摘要
随着智能驾驶技术的研究与发展，单车智能感知的局限性逐渐显现出来，基于 V2X 的感知技术解决了单车感知 在遮挡等场景下的局限性。介绍一种基于 V2I／V2N 的感知融合系统技术方案，阐述其在智能驾驶系统中发挥的作用。重点讨论路侧感知与车载感知融合技术的算法架构及功能，研究利用 V2I／V2N 技术搭建智能网联汽车感知系统的可行性，研究基于 V2I／V2N 的感知融合系统在前车跟车行驶场景、车辆穿越交叉路口场景、高速路匝道车辆汇入场景三种典型场景下的应用。可以为车路协同感知技术应用研究提供参考。
感知系统是智能驾驶汽车的核心组成部分，为决策与规划单元提供周围环境信息，为智能车辆的控制执行动作提供依据。感知融合系统集合多个异构传感器的检测信息，克服了单个传感器的感知局限性，实现智能驾驶系统的强鲁棒性，基于多源异构传感器融合的感知技术已成为智能驾驶的研究热点。对于L4以上的高级别自动驾驶系统，单车感知实现的技术难度呈指数级上升，成本显著增加，单车智能的高级别自动驾驶技术发展陷入瓶颈。车用无线通信技术V2X(VehicletoEvery-thing)的提出，为智能驾驶车辆适应复杂路况带来了技术解决途径，成为智能驾驶重要的技术发展方向。V2X主要包括车与基础设施V2I(VehicletoInfrastructure)、车与车V2V(VehicletoVehicle)、车与人V2P(VehicletoPeople)、车与网(VehicletoNetwork)等，车辆通过V2X技术与周围设施、车、人及网络等进行通信，搜集周围环境信息，增加车辆感知信息量，为车辆的决策与规划提供可靠支撑。
当前交通场景中，红绿灯、交通指示牌、路侧传感器等路侧基础设施进行通信可以通过V2I技术与智能车辆通信。在重要的道路节点布设应用，可降低事故概率、减少拥堵，提高道路通行效率。路侧传感器可以“上帝视角”的超视距感知能力弥补车载感知系统的盲区，实时获取附近区域交通信息。车载计算单元的计算资源有限，高级别智能车辆无法处理海量的感知信息，可通过V2I技术，利用布设在道路旁的分布式计算资源，提升智能汽车感知信息处理能力。V2N主要是车与云平台通信，云平台可以提供道路管控、路网规划等信息，为智能驾驶车辆提供全局规划和决策依据。
本文内容为基于V2I／V2N技术开发智能驾驶感知融合系统，融合路侧感知与车端感知信息，利用路侧分布式计算资源，增强智能汽车感知系统的鲁棒性，力求提出适应于智能汽车与非智能车辆混合交通场景的感知融合系统架构。
1 基于V2I/V2N的感知融合系统架构
1.1 系统架构设计
基于V2I／VWN的感知融合系统架构如图1所示。基于V2I／V2N的感知融合系统，利用V2I通信技术将路侧感知与车载感知连接在一起，采用在路端布设毫米波雷达、激光雷达及摄像头，组成路侧感知子系统，利用毫米波雷达、摄像头、激光雷达、组合导航等感知设备构建车载感知子系统，系统感知中心单元放置于车端，为智能汽车的决策与控制部分提供有效的目标信息。云平台为智能汽车、路侧设备、交通管理者等提供定制化服务，
图1 基于V2I／V2N的感知融合系统架构
如区域地图、天气预告、前方拥堵、交通管理及区域规划等。边缘计算是指在靠近用户终端设备的网络边缘处理和存储数据，就近为用户提供可靠稳定的服务的一种计算模式。可以通过V2N技术实现智能车辆、路侧设备、交通地图、交通服务商等连接起来，通过局域优化方式规划智能汽车的行车路线，实现智能汽车的节能控速、绿波通行等功能。在车端与路端布设5G通信终端和OBU(车载单元)和RSU(路端单元)，组成V2I／V2N通信单元，实现低延迟、大带宽的通信能力，以支持多种场景的应用需求。不同的交通场景对感知的需求存在差异，感知融合系统的信息接入方式应采用模块化方式设计，在不同的场景需求条件下可以灵活配置感知模块。
1.2 感知融合算法架构
