駛商業化落地方面，現階段L4的自動駕駛只能在封閉或有限區域內實現自動駕駛規模商業化落地，L4單車智能在足夠長的時間和足夠充分的研發投入條件下，最終可以實現無人化自動駕駛規模商業化落地，但是在VICAD加持作用下，可以快速達到無人化自動駕駛規模商業化落地要求的臨界點。SECTION 43.4小結03 車路協同自動駕駛實現L4無人化安全運營56自動駕駛規模商業化落地智能要求人類司機彌補為L4乃至L2+L3規?；虡I落地提供保障自動駕駛智能能力時間與研發投入臨界點加快規?；虡I落地車路協同智能單

153、車智能8車路協同自動駕駛加速L2規?；瘧?4 L2等級自動駕駛在現階段已經實現規模商業化落地，且呈現出爆發式增長趨勢，但另一方面，L2較快發展的同時，也暴露出安全性問題高發、功能適用場景有限等一系列問題。VICAD面向L2等級自動駕駛車輛，可以發揮多觸達、多層次服務優勢，將L2帶入到更加安全，用戶體驗大幅改善的規模商業化新階段。04 車路協同自動駕駛加速L2規?；瘧肧ECTION 14.1L2自動駕駛主流方案及其限制根據SAE標準定義，L2等級自動駕駛同時提供轉向和速度控制，要求駕駛員全時參與駕駛，并能隨時介入，緊急情況下在系統要求時須隨時接管駕駛。而L2+并不是一個標準自動駕駛等級，是目

154、前行業各個廠家為了強調自身產品在L2級功能基礎上有不同程度的增強，從而采取的非正式稱呼，其他如L2.5，L2+等名稱也屬于此類情況，此類汽車的共同特性在于駕駛人仍然作為責任主體，需要全程保持專注并在系統要求時隨時接管，這一點與L2保持一致。本白皮書統一用L2來代表這類產品。4.1.1 L2常見技術方案目前L2等級自動駕駛按照傳感器布局有三種常見的技術方案，分別是1R1V(3R1V)方案、5R1V(5R5V)方案和1R8V方案，其中R代表毫米波雷達，V代表攝像頭。（1）1R1V(3R1V)方案1R1V(3R1V)方案是目前比較成熟,也是裝配率最高的方案。如圖4.1所示，1R1V由單視覺模塊FCM

155、和單雷達模塊FCR通過連接組成，沒有單獨集中式控制器，由FCM模塊負責視覺感知部分，同時FCR模塊處理雷達感知，采用傳感器后融合方案。3R1V是1R1V基礎上增加兩個后方雷達，實現高速公路部分速域輔助駕駛（HWA）。FCMFCRSRRs圖4.1 1R1V方案（2）5R1V(5R5V)方案如圖4.2所示，5R1V方案是在1R1V方案基礎上加上四顆角雷達，集中域控DCU仍為低算力584.1.2 電子電氣架構演進圖4.2 5R1V方案圖4.3 1R8V方案MCU，負責結構化傳感器數據的融合并進行控車。在5R1V方案基礎上，還可以升級機增加4顆環視攝像頭形成5R5V方案，在此方案中集成了集中域控制器，

156、功能方面一般實現了高速公路全速域輔助駕駛HWP（High Way Pilot）。DUCFCMFCRSRRsSFRs2（3）1R8V方案如圖4.3所示，1R8V的傳感器方案配備了FCR，前向3目攝像頭，側前側后4個側方攝像頭和1個后方攝像頭，功能方面1R8V可以支持領航輔助駕駛功能，同時開始配備高精地圖。在此方案中，DCU一般都升級為大算力計算平臺，大部分傳感器從智能傳感器變為單純傳感器數據輸出，在計算平臺進行處理并融合。DUCCameraFCR智能駕駛的電子電氣架構也在不斷發展和演進。如圖4.4所示，從L1到L4，在車輛傳感器方案演進的同時，計算平臺也在從分布式ECU發展到L2的域集中計算平臺

157、，再到L4的整車中央計算平臺，集中化程度越來越高。594.1.3 L2自動駕駛面臨的主要挑戰圖4.4 汽車電子電氣架構的演進對照4.1.1節，在1R1V方案中，不存在中央控制器，一般由FCM或者FCR模塊來進行傳感器融合并進行控車，傳感器融合一般采用后融合方案，算力要求低，規劃和控制部分邏輯簡單，能夠適應高速結構化道路簡單工況。隨著傳感器數量增多，感知復雜深度學習模型引入，從5R1V開始，傳感器融合、感知、預測、規劃，控制的復雜度提高，L2車輛開始裝配集中式計算平臺、高精地圖、高精度定位、車載通信單元等設備，具備領航輔助駕駛能力。隨著L2的進一步發展，車載計算平臺在融合了定位、地圖、單車感知的

158、基礎上，進一步融合通信能力，具備車車、車路、車云通信能力，為基于車路云協同環境下的協同定位、協同感知、協同規劃控制提供了軟硬件架構上的有力保障。與第三章L4面臨的問題類似，L2級自動駕駛面臨的問題在安全和ODD兩個方面的問題更加突出。在安全性方面，由于L2處于人機共駕的階段，人類駕駛員仍然是責任主體，所以對于路端感知和路端安全事件提醒，不僅僅是需要用于車端決策規劃，更重要是要和人類駕駛員交互，使得接管有更充足的提前量，減少接管突然性，使得L2自動駕駛更安全、更人性。4.1.3.1 安全挑戰如圖4.5所示，在L2等級ADAS安全事件中，超過10%為危害人身安全的交通事故，這一比例大幅超過手動駕駛

159、，TOP4事故原因包括：1）對于前方故障、拋錨或施工未能及時感知；04 車路協同自動駕駛加速L2規?；瘧?02）前車突然減速、急?；蚣尤麘獙Σ患皶r；3）異常ADAS工作環境條件，如雨雪天路面和團霧，可能會導致車輛剎車距離過長或者傳感器時效；4）高速道路路面拋灑，遺落物等靜態物體不能有效識別。29465221946未知原因未知原因無傷亡事故中等輕微人身傷亡嚴重嚴重中等輕微無傷亡事故 人身傷亡圖4.5 L2 ADAS 危害等級分析（數據來源：NHTSA ADS SGO Report，2022年6月）圖4.6 高速施工場景TTC分析（1）感知距離和人類反應時間的沖突61感知距離和人類駕駛員反應時間

160、的矛盾，是目前高速公路場景下各類L2 ADAS安全的首要因素，提前預知前方事故，施工等安全事件是提高L2 ADAS安全性的首要前提。如圖4.6所示，按照典型場景高速公路路障識別為例，車輛以120km/h速度行駛時，在150m左右距離可以識別到路障錐桶，從車輛感知識別，到通過圖標或聲音為駕駛員提供預警，以及駕駛員反應剎車，最終TTC（Time to Collision，預計碰撞時間）已經不足1s，留給人類的安全反應時間嚴重不足。再比如圖4.7所示的兩個場景，在道路轉彎曲率過大，或者在前方隧道的場景下，L2 ADAS無法預知前方安全事件，駕駛員沒有任何反應時間。隧道內施工視距外施工圖4.7 道路環

161、境影響感知距離（2）靜態物體識別能力不足靜態物體識別是目前高速公路L2 ADAS的安全難點之一，已經發生多起因未能識別路障或拋錨車輛而引發安全事故的案例。目前L2廣泛采用的毫米波雷達，因為識別方向精度低，為了避免幽靈剎車，在高速上對于路面靜態物體的識別會進行過濾，而攝像頭目前受到反光，光線不足、識別距離等因素也影響了高速靜態物體識別。本章后續提出使用路端檢測，并且通過路端V2I和云端V2N形式進行廣播的方式，提供解決方案。（3）路面和環境條件感知能力缺乏L2車輛的動力模型需要考慮各種環境因素。以剎車距離為例，車輛在不同環境條件下的剎車距離差異較大，如行駛在濕滑路面或冰雪路面上的車輛會有不同的制

162、動性表現，當傳感器失靈、無法感知當前道路條件，并且按照固定參數控車時，可能會導致緊急情況下的控制失效，引發安全事故。如圖4.8所示，隨著車速增加，車輛在干濕兩種路面的剎車距離差異逐步擴大（忽略車輛環境、按照固定參數控車無法保證安全的跟車距離）。150m04 車路協同自動駕駛加速L2規?；瘧?2圖4.8 干濕路面剎車距離對比 干濕路面剎車距離對比圖4.9 紅綠燈識別問題受車輛傳感器限制，L2車輛較難獲取更多環境條件信息。通過路端感知和云端下發信息，車輛可以提前獲知前方道路條件等環境信息，保證L2輔助駕駛安全。4.1.3.2 ODD受限在自動駕駛ODD方面，L2自動駕駛車輛面臨的問題更加突出，目

163、前僅能在高速公路的部分簡單場景允許自動駕駛系統運行，城市道路、停車場等均要求駕駛員接管，下面對于城市和停車場場景限制及其原因進行分析。（一）L2輔助駕駛城市場景限制L2輔助駕駛目前在城市道路還不成熟，還面臨諸多技術方面和安全方面的挑戰，下面列舉兩個典型的城市挑戰場景：（1）紅綠燈識別問題紅綠燈逆光多語義紅綠燈紅綠燈遮擋63L2擴展到城市道路駕駛的首要挑戰就是紅綠燈識別問題，逆光、多語義、遮擋等問題，導致目前靠前向攝像頭視覺識別紅綠燈的方案很難系統地徹底解決所有長尾問題，給L2擴展到城市道路帶來挑戰。（2）高精地圖覆蓋和更新問題目前L2輔助駕駛方案大多建立在高精度地圖之上，高精度地圖為自動駕駛車

164、輛提供了車身傳感器之外的重要先驗信息，大幅加速了感知，規劃，決策及定位等自動駕駛應用算法，但是在L2擴展到城市道路場景后，高精地圖仍面臨以下挑戰：1）高精地圖主要覆蓋高速公路和城市快速路，城區道路覆蓋不足，并且建設成本高；2）高精地圖鮮度問題，即如何保證足夠的更新頻率以及時體現現實世界變化；3）高精地圖動態圖層更新，比如封路、可變車道、限行政策等動態元素的更新。高精地圖的缺失或者鮮度不足問題也是目前導致L2輔助駕駛尤其是領航輔助駕駛模式導致接管的主要原因之一，行業也亟待一種更優的地圖變更識別，采集和分發的方案。（二）公共停車場泊車功能限制在各種駕駛場景中，停車場泊車耗費大量的時間和駕駛員精力，

165、相比其他公開道路的駕駛活動，在停車場內泊車幾乎沒有樂趣可言。停車場（尤其是購物中心停車場）實現自動駕駛將極大提高社會資源利用率和商業效率，改善駕駛體驗。當前已經量產的自主泊車技術方案主要為學習型技術路線，適用于在家庭、辦公區等固定場景，通過車輛對駕駛行為以及周邊環境的學習而來，難以應用在大型公共停車場。下面列舉一些限制公共停車場自主泊車功能實現的限制：（1）遮擋環境定位能力缺失目前室內停車場定位，尤其是復雜多層停車場定位仍然缺少行業標準解決方案，停車場自動泊車功能受限需要解決室內定位能力問題，目前自動駕駛依靠的GNSS、RTK、IMU等定位方式在室內有遮擋時因為缺少可靠，標準的絕對定位信號源來

166、消除IMU的時間累計誤差，所以在室內定位技術方案的建立和標準化是目前停車場自動泊車的前提。（2）缺乏行業標準化方案要實現停車場自動泊車，首先車輛必須能夠從停車場場端獲取車位狀態，并且能夠接受場端指派車位，而停車場本身也需要支持車位狀態管理、車位預留、車位指派、車輛自動計費等功能。目前的停車場還停留在車位占用指示燈，可用車位數量指示燈等為人類駕駛泊車引導的階段，缺乏為自動駕駛服務的標準化的車位查詢、車位分派、車位預留、車位引導、自動離場收費等功能。04 車路協同自動駕駛加速L2規?；瘧?4在車路協同架構中，停車場場端必須作為整個車路協同系統的一部分，做到和車、路、場、云之間互操作的標準化，才能

167、真正實現停車無憂，大幅提高社會和商業效率。S2CTION 24.2面向L2的車路協同自動駕駛服務4.2.1 總體技術框架綜合以上，VICAD對于L2等級自動駕駛車輛，可主要起到協同感知、輔助定位以及部分協同決策規劃的作用。核心目標是通過VICAD，對L2自動駕駛系統進行感知定位增強，為駕駛員提供更多參考決策信息，讓人類駕駛員及時得到路端安全提醒，提升駕駛安全和駕乘體驗。VICAD對L2等級自動駕駛車輛的總體服務框架和服務邏輯見如圖4.10，可提供的主要服務內容見表4.1。圖4.10 VICAD對L2總體服務框架示意圖65室內停車場UWB定位RUS+UWB基站智能網聯車端智能網聯路端前方路況，交

168、通事件，施工，HD Map基礎層等協同變道，緊急剎車等VRU提醒，差分定位，地圖動態層交通信號燈智能網聯云端服務單車傳感器工作范圍V2I工作范圍V2N工作范圍V2VV2NV2I表 4.1 VICAD對L2主要服務內容（部分）云端服務智能路端自動駕駛車輛實時性要求服務內容服務主體析并輸出：a)交通事故、路況信息；b)天氣等環境信息；c)施工、阻斷等信息；d)高精地圖基礎圖層服務；e)聚合并管理其他服務，如停車場引導系統；f)其他交通信息；車云之間采用移動蜂窩Uu通信，云端接受車端請求，發送相應信息到車端。聚合路端傳感器，車端V2X消息輸入，進行實時數據分析，輸出：a)路端全量感知結果；b)紅綠燈

169、信號相位及倒計時；c)高精地圖局部動態圖層；d)道路弱勢通行信號；e)行人、非機動車橫穿和車輛逆行提醒等安全提醒信號；f)路面拋灑物，遺落物等提醒信號；g)提供車輛協作式通行信號；h)差分定位參考信號，室內定位參考信號；車路之間采用PC5標準通信，采用C-V2X協議標準。a)接收來自云端，路端實時信息；b)融合車、路、云端的輸入形成車端完整感知；c)和人類駕駛員進行實時交互，確保駕駛員預知前方安全事件，必要時提前做好接管準備。安全相關提醒：100ms內其他提醒類信號：200ms內事件分鐘級更新地圖周級或天級更新4.2.2 車端參考技術架構與L4相比較，服務于L2的車路協同技術方案，既要考慮車路

170、協同自動駕駛，也需要考慮路端事件，云端事件和人類駕駛員的實時交互。建議的系統設計參考方案如圖4.11所示。04 車路協同自動駕駛加速L2規?；瘧?6圖4.11 車端參考架構在L2級自動駕駛車端參考方案中，主要涉及到三個域控制器，其各自功能分配按照如下設計：1)T-BOX-OBU域控制器：負責與云端、路端、場端通信的鏈路，同時對V2X信號進行基本處理，將路端感知、地圖變更、安全事件等輸出到座艙，同時將路端感知、定位參考信號、場端控車信號、車車協同信號輸出到自動駕駛域。T-BOX-OBU域控制器接收來在座艙域的信息請求，同時接收自動駕駛域的車車協同消息。2)座艙域：負責與用戶交互，包括車路協同事

171、件和導航應用的融合，并通過中控屏幕、HUD、儀表等形式將導航、車路協同事件等信息顯示給用戶，讓駕駛員隨時了解車、路、云輸出的車輛和環境信息；座艙域同時將路端地圖和本地地圖融合生成地圖動態層EHP信息給到自動駕駛域，供自動駕駛獲取前方地圖及地圖動態層信息。3)自動駕駛域：負責車輛定位、融合自車定位，并接收路側定位參考信號，得到融合后自車位置；負責感知融合，將路端感知和自車感知融合以得到完整的環境感知信息；負責車輛控制，同時接收來自場端的控車信號，在地下停車庫等場景可以接收來自場端控車信號，以實現場端控車來完成泊車功能。4.2.3 車路協同地圖服務和更新方案高精地圖面臨著地圖覆蓋和地圖更新兩個問題

172、，地圖覆蓋問題隨著自動駕駛場景拓展和市場裝配率提高，必將持續提升，但是高精地圖的更新將是自動駕駛，尤其是L2級自動駕駛所面臨的一個更大的挑戰。高精地圖更新包含現實世界變更發現和地圖更新兩個部分。67目前行業探索的變更發現和更新方案主要有：1)眾包：主要靠大量投放具有環境數據采集能力的車輛，讓這些車輛行駛過程中收集道路信息數據并上傳到云端，云端根據反饋得來的數據構建還原度高的、即時更新的行車地圖；2)專業采集和更新：成本高，可解決首次安全通過問題，但無法解決實時變更發現問題，本文不再進行深入討論；3)路端地圖發現與更新：依靠智慧路端傳感器攝像頭，雷達等，持續觀測覆蓋區域道路變化，實時發現，實時更

173、新。相比于眾包更新，路端地圖服務于更新具有以下優勢：1)數據鮮度高且穩定：路側地圖更新服務具有更高的固定空間范圍觀測頻率（15-30hz），可以實現穩定的分鐘級地圖更新服務；而眾包更新一般需要在一定周期t內，在相同車道有n次重訪（n一般超過10次，t取決于特定空間位置交通要素發生變化的頻率），由于具備地圖眾包能力的車輛分布的不均勻性，導致眾包更新鮮度的隨機性較大，對于車流量較小區域，甚至無法提供地圖更新服務；2)成本更低：路側地圖更新服務，主要的計算行為均在路側計算單元，不需要將傳感器原始數據通過4G/5G進行網絡傳輸；而眾包更新直接將車端原始數據或結構化數據上傳云端進行聚合，由于聚合平臺要求

