基于道路智能化技术的试验场车辆全域轨迹感知方案研究

张迪思，周 亮，谢 波，吴迪瑞

（1.招商检测车辆技术研究院有限公司 国家智能网联汽车质量检验检测中心（重庆），重庆 401122；2.自动驾驶系统及智能网联汽车技术研发与测试应用重庆工程研究中心，重庆 401122；3.重庆大学，重庆 400000）

前言

当前，试验场的运行安全、运行效率和用户体验已逐渐得到了运营者的重视，业务的信息化和无纸化对以往复杂繁琐的流程进行了梳理，让试验场管理人员的工作效率迅速提升；网上预约业务、实时查看业务进度等功能也使客户摆脱了繁琐地填表、问询等流程，进一步提升了客户的满意度；而高精定位、短程专用无线通信等技术在近些年的广泛发展和应用也在一定程度上帮助了管理人员和客户随时掌握试验车辆的运行状态，还能够对车辆的历史轨迹进行追溯，进而实现区域差别费用计算、危险事故分析等功能[1-5]。

通常，获取车辆位置、速度等信息的方式，主要依赖车载OBU。这也是公共道路、园区道路上普遍使用的方式，简单直接。但是，试验场是一个车辆相对流动的场景，设备的发放、安装，以及天线布设、电量维护、开关启停等流程过于繁琐，在一定程度上增加了管理人员的工作量，并影响客户的体验。在实际运营过程中，我们也发现，随着时间的推移，试验场管理人员往往会对流程产生厌倦，不再要求企业安装OBU，使得管理效果大打折扣[6-9]。

而随着边缘计算、路端感知等为代表道路智能化技术的发展，开启了一种道路主动感知交通参与者的新方式，从而不再完全依赖车载OBU。本文将阐述这种方案在试验场管理中的应用[10]。

1 当前道路智能化的重要元素

1.1 道路感知设备

道路感知设备是整个道路智能化架构的核心，主要由摄像头、激光雷达、毫米波雷达等传感器组成，尤其是后两者，通过发送和接收探测信号并对前后信号进行比较分析的方式，获得物体的距离、位置、速度、大小、形状等关键信息，在道路智能化中扮演重要的作用[11-12]。

表1 三种传感器的性能比较

激光雷达的检测能力比较均衡，尤其对距离的精度较高，在点云分析算法的支持下，还可以识别目标的形状、类型等参数；同时支持多个雷达的拼接，使得同一物体在拼接范围内能够保持ID 唯一，这个特点是实现试验场全域轨迹感知的重要基础。因此，激光雷达是当前道路感知设备中的最优选择；同时，辅以摄像头、毫米波雷达等传感器，在融合感知算法的帮助下，可以大大提升目标的识别效果。

1.2 边缘计算架构

边缘计算架构为道路智能化提供了强大的算力支持和低延时的通信方式。以激光雷达为主的传感器设备每秒都会产生较大的数据量，一个80 线的激光雷达每秒出点数为百万级，数据量约为10 MB/s，在多雷达拼接的情况下，数据量会达到一个千兆网络都难以承载的规模，如果全部传回传统中心进行处理，会对网络造成极大的负担[4]。因此我们需要在网络边缘处设立边缘计算单元，分析大量的雷达点云数据，得出我们最终需要的、仅数百字节的结构化数据（即物体的位置、速度、类型、大小、方向角等），再分发给上层结构。由于边缘计算单元位于网络的边缘，信息传输经过的网络层级较少，因此可以快速地将信息发送至终端用户，获得较好的延时性能[13-16]。

根据边缘计算单元部署的位置、网络规模和实际用途的不同，边缘计算架构分为中心级、汇聚级、边缘级、接入级和现场级，前四级需要依赖运营商网络，结构复杂且成本较高；而现场级主要依赖的是用户本地局域网，对于对网络延时要求不高、终端用户范围较固定的场景，是一个性价比很高的解决方案[11]。

1.3 边缘计算单元

边缘计算单元可以理解为一个高性能的工控机，其主要作用是在边缘侧处理和分析传感器生成的巨量数据，避免回传中心造成网络负担[13]，同时将分析结果通过低延时信道传送给终端用户。边缘计算单元的部署位置可以根据需要部署在多个位置。

