摘 要：隨著全球交通擁堵和安全問題的日益突出，自動(dòng)駕駛技術(shù)的廣泛應(yīng)用被認(rèn)為是解決這些問題的重要途徑，單車智能技術(shù)（SAD）和智能車路協(xié)同系統(tǒng)（i-VICS）是當(dāng)前自動(dòng)駕駛領(lǐng)域的兩大研究熱點(diǎn)。本文闡述了單車智能和車路協(xié)同系統(tǒng)的基本概念和關(guān)鍵技術(shù)，討論了單車智能中的感知定位、決策規(guī)劃和控制執(zhí)行技術(shù)，以及車路協(xié)同系統(tǒng)中的協(xié)同感知定位、協(xié)同通信和分級云控技術(shù)，并回顧了不同技術(shù)的研究成果；總結(jié)了中、美、德、日對自動(dòng)駕駛技術(shù)路線的發(fā)展選擇，并討論了不同技術(shù)所帶來的商業(yè)性產(chǎn)業(yè)鏈變革；剖析了單車智能和車路協(xié)同所面臨的技術(shù)挑戰(zhàn)，以及自動(dòng)駕駛技術(shù)所面臨的社會(huì)與法律挑戰(zhàn)，并以此展望未來的發(fā)展方向，為自動(dòng)駕駛技術(shù)的創(chuàng)新和應(yīng)用提供參考。

關(guān)鍵詞：自動(dòng)駕駛技術(shù)；單車智能（SAD）技術(shù)；智能車路協(xié)同系統(tǒng)（i-VICS）；智能交通系統(tǒng)

Future of autonomous driving： Single autonomous driving and intelligent vehicle-infrastructure collaboration systems

Abstract： As global traffic congestion and safety concerns become increasingly prominent， the widespread application of autonomous driving technology is considered a vital solution. Two prominent areas of research in autonomous driving are single autonomous driving （SAD） and intelligent vehicle-infrastructure collaboration systems （i-VICS）. This paper explores the fundamental concepts and critical technologies of both. In terms of SAD， the focus is on perception， localization， decision-making， planning， and control execution， while i-VICS is centered on cooperative perception， collaborative localization， vehicle-to-infrastructure communication， and hierarchical cloud control. Furthermore， it reviews the progress of research in these technologies and summarizes the development paths chosen by China， the United States， Germany， and Japan. Thetransformative impact of these technologies on the commercial and industrial supply chains is also examined. Finally， the paper analyzes the technical challenges faced by both SAD and i-VICS， along with the social and legal challenges of autonomous driving， offering insights into future development directions， and providing a reference for the innovation and application of autonomous driving technology.

Key words： autonomous driving technology; single autonomous driving （SAD）; intelligent vehicle-infrastructure collaboration systems （i-VICS）; intelligent transportation systems

智能自動(dòng)駕駛技術(shù)是未來汽車領(lǐng)域發(fā)展的重要因素。隨著技術(shù)的成熟和商業(yè)化的加速，汽車將從駕駛工具變成自主導(dǎo)航的運(yùn)輸機(jī)器人，核心價(jià)值部件由傳統(tǒng)傳動(dòng)系統(tǒng)轉(zhuǎn)向智能軟件和處理芯片。駕駛員的肢體和雙眼將被解放，出行過程中的娛樂、社交和消費(fèi)場景將被徹底打開，開辟萬億級市場。目前越來越多的汽車變得智能化和網(wǎng)聯(lián)化，不僅能夠?qū)崿F(xiàn)自動(dòng)駕駛，還能與周邊車輛和道路進(jìn)行大規(guī)模數(shù)據(jù)交互?；谶@一發(fā)展，自動(dòng)駕駛領(lǐng)域出現(xiàn)了2 條不同的技術(shù)路線，即單車智能自動(dòng)駕駛 （single autonomous driving，SAD）和智能車路協(xié)同系統(tǒng) （intelligent vehicle-infrastructure collaboration systems，i-VICS）。

單車智能依賴內(nèi)置的雷達(dá)、攝像頭和傳感器感知道路狀況，通過計(jì)算機(jī)分析與決策選擇路徑，實(shí)現(xiàn)車輛實(shí)時(shí)控制。智能車路協(xié)同系統(tǒng)通過路側(cè)設(shè)備實(shí)時(shí)監(jiān)測道路中的車輛和行人，利用低延遲網(wǎng)絡(luò)獲取交通信息，實(shí)現(xiàn)車路協(xié)同的自動(dòng)駕駛。

盡管美國汽車工程師學(xué)會(huì) （Society of Automotive Engineers，SAE）指出L4-L5級別的自動(dòng)駕駛理想模式是實(shí)現(xiàn) “車端—路端—云端” 的高度協(xié)同^[1]，但車端智能和路端智能的發(fā)展并不完全同步。具體而言，單車智能主要通過車端技術(shù)實(shí)現(xiàn)車輛的傳感、感知、規(guī)劃和控制操作^[2]。相較之下，車路協(xié)同的發(fā)展主要依賴于車聯(lián)網(wǎng)路側(cè)基礎(chǔ)設(shè)施的建設(shè)。目前，單車智能的發(fā)展代表主要以谷歌派和Tesla派為代表，而車路協(xié)同的發(fā)展代表則以中國和歐洲的路側(cè)建設(shè)為代表。美國密歇根大學(xué)提出網(wǎng)聯(lián)和自動(dòng)駕駛車輛 （connected and autonomous vehicles，CAVs） 走廊技術(shù)，通過協(xié)調(diào)優(yōu)化CAV和智能交叉口，實(shí)現(xiàn)車路的信息交互^[3]。歐洲ERTR AC推出 “Connected Automated Driving Roadmap”計(jì)劃^[4]，將互聯(lián)和公共設(shè)施作為交通系統(tǒng)的長期目標(biāo)。中國在2020年明確了新型基礎(chǔ)設(shè)施建設(shè)的目標(biāo)，通過建設(shè)智能道路、智能交通系統(tǒng)和智慧城市，有望率先在網(wǎng)聯(lián)化維度取得突破。

雖然有大量研究專注于自動(dòng)駕駛單車智能和車路協(xié)同系統(tǒng)的調(diào)研，但針對兩者對比發(fā)展的研究相對較少。在單車智能方面，E. Yurtsever 等^[5] 針對自動(dòng)駕駛車輛的當(dāng)前挑戰(zhàn)、高級系統(tǒng)架構(gòu)、新興方法和核心功能包括 （ 定位、映射、感知、規(guī)劃和人機(jī)界面） 等研究進(jìn)行了全面審查，并在開源軟件上針對部分先進(jìn)算法進(jìn)行了對比分析。D. J. Yeong 等 ^[6] 評估了自動(dòng)駕駛汽車中常用的傳感器的能力和技術(shù)性能，主要關(guān)注大量視覺攝像頭、激光雷達(dá)傳感器和雷達(dá)傳感器等在各種條件下的工作效果及傳感器融合的主要方法。S. Atakishiye 等 ^[7]在人工智能技術(shù)的背景下，概述了用于自動(dòng)駕駛汽車的可解釋人工智能方法的發(fā)展，并詳細(xì)闡述了自動(dòng)駕駛汽車可解釋人工智能系統(tǒng)決策構(gòu)建，以應(yīng)對社會(huì)和法律要求的可解釋性。CHEN Long 等 ^[8] 針對自動(dòng)駕駛的發(fā)展提出了一種名為 SoS （survey of survey） 的調(diào)查方案，系統(tǒng)總結(jié)了自動(dòng)駕駛的發(fā)展，介紹了智能汽車的研究前景、倫理和未來方向。在車路協(xié)同方面，ZHANG Yi 等 ^[9]針對車輛的群體協(xié)同決策進(jìn)行了綜述，系統(tǒng)梳理了集中式和分布式兩種協(xié)同群體決策的研究，并對不同場景下的優(yōu)化和啟發(fā)式?jīng)Q策方法進(jìn)行了對比分析。DING Fei 等 ^[10] 在車路云一體化背景下，詳細(xì)闡述了智能網(wǎng)聯(lián)車路云協(xié)同系統(tǒng)的架構(gòu)技術(shù)，介紹了V2X （vehicle to everything） 的組網(wǎng)、融合定位和測試評價(jià)等關(guān)鍵技術(shù)，為車路協(xié)同云控制提供了未來的發(fā)展建議。林泓熠等^[11] 解析了車路協(xié)同的基本概念、研究方法和應(yīng)用場景，并對車路協(xié)同的核心技術(shù)模塊進(jìn)行了歸納介紹。M. Hasan 等 ^[12]" 對 V2X 生態(tài)系統(tǒng)進(jìn)行了廣泛概述，并對 V2X 領(lǐng)域內(nèi)的主要安全和隱私問題、當(dāng)前標(biāo)準(zhǔn)化活動(dòng)和現(xiàn)有防御機(jī)制進(jìn)行了綜合調(diào)研。C. Gschwendtner 等^[13]概述了 V2X 的實(shí)施狀況，分析了 V2X 主要的試驗(yàn)配置以及實(shí)施過程中的社會(huì)和監(jiān)管挑戰(zhàn)，通過專家評估這些挑戰(zhàn)，探討了對不同參與者的影響。

為了對單車智能自動(dòng)駕駛和車路協(xié)同系統(tǒng)的最新發(fā)展進(jìn)行綜合、全面的對比概述，本文通過這項(xiàng)調(diào)查研究系統(tǒng)性且對比性地闡述單車智能和車路協(xié)同的發(fā)展現(xiàn)狀，并對兩者的未來發(fā)展提供建設(shè)性意見和建議。本文的要點(diǎn)是：1） 針對單車智能和車路協(xié)同的定義，總結(jié)了2 種自動(dòng)駕駛路線的具體技術(shù)和關(guān)鍵應(yīng)用；2） 分析了不同國家對于單車智能和車路協(xié)同技術(shù)的路徑選擇，以及不同路徑所帶來的產(chǎn)業(yè)鏈變革；3） 明確了這 2 種技術(shù)當(dāng)前面臨的技術(shù)和社會(huì)法律挑戰(zhàn)，并展望了未來的研究方向。

單車智能技術(shù)

單車智能技術(shù)的發(fā)展主要依賴于自動(dòng)駕駛汽車車

載設(shè)備和算法集成的迭代升級。其核心競爭力在于強(qiáng)大的軟硬件功能、自動(dòng)駕駛算法、車載計(jì)算平臺(tái)和高精地圖等能力。因此，單車智能技術(shù)可以歸納為自動(dòng)駕駛的感知定位、決策規(guī)劃和控制執(zhí)行技術(shù)。

感知定位技術(shù)

自動(dòng)駕駛汽車的感知，本質(zhì)是對于事物狀態(tài)的估計(jì)問題，通常描述為從自身角度估計(jì)外界物體的狀態(tài)；通過觀測外界的物體，估計(jì)自身的狀態(tài)，稱之為定位。車輛的感知依賴于強(qiáng)大的車載設(shè)備和核心的感知算法，具體包括毫米波雷達(dá)、激光雷達(dá)、攝像頭等傳感器，其中中央控制器用于執(zhí)行車輛的感知算法，如圖1 所示。

感知定位數(shù)據(jù)集

通常根據(jù)感知場景的復(fù)雜性進(jìn)行說明。一個(gè)場景通?？梢苑纸鉃槎鄠€(gè)組成要素，包括主車、道路、障礙物和自然環(huán)境等。這不僅涉及各要素的靜態(tài)屬性和動(dòng)態(tài)行為狀態(tài)，還包括要素之間的組合和相互影響。道路方面，自動(dòng)駕駛汽車需要感知或識別道路結(jié)構(gòu)、道路設(shè)施以及交通標(biāo)志等關(guān)鍵要素。道路的復(fù)雜性不僅體現(xiàn)在結(jié)構(gòu)化與非結(jié)構(gòu)化的道路特征上，還包括道路子要素的動(dòng)態(tài)變化，例如紅綠燈故障、道路受損和車道線不完整等。障礙物方面，自動(dòng)駕駛汽車需要準(zhǔn)確地感知識別周圍的動(dòng)態(tài)參與者及其行為動(dòng)作，例如各類機(jī)動(dòng)車輛、非機(jī)動(dòng)車輛和行人。不同交通參與者可能會(huì)有任意轉(zhuǎn)向、緊急制動(dòng)和橫穿道路等行為，需要自動(dòng)駕駛汽車做出準(zhǔn)確且實(shí)時(shí)的感知反饋。自然環(huán)境方面，自動(dòng)駕駛汽車必須能夠適應(yīng)各種不同的氣象條件、光照條件和突發(fā)的自然災(zāi)害，從而定位自身的位置。通常這些條件還會(huì)影響車輛自身設(shè)備的功能。

近年來，研究人員主要集中在自動(dòng)駕駛場景下，從道路場景的語義分割和交通標(biāo)志識別 ^[14-15]、目標(biāo)識別 ^[16-17]、應(yīng)對復(fù)雜氣象條件 ^{[18-19] 以及多模態(tài)數(shù)據(jù)融}合 ^{[20-21] 等多個(gè)方面進(jìn)行研究和分析。然而，不同角度的自動(dòng)駕駛感知定位實(shí)現(xiàn)，大多需要龐大的自動(dòng)駕駛數(shù)據(jù)集和優(yōu)秀的深度學(xué)習(xí)模型。本文根據(jù)數(shù)據(jù)集的近 3 年引用量對現(xiàn)有自動(dòng)駕駛感知類數(shù)據(jù)集進(jìn)行歸納，如表 1 所示，其中 2023 的引用量截止到 2023 年 12 月。}

感知算法

感知數(shù)據(jù)集奠定了自動(dòng)駕駛感知的基礎(chǔ)，為感知定位任務(wù)提供了巨大幫助?？紤]到單車智能極大依賴自動(dòng)駕駛自身的算法能力，本文根據(jù)車載傳感器的功能，將單車的感知定位算法分為基于視覺的算法、基于點(diǎn)云的算法以及基于兩者融合的感知算法。

基于視覺的感知算法主要依賴于圖像傳感器 （ 如攝像頭） 獲取視覺數(shù)據(jù)，將圖像或視頻數(shù)據(jù)作為輸入，利用計(jì)算機(jī)視覺 （computer vision，CV） 技術(shù)進(jìn)行目標(biāo)檢測、跟蹤和語義分割等任務(wù)。這類算法可以通過基于像素的視頻來檢測環(huán)境中的道路、行人和其他障礙物，并使用幾何、光流、顏色或其他圖像特征進(jìn)行檢測?；谝曈X的感知算法可分為目標(biāo)檢測、目標(biāo)跟蹤和語義分割 3 種類型：

目標(biāo)檢測是指在圖像或視頻中確定和定位特定類別的物體。其任務(wù)是通過標(biāo)記邊界框來確定感興趣區(qū)域，并將其與不同的目標(biāo)類別進(jìn)行關(guān)聯(lián)，目的是找到圖像中存在的所有目標(biāo)并確定它們的位置，諸如 Faster R-CNN [31]、YOLO [32] 和 SSD [33] 等深度學(xué)習(xí)方法是目標(biāo)檢測的代表算法。

目標(biāo)跟蹤是指在連續(xù)幀的序列中追蹤已經(jīng)被檢測到的目標(biāo)，以獲得目標(biāo)在時(shí)間上的連續(xù)性和動(dòng)態(tài)信息。該任務(wù)通過在不同幀之間匹配目標(biāo)的位置和外觀特征來實(shí)現(xiàn)目標(biāo)的連續(xù)跟蹤，并根據(jù)目標(biāo)的運(yùn)動(dòng)模型和外觀模型進(jìn)行目標(biāo)位置的預(yù)測和更新，Kalman 濾波 [34]、粒子濾波 [35]、Dempster-Shafer [36] 理論等方法常用于目標(biāo)跟蹤領(lǐng)域。

語義分割涉及對圖像像素進(jìn)行分類，并分配不同的語義標(biāo)簽。與目標(biāo)檢測不同，語義分割算法不僅能識別和定位目標(biāo)，而且還會(huì)對圖像中的每個(gè)像素進(jìn)行分類。算法的輸出是一個(gè)與輸入圖像尺寸相同的分割掩碼，每個(gè)像素都被分配了一個(gè)語義標(biāo)簽。常見的語義分割算法如 U-Net [37]、HR-Net [38] 和 DeepLab [39] 等深度學(xué)習(xí)方法。

基于點(diǎn)云的感知算法主要依賴于由激光雷達(dá)等有源傳感器收集的三維空間中點(diǎn) （ 或測量到物體的距離 ）數(shù)據(jù)，這些點(diǎn)分布在離散的三維空間中，提供場景的幾何信息。這類算法將點(diǎn)云數(shù)據(jù)作為輸入，通過對點(diǎn)云進(jìn)行處理和分析，實(shí)現(xiàn)目標(biāo)檢測和跟蹤等任務(wù)。通常，該算法通過點(diǎn)的密度、幾何形狀或圖案，從點(diǎn)的質(zhì)量中導(dǎo)出場景結(jié)果，以便檢測對象?；邳c(diǎn)云的感知算法分為點(diǎn)云分割、目標(biāo)檢測跟蹤 2 種類型：

