一、车路协同背景介绍
车路协同[1]是指采用先进的无线通信和新一代互联网等技术，全方位实施车车、
车路动态实时信息交互，并在全时空动态交通信息采集与融合的基础上，开展车辆主动
安全控制和道路协同管理，充分实现人车路的有效协同，保证交通安全，提高通行效率，
从而形成安全、高效和环保的道路交通系统。根据中国汽车工程学会标准《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》（T/CSAE 53-2017）[2]，车路
协同初期的基础功能涵盖安全、效率和信息服务三大类共17个应用。
车路协同与自动驾驶之间存在密切的关系[3][4]。对自动驾驶而言，车路协同技术
的引入意味着车辆的全域感知能力将综合来源于路侧感知和车载感知，从而形成对整体
道路交通环境的全面感知并由此做出判断，这使得自动驾驶车辆具备了超越视距感知能
力。它一方面可改善自动驾驶单车感知能力的不足，提高车辆行驶安全性；另一方面，
可大幅降低自动驾驶车辆对车载传感器的依赖，从而有效缩减单车成本，促进自动驾驶
技术及产品的商业化落地。
首先，从自动驾驶车辆行驶安全性的角度来说，传统的自动驾驶技术通常聚焦于
单车智能，其目标是使车辆能够像人一样进行驾驶。例如，可自主识别交通标志及交通
信号灯、可分辨路面物体等。但是相关实践表明，仅靠单车智能有时无法处置实际交通
场景下的特殊状况。例如，2018年3月18 日，一辆Uber开发的自动驾驶汽车在美国
亚利桑那州坦佩市进行路面测试时，撞倒一名穿越马路的行人，并致其死亡。在美国加
州山景城，一辆处于自动驾驶状态的特斯拉Model X SUV撞上路边防护栏，导致司机
身亡。因此，通过车路协同技术为行驶中的自动驾驶车辆提供车辆自身感知能力之外的
感知信息就显得非常重要。
其次，从自动驾驶车辆单车成本的角度来说，传统的自动驾驶技术主要依赖激
光雷达和高精地图实现感知冗余设计，其中的激光雷达成本高昂。以目前广泛采用的Velodyne生产的机械旋转式激光雷达为例，其成本最低的16线激光雷达产品售价约为
4000美元[5]，而支持L4级别的自动驾驶则需要更高线束激光雷达，成本超过数十万元。
一路自动驾驶车辆通常需要安装多部激光雷达，因此目前自动驾驶车辆的单车成本通常
高达数百万元。车路协同技术为自动驾驶车辆提供了超视距感知能力，换言之，自动驾
驶车辆可从道路基础设施获取超越其感知能力的道路事件信息。这样单车只需安装数量
有限的低成本激光道路即可实现全域感知，从而有效地降低了单车的成本。此外，路侧
[1]张毅，姚丹亚. 基于车路协同的智能交通系统体框架[M].北京: 电子工业出版社, 2015.
[2]中国汽车工程学会标准《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》（T/CSAE 53-2017）[S]. csae.sae-china.
org/download.php?id=1745
[3]韩旭.L4级自动驾驶的进展和展望[J].智能网联汽车,2019(1):60-60.
[4]中国智能网联汽车产业创新盟等.面向零拥堵的车路协同新型架构及产业生态重构［EB/OL］. [2019-01]
[5]Velodyne激光雷达价格减半，自动驾驶离普及又进一步！［EB/OL］.[2018-01-04]. www.sohu/a/214616494_115706.