174、有限空間范圍內高重訪次數，會產生大量流量費用；3)首次通過安全性更高：眾包更新無法解決車輛首次經過的地圖更新問題，而路側的高頻、持續觀測特點，能夠在使用地圖的車輛到來之前，大概率完成地圖變更識別，保證與地圖相關的安全性。圖4.12 路側地圖更新架構路側地圖更新流程如圖4.12所示，流程如下：1)路端傳感器將原始傳感器數據通過以太網上傳至RSCU；04 車路協同自動駕駛加速L2規?；瘧?82)在RSCU內對固定點位的地圖變更及動態交通事件進行檢測，根據地圖變更及動態交通事件檢測結果，生成局部變更信息或地圖動態信息，以EHP的形式通過高速通信協議發送至車端通信域控制器；3)車端EHR對于接收到的

175、地圖變更及動態交通事件進行解析，并發送到車端融合模塊；4)車端融合模塊將接收到的增量地圖變更信息和動態事件基于參考位置協議與車端高精地圖融合，供自動駕駛系統使用。（1）系統定義及分級車路協同泊車將現有的單車自主泊車擴展為由車路協同完成，在具體實施中，車路協同泊車區分為3個等級，以滿足不同車輛及場端的配置：1)信息協同泊車：在此狀態下，場端向車輛提供可用車位信息，車位預留，并提供定位參考信息，而不參與路線規劃、控車，車輛利用自身地圖，由人類駕駛員或者單車自動駕駛完成泊車；2)規劃協同泊車：在此狀態下，場端除了提供車位信息，車位預留外，還提供行車路線規劃，并向車輛提供場端感知補盲，但不參與直接控車

176、；3)控制協同泊車：在此狀態下，場端還將增加直接控車，完全利用場端感知、車輛定位信息、車輛單車感知信息，都發送到場端，由場端控車完成泊車過程，在此過程中，自車MEB功能仍需開啟，在緊急狀態下啟動并退出場端控車狀態。下面將三種模式進行對比：4.2.4 車路協同公開停車場泊車服務表4.2 三種協同泊車模式規劃協同泊車信息協同泊車控制協同泊車協同泊車模式場端自車+場端場端行車路線自車+場端自車+場端場端環境感知自車自車場端軌跡規劃自車自車場端車輛控制（2）系統架構下圖4.13列出車路協同泊車技術架構，在此架構中，車輛必須具備車路協同定位能力，可選感知、路線規劃、軌跡規劃能力。車端可以利用自身不同配置

177、選擇使用不同等級的場端泊車服務。場端需69要進行升級，增加車路通信、場端定位、停車場地圖服務、行程規劃、軌跡規劃、控車和應急人工接管等服務。（3）協同定位定位是自動駕駛需要突破的關鍵技術問題，尤其是在地下停車場、隧道、立交橋等衛星定位信號受遮擋的區域，需要在場端或者路端布置輔助定位設施，輔助車輛實現高精度定位?，F階段主流的輔助定位方案有定位標識（如ArUco碼等）和近場無線定位基站，其中無線定位技術有超寬帶定位技術（Ultra Wide Band,UWB）、射頻識別定位技術（Radio Frequency Identification,RFID）、Wi-Fi 定位技術（Wi-Fi Positi

178、oning System,Wi-Fi）、可見光通信技術(Visible Light Communication,VLC)和低功耗藍牙定位技術(Bluetooth Low Energy,BLE)等。定位標識由于其難以維護，且與車端軟件系統耦合度較高，難以推廣。因此，考慮在場端或者路端增加近場無線定位設施，在車輛在進入室內或者地下停車場后，提供連續、高精度定位信息，完成泊車引導?，F階段主流近場無線定位技術對比可參考圖4.14，針對自動駕駛的技術需求以及車載機電環境，可優先考慮精度較高的選擇，如UWB,RFID 等。圖4.13 車路協同泊車系統架構04 車路協同自動駕駛加速L2規?；瘧?01mLO

179、WACCURACYPower ConsumptionMEDIUMHIGHCOST2m3m4m5m6mWi-FiVLCUWBRFIDHIGHMEDIUMLOWBLE圖4.14 室內無線定位技術對比圖4.15 室內外路（場）輔助定位同時，從車輛行駛的完整周期看，需要保證定位的連續性。在無遮擋區域，可以通過GNSS+RTK方式獲得全局定位信號；而在有遮擋區域，可參考上文所述，設置局部的近場無線定位設施，并保證其空間參考的連續性。參照下圖4.15，自動駕駛車輛可以通過連續的定位和通信服務，保證其自動駕駛功能的連續性。室內停車場近場通訊定位RSU+近場通訊基站GNSS基準站GNSS+RTK（4）泊車流程

180、信息協同泊車模式描述如下：1）場端負責空閑車位的識別，對停車場內全部車位實現全面覆蓋，將停車場實時車位占用情況，并上報給路側；71RSU2)當人工主動申請或者車輛主動申請自主泊車時，路側基于用戶停車需求和實時車位占用情況，進行車位分配；3)車輛收到路側路徑分配后，根據車輛自身地圖進行路徑規劃；4)車輛利用場端輔助定位信號進行自車定位；5)車輛利用自身傳感器進行環境感知，自主生成行車軌跡并控車完成泊車過程；6)運營管理平臺提供停車場內的交通管理信息、地圖信息，進行停車全業務流程的遠程監控，為車輛提供應急遠程接管服務。規劃協同泊車模式描述如下：1)場端負責空閑車位的識別，對停車場內全部車位實現全面

181、覆蓋，將停車場實時車位占用情況上報給路側；2)當人工主動申請或者車輛主動申請自主泊車時，路側基于用戶停車需求和實時車位占用情況，進行車位分配和全局路徑規劃；3)車輛收到路徑分配后，根據場端定位信息、全局路徑規劃信息和地圖數據開始泊車；4)車輛接收場端感知結果后進行融合感知，并生成實時行車軌跡，開始控車完成泊車；5)運營管理平臺提供停車場內的交通管理信息、地圖信息，進行停車全業務流程的遠程監控，為車輛提供應急遠程接管服務?？刂茀f同泊車模式描述如下：1）場端負責空閑車位的識別，對停車場內全部車位實現全面覆蓋，將停車場實時車位占用情況上報給路側；2）當人工主動申請或者車輛主動申請自主泊車時，路側基于

182、用戶停車需求和實時車位占用情況，進行車位分配和全局路徑規劃；3）車輛上傳自身感知和自身定位到場端，由場端融合場端感知后，生成車輛實時行車軌跡；4）場端向車輛發送控車信號，車輛按照按照控車信號開始泊車；5）車輛MEB 功能全程保持打開，在泊車過程中因為碰撞預警激活，應停止泊車，并向場端上報狀態；6）運營管理平臺提供停車場內的交通管理信息、地圖信息、全局路線、行車軌跡，進行停車全業務流程的遠程監控，為車輛提供應急遠程接管服務。04 車路協同自動駕駛加速L2規?；瘧?24.2.5 車路協同決策規劃目前，L2級自動駕駛面臨一系列挑戰，除了感知不足、高精地圖覆蓋及更新不足、遮擋環境下定位能力較弱之外，

183、對其他車輛意圖缺乏判斷和協同同樣是造成安全事故、駕駛員接管的關鍵原因。車路協同決策規劃在車路協同感知、地圖、定位的基礎上，在決策和規劃方面也利用VICAD的方法，對當前L2單車決策規劃進行擴展，融入協作式通行方法，主要體現在車路協同變道、車路協同匝道匯入、車路協同交叉口通行等創新應用。（一）車路協同變道車路協同變道場景描述如下：1）車輛HV在道路正常行駛，車輛NV在HV相鄰車道行駛；2）HV和RSU具備無線通信能力，NV不具備無線通信能力；3）RSU具備感知和無線通信能力；4）HV在行駛過程中需要變道，HV向RSU發送變道意圖，RSU根據HV信息和當前目標車道車輛行駛狀態，向HV發送引導信息，

184、見圖4.16，使得HV安全變道或者延后變道。RSU引導HV完成變道RSU引導HV完成變道圖4.16 車路協同變道73（5）應用效果車路協同泊車可以幫助車輛快速找到停車位，并且在駕駛員不參與操控的條件下，實現車輛自動駛入和駛出停車位。用戶到達停車場入口即可下車，只需啟動一鍵泊車程序，車輛自動駕駛完成在停車場的泊車入位；用戶準備取車時啟動“一鍵取車”功能，車輛自動駕駛從車位駛出，自主接駕。停車場場端管理平臺對車位、繳費實現統一管理。（二）車輛協同匝道匯入車路協同匝道匯入場景描述如下：1）車輛HV在匝道行駛，即將匯入主路，主路最右車道有車輛NV在最右車道直行，匝道附近有RSU，見圖4.17；2）HV

185、具備無線通信能力，NV具備或者不具備無線通信能力；3）RSU具備感知和無線通信能力；4）RSU根據匝道車輛HV的行駛狀態信息或者HV發送的行駛意圖信息，判斷HV即將匯入主路，并根據主路車輛運動信息，生成匝道匯入的引導信息，并發送給匝道車輛HV；5）HV收到RSU的匯入引導信息，根據自身運行狀態和主路交通參與者信息，生成行車規劃軌跡，在不影響主路車輛的前提下安全匯入主路。RSU引導HV匯入主路圖4.17 車路協同匝道匯入（三）車路協同交叉口通行車路協同交叉口通行是通過具備無線通信能力HV和路側設備RSU協同，使得HV安全、高效地通過無信號燈的路口。該功能適用于城市、郊區、園區等地面道路及公路的無

186、信號燈交叉路口。以圖4.18為例，車路協同交叉口通行的場景如下：1）車輛HV-1行駛接近交叉路口，并將要左轉，HV-2在HV-1相鄰車道并將要直行，HV-3從另一方向接近路口將要直行；2）路口裝備RSU，并具有無線通信和感知能力；3）HV-1，HV-2具有無線通信能力，HV-3不具備無線通信能力；4）HV-1，HV-2分別向RSU上報通過意圖，RSU綜合HV-1，HV-2的通過意圖，并結合觀察到的HV-3通過意圖，生成綜合的通過引導信息發送給HV-1和HV-2；04 車路協同自動駕駛加速L2規?；瘧?4圖4.18 車路協同交叉口通行圖4.19 綜合應用效果基于VICAD總體框架的車路協同L2

187、輔助駕駛，將極大地增強車輛的安全性，并且未來可以將城市道路和室內停車場變為工作區域，如圖4.19所示。4.2.6 綜合應用效果SECTION 34.3小結如上論述，當前階段L2級自動駕駛安全性、場景局限等問題仍然非常突出。在高速場景下安全問題頻繁，危害道路參與者安全；在城市或有遮擋場景下，功能受限，影響了交通通行效率和駕駛體驗。VICAD可以增強L2級自動駕駛安全性，改進用戶體驗，提升社會交通安全和通行效率，讓真正安全無憂、省心暢行的量產自動駕駛變為現實。75車路協同自動駕駛發展的核心是建設高等級智能道路05 VICAD既是一個技術命題，同時也是一個宏大的產業命題。從全球范圍看，很多國家都高度

188、重視發展VICAD，并上升到國家戰略層面，其原因不僅僅是可以加速自動駕駛普及應用，提高交通安全和出行效率，更加重要的是，通過VICAD這樣跨產業的超級系統工程，能夠帶動汽車、通信、交通、半導體等產業跨越式升級，加速構建以自動化、智能化為特征的交通出行體系，全面進入智能化城市和社會。VICAD需要車端、路端和云端齊頭并進、協同發展，而建設高等級智能道路，全面提升道路基礎設施的感知認知、連接通信、地圖定位、決策控制等能力，將是VICAD發展的核心關注點和首要任務。中國完全有機會充分發揮自身的體制機制優勢、戰略政策優勢和技術產業優勢，形成VICAD可落地、可持續的技術產業路線，引領全球自動駕駛與智能

189、網聯汽車發展。77SECTION 15.1支持自動駕駛的高等級智能道路系統總體設計5.1.1 智能道路分級標準對道路進行智能化分級的原因有兩方面：（1）不同等級智能駕駛汽車需要不同能力等級的道路支撐，以實現規模商業化雖然VICAD已成為我國發展高等級自動駕駛的明確技術路線，但不同等級的自動駕駛車輛要實現規模商業化發展，對道路的能力具有不同的要求，其中L2及以下等級車輛駕駛和責任主體是駕駛員，道路所需的能力以感知為主，而L3、L4高等級的車輛要想實現規模商業化，則需要較高能力的智能道路。（2）我國公路里程數龐大，需要分級規劃建設2021年末，我國公路總里程達到528.07萬公里，其中高速公路里程

190、16.91萬公里30，位居世界第一。要將如此龐大的公路體系進行智能化升級改造，需要一個合理的建設規劃與技術路徑。公路智能化建設不是一蹴而就的，各地公路的自身條件不同，對智能化的需求也不相同，因此我國智能道路的發展應兼顧各地公路不同的功能需求，將公路劃分為不同的智能化等級，并采取差異化策略分步驟建設。本白皮書在參考國內外自動駕駛分級、智能網聯分級、智能道路分級研究的基礎上，結合我國VICAD發展與智能道路建設情況，提出了面向VICAD的道路智能化技術分級建議。主要參考的國內外自動駕駛與道路分級標準包括：1)SAE J3016-2021Taxonomy and Definitions for Te

191、rms Related to Driving Automation Systems for On-Road Motor Vehicles；2)SAE J3216-2021Cooperative Driving Automation:Definitions and Taxonomy；3)汽車駕駛自動化分級（GB/T 40429-2021）；4)歐洲ERTAC提出的ISAD31；5)中國公路學會自動駕駛工作委員會、自動駕駛標準化工作委員會發布的智能網聯道路系統分級定義與解讀報告；302021年交通運輸行業發展統計公報.31ERTAC（歐洲道路運輸研究咨詢委員會，European Road Tran

192、sport Research Advisory Council）2019年3月發布的Connected Automated Driving Roadmap中明確提出了ISAD（自動駕駛的基礎設施支持級別，Infrastructure Support levels for Automated Driving）的概念。05 車路協同自動駕駛發展的核心是建設高等級智能道路786)中國智能交通協會團體標準智慧高速公路分級；7)中國公路工程行業標準公路智能化數字技術規范；8)IMT 2020智能網聯汽車分級研究課題等。參考調研的內容包括：1)國內天津、無錫、長沙、北京、上海、廣州等城市內車聯網先導區建設

193、和車路協同應用示范情況；2)國內智慧高速公路設計、建設，以及新技術的發展情況，包括杭紹甬、杭紹臺、京雄、延崇等智慧高速公路項目。道路智能化分級重點考慮的要素包括：1)感知能力：包括可識別的交通參與者、交通運行狀態、交通環境類型、動靜態特征等；2)地圖能力：如導航地圖、高精度地圖；3)定位能力：米級、分米級、厘米級；4)網絡通信能力：包括有效負荷、時延（分鐘級、秒極、毫秒級）、可靠性、覆蓋范圍等；5)決策控制能力：自動駕駛決策控制、交通設施與交通運行決策控制；6)安全防護能力：包括數據安全、網絡安全、V2X通信安全、地理信息安全、可信節點認證等。綜合以上，滿足VICAD規模商業化發展需求的道路智

194、能化分級標準建議如表5.1所示。79表 5.1 使能自動駕駛的道路智能化技術分級道路智能化等級可配套實現L4閉環的車輛要求與VICAD發展階段對應情況 無 無 無 無 無 無 無 無 無 無階段1：信息交互協同階段2.1：初級協同感知階段3.2：完全協同決策控制階段2.2：高級協同感知；階段3.1：有條件協同決策控制；無無可選必須滿足0-1010-5050-100100-300300+C0：無道路能力道路附屬設施感知識別與定位能力路端算力TOPS功能安全與SOTIF體系地圖網絡通信能力低等級智能化道路高等級智能化道路 C1：較低智能化 C2：初級智能化 C3：部分智能化 C4：高度智能化 C5

195、：完全智能化導航SD地圖導航SD地圖（車道級）HD地圖（靜態+動態）3G、4G蜂窩通信DSRC、LTE-V2X直連通信4G蜂窩通信DSRC、LTE-V2X直連通信機非人環境感知識別米級定位全量交通要素實時感知多特征精準識別分米級定位全時空全量感知厘米級定位4G、5G蜂窩通信DSRC、LTE-V2X直連通信500ms端到端較低時延5G Uu蜂窩通信LTE-V2X、NR-V2X、5G100ms端到端極低時延支持5G、NR-V2X、6G等200ms端到端超低時延L5限定環境下的L4L5L4L3L2+在部分條件下甚至可以支持L2及以下具備精細化線控底盤和車載定位能力的車輛基礎交通安全設施基礎交通管理設

196、施C1所有設施直連通信設施C2所有設施輔助定位設施、計算設施等感知設施（單一傳感器）C3所有設施高精度輔助定位設施MEC、區域級云控平臺C4所有設施連續部署跨域協同MEC、云控平臺高精度融合感知定位設施注：1）自動駕駛分級滿足我國國家標準汽車駕駛自動化分級（報批稿）要求；2）本白皮書將C4和C5等級的智能道路統稱為高等級智能道路；3）本白皮書暫從支撐實現自動駕駛規模商業化落地的角度提出了智能道路的技術分級，道路建管養運服、執法情指勤督宣相關的智能化，在后續報告中可考慮補充完善；4）本技術分級適用于城市道路、高速公路、1-4級公路等，其他道路可參照實施。5）本白皮書中L2+指在L2等級AV基礎上