點(diǎn)云分割主要是將點(diǎn)云數(shù)據(jù)劃分為不同部分或類別，以識別和區(qū)分各種物體或場景元素，目的是將點(diǎn)云中的點(diǎn)歸類到特定的語義或?qū)ο箢悇e，如道路、建筑物、車輛和行人等，以便更好地理解和感知環(huán)境中的不同物體。常用的點(diǎn)云分割算法包括 GodNet [40]、 SalsaNet [41] 和 PointCNN [42] 等。

目標(biāo)檢測和跟蹤涉及在點(diǎn)云數(shù)據(jù)中識別和追蹤特定目標(biāo)，如車輛、行人和自行車等。點(diǎn)云目標(biāo)檢測的任務(wù)是確定點(diǎn)云中目標(biāo)的位置和邊界框，目標(biāo)跟蹤則是在連續(xù)幀的序列中追蹤已經(jīng)被檢測到的目標(biāo)，以獲得目標(biāo)在時(shí)間上的連續(xù)性和動(dòng)態(tài)信息。這些算法在點(diǎn)云數(shù)據(jù)中尋找目標(biāo)并提供目標(biāo)的位置和運(yùn)動(dòng)信息。常見的點(diǎn)云目標(biāo)檢測和跟蹤算法包括VoxelNet [43]、PointRCNN [44]和 PointGNN [45]等深度學(xué)習(xí)算法。

基于視覺和點(diǎn)云融合的感知算法需要傳感器融合技術(shù)來充分利用每個(gè)傳感器的優(yōu)勢，主要通過激光雷達(dá)和相機(jī)的融合使用來實(shí)現(xiàn)，通常以點(diǎn)云和 RGB 圖像作為輸入，利用 2D RGB 圖像和點(diǎn)云的相互優(yōu)勢來實(shí)現(xiàn)精確的 3D 對象感知。根據(jù)設(shè)備的差異，通?？梢詺w納為單目相機(jī)與雷達(dá)融合和立體相機(jī)與雷達(dá)融合兩種方式。 MA Fangchang 和 S. Karaman [46] 采用了一種基于 ResNet [47] 的自動(dòng)編碼器網(wǎng)絡(luò)，利用 RGB-D 圖像來預(yù)測密集深度圖。該研究融合單目相機(jī)與激光雷達(dá)，通過使用包含豐富 RGB 信息的 3D 集合圖像作為深度點(diǎn)

云的采樣參考，在單一特征融合過程中實(shí)現(xiàn)檢測目標(biāo)。在特征級融合中，A. Eldesokey 等人 [48] 開發(fā)了一個(gè)非制導(dǎo)框架，能夠同時(shí)處理圖像和深度影像。A. Valada 等人 [49] 擴(kuò)展了特征級融合，使其應(yīng)用于不同的深度時(shí)期。

GuideNet [50]在編碼器的不同階段整合了視覺和稀疏深度信息特征，從而引導(dǎo)稀疏深度的上采樣過程。

W. Van Gansbeke等人[51]在圖像引導(dǎo)的深度完成網(wǎng)絡(luò)研究中，將信號級融合與特征級融合相結(jié)合，該網(wǎng)絡(luò)由全局分支和局部分支構(gòu)成，用于并行處理RGB-D數(shù)據(jù)和深度數(shù)據(jù)，然后基于置信度圖將它們?nèi)诤稀?/p>

1.1.3 定位算法

定位技術(shù)通過融合多種傳感器產(chǎn)生的信息，增強(qiáng)了感知系統(tǒng)的精度和穩(wěn)健性。目前，單車智能定位的技術(shù)主要包括全球定位系統(tǒng) （global positioning system， GPS）、實(shí)時(shí)運(yùn)動(dòng)定位 （real-time kinematic，RTK） 和同步定位與建圖 （simultaneous localization and mapping， SLAM） 等技術(shù)。

GPS 定位是車輛通過接收衛(wèi)星信號計(jì)算自身位置的一種技術(shù)手段，通常至少需要四顆衛(wèi)星接收信號，以獲取車輛的三維信息。作為一種無源傳感器定位技術(shù)， GPS 為自動(dòng)駕駛提供了低成本、高效的解決方案，但也會(huì)受到多路徑效應(yīng)或信號阻塞的影響，從而造成信號誤差[52]。當(dāng)前主流的 GPS 定位通過位置校正技術(shù)提高了精度和可靠性，包括濾波異常信號 [53]、地圖輔助 [54]和融合不同測量源結(jié)果 [55] 等。例如，LU Wenjie 等[56]通過匹配低精度開源地圖提高了GPS 精度。M. Adjrad和 P. D. Groves [57] 提出了一種基于全球?qū)Ш叫l(wèi)星系統(tǒng) （global navigation satellite system，GNSS） 的定位方法，通過去除異常 GPS 信號并結(jié)合數(shù)字地圖的地形高度輔助。R. Kumar 和 M. G. Petovello [58] 通過匹配非直瞄信號延遲提高了GNSS 精度?？傮w而言，GPS 雖然相對準(zhǔn)確，但在某些情況下仍可能存在幾 m 到十幾 m 的誤差，這對自動(dòng)駕駛而言并不是最佳選擇。因此，GPS廣泛應(yīng)用于 L2 級別的自動(dòng)駕駛，更高級別的自動(dòng)駕駛則需要進(jìn)一步融合其他定位技術(shù)。

實(shí)時(shí)運(yùn)動(dòng)定位 RTK 是一種基于 GPS 增強(qiáng)的定位技術(shù)，自動(dòng)駕駛車輛通過接收固定基站的誤差校正信息來調(diào)整其接收到的 GPS 信號，從而提高定位精度。B. Vedder 等[59] 設(shè)計(jì)了一個(gè)低成本的自動(dòng)駕駛試驗(yàn)臺(tái)，其中定位系統(tǒng)的數(shù)據(jù)來自 RTK- 衛(wèi)星導(dǎo)航。WU Bingfei等 [60] 通過集成實(shí)時(shí)運(yùn)動(dòng)學(xué)差分全球定位系統(tǒng)和激光測距儀，設(shè)計(jì)了智能車輛的實(shí)時(shí)自主導(dǎo)航系統(tǒng)。J. HAN等[61] 為自動(dòng)駕駛快速噴霧器開發(fā)了一種移動(dòng)基線實(shí)時(shí)運(yùn)動(dòng)學(xué) / 運(yùn)動(dòng)傳感器集成定位算法，有效減小了自動(dòng)駕駛設(shè)備的定位誤差。

GPS 定位和 RTK 定位通常更適合車輛的導(dǎo)航操作，為全局路徑規(guī)劃提供了較大作用。然而要實(shí)現(xiàn)車輛實(shí)時(shí)的局部路徑規(guī)劃，必須實(shí)時(shí)獲取車輛的位姿信息。同步定位與建圖 SLAM 定位技術(shù)能實(shí)時(shí)預(yù)估運(yùn)動(dòng)中的車輛的姿態(tài)，并構(gòu)建附近環(huán)境的地圖。由于激光雷達(dá) SLAM 出現(xiàn)較早，因此具有更廣泛的應(yīng)用 [62]。

S. Milz 等 [63] 基于深度學(xué)習(xí)，介紹了CNN 網(wǎng)絡(luò)在處理視覺 SLAM 上的優(yōu)勢。C. Kim 等 [64] 利用激光雷達(dá)將高精地圖數(shù)據(jù)建模為點(diǎn)云地圖，并采用 SLAM 來估計(jì)車輛的姿態(tài)以實(shí)時(shí)更新地圖狀態(tài)。DAI Kai 等 [65]提出了一種基于多傳感器融合的 SLAM 和在線定位方法，以解決地圖漂移問題，實(shí)現(xiàn)了結(jié)構(gòu)表面定位精度在 20～30 cm 誤差范圍內(nèi)的高精度定位。

1.2" 決策規(guī)劃技術(shù)

車輛對所感知到的傳感器數(shù)據(jù)進(jìn)行分析處理后需要進(jìn)一步做出自身的決策。為了確定車輛當(dāng)前和未來的運(yùn)行軌跡，需要進(jìn)行全局路徑規(guī)劃、局部路徑規(guī)劃和即時(shí)動(dòng)作規(guī)劃。

在車輛的行為決策中，可分為戰(zhàn)略性 （strategy） 決策和戰(zhàn)術(shù)性 （tactic） 決策。戰(zhàn)略層決策涉及自動(dòng)駕馭汽車的宏觀表現(xiàn)，例如確定出行目的地時(shí)，車輛可以根據(jù)當(dāng)前全局交通的實(shí)時(shí)信息和預(yù)測信息，為駕駛者選擇何時(shí)出發(fā)、出行的最佳路線等。戰(zhàn)術(shù)層決策則表現(xiàn)為車輛在行進(jìn)過程中的微觀行為，例如面對復(fù)雜的動(dòng)態(tài)交通環(huán)境，推理生成加速、減速、換道、超車等駕駛行為?；谧詣?dòng)駕駛決策的特點(diǎn)，本文歸納 4 種單車智能決策模型，分別為規(guī)則模型、激勵(lì)模型、離散選擇模型和人工智能模型：

規(guī)則模型通過數(shù)學(xué)表達(dá)與固定序列下的邏輯結(jié)構(gòu)所構(gòu)建，這類模型通常是基于駕駛員視角而建立的，其擁有的變量較少、決策過程較易。例如上世紀(jì) 80 年代 P. G. Gipps 先后提出了跟馳模型 [66] 和換道模型 [67]，以確定車輛在跟馳行為和換道行為下的決策速度或加速度。

激勵(lì)模型是一種反映駕駛員的駕駛期望的決策模型，包含心理學(xué)和行為科學(xué)的理論，以及影響駕駛員決策的因素。這類模型通過最大化駕駛員的收益或期望水平，將所有可以考慮的因素轉(zhuǎn)化為少量效用值或期望值，以實(shí)現(xiàn)決策需求，例如 MOBIL 模型 [68] 和博弈論模型 [69]。

離散選擇模型是一種使用邏輯或概率的效用模型，通過考慮駕駛員對時(shí)間和決策變量的異質(zhì)性，以及每個(gè)決策階段內(nèi)可選項(xiàng)的效用值或概率值，來執(zhí)行決策的概率，諸如 Ahmed 模型 [70] 和間隙接受模型[71] 等。

人工智能模型是基于當(dāng)前交通大數(shù)據(jù)驅(qū)動(dòng)的狀態(tài)轉(zhuǎn)換模型。這類模型根據(jù)車輛或道路區(qū)域近期的歷史數(shù)據(jù)以及感知的實(shí)時(shí)數(shù)據(jù)，通過數(shù)據(jù)訓(xùn)練模型對智能網(wǎng)聯(lián)汽車的決策行為進(jìn)行輸出。在訓(xùn)練過程中，還可以通過數(shù)據(jù)捕捉交通的可變性，具有較強(qiáng)的適應(yīng)性。伴隨著 ChatGPT 式的生成式模型的爆火[72]，人

工智能將賦予自動(dòng)駕駛更多的未來可能性。目前，基于機(jī)器學(xué)習(xí) [73]、深度學(xué)習(xí) [74]、強(qiáng)化學(xué)習(xí) [75]，以及深度強(qiáng)化學(xué)習(xí) [76] 的人工智能模型已經(jīng)在單車智能決策領(lǐng)域發(fā)揮著巨大作用。此外，端到端式?jīng)Q策方案的應(yīng)用最早可以追溯到 1989 年，D. A. Pomerleau [77] 開發(fā)了為道路跟隨任務(wù)而設(shè)計(jì)的三層反向傳播網(wǎng)絡(luò)，通過從相機(jī)獲取

圖像信息作為輸入，并將車輛前進(jìn)的決策方向作為輸出，使車輛沿著目標(biāo)道路方向行駛。ZHANG Jian 等[78] 利用人工神經(jīng)網(wǎng)絡(luò)和大規(guī)模軌跡數(shù)據(jù)分析車道變化的復(fù)雜性。ZHAO Junwu 等[79] 通過構(gòu)建動(dòng)作集和狀態(tài)集，利用深度強(qiáng)化學(xué)習(xí)方法模擬行駛中車輛間的決策和互動(dòng)。YE Yingjun 等[80] 采用深度強(qiáng)化學(xué)習(xí)訓(xùn)練和學(xué)習(xí)車輛的決策，并在仿真情景中驗(yàn)證了其效率。GAO Xin等[81] 通過設(shè)計(jì)一個(gè)獎(jiǎng)勵(lì)矩陣，學(xué)習(xí)決策風(fēng)格，同時(shí)利用圖卷積網(wǎng)絡(luò)提取車輛交互的圖結(jié)構(gòu)特征，幫助車輛提高執(zhí)行決策的能力。總的來說，基于人工智能的自動(dòng)駕駛決策已經(jīng)成為未來的發(fā)展趨勢。

與決策技術(shù)相配合的是自動(dòng)駕駛的規(guī)劃技術(shù)。車輛的規(guī)劃模塊位于感知模塊的下游，控制模塊的上游，因此，當(dāng)自動(dòng)駕駛汽車在決策模塊下確定了具體的行為決策后，將在規(guī)劃模塊中生成銜接車輛當(dāng)前狀態(tài)與目標(biāo)狀態(tài)的幾何路徑或軌跡。規(guī)劃模塊通常與決策模塊共同負(fù)責(zé)自動(dòng)駕馭汽車的具體駕駛行為。由于道路場景的復(fù)雜性，自動(dòng)駕馭汽車在實(shí)際駕駛工況中既可能遭遇靜態(tài)障礙物，又可能因動(dòng)態(tài)交互對象而產(chǎn)生碰撞。因此，在運(yùn)動(dòng)規(guī)劃的整個(gè)過程中，車輛需要時(shí)刻滿足自身的運(yùn)動(dòng)學(xué)約束、動(dòng)力學(xué)約束、避撞約束，以及其他源自內(nèi)部系統(tǒng)或外部環(huán)境的時(shí)空約束條件 [82]。

根據(jù)車輛的不同規(guī)劃需求，自動(dòng)駕駛中的運(yùn)動(dòng)規(guī)劃可以劃分為路徑規(guī)劃 （path planning）" 和軌跡規(guī)劃 （trajectory planning）。路徑規(guī)劃是指根據(jù)駕駛?cè)说挠密囆枨蟠_定車輛的起點(diǎn)和終點(diǎn)，在滿足一定約束條件下，通過路徑規(guī)劃算法找到一條最優(yōu)的可行路徑，目的是解決自動(dòng)駕馭汽車的可達(dá)性問題，即車輛能否到達(dá)目標(biāo)點(diǎn)，以及如何到達(dá)；軌跡規(guī)劃是在給定路徑的基礎(chǔ)上，根據(jù)車輛的運(yùn)動(dòng)學(xué)、動(dòng)力學(xué)模型，確定自動(dòng)駕馭汽車在具體時(shí)刻的位置、速度和加速度狀態(tài)，目的是解決自動(dòng)駕馭汽車的運(yùn)動(dòng)性能問題，即車輛如何以最優(yōu)或最佳的方式運(yùn)動(dòng)，從而滿足安全、高效、舒適等要求。兩者的示例如圖 2 所示。

通常，路徑規(guī)劃是關(guān)于車輛的空間序列，在確定車輛的起始地點(diǎn)和目標(biāo)地點(diǎn)后，需要找到滿足空間要求的路徑點(diǎn)，生成可行駛的路徑。常見的路徑規(guī)劃方法包括圖搜索法[83-84]、曲線插值法[85-86]、人工勢場法[87-88]和智能優(yōu)化算法[89-90]。動(dòng)態(tài)軌跡規(guī)劃基于車輛的運(yùn)動(dòng)與動(dòng)力學(xué)模型及交通情況，從現(xiàn)狀推算至目標(biāo)狀態(tài)。通過考察車速、加速度和轉(zhuǎn)向，將時(shí)間約束集成到路徑點(diǎn)中形成軌跡點(diǎn)，以便符合這些規(guī)范能夠?qū)崿F(xiàn)自動(dòng)駕駛的路徑設(shè)計(jì)。常見的軌跡規(guī)劃方法有采樣方法[91-92]、曲線插值法[93-94]、數(shù)值優(yōu)化方法[95-96]和深度學(xué)習(xí)方法[97-98]。

1.3" 控制執(zhí)行技術(shù)

車輛的控制技術(shù)模塊用于配合規(guī)劃模塊，目的是為了保證車輛操縱的穩(wěn)定性和安全性，通過輸入已有的感知決策信息，進(jìn)而輸出相應(yīng)的控制參數(shù)給執(zhí)行機(jī)構(gòu)，如前輪偏角、車輪制動(dòng)力等，從而盡可能地控制車輛沿所制動(dòng)的執(zhí)行指令行駛。通常來說，自動(dòng)駕駛汽車的控制可以分為軌跡跟蹤控制、自適應(yīng)巡航控制 （adaptive cruise control，ACC）、 緊急制動(dòng)控制 （autonomous emergency braking，AEB）。

不同控制算法的基礎(chǔ)均與車輛的運(yùn)動(dòng)學(xué)模型和動(dòng)力學(xué)模型相關(guān)。運(yùn)動(dòng)學(xué)模型從幾何學(xué)的角度描述了車輛的運(yùn)動(dòng)規(guī)律，具體包括車輛在每個(gè)時(shí)刻的空間位姿，以及速度變化等，其模型示意圖如圖 3 所示，其中 XOY 表示大地坐標(biāo)系，（Xf，Yf） 和（Xr，Yr） 分別表示車輛的前軸和后軸軸心的坐標(biāo)，φ 和 δ_f 分別為車輛的橫擺角和前輪轉(zhuǎn)角，v_f 和 v_r 分別為車輛的前軸和后軸中心速度，l 為車身軸距。

根據(jù)車輛在運(yùn)動(dòng)過程的幾何關(guān)系以及相關(guān)的運(yùn)動(dòng)學(xué)約束，以車輛后輪為參考點(diǎn)所建立的運(yùn)動(dòng)學(xué)模型表達(dá)式為

或者

ξkin = fkin（ξkin， ukin）.