69
感知信息可以同时被多个车辆共享，因此，即使路侧感知设备使用了高成本的激光雷达，
从整体而言，道路与车辆的总成本仍然是下降的。
车路协同对于交通系统运行效率有较为明显的提升作用。利用车路协同技术，车辆驾驶者可以实现路侧感知信息获取，并通过车车、车路通信实现信息交互共享，从而
完成车辆与基础设施之间的智能协同与配合，优化利用交通通行资源，缓解交通拥堵及
提高道路安全性。有资料显示，旧金山湾区大桥采用车路协同技术后，大桥高峰时期的
拥堵排队长度下降50%，并减少了40%的交通事故发生[6]。因此，车路协同技术使得
公路交通的安全性及效率性都得到了提高。可以预见，采用了车路协同技术的高速公路
有望突破每小时120公里的时速限制，并使运输效率有望提高20%。
近年来，车路协同已成为业界关注的焦点。世界主要发达国家都制定了相应的规划，在战略及标准等多个层面进行布局，积极抢占本轮产业发展制高点。我国在“十二五”
期间启动了“智能车路协同关键技术研究”，有效地推动了我国车路协同技术的发展。
随着5G时代的到来，融合了人工智能及移动边缘计算等技术的车路协同系统将能更加
充分地感知道路环境变化，实现人车路之间的有效协同，提升道路和城市的智能化水平。
二、AI技术在车路协同中的应用
AI 技术在车路协同中有着丰富广泛的应用，包括诸如深度学习及增强学习之类的新兴AI技术或者决策树之类的传统AI技术，都能在车路协同中取得较好的实用效果。
具体来说，在车路协同中，AI技术可应用于以下领域：（1）路侧环境感知；（2）路
侧决策规划；（3）车端融合感知。
路侧环境感知
基于路侧设备的感知信息处理是 AI 在车路协同中的典型应用之一。路侧环境感知包括行人检测、车辆检测、路面物体检测及车道线和交通标志检测。路侧环境感知既可
用于普通车辆的辅助驾驶系统，也可用于自动驾驶车辆的融合感知系统。通常来说，自
动驾驶车辆对于路侧环境感知的精度要求高于普通车辆。
·行人检测
行人检测[7]主要利用计算机视觉技术对路侧摄像头获取的图像进行处理，以判断视频序列中的路面区域是否存在行人并对其进行准确定位。行人检测可与行人跟踪及行
人重识别等技术结合，实现对路面行人运动轨迹的连续检测及人体行为分析。
由于行人的外观易受穿着、尺度、遮挡、姿态和视角等因素影响，而且其兼具刚性和柔性物体的特性，因此行人检测在实际道路环境中是个极具挑战性的技术。目前，
[6]张云飞.5G 车路协同如何助力智慧出行［EB/OL］. [2019-07-17]. aker/article/5d2ea7138e9f091ae23b3bb9/.
[7]G. Zheng and Y. Chen. A review on vision-based pedestrian detection [C]. 2012 IEEE Global High Tech Congress on Electronics, 2012: 49-54.
70
毫米波雷达等感应器也被用来与摄像头一起检测行人[8]。
行人检测方法主要有三种：（1）基于全局特征的方法；（2）基于人体部位的方法；（3）
基于立体视觉的方法。基于全局特征的方法是目前较为主流的方法，它根据图像的静态
特征来描述行人。具有代表性的图像静态特征包括Haar小波特征、HOG 特征、Edgelet
特征、Shapelet特征和轮廓模板特征等。
特斯拉model3降价
不同于车端的行人检测，基于路侧设备的行人检测由于摄像头安装位置较高，视野
覆盖面积较大，因此其可检测到的行人数量也明显多于车端设备。这就要求基于路侧设
备的行人检测能够提供强大的算力及通信能力，从而保证对于路面行人的检测信息可及
时推送至车端。
·车辆检测
车辆检测[9]主要利用基于雷达与摄像头的多传感器融合技术实现。其中，雷达数
据来自毫米波雷达及激光雷达，需通过聚类方式进行处理，而摄像头数据仍然通过计算
机视觉技术处理。上述不同传感器的输入内容被组合在一起形成融合信息，从而更加准
确地实现对周围环境的感知。
虽然雷达数据在感知分辨率方面低于摄像头，但它在测距及天气条件恶劣或光照不
足等情况下相较于摄像头更具优势。因此，雷达和摄像头可互为补充，实现更为全面的
路面车辆检测。
不同于车端的车辆检测，基于路侧设备的车辆检测需要更多考虑传感器安装位置不
同带来的融合问题。安装在车端的多传感器通常以第一人称驾驶者的视角对感知数据进
行融合，路侧设备则以“上帝视角”对路面车辆进行检测，而且由于道路具体工况的限
制，不同的传感器也可能更为分散地部署在道路的不同位置。因此，现有的车端多传感
器处理方法无法直接用于路侧多传感器，而必须额外开发针对路侧条件的特定方法。
·路面物体检测
路面物体检测主要用于检测没有包含在高精地图内的路面临时物体。例如，抛洒物
或者临时路障等。目前的路面物体检测主要依靠对路侧摄像头的视频数据进行视觉处理
实现[10]。基于路侧设备的路面物体检测更依赖对于AI模型的不断训练，它需支持摄
像头覆盖区域内的非车辆及行人的临时物体的智能识别。因此，道路管理者需根据日常
的道路巡查情况，及时更新AI识别模型，并对其进行分发管理。
·车道线和交通标志检测
车道线和交通标志的检测[11]主要用于在路侧对车辆行为进行分析。例如，路面
车辆是否存在异常变道或者逆行等情况。传统的车道线和交通标志检测通常利用线性回
[8]徐伟等.视觉和毫米波雷达信息融合行人识别算法[J].《同济大学学报：自然科学版》 2017(S1):37-42
[9]A. Mukhtar, L. Xia and T. B. Tang, Vehicle Detection Techniques for Collision Avoidance Systems: A Review[J]. IEEE Transactions on Intelligent Transportation Systems. 16(5), 2015:2318-2338.