197、提升部署高等級的車路協同以及配套的融合、決策規劃、控制模塊進行升級后的AV，以完成車路協同自動駕駛閉環。05 車路協同自動駕駛發展的核心是建設高等級智能道路80（1）C4等級智能道路性能指標根據L4級自動駕駛對協同感知、協同決策控制的要求，提出C4等級智能道路的技術分級描述、典型特征、具體指標要求見下表5.2和5.3。5.1.2 高等級智能道路性能指標表 5.2 C4技術分級智能道路核心指標要求交通對象感知定位交通事件感知定位信號燈能力地圖要素實時檢測能力位置精度類型識別（機動車、非機動車、行人、障礙物等）速度大小精度速度方向精度路側對象感知端到端時延（含通信時延）事件感知端到端時延（含通信時

198、延）數據發送頻率路側信號燈顏色感知準確率故障燈狀態識別率信號燈數據端到端時延信號燈數據發送頻率交通設備物理位置和屬性變更檢測地面標識位置和屬性變更檢測數據發送頻率事件類型識別定位精度道路功能或性能要求準確率95%召回率95%3m（99分位）0.5m（均值要求）4.5m/s（99分位）1.5m/s（均值）10（99分位）200ms（99分位）10hz準確率95%召回率95%3m（99分位）200ms（99分位）10Hz99.9999%99.9999%200ms（99分位）8Hz準確率99%召回率99%準確率99%召回率99%具體指標表 5.3 C4技術分級智能道路決策規劃核心指標要求交通對象預測

199、預測軌跡3s最終偏差3.5m預測軌跡3s平均偏差99%準召99%準召99%準召99%準召95%準召95%（2）C4等級智能道路算力需求分析要得到VICAD技術路線下智能道路的算力需求，就必須首先對標分析AD技術路線下車端算力的發展現狀與趨勢。如圖5.1所示，目前自動駕駛車端算力已跨過千TOPS門檻，蔚來ET7、智己L7、Apollo RT6面向量產的自動駕駛車端算力最高達到了1200 TOPS，行業龍頭NVIDIA甚至計劃在2024年，推出超過2000 TOPS的Thor芯片，應用在自動駕駛DRIVE平臺。從服務于自動駕駛的角度來看，隨著路端從協同感知向協同決策控制發展，路端算力與車端算力將呈

200、現出相同的發展趨勢，并且，路端單個節點的算力會明顯超出單車算力，主要原因有：1）VICAD中路端需要處理的具體任務與車端一致（都包括感知、地圖、定位、決策規劃、控制等），且都有高可靠、高精度、低時延要求。在車端和路端所需要解決的問題具備同源同構的特性，以感05 車路協同自動駕駛發展的核心是建設高等級智能道路82表 5.4 AD與VICAD數據維度比較知環節為例，目標檢測任務需要面對4大類20小類以上的參與者和障礙物；精確性方面，典型的位置精度需要達到帶99分位約束的分米級精度；實時性方面，典型的端到端時延（物理世界發生到控制發出）需要達到帶99分位約束的端到端百毫秒級；協同性方面，多傳感器、多

201、交通參與者、多基礎設施間需要達到時空校準和能力協同；安全性方面，系統需顯著優于人類司機，這就意味著系統安全和計算器件的冗余、保障機制等需要進行系統性設計，支撐自動駕駛達到99.9999%以上的場景通過率。2）路端不僅要解決單車最優化的問題，還承載著群體最優和全局最優化的職責與使命，需要更高算力支持。VICAD區別于單車智能，是新的智能形態，通過引入新的智能要素，帶來高維數據，并配合靈活算力和算法機制，實現由個體智能向協同智能或群體智能發展，提供更加多元化的應用服務，如智能信控、監控執法、收費等。以高維數據為例，VICAD會產生大量的數據，且信息特性與單車智能數據具有一定的正交屬性，通過車路協同

202、融合后將形成新的更高維度數據，如空間維度（范圍、視角、盲區）、時間維度（動/靜態、時間范圍）、類型維度（多源多層）等，分布在不同維度具有正交性的高維數據信息量更大，對于智能系統的能力會產生更有效的幫助。VICAD與AD數據維度的比較見表5.4。綜合來看，目前的低等級道路，路端部署的設備功能較為單一、數據量小且算法模型簡單；高等級智能道路為了達到表5.2和5.3所列性能指標，傳感器數量、類型的增加及分辨率的提升，帶來了海量數據處理需求，算法模型的復雜程度亦大幅提升，亟需算力提升，需要專門建設部署計算設備或空間維度時間維度類型維度其他維度特性單車局部范圍，且同等設備可更密集精確第一視角有優勢，但易

203、于被視距問題影響有多視角優勢，可俯視視角多點位全局范圍，超視距，且有條件因地制宜地布設范圍視角傳感器集中部署于車上易造成靜態盲區和動態遮擋盲區，可通過運動推理盲區狀態來補償盲區動/靜態觀測點動態移動所以有難度，但也有動態視角變化前后印證的優勢；觀測相對變化單車實時持續觀測長期推理預測未來觀測點靜態，可長時間觀測并分辨差異時間范圍多源多層單車傳感器，實時一手 設備按車規部署于車內須較小，耐高溫振動電磁，且能力受限 架設于路側，可使用較大體積和重量的設備，可選擇不同的形態種類，且上限更高交通、場景、用戶等多源多層數據，且易做災害異常等高等級推理，如紅綠燈、天氣、人文活動等跨領域跨行業信息高于參與者

204、觀察，所以盲區小，并可通過多傳感器重疊區域消除盲區維度類別維度子類別AD數據維度特性VICAD數據維度特性83表 5.5 不同等級智能道路路端算力需求道路智能化程度支持的感知識別能力支持的端到端的時延支持的路口算力總和自動化應用L4自動駕駛L3領航輔助駕駛道路基礎設施智能管理安全信息實時提醒車道及車輛行為監管智能網聯公交智慧停車智慧城管道路管理智慧交管車內信息娛樂地圖導航網聯化應用數字化應用無或弱感知能力交通監控交通執法兼容C3能力交通對象檢測交通運行狀況識別車道級別定位兼容C3能力交通事件檢測全量交通對象感知高精度定位交通運行情況識別等C0-C1C2C3C4-C5秒-分鐘0-10 TOPS1

205、0-50 TOPS50-100 TOPS100-300 TOPS秒級500ms200ms設施執行數據匯聚、感知融合、任務調度、數據存儲等關鍵任務。表5.5以國內多個城市的車路協同自動駕駛示范區中的路端算力為參考，列出了不同等級智能化道路路端的算力需求建議，現階段，滿足高等級自動駕駛應用的高等級智能道路路端單個節點算力需求應不低于100 TOPS。（3）C4等級智能道路對傳感器性能要求智能道路系統主要通過各類傳感器設備完成對道路全要素信息收集，感知傳感器應當滿足全天時全天候要求，以應對各類自動駕駛場景。目前主流的感知傳感器設備主要包括視覺傳感器、激光雷達和毫米波雷達。每類傳感器的感知范圍、對不同

206、物體的識別能力以及環境適應能力均有所差異，應發揮不同傳感器性能優勢，進行設備選型和方案配置，以達到最佳的感知效果。05 車路協同自動駕駛發展的核心是建設高等級智能道路84圖5.2 不同傳感器特性比較相機毫米波雷達激光雷達多傳感器融合物體檢測物體分類識別范圍車道跟蹤抗惡劣天氣低光照環境優合格差（4）C4等級智能道路對地圖要求地圖對于自動駕駛而言：1）地圖作為一種虛擬的感知類傳感器，為自動駕駛系統提供超視距、高可信的靜態交通要素結構和語義信息，作為車端感知系統的有效補充；2）地圖作為一種高實時性、全局的空間協議，為自動駕駛路徑規劃提供準確的車道級動、靜態通行信息，使得自動駕駛汽車可以實現時、空最優

207、的通行路徑選擇；3）地圖作為一種虛擬的、語義化的交通規則，為自動駕駛決策與控制模塊提供明確的行為約束規則和地理圍欄，使得自動駕駛汽車可以更安全地與其他交通參與者進行交互。表 5.6 C4等級智能道路對地圖的要求道路事件路況路口事件環境地圖要素更新分鐘級1分鐘分鐘級分鐘級分鐘級車道級車道級亞米級車道級厘米級高高中高高內容時間分辨率空間分辨率地圖要求準確度855.1.3 高等級智能道路具體設計5.1.3.1 系統組成與總體架構高等級智能道路系統總體架構見圖5.3，從物理分布角度看，由車端、路端和云端三部分組成。4G/5G路端信息流信息流決策控制流信息流決策控制流信息流決策控制流信息流決策控制流服務

208、接口C-V2X有線網絡通信LTE-V2X視覺感知RSCUAloT平臺網聯云控平臺感知設施通信設施交通基礎設施等路端通信設施交通基礎設施等云端地圖平臺交管平臺出行服務平臺OEM平臺車輛管理平臺等應用平臺用戶應用服務:監控管理出行收費等接入網接入網信息流決策控制流信息流決策控制流RSCU感知設施圖 5.3 高等級智能道路系統總體架構（一）車端參考架構車輛是高等級智能道路系統的重要組成部分，既是被服務對象，也可能是服務的提供方，車輛應具備網聯化和智能化兩方面能力，其中：1）網聯化方面，應支持PC5、Uu多模態通信能力和多終端觸達方式。車輛應支持多種車路通信模式和通信協議，包括但不限于基于Uu的4G/

209、5G，以及基于直連無線通信的LTE-V2X、NR-V2X；在觸達方式方面，可利用車機、前后裝T-BoX、OBU或其他智能終端，支持開展數據共享和多樣化、個性化應用服務；2）智能化方面，應支持車路云分層協同的智能駕駛系統架構。如圖5.4所示，CAV車端智能駕駛系統不僅可以解析處理V2X報文消息，借助HMI或其他方式為駕駛員提供預警服務，還可以進一步與車端智能駕駛系統的感知、決策規劃及控制模塊進行深度融合，全方位支持自動駕駛安全、連續運行。05 車路協同自動駕駛發展的核心是建設高等級智能道路86車路協同路端功能軟件地圖定位感知認識協作控制車端功能軟件地圖定位感知規劃控制地圖信息定位信息感知認知信息

210、協作信息控制信息圖 5.4 車端智能駕駛系統架構對路端的開放兼容性圖 5.5 路側計算單元OS參考架構（二）路端系統與設施路端主要包括各類基礎設施和應用服務系統，其中路端系統包括感知系統、決策規劃系統、信號控制系統、監控執法系統、收費系統等；路端基礎設施包括感知設施、路側計算單元（RSCU）、通信設施、交通管理設施、交通安全設施及各類附屬設施等。RSCU是路端系統的大腦，承載核心計算能力，同時要將多個子系統有機整合在一起，提供自動駕駛服務。RSCU有兩種存在形態，一種是部署在路端的獨立節點設備，另一種是部署在邊緣的云平臺（也稱可為MEC平臺）。在當前技術發展水平下，為滿足高等級自動駕駛應用需求

211、，RSCU多以節點設備形態為主，部署在更靠近傳感器設備的位置。RSCU應滿足高智能、高性能、高可靠和開放化等一系列應用要求，其架構呈現出OS化發展趨勢，圖5.5提出了一種建議的RSCU總體架構，由實時操作系統內核層、硬件設備抽象層、中間件層、各類域服務、車路云通信、工具鏈以及安全等模塊組成。87（1）系統內核層：實時的操作系統內核層，為上層軟件棧提供了必要的內核級支持，同時進行了面向實時處理的定制優化；（2）設備抽象層：設備抽象層實現各種設備設施接入的驅動程序。南向適配不同廠家、不同類型的硬件設備；（3）中間件層：中間件層包含通用通信計算和AI加速計算中間件等。通信中間件需要滿足高并發性、低延

212、遲和高吞吐量要求。AI加速計算中間件適配各類AI芯片，為AI算法程序執行提供標準調用方法；（4）域服務：為了滿足車路協同自動駕駛要求應該提供包括：低時延信號燈服務，提供統一信號燈接口；全量障礙物感知服務，為車輛提供盲區車、超視距能力；智能協作服務，為車輛提供輔助決策規劃能力；高精地圖服務，提供高精地圖引擎，對高精地圖數據進行解析等；高精度傳感器設備內外參標定等服務；（5）車路云通信：提供車路、路云通信能力，實現與車端、云端的無縫平滑通信，支持車端、路端以及云端的一體化計算協同；（6）工具鏈：工具鏈為上層軟件編譯、調試和分析提供工具支持；（7）安全：為底層硬件到操作系統、設備設施抽象層、中間件層

213、一直到服務層和應用層提供安全服務。（三）云端平臺應用服務平臺交通基礎設施智能道路基礎設施：RSCUITS網聯云控平臺地圖車輛監管出行服務其他 OEMPC5UuAloT平臺RSU4G/5G設備與數據接入安全融合感知V2X應用服務北斗地基增強紅綠燈邊坡監測路況誘導氣象檢測.地圖與定位智能交通服務其他服務PC5圖 5.6 高等級智能道路主要組成05 車路協同自動駕駛發展的核心是建設高等級智能道路88如圖5.6所示，云端平臺包括智能物聯網（AIoT）平臺、網聯云控平臺和應用服務平臺三部分。（1）智能空間物聯網（AIoT）平臺AIoT平臺以設備管理為基礎，以云邊端AI計算為支撐，以數據賦能為目標，應具備

214、三個方面關鍵能力：1)基于傳統物聯網（IoT）平臺的連接能力。IoT平臺連接智能道路系統各類設備，提供設備管理，運維監控和OTA等基礎服務；2)AI計算能力。面向設備邊緣、局域網邊緣、網絡邊緣提供邊緣計算融合能力，支持云邊端算力資源靈活彈性調度，協同實現感知、規劃和決策等車路協同服務，支持不同時延、不同精度、不同規模的服務場景；3)業務數據賦能。通過海量的數據接入能力，將車路云數據進行聚合、轉換、計算、建模、分析，對外提供數據開放服務，為網聯云控平臺提供基礎數據支撐。（2）網聯云控平臺網聯云控平臺是服務于車路協同業務的平臺系統。具有實時信息融合與共享、智能應用編排、信息安全等服務能力，可為智能

215、汽車、管理機構、終端用戶提供輔助駕駛決策、交通運輸安全、交通管理等協同應用和數據服務。（3）應用服務平臺應用服務平臺以網聯云控平臺為支撐，為產業提供各種差異化定制化應用服務，如乘用車網聯服務、交管、地圖、出行、監管等。從道路監管、車輛運營、交通治理等不同角度，提供遵循行業業務邏輯的專業化解決方案。5.1.3.2 高可靠通信設計C-V2X作為車聯網專用無線通信技術，能夠在高速移動環境中提供低時延、高可靠、高速率、安全的通信能力，滿足車聯網多種應用的需求；C-V2X通信有兩種相互獨立、互為補充的工作模式，即基于PC5的直連無線通信模式和基于Uu的蜂窩移動通信模式，分別滿足不同交通要素之間的通信需求

216、。PC5直連通信解決近程信息交互需求，Uu蜂窩移動通信解決遠程的信息服務需求，兩種通信方式相互配合，互相補充，有效保證了車聯網業務的連續性和可靠性。其系統架構設計采用直連通信與蜂窩通信融合的系統架構。C-V2X包括基于LTE技術的版本LTE-V2X和基于5G NR新空口技術的NR-V2X，二者均采用圖5.7所示的系統架構。89圖 5.7 直連無線通信與蜂窩移動通信融合的C-V2X通信系統架構（一）直連無線通信為了實現車車、車路、車人通信的低時延高可靠需求，C-V2X技術引入了直連無線通信特性，終端間可不經過基站轉發直接進行數據傳輸，既可實現端到端通信的低時延，又可以在蜂窩覆蓋外工作，滿足車車、

217、車路等設備間信息快速交互的需求。根據YD/T3400-2018的定義，基于LTE技術的LTE-V2X車聯網直連無線通信滿足如下功能要求：1)車聯網終端應能夠通過直連通信發送和接收消息。路側單元應能夠向車聯網終端發送消息，并接收來自車聯網終端的消息。車聯網終端之間也能夠通過PC5直連通信接口實現互通。系統應能夠支持向大量車聯網終端高效分發信息，并支持高密度的車聯網終端通信。同時，其交互的無線信號還可輔助支持定位功能，實現空口資源的高效復用；2)在移動速度方面，系統應能夠支持最高相對速度為500km/h的車輛間發送消息，以及絕對速度為250km/h的車輛與車輛、車輛與路側單元、車輛與行人發送消息；

218、3)在通信時延方面，對于支持車車和車人通信的終端，無論是直接發送還是由路側單元轉發，最大通信時延應不超過100ms。對于特殊用例（如碰撞感知），車聯網終端間發送V2V消息的最大時延應不超過20ms。對于車到路側單元的最大通信時延不超過100ms；4)在消息發送頻率方面，系統應能夠支持路側單元RSU和車聯網終端不低于10Hz的消息發送頻率；5)在消息大小方面，不包括安全相關的消息單元，對于周期性消息，兩個支持V2X應用的用戶設備之間傳輸的消息大小在50-300 byte；對于事件觸發的消息，其消息最大為1200 byte。對于基于5G NR新空口技術的NR-V2X相關的功能要求，在3GPP TS

219、23.287中進行了定義，尚未完成國內行業標準的制定，本章節不做詳述。注：該圖改自“車聯網產業與技術發展路線圖”，由中信科智聯科技有限公司提供05 車路協同自動駕駛發展的核心是建設高等級智能道路90（二）蜂窩移動通信自動駕駛等級應用的不斷提高，對網絡也提出更高要求，如3GPP TS22.186定義的車輛編隊、半自動/自動駕駛、遠程駕駛等高等級智能駕駛應用場景，需要采用“通信+計算”一體化的方案構建新移動蜂窩網絡，以滿足高可靠性、大帶寬等需求，進一步提升車路云一體化的服務能力，5G Uu網絡引入了V2X通信切片、邊緣計算、服務質量（QoS）預測等新特性。通過5G網絡切片具有“網絡功能按需定制、自