其中： ξ_kin = [X_r， Y_r， φ] 為狀態(tài)向量；u_kin = [v_r， δ_f] 為控制向量；v_r由油門剎車控制，δ_f由方向盤控制。在自動(dòng)駕馭汽車的軌跡跟蹤過程中，通常將控制量作為輸入量，以得到不同時(shí)刻的跟蹤狀態(tài)量大小。

對于車輛的整車動(dòng)力學(xué)模型，通常用于分析車輛的懸架平順性以及橫縱向的操作穩(wěn)定性。在動(dòng)力學(xué)模型中，會(huì)著重考慮車輛的輪胎特性與力的關(guān)系，并通過選取 Frenet 坐標(biāo)系，將縱向控制與橫向控制進(jìn)行解耦；

相關(guān)的三自由度動(dòng)力學(xué)模型示意圖如圖 4 所示。該模型考慮車輛的橫向、縱向和偏航運(yùn)動(dòng)。根據(jù) Newton 第二定律，可以得到車輛 3 個(gè)自由度的受力分析表示為：

圖 4 和式 （2） 中各個(gè)參數(shù)的含義如表 2 所示。

考慮車輛的前后輪滑移角以及輪胎的側(cè)偏特性，經(jīng)簡化和小角度假設(shè)后，代入式 （2），可得車輛動(dòng)力學(xué)模型，如式 （3） 所示。

軌跡跟蹤控制的根本目的是消除車輛在行駛過程中期望路線與實(shí)際行駛路線之間的軌跡偏差。常見的自動(dòng)駕駛汽車橫縱向控制算法包括純跟蹤法^[99]、 Stanley控制算法^[100]、比例-積分-微分（proportional- integral-derivative，PID）算法^[101]、線性二次型調(diào)節(jié)器 （linear quadratic regulator，LQR）算法^[102]和模型預(yù)測控制（model predictive control，MPC）算法^[103]等。其中，前

4種算法屬于無預(yù)測性質(zhì)的反饋控制，而MPC則屬于帶預(yù)測性質(zhì)的反饋控制方法。具體區(qū)別在于MPC可以使用預(yù)測水平來預(yù)測未來行為，并解決有限水平開環(huán)最優(yōu)控制問題。

自適應(yīng)巡航控制 ACC 是一種縱向控制技術(shù)，通過車載傳感器收集前車的距離和速度信息，并應(yīng)用加速度優(yōu)化算法來維持與前車的穩(wěn)定距離。ACC 控制的設(shè)計(jì)通常分為端對端控制和分層控制 ^[104]，其中端對端控制根據(jù)傳感器的運(yùn)動(dòng)狀態(tài)信息直接生成控制命令。 CAO Zhong 等^[105] 提出了一種基于時(shí)序神經(jīng)網(wǎng)絡(luò)的端到端 ACC 控制器，在機(jī)器學(xué)習(xí)框架中使用大量圖像駕駛數(shù)據(jù)進(jìn)行訓(xùn)練，并將控制命令直接發(fā)送到油門和剎車。分層控制器多采用典型的雙層控制結(jié)構(gòu)，頂層通過考慮車輛的多目標(biāo)因素以確定主車所需的期望狀態(tài)，底層由動(dòng)力學(xué)控制器和控制執(zhí)行器來跟蹤頂層生成的狀態(tài)。 ZHAO Shuo 等^[106] 將車輛的安全性和舒適性作為目標(biāo)，利用 MPC 得到上層 ACC 控制器的期望加速度，底層控制器采用 PID 控制跟蹤前車的速度和間距。

緊急制動(dòng)控制 AEB 被視為一種極端的跟馳模型，主要用于自動(dòng)駕駛車輛在周圍出現(xiàn)風(fēng)險(xiǎn)時(shí)采取提前預(yù)警、緊急制動(dòng)和其他避撞措施。AEB 的關(guān)鍵評估參數(shù)多為安全距離和即碰時(shí)間 （time to collision，TTC）。例如 YANG Wei 等^{[107] 使用分層控制的方法，構(gòu)建了 AEB- 行人保護(hù)系統(tǒng)。HAN Ichun 等[108] 提出了一種考慮不同道路摩擦對 TTC 制動(dòng)閾值影響的AEB 策略，使用組合滑移輪胎模型來估計(jì)峰值道路摩擦，再利用估計(jì)的峰值道路摩擦來獲得 TTC 的制動(dòng)閾值。}

除了上述傳統(tǒng)的車輛控制模型外，人工智能賦予車輛控制更多可能性，越來越多的學(xué)者致力于通過強(qiáng)化學(xué)習(xí)模型控制車輛行為。DING Haitao 等 ^{[109] 針對}聯(lián)網(wǎng)電動(dòng)汽車，提出了一種基于混合行動(dòng)空間中強(qiáng)化學(xué)習(xí)算法的增強(qiáng)型生態(tài)駕駛控制策略，該策略同時(shí)控制縱向速度和側(cè)向車道的操縱，以實(shí)現(xiàn)更多潛在的生態(tài)駕駛。HE Yixu 等^{[110] 基于深度確定性策略梯度 （deep deterministic policy gradient，DDPG） 算法提出了一種深度自適應(yīng)控制模型，該模型能夠使自車自適應(yīng)識別車輛跟馳風(fēng)險(xiǎn)等級，并保持與前車的間距，從而提高交通效率和安全性。清華大學(xué)以強(qiáng)化學(xué)習(xí)和近似動(dòng)態(tài)規(guī)劃為核心理論，開發(fā)了一種面向工業(yè)的最優(yōu)控制問題的強(qiáng)化學(xué)習(xí)求解工具包GOPS（general optimal control problem solver） [111]}，這一自動(dòng)駕駛和工業(yè)控制領(lǐng)域的實(shí)時(shí)高性能控制器能夠有效針對自動(dòng)駕駛車輛的控制行為進(jìn)行精確計(jì)算。

2"" 車路協(xié)同技術(shù)

車路協(xié)同系統(tǒng)利用先進(jìn)的通信技術(shù)，實(shí)現(xiàn)車輛與道路參與者和基礎(chǔ)設(shè)施的信息交換 （ 如圖 5 所示），通過動(dòng)態(tài)數(shù)據(jù)融合，提升交通安全與效率，構(gòu)建環(huán)保的交通體系 ^[112]。通過在路側(cè)安裝計(jì)算設(shè)備，車路協(xié)同系統(tǒng)中的路側(cè)邊緣計(jì)算單元可以為車輛提供數(shù)據(jù)支持和決策指令，并與車載計(jì)算平臺(tái)協(xié)同處理數(shù)據(jù)，以降低車載計(jì)算平臺(tái)的算力要求，從而降低自動(dòng)駕駛汽車對高性能計(jì)算能力的依賴。針對車路協(xié)同系統(tǒng)技術(shù)的研究，本文分別從多車協(xié)同定位技術(shù)、高可靠的車輛通信技術(shù)和分級的云控技術(shù)進(jìn)行總結(jié)。

2.1"" 協(xié)同感知定位技術(shù)

在現(xiàn)代智能交通系統(tǒng)中，車路協(xié)同感知定位建立在單車智能感知定位技術(shù)的基礎(chǔ)上，通過車輛與路側(cè)設(shè)施的緊密合作，實(shí)現(xiàn)了更加準(zhǔn)確和可靠車輛定位。相較于單車智能，基于車路協(xié)同的多車協(xié)同感知定位系統(tǒng)更加重視車輛群與路側(cè)智能交通設(shè)施之間的互動(dòng)。因此，其綜合利用了車載傳感器、GPS 數(shù)據(jù)以及路側(cè)設(shè)施的信息，通過高級數(shù)據(jù)處理和分析技術(shù)，提供實(shí)時(shí)的交通狀況和環(huán)境感知能力。這不僅有利于自動(dòng)駕駛汽車的發(fā)展，也為城市交通管理和路網(wǎng)優(yōu)化提供了新的解決方案。

當(dāng)前， 選擇路側(cè)感知系統(tǒng)技術(shù)路線的核心在于選擇適合的傳感器組和融合算法。與車端的感知技術(shù)相似，選擇不同的感知融合算法取決于利用傳感器獲取的交通環(huán)境數(shù)據(jù)。目前， 多傳感器進(jìn)行感知數(shù)據(jù)的獲取和處理仍然是路側(cè)感知系統(tǒng)的主流做法。K. I. Moharm 等^{[113] 指出，多傳感器驅(qū)動(dòng)的智能交通系統(tǒng)根}據(jù)監(jiān)測的廣泛數(shù)據(jù)源分析環(huán)境，預(yù)見未來變化，以便于調(diào)整和監(jiān)督。J. O. Kennedy [^{114] 指出通過整合多種傳}感器信息并應(yīng)用克里格法與粒子濾波技術(shù)，多傳感器數(shù)據(jù)融合可提升交通評估和預(yù)測的精準(zhǔn)度。

由于不同類型的傳感器具有不同的采集信息方式，數(shù)據(jù)融合呈現(xiàn)復(fù)雜的情形，通常包含數(shù)據(jù)級、特征級和決策級融合 3 種類型 ^[115]。WANG Binglu 等^{[116] 構(gòu)建了一個(gè)多模態(tài)融合的基線系統(tǒng)，作為實(shí)現(xiàn)協(xié)同感知的基礎(chǔ)框架，在多車協(xié)同環(huán)境下對多種特征融合策略進(jìn)行了評估和驗(yàn)證，以增加自動(dòng)駕駛感知系統(tǒng)的安全性和}可靠性。LIU Weijie 等^{[117] 通過融合毫米波雷達(dá)的檢測}數(shù)據(jù)和汽車與基礎(chǔ)設(shè)施通訊 （vehicle-to-infrastructure， V2I） 的協(xié)同通信數(shù)據(jù)，實(shí)現(xiàn)了對行人行為和碰撞的預(yù)測，車端和路端的共同作用保障了車輛的安全。MO Yanghui 等^{[118] 提出了一個(gè)感知框架，使車輛在發(fā)生損壞的情況下也能提供定位數(shù)據(jù)。}

同樣地，協(xié)同定位技術(shù)也是基于路端和車端設(shè)備的交互作用實(shí)現(xiàn)。路側(cè)單元通過圖像分析等方法提升車輛定位精度，最終融合車輛自身以外的位置數(shù)據(jù)、路側(cè)單元和地圖位置 ^{[119] 等數(shù)據(jù)提高GNSS 的定位精度。WANG Bo 等 [120] 提出了一種基于 5G、C-V2X、衛(wèi)星導(dǎo)航定位、融合感知技術(shù)的商用車車路協(xié)同系統(tǒng)。M.}

A. Hossain 等^{[121] 開發(fā)了一種協(xié)作定位技術(shù)，通過其他}車輛和 RSU 的位置數(shù)據(jù)進(jìn)行位置估計(jì)。面對 GPS 測量條件的未知性和時(shí)間變化性，LIU Siyuan 等 ^[122] 開發(fā)出能夠融合 GPS 信號并接收信號強(qiáng)度的觀測值和載波頻率偏移的定位系統(tǒng)。ZHANG Guohao 等^[123] 通過整合基于射線跟蹤的 3D 地圖輔助GNSS 與雙差分技術(shù)，減少了系統(tǒng)和隨機(jī)誤差。

需要注意的是，當(dāng)前路側(cè)智能系統(tǒng)在各種復(fù)雜狀況下仍不能完全滿足自動(dòng)駕駛車輛的需求，因?yàn)檎宪囕v與路側(cè)信息的資源仍顯不足。目前，清華大學(xué)智能產(chǎn)業(yè)研究院推出了首個(gè)集中于車路協(xié)同的智能自駕數(shù)據(jù)集— DAIR-V2X，支持3D檢測和軌跡預(yù)測等多項(xiàng)研究^[124]。

2.2" 協(xié)同通信技術(shù)

實(shí)現(xiàn)協(xié)同駕駛的另一個(gè)關(guān)鍵在于網(wǎng)絡(luò)通信。在自動(dòng)駕駛中，傳感器數(shù)據(jù)和位置數(shù)據(jù)的實(shí)時(shí)傳輸，甚至車內(nèi)娛樂功能的數(shù)據(jù)傳輸，都需要更高的網(wǎng)絡(luò)帶寬和更低的網(wǎng)絡(luò)延遲；因此，針對車聯(lián)網(wǎng)通信技術(shù)的研究層出不窮。自上世紀(jì) 90 年代起，一些國際標(biāo)準(zhǔn)組織，如美國的 ASTM/IEEE、日本的 ISO/TC204、歐洲的 CEN/TC278， 已經(jīng)開始制定專用短程通信（dedicated short range communications，DSRC） 標(biāo)準(zhǔn)的工作 ^[125]。中國也于 2016 年制定了智能網(wǎng)聯(lián)汽車 LTE-V 協(xié)議的標(biāo)準(zhǔn)，進(jìn)一步推動(dòng)了自動(dòng)駕駛通信技術(shù)的發(fā)展 ^[126]。此外，第 5 代移動(dòng)通信網(wǎng)絡(luò)也被是為車聯(lián)網(wǎng)和自動(dòng)駕駛的關(guān)鍵推動(dòng)者，為車路協(xié)同通信提供了強(qiáng)大支持 ^[127]。

不同于傳統(tǒng)關(guān)于車內(nèi)通信技術(shù) （ 例如控制器局域網(wǎng)、FlexRay 等 ） 的介紹，本文主要通過介紹車間網(wǎng)絡(luò)通信技術(shù)，以強(qiáng)調(diào)車路協(xié)同通信的優(yōu)勢。

對于車聯(lián)網(wǎng)技術(shù)而言，車載隨意移動(dòng)網(wǎng)絡(luò)（vehicular ad-hoc network，VANET）是道路中常見的移動(dòng)通信技術(shù)。作為移動(dòng)自組織網(wǎng)絡(luò)的一個(gè)新興子類，VANET能夠自發(fā)地創(chuàng)建移動(dòng)設(shè)備/車輛網(wǎng)絡(luò)^[128]，其通常由3部分組成，分別為車載單元（on board unit，OBU）、路側(cè)單元 （road side unit，RSU）和可授權(quán)機(jī)構(gòu)（trusted authority， TA） [1^29]。其中，OBU一種基于GPS的跟蹤設(shè)備，用于車輛間的相互通信以及與RSU通信^[130]；RSU則是固定在高速道路、停車場和交叉路口等特定位置的計(jì)算單元，提供了自動(dòng)駕駛汽車和基礎(chǔ)設(shè)施之間的連接，并協(xié)助車輛本地化^[131]；TA是一個(gè)用于管理VANET整個(gè)過程的機(jī)構(gòu)^[132]，只有有效的RSU和車輛OBU才能注冊和通信，因此它可以為車輛提供強(qiáng)大的安全性。

當(dāng)前，車路協(xié)同環(huán)境下的VANET可以實(shí)現(xiàn)V2X通信，具體包括車車互聯(lián)（vehicle-to-vehicle，V2V）通信^[133]、 V2I通信^[134]、車輛對行人（vehicle-to- pedestrian，V2P）通信^[135]等。V2V通信使用網(wǎng)狀連接不同節(jié)點(diǎn) （即車輛） 構(gòu)建一個(gè)網(wǎng)絡(luò)，使車輛能夠互相溝通，同時(shí)分享必需的交通堵塞、事故及限速信息。V2I通信是自組織的、無線的和雙向的，它允許車輛與RSU交互，RSU則將收集到的數(shù)據(jù)用于交通監(jiān)督和管理，通過設(shè)置不同的速度變量，使車輛能夠最大限度地提高燃油效率并控制交通流量； V2P通信通過廣播車輛信息給附近的行人或其他弱勢道路用戶的移動(dòng)設(shè)備，以最大限度地減少潛在的危險(xiǎn)，并提高自動(dòng)駕駛汽車在道路上的接受度。

