无事“自动驾驶”，有事“辅助驾驶”？

近日来，智能汽车事故频发，且事故原因多与所谓的“自动驾驶”功能有关，这不由得引起了人们对“自动驾驶”发展前景的担忧。

实际上，大众理解的“自动驾驶”与官方的定义可能有所出入。全球公认的标准一般是由SAE International（美国汽车工程师学会）发布的J3016自动驾驶等级，该标准定义了汽车从无自动化（L0）到全自动化（L5）的六个驾驶级别。

与此相对应，2021年8月20日，中国工业和信息化部也发布了《汽车驾驶自动化分级》标准，将于2022年3月1日起实施，详细分类如图1所示。

图1 国标《汽车驾驶自动化分级》

根据这两大标准，公众想象中的“坐在车上什么都不用管”的场景要在L5级才能实现。然而当下，即便是行业先驱特斯拉的AutoPilot（自动辅助驾驶）功能也仅属于L2级，国内蔚来的NOP（领航辅助驾驶）、理想的AD（高级辅助驾驶）以及小鹏的NGP（自动导航辅助驾驶）均属于L2级。在这一等级，无论何时使用驾驶辅助功能，驾驶员都必须处于驾驶状态，必须时刻观察各种情况。其实，这也是目前可以在量产车上搭载的技术上限。

那么，在目前的技术基础上，如何进一步对智能驾驶迭代升级，达成真正意义上的“车路协同”，从而更好地保障安全呢？

数字交通的场景化特性

交通问题是复杂的系统问题，这已经是行业共识，无论是高速发展的智能交通业务，当前如火如荼的车联网或车路协同，包括数字交通，都不是单一产品或单一技术能够覆盖或解决的。那么，对于复杂的交通问题，是不是就没有单一的解决之道？根据我们十余年在智能交通领域的项目落地经验，虽然没有一招制敌的产品或技术，但可以提炼出一个万变不离其宗的分析方法——场景化。

首先，视频是构建交通场景感知的重要技术和方法，却不存在一款能够适应全部环境的摄像机产品，也不存在能认知所有目标行为的泛智能。然而，针对细分场景进行业务目标和环境模型的提炼是完全可以做到的，辅以合适的产品以及智能建模，就能达成预期目标，但与此同时也必须放弃非目标的智能或业务。

其次，交通的复杂性在于环境构成的复杂性，以及交通参与者和可预期交通行为的不确定性。对交通场景进行多层次的细分与归类，能够成功地抽象出环境相对确定，以及交通参与者和预期行为均可以固化的模型。

我们将目前有待数字化建设的交通场景按照城市道路、城市停车、桥隧、公路共四个大类（初步）细分出十三类场景及45个模型（非完备集）。针对每个场景模型，以全时、全域、全要素感知为建设目标，以必要、有效、集约为建设原则，分析对应场景模型下的交通问题，构建交通评价指标体系（见图2）。

图2 数字交通系统架构

“路侧境况”感知与多维感知构建数字交通基座

车路协同系统中的几个构成要素包括智能车辆、高精地图、路侧感知，同时辅以V2X通信，边缘计算及云计算决策共同协作完成业务落地。我将其抽象为“车-路-况-信-策”五字诀。

• 车：智能车辆本身具有动力控制系统以及环境感知系统，车辆行驶运行中自身的位置、速度、动力参数等称之为“车态”，而车载传感及AI完成车辆所处环境的组织构建，如前后车位置、障碍物、交通标识、信号灯状态灯称为“车辆所处情景”，简称“车景”。
• 路：简单而言，就是高精地图，与我们日常交流中的路相对应，是一段时间内固化的交通通行基础，而数字化的路是车路协调系统呈现与决策的基础。
• 况：单一时刻、场景的路侧感知系统获取到的交通参与者信息及整体交通状况描述，是实际交通过程中瞬时情况的数字映射。同一时刻不同空域场景境况的整体综合描述，构成全域交通资源的利用程度。同一场景在延续时域的境况序列中可以动态呈现周期内的交通效率。
• 信：通信技术，完成V2V、V2I、V2X之间必要数据的传输。
• 策：云端系统可以收集全时、全域的各类信息，综合整理，用于交通态势评估，边缘系统可以半实时决策并推送交通指令。
  

境况感知是车路协同系统的第一输入，也是唯一实时动态数据，其数据的实时性、完备性、准确性将影响最终车路协同系统决策结果输出的准确性，因此，我们称境况感知系统为数字交通的基座。

而多维融合才能提升系统运行的有效性。

为实现最大化的数字交通系统效用，路侧境况感知系统的建设原则必然是要求“全要素、全空域、全时段”的。

任一场景点位的路侧境况感知系统的构成，可能包含视频、微波、毫米波、激光、RFID、气象环境等多种传感器。其中视频相机、毫米波雷达、激光雷达应该是构建交通境况的主要感知设备：视频可以进行交通参与者特征的识别判定，尤其是对色彩类信息的感知，但视频的作用距离有限，且容易受到光线条件的干扰；毫米波雷达可以判定主要交通参与目标，且能够在较广阔的区域内进行测速、测距，判定交通行为；激光雷达可实现对更精确（厘米级）目标的感知，但是造价较高。

毫米波雷达与激光雷达技术都无法实现对车辆身份特性的识别，多种感知技术在目标检测、运动跟踪、身份识别与标定等方面就具有互补或相斥的情况。对于空域内相邻场景点位的多个路侧境况感知系统，为避免交通对象的跟踪丢失，建设时需要一定的重叠感知覆盖。

只有在尽可能广泛的范围内实现更为精确的交通境况感知，才能为车路协同系统构建更为准确的数字孪生数据。也只有充分认识不同场景交通参与者交通行为的目的差异，才能对自动驾驶车辆提供更为合理的辅助决策。

以上内容节选自《新程序员002：新数据库时代&软件定义汽车》的《“路侧境况”感知与多维融合下实现车路协同》一文，感兴趣的读者可点击下方链接畅读全文！《新程序员002：新数据库时代&软件定义汽车》，该杂志由60余位专家倾力创作，随书附赠《2021数据库全景图V1.0》和《2021汽车技术与产业生态全景图V1.0》，同时内含《2021年度数据库发展研究报告》和《2021年度软件定义汽车研究报告》，图文与视频多媒体呈现。
数据库作为核心技术三大件之一，我们从新型数据库普及、数据库开源趋势、数字化转型实现，以及资本助力产业等角度，邀请到27位数据库行业专家，共著非关系型数据库、文档型数据库、分布式数据库、混合式数据库、时序数据库、图数据库等的理论技术及行业实践，让数据库开发者快速提升。《新数据库时代》目录

智能驾驶作为人工智能的顶上皇冠，我们以技术和商业融合创新为主线，邀请到23位汽车领域专家，从开源系统、车路协同、数字孪生等不同视角分析了云计算、人工智能、物联网等技术给汽车行业带来的影响和机会，让汽车从业者深入了解产业动态。《软件定义汽车》目录

本书高屋建瓴的产业分析和趋势预判适合中高端从业人员参考决策。同时，多位专家亲历的入门和实践之旅也为初学者提供了可借鉴的专业路径。扫码图中二维码立即订阅

扫描下方二维码，添加小助手，即可加入《新程序员002》「读者群」，抢先一步获取杂志最新资讯，精彩内容不再错过。