当前主流的车载和路侧传感器工作方式不相同，不同的传感器输出的信息量存在差异。毫米波雷达输出目标列表信息，摄像头输出原始图像，激光雷达输出原始点云，云平台APP等这类虚拟传感器输出的是决策级信息。为兼容接入不同传感器的数据，搭建一个灵活的多传感融合算法框架尤为重要。在路端，将多个摄像头的数据进行数据融合，以获取更大区域的图像信息，并提取感兴趣区域(Region of Interest，ROI)，通过灰度化和阈值分割等处理提取ROI目标特征。对于激光雷达点云数据，分割地面点云与目标点云，并对ROI的点云滤波与聚类。在融合阶段，将经提取后的图像数据与激光雷达ROI点云数据融合。毫米波雷达数据经滤波去干扰后接入路侧感知融合单元，最终输出路侧的感知目标信息。车端感知部分，摄像头与激光雷达采用特征融合方式融合，分别提取两个传感器数据的ROI目标特征，采用投影处理的方式将ROI点云与图像融合在一起，利用深度学习网络算法完成融合数据的目标检测与识别。车载毫米波雷达输出目标信息，滤除噪点后直接与摄像头及激光雷达的检测结果融合。车载组合导航提供本车定位信息接入融合单元，提供高精度位置及时间信息。智能网联汽车的总的感知融合单元布置与车辆中央计算单元端。云平台的服务APP作为虚拟传感器，提供的决策级信息通过V2N接入车载感知融合单元。路侧感知融合单元输出的目标信息，通过V2I接入车载感知融合单元。基于V2I／V2N的感知融合算法架构如图2所示：
图2 基于V2I／V2N的感知融合算法架构
2 基于V2I／V2N的感知
融合系统典型场景应用
2.1 前车跟车行驶场景
本车(Subject Vehicle，SV)跟随前方车辆(Target Vehicle 2，TV2)行驶，而前方车辆(TV2)跟随其前方车辆(Target Vehi-cle 1，TV1)行驶。此类场景下，如果TV1车辆因紧急状况而采取紧急制动，SV车辆因受TV2车辆遮挡，而无法提前预知TV1紧急制动的状况。如图3所示：
图3 前车跟车行驶场景
利用V2I、V2N等技术，合理布局感知设备，可以使SV车辆获得透视感知能力。在路侧布设毫米波交通雷达、高清摄像头，交通雷达可以检测过往目标动态信息、逆行事件等，摄像头可以识别道路行驶车辆、行人横穿马路、路面事故等，两种传感器融合可以高效地检测TV1状态信息、TV2前方(SV的遮挡区域)的交通动态场景，路侧感知融合在MEC中完成，并将路侧感知信息通过V2I实时发送给SV，实现SV感知遮挡区域目标信息的功能。在车端布设前视摄像头、前视长距毫米波雷达，实时检测前方车辆TV2的运动状态，车载组合导航系统提供本车运动状态信息。云平台通过V2N向SV提供前方事故、前方临时交通管制等信息。车载感知融合单元汇总车载感知信息、路侧感知信息及云平台，实现SV跟车行驶、保持车距，并提前获取前方道路状况而做出预判，避免碰撞危险。如图4所示：
图4 前车跟车行驶场景下的感知融合架构
基于V2I／V2N的感知系统，SV通过路侧传感器和云平台获取被遮挡车辆TV1的加减速度信息和其前方路况，若探测到TV1的制动减速度大于一定的阈值或者TV1前方存在紧急事故，可预测TV1将紧急制动，SV可根据前车的距离、速度信息及相邻车道环境，采取适当的减速或者变换车道策略，避免紧急制动或者碰撞，这类结果对于保障大型客车或者货车的安全是非常必要的。
2.2 车辆穿越交叉路口场景
在繁忙的十字路口，多个道路的交通量汇入，交通参与者运动轨迹灵活多样，尤其是行人闯红灯穿越马路、非机动车辆不按规则行驶、遮挡区域运动的行人及车辆等难以检测，造成十字路口较容易发生交通事故。SV车辆经过十字路口时，需要提前获取红绿灯状态信息、路口行车标识线、盲区行人及车辆信息、冲突方向车辆行驶状态，以达到及时决策避免碰撞的目的。如图5所示。
图5 车辆穿越交叉路口场景