根據(jù)車輛與交互對象的傳輸距離差異，VANET 又可以分為短程通信、中距離通信和遠(yuǎn)程通信 3 種無線技術(shù)。短程通信以藍(lán)牙、紫蜂 （ZigBee） 和超寬帶技術(shù) （ultra-wide band，UWB） 為主，由于藍(lán)牙傳輸范圍太小，一般不會(huì)使用在車車間的通信場景；ZigBee 支持的傳輸范圍最長可達(dá) 100 m，廣泛應(yīng)用于高級駕駛員輔助系統(tǒng)中 ^[136]，但在擁堵的城市道路中，ZigBee 的傳輸效率會(huì)有所下降，并產(chǎn)生較大的端到端延遲 ^[137]。UWB 技術(shù)應(yīng)用于極低功率的設(shè)備中運(yùn)行，可以在密集城市環(huán)境中幫助車輛實(shí)現(xiàn)快速定位 ^[138]，成為定位與通信技術(shù)的最佳聯(lián)動(dòng)。中距離通信以廣為熟知的 DSRC 技術(shù)為主，廣泛應(yīng)用于V2V 和 V2I 通信，包括檢測道路障礙物、發(fā)送交通警告等。此外，DSRC 還可以幫助建立包括高速公路車隊(duì)管理、安全超車等在內(nèi)的交通管理系統(tǒng) ^[139]。遠(yuǎn)程通信技術(shù)以C-V2X 和 5G-NR 通信技術(shù)為代表。 C-V2X 技術(shù)由 3GPP 第14 版引入，并在 3GPP 第15 版進(jìn)一步開發(fā)，以滿足 5G 通信的標(biāo)準(zhǔn)，車輛可以通過蜂窩網(wǎng)絡(luò)與周圍環(huán)境進(jìn)行通信交互 ^[140]。C-V2X 具有可靠性高、應(yīng)用范圍廣等特點(diǎn)，可以在密集交通環(huán)境下進(jìn)行高速通信，通過切換車載通信模式，實(shí)現(xiàn)車輛與基站

通信（ 模式 3） 和車輛間相互通信（ 模式 4） [^141]。5G-NR技術(shù)則是 C-V2X 的進(jìn)化升級通信技術(shù)，提供更高的數(shù)據(jù)速率、更低的延遲，并實(shí)現(xiàn)多種設(shè)備之間的通信 ^[142]。目前，5G-NR 有望應(yīng)用于基礎(chǔ)交通設(shè)施的改造，并為自動(dòng)駕駛車輛通信的安全和隱私提供巨大幫助。

車路協(xié)同通信技術(shù)展現(xiàn)了豐富的多樣性，在 V2V方面，它主要體現(xiàn)在車輛決策和隊(duì)列控制的應(yīng)用場景中。PENG Haixia 等 ^[143] 基于IEEE 802.11p 通信協(xié)議，將自動(dòng)駕駛車輛組織成隊(duì)列的方式行駛在同一車道上，通過集群管理，減少了交通堵塞，提高了道路空間利用率和安全性。P. Fernandes 和 U. Nunes ^[144] 認(rèn)為，隊(duì)列頭車之間的恒定間距是獲得高通行能力的基礎(chǔ)，并提出了一套保持恒定間距以及允許自動(dòng)駕駛汽車協(xié)同進(jìn)入主路的算法。ZENG Tenchan 等^[145] 提出的框架能夠聯(lián)合考慮無線 V2V 網(wǎng)絡(luò)的延遲和自動(dòng)駕駛汽車控制系統(tǒng)的穩(wěn)定性來優(yōu)化自動(dòng)駕駛汽車車隊(duì)的操作。

在 V2I 方面，車路協(xié)同通信不僅有助于車輛在通信后做出決策，更有助于交通管理的實(shí)施。L. C. Bento等^{[146] 介紹了一種應(yīng)用于道路交叉口的智能交通管理系統(tǒng)，基于 V2V 和 V2I 通信，他們開發(fā)了一個(gè)微觀交通模擬器來研究智能交通管理技術(shù)并評估其性能，希望通過該智能管理技術(shù)最大限度地減少事故和交通擁堵。 LI Yuying 等[147] 提出交叉口的優(yōu)先級由靜態(tài)沖突矩陣和動(dòng)態(tài)信息列表決定，以此提出一種 V2I 環(huán)境下的自動(dòng)駕駛汽車交叉口管理策略，并有效降低交叉口的車輛延誤。FANG Yukun 等 [148] 研究了 V2I 通信的統(tǒng)計(jì)特性，通過考慮 V2I 的通信延遲，提出了一種基于統(tǒng)計(jì)技術(shù)的通信時(shí)延估計(jì)模型，以實(shí)現(xiàn)智能網(wǎng)聯(lián)汽車在匝道合流區(qū)的集中合流。}

2.3"" 分級云控技術(shù)

云控技術(shù)是車路協(xié)同的另一項(xiàng)關(guān)鍵技術(shù)。由于自動(dòng)駕駛汽車車載終端和基礎(chǔ)設(shè)施路側(cè)終端的存儲(chǔ)和計(jì)算能力有限，需要強(qiáng)大的計(jì)算技術(shù)來處理自動(dòng)駕駛汽車難以完成的任務(wù)，車路協(xié)同的發(fā)展逐漸引入了云控技術(shù)，以處理自動(dòng)駕駛的計(jì)算密集型任務(wù)^[149]。然而，這種方法需要高帶寬來傳輸原始數(shù)據(jù)，可能會(huì)導(dǎo)致自動(dòng)駕駛汽車與云端之間的通信鏈路延遲增加。因此，云控技術(shù)更適用于長期和非實(shí)時(shí)的自動(dòng)駕駛?cè)蝿?wù)，如大規(guī)模模型訓(xùn)練、高精度地圖的生成與更新，以及海量數(shù)據(jù)的存儲(chǔ)和模擬等。此外，自動(dòng)駕駛汽車處于非使用狀態(tài)時(shí)，也可以從云端獲取數(shù)據(jù)更新。

云控技術(shù)主要提供 2 個(gè)功能：分布式計(jì)算和分布式存儲(chǔ) ^[150]。分布式計(jì)算指的是利用多臺(tái)通常物理分離的計(jì)算機(jī)共同完成任務(wù)或解決計(jì)算問題，這些計(jì)算機(jī)通過網(wǎng)絡(luò)連接，并且可以并行地處理環(huán)境數(shù)據(jù)和車路系統(tǒng)產(chǎn)生的大量實(shí)時(shí)數(shù)據(jù)，包括車輛位置、速度、路況等。通過分布式計(jì)算，可以在多個(gè)計(jì)算節(jié)點(diǎn)上并行處理這些數(shù)據(jù)，以實(shí)現(xiàn)快速的交通流分析和預(yù)測。T. Gavankar 等 ^{[151] 為了高效處理大量的自動(dòng)駕駛圖像，}利用 3 臺(tái)主機(jī)并采用HIPI 分布式計(jì)算對KITTI 數(shù)據(jù)集進(jìn)行了處理，有效提高了自動(dòng)駕駛圖像處理的運(yùn)行效率。M. Spryn 等 ^{[152] 提出了一種利用云計(jì)算技術(shù)的架構(gòu)，通過在虛擬機(jī)池中分布訓(xùn)練過程來減少自動(dòng)駕駛深度強(qiáng)化學(xué)習(xí)模型的訓(xùn)練時(shí)間，結(jié)果證明小型機(jī)器集群確實(shí)能夠有效降低模型的訓(xùn)練時(shí)間。ZHOU Su等 [153] 將分布式群組計(jì)算問題建模為基于市場的最優(yōu)計(jì)算資源分配問題，并以此開發(fā)了一種軟件定義網(wǎng)絡(luò) （software de?ned network，SDN） 架構(gòu)， 在一種星形拓?fù)渲袑⒆詣?dòng)駕駛車輛的計(jì)算任務(wù)外包給以其為中心的其他自動(dòng)駕駛車輛，通過市場機(jī)制降低了自身的計(jì)算成本。U. Y. Muhammad 等 [154] 實(shí)現(xiàn)了一個(gè)基于云平臺(tái)的視頻分析系統(tǒng)，通過并行訓(xùn)練幾個(gè)子模型，并將它們組合在一個(gè)中心模型中，有效減少了原始模型訓(xùn)練的資源使用和訓(xùn)練時(shí)間。}

分布式存儲(chǔ)涉及將數(shù)據(jù)存儲(chǔ)在物理上分散的多個(gè)位置，而不是集中在單一位置。這些存儲(chǔ)資源通過網(wǎng)絡(luò)連接，協(xié)同工作以提供數(shù)據(jù)的高可用性、容錯(cuò)能力和伸縮性。分布式存儲(chǔ)常常應(yīng)用于車路系統(tǒng)中大量數(shù)據(jù)的存儲(chǔ)和備份，便于不同地點(diǎn)的交通管理中心、車輛和基礎(chǔ)設(shè)施共享和訪問數(shù)據(jù)，促進(jìn)信息交流和合作。 WANG Ruijun 等 ^{[155] 提出了一種稱為 HydraSpace 的計(jì)算存儲(chǔ)系統(tǒng)，通過多層存儲(chǔ)架構(gòu)和實(shí)用的壓縮算法來管理自動(dòng)駕駛傳感器數(shù)據(jù)，最終在保持自動(dòng)駕駛應(yīng)用程序的可比性能的同時(shí)，有效減小了存儲(chǔ)空間。YU Rong 等 [156] 通過將云計(jì)算技術(shù)集成到車輛網(wǎng)絡(luò)，允許自動(dòng)駕駛車輛共用計(jì)算資源、存儲(chǔ)容量和網(wǎng)絡(luò)帶寬。 HUANG Yaodong 等人 [157] 通過設(shè)備之間的數(shù)據(jù)交換得到可達(dá)性信息，進(jìn)而確定了受青睞的候選緩存節(jié)點(diǎn)。}

伴隨著信息技術(shù)的快速發(fā)展，車路云的概念逐漸走入公眾視野。2023年1月，中國智能網(wǎng)聯(lián)汽車產(chǎn)業(yè)創(chuàng)新聯(lián)盟面向車路協(xié)同的建設(shè)發(fā)布了《車路協(xié)同一體化系統(tǒng)白皮書》^[158]。該文件提到了關(guān)于云控平臺(tái)的技術(shù)構(gòu)成，該平臺(tái)包含2個(gè)層級，分別為云控應(yīng)用平臺(tái)和云控基礎(chǔ)平臺(tái)，并且兩者保持1 + N的模式，即形成包含“1”個(gè)云控基礎(chǔ)平臺(tái)與“N”個(gè)由云控基礎(chǔ)平臺(tái)所支撐的云控應(yīng)用平臺(tái)的“1 + N”拓?fù)浣Y(jié)構(gòu)，其系統(tǒng)架構(gòu)如圖6所示。

云控基礎(chǔ)平臺(tái)采用邊緣—區(qū)域—中心三級分層體系結(jié)構(gòu)：邊緣層云緊鄰道路一側(cè)布置，通過光纖與 RSU 相連，支持變道策略、超視距風(fēng)險(xiǎn)預(yù)警實(shí)施；區(qū)域?qū)釉颇軌驅(qū)崿F(xiàn)車隊(duì)行駛管理、道路預(yù)警和路線引導(dǎo)等功能；中心云的作用涵蓋實(shí)時(shí)與非實(shí)時(shí)的交通狀態(tài)監(jiān)測、規(guī)劃設(shè)計(jì)評估、駕駛分析、車輛診斷與保險(xiǎn)定價(jià)等，確保這些功能在整個(gè)系統(tǒng)中順暢協(xié)作。因此，通過這種協(xié)作，平臺(tái)能夠針對車輛及交通流的優(yōu)化需求，統(tǒng)一調(diào)控和管理云控基礎(chǔ)平臺(tái)及其協(xié)作應(yīng)用"" 。

基于車路多傳感器融合，以及 LTE/5G-V2X 通信系統(tǒng)的加持，分級云控技術(shù)能夠支持自動(dòng)駕駛的汽車預(yù)計(jì)每年產(chǎn)生超過 300 TB 的數(shù)據(jù)^[161]，為研究自動(dòng)駕駛提供了充實(shí)的基礎(chǔ)。

單車智能與車路協(xié)同的綜合探討

無論是單車智能還是車路協(xié)同，均是實(shí)現(xiàn)高等級自動(dòng)駕駛的關(guān)鍵方向，兩者的本質(zhì)體現(xiàn)為技術(shù)和成本在車側(cè)和路側(cè)的分配。然而，這種分配受多種因素影響，包括政府對智能公路改造的支持、各地路況、交通用戶特性、地圖和定位技術(shù)的精確性、高性能感測設(shè)備的成本、用戶的支付意愿及轉(zhuǎn)換費(fèi)用等。這些因素共同決定了自動(dòng)駕駛投資的方向，進(jìn)而影響技術(shù)和成本在車側(cè)和路側(cè)的分配方案與研究路線。

自動(dòng)駕駛的路徑選擇

各個(gè)國家對于自動(dòng)駕駛路徑的選擇不同，以中、美、日本和德國為例，不同國家的戰(zhàn)略優(yōu)勢如圖 7 所示。

對于美國而言，人工智能比較發(fā)達(dá)，谷歌等科技巨頭在自動(dòng)駕駛領(lǐng)域的人工智能算法方面有深厚的技術(shù)積淀，保持一定的優(yōu)勢。然而，美國在通信行業(yè)和5G領(lǐng)

域落后于中國，基礎(chǔ)設(shè)施投資主要由市場主導(dǎo)而非政府主導(dǎo)，且國民更崇尚自由獨(dú)立，重視個(gè)人隱私，可能導(dǎo)致車路協(xié)同基礎(chǔ)設(shè)施投資不足，網(wǎng)聯(lián)化推動(dòng)進(jìn)程緩慢。因此，單車智能可能是美國互聯(lián)網(wǎng)巨頭和互聯(lián)網(wǎng)造車新貴普遍采取的方案，通過提高車輛自身的感知、決策和控制能力，使其達(dá)到甚至超越人類司機(jī)的駕駛水平。不論是單車智能的“谷歌派”還是“Tesla派”，其核心能力都是人工智能算法和決策芯片，這也是美國的戰(zhàn)略優(yōu)勢所在。

在中國，以華為為首的通信企業(yè)在 5G 技術(shù)上取得顯著領(lǐng)先，不僅部署了大量的 4G 與 5G 基站，實(shí)現(xiàn)了廣泛的網(wǎng)絡(luò)覆蓋，還由政府推動(dòng)各類基礎(chǔ)設(shè)施的發(fā)展建設(shè)。此外，中國堅(jiān)持使用 5G LTE-V2X 技術(shù)規(guī)范更新道路，以支持 LTE-V2X 向 5G-V2X 的平穩(wěn)轉(zhuǎn)換。目前，中國的車路協(xié)同研究已經(jīng)在無人出租車、電動(dòng)公交車等基礎(chǔ)交通工具中取得了一定成果。因此，中國的車路協(xié)同有望進(jìn)入快速發(fā)展階段，通過降低自動(dòng)駕駛的復(fù)雜度和車載成本，補(bǔ)足單車智能化進(jìn)程中的短板，形成具有中國特色的發(fā)展路徑，并可能先于美國實(shí)現(xiàn) L4至 L5 級別自動(dòng)駕駛技術(shù)的廣泛商用。

德國和日本擁有發(fā)達(dá)的汽車工業(yè)和成熟的整車制造能力，其高精尖制造業(yè)世界領(lǐng)先，對自動(dòng)駕駛的研究也早于其他國家。早在 2015 年，奧迪、寶馬和戴姆勒

等德國汽車制造商組成的聯(lián)盟以 28 億歐元收購了高精地圖公司HERE ^[162]，以配合自動(dòng)駕駛技術(shù)的研發(fā)。同年，德國政府發(fā)布了《自動(dòng)和聯(lián)網(wǎng)駕駛策略》^[163]，通過投入大量資金鼓勵(lì)企業(yè)和研究機(jī)構(gòu)的發(fā)展，并建設(shè)了諸多自動(dòng)駕駛測試場所。在政府支持下，日本的主要汽車制造商也在加大自動(dòng)駕駛技術(shù)領(lǐng)域的研發(fā)投入。特別是豐田汽車公司在日本靜岡縣的裾野市建造的智慧城市，目標(biāo)是實(shí)現(xiàn)更加廣泛的互聯(lián)網(wǎng)連接 ^[164]。本田汽車也在逐步推出能夠在高速公路上實(shí)現(xiàn) L3 級自動(dòng)駕駛功能的車型。然而，考慮到德日等國在 AI、5G 領(lǐng)域均處于追趕者的角色，其國內(nèi)市場容量有限，因此在美國和歐洲開展單車智能路線的同時(shí)，也會(huì)在中國部署車路協(xié)同方案，但將面臨 Waymo、百度等互聯(lián)網(wǎng)科技巨頭和華為等信息與通信技術(shù) （information and communications technology，ICT） 龍頭企業(yè)的挑戰(zhàn)與沖擊。