220、動化、業務安全隔離”典型特征，利用5G公眾網絡資源，利用端到端QoS或切片技術，為面向自動駕駛的車路協同數據傳輸提供獨立切片，構建時延和帶寬有保障、與其他業務數據隔離的虛擬專有網絡。自動駕駛汽車可以通過5G專屬切片通道訪問部署在移動蜂窩網基站側的邊緣云，同時路側感知系統也可以通過5G Uu或者有線網絡回傳數據到邊緣云，邊緣云通過云邊協同機制與云控平臺等進行高效互聯，實現車路云數據的融合處理，形成不同的交通事件識別以及駕駛輔助預警信息推動到車端。此外，5G蜂窩網絡將智能感知網絡通信性能，實現不同場景下的信道建模，將結合不同的業務的QoS需求，提前進行網絡質量的預判，形成對于業務有效性的及時預警以

221、及信道優化。MEC邊緣計算設備批量處理多個路口的RSU和OBU側攝像頭、雷達、信號燈等數據，通過融合感知AI算法提高了數據運算效率與數據融合度，同時MEC具有算力彈性擴容和智能調度特點，可在線擴容，支持單路口、多路口以及區域協同類應用，并能對全域下的目標全程跟蹤、記錄及分析，支持復雜場景下的自動駕駛策略制定，支持跨時空的駕駛路徑引導，有效突破解決車端、路側設備的算力瓶頸，實現車路云一體化協同計算。MEC節點采用標準化的互操作框架，支持不同域應用服務的按需訂閱與實時更新，具有“一點分發、全網部署”的特性，快速實現自動駕駛輔助、高精地圖分發與智慧交通管控等標準化應用服務的推廣。（三）Uu與PC5融

222、合組網如圖5.8所示，對車輛接入而言，采用5G Uu與PC5 直連通信融合組網，既發揮5G大帶寬、廣覆蓋的車輛連接能力，支持遠程信息服務（如交通導航、地圖下載、車輛調度等）和區域協同信息服務（如高精地圖分發、智能交通管理）；同時利用RSU的PC5通信實現重點場景（交叉路口、危險路段）的覆蓋，實現實時的近程信息交互，保障路側信息及時準確觸達車輛，提高行駛安全。隨著5G網絡規模部署以及關鍵性能指標有效提升，逐步成為支持車路協同、遠程駕駛、云控服務等業務的有效手段，而“云網一體、算網一體、云邊協同”等信息基礎設施部署也進一步加速自動駕駛開展城市級規模商用進程。在5G全場景連接的基礎上，6G將進一步實

223、現萬物互聯，并建立多層級、全覆蓋的無縫連接，作為通信、交通、汽車等多個行業融合交叉的關鍵領域，不斷增強無感切換、協同計算、可信安全、高精定位、通感融合、空天一體等新特性，真正實現全場景下的自動駕駛。91注：本方案由聯通智網科技股份有限公司提供圖 5.8 基于“通信+計算”一體化的5G車路協同服務網絡5.1.3.3 系統高可用設計VICAD對系統可靠性提出了更高的要求，智能道路系統作為基礎設施，在車路協同自動駕駛中扮演了重要的角色。智能道路系統本身是一個包含車、路和云的復雜系統，路端環境復雜、通信鏈路長、系統性能要求高，系統的高可用設計尤為重要。智能道路高可用設計需要考慮的因素包括但不限于：1）

224、道路設備設施的高可用性，尤其是應對各種天氣環境的高可用性；2）通信系統的高可用性，作為VICAD應用的重要一環，尤其要保證通信的可持續高性能服務；3）計算與應用服務的高可用性，應達到車規級連續高質量服務級別要求，尤其是涉及到協同決策控制相關的服務；為滿足上述要求，高等級智能道路高可用設計可從以下方面重點設計：1）算力冗余備份：系統應具備一定的冗余設計，邊緣算力需要有明確的衡量壓力的指標，當系統容量達到極限影響系統性能指標時，可通過冗余的算力實現彈性調度；2）負載均衡：應用服務應具備負載均衡能力，例如車云通信，云端應具備將流量均衡分配到不同的應用服務實例的能力，增強服務吞吐量；3）支持多級容災：

225、單機房，單機器或單實例故障應具備無需外界干預，自行恢復的能力，保證服務可完成自切換，無單點故障；05 車路協同自動駕駛發展的核心是建設高等級智能道路92圖 5.9 C-V2X通信安全1.頒發V2X數字身份憑證2.基于V2X數字身份簽名消息，保證消息真實可信V2X數字身份管理系統V2X終端安全通訊系統【SCSS】RCAECAPCAACASCMSTrust Anchor4）分級降級：服務設計需滿足最小功能原則，充分考慮不同組件之間的依賴性，降低功能服務的緊耦合性，服務可分為核心服務和非核心服務，對非核心服務的異常能實現快速摘除，保證核心功能的可用性，具備服務降級能力；5）網絡隔離：應具備網絡安全控

226、制策略，能夠檢測并防范網絡嗅探、DDos攻擊（分布式拒絕服務攻擊）等，減少機器攻擊面，降低被攻擊的風險；6）灰度發布和回滾機制：面向服務的車、路、云開發環境應具備灰度發布能力，在小規模測試驗證后，若存在問題，具備回滾機制，迅速恢復到灰度發布前的穩定版本；7）監控告警：系統構建環境復雜、鏈路長、硬件多，應對路側基礎設施、網絡、系統資源、設備狀態、軟件運行狀態以及車端軟硬件狀態進行實時監控，問題能夠實時發現、快速定位，提升運營效率。5.1.3.4 安全設計與安全管理智能道路系統安全設計應包含系統基礎安全、運維安全和數據安全三部分。系統基礎安全是指基礎設施安全，包括主機安全、通信安全等；運維安全是指

227、通過身份認證、訪問控制、安全審計等安全防護措施，保證運維人員在對系統進行遠程運維過程中可靠性、有效性、可審計性；數據安全指的是數據采集、傳輸、存儲、共享等環節的數據安全保護。其中通信安全是車路協同自動駕駛安全的重要組成基礎，包括網絡通信安全和C-V2X通信安全兩個方面。如圖5.9所示，應為通信終端頒發數字身份（V2X證書），基于身份構造安全消息，保證PC5消息的真實、可信，還應基于假名證書，保護車輛的位置隱私。935.1.3.5 建設部署方案以下以標準十字路口和標準路段為例，對C4高等級智能道路的具體建設部署方案進行介紹。（1）C4標準十字路口方案在十字路口，選取四個方向的4個監控桿和1個信號

228、桿，安裝感知、路側計算單元、通訊設備及相應配件，電力及網絡單獨組建局域網。部署示意圖及主要設備清單見圖5.10。圖 5.10 標準十字路口感知覆蓋范圍與部署示意圖圖 5.11 標準路段感知覆蓋范圍與部署示意圖（2）C4標準路段方案在路段，選取兩個方向的2個監控桿，安裝感知、路側計算單元、通訊設備及相應配件，電力及網絡單獨組建局域網。部署示意圖及主要設備清單見圖5.11。05 車路協同自動駕駛發展的核心是建設高等級智能道路94該方案有以下突出特征和優勢：1）視覺感知為主路口和路段的感知設備以純視覺感知攝像機為主，僅在少量復雜或特殊道路環境下，選配少量激光雷達，在保證同等感知精度和定位能力的前提下

229、，大大減少了道路設備設施的數量和復雜程度，建設成本大幅降低；2）全覆蓋、全量高精度感知定位該方案可以實現主路機動車道、輔路機動車道、非機動車道、右轉道等道路環境的全覆蓋感知；感知能力方面，通過多視角融合感知，可實現全量交通參與者和交通事件精準識別與定位，并滿足L4高等級自動駕駛需求；3）路端支持平滑升級路端方案支持平滑升級，在不改變路端已有的邊緣計算RSCU算力配置情況下，通過加配AI攝像機和AI雷達等終端設備應，可滿足不斷變化的靈活擴展和多業務融合升級需求，最大可能降低路端方案的升級改造代價，實現路端平滑升級；同時，路端RSCU及相關設備設施也可通過在線升級，不斷提升路端系統的能力和服務內容

230、；4）在線持續標定，提高感知魯棒性由于外力原因，相機可能會發生偏移、標定參數失效、感知精度下降等問題，傳統方法是需要標定人員對該相機重新進行參數標定，不僅人力投入成本高，而且時效性差。通過在線標定算法，當檢測出相機發生較大偏移后，自動進行在線標定，持續保證路側感知相機標定參數的正確性，提高了感知系統的魯棒性，持續為自動駕駛車輛提供高質量服務；5）多感合一、多桿合一、多箱合一多感合一是指多感知設備或多感知功能合一，由一套感知設備解決多業務應用問題，路端感知設備與交通感知設備（如電警卡口）進行復用，將網聯和交管等多業務進行深度融合，避免重復投資建設。既滿足車路協同自動駕駛需求，具備對象級、低時延、

231、高精度、高可靠的3D全量目標感知，又滿足交管需求，實現交管電警、卡口的違法抓拍功能，以及電警卡口的一體化管控，避免重復投資建設。多桿合一是將交通監控、交通標牌、道路照明、公安監控等相關設備進行整合設計，減少桿件對道路空間的占用。多箱合一是將交通監控、道路照明、公安監控、傳感器等設備的箱體進行整合，減少道路設備數量，美化城市空間，同時設備艙的整合也便于集中管理與維護。95建設部署高等級智能道路具有顯著經濟效益、產業價值和社會效益，不僅可以“面向未來”滿足車路協同自動駕駛車輛規模商業化落地的發展需求，也可以“兼容當下”降維滿足低等級自動駕駛和車聯網的發展需求，支撐開展智能交通、智能交管、智能高速、

232、智慧出行服務，開展新型智慧城市建設。5.2.1 顯著經濟效益以實現L4高等級自動駕駛規?；涞貫槟繕?，AD技術路線所需的費用是所有車輛增加車端設備或系統升級到L4的費用，而VICAD技術路線所需的成本約等于建設C4高等級智能道路的費用與所有車輛升級到L2+的費用。將兩條路線所需花費的費用進行比較，即可得到兩條路線的經濟性比較。（1）AD技術路線實現完全L4所需費用以北京市為例進行估算，截止到2021年末，北京市汽車保有量685萬輛32。如果要實現全部L4級自動駕駛，保守估算每輛車所需增加的成本約為2萬元左右（假設傳感器1萬元、1000 TOPS域控1萬元），則完全實現L4需要的費用約為1370

233、億元。（2）VICAD技術路線實現完全L4所需費用基于VICAD技術路線，實現完全L4的條件是所有道路和路口按照C4標準完成智能化升級改造，同時車輛具備L2+及以上的自動駕駛能力，因此該路線所需費用包括道路的升級改造費用和車輛的升級改造費用兩個方面：1）車輛的升級改造費用主要用于將車輛升級達到L2+以上自動駕駛能力所需改造成本。2021年，國內商用車ADAS整體裝配率約為17.3%。那么北京市685萬輛車中，約有566.5萬輛車需要升級改造，按每輛車升級改造成本5000元（傳感器、通信設備、輔助駕駛系統等）進行計算，則所有車輛達到L2+以上需要的增量成本約為283.25億元。2）智能道路的升級

234、改造費用主要用于路口和路段的智能化升級改造費用，以及相關設備、系統和平臺的運維服務費用。在路口和路段的智能化升級改造費用方面，根據中信建投證券的預測數據33，2020年路側基礎設施單個交叉路口的C-V2X改造費用平均約為81.84萬元，每公里高速/快速路的C-V2X改造費用平均約為39.72萬元。以上價格假是在行業發展初期出貨量較小的情況下提出來的。隨著“新基建”的全面鋪開，一方面車路協同設備由實驗室形態向功能量產化階段演變，基礎設施建設成本將會有大幅降低；另一方面受益于產業升級迭代，產業成本也會保持持續的降本收益，比如芯片行業“摩爾定律”不斷演進，從基礎設施側來看，智能算力保持快速發展，基礎

235、設施算32北京市統計局、國家統計局北京調查總隊發布北京市2021年國民經濟和社會發展統計公報。332020年3月中信建投證券車聯網：新基建重要方向，5G應用明珠。S2CTION 25.2高等級智能道路的經濟效益、產業價值和社會效益05 車路協同自動駕駛發展的核心是建設高等級智能道路96力規模持續擴大，也會大幅降低高等級智能道路的投資成本。如圖5.12所示，初步估計2022年單個交叉路口的C-V2X改造費用降低至約57.84萬元，每公里高速/快速路的C-V2X改造費用降低至約26.88萬元，城市道路每公里部署設備費用約為30萬元（城市道路存在遮擋等情況，道路智能設備部署密度和數量多于高速公路，所

236、需成本會相應增加），道路基礎設施建設投資成本降低了約為30%。隨著產業升級迭代和車路協同自動駕駛規?；涞?，建設費用還將會進一步降低。圖 5.12 路側基礎設施單位成本發展趨勢表 5.7 城市C4道路建設費用估算上海杭州注：以上數據為統計估算，測算結果僅供參考。北京城市路口升級改造費用路段升級改造費用0.700.580.96路口數量（萬個）57.8457.8457.84平均成本（萬元）40.4933.5555.53合計（億元）1.31 1.69 2.23 公路總里程（公里）3430.00 30.00 30.00 平均成本（萬元）39.30 50.70 66.90 合計（億元）2.392.533

237、.67運維費用估算（億元）82.1886.78 126.10 總計（億元）在運維費用方面，一般而言，不同地區、不同項目、不同公司的設備運營維護費用成本存差異，但約占設備總成本的2%3%，本白皮書統一按照3%進行測算。那么，城市C4高等級智能道路建設總成本費用計算公式為：城市C4道路建設成本費用（元）=路口數量*路口單價（元/路口）+公路總里程*里程單價（元/公里）*（1+設備維護成本系數），表5.7選擇了北京、上海、杭州三個城市，并分別計算出該城市全部建設C4高等級智能道路的總成本費用。34北京交通發展研究院發布的2021年北京交通發展年度報告，上海市交通委員會發布的2021年上海市收費公路統

238、計公報，杭州市交通運輸局發布的2021版杭州市年鑒交通篇97仍以北京為例，到2021年底，北京市公路（含高速公路、城市道路、鄉村公路）總里程約為2.23萬公里，按照每公里改造/建設費用30萬元計算，城市路口數量約為0.96萬個，按照交叉路口的C-V2X改造費用57.84萬元計算，全市范圍建設C4高等級智能道路的費用約為126.10億元；全市所有車輛達到L2+以上需要的總費用約為283.25億元。那么采用VICAD路線實現完全L4所需的總費用為409.35億元。從經濟性來看，采用VICAD路線，原來用于車端的高性能傳感器、大算力計算平臺，轉移到了路端，實現設備與系統的公用化復用，相對于AD技術路

239、線來說，其成本僅占到30%左右。5.2.2 巨大產業價值VICAD作為一個牽引性的系統工程，其意義不僅僅在于加速自動駕駛的普及應用，提高交通安全和交通效率，我們更加關注它對產業的推動作用，如“兩彈一星”、“航空航天”等國家級重大工程一樣，可以帶動基礎科學、尖端技術發展，實現制造與管理體系等跨學科融合創新應用。首先，VICAD可以帶動智能裝備、地圖定位、云計算、通信、安全等相關產業協同發展。在自動駕駛大規模落地量產的過程中，產業從業者與監管單位都面對大量的安全問題，尤其是高精度地圖、高精度定位、數據閉環等對精準性、實時性和大數據傳輸要求較高的問題，在當前以單車智能和車云結合的架構中，安全問題無法

240、得到有效的解決，也長期困擾整個產業，而通過VICAD可以更加系統化整合跨行業資源，為跨行業融合發展提供不竭動力。另外，在通信方面，VICAD是5G、C-V2X通信的重要應用場景，將加速通信技術演進和產業發展。我國在5G、C-V2X等先進通信技術領域已經從跟跑走到了領跑地位，確立了在標準和專利方面的全球領先優勢，目前亟需一個體量充分、市場前景廣闊的應用場景，支撐通信行業加速迭代創新。其次，發展VICAD，建設高等級智能路，是解決當前中國智能化產業“缺芯少魂”的關鍵破局點。從需求構建的角度，VICAD為芯片、操作系統等智能化產業鏈關鍵環節發展提供了一個重要機遇和窗口。從上個世紀80年代起，計算機產

241、業經歷了個人電腦普及，移動互聯網等兩個史詩級的浪潮，也催生了PC時代的“win-tel聯盟”（微軟與英特爾）,移動時代的Arm 與Android（谷歌公司）?！靶酒?操作系統”牢牢地控制了相關產業鏈的關鍵環節，不論是從技術上還是從生態上，形成了不可逾越的壁壘，唯有新的產業的誕生，才有可能產生新的生態主宰者，VICAD應當肩負起這個責任。另一方面，萬物互聯的物聯網時代已經不可阻擋，以人工智能為核心驅動力的自動駕駛技術也逐漸成為交通行業最大的變革因素，智能交通體系即將迎來以自動駕駛為核心驅動技術的“智能交通物聯網”時代，億萬級的“移動機器人”即將接入一個空前宏大網絡之中，由此帶來的智能化產業機遇將

242、超越以往。5.2.3 潛在社會效益建設C4等級智能道路的社會效益可以從減少交通事故、緩解交通擁堵和帶動經濟增長等三個方面進行量化分析：05 車路協同自動駕駛發展的核心是建設高等級智能道路981）減少交通事故經濟收益：VICAD可以大幅度提升交通安全，減少交通事故，讓出行更安全。據美國交通部基于600萬輛車交通事故分析，單車智能可預防60%的交通事故，V2X可以減少81%的交通事故35。CIDAS（中國交通事故深入調查）數據統計顯示（見圖5.13），由于駕駛員人為因素造成的交通事故占比高達94%，事故原因包括駕駛員未發現、視線障礙、判斷錯誤、錯誤操作等36，VICAD理論上可以通過協同感知、決策

243、規劃和控制避免所有的人為交通事故，本次測算保守起見，在計算時規定VICAD可以預防80%的交通事故。駕駛員未發現視線障礙判斷錯誤操作錯誤機械故障其他因素67.72%人為因素非人為因素15.09%8.58%2.86%1.26%4.49%圖 5.13 CIDAS事故原因數據統計交通事故造成的損失是驚人的這些損失包括誤工費用、醫療費用、法律訴訟費用、應急救助費用、保險費用、財產損失等。本文僅從交通事故造成的直接財產損失，以及通過減少交通事故造成人員死亡所避免的間接經濟損失進行測算，建設C4高等級智能道路減少交通事故的經濟收益計算公式為：C4道路每年可減少交通事故的經濟收益（元）=（事故直接財產損失（

244、元）+死亡人數*死亡賠償金（元/人）*交通事故預防率（%）2)減少交通擁堵油耗節約經濟收益：據2019年中國智能網聯創新聯盟發布 智能網聯汽車產業發展動態及對策建議，車聯網技術可提高道路通行效率10%。交通擁堵經濟損失是多方面的，除了擁堵造成的油耗成本，還會有擁堵的時間成本、碳排放及尾氣治理成本等?？紤]在測算擁堵時間成本和治理成本的一定期間內也可能會生產GDP，為了規避與下文“3）帶動經濟增長收益”中的經濟增長GDP造成重復計算，本次測算主要做擁堵造成油耗經濟損失的估算。據統計，在堵車怠速的情況下每3分鐘的油耗相當于正常行駛1公里，以每輛車平均油耗為8升/百公里計算，則每3分鐘的停車油耗為0.