针对交通环境复杂的十字路口，应采用检测区域全面覆盖各个路口的传感器布局方案，以达到全方位检测行进区域冲突目标的目的，确保车辆安全通过路口。在路口各道路方向布设交通雷达，获取道路车辆排队长度、路口车辆速度、重点车辆轨迹等。同时各入口布设摄像头，识别斑马线的行人、道路标识、盲区目标分类。在路口布设可覆盖各方向的激光雷达，检测与识别进入路口的行人、车辆等目标。路侧传感器数据在MEC中完成数据融合，获取路口区域目标融合信息，通过V2I发送到车端，实现路口无盲区覆盖检测。交通灯、道路指示牌等通过V2I向车辆提供红绿灯状态信息、限速信息等，实现准确获取道路指示信息。云平台的高精地图通过V2N向车辆提供路口的车道线、斑马线、停车线及路口道路结构信息，帮助车辆实现精确定位、正确遵守道路指示等功能；区域规划服务，可为车辆提供区域规划的行驶路线和车速，实现节能控速、绿波通行等功能。
在车端，布设前视摄像头、前向毫米波雷达及激光雷达，两个传感器融合用于检测与识别前方车辆、行人目标，实现跟车行驶、前向碰撞预警等功能。角向雷达、侧向摄像头及激光雷达融合，协助车辆感知前方切入车辆、横穿马路的行人以及变道行驶。组合导航，提供本车的精确位置、速度、航向角等信息，实现高精度定位。车载传感器融合后的信息与路侧感知信息、道路设施信息、云平台信息汇总于车载系统感知融合单元，实现路口交通场景的全方位感知，为车辆决策规划提供可靠依据，确保车辆安全穿过十字路口。如图6所示：
图6 车辆穿越交叉路口场景下的感知融合架构
在穿过十字路口时，通过基于V2I／V2N的感知系统，SV车辆提前获取红绿灯状态计时信息和路口限速信息，提前规划车辆速度和路线，保证平稳行驶。通过路侧传感器获取遮挡区域行人、车辆信息、闯红灯车辆，提前规划行车路径以避开遮挡区域障碍。通过云平台获取区域规划及高精地图信息，与本车感知信息融合保障SV车辆无违章、按照既定行驶路线通过路口。
2.3 高速路匝道车辆汇入场景
高速路的匝道入口，引导车流汇入，收取车辆通行费用，限制车辆行驶速度，一般路面宽度较窄，短时间内汇聚多辆汽车，易发生拥堵与事故。匝道与高速路之间存在遮挡等，造成匝道车辆受遮挡而无法判断并入车道是否有车辆高速行驶，易造成碰撞。为避免此类冲突事件发生，匝道汇入车辆SV应具备感知受遮挡区域的主路车辆信息，根据主路车辆及时调整并道时机，安全稳定地进入主路。SV与路侧ETC实时通信，实现不停车缴费，提高匝道通行效率。同时，SV应及时感知前车运动状态的能力，保持安全距离，安全跟车行驶，在变换车道时感知相邻车道前后车辆运动状态信息，为SV汇入主路提供决策依据。如图7所示：
图7 高速路匝道车辆汇入场景
在路侧，布设交通雷达实时检测主路冲突车道车辆运动信息，并跟踪潜在冲突车辆的运动轨迹。布设路侧高清摄像头，实时监控及识别应急车道特殊车辆、冲突区域车辆类型、车道标识等。交通雷达与路侧高清相机实时融合，实时检测主路交通信息，通过V2I下发到车端。路侧限速标识、ETC等设施，通过V2I与车辆实时交互，提供道路限速预警及高速收费信息；在车端，布设前视摄像头和前视毫米波雷达，实时监控前车运动状态，确保SV安全跟车。安装角向雷达、后视摄像头及侧视摄像头，检测主路汇入车道车辆运行信息，协助SV变道进入主路。组合导航设备提供本车的速度、航向、时间同步等信息，为传感器融合中的时空同步提供基准信息。路侧感知信息、道路基数设施交互信息及车辆感知信息，在车端完成信息融合，实现SV车辆透过障碍物感知主路车辆信息，实时监视周围环境，并具备不停车缴费的功能。如图8所示：
图8 高速路匝道车辆汇入场景下的感知融合框架
基于V2I／V2N的感知框架，SV行驶在匝道欲汇入高速主路时，通过路侧ETC完成不停车计费，提高匝道通行效率；提前获取匝道限速、弯道曲率，规划行车速度和行车方向控制，保证车辆平稳行驶；本车传感器获取前车运动信息，保持安全行车间距和速度；利用路侧感知信息，提前感知主路冲突车道的车辆运动信息，规划好切入主路时机，保障车辆安全汇入主路。
3 结束语
本文研究了智能汽车感知融合系统技术，并基于V2I／V2N技术，提出了一种通用性强的模块化感知融合系统架构。研究表明，基于V2I／V2N的感知融合系统可适用于多种交通场景，可满足车辆感知遮挡区域、实时与路侧基础设施交互、实时检测车辆周围环境及实时获取区域路网服务信息的需求，为车辆安全行驶、高效通行提供保障。本文提出的基于V2I／V2N的感知融合系统技术，将用于ADAS＋感知融合项目，应用成果将在后续论文发布。