不同國家對自動(dòng)駕駛發(fā)展路徑的選擇取決于其自身的發(fā)展目標(biāo)、市場容量及關(guān)鍵技術(shù)領(lǐng)域的競爭地位。美國和中國作為兩大科技強(qiáng)國，在自動(dòng)駕駛技術(shù)的發(fā)展方向上顯示出明顯的差異化策略。這不僅體現(xiàn)在技術(shù)實(shí)力的不同分布上，更在于兩國對未來汽車產(chǎn)業(yè)的戰(zhàn)略規(guī)劃和市場預(yù)期。美國側(cè)重于通過其在人工智能和芯片技術(shù)方面的優(yōu)勢，推動(dòng)單車智能的發(fā)展；中國則利用其在 5G 技術(shù)和基礎(chǔ)設(shè)施建設(shè)方面的領(lǐng)先地位，著力發(fā)展車路協(xié)同系統(tǒng)。兩種不同的發(fā)展路徑不僅代表各自的技術(shù)優(yōu)勢，也反映了不同的市場需求和政策導(dǎo)向。德國和日本則傾向于在保持其汽車制造優(yōu)勢的同時(shí)，探索自動(dòng)駕駛技術(shù)的集成和應(yīng)用。這種策略雖然在某種程度上受限于這些國家在人工智能和 5G 等領(lǐng)域的追趕地位，但能夠有效利用其現(xiàn)有的工業(yè)基礎(chǔ)和技術(shù)積累。

不同路徑的產(chǎn)業(yè)鏈變革

單車智能路線下的產(chǎn)業(yè)變革

無論是單車智能還是車路協(xié)同的理論研究，其最終目標(biāo)都是實(shí)現(xiàn)自動(dòng)駕駛的商業(yè)化落地。不同的路徑選擇決定了自動(dòng)駕駛產(chǎn)業(yè)鏈的價(jià)值分配和格局變革。單車智能將極大程度顛覆汽車產(chǎn)業(yè)鏈原有的價(jià)值分配格局，使汽車不再只是駕駛工具，而成為自主導(dǎo)航的運(yùn)輸機(jī)器人。而車路協(xié)同路徑不僅對汽車產(chǎn)業(yè)鏈帶來極大影響，還極大推動(dòng)了相關(guān)基礎(chǔ)設(shè)施設(shè)備提供商、通信運(yùn)營商和解決方案提供商的發(fā)展。

圖 8 表示美國汽車產(chǎn)業(yè)鏈的未來價(jià)值分配格局。在美國， 互聯(lián)網(wǎng)科技巨頭如 Waymo 借助 Google 和 Alphabet 的力量，已經(jīng)構(gòu)建了包含人工智能在內(nèi)的多方面的壁壘 ^[165]。其推出的經(jīng)濟(jì)實(shí)惠的 Waymo One 出租車服務(wù) ^[166]，破壞了傳統(tǒng)出行公司的流量和平臺(tái)優(yōu)勢。

在互聯(lián)網(wǎng)科技巨頭逐漸涉足自動(dòng)駕駛領(lǐng)域的同時(shí)，傳統(tǒng)汽車制造商也在積極維護(hù)它們在汽車市場中的影響力。他們通過自主研發(fā)和資本運(yùn)作規(guī)劃自動(dòng)駕駛技術(shù)。例如，通用汽車公司收購了舊金山的自動(dòng)駕駛公司 Cruise Automation [^167]，以及一家制造激光雷達(dá)的公司，同時(shí)引入軟銀的投資，以獲得相關(guān)的生態(tài)資源，旨在成為提供“全棧式”自動(dòng)駕駛解決方案的供應(yīng)商。2020 年， Cruise 正式獲得了自動(dòng)駕駛載客運(yùn)營許可證 ^[168]，逐步開始了自動(dòng)駕駛的運(yùn)營工作。此外，為加快自動(dòng)駕駛布局，豐田旗下的 AISIN、ADVICS、JTEKT 和 DENSO 4 家公司于 2019 年成立了一家合資企業(yè)，專注于開發(fā)自動(dòng)駕駛汽車的剎車、轉(zhuǎn)向以及相關(guān)部件管理軟件 ^[169]。

除了互聯(lián)網(wǎng)科技巨頭和傳統(tǒng)主機(jī)廠商外，在智能單車領(lǐng)域，眾多創(chuàng)業(yè)企業(yè)紛紛涌現(xiàn)，這些公司大多是非全棧解決方案提供商，專注于特定場景下的布局，主要集中在提供L4/L5級別的自動(dòng)駕駛技術(shù)解決方案上。例如，在加州機(jī)動(dòng)車輛部（department of motor vehicles， DMV）2022年度平均接管里程的統(tǒng)計(jì)中^{[170] （如圖9所示}），美國兩大初創(chuàng)公司獨(dú)角獸NURO、ZOOX，以及中國的自動(dòng)駕駛初創(chuàng)公司AutoX、Pony. AI都表現(xiàn)出色。自動(dòng)駕駛的新興公司正積極與著名汽車生產(chǎn)商合作，共創(chuàng)高級駕駛輔助系統(tǒng)（advanced driving assistance system，ADAS），并提供個(gè)性化服務(wù)。為提升車輛感知決策功能，各大汽車品牌選擇投資或并購這些初創(chuàng)企業(yè)。

3.2.2 車路協(xié)同路線下的產(chǎn)業(yè)變革

除了上述單車智能發(fā)展帶來的產(chǎn)業(yè)鏈變革，車路協(xié)同的發(fā)展路線也在逐步改變相關(guān)產(chǎn)業(yè)鏈的分配格局。

中國作為車路協(xié)同技術(shù)路線的推動(dòng)者，其汽車產(chǎn)業(yè)的“微笑曲線”（ 見圖 10） 與美國相近，但由于車路協(xié)同需要進(jìn)一步考慮路側(cè)的建設(shè)，在未來的汽車產(chǎn)業(yè)鏈價(jià)值分配格局中，將會(huì)存在更多車輛行業(yè)之外的從業(yè)者。這些從業(yè)者包括車路協(xié)同相關(guān)的基礎(chǔ)設(shè)施設(shè)備提供商、通信運(yùn)營商和解決方案提供商，他們將成為車路協(xié)同建設(shè)路線中不可或缺的力量。

目前，中國車路協(xié)同行業(yè)的投融資主要集中在車聯(lián)網(wǎng)領(lǐng)域，因此車聯(lián)網(wǎng)行業(yè)的發(fā)展速度十分快，形成了一個(gè)以LTE-V2X 為核心的全面產(chǎn)業(yè)生態(tài)系統(tǒng)。這一生態(tài)系統(tǒng)包括從通信芯片、通信模組、終端設(shè)備、汽車制造、運(yùn)營服務(wù)、測試與認(rèn)證到高精度定位和地圖服務(wù)等多個(gè)環(huán)節(jié)的完整產(chǎn)業(yè)鏈 ^[171]，相關(guān)產(chǎn)業(yè)地圖，如圖11 所示。

在車路協(xié)同的總體布局中，百度 Apollo 于 2020 年 4 月發(fā)布“ACE 交通引擎”^[172]，整合了百度在人工智能、自動(dòng)駕駛和車路協(xié)同方面的積累，通過賦能智能交通和智慧城市建設(shè)。該綜合解決方案已在北京、長沙等 10 余個(gè)城市落地使用。阿里巴巴自 2018 年開始升級汽車戰(zhàn)略，利用車路協(xié)同技術(shù)打造“智能高速公路”^[173]，并通過菜鳥聯(lián)盟和阿里云 ET（evolutionary technology）城市大腦收集路段數(shù)據(jù)，加快了中國車路協(xié)同的落地。騰訊于 2019 年推出 WeCityX 項(xiàng)目，從城市空間視角切入車路協(xié)同的技術(shù)驗(yàn)證 ^[174]，并完成了首個(gè)基于全真互聯(lián)技術(shù)的自動(dòng)駕駛綜合創(chuàng)新實(shí)踐項(xiàng)目的全閉環(huán)運(yùn)行。華為作為 ICT 龍頭企業(yè)和 5G 技術(shù)的領(lǐng)導(dǎo)者，推出了端到端的車路協(xié)同解決方案，通過協(xié)助交通部門對道路進(jìn)行智能化改造，推進(jìn)車路協(xié)同標(biāo)準(zhǔn)制定，幫助實(shí)現(xiàn)協(xié)同式自動(dòng)駕駛。

在通信運(yùn)營產(chǎn)業(yè)中，通信運(yùn)營商通常結(jié)合使用光纖網(wǎng)絡(luò)和 5G 無線網(wǎng)絡(luò)作為道路信息的傳輸和調(diào)度通道，并通過整合云計(jì)算與人工智能技術(shù)，支持調(diào)度平臺(tái)建設(shè)，參與自動(dòng)駕駛車路協(xié)同調(diào)度系統(tǒng)的建設(shè)。由于通信運(yùn)營商通常受政府支持，具備較強(qiáng)的實(shí)力，可以負(fù)責(zé)部署智能路側(cè)設(shè)備，推動(dòng)道路基礎(chǔ)設(shè)施的智能化升級，并承擔(dān)車路協(xié)同基礎(chǔ)設(shè)施的部分成本。然而，路側(cè)設(shè)備的初期投資巨大，除了通信運(yùn)營商外，還需要政府、汽車制造商和金融機(jī)構(gòu)共同投資建設(shè)，共同推動(dòng)車路協(xié)同技術(shù)的實(shí)施。

除了基礎(chǔ)的車輛零部件 （ 如激光雷達(dá)和攝像機(jī) ），車路協(xié)同還帶來了許多增量零部件和服務(wù)機(jī)會(huì)，包括 LTE-V2X 芯片、C-V2X RSU、邊緣計(jì)算和高精地圖服務(wù)等。主要參與者仍以 ICT 企業(yè)和互聯(lián)網(wǎng)公司為主，例如，華為定義自身為面向智能網(wǎng)聯(lián)汽車的增量部件供應(yīng)商，提供 C-V2X 解決方案。阿里巴巴基于 5G 邊緣計(jì)算，將路面交通狀況的感知、傳輸、處理、響應(yīng)等通信交互過程遷移到阿里云邊緣節(jié)點(diǎn)進(jìn)行處理。四維圖新、高德地圖、百度地圖等地圖廠商除了利用測繪車?yán)L制高精度地圖外，也逐漸探索利用路側(cè)設(shè)備為高精地圖提供實(shí)時(shí)數(shù)據(jù)源。

無論是不同國家的路徑選擇，還是不同路線帶來的產(chǎn)業(yè)鏈變革，自動(dòng)駕駛領(lǐng)域既要做好全球化的部署，也要充分考慮不同國家的國情和發(fā)展路徑的差異，才能讓自動(dòng)駕駛邁向新的高度，加快智能交通系統(tǒng)和智慧城市的建設(shè)。

挑戰(zhàn)與展望

盡管單車智能和車路協(xié)同在不同國家和地區(qū)均取得了一定的成功，實(shí)現(xiàn)更高級別的自動(dòng)駕駛和智慧城市建設(shè)仍面臨技術(shù)和社會(huì)法律方面的挑戰(zhàn)。本文概述了當(dāng)前自動(dòng)駕駛技術(shù)所面臨的挑戰(zhàn)，并強(qiáng)調(diào)了未來可能的研究方向。

技術(shù)挑戰(zhàn)

從單車智能的角度，自動(dòng)駕駛的挑戰(zhàn)

傳感器的準(zhǔn)確性和魯棒性。

自動(dòng)駕駛汽車的感知能力是確保車輛安全性和可靠性的關(guān)鍵，這取決于高分辨率攝像頭、激光雷達(dá)等多種傳感器來獲取環(huán)境數(shù)據(jù)。然而，這些傳感器可能受到天氣、光照和遮擋等因素的影響，導(dǎo)致數(shù)據(jù)不準(zhǔn)確或不完整。因此，提高傳感器的性能至關(guān)重要。這包括優(yōu)化傳感器的分辨率、覆蓋范圍、動(dòng)態(tài)范圍和信噪比等性能指標(biāo)。此外，多傳感器融合技術(shù)通過整合不同類型、位置和時(shí)間的傳感器數(shù)據(jù)，能提高數(shù)據(jù)的完整性、一致性和可靠性，并提取更多特征和信息?？傮w而言，優(yōu)化傳感器的設(shè)計(jì)、制造和校準(zhǔn)過程，以及采用新的物理原理和材料，可顯著提升自動(dòng)駕駛系統(tǒng)的環(huán)境感知精度。

算法的復(fù)雜性和效率。

自動(dòng)駕駛汽車需要運(yùn)用各種算法來處理傳感器數(shù)據(jù)，實(shí)現(xiàn)路徑規(guī)劃、決策控制和避障等功能，但這些算法可能存在計(jì)算量大、耗時(shí)長、難以適應(yīng)復(fù)雜場景等問題。因此，需要不斷創(chuàng)新和改進(jìn)算法，特別是引入深度學(xué)習(xí)等技術(shù)，提高算法的性能和效率。目前，深度學(xué)習(xí)在自動(dòng)駕駛感知領(lǐng)域得到廣泛應(yīng)用，但在工業(yè)界車輛的規(guī)劃控制體系中應(yīng)用較少，未來自動(dòng)駕駛的綜合發(fā)展需要 AI 的賦能支持。此外，為了滿足自動(dòng)駕駛對高性能和低延遲的需求，需要優(yōu)化計(jì)算平臺(tái)和框架的設(shè)計(jì)、配置、調(diào)度、編譯等過程，并采用新的軟硬件技術(shù)，如 GPU、FPGA、ASIC、邊緣計(jì)算和云計(jì)算。

3） 芯片的算力和成本。

自動(dòng)駕駛汽車依賴強(qiáng)大的車載計(jì)算平臺(tái)來運(yùn)行算法，然而當(dāng)前這些計(jì)算平臺(tái)可能面臨算力不足、功耗高和成本高等問題。為解決這些問題，開發(fā)專用的智能駕駛芯片至關(guān)重要。這些芯片專為自動(dòng)駕駛算法和場景設(shè)計(jì)，提供更高性能、更低功耗和更優(yōu)成本效益，相較于通用芯片更具競爭力。自動(dòng)駕駛汽車需處理大量圖像、視頻、雷達(dá)和激光等多模態(tài)數(shù)據(jù)，并執(zhí)行復(fù)雜的數(shù)據(jù)融合、壓縮、編碼、識別、跟蹤、預(yù)測、規(guī)劃和控制等算法，對芯片算力要求極高。為提升芯片算力，需要優(yōu)化設(shè)計(jì)、制造和測試過程，并探索新的物理原理和材料技術(shù)，如納米、光子和量子技術(shù)。同時(shí)，降低成本也是關(guān)鍵，高成本可能影響自動(dòng)駕駛汽車的普及。為此，需要提高芯片集成度，實(shí)現(xiàn)規(guī)?；a(chǎn)，降低廢品率和提高能效，并探索新的商業(yè)模式和合作方式，以控制成本。通過這些措施，可以使智能駕駛芯片更經(jīng)濟(jì)高效，促進(jìn)自動(dòng)駕駛技術(shù)的廣泛應(yīng)用。

4.1.2 車路協(xié)同所面臨的技術(shù)挑戰(zhàn)

1） 通信技術(shù)的穩(wěn)定性和兼容性。

車路協(xié)同依賴多種通信技術(shù)，包括無線局域網(wǎng)、蜂窩網(wǎng)絡(luò)和專用短程通信，以實(shí)現(xiàn)汽車與道路基礎(chǔ)設(shè)施、其他車輛和行人的信息互動(dòng)。然而，這些技術(shù)可能面臨信號弱、干擾、延遲和丟失的問題，影響信息交互的穩(wěn)定性和可靠性。為此，需要提升通信技術(shù)性能，采用多通道、多頻段、多協(xié)議和多模式的方法，以增強(qiáng)通信的穩(wěn)定性和兼容性。這些技術(shù)的性能指標(biāo)主要包括帶寬、覆蓋范圍、傳輸速率、傳輸延遲和傳輸可靠性，需要不斷優(yōu)化通信技術(shù)的設(shè)計(jì)、制造、部署和維護(hù)過程，并采用新的物理原理和材料。多通道、多頻段、多協(xié)議、多模式技術(shù)則通過利用不同的通信方式、頻率、標(biāo)準(zhǔn)和模式，來實(shí)現(xiàn)信息交互的多樣化、靈活化和可選擇性，以適應(yīng)不同的場景和需求，提高通信的魯棒性和安全性。

協(xié)調(diào)算法的有效性和安全性。

車路協(xié)同依賴多種協(xié)調(diào)算法來實(shí)現(xiàn)汽車與道路基礎(chǔ)設(shè)施、其他車輛和行人的協(xié)調(diào)控制，涉及優(yōu)先級、路權(quán)、速度、距離和時(shí)間等因素。然而，這些算法可能面臨計(jì)算復(fù)雜、難以達(dá)成共識和保證公平性的問題，導(dǎo)致控制不有效或不安全。因此，需要不斷創(chuàng)新和改進(jìn)這些算法，引入博弈論、機(jī)器學(xué)習(xí)和多智能體系統(tǒng)等技術(shù)，以提高算法的有效性和安全性。博弈論作為一種數(shù)學(xué)理論，研究多個(gè)理性決策者之間的互動(dòng)和沖突，可用于分析和設(shè)計(jì)協(xié)調(diào)算法的策略和機(jī)制，實(shí)現(xiàn)最優(yōu)化或均衡化。機(jī)器學(xué)習(xí)可以使計(jì)算機(jī)從數(shù)據(jù)中學(xué)習(xí)和改進(jìn)，提高算法的智能性和適應(yīng)性，實(shí)現(xiàn)自主化或個(gè)性化的協(xié)調(diào)。多智能體系統(tǒng)由具有自主性和協(xié)作性的多個(gè)智能體組成，可模擬和實(shí)現(xiàn)算法的交互和協(xié)作，實(shí)現(xiàn)分布式或集中式的協(xié)調(diào)。

