智能網(wǎng)聯(lián)云控車路協(xié)同的研究實(shí)踐

1、智能網(wǎng)聯(lián)車路云一體化融合系統(tǒng)的研究實(shí)踐目錄1車路云一體化融合系統(tǒng)2云-路多傳感器協(xié)同感知3云-車預(yù)測(cè)性巡航控制42下一步的研究方向1智能網(wǎng)聯(lián)車路云一體化融合系統(tǒng)ADAD自動(dòng)駕駛車路協(xié)同車路云一體化ADAD34路側(cè)信息融合路側(cè) 智能系統(tǒng)智能網(wǎng)聯(lián) 汽車云控基礎(chǔ) 平臺(tái)02 65789103次序規(guī)劃路徑規(guī)劃速度規(guī)劃ADAD路網(wǎng)多車協(xié)同41邊緣信息融合協(xié)同應(yīng)用計(jì)算標(biāo)準(zhǔn)互聯(lián)互通協(xié)議/接口/消息系統(tǒng)實(shí)時(shí)精確數(shù)字映射實(shí)時(shí)精確數(shù)字映射交通狀態(tài)路側(cè)/車輛信息車輛與交通信號(hào)指令智能網(wǎng)聯(lián)車路云一體化融合系統(tǒng)1智能網(wǎng)聯(lián)車路云一體化融合系統(tǒng)基于車路云一體化融合系統(tǒng)，可以實(shí)現(xiàn)對(duì)智能駕駛、智能交通的全面支撐邊 緣 云態(tài)勢(shì)感知

2、 全局優(yōu)化 大數(shù)據(jù)分析交通流 智能交通 應(yīng)急管控02 65789103次序規(guī)劃路徑規(guī)劃速度規(guī)劃路段多車協(xié)同41邊緣信息融合協(xié)同應(yīng)用計(jì)算標(biāo)準(zhǔn)互聯(lián)互通 協(xié)議/接口/消息系統(tǒng)實(shí)時(shí)精確數(shù)字映射交通狀態(tài)路側(cè)/車輛信息車輛與交通信號(hào)指令 區(qū) 域 云路側(cè)信息融合智 能 網(wǎng) 聯(lián) 汽 車ADAD實(shí)時(shí)精確數(shù)字映射中 心 云 路 側(cè) 智 能 系 統(tǒng)5G基站51路口多車協(xié)同基于新一代移動(dòng)互聯(lián)、云計(jì)算等手段，通過(guò)網(wǎng)聯(lián)化的跨域感知和融合控制，打通智能汽車和智能交通 兩大領(lǐng)域，顯著提升道路交通的綜合性能，構(gòu)建起“三層四級(jí)”云控系統(tǒng)架構(gòu)。三層四級(jí)云控系統(tǒng)架構(gòu)三層服務(wù)架構(gòu)：基礎(chǔ)層、 平臺(tái)層與應(yīng)用層四級(jí)物理架構(gòu)：車載端、 邊緣云

3、、區(qū)域云與中心 云的車路云一體化融合系統(tǒng)的“三層四級(jí)”架構(gòu)16目錄1云控系統(tǒng)架構(gòu)方案2云-路多傳感器協(xié)同感知3云-車預(yù)測(cè)性巡航控制47下一步的研究方向車載感知特點(diǎn)：第一人稱視角遮擋問(wèn)題嚴(yán)重部署成本高昂非網(wǎng)聯(lián)車輛多路側(cè)感知特點(diǎn)：第三人稱視角融合消除盲區(qū)部署成本低廉感知視野固定車路云協(xié)同感知8特點(diǎn)：上帝全局視角意圖識(shí)別準(zhǔn)確便于風(fēng)險(xiǎn)評(píng)估支持云端協(xié)控路側(cè)多傳感器協(xié)同感知2激光感知相機(jī)感知毫米波感知時(shí)間同步空間同步插值補(bǔ)償坐標(biāo)轉(zhuǎn)換傳感器靜態(tài)協(xié)同同一路側(cè)系統(tǒng)重疊區(qū)域關(guān)聯(lián)匹配數(shù)據(jù)融合不同路側(cè)系統(tǒng)(非)重疊區(qū)域狀態(tài)估計(jì)軌跡跟蹤傳感器動(dòng)態(tài)協(xié)同路側(cè)多傳感器協(xié)同感知的研究思路92路側(cè)多傳感器協(xié)同感知的挑戰(zhàn)2挑戰(zhàn)：目