按用途和功能划分，将系统架构分为感知融合层、信息交互层和应用层。

1.4 感知融合层

感知融合层主要由激光雷达、摄像头等传感器阵列以及边缘计算单元组成。要实现试验场的全覆盖，必须依赖多激光雷达的拼接技术，而受限于单个边缘计算单元的图形处理能力，一个边缘计算单元只能处理两个激光雷达的点云数据，因此我们采用两个处理层级来实现点云拼接。如图1 中所示，第一层由通过光纤连接的多个浮点运算性能较强的边缘计算单元组成，解析点云数据并输出各自区域的交通参与者结构化数据；第二层由一个整数运算性能较强的边缘计算单元组成，主要是作用是汇总第一层边缘计算单元阵列输出的结构化信息，进行目标去重等操作，最终输出整个区域的目标结构化数据。通常，我们选择以UDP 方式输出，输出的频率为10 HZ。

图1 系统架构总体设计

表2 最终输出的格式化数据结构

1.5 信息传输层

传输层由一个MQTT 中间件组成，主要作用是将感知融合层的结构化数据封装成RSM 消息，并以发布/订阅的方式将消息传输至上层应用。

考虑到该系统的通用性，信息传输层的消息应遵循CSAE 53—2017 合作式智能运输系统 车用通信系统应用层及应用数据交互标准或YD/T 3709—2020 基于LTE 的车联网无线通信技术消息层技术要求中对RSM（RoadsideSafety Message）消息的规定。RSM 消息使用ASN.1 标准格式定义，以消除不同实现语言的差异性，并使用非对齐压缩编码规则UPER（Unaligned Packet Encoding Rules）进行编码，对空口数据进行有效压缩。

1.6 应用展示层

应用展示层由图形化展示系统和场景触发系统及用户终端应用等功能模块组成；图形化展示系统订阅RSM 等相关主题，解析数据获得车辆位置坐标后，在GIS 地图上显示；同时，还可以连续记录车辆的历史位置，从而实现轨迹追溯等功能；场景触发系统通过解析RSM 信息获得所有交通参与者的位置、速度等信息，通过判断相互之间的位置关系和计算TTC（TIME TO COLLISION）参数，生成预警事件，封装成相关主题信息发送至MQTT 中间件，并由特定的功能模块接收该主题信息进行下一步处理。通常，该功能模块可以通过C-V2X 的Uu 口（即蜂窝网）向相关的终端发送预警消息。

2 全域轨迹感知方案的实现

2.1 路侧感知设备的部署

如图2 所示，根据当前试验场的东西窄、南北长的地形特点，我们选择在东西向中央的草坪中安装雷达，使得雷达的测试范围能够覆盖东西两侧的道路。

图2 试验场中的感知设备部署点位

另外，据我们的测试，虽然主流80 线雷达的探测距离在10%反射率的情况能够达到200～250 米左右，但是障碍物识别距离，在保证效果的情况下，覆盖范围仅为120 米左右。因此，为了保证效果，我们将雷达之间的间隔距离设置为200米左右。

在隧道等受遮挡区域，布设了多个32 雷达，消除盲区，保证感知范围的连续性。

图3 场地中80 线雷达安装

同时，为了便于调节雷达的角度，使得雷达线束能够更多的覆盖路面有效区域，还设计了专用的万向节底座。

2.2 物理ID 与虚拟ID 的关联

试验场全域轨迹感知，即系统在车辆进入试验场到驶离试验场整个过程中，连续不断的获知车辆位置。

当车辆进入雷达感知区域时，感知系统内部会赋予其一个ID 号，即表格 2 中的“障碍物ID”，我们定义其为虚拟ID。该ID 理论上会可在感知范围内保持唯一，即使在短暂的信号丢失后，也可以依靠算法恢复原ID。

物理ID 则可以理解为真实车辆的唯一标识，类似于VIN号；该ID 始终保持唯一；系统以该ID 为索引，可以获知该测试车辆的厂商、型号、试验项目、负责人等具体信息。