智能交通基礎(chǔ)設(shè)施的適應(yīng)性與升級。

作為車路協(xié)同的關(guān)鍵組成部分，智能交通基礎(chǔ)設(shè)施的升級與維護(hù)需要大量資金，且升級過程可能暫時(shí)影響現(xiàn)有交通，例如引起道路施工、交通管制和設(shè)備故障。為確保新升級的基礎(chǔ)設(shè)施與各種自動(dòng)駕駛系統(tǒng)兼容，需要跨公司、跨行業(yè)合作，制定并遵守統(tǒng)一的技術(shù)標(biāo)準(zhǔn)。目前，由于自動(dòng)駕駛系統(tǒng)之間通信協(xié)議、數(shù)據(jù)格式和技術(shù)規(guī)范的差異，信息和服務(wù)的互聯(lián)互通受阻。因此，建立和實(shí)施統(tǒng)一的技術(shù)標(biāo)準(zhǔn)對于智能交通基礎(chǔ)設(shè)施與自動(dòng)駕駛系統(tǒng)的有效整合至關(guān)重要。智能基礎(chǔ)設(shè)施必須能夠迅速響應(yīng)并適應(yīng)需求變化，這包括對交通信號燈和道路監(jiān)控設(shè)備的智能化升級，以及高精度地圖和實(shí)時(shí)交通信息的集成。

4.2"" 社會(huì)與法律挑戰(zhàn)

無論是單車智能還是車路協(xié)同的發(fā)展，都需遵守各種法規(guī)標(biāo)準(zhǔn)，如交通法規(guī)、通信協(xié)議、數(shù)據(jù)格式和安全規(guī)范，以確保自動(dòng)駕駛的合法性和規(guī)范性。然而，現(xiàn)有的法規(guī)標(biāo)準(zhǔn)可能存在不完善、不統(tǒng)一和不適應(yīng)的問題，可能導(dǎo)致車路協(xié)同不合規(guī)或不兼容。因此，需要完善和統(tǒng)一法規(guī)標(biāo)準(zhǔn)，并引入多方參與、多層協(xié)商和多維評估的機(jī)制，以提高法規(guī)標(biāo)準(zhǔn)的完善性和統(tǒng)一性。

多方參與意味著在制定和修改法規(guī)標(biāo)準(zhǔn)的過程中，充分聽取和反映政府、企業(yè)、學(xué)術(shù)界和公眾等各方的利益和訴求，確保法規(guī)標(biāo)準(zhǔn)的公正和合理。多層協(xié)商指在制定和修改過程中，考慮并協(xié)調(diào)國際、國家、地區(qū)和城市等各層面的需求和差異，實(shí)現(xiàn)法規(guī)標(biāo)準(zhǔn)的協(xié)調(diào)一致。多維評估則涉及在制定和修改法規(guī)標(biāo)準(zhǔn)時(shí)，全面分析和評估技術(shù)、經(jīng)濟(jì)、社會(huì)和環(huán)境等各方面的影響和效果，確保法規(guī)標(biāo)準(zhǔn)的科學(xué)性和有效性。當(dāng)前，自動(dòng)駕駛存在的社會(huì)與法律挑戰(zhàn)可以概括為以下幾個(gè)方面：

責(zé)任?問題。

由于自動(dòng)駕駛技術(shù)尚未達(dá)到完全自動(dòng)化的階段，關(guān)于誰應(yīng)對自動(dòng)駕駛系統(tǒng)的安全性負(fù)責(zé)仍存在不確定性。事故責(zé)任的認(rèn)定，以及在法律和道德層面上誰將承擔(dān)損害賠償，成為亟待解決的問題。

倫理問題。

公眾對于自動(dòng)駕駛汽車能否遵循現(xiàn)有的道德準(zhǔn)則表示擔(dān)憂。如何將道德決策融入自動(dòng)駕駛或車路協(xié)同系統(tǒng)是當(dāng)前的一大挑戰(zhàn)。這需要深入討論在技術(shù)中實(shí)施道德規(guī)范的必要性，以及自動(dòng)駕駛汽車在無法避免的傷害情境中應(yīng)如何做出反應(yīng)。

法律框架和整合。

將自動(dòng)駕駛汽車融入現(xiàn)有法律體系帶來了重大挑戰(zhàn)。由于不同地區(qū)的行駛規(guī)范和法律要求各不相同，例如中國大陸與中國香港的交通法規(guī)存在差異，如何在現(xiàn)有的駕駛行為和駕駛執(zhí)照管理的約束下，實(shí)現(xiàn)自動(dòng)駕駛車輛的跨區(qū)域整合，成為一個(gè)復(fù)雜而具有挑戰(zhàn)性的問題。

社會(huì)影響和失業(yè)問題。

自動(dòng)駕駛技術(shù)的不斷推進(jìn)，可能導(dǎo)致汽車制造業(yè)、出租車服務(wù)和物流配送等領(lǐng)域的從業(yè)人員面臨失業(yè)風(fēng)險(xiǎn)，同時(shí)或?qū)⒓觿∑囆袠I(yè)和互聯(lián)網(wǎng)企業(yè)的市場壟斷現(xiàn)象。此外，數(shù)據(jù)安全、移動(dòng)自主權(quán)和保險(xiǎn)責(zé)任等問題也可能影響社會(huì)對自動(dòng)駕駛技術(shù)的接受程度 ^[175]。如何在確保自動(dòng)駕駛技術(shù)健康發(fā)展的同時(shí)，減輕其對社會(huì)的負(fù)面影響，并妥善解決相關(guān)人員的就業(yè)問題，也將成為當(dāng)前亟待解決的重大挑戰(zhàn)。

網(wǎng)絡(luò)安全和隱私。

在自動(dòng)駕駛服務(wù)的實(shí)施過程中，如何保障用戶的隱私安全，對信息源進(jìn)行身份驗(yàn)證，并保護(hù)數(shù)據(jù)所有者的權(quán)益，已成為關(guān)鍵問題 ^[176]。隨著車路協(xié)同技術(shù)的網(wǎng)絡(luò)化發(fā)展，車輛所處的網(wǎng)絡(luò)連接狀態(tài)引起了廣泛關(guān)注。因此，確保所有通信和交換的信息都是真實(shí)且準(zhǔn)確的，對維護(hù)網(wǎng)絡(luò)安全和用戶隱私至關(guān)重要。

4.3"" 未來發(fā)展方向

盡管單車智能和車路協(xié)同作為自動(dòng)駕駛的兩大發(fā)展方向都表現(xiàn)了強(qiáng)大的應(yīng)用力，但在未來的研究和商業(yè)道路上仍然還有更大的發(fā)展舞臺(tái)?；诖?，本文從以下2 個(gè)方面概述了兩者可能的前瞻性研究主題。

構(gòu)建新興智能交通系統(tǒng)。

在構(gòu)建新興智能交通系統(tǒng)的過程中，智能空中系統(tǒng)[177-178] 和模塊化公交系統(tǒng) [179-180] 將成為突破傳統(tǒng)交通模式的關(guān)鍵創(chuàng)新。智能空中系統(tǒng)的典型代表是飛行汽車，作為一種革命性的交通工具，預(yù)計(jì)將徹底改變我們的城市空間和交通方式。飛行汽車不僅能夠減少地面交通擁堵，還能提供更快速的點(diǎn)對點(diǎn)運(yùn)輸服務(wù)。未來的飛行汽車將集成先進(jìn)的自動(dòng)駕駛技術(shù)，能夠在嚴(yán)格的空中交通管理系統(tǒng)中安全高效地運(yùn)行。模塊化公交系統(tǒng)提出了一種全新的大眾交通解決方案，在這種系統(tǒng)中，公交車輛由多個(gè)獨(dú)立的模塊組成，可以根據(jù)需求動(dòng)態(tài)地組合或分離。例如，在高峰時(shí)段，更多的模塊可以組合在一起以容納更多乘客；而在需求較低的時(shí)段，可以減少模塊的數(shù)量以提高運(yùn)營效率。模塊化公交車輛同樣可以集成智能駕駛技術(shù)，實(shí)現(xiàn)自動(dòng)化的路線規(guī)劃和乘客管理。這種模塊化設(shè)計(jì)還有助于優(yōu)化維護(hù)和升級過程，降低運(yùn)營成本。兩者的創(chuàng)新有望在未來幾十年內(nèi)逐步成為現(xiàn)實(shí)，為城市交通帶來前所未有的便利和效率。

加強(qiáng)數(shù)字孿生智能駕駛平臺(tái)的建設(shè)。

數(shù)字孿生技術(shù)將在智能駕駛領(lǐng)域扮演重要角色。通過創(chuàng)建虛擬的數(shù)字復(fù)制品 （ 即數(shù)字孿生體 ），可以模擬真實(shí)世界中的車輛運(yùn)行和環(huán)境互動(dòng)。在數(shù)字孿生智能駕駛平臺(tái)上，開發(fā)者可以模擬各種道路條件、交通場景和極端情況，以測試和優(yōu)化自動(dòng)駕駛算法。這種模擬方式不僅節(jié)省成本，而且能在安全的虛擬環(huán)境中重現(xiàn)復(fù)雜或危險(xiǎn)的駕駛情況，顯著提高測試的全面性和效率。此外，數(shù)字孿生平臺(tái)還可用于實(shí)時(shí)監(jiān)控車輛性能，并通過分析收集的數(shù)據(jù)預(yù)測潛在的維護(hù)需求，從而提升車輛的運(yùn)營效率和安全性。隨著技術(shù)進(jìn)步，這種平臺(tái)有望成為車輛設(shè)計(jì)、測試和維護(hù)的標(biāo)準(zhǔn)工具。

5"" 結(jié)""" 論

為了提高自動(dòng)駕駛的性能，車端的感知定位、決策規(guī)劃、控制執(zhí)行，以及路端的協(xié)同感知定位、協(xié)同通信和分級云控技術(shù)受到了廣泛關(guān)注，本文調(diào)查并總結(jié)了單車智能和車路協(xié)同 2 種自動(dòng)駕駛路線的關(guān)鍵技術(shù)應(yīng)用。此外，不同國家和地區(qū)根據(jù)自身國情和技術(shù)優(yōu)勢選擇不同的自動(dòng)駕駛技術(shù)路線，這不僅影響了各自的商業(yè)產(chǎn)業(yè)鏈變革，也引發(fā)了對未來自動(dòng)駕駛路線的深入思考和選擇。

在現(xiàn)有技術(shù)基礎(chǔ)上，本文提出了單車智能和車路協(xié)同所面臨的新技術(shù)挑戰(zhàn)及社會(huì)法律問題，并展望了兩者的未來發(fā)展方向。通過這項(xiàng)調(diào)查，讀者可以更全面地了解單車智能和車路協(xié)同的應(yīng)用及發(fā)展現(xiàn)狀，并為自動(dòng)駕駛的未來發(fā)展提供有益的建議。

參考文獻(xiàn)（References）

SAE International. Taxonomy and de?nitions for terms related to driving automation systems for on-road motor vehicles [J]. SAE International， 2018， 4970（724）： 1-5. Okuda R， Kajiwara Y， Terashima K. A survey of technical trend of ADAS and autonomous driving [C]// Tech Papers 2014 Int'l Sympo VLSI Design （ISVD）， Automa Test， IEEE， 2014： 1-4.

SU Debing. $9.95M for _‘smart intersections’ across Ann Arbor [EB/OL]. （2021-01-08）. https：//news.umich.edu/9- 95m-for-smart-intersections-across-ann-arbor/.

Meyer G. European roadmaps， programs， and projects for innovation in connected and automated road transport [C]// Road Vehi Auto 5. Springer Inter Publishing， 2019： 27-39. Yurtsever E， Lambert J， Carballo A， et al. A survey of autonomous driving： Common practices and emerging technologies [J]. IEEE Access， 2020， 8： 58443-58469.

Yeong D J， Velasco-Hernandez G， Barry J， et al. Sensor and sensor fusion technology in autonomous vehicles： A review [J]. Sensors， 2021， 21（6）： 2140.

Atakishiyev S， Salameh M， YAO Henshuai， et al. Explainable arti?cial intelligence for autonomous driving： An overview and guide for future research directions [J]. IEEE Access， 2024， 12： 101603-101625.

CHEN Long， LI Yuchen， HUANG Chao， et al. Milestones in autonomous driving and intelligent vehicles： Survey of surveys [J]. IEEE Trans Intell Veh， 2022， 8（2）： 1046-1056.

ZHANG Yi， PEI Huaxin， YAO Danya. Research review on cooperative decision- making for vehicle swarms in vehicle- infrastructure cooperative environment [J]. J Traffic Transp Eng， 2022， 22（3）： 1-18.

DING Fei， ZHANG Nan， LI Hengbo， et al. A survey of architecture and key technologies of intelligent connected vehicle-road-cloud cooperation system [J]. Acta Automatica Sinica， 2022， 48（12）： 2863-2885.

林泓熠， 劉洋 ， 李深 ， 等. 車路協(xié)同系統(tǒng)關(guān)鍵技術(shù)研究進(jìn)展 [J]. 華南理工大學(xué)學(xué)報(bào)：自然科學(xué)版 ， 2023， 51（10）： 46-67.

LIN Hongyi， LIU Yang， LI Shen， et al. Research progress on key technologies in the cooperative vehicle infrastructure system [J]. J South Chin Univ of Techn： Nat Sci Ed， 2023， 51（10）： 46-67. （in Chinese）

Hasan M， Mohan S， Shimizu T， et al. Securing vehicle- to-everything （V2X） communication platforms [J]. IEEE Trans Intell Veh， 2020， 5（4）： 693-713.

Gschwendtner C， Sinsel S R， Stephan A. Vehicle-to-X （V2X） implementation： An overview of predominate trial con?gurations and technical， social and regulatory challenges [J]. Renew Sust Energ Rev， 2021， 145： Paper No 110977.

YI Yang， LUO Hengliang， XU Huarong， et al. Towards real-time traf?c sign detection and classi?cation [J]. IEEE Trans Intell Transp Syst， 2015， 17（7）： 2022-2031.

Saadna Y， Behloul A. An overview of traf?c sign detection and classi?cation methods [J]. Int’l J Multimed Inf R， 2017， 6： 193-210.

Arnold E， Al-Jarrah O Y， Dianati M， et al. A survey on 3d object detection methods for autonomous driving applications [J]. IEEE Trans Intell Transp Syst， 2019， 20（10）： 3782-3795.

CHEN Xiaozhi， MA Huiming， WAN Ji， et al. Multi-view 3d object detection network for autonomous driving [C]// Proce IEEE Conf Computer Vision Pattern Recog （CVPR）. 2017： 1907-1915.

ZHANG Yuxiao， Carballo A， YANG Hanting， et al. Perception and sensing for autonomous vehicles under adverse weather conditions： A survey [J]. ISPRS J Photogramm， 2023， 196： 146-177.

Lee Y， Jeon J， Ko Y， et al. Task-driven deep image enhancement network for autonomous driving in bad weather [C]// 2021 IEEE Int'l Conf Robot Automation （ICRA）. IEEE， 2021： 13746-13753.

Prakash A， Chitta K， Geiger A. Multi-modal fusion transformer for end-to-end autonomous driving [C]// Proce IEEE/CVF Conf Computer Vision Pattern Recog （CVPR）. 2021： 7077-7087.

XU Shu， ZHOU De， FANG Jian， et al. Fusionpainting： Multimodal fusion with adaptive attention for 3d object detection [C]// 2021 IEEE Int'l Intell Transp Syst Conf （ITSC）. IEEE， 2021： 3047-3054.

Cordts M， Omran M， Ramos S， et al. The cityscapes dataset for semantic urban scene understanding [C]// Proc IEEE Conf Computer Vision Pattern Recog （CVPR）. 2016： 3213-3223.

Geiger A， Lenz P， Urtasun R. Are we ready for autonomous driving？ the kitti vision benchmark suite [C]// 2012 IEEE Conf Computer Vision Pattern Recog （CVPR）. IEEE， 2012： 3354-3361.

Caesar H， Bankiti V， Lang A H， et al. nuscenes： A multimodal dataset for autonomous driving [C]// Proc IEEE/CVF Conf Computer Vision Pattern Recog （CVPR）. 2020： 11621-11631.

SUN Pei， Kretzschmar H， Dotiwalla X， et al. Scalability in perception for autonomous driving： Waymo open dataset [C]// Proc IEEE/CVF Conf Computer Vision Pattern"Recog （CVPR）. 2020： 2446-2454.