4、標(biāo)跨域軌跡的連續(xù)跟蹤問(wèn)題ID:28ID:26ID:35目標(biāo)車傳感器云平臺(tái)物理世界的數(shù)字孿生阻礙ID:42ID:37ID:39AD目標(biāo)身份不一致10目標(biāo)級(jí)數(shù)據(jù)的格式可被利用的信息：Timestamp目標(biāo)屬性（Id、Type、Location、Velocity）人、車、非機(jī)動(dòng)車 軌跡信息ID基 于 多 傳 感 器 數(shù) 據(jù) 的重 新 分 配運(yùn) 動(dòng) 目 標(biāo) 的 絕 對(duì) 位 置、速 度、 朝 向基 于 概 率 的 目 標(biāo) 類 型 決 策112路側(cè)系統(tǒng)重疊區(qū)域的協(xié)同感知Camera 2 FOVCamera 1 FOV雙向投影2路側(cè)系統(tǒng)重疊區(qū)域的協(xié)同感知實(shí)際道路21單應(yīng)矩陣12檢測(cè)點(diǎn)投影點(diǎn)12雙向匹配匹配策

5、略Camera 1Camera 2檢測(cè)點(diǎn)集P1檢測(cè)點(diǎn)集P21221Camera1 匹配Camera2 匹配投影點(diǎn)集P1投影點(diǎn)集P2Camera1 單向匹配矩陣Camera2 單向匹配矩陣匹配雙向匹配矩陣待定不做匹配ID1 ID2111213211002200123000ID1ID211121321100220102300013221222131221112111匹配矩陣單向匹配矩陣：二維MN矩陣，行列分別表示兩相機(jī)中目標(biāo)的ID二值矩陣（非0即1）。匹配：1 不匹配：0每行每列元素之和1（避免重復(fù)匹配）Camera 1Camera 2雙向匹2：匹配配1：轉(zhuǎn)入二次匹配矩0：不匹配陣ID1 ID21

6、112132120022011230002路側(cè)系統(tǒng)重疊區(qū)域的協(xié)同感知13基于HSV(Hue, Saturation, Value)的顏色直方圖作為雙向匹配的補(bǔ)充，通過(guò)比較候選車輛圖像的顏色直方圖相似度，確定最終匹配結(jié)果。反映不同顏色在整幅圖像中所占的比例反映數(shù)值的分布情況（不受像素位置影響）單向匹配本文方法效果提升漏匹配453228.89%誤匹配251444.00%色調(diào)H飽和度S明度V2路側(cè)系統(tǒng)重疊區(qū)域的協(xié)同感知14無(wú)重疊域下的挑戰(zhàn)時(shí)空關(guān)系預(yù)測(cè)難車輛在跨無(wú)重疊感知域時(shí)， 時(shí)空呈非連續(xù)性，難以約 束與建模。Cam:1 Time: 16:45:13Cam:2 Time: 16:47:22Cam:3

7、 Time: 16:51:02外觀特征匹配難類內(nèi)差異性大類間相似度高外觀匹配時(shí)，存在顯著類內(nèi) 差異性與類間相似性，導(dǎo)致 難以分辨。基于核密度估計(jì)的轉(zhuǎn)移時(shí)間建模方法和基于深度度量學(xué)習(xí)的車輛重識(shí)別方法擬合轉(zhuǎn)移時(shí)間分布進(jìn)行預(yù)測(cè)利用CNN提取目標(biāo)特征進(jìn)行匹配2路側(cè)系統(tǒng)無(wú)重疊區(qū)域下的協(xié)同感知1516指標(biāo)百分比Rank-187.7%Rank-595.1%Rank-1097.3%mAP58.8%公開(kāi)數(shù)據(jù)集驗(yàn)證（VeRi776）相似度度量查詢圖像檢索池特征向量檢索結(jié)果測(cè)試階段ResNet-50車輛ID基于難樣本挖掘的 三元組損失交叉熵?fù)p失FC層特征 提取輸入訓(xùn)練樣本骨干網(wǎng)絡(luò)特征向量多元損失函數(shù)訓(xùn)練階段基于深度