245、08升，按照每天每輛車堵車的時間為30分鐘計算37，交通擁堵造成平均每輛車每天額外油耗為0.8升。按照92號汽油當前價格和城市機動車保有量、平均出車率等指標，本次測算以C4高等級智能道路交通擁堵平均降低10%進行計算，油耗節約的經濟收益計算公示為：352021年中國電動汽車百人會、智能汽車與智慧城市協同發展聯盟、奧迪（中國）企業管理有限公司V2X商業化落地路徑分析研究報告。36CIDAS（中國交通事故深入調查）數據統計。37高德地圖聯合未來交通與城市計算聯合實驗室、清華大學-戴姆勒可持續交通研究中心、阿里云等單位共同發布2018Q3中國主要城市交通分析報告9938城市群綜合交通運輸效率對經濟增

246、長的影響基于長三角與粵港澳大灣區的比較研究39北京市統計局發布的2021年北京統計年鑒，上海市統計局發布的2021年上海統計年鑒，杭州市統計局發布的2021年杭州統計年鑒40北京市統計局發布的2021年北京統計年鑒中管道貨運量數據表 5.8 綜合交通運輸中不同交通運輸方式承擔比重估算鐵路水運共計注：以上數據為統計估算，測算結果僅供參考。公路24548.006383.005339.0036270.00-21789.00360.00147.0026345.004049.0046337.006743.005486.0062615.004049.000.740.110.090.06航空交通方式客運量（

247、萬人次）貨運量（萬噸）客貨運量合計比重1332.00 7605.00 3021.0011973.0015.0046051.00478.00403.00139226.00 92294.0047383.00 8083.003424.00151199.0092309.00 0.310.050.020.61客運量（萬人次）貨運量（萬噸）客貨運量合計比重4535.00 5895.001414.0012183.00339.0034837.00578.0046.0041944.006483.0039372.006473.001460.0054127.006822.000.730.120.030.13客運量（

248、萬人次）貨運量（萬噸）客貨運量合計比重北京市不同交通方式承擔比重上海市不同交通方式承擔比重杭州市不同交通方式承擔比重C4道路每年可減少交通擁堵油耗節約的經濟收益（元）=（擁堵額外油耗（升/車天）*92號汽油單價（元/升）*機動車保有量*平均出車率（%）*1年天數（天）*交通擁堵降低率（%）3)帶動經濟增長收益：交通參與者、運載工具、設施一體化協同系統成為交通系統發展的大趨勢。車路協同等技術研究也趨向以車路云一體化的智能交通系統實現交通控制綜合優化與智能決策，強化城市綜合交通智能化協同管控，提高城市交通道路通行效率和綜合服務水平，提升交通運輸效率。2019年中國智能網聯創新聯盟發布 智能網聯汽車

249、產業發展動態及對策建議，車聯網技術可提高道路通行效率10%。參考城市群綜合交通運輸效率對經濟增長的影響基于長三角與粵港澳大灣區的比較研究38，綜合交通運輸效率每提升1%，對長三角和粵港澳本地經濟增長的促進作用分別為0.076%和0.069%。綜合交通運輸體系是由多種運輸方式組成的綜合體系，參考該文獻的指標選取，本次測算以反映規模水平的客貨運量作為產出變量指標，對不同交通運輸方式的比重進行估算?？瓦\量（萬人次）的運輸與貨運量（萬噸）的運輸對經濟增長GDP貢獻是有差異的，為了方便測算進行簡單比較，本文假設兩者系數比值為1。根據北京、上海、杭州三個城市客運量、貨運量數據39，40，可得綜合交通運輸中

250、不同交通運輸方式承擔比重估算見表5.8。建設C4高等級智能道路帶動經濟增長的收益計算公示為：C4道路每年帶動經濟增長收益（元）=每提升1%對經濟增長的促進作用（%）*地區生產總值GDP（元）*綜合交通效率提升率（%）*公路交通運輸承擔比重（%）綜上，選擇北京、上海、杭州三個城市，分別用投資收益率和內部收益率41來測算評估建設C4道路所帶來收益，見表5.9和表5.10。05 車路協同自動駕駛發展的核心是建設高等級智能道路10041投資收益的計算，按照5年投資周期一次投資到位的方案進行估算。實際建設經驗是先期示范區、先導 區建設、中期推廣部署、后期高速發展的逐步推進方案建設，如果按 照逐步推進建設

251、模式估算，經濟收 益指標會比本次簡化計算結果要好，本次估算是在往較差方面計算，但是這個指標計算不會對論證結 論產生較大偏差。表 5.9 城市C4道路投資收益率估算北京上海杭州126.10 82.18 86.7825.22 16.4417.36 12.0510.76 2.688.227.344.40205.62101.81100.47225.89119.91107.55795.68%629.56%519.67%注：以上數據為統計估算，測算結果僅供參考。城市共計（億元）每年C4等級智能道路建設費用每年C4等級智能道路綜合投資收益率設備使用經濟壽命按照5年分攤（億元/年）可減少交通事故經濟收益合計（

252、億元/年）可減少交通擁堵油耗節約經濟收益合計（億元/年）綜合交通效率提升帶動經濟增長合計（億元/年）綜合經濟收益共計（億元/年）綜合投資收益率（%）表 5.10 城市C4道路內部收益率估算北京上海杭州178.06%144.23%121.62%225.89119.91 107.55注：以上數據為統計估算，測算結果僅供參考。城市內部收益率IRR（%)第5年收益（億元）225.89 119.91107.55第4年收益（億元）225.89119.91 107.55第3年收益（億元）225.89119.91 107.55第2年收益（億元）225.89119.91 107.55第1年收益（億元）-126.

253、1-82.18-86.78初始成本（億元）以北京為例進行說明：1）建設C4高等級智能道路的總成本約為126.10億元，按照設備經濟壽命5年來進行分攤，每年投入成本約為25.22億元41；2）在5年周期內，北京市C4高等級智能道路每年所帶來的總經濟收益平均每年約為225.89億元，綜合投資收益率高達795.68%，內部收益率達到178.06%?？梢钥闯?，建設C4高等級智能道路具有顯著經濟優勢。建設部署高等級智能道路還有更多經濟收益，本白皮書暫沒有進一步展開分析，比如：101（1）避免重復投資建設：高等級智能道路具有全量高精度感知識別的能力，可以充分發揮道路系統和設備設施的優勢，研究提供交通監控執

254、法、輿情監控、公共安全管理等能力，為交通、公安、城建等多個政府部門提供基礎數據和基礎能力服務，實現設備設施的最大化利用，避免重復投資建設和設備浪費。（2）通過創新應用探索更多服務模式和商業模式：高等級智能道路具備車輛、道路、行人、云端高維數據的匯聚和實時處理分析能力，除服務于車路協同自動駕駛外，可以不斷探索開展更多的商業化運營服務創新，比如智慧交管服務、城市智慧出行、車輛安全管理等，通過各類服務為高等級智能道路帶來盈利，最大可能發揮智能道路價值。05 車路協同自動駕駛發展的核心是建設高等級智能道路102SECTION 35.3建設高等級智能道路中國優勢我國車路協同近幾年發展迅速，目前總體上已處

255、于全球第一陣營，具有一定的引領優勢，中國完全有機會充分發揮自身的體制機制優勢、政策優勢、技術產業優勢，建設和發展高等級智能道路，不僅服務于自動駕駛，還能充分發揮智能道路的全要素高精度感知、車路協同決策規劃和管控等多方面能力，為交通的智能管理、智能管控、智慧服務等方面提供基礎條件，支持探索開展共享出行、自主泊車、智慧物流、交通運營商等更多創新應用和智慧服務，從而加快建設智慧城市，助力實現交通強國宏偉目標，推動我國經濟轉型升級和高質量發展。（1）體制機制層面，國家統籌能力優勢我國國情決定了國家擁有強大的全局統籌能力，可以在新技術的研發落地的各個階段發揮其強大的號召引領作用。這種統籌能力可在車路協同

256、自動駕駛的研究與落地中顯得尤為突出，比如國家或地方通過制定優惠政策，批準設立測試示范區和先導區（如表5.11），牽頭大公司合作等方式加速技術研發，并逐步完成全國范圍內的道路基礎設施重新規劃與升級。車聯網先導區/示范區類別城市實時性無錫天津長沙重慶長三角三省一市蘇州南京柳州北京北京、河北各地市長春上海江蘇（無錫）國家級車聯網先導區天津（西青）國家級車聯網先導區長湖南（長沙）國家級車聯網先導區沙重慶（兩江新區）國家級車聯網先導區國家級長三角區域車聯網先導區蘇州車聯網先導區南京市省級車聯網先導區柳州市車聯網先導區（在建）北京市高級別自動駕駛示范區（注：全球首個）國家智能汽車與智慧交通(京冀)示范區國

257、家智能網聯汽車應用（北方）示范區國家智能網聯汽車（上海）試點示范區表 5.11 國家級智能網聯汽車先導區/示范區103測試區/基地城市智慧汽車基礎設施和機制建設試點智慧城市基礎設施與智能網聯汽車（“雙智”）協同發展試點武漢杭州、嘉興廣州重慶上海上海長沙無錫成都北京重慶西安泰興襄陽國家智能網聯汽車（武漢）測試示范區浙江車聯網應用示范區廣州智能網聯汽車與智慧交通應用示范區國家智能汽車集成系統實驗區（i-VISTA）上海臨港智能網聯汽車綜合測試示范區上?；谥悄芷囋瓶鼗A平臺的“車路網云一體化”綜合示范國家智能網聯汽車（長沙）測試區國家智能交通綜合測試基地（無錫）中德合作智能網聯汽車車聯網四川試驗

258、基地北京通州國家運營車輛自動駕駛與車路協同測試基地重慶車檢院自動駕駛測試應用示范基地長安大學車聯網與智能汽車試驗場智能網聯汽車自動駕駛封閉場地測試基地（泰興）智能網聯汽車自動駕駛封閉場地測試基地（襄陽）寧波、泉州、莆田、武漢、德清、廣州北京、上海、廣州、武漢、長沙、無錫、重慶、深圳、廈門、南京、濟南、成都、合肥、滄州、蕪湖、淄博車聯網先導區/示范區（2）戰略政策層面，國家新基建政策會加速車路協同的全面發展在國家戰略層面，我國明確了單車智能+網聯賦能的智能網聯汽車發展技術路線。在單車智能領域，我國與美國差距在逐漸縮小，但考慮到我國路況和交通環境更加復雜，相較而言，車路協同自動駕駛更具優勢，可以作

259、為我國自動駕駛換道超車的杠桿著力點。在政策層面，國家主管部門統籌規劃，加強頂層協同，營造良好的產業發展環境；各級地方政府部門也結合自身發展需求和基礎優勢，積極推動車路協同自動駕駛產業發展。國家層面近兩年發布了智能汽車創新發展戰略、交通強國建設綱要、國家綜合立體交通網規劃綱要等一系列頂層規劃設計文件，見表5.12。地方政府層面，江蘇省編制發布了 江蘇省車聯網產業發展重點任務分解表（2020-2021年），天津市發布天津車聯網（智能網聯汽車）產業發展行動計劃，上海市印發上海市先進制造業發展“十四五”規劃，重點發展新能源汽車、智能網聯汽車、整車及零部件等制造領域，廣東省印發廣東省制造業高質量發展“十

260、四五”規劃，支持發展智能網聯汽車感知、控制、執行、車載信息娛樂系統，推進汽車檢測和測試場地等領域建設，積極推進自動駕駛示范應用。其中，一些城市政策法規創新已進入“深水區”，例如，北京市在高級別示范區基礎上建設智能網聯汽車政策先行區，適度超前并系統構建智能網聯汽車道路測試、示范應用、商業運營服務以及路側基礎設施建設運營等政策體系，目前已經給予無人配送車路權，開放高速公路測試、無人化測試、商業運營。05 車路協同自動駕駛發展的核心是建設高等級智能道路104市印發上海市先進制造業發展“十四五”規劃，重點發展新能源汽車、智能網聯汽車、整車及零部件等制造領域，廣東省印發廣東省制造業高質量發展“十四五”規

261、劃，支持發展智能網聯汽車感知、控制、執行、車載信息娛樂系統，推進汽車檢測和測試場地等領域建設，積極推進自動駕駛示范應用。其中，一些城市政策法規創新已進入“深水區”，例如，北京市在高級別示范區基礎上建設智能網聯汽車政策先行區，適度超前并系統構建智能網聯汽車道路測試、示范應用、商業運營服務以及路側基礎設施建設運營等政策體系，目前已經給予無人配送車路權，開放高速公路測試、無人化測試、商業運營。表 5.12 近三年國家發布的智能網聯汽車相關政策文件時間發布單位文件名稱中共中央國務院印發中共中央、國務院國家發展改革委、工信部等28個部門和單位工信部、中央網絡安全和信息化委員會辦公室、發改委等10個部門和

262、單位公安部工信部工信部工信部、公安部、交通運輸部工信部交通運輸部、科學技術部工信部工信部交通運輸部交通運輸部工信部交通運輸部國務院2019年9月2021年2月2021年3月2021年4月2021年4月2021年7月2021年7月2021年7月2021年8月2021年8月2021年9月2021年9月2021年9月2021年10月2021年11月2022年1月2022年1月交通強國建設綱要國家綜合立體交通網規劃綱要加快培育新型消費實施方案道路交通安全法（修訂建議稿）智能網聯汽車生產企業及產品準入管理指南（試行）（征求意見稿）網絡安全產業高質量發展三年行動計劃（2021-2023年）（征求意見稿）5

263、G應用“揚帆”行動計劃（2021-2023年）智能網聯汽車道路測試與示范應用管理規范（試行）工業和信息化部關于加強智能網聯汽車生產企業及產品準入管理的意見關于科技創新驅動加快建設交通強國的意見關于加強車聯網網絡安全和數據安全工作的通知關于加強車聯網卡實名登記管理的通知數字交通“交通運輸領域新型基礎設施建設行動方案（20212025年）”發展規劃“十四五”信息通信行業發展規劃數字交通“十四五”發展規劃關于印發綠色交通“十四五”發展規劃的通知關于印發“十四五”現代綜合交通運輸體系發展規劃的通知105交通運輸部交通運輸部、科學技術部交通運輸部、科學技術部科技部教育部工業和信息化部交通運輸部農業農村部

264、衛生健康委科技部工信部、公安部2022年3月2022年4月2022年4月2022年7月2022年8月2022年11月關于印發交通強國建設評價指標體系的通知關于印發交通領域科技創新中長期發展規劃綱要（20212035年）的通知（無錫）關于印發“十四五”交通領域科技創新規劃的通知關于加快場景創新以人工智能高水平應用促進經濟高質量發展的指導意見關于支持建設新一代人工智能示范應用場景的通知關于開展智能網聯汽車準入和上路通行試點工作的通知(征求意見稿)中共中央、國務院2022年12月擴大內需戰略規劃綱要（20222035年）（3）產業層面，汽車、5G、道路和ICT產業具備創新引領條件我國在汽車、交通、I

265、CT技術與產業方面具有較大的優勢，這些產業通過車路協同自動駕駛深度融合與協同，形成合力，初步具備了創新引領發展的條件。在汽車和交通市場方面，中國的汽車和交通市場規模穩居世界前列，其中2021年我國汽車年產銷量分別為2608.2萬輛和2627.5萬輛，連續13年保持全球汽車產銷量第一，其中新能源汽車產銷分別為354.5萬輛和352.1萬輛，銷量連續7年位居全球第一，繼續鞏固我國作為世界第一汽車市場大國的地位，同時不斷向世界汽車強國邁進42。到2020年底，我國公路總里程超過519.8萬公里，路網規模持續提升，其中高速公路總里程超過16萬公里位居世界第一，國家高速公路網主線基本建成，覆蓋約99%的

266、城鎮人口20萬以上城市及地級行政中心。中國超大規模的汽車和交通市場在全球市場中發揮著重要的引領作用，中國可以充分利用自身的市場優勢，按照自己需求制定具有中國特色的市場規則、技術標準，贏得未來較量的寶貴話語權。在5G通信方面，將AI賦能的單車智能和5G相結合，為單點智能的車加裝上全天候、全場景、360度的“千里眼”和統籌全局的“智慧腦”，實現車、路、人、基礎設施的萬物互聯和萬物互控。截至2021年底，我國累計建成并開通5G基站142.5萬個，5G基站總量占全球60%以上，建成全球最大5G網，實現覆蓋所有地級市城區、超過98%的縣城城區和80%的鄉鎮鎮區43，為實現車、路、人等萬物互聯提供了通信保