在物理ID 和虚拟ID 没有关联的情况下，感知系统探测到的车辆虽然能在GIS 地图上显示，但却无法显示车辆的具体信息。

因此，我们需要将上述物理ID 和虚拟ID 进行关联，简单来说，物理ID 代表车辆的灵魂，包含车辆类型、车辆厂商等固有信息；虚拟ID 代表车辆的躯壳，使其具备在可视化系统中展示的能力；两者合二为一，我们才能在GIS 系统中获取车辆的所有信息。

物理ID 与虚拟ID 关联初始化操作在试验场门岗处进行，ID 关联关系表在图中的场景任务触发系统中进行维护。该系统会在关系表发生改变时向MQTT 发送主题信息。初始化流程如图4 所示：车辆到达门岗处时，门卫用连接业务管理系统的手机扫描车辆车窗处贴的二维码，该二维码相当于车辆的物理ID；扫描完成后，业务管理系统将推送包含物理ID 的主题/CHECK_IN；场景任务触发系统接收该主题消息，并解析感知融合层周期发送的RSM 消息，获取位于门岗进口位置车辆的虚拟ID，完成关联的初始化操作。

图4 虚拟ID 与物理ID 关联关系的维护流程

同理，在车辆出场时，门岗再次扫描二维码，业务管理系统将推送包含物理ID 的主题/CHECK_OUT；场景任务触发模块接收该主题消息，并解析融合感知层周期发送的RSM消息，找出位于门岗出口位置的车辆虚拟ID，完成解绑操作。

另外，车辆在感知系统中有可能会出现信号丢失情况（即感知系统在一段时间内未探测到车辆），而在信号恢复后，车辆的虚拟ID 即会发生变化。为了应对这种情况，我们还需要在流程中设计重新匹配的操作；在不利用其他感知方式的情况下，可根据算法逻辑做初步的补救，例如，场地内仅有一辆车A 的虚拟ID 出现丢失，且出现另一个陌生的虚拟ID，则可以直接将陌生虚拟ID 与A 的物理ID 进行重新关联。但是，如果出现多个车辆同时消失的情况，则需要利用场地内其他传感器辅助，例如摄像头车牌识别、RFID 标记等等。在这个方案中，一旦虚拟ID 丢失且逻辑补救方式失败，系统将临时开启车载HMI 的卫星定位模块，记录一定时间的运动轨迹，并与多个陌生虚拟ID 的运动轨迹进行对比，找出匹配度最相似的一个，进行重新匹配。

2.3 实施效果

从图5 可见，间隔200 米部署一个激光雷达的方式，基本能够满足试验场感知信号的全覆盖，使道路具备在全域主动感知交通参与者的能力。

图5 试验场全域雷达拼接感知效果

由图6 和图7 可见，激光雷达点云在边缘计算单元的分析处理后，可以识别包括行人、小型车辆、大型车辆等交通参与者，并输出格式化数据。

图6 交通参与者感知效果

图7 汇流区感知效果

由图8 可见，车辆在可视化界面可正确显示位置以及其厂商、负责人等基础信息，在试验场整个区域内基本实现了全域轨迹感知。

图8 交通参与者在GIS 界面的显示效果

3 总结

与车端智能方案相比，本方案采用道路主动感知车辆的方式实现了全域轨迹感知，具备操作方便、可靠性高、复用性好等特点，最大化地提升了试验场管理效率和用户体验。在感知能力上，车端智能方案完全依赖车载OBU，无法感知未安装OBU 的单元，而路端智能方案则几乎可以感知道路上所有的交通参与者。在成本上，车载OBU 花费了大量的资金；而路端智能化则主要用于道路感知设备、计算单元和网络的部署。从前后两种方案的实际花费情况来看，两者成本几乎是相同的。从扩展性看，道路智能化方案还可以承担道路场景数据采集工作，用于开展自动驾驶仿真测试；另外，随着数据质量的不断提高和网络延时的不断降低，道路感知系统获得的数据还有可能在未来参与自动驾驶决策和执行环节，有效分担车端算力降低车载设备成本，推动自动驾驶技术的普及。

但是，本方案仍然存在着不少弊端，如车辆在感知范围内信号消失的问题、激光雷达老化和寿命问题等等，还需进一步研究和改进。

表3 两种方案的比较