8、度量學(xué)習(xí)的重識(shí)別模型2路側(cè)系統(tǒng)無(wú)重疊區(qū)域下的協(xié)同感知模型相關(guān)系數(shù) K-S檢驗(yàn)(Dmax) 平均相對(duì)誤差KDE0.9960.0831.785%正態(tài)分布0.9900.1382.938%對(duì)數(shù)邏輯0.9870.1254.190%對(duì)數(shù)正態(tài)0.9880.1223.173%Cam:1T1ime:6:45:13基于核密度估計(jì)(KDE)的轉(zhuǎn)移時(shí)間分布模型離散化的轉(zhuǎn)移時(shí)間統(tǒng)計(jì)Cam:1 ime:6:45:13T1Time:16:47:22Cam:2Time:16:47:22Cam:2Time:16:47:22Cam:1Time: 16:45:13Cam:2最優(yōu)帶寬的KDE建模核密度估計(jì) 表達(dá)式其中K()為 高斯核

9、最小化MISE的最優(yōu)帶寬求解t_cam1_cam2128s130s131s2路側(cè)系統(tǒng)無(wú)重疊區(qū)域下的協(xié)同感知17聯(lián)合特征匹配與轉(zhuǎn)移時(shí)間估計(jì)的重識(shí)別方法Rank-1Rank-5Rank-10mAP時(shí)間估計(jì)難以單獨(dú)進(jìn)行識(shí)別特征匹配91.3%97.5%100%64.7%特征+時(shí)間93.5%100%100%65.0%試驗(yàn)驗(yàn)證流程試驗(yàn)結(jié)果相似度計(jì)算方式 , ,= _ (, )+ _(, )其中，, 為特征相似度與時(shí)間相似度的權(quán)重車輛圖像與id相機(jī)id與時(shí)間戳輸入層外觀重識(shí)別模型轉(zhuǎn)移時(shí)間模型模型層識(shí)別結(jié)果排序輸出層外觀相似度時(shí)間相似度綜合相似度計(jì)算層2路側(cè)系統(tǒng)無(wú)重疊區(qū)域下的協(xié)同感知18目錄1云控系統(tǒng)架構(gòu)方案

10、2云-路多傳感器協(xié)同感知3云-車預(yù)測(cè)性巡航控制419下一步的研究方向基于云控系統(tǒng)的車輛預(yù)測(cè)性巡航控制3單車智能駕駛系統(tǒng)的感知范圍有限，對(duì)道路交通信息的獲取能力不足;車輛動(dòng)力系統(tǒng)最佳工作狀態(tài)和道路交通條件難以匹配，無(wú)法構(gòu)建全局 范圍的節(jié)能駕駛策略，導(dǎo)致車輛行駛過(guò)程的節(jié)能效果欠佳?；谠瓶仡A(yù)測(cè)性巡航控制技術(shù)云控平臺(tái)融合網(wǎng)聯(lián)車輛 及道路設(shè)施的感知信息， 將云端的交通信息實(shí)時(shí)共 享給道路行駛車輛，實(shí)現(xiàn) 車輛的超視距感使用云控平臺(tái)在線計(jì)算 車輛能耗最優(yōu)的行駛策略， 對(duì)整車動(dòng)力系統(tǒng)進(jìn)行動(dòng)態(tài) 調(diào)控，實(shí)現(xiàn)大范圍多車群 體的協(xié)同節(jié)能行駛20在不改變司機(jī)駕駛行為及車輛動(dòng)力總成的情況下，根據(jù)車輛行駛數(shù)據(jù)，從云端高精

11、度地圖數(shù)據(jù)中提 取出前方道路的路型、坡度、交通等信息;通過(guò)云端節(jié)能巡航規(guī)劃算法，形成滾動(dòng)優(yōu)化、迭代更新的節(jié)能巡航最優(yōu)車速策略，并下發(fā)給車端。 車端解析最優(yōu)車速指令，并閉環(huán)控制跟隨。授時(shí)對(duì)準(zhǔn)位置修正路徑預(yù)測(cè)地圖匹配PCC經(jīng)濟(jì)車速規(guī)劃算法定位補(bǔ)償算法車圖匹配算法云端地圖數(shù)據(jù)車輛當(dāng)前位置設(shè)定巡航車速車輛GNSS位置云控平臺(tái)車端車輛運(yùn)行軌跡車輛參數(shù)發(fā)動(dòng)機(jī)運(yùn)行數(shù)據(jù)GPS數(shù)據(jù)PCC最優(yōu)車速21融合算法車輛修正T-Box解析車輛 狀態(tài) 參數(shù)基于云控系統(tǒng)的車輛預(yù)測(cè)性巡航控制3預(yù)測(cè)性巡航控制算法：基于動(dòng)態(tài)規(guī)劃算法（DP算法）的經(jīng)濟(jì)車速規(guī)劃核心算法：動(dòng)態(tài)規(guī)劃算法（DP）動(dòng)態(tài)規(guī)劃基礎(chǔ)是Bellman最優(yōu)化原理，是一

