导言：

目前，有很多学者对网联汽车关键技术的进行了深入的研究。在城市环境下，网联汽车被认为可能会大幅度降低交通事故率，并提升城市交通效率。最近，北京交通大学的三位学者上官伟、杜煜、柴琳果就网联汽车技术框架、发展趋势进行了研究，并针对车辆感知、定位、信息交互等问题进行了深入研究。本研究提出了从自主感知到交互感知到网络感知的三步走发展路线，并将目前的网联汽车研究归纳到该框架下。同时，本研究结合实际车辆系统对目前车辆的自主感知与交互感知能力进行了相关研究与验证。本研究对网联汽车的技术发展具有重要的启发意义。

引言：

为了提高城市交通的智能性，Connected Automated Vehicle（CAV）目前被公认为领先的智能交通系统技术。通过车载传感器和通信设备，可以获得车辆的状态，使得交通主体之间能够更好地协调。然而，一方面单个车辆的环境感知范围是有限的，另一方面，区域交通效率的优化有时不能导致全局交通的效率优化。在本文中，提出了CAV感知模式的三步演化策略，从自主感知到交互感知到网络感知。研究了这三个步骤中的关键技术。在自主感知中，研究了车辆定位和动态目标跟踪方法。在第二步中，研究了可靠的多模信息交换机制。最后，介绍了一种新的流量大数据存储和网络感知的高级分析解决方案。针对上述关键问题的相关实验分别基于硬件平台，开源数据集和云平台进行设计，实现和验证。结果表明，定位距离均方根（DRMS）达到3.9m，目标跟踪速度达到30fps，通信平均丢包率为2％。从测试和仿真结果可以看出，本文提出的方法可以满足技术要求并支持CAV的环境感知模式演化。

（文献来源：）

智能网联汽车感知模式演化过程：

Connected Automated Vehicle（CAV）是一个综合而复杂的系统，旨在提高城市交通效率。在本文中，提出了从自主感知到交互感知到网络感知的CAV感知模式的三步发展趋势。感知模式的演变伴随着相关技术的发展。所提出的三个步骤的定义如表1所示。

在自主感知中，基于GPS / IMU和以车辆为中心的视觉传感技术的高精度定位为自动驾驶汽车提供了不可替代的支持。高精度地图和高精度定位提供了道路地图知识。包括摄像头和激光雷达在内的视觉传感器可作为车辆的眼睛。然而，目前仍然存在必须克服的重大障碍。摄像头具有较差的环境适应能力，对光，雪等恶劣天气的非常敏感。尽管激光雷达克服了上述缺点，但由于捕获范围有限且价格昂贵，因此仅在某些条件下才能工作。自动驾驶车辆中的另一种技术是V2X通信。在CAV技术发展的过程中，缺乏可靠的通信模式支持限制了其应用。如今，有许多研究人员致力于提高车辆通信的可靠性和安全性。

交互感知源于自主感知。互动感知重视提高交通效率以及进一步加强城市交通的安全性。视听整合是交互感知的典型象征。在交互感知中，通信被认为是扩展车辆感测范围的一种方式。建立云平台以管理基础设施节点并提供车辆导航信息。典型的交互感知案例通常分为三类：车辆安全，区域交通效率和全局交通效率。例如，可以采用结合V2X和视觉传感的协作感知来避免事故，尤其是在视觉传感器有限的区域。城市交通中的应用侧重于通过实时捕捉和预测交通状况减少道路拥堵。

在网络感知中，车辆通信的可靠性可以确保。与交互感知相比，云平台将承担更多的流量协调责任，并提供多维交通信息。因此，城市交通系统将是一个规模更大，协调良好的系统，并能够远程控制车辆。

自主感知与交互感知关键技术研究：

1、基于卡尔曼滤波的定位系统：对基于松组合的GNSS/INS融合算法与基于紧组合的GNSS/INS融合算法进行数学理论推导，在实际系统的支撑下，进行了对比实验。

Fig. 1.  Tightly-coupled GNSS/INS system structure diagram

2、本文介绍了基于RGB-D图像的目标跟踪算法：通过将Lidar信息投影到图像上，将RGB图像拓展为RGB-D图像，并基于对核相关滤波算法的改进，在公开数据集的支撑下，实现了道路环境下的目标跟踪。

Fig. 2. Illustration of the D-KCF tracker.

3、本文介绍了基于神经网络的多模通信机制：提出了一种基于学习的多模通信机制，系统一共有三种通信模式，WLAN、WAVE和4G。神经网络的输入是交通状态、车辆状态、通信状态的表征向量，输出是通信模式，该方法实现在复杂动态条件下，通信模式的智能实时切换。

Fig. 3 Process of multi-mode communication mechanism based on neural network

结果与分析：

1. 基于卡尔曼滤波的定位系统：定位路试在北京交通大学进行。经过测试的车辆在校园周围以整圈方式运行约15分钟，包括开放环境和GNSS受限环境。将SPAN - FSAS的紧耦合积分位置作为参考结果，以评估松耦合积分系统定位结果。图5显示了松耦合和紧耦合集成系统之间的定位差异。

结果表明，在开放环境中，松耦合和紧耦合系统显示出类似的定位差异，并且都提供稳定的位置结果。然而，当汽车穿过受限环境时，这两个系统显示出明显的差异，紧密耦合的集成系统仍然可以提供可靠和连续的位置解决方案。松耦合系统的定位性能受GNSS可用性的严格限制，紧耦合系统的定位性能包括精度和稳定性优于松耦合系统。

Fig.5. The position difference between loosely-coupled integration system and tightly-coupled integration system

2. 基于RGB-D图像的目标跟踪算法：

本文使用三个指标来评估算法的性能：中心得分表示结果与地面实况之间的边界框中心的欧几里德距离，以像素为单位。覆盖分数表示边界框的联合交叉（IoU），这意味着结果与地面实况之间的重叠率。高性能跟踪算法具有较高的覆盖得分和较低的中心得分。在大多数情况下，D-KCF表现更好，特别是当物体的比例和位置发生很大变化时。这表明增加深度信息有助于提高算法的灵敏度。但如果物体的距离很远，如有许多玻璃覆盖面包车的表面，导致可用的反射点很少，这使得使用D-KCF很难获得更好的结果。

实验结果证明D-KCF可以提高跟踪算法的准确性。此外，D-KCF在我们的开发环境中可以达到约30 fps，这比许多三维跟踪算法快得多。

3. 多模式通信机制：

在自适应神经网络模型中，不同交通场景中的车辆节点数，车辆速度和数据传输量被用作神经网络模型的输入。结果表明，自适应神经网络在不同情况下的输出是合理的。 当车速慢时，选择WLAN通信模式。 当车辆快速运行且数据量小时，应用4G通信模式，当数据量很大时，采用WAVE通信模式。

总结

随着车辆智能等级的提高，感知范围从自主感知扩展到网络感知。 自主感知与自动驾驶L0-L2匹配，其中CAV充当驾驶员的助手。 交互感知与自动驾驶L3-L4匹配，核心是通过扩展感知范围来增强CAV的安全性。网络化感知与全自动驾驶匹配，这意味着城市交通系统结构将会完全改变。

Fig. 15. The technology trend of CAV.