267、障。在ICT方面，中國擁有一大批具有世界影響力的全球頂級ICT企業，通信公司有中國移動、中國聯通、中國電信、華為和中國信科等，互聯網公司有百度、阿里、騰訊等，這些企業掌握了國際先進的技術和標準話語權。此外，我國自行研制的北斗衛星定位系統，是被聯合國衛星導航委員會認定的，繼GPS、GLONASS之后的第三個成熟的衛星導航系統，在國家戰略層面上確保了車輛衛星導航定位方面不會受制于人。這些優勢連德國、日本也不具備，是支撐我國車路協同自動駕駛發展42人民日報（2022年1月13日）：我國汽車產銷量連續13年保持全球第一http:/ 車路協同自動駕駛發展的核心是建設高等級智能道路106的重要保障。（4）

268、技術保障層面，車路云標準體系規劃配套完整2018 年 6 月，工業和信息化部聯合國家標準化管理委員會組織完成制定并印發國家車聯網產業標準體系建設指南系列文件（如圖5.14所示），明確了國家構建車聯網生態環境的頂層設計思路，表明了積極引導和推動跨領域、跨行業、跨部門合作的戰略意圖，該系列文件包括總體要求、智能網聯汽車、智能交通、車輛智能管理、信息通信和電子產品與服務共5個分冊，如下圖所示。目前，5個分冊的體系規劃都已正式發布，其中信息通信標準體系中基于LTE-V2X的接入層、網絡層、消息層和安全等核心技術標準已制定完成，同時，LTE-V2X設備規范、測試方法等標準已制定完成，技術標準體系基本形成

269、，為車路協同自動駕駛發展奠定了堅實基礎。圖 5.14 國家車聯網產業標準體系總體架構百度Apollo車路協同自動駕駛探索與實踐06 06 百度Apollo車路協同自動駕駛探索與實踐108SECTION 16.1百度Apollo車路協同自動駕駛進展6.1.1 標準先行為全面支撐百度Apollo自動駕駛與ACE智能交通實現技術引領和項目落地，百度高度重視并全面布局車路協同、自動駕駛與智能交通國內外各級標準，涉及V2X通信、汽車、交通、人工智能、數據、地圖、信息安全等多個專業領域。目前百度已發布各類標準超過10項，如YD/T3978-2021基于車路協同的高等級自動駕駛數據交互內容；參與及牽頭的標準

270、超過200項，核心牽頭的重要標準包括車載激光雷達性能要求及試驗方法（國標）、智能網聯汽車 自動駕駛系統數據記錄性能要求和測試方法（國標）、智能網聯汽車 自動泊車系統性能要求及試驗方法（國標）、車路協同信息交互技術要求系列標準（國標）等，后續將繼續依托百度在自動駕駛、智能交通、AI等領域的技術積累，支撐引領自動駕駛和道路智能化標準建設和產業發展。百度牽頭和深度參與的車路協同部分標準見表6.1。表 6.1 百度牽頭和深度參與的車路協同重要標準21346578109國標在研團標已發布國標在研團標已發布已發布在編在編在編在編在編在編已發布車路協同信息交互技術要求 第1部分 路側設施與云控平臺（T/IT

271、S 0180.12021）車路協同信息交互技術要求 第2部分 云控平臺與第三方應用服務（T/ITS 0180.22021）基于車路協同的高等級自動駕駛數據交互內容（YD/T 3978-2021、T/ITS 0135-2020、CSAE 158-2020）車路協同信息交互技術要求 第3部分 路側設施之間車路協同 邊緣計算設施系列標準自動駕駛路側感知定位技術要求適應自動駕駛公路工程附屬設施技術指南公路智能化數字技術規范智能網聯汽車 數據通用要求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第二階段（CSAE 157-2020）團體標準團體標準團體標準國家標準行業標準行業標準行業標準/團體

272、標準國家標準/團體標準國家標準/團體標準國家標準/團體標準序號標準名稱標準類別標準狀態1096.1.2 Apollo Air計劃111214131516在編在編在編在編在編在編車路協同 路側感知系統法系列標準車路協同 路側激光雷達測試方法基于5G的遠程遙控駕駛業務要求 自動駕駛出租車云端控制基于LTE的車聯網無線通信技術 MEC平臺測試方法基于LTE的車聯網無線通信技術 V2I基礎信息單播傳技術智能網聯汽車運行安全半開放道路測試場景要素及設置要求團體標準團體標準國家標準國家標準行業標準行業標準/團體標準2021年5月，百度聯合清華大學智能產業研究院正式提出了Apollo Air計劃。Apoll

273、o Air計劃有三大典型特征：1）依靠純路端感知實現車路協同自動駕駛；2）持續降維反哺車路協同應用；3）標準開源開放實現業界共享。Apollo Air最大的技術創新是在關閉車端感知情況下，僅依靠路端輕量化連續感知，就可以實現L4級別的自動駕駛閉環。截至2022年4月，Apollo Air累計閉環測試里程（含仿真）達到3萬公里，其中路口通過成功率達99%?；贏pollo Air的路端感知有以下突出優勢：（1）端到端時延滿足車端融合需求路端與車端進行實際需求對齊，各環節合理分配時延指標：1）路端感知融合時延140ms，主要通過邊緣大算力、高性能AI模型、并行化局部高精地圖實現；2）空口傳輸時延5

274、0ms，主要通過在LTE-V2X網絡層進行包長限制、底層收發方式優化和在編碼上進行幀內/幀間壓縮實現；3）車端預處理10ms，通過軌跡預測模型補償丟包；端到端時延總計約200ms。（2）路端感知精度符合車端要求路端的感知精度已完全符合車端要求，路端具備全量交通要素（包括機動車、非機動車、行人、障礙物等）的實時準確感知能力，交通要素感知的準確率、召回率95%，感知定位達到0.5m（均值）、速度大小精度1.5m/s（均值）、感知對象漏檢率2%。（3）建立質量評測閉環系統ApolloAir在實踐過程中逐步完成路端數據質量評測體系的建立，可動態評估每個點位的質量是否符合L4車輛的要求。滿足數據質量評測

275、要求的點位可支撐完成ApolloAir閉環，即該點位能夠支持“純路端感知實現車路協同自動駕駛”，圖6.1是目前在亦莊建設的滿足ApolloAir要求的標準路口之一。06 百度Apollo車路協同自動駕駛探索與實踐110圖 6.1 基于Apollo Air標準路口實現純路側感知的L4自動駕駛閉環6.1.3 智路OS與車路協同開放平臺“開放能力、共享資源、加速創新、持續共贏”是百度一貫的技術理念。百度車路協同自動駕駛的發展也始終堅持開放開源理念，2019年12月，百度Apollo正式發布了車路協同開放平臺1.0，這是國內首個針對車路協同的開放平臺。2022年4月19日，百度Apollo正式升級發布

276、面向交通和汽車行業的車路協同開放平臺2.0“開路”，這標志著百度Apollo從“自動駕駛開放”升級到“自動駕駛和車路協同的全面開放”?！伴_路”是一套完整的軟件和服務開放體系，包含路端軟件平臺、路端參考硬件和云服務平臺三大部分?！伴_路”將開放感知、預測、地圖、標定等基礎能力，為設備設施和硬件合作伙伴提供技術準則和集成規范，結合百度在車端廣泛的用戶觸達，共享場景資源?！伴_路”把百度自2016年研發的車路協同全棧技術開放給業界，建立起以合作為基礎的良性生態，促進車路協同技術的廣泛應用；提供完整框架，支持快速開發，實現數字化、網聯化、自動化的應用生態和效果，幫助開發者降低成本、提升創新效率；發揮百度在

277、人工智能領域的技術優勢，滿足智能化的應用開發需求。111圖 6.2 車路協同開放平臺2.0總體架構圖 6.3 智路OS行業應用2022年8月1日，百度Apollo、清華AIR聯合行業單位發布了全球首個開源開放的智能網聯路側單元操作系統（以下簡稱“智路OS”），以開源開放、自主可控、網聯生態為核心價值，將面向高級別自動駕駛和智能交通的路側OS核心技術徹底開源，打造開源開放新底座，構建自主可控新高地，促進智能網聯產業應用的多樣化和規?；l展。智路OS是在“車路云一體化融合控制系統”的整體架構下，以高等級自動駕駛技術和應用為牽引，沉淀出來的路側邊緣計算單元的基礎軟件平臺；自下而上分別由內核層、硬件抽

278、象層、中間件層三部分組成。06 百度Apollo車路協同自動駕駛探索與實踐112智路OS面向智能網聯、高級別自動駕駛和交通數字化管理全場景，構建統一的數據和技術底座，打破生態孤島。面向行業，智路OS開放全棧技術，突破“缺芯少魂”的產業瓶頸，加速自主可控升級迭代；面向城市管理者，智路OS承載了各類應用場景對基礎設施的升級訴求，實現軟件賦能網聯交管；面向生態，智路OS助力智能網聯生態廠商實現標準統一的高效創新，加速商業化落地。智路OS支持廠商快速開發、降低成本，加速商業化落地；面對硬件生態，智路OS以“高智能、高性能、高可靠、國產化”的特性，支持國產魂帶動國產芯，助力硬件生態的創新探索。目前，已有

279、超過50家行業組織、公司等成為智路OS首批生態合作伙伴，共建智能網聯新生態。6.1.4 DAIR-V2X開放數據集2022年2月，百度Apollo聯合清華智能產業研究院、智源人工智能研究院以及北京車網公司，發布了全球首個車路協同自動駕駛數據集：DAIR-V2X。該數據集是首個用于車路協同自動駕駛研究的大規模、多模態、多視角數據集，全部數據均采集自真實場景，同時融合了2D&3D標注，經脫敏和安全加密等處理后發布。中國境內用戶可訪問https:/ 6.2 DAIR-V2X典型特征描述規模大多視角、多模態場景真實特征描述典型特征總計有超過71254幀圖像數據，以及71254幀點云數據：1）路端數據：

280、10084幀圖像、點云數據；2）車端數據：22325幀圖像、點云數據；3）車路協同數據：38845幀圖像、點云數據；4）Rops3D數據：50009幀圖像數據。1）數據采集傳感器類型豐富，包含車端攝像頭、激光雷達以及路側攝像頭和激光雷達等；2）首次實現車路協同的同時空標注，以及車端、路端數據的2D&3D聯合視角標注；3）障礙物目標3D標注屬性全面，標注10類道路常見的障礙物目標。1）數據采集自北京高級別自動駕駛示范區，包括10公里城市開放道路和10公里城市高速路，以及28個路口；2）數據涵蓋晴天/雨天/霧天、白天/夜晚、城市道路/高速公路等豐富場景。113作為業界、學界首個開源的車路協同自動駕

281、駛數據集，DAIR-V2X將有效服務科研、產業、政府機構，有效協同各方進行車路協同研究、產業落地和市政規劃建設，促進我國車路協同以及自動駕駛發展，共同探索車路協同自動駕駛的落地模式和學術研究。在產業領域，本次數據集發布后，為更多的車路協同落地場景探討和落地實現提供了支持。在學術研究領域，學術影響力和權威性被世界頂級會議CVPR認可，繼續引領相關領域研究。其中，清華AIR和百度車路協同團隊基于數據集早期研究工作形成的兩篇論文44已被2022屆IEEE國際計算機視覺與模式識別會議（CVPR，IEEE Conference on Computer Vision and Pattern Recogni

282、tion）收錄。2022年3月，針對路側視角下的3D感知任務的研究，DAIR-V2X補充開放了多視角下共計50009幀圖像數據的Rope3D數據集，Rope3D數據集更加聚焦于純視覺的單目3D感知任務。截至2022年9月，DAIR-V2X已經在中國境內被超過3000位用戶下載使用，累計下載超過15000個數據包。清華AIR攜手百度將基于已開源的車路協同自動駕駛數據集DAIR-V2X共同舉辦首屆車路協同3D目標檢測挑戰賽。挑戰賽提出了在通信帶寬約束下，車端融合路端信息，實現3D目標檢測的視覺感知任務目標，吸引學界、業界更多研究者共同探索車路協同技術升級。6.1.5 L4共享無人車規?；瘻y試運營截

283、至2022年11月14日，百度Apollo在世界范圍內的近30個城市開放道路測試，測試總里程超過4000萬公里，百度已獲得中國自動駕駛測試牌照718張，其中載人測試牌照571張，商業試點牌照194張。百度自動駕駛出行服務平臺“蘿卜快跑”已在北京、上海、廣州、深圳、重慶等十余座城市全面開放載人測試運營服務，測試車隊規模達到600輛級別；在北京亦莊，開放了國內首個方向盤后無人的自動駕駛出行服務商業化試點，亦莊成為中國第一個無人駕駛生活圈；在重慶、武漢，也發布了全無人商業化試點政策，并向百度發放首批全無人商業示范運營牌照。截至2022年第三季度末，蘿卜快跑向公眾提供的乘車次數已累計達到140萬，這一

284、數據仍在高速增長中，百度已經成為了全球最大的自動駕駛出行服務商。Apollo自動駕駛巴士已在北京、廣東、重慶等多地落地，其中MiniBus和RoboBus運營里程累計超過37萬公里，乘車人次累計超過26萬?；诎俣華pollo衍生發展的百度ACE智能交通引擎也已在北京、廣州、長沙、保定、滄州、成都、南京、上海、陽泉、重慶、西安、銀川、合肥、武漢、濟南、佛山、?？?、南通、大連、杭州、鶴壁、眉山等五十多個城市開展落地實踐。44D*-V2X:A Large-Scale Dataset for Vehicle-Infrastructure Cooperative 3D Object Detection

285、，Rope3D:Take A New Look from the 3D Roadside Perception Dataset for Autonomous Driving and Monocular 3D Object Detection Task06 百度Apollo車路協同自動駕駛探索與實踐114圖 6.4 ACE智能交通引擎2.0圖 6.5 百度地圖在亦莊提供的精細化導航服務6.1.6 面向C端用戶的大規模網聯服務（一）百度地圖app作為國民級出行平臺和智能交通地圖數字底座，百度地圖將車路協同技術應用于地圖導航，打造出“新一代人工智能地圖”，不僅讓億萬用戶享受到AI技術紅利，也推動著智

286、能化的出行變革。在北京亦莊等部分區域，百度地圖用戶可以收到紅綠燈倒計時和綠燈提醒、車道級事件提示等服務。場景應用115圖 6.6 度小鏡提供V2X紅綠燈倒計時服務圖 6.7 度小鏡提供V2X事件提醒服務（二）車載智能終端度小鏡百度推出了智能網聯后視鏡終端度小鏡，用戶可以通過加裝智能終端來接收車路協同數據。比如在廣州黃埔，駕駛員可在科學城、知識城體驗區域享受到紅綠燈倒計時、綠燈起步提醒、闖紅燈預警、綠波車速提醒、建議車道等智能網聯紅綠燈服務。（三）智能網聯汽車百度車路協同基礎服務能力，除了服務高級別自動駕駛車輛外，還可以向下兼容為低等級智能網聯汽車提供更多有價值應用。百度目前已經與福特等8家OE

287、M車企建立了網聯合作，可提供信號燈預警、綠波車速、綠燈起步提醒等服務。06 百度Apollo車路協同自動駕駛探索與實踐116圖 6.8 百度V2X量產車應用百度Apollo在全面滿足行業已發布標準的基礎上，結合已落地項目開展了大量V2X車路協同應用測試和先導應用，以下列舉4個大類19個小類的典型協同感知、決策規劃和控制應用場景，見表6.3。SECTION 26.2車路協同自動駕駛典型實踐場景和技術優勢表 6.3 百度Apollo典型應用場景舉例1高精地圖實時更新協同感知DecisionDecision+PlanningRouting+Decision+Planning協同控制協同決策規劃標準制

288、定中YD/T 3978-2021地圖要素變更：交通信號燈地圖要素變更：車道線路端信號燈融合感知靜態盲區/遮擋協同感知動態盲區/遮擋協同感知超視距協同感知低速車輛協同感知道路遺撒與低矮障礙物協同感知地圖要素變更：車道線排隊決策標準制定中標準制定中T/CSAE 157-2020標準制定中標準制定中標準制定中標準制定中T/CSAE 157-2020T/CSAE 156-2020T/CSAE 157-2020“死車”決策交叉口協調通行阻塞繞行路口內施工繞行合作式代客泊車編隊行駛控制車輛：5G云代駕控制基礎設施：優先通行控制基礎設施：綠波通行2C434場景子類別/名稱適用標準對應道路智能化等級場景類別類

289、別1176.2.1 高精地圖實時更新實踐在百度Apollo的落地實踐中，高精地圖為自動駕駛感知、決策規劃和控制等提供一致的定位和環境語義信息，是自動駕駛車輛感知輔助、高精定位和安全的決策規劃的基礎。（一）地圖要素變更-交通信號燈問題描述：在自動駕駛高精地圖中，信號燈是地圖的重要要素之一，但路口信號燈經常會發生安裝位置、運行狀態等變更，如果變更信息沒有及時同步到車輛，在路口處容易出現信號燈無法識別的情況，導致車輛在路口處退出自動駕駛狀態，或造成安全事故。a）路口信號燈故障，設置臨時信號燈 b）路口新建信號燈，與原信號燈位置不一致 圖 6.9 路口信號燈現實變更場景場景原理：在車路協同感知的基礎上