12、種基于求解多階段決策最優(yōu)化問(wèn)題的全局優(yōu)化方法。動(dòng)態(tài)規(guī)劃算法的經(jīng)濟(jì)車速規(guī)劃序列控制問(wèn)題描述。將全局優(yōu)化問(wèn)題進(jìn)行多階段的離散化，確定狀態(tài)、成本函數(shù)、約束條件。h_2h_1能量轉(zhuǎn)換J發(fā)動(dòng)機(jī)能量輸出 = J行駛動(dòng)能+ J重力勢(shì)能+ J過(guò)程損耗JEng= Jdyn+ Jgeo+ Jlos 基于云控系統(tǒng)的車輛預(yù)測(cè)性巡航控制322預(yù)測(cè)性巡航控制算法：基于DP算法的經(jīng)濟(jì)車速規(guī)劃+12 22= 0 + +22= , + +112+ + | |2 +3 +5 | +1 | 2 22= +1 = , = cc 0.9 cc 1.1基于云控系統(tǒng)的車輛預(yù)測(cè)性巡航控制233測(cè)試路段路試試驗(yàn)測(cè)試路段高程信息測(cè)試路段環(huán)境情況

13、24測(cè)試路段里程：沂源服務(wù)區(qū)-諸葛服務(wù)區(qū)，往 返來(lái)回共72km；高程變化峰值約為360m?；谠瓶叵到y(tǒng)的車輛預(yù)測(cè)性巡航控制3實(shí)驗(yàn)車輛基本參數(shù)駕駛條件操作及環(huán)境要求實(shí)車車輛參數(shù)及駕駛環(huán)境要求整車質(zhì)量：49t變速箱：手動(dòng)12檔，原車具有巡航控制功能巡航控制要求：盡量全程保持定速巡航模式車速要求：70km/h擋位要求：10檔油耗儀記錄：統(tǒng)一起始記錄的位置車輛狀態(tài)條件：統(tǒng)一其他變量環(huán)境，空調(diào)狀態(tài) 始終開(kāi)啟，電附件狀態(tài)一致基于云控系統(tǒng)的車輛預(yù)測(cè)性巡航控制325實(shí)車試驗(yàn)結(jié)果分析3實(shí)驗(yàn)車輛基本參數(shù)駕駛條件操作及環(huán)境要求實(shí)驗(yàn)二：實(shí)車車輛參數(shù)及駕駛環(huán)境要求整車質(zhì)量：3t變速箱：手動(dòng)6檔，原車具有巡航控制功能巡航

14、控制要求：盡量全程保持定速巡航模式車速要求：84km/h擋位要求：6檔車輛狀態(tài)條件：統(tǒng)一其他變量環(huán)境，空調(diào)狀態(tài) 始終開(kāi)啟，電附件狀態(tài)一致26PCC測(cè)試油耗統(tǒng)計(jì)方法32.油桶稱重法1.油耗儀法3.云端瞬時(shí)油耗統(tǒng)計(jì)法通過(guò)將T-BOX在車輛CAN 線 上記錄并上傳的瞬時(shí)油耗信息，按 照上傳的頻率進(jìn)行積分求和，同時(shí) 根據(jù)車輛經(jīng)緯度信息得到實(shí)際運(yùn)行 的距離，由此得到百公里的油耗量。由外掛油桶給發(fā)動(dòng)機(jī)提供燃油，一個(gè)測(cè) 試周期開(kāi)始稱重油桶，結(jié)束時(shí)再稱重，取差 值得出實(shí)際油耗量；注：一個(gè)測(cè)試周期指同方向服務(wù)區(qū)到另一服 務(wù)區(qū)， 不包括上下高速路段。（ 每個(gè)周期37KM）27實(shí)車路試試驗(yàn)環(huán)境及過(guò)程記錄28基于云控

15、系統(tǒng)的車輛預(yù)測(cè)性巡航控制329里程(km)耗時(shí)（s）平均車速(km/h)總油耗（L）折合百公里油 耗(L/100km)節(jié)油率（%）定速巡航模式72377568.66332.39844.997-節(jié)能巡航模式72371669.75230.15941.8896.91%測(cè)試試驗(yàn)路段： 典型節(jié)油工況效果對(duì)比分析四個(gè)階段累計(jì)超過(guò)5000公里實(shí)車測(cè)試結(jié) 果表明：（1）相較于傳統(tǒng)定速巡航，云 控PCC的平均節(jié)油率在 1.31%-5.39% 之間；（2）相較于人工駕駛，云控PCC 的平均節(jié)油率在3.72%-6.35%之間。單 程最大節(jié)油率可達(dá)20.5%。紅車-定速巡航藍(lán)車-云控節(jié)能節(jié)能6.9%典型高速公路工況

