近日，在清华大学智能产业研究院（AIR）与百度Apollo联合举办的《面向自动驾驶的车路协同关键技术与展望》白皮书发布会上，清华大学智能产业研究院副教授周谷越以《面向自动驾驶的车路协同关键技术及落地路径》为主题发表演讲，正式揭晓本次发布的白皮书的关键内容。
在“新四化”浪潮下，汽车产业面临全新的机遇和挑战，其中的关键技术之一自动驾驶技术的发展是关键难题，尤其是如何提高自动驾驶的安全性，以及如何加速高等级自动驾驶的落地。对此，周谷越副教授提出，这主要依赖于车路协同技术。车路协同会提升自动驾驶安全性；同时，车路协同自动驾驶需要高等级智能道路。
如今，我们进入了一个智慧交通全新时代。随着技术的发展，整个汽车行业都面临“新四化”的机遇和挑战，其中包括网联化、智能化、共享化、电动化。网联化和电动化在日常生活中或多或少实现了一些应用，随着智能化的关键技术的发展，尤其是智能驾驶技术的发展，它将大幅提高自动驾驶安全效率，同时交通的商业前景会有大大的改变。
自动驾驶本身是一项非常有挑战的任务，主要体现在系统完整度和任务复杂度这两个方面。从感知到认知，从传感器到执行器，整个自动驾驶的系统是非常完整的系统。并且，它面对的是高复杂性的场景以及高可靠性的需求。可以说，这是当今最具挑战的有边界的人工智能垂直领域问题。
提到自动驾驶，最无法忽视的是安全问题。现在，有各种各样的因素会影响自动驾驶的安全性。有的来自于感知问题，有的来自于控制和决策问题。无论是作为监管方的政府，还是作为技术提供方的企业和机构，还是自动驾驶的直接用户，自动驾驶的安全性都是首要关注的因素。自动驾驶的安全性不仅仅是政府制订政策和法规的红线，也是技术的提供方提供大规模可量产技术的前提条件，同时也是用户真正放心使用自动驾驶的心理底线。
那么，如何提高自动驾驶的安全性，如何加速高等级自动驾驶的落地速度？这就回归到本次白皮书报告的主题——车路协同技术。对此，周谷越副教授阐述了两个观点：第一，车路协同会提升自动驾驶安全性；第二，车路协同自动驾驶需要高等级智能道路。
自动驾驶安全不仅有诸多影响的因素，还有很多成熟的标准和框架。最值得一提的是预期功能安全SOTIF框架，它将所有场景划分为四个区域，即已知安全、已知不安全、未知不安全、未知安全区域。经典驾驶安全模型会基于SOTIF场景分类建立对应的场景库，并基于场景库计算整个自动驾驶的量化安全评价指标。
在下方的系统框图中，仿真器模拟出初始交通状态，配合车辆交互模型，得到车辆一段时间内的运行轨迹后，再将运行轨迹与驾驶安全评价模型结合起来，则可以得到安全评价的指标。
其中，大部分仿真器的场景分布是由实际的交通数据和车流数据统计得来的，不同的场景和不同的变量会服从不同的分布。
同时，还需要车辆的交互模型来预测未来的车辆会怎么运行，在不同的环境下有不同的模型。在没有任何通行的状态下，通常采用匀速的模型。在前后车跟驰的状态下，则采用IDM模型。在策略变更状态下，包括左转、换道等情况，通常采用较为复杂的多阶段模型，它往往由一些简单的模型组合而成。
最后，要量化评价安全指标，这需要通过不同的维度和不同的评价指标来评价整个驾驶行为安全。从时间评价维度来看，这关乎TTC（碰撞时间）。如果后车追尾前车的碰撞时间，时间越短，代表驾驶行为越不安全。在较复杂的场景，比如在路口左转时，左转车辆和直行车辆有可能会产生碰撞，这个碰撞则用ΔT（抵达冲突时间差）来表示。左转的车辆和直行车辆轨迹有一个交差点（或称冲突点），两辆车辆抵达冲突点时间越小，代表这个场景越不安全。从概率的维度来看，给出量化的评价指标最简单的评价指标是P safe（未发生碰撞概率）。这个概率可以通过仿真场景去采样，然后进行离散统计；也可以通过一些连续的表达式，进行公式的推导得到。
车路协同之所以能提升自动驾驶的安全性，就是因为车路协同提供了更多传感器的数据和信息；有的是互补的，有的是冗余感知信息。并且，通过利用这些信息把SOTIF的已知安全场景扩大，已知不安全和未知不安全的场景缩小。
“已知安全场景”扩大——过路口时，在没有车路协同的情况下，后车看不到红绿灯变化，很容易导致危险情况的发生。在有自动驾驶加持的情况下，这个情况会被解决。“未知不安全场景”缩小——在主车跟驰前车突然避让的情况下，若没有车路协同的加持，后车无法感知；而有了车路协同的加持就可以提前感知到这个未知不安全的状态。在遇非机动车闯红灯违规驾驶的情况下，正常行驶的汽车是无法预知到非机动车不安全交通规则的情况，在有车路协同路端设备的加持下则能提前感知到，也可以缩小未知不安全的场景范围。