[10]Y. Tian, R. S. Feris, H. Liu, A. Hampapur and M. Sun. Robust Detection of Abandoned and Removed Objects in Complex Surveillance Videos[J].
IEEE Transactions on Systems, Man, and Cybernetics, Part C (Applications and Reviews), 41(5). 2011:565-576.
[11]Antonio Guiducci. 1999. Parametric Model of the Perspective Projection of a Road with Applications to Lane Keeping and 3D Road Reconstruction.
71
Comput. Vis. Image Underst[J]. 73(3), 1999: 414-427.
归算法、支持向量机算法及人工神经网络算法实现。其中，基于深度学习的图像处理方
法是目前的主要方法。
但是现有的基于深度学习的车道线和交通标志检测方法仍然是基于车端第一视角的，因此其采用的训练数据集无法用于具备“上帝视角”的路侧感知设备。目前仍需要
根据路侧感知设备的安装特点，并结合特定的地图数据开发专门用于路侧感知的车道线
和交通标志检测方法。
路侧决策规划
路侧决策规划[12]根据路侧多传感融合信息，对道路通行资源进行分配。其目的在于保证路面车辆安全通行的前提下，通过一些特定的约束条件，规划出车辆在道路上
的最优通行路径，从而使得道路资源得到最充分的利用。
路侧决策规划可分为全局规划和局部规划。全局规划基于更加广阔的视野，在广域路网范围内为交通管控提供精准策略，实现交通信号全域优化，有效应对交通缓堵治乱
的问题。局部规划则基于特定区域内的视野（例如，交叉路口或者道路交汇处），在局
部环境内，实现交通信号控制优化，保证车辆的安全通行，并在全域优化的基础上提升
局部道路通行效率。
全局规划主要通过车端数据与路侧感知数据的融合，根据交通出行特点和规律，制定精细的优化策略。其采用的AI技术侧重于对路网上的车辆及行人流量进行实时预测，
从而实现更好的导航、管控和预警。知识图谱是其中重要的技术工具，它可基于具备海
量数据的资源平台，利用数据治理成熟度模型，提升全局规划的智能化水平。
局部规划根据路面一系列车辆及行人状态，并结合道路实际状况，对特定区域的交通通行行为进行干预控制。其采用的AI技术侧重于对局部环境内的车辆及行人状态及
轨迹进行实时预测及规划。其中，轨迹规划方法主要分为四类：基于图搜索、基于采样、
基于插值曲线以及基于数值优化，而轨迹预测则可采用诸如贝叶斯网络之类基于大数据
统计的方法实现。
车端融合感知
车端融合感知指的是V2X技术与自动驾驶技术协同实现参与车辆行驶环境感知。
具体来说，除了摄像头、毫米波雷达及激光雷达等传感器，自动驾驶车辆将V2X无线
通信系统做为一种新的传感器用于对环境的融合感知。V2X是一个支持车辆与周围系
统实现无线通信的技术，它允许自动驾驶车辆通过无线信道与包括其他车辆及路侧设备
在内的周边设备进行信息共享，从而进一步扩大本车的感知范围。
传统的车端融合感知指单车平台上的多个传感器之间的感知信息融合，主要包括摄
[12]Paden B, Cap M, Yong S Z, et al. A Survey of Motion Planning and Control Techniques for Self-Driving Urban Vehicles[J]. IEEE Transactions on
Intelligent Vehicles, 1(1),  2016: 33-55.
72