16、100倍速展示效果圖基于云控系統(tǒng)的車輛預(yù)測(cè)性巡航控制3試驗(yàn)路段：云端-車端鏈路通信情況實(shí)際車速（紅線）能夠基本跟隨云端計(jì)算下發(fā)的車速建議（藍(lán)線），上傳-計(jì)算-下發(fā)完整通信鏈路的 穩(wěn)定時(shí)延不超過(guò)250ms，滿足當(dāng)前預(yù)測(cè)性巡航控制要求。預(yù)測(cè)性巡航控制鏈路通訊情況：基于4G網(wǎng)絡(luò)的通信鏈路可靠可行?；谠瓶叵到y(tǒng)的車輛預(yù)測(cè)性巡航控制303試驗(yàn)路段： 定速巡航與預(yù)測(cè)性巡航控制算法發(fā)動(dòng)機(jī)工作點(diǎn)分布情況對(duì)比定速巡航和預(yù)測(cè)性巡航模式下發(fā)動(dòng)機(jī)工作點(diǎn)分布對(duì)比定速巡航模式下，發(fā)動(dòng)機(jī)工作點(diǎn)分 布不夠合理，工作點(diǎn)幾乎完全集中 在1600RPM1700RPM的轉(zhuǎn)速范圍區(qū)間；基于云控的預(yù)測(cè)性巡航方案明顯改 善了發(fā)動(dòng)機(jī)工作分布

17、情況，使發(fā)動(dòng) 機(jī)工作點(diǎn)向著高效區(qū)域移動(dòng)，通過(guò) 節(jié)能車速調(diào)節(jié)，控制發(fā)動(dòng)機(jī)高效工 作點(diǎn)區(qū)域，效果顯著?；谠瓶叵到y(tǒng)的車輛預(yù)測(cè)性巡航控制313由于實(shí)際道路場(chǎng)景多變，固定檔位的預(yù)測(cè)性巡航系統(tǒng)不能滿足實(shí)時(shí)變化的前方道路條件和交通情況， 節(jié)油潛力有待進(jìn)一步挖掘。在現(xiàn)有PCC的基礎(chǔ)上，加入預(yù)測(cè)性換擋策略，預(yù)測(cè)車輛在前方道路行駛時(shí)的經(jīng)濟(jì)檔位，使車輛的傳動(dòng) 系統(tǒng)與道路條件高效匹配，進(jìn)一步擴(kuò)展PCC對(duì)道路交通條件的適應(yīng)能力，釋放節(jié)油潛力。預(yù)測(cè)性換擋策略的研究背景預(yù)測(cè)性巡航控制系統(tǒng)道路坡度紅綠燈信息交通流信息前車狀態(tài)信息車 輛模型油耗模型動(dòng)力學(xué)模型性能約束發(fā)動(dòng)機(jī)功率 Pe檔位 ig速度 v323基于云控系統(tǒng)的車輛預(yù)

18、測(cè)性巡航控制節(jié)能優(yōu)化可以從兩個(gè)方面進(jìn)行，一方面是整車層面，根據(jù)預(yù)測(cè)的前方道路和交通條件，適當(dāng)調(diào)整車速 和跟車距離，以最節(jié)能的車輛功率需求運(yùn)行。另一方面是傳動(dòng)系層面，對(duì)于同樣的功率需求，動(dòng)力系 統(tǒng)可以選擇最佳經(jīng)濟(jì)性檔位以與實(shí)際行駛條件相匹配。預(yù)測(cè)性換擋策略的采用分層優(yōu)化、多步?jīng)Q策的技術(shù)方案。預(yù)測(cè)性換擋策略的技術(shù)路線psP=FV功率需求曲線Step1：確定路點(diǎn)需求功率Step3：確定最優(yōu)檔位最優(yōu)經(jīng)濟(jì)檔位序列igs 33檔位確定準(zhǔn)則3vsStep2：經(jīng)濟(jì)車速規(guī)劃算法推薦速度序列檔位車速協(xié)同規(guī)劃PCC算法方案Sk v , g| v Vk , g Gv 狀態(tài)空間 2 22= +1 = , min maxmin maxmin max= , +112()+ 2+ | |2 +3 | +1 |+