290、，可以借助V2X通信對高精度地圖進行更新，輔助車輛在特定區域準確檢測信號燈信息，幫助車輛安全通過路口。具體邏輯和流程如下：1)以某一特定路口為例，如圖6.10所示，信號燈從安裝在路口中心的臨時信號燈，更改為安裝在交通信號燈桿的橫桿位置；2)路端檢測到變更信息后，會將新的信號燈位置更新發送給地圖平臺，圖商通過地圖編譯后，可通過OTA方式進行高精地圖的版本升級，地圖升級后的車輛經過該段道路時，可以通過地圖獲取信號燈正確位置；3)在地圖版本更新之前，通過變更路口的車輛可通過V2X收到路端發送的當前最新的路端局部地圖信息，包含新的信號燈位置信息，以及信號燈的燈組、燈色與相位等信息，車輛會根據獲取的信號

291、燈位置和燈態信息進行駕駛行為決策。06 百度Apollo車路協同自動駕駛探索與實踐118信號燈位置發生變更信號燈位置發生變更信號燈變更前車輛根據信號燈位置正常感知信號燈信號燈變更后車輛原信號燈位置無法感知新的信號燈位置信號燈變更前車輛根據信號燈位置正常感知信號燈信號燈變更后車輛根據信號燈位置正常感知信號燈長周期數據更新高頻率快速更新?發現信號燈位置變更信號燈位置變更信息上傳給地圖平臺 地圖編譯、更新、發版車端下發信號燈變更位置給車端臨時信號燈位置信號燈位置變更地圖未更新臨時信號燈位置變更后信號燈位置圖 6.10 信號燈位置現實變更圖 6.11 道路車道線重繪場景（二）地圖要素變更-車道線變更問

292、題描述：如圖6.11所示，由于長期施工的原因，需要對車道線進行重繪，可能會出現車道數減少、車道變窄、車道彎曲等復雜的地面標識變化，同時還有可能出現原有車道線未清理干凈的情況。對于強依賴高精度地圖的自動駕駛車輛，在如此復雜的車道要素變化情況下，地圖未能及時更新，非常容易出現車道線感知錯誤，從而導致不按導向箭頭行駛、壓車道線行駛、跨越對向車道行駛等危險駕駛行為。場景原理：1）路端基于車道線的定點高頻檢測，及時發現車道線變化，自動更新路端自有路口局部地圖的車道要素，同時利用定點連續觀測，識別車輛的可通行方向和流向，修正車道的行駛導向屬性，記錄車道線的變更信息和變更時間；1192）在車輛進入V2X廣播

293、范圍后，路端向車輛播發當前路口局部地圖，包含車道標線、停止線、信號燈等要素信息，以及這些要素信息的置信度；3）車端收到數據后，結合自身感知能力，安全通過車道線變更路口（如圖6.12）。未及時更新地圖導致車輛按照原高精度地圖車道線規劃路徑，引起車輛跨對側車道行駛依賴高精度地圖發版更新方案車路協同路口地圖要素實時更新方案通過車路協同構建最近的路口地圖，并通過路口廣播的形式下發地圖數據，引導車輛進入正確的車道實時路口地圖圖 6.12 利用車路協同技術保障路口地圖要素實時更新綜合應用效果：車道線重繪后，高精度地圖及時更新，在首輛車經過路口前即對于車道線進行識別，并更新局部路口的車道線，同時觸發地圖版本

294、更新，保證首輛自動駕駛車輛正常通過。6.2.2 車路協同感知實踐（一）路端信號燈融合感知AD信號燈感知問題描述：道路上經常會遇到異形、多語義或帶倒計時的信號燈，自動駕駛車輛容易受到環境影響（遮擋、逆光），或在自身感知能力下降（感知失效）的情況下，不能準確識別路口信號燈信息，導致出現闖紅燈或者交通事故，降低交通效率。06 百度Apollo車路協同自動駕駛探索與實踐120圖 6.14 路口有信號燈協同感知圖 6.13 路口無信號燈協同感知無信號燈協同感知時，路口信號燈被大車遮擋，容易闖紅燈或發生安全事故有信號燈協同感知時，車輛實時獲取信號燈數據，避免發生闖紅燈或交通事故超視距/遮擋信號燈協同感知：

295、通過路端融合感知、信號燈數據接入、云端信號燈數據對接等技術實時獲取信號燈燈色和倒計時信息，經多源信號燈數據融合處理后，通過V2X技術發給自動駕駛車輛。車輛可在距信號燈很遠的位置提前獲取信息，提前進行決策控制，降低交通事故風險。具體案例：前方大車遮擋信號燈時（如圖6.15），可通過VICAD信號燈協同感知實時獲取準確的路口信號燈燈色和倒計時數據，以便車輛提前做出判斷和決策控制，避免出現闖紅燈或者急剎。121圖 6.15 信號燈遮擋場景（二）靜態盲區/遮擋協同感知AD盲區問題描述：如圖6.16所示，受限于單車智能的傳感器感知角度，在出現靜態障礙物或動態障礙物（如大型車輛）遮擋時，車輛難以準確獲取盲

296、區內的車輛或行人的運動情況。圖 6.16 靜態盲區：行人突然闖入VICAD動靜態盲區協同感知：如圖6.17所示，通過路端多傳感器部署，實現對多方位、長距離連續檢測識別，并與車輛感知進行融合，實現自動駕駛車輛對盲區內車輛或行人的準確感知識別，車輛可提前做出判斷和決策控制，進而降低事故風險。06 百度Apollo車路協同自動駕駛探索與實踐122圖 6.17 靜態盲區非機動車/行人鬼探頭協同感知圖 6.18 左轉/掉頭盲區或遮擋協同感知（三）動態盲區/遮擋協同感知（1）左轉/掉頭盲區或遮擋協同感知：如圖6.18所示，車輛（藍白色）在路口左轉或掉頭時，有大卡車或公交車（粉色長多邊形）產生了動態盲區遮擋

297、住了后面的車輛，通過VICAD全量協同感知，車輛可以獲取盲區車輛的運動情況，避免了車輛急剎或事故的風險。123圖 6.19 路口大車遮擋場景圖 6.20 路口大車遮擋車路協同感知（2）大車遮擋協同感知：在車輛直行時，左側大車遮擋住了橫穿的電動車，通過VICAD動靜態盲區協同感知，車輛可以提前獲取盲區車輛、非機動車或行人的運動情況，避免了車輛急剎或事故的風險（如圖6.19和6.20）。（四）超視距協同感知AD超視距感知問題描述：受限于車載傳感器的類型、感知范圍、分辨率等因素，車輛對超出車載傳感器覆蓋范圍的交通運行狀況、交通參與者或障礙物檢測結果不穩定，容易出現感知不到、感知跳變等問題。VICAD

298、超視距協同感知：如圖6.21所示，通過路端多傳感器部署，實現對多方位、長距離連續檢測識別，并與車輛感知進行融合，實現自動駕駛車輛對超視距范圍內車輛或行人的準確感知識別，車輛可提前做出判斷和決策控制，進而降低事故風險。06 百度Apollo車路協同自動駕駛探索與實踐124圖 6.21 超視距協同感知圖 6.22 超視距協同感知VICAD超視距協同感知：如圖6.21所示，通過路端多傳感器部署，實現對多方位、長距離連續檢測識別，并與車輛感知進行融合，實現自動駕駛車輛對超視距范圍內車輛或行人的準確感知識別，車輛可提前做出判斷和決策控制，進而降低事故風險。具體案例：如圖6.22、6.23所示，兩張圖片是

299、同一時刻的車端和路端檢測與車融合后的結果。在圖6.22中，車輛（藍白色）很難對較遠處的障礙物進行穩定檢測（行駛路徑上沒有障礙物顯示），容易造成急剎和事故風險。在圖6.23中，通過VICAD超視距協同感知，車輛可以提前獲取前方車輛、非機動車或行人的運動情況（路徑附近的粉色框），避免了車輛急剎或事故風險。僅車端感知125圖 6.23 超視距協同感知圖 6.24 路邊低速車輛協同感知（五）低速車輛協同感知AD低速車輛感知問題描述：受車端傳感器感知視角及車輛實時運動等因素的影響，車輛對路邊低速車輛檢測的速度估計不準，如路邊緩慢倒車、路邊車輛駛出等，造成潛在碰撞或急剎風險。VICAD低速車輛協同感知：如

300、圖6.24所示，通過路端多傳感器部署，實現對道路多方位、長距離連續檢測識別，并與車輛感知進行融合，實現自動駕駛車輛對低速車輛或行人的準確感知識別，車輛可提前做出判斷和決策控制，進而降低事故風險。車路協同感知06 百度Apollo車路協同自動駕駛探索與實踐126圖 6.25 路邊低速車輛協同感知圖 6.26 僅依靠AD車端感知無法在遠距離對遺撒交通場景精確識別具體案例：車輛直行時，有VICAD協同感知的情況下，對路邊緩慢駛出車輛可以進行穩定檢測，準確獲取車輛速度、位置等信息，發送到車端進行融合感知定位，進而避免了車輛急剎或事故風險（如圖6.25）。（六）道路遺撒與低矮障礙物協同感知問題描述：自動

301、駕駛對低矮障礙物的感知能力要求是識別不小于5厘米的障礙物，場景的成功率不低于99%，而實測單車L4的成功率一般不能達到，車輛對車前低矮障礙物檢測進行穩定檢測有一定難度，存在感知漏檢、誤檢的可能性，可能出現車輛急剎或事故風險。127圖 6.27 低矮障礙物協同感知圖 6.28 基于VICAD協同感知對道路遺撒識別場景原理：通過車路協同感知，實現對低矮障礙物進行持續穩定檢測識別，由于路端感知設備固定安裝，可以通過背景建模等手段，同時具有實時+歷史的數據，對低矮障礙物做到更高的檢出率和準確感知，并提前將感知到的障礙物信息發送給車輛，做出提前變道、緩行避讓等更安全的駕駛決策（如圖6.27）。應用效果：

302、路端系統可對道路遺撒等低矮障礙物進行有效檢測，并通過V2X遠距離提前發送給車輛，提前進行判斷和車輛決策控制，如變道繞行（如圖6.28）。06 百度Apollo車路協同自動駕駛探索與實踐1286.2.3 車路協同決策規劃實踐（一）排隊決策問題描述：在排隊場景中，自動駕駛車輛處于跟車狀態下，前方路口紅燈，直行車輛出現排隊現象；而車輛此時由于無法判斷前車停止的原因（排隊中），會選擇往左側（左轉車道）并線超車，如圖6.29所示；然而行駛到臨近路口時，卻由于車道中的排隊車輛過多而無法再并線回到原車道，可能會阻塞交通。圖 6.29 排隊交通事件圖 6.30 路口車輛排隊決策場景原理：通過VICAD對交通事

303、件進行感知，及時發現前方排隊事件，并將排隊事件及時發送給車輛，同時為了規避車輛錯誤左轉變道后而無法再并線回原直行車道，向車輛發出在車道內排隊等候的決策（如圖6.30）。129（二）“死車”決策問題描述：在“死車”場景下，車輛前方有大車“死車”停占兩個車道，臨近路口車輛無法判斷前方信息而停滯不前（如圖6.31）。圖 6.31 大車“死車”交通事件場景圖 6.32“死車”決策場景原理：通過VICAD對交通事件進行協同感知和決策，可以長時間對道路車輛進行跟蹤和預測，及時將死車事件播發給車端，車輛可以及時做出變道等決策（如圖6.32）。06 百度Apollo車路協同自動駕駛探索與實踐130圖 6.33

304、 交叉口沖突場景（無車路協同決策）（三）交叉口協調通行問題描述：如圖6.33所示，自動駕駛車輛在直行車道行駛，在道路分叉區域（例如岔道或分合流區域）駛出的車輛左轉匯入直行車道，與主車行駛路徑產生沖突，由于車輛缺乏通行次序協調，導致主車急剎或接管。場景原理：1）通過車路協同，雙方車輛通過V2X方式上報車輛意圖（預期軌跡，包含各時刻的車輛位置及速度）；2）路端或云端系統根據車輛意圖、交通規則（左轉匯入禮讓直行）、車輛狀態信息，仲裁主車和岔道匯入車輛的通行策略為：直行車輛優先并加速通過、左轉車輛減速跟隨通過；3）雙方車輛執行仲裁結果，在車輛不停滯情況下高效通過路口。應用效果：如圖6.34所示，通過車

305、路云一體化協同決策，合理仲裁車輛通行次序，確保直行與左轉匯入車輛有序高效通過，避免了交互沖突造成路口車流阻塞或碰撞風險，提升了通行效率和安全性。131圖 6.34 交叉口沖突的協調通行（有車路協同決策）圖 6.35 施工占道阻塞交通（四）阻塞繞行問題描述：自動駕駛車輛在直行車道中行駛，前方車道中遇到施工事件阻塞通行（如圖6.35所示），單車智能難以在這一復雜狀況下判斷前方車輛的駕駛意圖并確定排隊或繞行策略，容易造成車輛不合理停滯或繞行。06 百度Apollo車路協同自動駕駛探索與實踐132圖 6.36 施工占道跨黃實線繞行場景原理：1）路端可發揮長時間觀測和場景理解的優勢，同時結合云端多源數據

306、輸入，判斷前方阻塞場景類型及車輛狀態屬性；2）如主車所在車道前方因施工占道、車輛異常停滯（如車輛故障、違章停車等）阻塞車道，且旁邊車道可供主車繞行通過時，給出主車繞行通過策略建議，避免不合理停滯。應用效果：如圖6.36所示，通過VICAD可以幫助自動駕駛車輛順利通過阻塞場景。（五）路口內施工繞行問題描述：如圖6.37所示，自動駕駛車輛行駛到無車道線刻畫的道路區域（如路口中央區域），有阻塞類事件發生（如施工區域、異常停滯車輛），需重新規劃行駛軌跡繞行通過。由于阻塞事件本身場景較為復雜，同時所在位置為無車道線刻畫的道路區域（如路口中央區域），主車無變道或繞行策略的參考車道信息，故無法執行繞行決策，

307、造成車輛不合理停滯。133圖 6.37 路口內施工圖 6.38 路口內施工繞行場景場景原理：1）路端發揮場景理解和長時觀測的優勢，獲取道路阻塞區域類型、區域范圍、區域分布及阻塞區域周邊車流狀態；2）路端或云端系統根據阻塞區域周邊歷史車流軌跡數據，選擇最優通過策略，生成適用于主車通行的推薦軌跡引導線及速度建議，發送給車端；3）車輛按照路云下發的軌跡引導線行駛脫離阻塞，如圖6.38所示。06 百度Apollo車路協同自動駕駛探索與實踐134應用效果：自動駕駛車輛順利繞行通過路口阻塞區域。（六）合作式代客泊車問題描述：無論是L2還是L4車輛在面對泊車場景時，因停車場環境復雜、定位信號缺失等問題可能會

308、存在安全隱患。此外，還需花費大量的時間尋找空閑車位導致效率低下，甚至出現排長隊的情況。場景原理：1）對停車場內合作式泊車巡航道路和專屬車位實現全面覆蓋，對停車場內車輛、行人、障礙物等目標進行檢測，并實時監測停車場車位占用情況；2）當人工主動申請或者車輛主動申請合作式泊車時，云端結合車端和場端的感知數據進行全局調度，給出全局導航路線支持車輛前往最近的空車位；3）車輛收到調度信息后進入低速自動駕駛狀態，能結合停車場的實際情況，實現停車場內低速自動駕駛，包含：直道巡航、彎道巡航、路口通過、上下坡、減速帶通過、低速跟車、固定場景障礙物繞行、定點停車等功能；4）當停車場內有彎道盲區時，場端智能終端會將計

309、算結果傳給車端，車輛可以主動減速慢行避免碰撞。應用效果：合作式代客泊車可以幫助車輛快速找到停車位，并且在駕駛員不參與操控的條件下，實現車輛自動駛入和駛出停車位。圖6.39-6.41分別展示了百度AVP代客泊車在北京亦莊的建設情況。圖 6.39 北京亦莊管委會AVP車位路線示意圖135圖 6.40 北京亦莊管委會地面&地下AVP專用停車位圖 6.41 AVP智能套件示意圖（七）編隊行駛問題描述：自動駕駛編隊行駛場景中，編隊組織形式為編隊領隊車輛及編隊成員車輛，編隊領隊車輛根據云端控制指令，實現發起編隊或解散編隊；成員車輛決定是否加入或離開編隊。場景原理：1）編隊實現方式：在組成編隊之前，編隊頭車

310、確認發起編隊的請求后，會將本車的目的地、編隊ID、編隊速度、跟車距離等信息實時廣播給所有周邊車輛，周邊車輛確認加入該編隊后，根據跟車對象位置和距離信息重新規劃路徑，計算并控制速度合入編隊，直到加入編隊后，按照編隊統一推薦的規劃信息（推薦速度、推薦車距、推薦車道）保持一致的行駛狀態；2）編隊解散方式：編隊領隊車輛接收到云端的解編消息，廣播解編請求給編隊各車；成員車輛自動離開編隊，離開編隊后重新規劃路徑駛向原目的地。06 百度Apollo車路協同自動駕駛探索與實踐136圖 6.42 編隊行駛場景圖 6.43“5G云代駕”Robotaxi應用應用效果：在昌九高速項目中，百度和合作伙伴共同實現了編隊車

311、輛行駛，完成了單車和編隊能力驗證。在60km/h速度下基本展示自動駕駛編隊能力，實現了3車組成編隊、跟隨、減速、加速、解散編隊等應用。6.2.4 車路協同控制實踐6.2.4.1 控制車輛：“5G云代駕”自動駕駛車輛在實際運營過程中會面臨臨時道路變更或交通管制等特殊情況，在5G環境下，基于高帶寬、低延時、穩定性強的數據連接，遠程駕駛員可以通過5G云代駕控制臺像駕駛汽車一樣通過方向盤和踏板控制車輛，實現車輛的遠程遙控駕駛，幫助車輛解決問題。如圖6.43所示，因需要“5G云代駕”介入的極端場景并不是經常出現，所以云端駕駛員一個人可以同時為多輛車服務，降低自動駕駛車的運營成本?！?G云代駕”目前已在北