YU Feishe， CHEN Haofeng， WANG Xin， et al. Bdd100k： A diverse driving dataset for heterogeneous multitask learning [C]// Proc IEEE/CVF Conf Computer Vision Pattern Recog （CVPR）. 2020： 2636-2645.

CHANG Minfang， Lambert J， Sangkloy P， et al. Argoverse： 3d tracking and forecasting with rich maps [C]// Proc IEEE/CVF Conf Computer Vision Pattern Recog （CVPR）. 2019： 8748-8757.

Neuhold G， Ollmann T， Rota Bulo S， et al. The mapillary vistas dataset for semantic understanding of street scenes [C]// Proc IEEE Int'l Conf Computer Vision （ICCV）. 2017： 4990-4999.

HUANG Xinyu， WANG Peng， XIN Jingcheng， et al. The apolloscape open dataset for autonomous driving and its application [J]. IEEE Trans Pattern Anal Mach Intell， 2019， 42（10）： 2702-2719.

Brostow G J， Shotton J， Fauqueur J， et al. Segmentation and recognition using structure from motion point clouds [C]// Computer Vision–ECCV 2008： 10th Euro Conf Computer Vision （ECCV）， 2008： 44-57.

WANG Ye， LIU Zhenyi， DENG Weiwen. Anchor generation optimization and region of interest assignment for vehicle detection [J]. Sensors， 2019， 19（5）： 1089.

ZHAN Huiqin， LIU Yuan， CUI Zhibin， et al. Pedestrian detection and behavior recognition based on vision [C]// 2019 IEEE Intell Transp Syst Conf （ITSC）. IEEE， 2019： 771-776.

CHEN Lili， ZHANG Zhengdao， PENG Li. Fast single shot multibox detector and its application on vehicle counting system [J]. IET Intell Transp Syst， 2018， 12（10）： 1406-1413.

Ligorio G， Sabatini A M. A novel Kalman ?lter for human motion tracking with an inertial-based dynamic inclinometer [J]. IEEE Trans Biomed Eng， 2015， 62（8）： 2033-2043.

XIAO Jingjing， Stolkin R， Oussalah M， et al. Continuously adaptive data fusion and model relearning for particle ?lter tracking with multiple features [J]. IEEE Sens J， 2016， 16（8）： 2639-2649.

HUANG Bin， XIONG Hui， WANG Jianqiang， et al. Detection-level fusion for multi-object perception in dense traf?c environment [C]// 2017 IEEE Int'l Conf Multisensor Fusion Integr Intell Syst （MFI）. IEEE， 2017： 411-416.

Dewangan D K， Sahu S P. Road detection using semantic segmentation-based convolutional neural network for intelligent vehicle system [C]// Data Eng Commu Tech： Proc ICDECT 2020 （DECT）， 2021： 629-637.

WANG Jingdong， SUN Ke， CHENG Tianheng， et al. Deep high-resolution representation learning for visual recognition [J]. IEEE Trans Pattern Anal Mach Intell， 2020， 43（10）： 3349-3364.

Mahmud M N， Osman M K， Ismail A P， et al. Road image segmentation using unmanned aerial vehicle images and DeepLab V3+ semantic segmentation model [C]// 2021 11th IEEE Int’l Conf Contr Syst， Compu Engineering（ICCSCE）. IEEE， 2021： 176-181.

Paigwar A， Erkent ?， Sierra-Gonzalez D， et al. Gndnet： Fast ground plane estimation and point cloud segmentation for autonomous vehicles [C]// 2020 IEEE/RSJ Int’l Conf Intel Robot Syst （IROS）. IEEE， 2020： 2150-2156.

Aksoy E E， Baci S， Cavdar S. Salsanet： Fast road and vehicle segmentation in lidar point clouds for autonomous driving [C]// 2020 IEEE Intell Vehi Sympo （IV）. IEEE， 2020： 926-932.

Arief H A， Arief M， Bhat M， et al. Density-adaptive sampling for heterogeneous point cloud object segmentation in autonomous vehicle applications [C]// CVPR Workshops. 2019： 26-33.

ZHOU Yin， Tuzel O. Voxelnet： End-to-end learning for point cloud based 3d object detection [C]// Proc IEEE Conf Compu Vision Pattern Recog （CVPR）. 2018： 4490-4499.

SHI Shaoshuai， WANG Xiaogang， LI Hongsheng. Pointrcnn： 3d object proposal generation and detection from point cloud [C]// Proc IEEE/CVF Conf CompuVision Pattern Recog （CVPR）. 2019： 770-779.

SHI Weijing， Rajkumar R. Point-gnn： Graph neural network for 3d object detection in a point cloud [C]// Proc IEEE/CVF Conf Compu Vision Pattern Recog （CVPR）. 2020： 1711-1719.

MA Fangchang， Karaman S. Sparse-to-dense： Depth prediction from sparse depth samples and a single image [C]// 2018 IEEE Int'l Conf Robot Automation （ICRA）. IEEE， 2018： 4796-4803.

HE Kaiming， ZHANG Xianuyu， REN Shaoqing， et al. Deep residual learning for image recognition [C]// Proc IEEE Conf CompuVision Pattern Recog （CVPR）. 2016： 770-778.

Eldesokey A， Felsberg M， Khan F S. Con?dence propagation through cnns for guided sparse depth regression [J]. IEEE Trans Pattern Anal Mach Intell， 2019， 42（10）： 2423-2436.

Valada A， Mohan R， Burgard W. Self-supervised model adaptation for multimodal semantic segmentation [J]. Int J Comput Vis， 2020， 128（5）： 1239-1285.

TANG Jie， TIAN Feipeng， FENG Wei， et al. Learning guided convolutional network for depth completion [J]. IEEE Trans Image Process， 2020， 30： 1116-1129.

Gansbeke W Van， Neven D， Brabandere B De， et al. Sparse and noisy lidar completion with rgb guidance and uncertainty [C]// 2019 16th Int'l Conf Mach Vision Appl （MVA）， IEEE， 2019： 1-6.

LU Yongqiang， MA Hongjie， Smart E， et al. Real- time performance-focused localization techniques for autonomous vehicle： A review [J]. IEEE Trans Intell Transp Syst， 2021， 23（7）： 6082-6100.

Peyraud S， Bétaille D， Renault S， et al. About non-line-of- sight satellite detection and exclusion in a 3D map-aided localization algorithm [J]. Sensors， 2013， 13（1）： 829-847.

Amini A， Vaghe? R M， de la Garza J M， et al. Improving GPS-based vehicle positioning for intelligent transportation systems [C]// 2014 IEEE Int'l Veh Sympo Proc （IV）， IEEE， 2014： 1023-1029.

Park S G， Cho D J. Smart framework for GNSS-based navigation in urban environments [J]. Int’l J Satell Commn N， 2017， 35（2）： 123-137.

LU Wenjie， Rodríguez F S A， Seignez E， et al. Lane marking-based vehicle localization using low-cost GPS and open source map [J]. Unmanned Syst， 2015， 3（04）： 239-251.

Adjrad M， Groves P D. Enhancing least squares GNSS positioning with 3D mapping without accurate prior knowledge [J]. Navig J Inst Navig， 2017， 64（1）： 75-91.

Kumar R， Petovello M G. A novel GNSS positioning technique for improved accuracy in urban canyon scenarios using 3D city model [C]// Proc 27th Int'l Vehi Sympo Tech Meeting of the Satellite Division of the Institute of Navigation （ION GNSS）. 2014： 2139-2148.

Vedder B， Vinter J， Jonsson M. A low-cost model vehicle testbed with accurate positioning for autonomous driving [J]. J Robot， 2018， 2018： 1-10.

WU Bingfei， Lee T T， Chang H H， et al. GPS navigation based autonomous driving system design for intelligent vehicles [C]// 2007 IEEE Int'l Conf Syst， Man Cybernetics （MC）. IEEE， 2007： 3294-3299.

Han J， Park C， Jang Y Y. Development of a moving baseline RTK/motion sensor-integrated positioning-based autonomous driving algorithm for a speed sprayer [J]. Sensors， 2022， 22（24）： 9881.

Debeunne C， Vivet D. A review of visual-LiDAR fusion based simultaneous localization and mapping [J]. Sensors， 2020， 20（7）： 2068.

Milz S， Arbeiter G， Witt C， et al. Visual slam for automated driving： Exploring the applications of deep learning [C]// Proc IEEE Conf Computer Vision Pattern Recog Workshops （CVPR）. 2018： 247-257.

Kim C， Cho S， Sunwoo M， et al. Updating point cloud layer of high de?nition （hd） map based on crowd-sourcing of multiple vehicles installed lidar [J]. IEEE Access， 2021， 9： 8028-8046.

DAI Kai， SUN Bohua， WU Guanpu， et al. LiDAR-Based sensor fusion SLAM and localization for autonomous driving vehicles in complex scenarios [J]. J Imaging， 2023， 9（2）： 52.

Gipps P G. A behavioural car-following model for computer simulation [J]. Transp Res B-Meth， 1981， 15（2）： 105-111.

Gipps P G. A model for the structure of lane-changing decisions [J]. Transp Res B-Meth， 1986， 20（5）： 403-414.

Kesting A， Treiber M， Helbing D. General lane-changing model MOBIL for car-following models [J]. Transp Res Rec， 2007， 1999（1）： 86-94.

YANG Lan， ZHAN Jiahao， SHANG Wenlong， et al. Multi-lane coordinated control strategy of connected and automated vehicles for on-ramp merging area based on cooperative game [J]. IEEE Trans Intell Transp Syst， 2023， 24（11）： 13448-13461.

Ahmed K I. Modeling drivers’ acceleration and lane changing behavior [D]. Cambridge： Department of Civil and Environmental Engineering， MIT， 1999.

Ahmed K， Ben-Akiva M， Koutsopoulos H， et al. Models of freeway lane changing and gap acceptance behavior [J]. Transp Traff Theo， 1996， 13： 501-515.

QU Xiaobo， LIN Hongyi， LIU Yang. Envisioning the future of transportation： Inspiration of ChatGPT and large models [J]. Commun Transp Res， 2023， 3： 100103.

SHI Xiupeng， Wong Y D， CHAI Chen， et al. An automated machine learning （AutoML） method of risk prediction for decision-making of autonomous vehicles [J]. IEEE Trans Intell Transp Syst， 2020， 22（11）： 7145-7154.

LI Liangzhi， Ota K， Dong M. Humanlike driving： Empirical decision-making system for autonomous vehicles [J]. IEEE Trans Vehi， 2018， 67（8）： 6814-6823.

XU Xin， ZUO Lei， LI Xin， et al. A reinforcement learning approach to autonomous decision making of intelligent vehicles on highways [J]. IEEE Trans Syst Man Cybern Syst， 2018， 50（10）： 3884-3897.

Hoel C J， Driggs-Campbell K， Wolff K， et al. Combining planning and deep reinforcement learning in tactical decision making for autonomous driving [J]. IEEE Trans Intell Veh， 2019， 5（2）： 294-305.

Pomerleau D A. Alvinn： An autonomous land vehicle in a neural network [J]. Adv Neural Inf Process Syst， 1988， 1.

ZHENG Jian， Suzuki K， Fujita M. Predicting driver’s lane-changing decisions using a neural network model [J]. Simul Model Pract Theory， 2014， 42： 73-83.

ZHAO Junwu， QU Ting， XU Fang. A deep reinforcement learning approach for autonomous highway driving [J]. IFAC-PapersOnLine， 2020， 53（5）： 542-546.

YE Yingjun， ZHANG Xiaohui， SUN Jian. Automated vehicle’s behavior decision making using deep reinforcement learning and high-?delity simulation environment [J]. Transp Res Part C Emerg Technol， 2019， 107： 155-170.

GAO Xin， LI Xueyuan， LIU Qi， et al. Multi-agent decision-making modes in uncertain interactive traf?c scenarios via graph convolution-based deep reinforcement learning [J]. Sensors， 2022， 22（12）： 4586.

LI Bai， SHAO Zhijiang， ZHANG Youmin， et al. Nonlinear programming for multi-vehicle motion planning with homotopy initialization strategies [C]// IEEE Conf Auto Sci Eng （ASE）， 2017： 118-123

ZHU Dandan， SUN Junqun. A new algorithm based on Dijkstra for vehicle path planning considering intersection attribute [J]. IEEE Access， 2021， 9： 19761-19775.

WANG Chunbao， WANG Lin， QIn Jian， et al. Path planning of automated guided vehicles based on improved A-Star algorithm [C]// 2015 IEEE Int'l Conf Inform Auto （ICIA）. IEEE， 2015： 2071-2076.

Choi J， Curry R， Elkaim G. Path planning based on bézier curve for autonomous ground vehicles [C]// Adva Electri Electro Engineering-IAENG Special Ed World Congress Engineering and Computer Sci， IEEE， 2008： 158-166.

Berglund T， Brodnik A， Jonsson H， et al. Planning smooth and obstacle-avoiding B-spline paths for autonomous mining vehicles [J]. IEEE Trans Autom Sci Eng， 2009， 7（1）： 167-172.

LI Hongcai， KIU Wenjie， YANG Chao， et al. An optimization-based path planning approach for autonomous vehicles using the DynEFWA-arti?cial potential ?eld [J]. IEEE Trans Intell Vehi， 2021， 7（2）： 263-272.

HUANG Yanjun， DING Haitao， ZHANG Yubiao， et al. A motion planning and tracking framework for autonomous vehicles based on arti?cial potential ?eld elaborated resistance network approach [J]. IEEE Trans Indu Electron， 2019， 67（2）： 1376-1386.

Kulatunga A K， Liu D K， Dissanayake G， et al. Ant colony optimization based simultaneous task allocation and path planning of autonomous vehicles [C]// 2006 IEEE Conf Cyber Intell Syst （CCIS）， IEEE， 2006： 1-6.

Lamini C， Benhlima S， Elbekri A. Genetic algorithm based approach for autonomous mobile robot path planning [J]. Procedia Comput Sci， 2018， 127： 180-189.

GE Qingying， LI Aijuan， LI Shaohua， et al. Improved bidirectional RRT * path planning method for smart vehicle [J]. Math Probl Eng， 2021， 2021（1）： 6669728.

MAI Xiquan， LI Di， OUYANG Jian， et al. An improved dynamic window approach for local trajectory planning in the environment with dense objects [C]// J Physics： Conf Series. IOP Publishing， 2021， 1884（1）： 012003.

LIU Yonggang， ZHOU Bobo， WANG Xiao， et al. Dynamic lane-changing trajectory planning for autonomous vehicles based on discrete global trajectory [J]. IEEE Trans Intell Transp Syst， 2021， 23（7）： 8513-8527.

DAI Changhua， ZONG Changfu， ZHANG Dong， et al. Human-like lane-changing trajectory planning algorithm for human-machine con?ict mitigation [J]. J Intell Connect Veh， 2023， 6（1）： 46-63

Nilsson J， Br?nnstr?m M， Coelingh E， et al. Lane change maneuvers for automated vehicles [J]. IEEE Trans Intell Transp Syst， 2016， 18（5）： 1087-1096.

Hamada Y， Ikawa M， Fuhii M， et al. Traveling lane determining device and traveling lane determining method： U.S. Patent Application 15/577， 687 [P]. 2018-06-14.

CAO Haotian， SONG Xiaolin， HUANG Zhenyu， et al. Simulation research on emergency path planning of an active collision avoidance system combined with longitudinal control for an autonomous vehicle [J]. Proc Inst Mech Eng Part D J Automob， 2016， 230（12）： 1624-1653.

BAI Zhengwei， CAI Baigen， SHANGGUAN Wei， et al. Deep learning based motion planning for autonomous vehicle using spatiotemporal LSTM network [C]// 2018 Chin Automation Congress （CAC）， IEEE， 2018： 1610-1614.

Samuel M， Hussein M， Mohamad M B. A review of some pure-pursuit based path tracking techniques for control of autonomous vehicle [J]. Int’l J Comput Appl Technol， 2016， 135（1）： 35-38.

AbdElmoniem A， Osama A， Abdelaziz M， et al. A path- tracking algorithm using predictive Stanley lateral controller [J]. Int J Adv Robot Syst， 2020， 17（6）： 1-11

Farag W. Complex trajectory tracking using PID control for autonomous driving [J]. Int’l J Intell Transp， 2020， 18（2）： 356-366.

CHEN Jianyu， ZHAN wei， Tomizuka M. Autonomous driving motion planning with constrained iterative LQR [J]. IEEE Trans Intell Vehi， 2019， 4（2）： 244-254.

Kong J， Pfeiffer M， Schildbach G， et al. Kinematic and dynamic vehicle models for autonomous driving control design [C]// 2015 IEEE Intell Vehi Sympo （IV）， IEEE， 2015： 1094-1099.

YU Liangyao， WANG Ruyue. Researches on adaptive cruise control system： A state of the art review [J]. P I Mech Eng D-J Auto， 2022， 236（2-3）： 211-240.

