全息路面感知

一、行業背景
       為搶占市場先機，近幾年我國積極開展智能網聯汽車測試示范區的建設工作，實施制造強國、網絡強國和交通強國戰略，以便為車聯網產業提供充裕的測試環境和技術驗證手段，引領國際車聯網技術發展，在激烈的國際競爭環境中把握主動權。目前各地測試示范區建設已初具成效，充分利用各地地形、氣候差異，實現示范區的差異化發展，但在推進示范區建設中，規模示范應用與行業服務能力建設方面存在不足，技術成果轉換較慢且缺乏創新。為滿足以上國家戰略、經濟社會效益、產業發展、居民出行的要求，滿足車聯網產業對基礎環境標準化、行業服務能力、應用場景豐富性和運營管理能力等方面面臨的關鍵問題，需要加 速車聯網創新技術轉化及先導應用部署。
       在此背景下，2017年中國汽車工程學會發布了《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》，定義了17個Day I應用場景，5類V2X數據集，主要針對輔助駕駛（安全警告類）。2020年中國智能交通產業聯盟發布了《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）》，定義了13個DAY II應用場景，9類V2X數據集，主要針對路側感知（共享、引導、協作規劃類）。
       經統計，DAY I應用場景有13個采用V2I通信方式，DAY II應用場景中有9個采用V2I通信方式，這也從側面印證了車路協同技術對自動駕駛的重要性。 為了能夠將路側信息精準快速地傳遞到車端，需要采用具備高精度、低延遲、高穩定的傳感器和數據融合計算設備打造路側感知系統。
二、現狀分析
       當前國內車聯網先導區或示范區所采用的路側感知系統基本均為“前端感知設備+MEC”的組網架構，前端感知設備涉及的硬件包括視頻監測設備、交通監測雷達和氣象監測設備。攝像頭實現路口斑馬線，較近距離道路行人、非機動車、機動車的識別與預警;雷達實現路口各方向路段，中遠距離車輛非機動車的識別與預警;氣象監測設備用于探測周圍環境信息，服務于智能網聯汽車對外界環境的感知。MEC用于處理前端感知設備采集的環境數據并進行結構化，形成智能網聯汽車、云平臺、交通發布系統等可識別的數據信息。
       由于交通場景的復雜程度不同，路側感知環境需求也不盡相同，根據前端感知設備的差異，大致可分為如下三種建設方案：
1、毫米波雷達+激光雷達+攝像機方案：可實現對交通路況的原始信息感知，進而通過邊緣計算能力，對數據進行處理，形成局部感知和統計結果，支撐路側智慧應用。存在造價高，對MEC性能要求高等劣勢，一般僅局部部署。
2、毫米波雷達+攝像機方案：可實現對行人、車輛、交通事件的檢測和監控，路側設備將傳感器的原始數據進行處理、融合，最終得到盲區交通目標信息，通過智能路側終端將該信息發送至智能網聯車輛，車內的智能車載設備根據實際情況給駕駛員告警。MEC需要攝像機視頻圖像進行目標提取，并將結構化數據投放到雷達坐標中，存在數據延遲明顯、MEC功耗高等弊端，還未能成熟落地。
3、攝像機方案：可實現對行人、車輛、交通事件的檢測和監控，終得到盲區交通目標信息，通過智能路側終端將該信息發送至智能網聯車輛，車內的智能車載設備根據實際情況給駕駛員告警。由于攝像機采集視頻清晰度易受天氣影響，無法保證全天候運行，同時MEC需要對視頻圖像進行目標提取，容易產生數據延遲，故該方案僅適用于環境需求不高的路段，無法廣泛推廣。
鑒于上述方案的局限性，為解決當前面臨的問題，我司對路側感知應用場景和數據標準深入剖析，結合國內路況特點，推出了基于雷視融合的全息路側感知解決方案，如下將進行詳細介紹。
三、系統架構
       基于雷視融合的全息路側感知系統架構遵循C-V2X的技術架構，前端感知設備采用雷視融合一體機，即可實現對路口、路段機動車、非機動車、行人及交通事件的全天候檢測和監控，雷視融合一體機直接輸出交通流矢量化數據，通過目標融合邊緣服務器可對雷視數據做深度融合，輸出路側全息感知數據，同時還可部署滿足C-V2X多數路側應用場景的算法模型，在低延遲、低功耗、低成本的前提下，實現人車路高效協同。
四、應用場景
       基于雷視融合的全息路側感知方案可滿足C-V2X行業標準中定義的絕大多數場景應用需求，顯著提升自動駕駛的安全性、時效性和舒適度。例如交叉口碰撞預警、左轉輔助、前方擁堵提醒等11個DAY I應用場景和協作式變道、協作式交叉口通行、特殊車輛優先等9個DAY II應用場景，均可采用雷視融合一體機作為路側感知設備，采集輸出路側交通流的即時數據、統計數據、事件數據，為邊緣計算服務器場景應用模型提供數據支撐，輔助系統控制和高效決策。以下對常用的4個場景進行示例說明：