312、京、上海、廣州、成都等多個城市落地應用，2022年4月28日，北京率先允許自動駕駛車輛“方向盤后無人”，11月21日，北京發放自動駕駛無人化通知書，百度是首批獲準企業，正式開啟前排無人測試，“5G云代駕”將會全方位保障自動駕駛安全和乘客出行安全，改善乘坐體驗。137圖 6.44“5G云代駕”智慧礦山應用圖 6.45 公交車專用信號燈“5G云代駕”技術同時可以應用在泊車、低速無人車、礦卡、港口、特種作業等多個場景，以礦山為例，可以通過“5G云代駕”實現礦山裝-運-排自動化作業（如裝/卸載區排隊、自動化對鏟、空/重載運輸、沿幫排土等），單輛車年運載成本節省百萬以上。6.2.4.2 控制基礎設施（一

313、）單點控信號燈優先通行在實際交通運行環境中，經常遇到特種車輛（事故救援、醫療救護、警衛保障）執行特殊任務，需要賦予這些車輛一定的優先通行權，為特種車輛節省時間；同時，公交車、大巴車這一類車輛具有公共交通屬性，從節能減排和交通效率的角度考慮也可以賦予這些車輛一定的優先通行權，避免交通擁堵。問題描述：為應對醫療、消防、應急等特種車輛的緊急出行任務，開通“綠波生命救援通道”的需求十分迫切。當前，特種車輛通行過程中，存在社會車輛難以感知無法提前讓行、交叉口搶行安全隱患大、人工操作無法實現全局精準調配等難題。比較常用的做法是在道路上設置優先通行車輛的專用信號燈，如圖6.45所示，這種方案需要在信號燈桿上

314、額外掛信號燈，導致路端設備太多。06 百度Apollo車路協同自動駕駛探索與實踐138圖 6.46 特種車輛優先通行應用效果場景原理：基于車路協同的車輛優先通行總體原理如下：1）特種車輛在出發前通過導航向平臺提交優先通行申請，平臺會為車輛制定最優化路徑和實時導航服務；2）車輛向平臺實時報送位置信息（或者路端對道路車輛進行實時檢測，識別車輛），平臺結合車輛所在位置，對車輛前方路徑車道內的車輛進行導航優化或控制，避讓特種車輛；3）特種車輛接近路口時，路端系統對車輛所在車道信號燈相位進行優化控制（如綠燈延長的方式），給予特種車優先通行權。應用效果：以北京亦莊某項目為例，通過VICAD為特種車輛的快速

315、、安全通行提供必要的“綠色通道”，如圖6.46所示，車輛實現不闖紅燈、交通秩序影響最小化的相對優先出行，從而提升交管部門服務水平、充分保障整體交通效益。（二）干線/區域控信號燈綠波通行問題描述：車輛在路口經常因為遇到紅燈而造成停車等待，會降低整體交通的運行速度和通行效率。場景原理：車路協同通過對交通整體運行情況進行監測、預測和分析，同時結合車輛的位置、信號燈調控周期、交規限制等因素，為車輛制定個性化通行建議（如建議車速），讓車輛可以連續綠燈通過多個路口，最大可能降低車輛停車次數，提高車輛平均速度和交通整體通行效率，減少交通擁堵概率。139（二）干線/區域控信號燈綠波通行問題描述：車輛在路口經常

316、因為遇到紅燈而造成停車等待，會降低整體交通的運行速度和通行效率。場景原理：車路協同通過對交通整體運行情況進行監測、預測和分析，同時結合車輛的位置、信號燈調控周期、交規限制等因素，為車輛制定個性化通行建議（如建議車速），讓車輛可以連續綠燈通過多個路口，最大可能降低車輛停車次數，提高車輛平均速度和交通整體通行效率，減少交通擁堵概率。場景流程：該場景的具體實現步驟如下：1)收集一段時間內道路的交通流量、延誤時間、平均速度等交通指標數據；2)從控基礎設施的角度，可根據對交通指標數據的分析，優化信號燈周期，并設計通過干線綠波的理論車速；3)將建議車速發送給車輛，車輛結合自身位置、運行狀態等信息，可以綜合

317、制定更加合理的通行速度；4)車輛按照決策和控制指令連續綠燈通過路口，提高了行駛效率。設計車速30KM/H路口A路口B路口C路口D設計車速32KM/H設計車速30KM/H車輛位置建議車速 33KM/H自動駕駛云平臺路口A路口B路口C路口D干線綠波設計車速圖 6.47 車速誘導應用效果：基于北京亦莊各個路口的實際交通流數據，分別采用自適應控制方法，以及基于GNN的數據預測與補全方法（原理見圖6.48），對區域信號燈進行優化控制性能比較，如表6.4所示，全天延誤表示0點至24點內的平均延誤；早高峰延誤表示早7時至9時內的平均延誤；平峰延誤表示10時至16時內的平均延誤。結果表明，基于GNN的數據預測

318、與補全方法，在不同時段內均可有效提升交通通行效率，降低車均延誤。表 6.4 基于GNN預測的區域信號控制與自適應區域信號控制對比（亦莊）26.3140.4615.0424.6834.4313.706.21%14.91%8.93%全天延誤(s)早高峰延誤(s)平峰延誤(s)評估指標自適應控制GNN預測+全息路口方案提升效果06 百度Apollo車路協同自動駕駛探索與實踐140圖 6.48 基于GNN流量預測的區域信號控制示意圖8總結與展望07 07 總結與展望142綜合全文來看：（1）車路協同自動駕駛可以讓自動駕駛更安全、支持管理或擴展自動駕駛ODD、實現完全無人化自動駕駛安全運營，還可以兼容當

319、下，為低等級自動駕駛提供多樣化支撐應用，加速自動駕駛規模商業化落地。VICAD在全方位支撐保障L4無人化安全運營的同時，還可以向下兼容為存量L2等低等級自動駕駛提供智能網聯服務，加速汽車智能化與網聯化協同發展；（2）智能道路是發展車路協同自動駕駛的關鍵核心，也是短板，需要對道路進行智能化分級，并分步驟統籌建設部署高等級智能道路，高等級智能道路應具備協同感知、協同決策規劃和協同控制能力。結合城市、高速公路、鄉村等差異化駕駛和出行需求，應對道路進行智能化分級，并統籌制定差異化建設部署方案，優先在東部沿海大中型城市和部分具備條件的高速公路建設部署高等級智能道路，支持自動駕駛協同感知、協同決策規劃和協

320、同控制，加速L2、L4車輛在城市、高速等交通環境下規模商業化落地；（3）應主要從宏觀社會經濟的角度來評估高等級智能道路的收益，包括減少交通事故、提高交通效率、帶動地方和區域經濟發展等維度，按此方式估算高等級智能道路的綜合投資收益率普遍高于5倍以上。道路具有較強的不可再生和公共服務屬性，所以建設高等級智能道路的經濟性更應該從宏觀社會經濟的角度進行評估測算。高等級智能道路在總投資成本方面主要包括道路基礎設施的升級改造和云服務設施建設運維費用；總收益可以從減少交通事故、提高交通效率、帶動地方和區域經濟發展等維度進行綜合測算。在所有車輛智能網聯化、高等級智能道路完全覆蓋的情況下，高等級智能道路的投資收

321、益率普遍高于5倍以上。SECTION 17.1觀點總結SECTION 27.2發展展望建設高等級智能道路、大力發展車路協同自動駕駛、構建安全便捷高效的智能化出行服務體系，符合人民對美好生活向往的客觀需求，是建設現代化經濟體系的內在需要，也是全面建成社會主義現代化強國的有力支撐。但車路協同自動駕駛規模商業化落地是一個循序漸進、由局部到整體，從量變到質變逐漸發展的過程：首先，需要實現關鍵技術突破，如車路高效通信、云控平臺研發、車路協同系統建設等；其次，智能車輛的滲透率和智能道路覆蓋率需要達到一定水平；再次，需要在政策法規和標準方面提供充分的保障支持。143圖 7.1 車路協同自動駕駛規模商業化落地

322、愿景目標注：1）高等級智能道路占比：國內大中型城市及高速公路高等級智能道路（C4、C5）的占比2）L2及以上新車占有率：L2及以上等級自動駕駛汽車年銷售量占比2025近期目標部分城市或高速規?；涞厝珖笾行统鞘信c高速實現規?；涞厝珖笾行统鞘信c高速實現全面規?；涞?030中期目標2050遠期愿景年份自動駕駛規?；逃酶叩燃壷悄艿缆氛急龋?%L2新車占有率：50%高等級智能道路占比：30%L2以上新車占有率：90%高等級智能道路占比：90%L2以上新車占有率：100%以車路協同自動駕駛完全規模商業化作為愿景目標，可以分為三個階段實施，如圖7.1所示：（1）近期目標：預計到2025年，VIC

323、AD在部分先行城市和高速公路實現規模商業化落地。在建有高等級智能道路的城市、區域或高速公路，實現L2及以上等級的自動駕駛車輛的連續行駛，在該階段城市道路和高速公路中C4及以上高等級智能道路里程占比達到5%，L2及以上等級新車年銷量占比超過50%；（2）中期目標：預計到2030年，國內大中型城市和高速公路中C4及以上高等級智能道路里程達到30%，L2及以上新車年銷量占比達到90%，L2及以上自動駕駛車輛在城市和高速公路智能道路可實現大規模商用；（3）遠期目標：預計到本世紀中葉，國內大中型城市和高速公路中基本實現超過90%的C4高等級智能道路覆蓋，L2及以上新車年銷量占比達到100%，L2及以上自

324、動駕駛車輛在全國大中型城市和重要高速公路智能道路上都能實現連續自動駕駛。07 總結與展望144SECTION 37.3發展建議全球范圍內VICAD仍處在探索與發展的初級階段，還有諸多挑戰與困難需要行業多方協同，共同攻克。（1）車路云深度融合形成高維復雜系統，需要構建基于系統工程的功能安全和預期功能安全體系。車路協同復雜系統需要解決大規模移動接入、多層次互操作、低延時、高安全可靠等一系列問題，尤其是要適用各種復雜場景，如地域（南北城市差異）、工況（高速、城市、鄉村、停車場等重點區域）、環境（晴天、雨天、雪天、霧霾等天氣）和范圍（典型場景、邊角場景、事故場景等多種類型）等。因此需要基于系統工程的角

325、度構建車路系統自動駕駛功能安全和預期功能安全體系，明確系統架構、系統功能、應用場景和服務內容，對系統的設備設施提出明確的功能要求、性能要求、數據要求、安全要求，以保障車路協同自動駕駛安全可靠運行；（2）道路智能化與駕駛智能化發展不夠協同，需要加快建設部署高等級智能道路，提升智能道路覆蓋率，服務于車路協同自動駕駛、智能交通管理和智慧城市建設。目前國內部分城市和高速公路已經規劃建設了一批自動駕駛封閉測試場、開放測試道路，但這些都還處在小范圍測試驗證和應用示范階段，道路的感知定位、車路信息交互等方面的能力還不能滿足自動駕駛的需求，更不具備協同決策或協同控制的能力，難以滿足高等級自動駕駛對數據精度、數

326、據質量的要求，因此需要建設高等級智能化道路，以推進自動駕駛規模商業化落地應用；（3）需要提升網聯終端滲透率，并持續探索車路通信演進技術，支持車路協同自動駕駛及更加多樣的車路協同應用。在提升滲透率方面，建議推進城市及高速公路RSU部署，同時加速提升C-V2X前裝量產。以城市場景作為示范，推進單城或單區域規模部署，降低邊際成本。針對網聯車端，可通過政府車輛、社會營運車輛率先搭載OBU，并給予一定政策補貼；同時，面向廣大普通用戶，以提升用戶體驗感為目標，通過如后視鏡、手機支架等后裝C-V2X產品形態，及與APP、小程序和導航地圖結合，推送C-V2X信息功能。在車路高效通信技術演進方面，基于LTE-V

327、2X的車載通信設備和路側通信終端能夠滿足DAY I和DAY II等標準確定的駕駛輔助類應用場景對數據交互的需求，但是高等級車路協同自動駕駛需要路側協同感知或協同決策控制，車路之間的數據交互數據量更大、頻率更高，需要更高性能的車路通信技術提供支持和保障，比如NRV2X或5G，時延要求10ms以內，傳輸可靠性不低于99.9%；（4）車路協同自動駕駛需要跨行業、跨地域互聯互通，并不斷探索開展應用服務創新和商業模式創新。在互聯互通方面，車路協同自動駕駛在具體推進過程中還有很多影響或限制因素，比如車輛數據開放應用、道路感知設施復用、道路信號控制數據使用、道路收費系統打通等，需要開展深入研究并逐步推進。在

328、應用服務創新和商業模式創新方面，要學習DSRC推廣應用好的做法，也要總結 145 其不足和局限性，充分發揮C-V2X可演進的優勢，在服務于車路協同自動駕駛的基礎上，探索更多應用服務和商業模式；（5）政策法規和標準建設是引領和支撐車路協同自動駕駛發展的關鍵因素，應按照VICAD發展的不同階段，提前開展相關法規標準的研究和制定修訂工作。在政策法規層面，雖然國家和地方已積極出臺了關于自動駕駛的道路測試管理規定，一定程度上推動了全國范圍內自動駕駛公開道路測試進程，加快了自動駕駛應用的步伐。在標準層面，工業和信息化部、國家標準化管理委員會、交通運輸部、公安部歸口管理的相關標準化組織已經牽頭制定了不少自動

329、駕駛、智能網聯、車路協同相關技術標準，但是道路基礎設施、云控基礎平臺、功能安全和預期功能安全等車路協同自動駕駛核心技術標準仍需要加快研制，汽車、通信、電子信息、交通、安全等行業標準組織間也需要加強有效協同，盡快構建完善車路協同自動駕駛標準法規體系。8附 錄08 147附錄A：地圖參考位置協議地圖動態層數據的跨圖商、跨車企、跨模組無損且安全的流動是地圖更新必須考慮的關鍵要素，為了解決動態高精度地圖動態層中由于坐標系不一致導致的坐標偏轉、地圖版本不一致導致的變更信息不匹配等一系列問題，可以采用地圖參考位置協議的方式來解決。所謂地圖參考位置協議是通過定義一組相對靜止的有語義信息的地面標識特征位置作為

330、地圖參考點（例如導流區箭頭、停止線和車道線的交點等），在坐標傳輸過程中通過參考點ID加偏移值的方式進行傳輸，使用端利用線型參考值和自身存儲的靜態地圖數據解算動態地圖更新信息，避免原始坐標的網絡傳輸，保證數據安全，示意圖見圖A.1所示。地圖參考位置協議優勢如下：1）動態地圖信息無損地在多源異構地圖之間流轉：打通動態地圖信息流通壁壘，面向不同精度，不同圖商之間的多源異構地圖傳遞動態信息，保證地理信息的精度以及表達和理解的一致；2）傳輸過程中避免暴露原始坐標，加強地理信息安全：利用線型參考的方式避免直接傳輸地理坐標，降低信息被截取后反解算的可能性；3）提高傳輸信息的密度，簡化動態信息使用復雜度：利用

331、線型參考，可以使用幾個相對位置表達復雜矢量線數據，大大降低傳輸數據量；同時簡化了地圖匹配工作，簡化相對空間關系的計算復雜度?；贔renet坐標系的線型參考坐標系表達空間信息距離+偏移基于線型參考坐標系和參考點(RP)表達空間信息路口內：相對于RP的偏移值（x、y、h）路段中：相對于道路中心線的沿線參考值（s、l）AP-道路結構特征定位點RP-基于定位點的參考點APAPAPAPAPRPRP01ylxs（x、y、h）（s、l）RP02與參考點的差分距離與參考點的沿線參考距離參考線圖 A.1 基于參考位置的坐標體系08 附錄148附錄B：自動駕駛一體化安全評價實驗為實現對不同自動駕駛解決方案系統的

332、量化分析，本實驗基于自動駕駛仿真模擬器Carla二次開發了交通仿真平臺，支持模擬使用不同感知與決策控制算法的駕駛行為，并基于不同評價標準，對系統結果進行對比分析。通過對百度實際測試數據與自動駕駛領域公開數據集的分析與歸納，實驗選取了行人鬼探頭、無保護左轉、異常障礙物與異常交通情況四個典型場景，作為自動駕駛領域備受關注的安全問題與邊緣場景的代表。真實數據被用于建模各場景的初始參數分布模型，以在仿真平臺上渲染構建高保真的實驗場景。對每一個典型場景，均開展單車智能、車路協同感知、車路協同感知與決策控制三種對照實驗各1000次，并從安全和通過效率等評價維度，對實驗結果進行統計分析，為自動駕駛解決方案的

333、量化分析與評價提供理論參考。B.1 場景分布模型通過對百度Apollo提供的近三萬條真實交通流軌跡數據進行統計分析，采用最大似然估計等方法，擬合得到自由交通流狀態下的場景分布函數12。其中，非路口環境下的車頭時距分布為負指數分布：非路口環境下的車速分布滿足對數正態分布：路口環境下的車速分布符合對數正態分布：圖B.1 路口環境下的車速直方圖149在行人鬼探頭場景中，超參數0=v1,v2,d1,h2，其中v1為主車速度，v2為跟車速度，h2為車頭時距3，d1為主車與路端設備之間的距離，d2為后車與路端設備之間的距離并可以通過d2=d1+abs(v2-v1)h2計算。其中兩車速度v1，v2均滿足對數正態分布，行人速度假設為常值，h2的分布為負指數分布4，根據真實車輛數據狀態分布，推算d1的分布近似滿足均勻分布。圖B.2 行人鬼探頭圖B.3 無保護左轉 圖B.4 異常障礙物圖B.5 異常交通情況在