CAO Zhong， YANG Diange， JIANG Kun， et al. End-to- end adaptive cruise control based on timing network [C]// Proc 19th Asia Pacific Auto Engineering Conf SAE-China Congr 2017： Sele Papers， 2019： 839-852.

ZHAO Shuo， YU Qiang， LI Shihao， et al. Adaptive cruise hierarchical control strategy based on MPC [J]. Int’l J Vehi Info Commun， 2021， 6（2）： 161-184.

YANG Wei.， ZhANG Xiang.， LEI Qian.， et al. Research on longitudinal active collision avoidance of autonomous emergency braking pedestrian system （AEB-P） [J]."Sensors， 2019， 19（21）：46-71.

HAN Ichun， LUAN Bicheng， Hsieh F C. Development of autonomous emergency braking control system based on road friction [C]// 2014 IEEE Int'l Conf Auto Sci Engineering （CASE）， IEEE， 2014： 933-937.

DING Haitao， LI Wwei， XU Nan， et al. An enhanced eco-driving strategy based on reinforcement learning for connected electric vehicles： cooperative velocity and lane- changing control [J]. J Intell Connect Veh， 2022， 5（3）： 316-332.

HE Yixu， LIU Yang， YANG Lan， et al. Deep adaptive control： Deep reinforcement learning-based adaptive vehicle trajectory control algorithms for different risk levels [J]. IEEE Trans Intell Veh， 2024， 9（1）： 1654–1666.

WANG Wenxuan， ZHANG Yuhang， GAO Jiaxin， et al. GOPS： A general optimal control problem solver for autonomous driving and industrial control applications [J]."Commun Transport Res， 3， 100096.

ZHANG Yi， PEI Huaxin， YAO Danya. Research review on cooperative decision- making for vehicle swarms in vehicle-infrastructure cooperative environment [J]. J Traffic Transp Eng， 2022， 22（3）： 1-18.

Moharm K I， Zidane E F， El-Mahdy M M， et al. Big data in ITS： Concept， case studies， opportunities， and challenges [J]. IEEE Trans Intell Transp Syst， 2018， 20（8）： 3189-3194.

KENNEDY J O. Sensor data fusion for improving traf?c mobility in smart Cities [D]. Sheffield： Department of Automatic Control and Systems Engineering University of Sheffield， 2020.

AN Xin， CAI Bogen， SHANG Guanwei. Vehicle road cooperative roadside perception fusion method [J]. Meas. Control， 2022， 41（2）： 1-12+35.

WANG Binglu， JIN Yang， ZHANG Lei， et al. Collaborative perception method based on multisensor fusion [J]. J Radars， 2023， 13（1）： 87-96.

LIU Weijie， Muramatsu S， Okubo Y. Cooperation of V2I/ P2I communication and roadside radar perception for the safety of vulnerable road users [C]// 2018 16th Int'l Conf on Intell Transp Syst Tele （ITST）. IEEE， 2018： 1-7.

MO Yanghui， ZHANG Peilin， CHEN Zhijun， et al. A method of vehicle-infrastructure cooperative perception based vehicle state information fusion using improved kalman ?lter [J]. Multimed Tools Appl， 2022： 1-18.

LI Yicheng， HU Zhaozheng， CAI Yinfeng， et al. Visual map-based localization for intelligent vehicles from multi- view site matching [J]. IEEE Trans Intell Transp Syst， 2020， 22（2）： 1068-1079.

WANG Bo， CHEN Chunqiang， ZHANG Tianchen. Commercial vehicle road collaborative system based on 5G-V2X and satellite navigation technologies [C]// Chin Satel Navi Conf （CSNC 2021）， 2021， I： 274-282.

Hossain M A， Elsha?ey I， Al-Sanie A. Cooperative vehicular positioning with VANET in urban environments [C]// 2016 IEEE Asia-Pacific Conf Appl Electromag （APACE）. IEEE， 2016： 393-396.

LIU Siyuan， HE Dazhi， XU Yin， et al. Adaptive vehicle cooperative positioning system with uncertain gps visibility and neural network-based improved approach [C]// 2018 IEEE/CIC Int'l Conf Commun in Chin （ICCC Workshops）. IEEE， 2018： 303-308.

ZHANG Guohao， Ng H F， WEN Weisong， et al. 3D mapping database aided GNSS based collaborative positioning using factor graph optimization [J]. IEEE Trans Intell Transp Syst， 2020， 22（10）： 6175-6187.

YU Haibo， LUO Yizhen， SHU Mao， et al. Dair-v2x： A large-scale dataset for vehicle-infrastructure cooperative 3d object detection [C]// Proc IEEE/CVF Conf Computer Vision Pattern Recog （CVPR）. 2022： 21361-21370.

Kenney J B. Dedicated short-range communications （DSRC） standards in the United States [J]. Proc IEEE Inst Electr Electron Eng， 2011， 99（7）： 1162-1182.

CHEN Shanzhi， HU Jinlin， YAN Shi， et al. LTE-V： A TD- LTE-based V2X solution for future vehicular network [J]. IEEE Internet Things J， 2016， 3（6）： 997-1005.

Bagheri H， Noor-A-Rahim M， LIU Zilong， et al. 5G NR- V2X： Toward connected and cooperative autonomous driving [J]. IEEE Communi Stan Maga， 2021， 5（1）： 48-54.

Hartenstein H， Laberteaux L P. A tutorial survey on vehicular ad hoc networks [J]. IEEE Commun Maga， 2008， 46（6）： 164-171.

Ahangar M N， Ahmed Q Z， Khan F A， et al. A survey of autonomous vehicles： Enabling communication technologies and challenges [J]. Sensors， 2021， 21（3）： 706.

Toor Y， Muhlethaler P， Laouiti A， et al. Vehicle ad hoc networks： Applications and related technical issues [J]. IEEE Commun Surv Tutor， 2008， 10（3）： 74-88.

ZHANG Rui， YAN Feng， XIA Weiwei， et al. An optimal roadside unit placement method for vanet localization [C]// GLOBECOM 2017-2017 IEEE Global Commun Conf， IEEE， 2017： 1-6.

Ferrag M A， Maglaras L， Ahmim A. Privacy-preserving schemes for ad hoc social networks： A survey [J]. IEEE Commun Surv Tutor， 2017， 19（4）： 3015-3045.

Darbha S， Konduri S， Pagilla P. R. Bene?ts of V2V communication for autonomous and connected vehicles [J]. IEEE Trans on Intell Transp Syst， 2018， 20（5）： 1954-1963.

IE Guoqi， LI Yanwen， HAN Yunbo， et al. Recent Advances and Future Trends for Automotive Functional Safety Design Methodologies [J]. IEEE Trans Indu Info， 2020， 16（9）：5629-5642.

Hussein A， Garcia F， Armingol J M， et al. P2V and V2P communication for pedestrian warning on the basis of autonomous vehicles [C]// 2016 IEEE 19th Int'l Conf Intell Transp Syst （ITSC）. IEEE， 2016： 2034-2039.

Pawade S， Shah S， Tijare D. ZigBee based intelligent driver assistance system [J]. Int’l J Eng Res Indu Appl， 2013， 3： 1463-1468.

Yassein M B， Al-Maolegi M， Khamayseh Y， et al. Smart system for busy roads using short range wireless technologies [J]. Int’l J Math Comput Simu， 2015， 9：146-152.

San Martín J， Cortés A， Zamora-Cadenas L， et al. Precise positioning of autonomous vehicles combining UWB ranging estimations with on-board sensors [J]. Electronics， 2020， 9（8）： 1238.

GAO Song， Lim A， Bevly D. An empirical study of DSRC V2V performance in truck platooning scenarios [J]. Digit Commun Netw， 2016， 2（4）： 233-244.

Molina-Masegosa R， Gozalvez J. LTE-V for sidelink 5G V2X vehicular communications： A new 5G technology for short-range vehicle-to-everything communications [J]. IEEE Vehi Technol Mag， 2017， 12（4）： 30-39.

Gonzalez-Martín M， Sepulcre M， Molina-Masegosa R， et al. Analytical models of the performance of C-V2X mode 4 vehicular communications [J]. IEEE Trans Vehi， 2018， 68（2）： 1155-1166.

Andrews J G， Buzzi S， Choi W， et al. What will 5G be？ [J]."IEEE J Sel Areas Commun， 2014， 32（6）： 1065-1082.

PENG Haixia， LI Dazhou， Abboud K， et al. Performance analysis of IEEE 802.11 p DCF for multiplatooning communications with autonomous vehicles [J]. IEEE Trans Vehi， 2016， 66（3）： 2485-2498.

Fernandes P， Nunes U. Multiplatooning leaders positioning and cooperative behavior algorithms of communicant automated vehicles for high traf?c capacity [J]. IEEE Trans Intell Transp Syst， 2014， 16（3）： 1172-1187.

ZENG Tenchan， Semiari O， Saad W， et al. Integrated communications and control co-design for wireless vehicular platoon systems [C]// 2018 IEEE Int'l Conf Commun （ICC）， IEEE， 2018： 1-6.

Bento L C， Para?ta R， Nunes U. Intelligent traf?c management at intersections supported by V2V and V2I communications [C]// 2012 15th Int'l IEEE Conf Intell Transp Syst， IEEE， 2012： 1495-1502.

LI Yuying， LIU Qipeng. Intersection management for autonomous vehicles with vehicle-to-infrastructure communication [J]. PLoS one， 2020， 15（7）： e0235644.

FANG Yukun， MIN Haigen， WU Xia， et al. On-ramp merging strategies of connected and automated vehicles considering communication delay [J]. IEEE Trans Intell Transp Syst， 2022， 23（9）： 15298-15312.

WANG Jiadai， LIU Jiajia， Nei K. Networking and communications in autonomous driving： A survey [J]. IEEE Commun Surv Tutor， 2018， 21（2）： 1243-1274.

LIU Shaoshan， LIU liangkai， TANG Jie ，et al. Edge computing for autonomous driving： opportunities and challenges [J]. Proc IEEE Inst Electr Electron Eng， 2019， 107（8）： 1697-1716.

Gavankar T， Joshi A， Sharma S. Distributed computing and image processing for autonomous driving systems [C]// 2018 IEEE Distributed Computing， VLSI， Electrical Circuits and Robotics （DISCOVER）. IEEE， 2018： 13-18.

Spryn M， Sharma A， Parkar D， et al. Distributed deep reinforcement learning on the cloud for autonomous driving. [C]// Proc 1st Int'l Workshop Software Engineering AI Autonomous Systems， 2018： 16-22.

ZHOU Su， HUI Yilong， and Tom H. Luan. Distributed task allocation to enable collaborative autonomous driving with network softwarization [J]. IEEE J Sel Areas Commun， 2018， 36（10）： 2175-2189.

Muhammad U Y， Ashiq A， Mohsen F， et al. Cloud-based video analytics using convolutional neural networks [J]. Softeare Pract Exoer， 49.4 （2019）： 565-583.

WANG Ruijun， LIU Liangkai， SHI Weisong. HydraSpace： computational data storage for autonomous vehicles [C]// 2020 IEEE 6th Int'l Conf Collabor Internet Computing （CIC）， IEEE， 2020： 70-77.

YU Rong， ZHANG Yan， Gjessing S， et al. Toward cloud-based vehicular networks with ef?cient resource management [J]. IEEE Netw， 2013， 27（5）： 48-55.

HUANG Yaodong， SONG Xintong， YE Fan， et al. Fair and ef?cient caching algorithms and strategies for peer data sharing in pervasive edge computing environments [J]. IEEE Trans Mob Comput， 2019， 19（4）： 852-864.

中國智能網(wǎng)聯(lián)汽車產(chǎn)業(yè)創(chuàng)新聯(lián)盟 . 車路云一體化系統(tǒng)白皮書 [EB/OL]. （2023-2-11）. http：//www.caicv.org.cn/. China Industry Innovation Alliance for the Intelligent and Conneted Vehicles. Vehicle-road-cloud integrated system white paper [/OL]. （2023-2-11）. http：//www.caicv.org.cn/. （in Chinese）

中國智能網(wǎng)聯(lián)汽車產(chǎn)業(yè)創(chuàng)新聯(lián)盟 . 智能網(wǎng)聯(lián)汽車技術(shù)路線圖 2.0 [EB/OL]. （2020-11-19）. http：//www.caicv.org.cn/. China Industry Innovation Alliance for the Intelligent and Conneted Vehicles. Intelligent connected vehicle technology roadmap 2.0 [EB/OL]. （2020-11-19）. http：// www.caicv.org.cn/. （in Chinese）

李克強(qiáng) ， 常雪陽， 李家文，等 . 智能網(wǎng)聯(lián)汽車云控系統(tǒng)及其實(shí)現(xiàn) [J]. 汽車工程， 2020， 42（12）： 1595-1605.

LI Keqiang， CHANG Xueyang， LI Jiawen， et al. Cloud control system for intelligent and connected vehicles and its application [J]. Autom Engineering， 2020， 42（12）：1595-1605. （in Chinese）

Wright S. Autonomous cars generate more than 300 TB of data per year [EB/OL]. （2022-05-12）. https：//www.tuxera. com/blog/autonomous-cars-300-tb-of-data-per-year.

Byford S. Nokia sells here map unit to Audi， BMW， and Mercedes for $3 billion [EB/OL]. （2015-08-03）. https：// www.theverge.com/2015/8/3/9088727/nokia-sells-here- maps.

Bleiben L， Werden L， Einleiten R. Strategie automatisiertes und vernetztes Fahren [EB/OL]. （2015-11-16）. https：// www.bundesregierung.de/breg-de/service/publikationen/ strategie-automatisiertes-und-vernetztes-fahren-729794.

Pierce A. Toyota’s Woven City of the future [J]."Techdirections， 2020， 2.

Lenox M， McDermott J. Driving Waymo's fully autonomous future [EB/OL]. （2022-01-24）. https：//ssrn. com/abstract=4014646.

LeBeau P. Waymo starts commercial ride-share service. CNBC [EB/OL]. （2018-12-05）. https：//www.cnbc. com/2018/12/05/waymo-starts-commercial-ride-share- service.html.

White J. GM buys Cruise Automation to speed self- driving car strategy， REUTERS [EB/OL]. （2016-5-11）. https：//www.reuters.com/article/us-gm-cruiseautomation- idUSKCN0WD1ND/.

Kasmar J. Drivered autonomous vehicle passenger service deployment program [EB/OL]. （2022-2-28）. https：//www. cpuc.ca.gov/-/media/cpuc-website/divisions/consumer- protection-and-enforcement-division/documents/tlab/av- programs/20220228-cruise-tcp-a---drivered-deployment. pdf.

Aisin Seiki Co Ltd， ADVICS Co Ltd， JTEKT Corporation， et al. AISIN， ADVICES， JTEKT， and DENSO to form a new company to develop integrated control software for automated driving [EB/OL]. （2018-12-26）. https：//www. denso.com/global/en/news/newsroom/2018/20181226-g01/.

Herger M. 2022 disengagement report from California [EB/OL]. （2023-2-17）. https：//thelastdriver licenseholder. com/2023/02/17/2022-disengagement-report-from- california/.

LU Chunfang， MA Chengxian， JIANG Yuan， et al. Counter measures suggestions of development and research for vehicle infrastructure cooperation industry in China [J]. Chin J Highw Transp， 2023， 36（03）： 225-233.

BAIDU. Apollo intelligent transportation white paper [EB/ OL]. （2022-04-09）. https：//iot-automotive.news/baidu- apollo-releases-white-paper-on-intelligent-transportation/.

EHANGZHOU. Alibaba permitted to test self-driving vehicles on Hangzhou streets [EB/OL]. （2018-09-25）. https：//www.ehangzhou.gov.cn/2018-09/25/c_267758.htm.

Tencent. Urban mobility reinvented： tencent’s autonomous driving road paves the way to greener cities [EB/OL]. （2023-08-24）. https：//www.tencent.com/en-us/ articles/2201669.html.

Badweeti K N， Malaghan V D， Pawar D S， et al. Evaluating effectiveness and acceptance of advanced driving assistance systems using ?eld operational test [J]."J Intell Connect Vehi， 2023， 6（2）， 65-78.

Olovsson T， Svensson T， WU Jiaming. Future connected vehicles： Communications demands， privacy and cyber- security [J]. Commun Transport Res， 2022， 2（1）： 100056.

WANG Kai， LI Aoyong， QU Xiaobo. Urban aerial mobility： Network structure， transportation bene?ts， and Sino-US comparison [J]. Innov， 2023， 4（2）： Paper No 100393.

QU Xiaobo， ZENG Ziling， WANG Kai， et al. Replacing urban trucks via ground–air cooperation [J]. Commun Transport Res， 2022， 2： Paper No 100080.

LIU Xiaohan， QU Xiaobo， MA Xiaolei. Improving ?ex- route transit services with modular autonomous vehicles [J]. Transport RES E-Log， 2021， 149： Paper No 102331.

WU Jiaming， Balázs K， QU Xiaobo. A modular， adaptive， and autonomous transit system （MAATS）： An in-motion transfer strategy and performance evaluation in urban grid transit networks [J]. Transp Res Part A Policy Pract， 2021， 151： 81-98.