場景示例1：前方擁堵提醒
道路在車流量大、路段管制或交通事故等情況下容易發生擁堵，未到達的車輛往往要開到擁堵路段時才發現道路擁堵事件，從而進一步加劇道路的擁堵，如果擁堵事件發生在彎道或隧道等特殊路段，車輛還可能會因為反應不及而發生交通事故，造成更大的損失。
       在基于雷視融合的全息路側感知系統中，邊緣計算服務器可以從部署在擁堵路段的雷視融合一體機實時獲取交通路況及擁堵信息，然后通過路側單元快速下發至周邊車輛，提醒車輛減速避讓或選擇其他行駛路線，達到緩解道路擁堵、避免交通事故發生的目的。在該場景中，道路擁堵狀況的初步判斷和預警信息的下發都在邊緣側獨立完成，同時事件也會上報給云端進行統計和顯示，由中心云與公安交管中心系統進行信息交互，便于交通指揮人員掌握路況全局信息。
場景示例2：弱勢交通參與者碰撞預警
       車輛行駛到路口時一般要減速，防止與行人或非機動車碰撞。但由于駕駛者的視覺盲區或行人不守交規現象的存在，路口事故仍然頻發。
       在基于雷視融合的全息路側感知系統中，路口部署的雷視融合一體機可對穿行行人和車輛實時檢測，邊緣計算服務器基于行人的實時位置和信號燈的狀態進行計算，將紅燈或靠近車道的行人信息通過路側單元下發至周邊車輛，協助駕駛者做出減速決策。邊緣云也可以將初步分析后的行人數據上報給中心云，中心云根據大數據預測行人行動軌跡，將離路口有一定距離、但正在接近路口的行人信息追加發送給車輛，進一步降低了事故發生率。在該場景中，邊緣云快速響應路口實時出現的意外狀況，中心云統一處理計算量大、俯瞰全局的數據，做到交通數據的最大化利用。
場景示例3：異常車輛提醒
       不文明駕駛行為是影響道路出行安全的主要因素之一，為了糾正駕駛人違章行為，可借助雷視融合一體機對異常車輛進行檢測，一旦監測到道路上的超速行駛、逆行、長期占用應急車道、頻繁變道、異常停車等行為，將預警信息通過路側單元下發至周邊通行車輛，防止引發交通事故，造成不必要的人員傷亡和經濟損失，同時邊緣云還可將異常車輛取證信息（如關聯視頻、圖片、即時數據）等上傳至中心云，由中心云與公安交管中心系統進行信息交互，通過進一步分析判別，依法完成對違章事故的處置和處罰。
場景示例4：匝道合流輔助
       據統計，我國高速公路上有一半的事故發生在匝道口處。高速公路出口區域上游或下游路段通常還設有高速公路入口，在出、入口附近的路段，駛離、駛入、駛過高速公路的三股不同流向、不同速度的車流交織，形成了車輛間橫向干擾，剛駛入的車輛與欲駛離的車輛速度相對較低，與主線正常通行車輛間又形成了縱向干擾。行車環境的復雜性，導致高速公路出口區域易發交通事故，加之有些駕駛人在匝道處突然變道、停車、倒車等，瞬間加劇了行車的危險性。
       通過在匝道合流處部署雷視融合一體機，對主路和匝道同時進行監測，對路面上的人、車、障礙物的位置、方向、速度等信息識別并上傳，邊緣云可將融合后的路況信息通過路側單元下發至匝道口周邊車輛，以便車輛能夠及時獲取到匝道口匯入匯出的道路態勢，增強車輛對周邊環境的感知范圍和距離，從而避免交通事故的發生。同時邊緣云還可將當前路況信息上傳至中心云，由中心云與公安交管中心系統進行信息交互，協助交管部門完成道路監管工作。
六、系統優勢
1、低延遲
       視頻數據與雷達數據的融合直接在雷視融合一體機中完成，無需再通過專業處理器對視頻目標進行提取分析和坐標映射，最大限度降低數據延遲，數據延時可控制在50ms內，充分滿足車路協同場景下時效性需求。
2、高精度
       雷視融合一體機采用先進的信號調制方式，能夠準確識別機動車、非機動車、行人的實時位置、速度、方向等信息，通過設置多維檢測斷面生成高置信度的交通流統計數據，并基于道路態勢對異常事件精準感知。基于雷視融合的路側感知系統對斷面交通流的統計和異常事件識別的精度均在98%以上。
3、易標定
       雷達與視頻所采集的交通目標航跡、坐標、方位、速度等數據在雷視融合一體機中通過內置AI芯片完成深度融合，輸出的即為全局矢量化數據，借助自研的標定工具，單臺雷視融合一體機的標定工作可在30分鐘內完成，可顯著降低調試難度，節省工程時間，更適合大規模部署安裝。
4、全室外
       基于雷視融合的路側感知系統無需對視頻目標單獨提取，雷視融合一體機平均功耗低至12W，同時MEC采用“ARM+NPU”低功耗高性能架構和自散熱機體結構，不存在因風扇散熱導致灰塵進入的弊端，系統整體更適合在室外長期穩定運行，有效保護用戶投資。