为了更好地进行系统、量化分析车路协同存在安全的争议，基于原有安全模型的车路协同自动驾驶安全模型被提出。其主要区别在于感知模型的差异，因为车路协同对自动驾驶提供最直接的帮助就是提供了更多的感知信息。基于这些感知信息，把感知的不确定性进行建模，单车自动驾驶和车路协同自动驾驶在感知的不确定性方面会有不同的表现，产生不同的关键驾驶行为，从而导致不同驾驶安全表现。在超视距跟驰、换道冲突、无保护左转的典型场景下，车路协同可以提供一些感知收益，这些收益主要源于高速超视距、感知冗余、极端天气和视野遮挡等。
感知模型涉及众多因素，其中包括认知不确定性的因素，比如，主要由算法引起的识别成功率的下降。还有偶然的不确定性，包括同方差和异方差两部分。同方差往往是由角度引起的识别成功率下降，异方差由距离引起的识别成功率下降，且它的不确定性方差会随着距离的增加而增大。同时，考虑到车载传感器和路端传感器在不同的视野、不同的角度和不同遮挡的情况下产生的感知结果，这也会被放在感知的模型和建模当中。
有了这个感知模型，就可以进行安全量化指标评价的计算。基于百度已有的大量路口交通数据，对场景的分布模型进行了拟合，并对场景参数进行均匀地采样，再把采样结果放入感知模型。在此基础上再计算量化的安全评价指标，最后采用加权平均的统计方式，统计出不同场景下平均的安全举措。
根据实验结果，在超视距跟驰和换道冲突的情况下，则可以用TTC作为时间维度的安全评价指标；在无保护左转下，采用ΔT作为安全指标；对于概率维度，则用事故率作为不同场景下的安全评价指标。值得一提的是，三种场景下的均有大幅的降低，这就证明了车路协同对自动驾驶的安全有切切实实的帮助。
那么，车路协同是如何带来这样的帮助呢？这就涉及到车路协同自动驾驶的落地路径的问题。周谷越副教授提出，车路协同的自动驾驶需要高等级的智能道路。
首先，什么是高等级的智能道路？高等级智能道路按照C0-C5划分等级，各等级在不同的路和云的能力上，在不同的维度有不同的表现。
从道路对附属设施的需求角度来看，低级别的道路没有太多的需求；而高级别的道路则对云控平台、部署范围和整个计算能力都有更高的要求。并且，从地图的角度来看，也是一样的。至于协同感知和协同定位的能力，低级别的道路是没有要求的，高级别的道路对整个协同定位精度和整个的感知范围都有更大的要求。至于通信能力，高级别的道路不仅有一个连通性更强的需求，而且在时延的情况下也有更严苛的要求。在群体控制和决策方面，高级别C4以上的这种道路有条件进行一定程度上的实施协同控制和决策的能力；并且C4和C5所对应的安全评价，就是SOTIF体系和功能安全体系是必须满足的。那么，无论是低等级的智能道路加上高等级的智能车辆，还是高等级智能道路加上低等级智能车辆，都可以实现自动驾驶的能力。
未来，基于车路协同的自动驾驶落地的一个终局，简单地说就是，C5级别的智能道路或者L5级别的车辆二者至少有其一。至于如何走到这样的状态，需要讨论的落地路径。众所周知，传统的路径是单车智能往上走，高级别的智能驾驶加上低级别的智能道路这条路径。如今需要强调的是，高级别智能道路加上相对低级别的智能车辆这条路径也是值得重视的一条路径，因为它本身可以支持整个L2-L4级别的智能车辆，也更符合我们国家政策导向。
最后，周谷越副教授提出了对车路协同自动驾驶发展的展望，包括近期目标、中期目标和远期目标。通过这个高速的规模化落地，使高等级智能道路占比达到1%，L2+新车的占有率达到20%，再逐步扩大到全国大中城市以及全部高速落地，最后发展到全部自动驾驶规模化商用。
新四化已然成为汽车产业的必然趋势，自动驾驶将全面赋能交通产业，而车路协同技术作为其中的关键技术必然成为当前研究和发展的重点。《面向自动驾驶的车路协同关键技术与展望》白皮书不仅是清华大学智能产业研究院（AIR）和百度Apollo共同研究和探索下的重要成果，还极大填补了全球车路协同产业在关键技术上的空白。有了这份指导理论，高等级智能道路的建设和规模化落地，以及自动驾驶的规模商业化发展都将加速。我们也期待真正的自动驾驶时代快点到来！