隨著車聯網技術的演進，自動駕駛在單車智能的基礎上，又有了新的發展形態——車路協同自動駕駛。通過“人-車-路-云”深度融合形成的一體化復雜信息物理系統（cyber physical system，CPS），可以與自動駕駛車輛實現協同感知、協同決策規劃甚至協同控制，提升自動駕駛安全性，幫助克服各類復雜交通環境。首先介紹了車路協同的復雜信息物理系統的概念內涵和總體架構，并提出了車路協同自動駕駛的一系列典型應用場景、技術原理、C-V2X（cellular vehicle-to-everything）性能要求、車路協同系統功能與性能要求，可以為下一階段智能網聯汽車與智能交通的深度融合發展提供參考和解決思路。

0 引言

車聯網（V2X）無線通信技術是實現車輛與周圍的車、人、交通基礎設施和云（平臺）等全方位連接和信息通信的新一代信息通信技術，而蜂窩車聯網（cellular vehicle-to-everything，C-V2X）則是由我國在國際上首先提出的一種車聯網無線通信技術，它融合了蜂窩移動通信和直連通信兩種模式，包括基于4G LTE 的LTE-V2X 和基于5G新空口（new radio，NR）的NR-V2X 兩個發展階段。

C-V2X 是實現自動駕駛的關鍵支撐，在自動駕駛領域，已經將基于C-V2X 的自動駕駛方案上升為自動駕駛的另一條技術路線，即車路協同自動駕駛（vehicle infrastructure cooperative autonomousdriving，VICAD）。基于C-V2X 的車路協同自動駕駛如圖1 所示，VICAD 的核心是通過C-V2X，將“人-車-路-云”交通要素有機地聯系在一起，實現車與車（V2V）、車與道路（V2I，主要指道路各類系統和設備設施，如感知設施、氣象檢測器、狀態監測設備、交通誘導與控制設施等）、車與云（V2N，包括地圖平臺、交管平臺、出行服務平臺等）和車與人（V2P）等的全方位協同配合（如協同感知、協同決策規劃、協同控制等），從而滿足不同等級自動駕駛車輛應用需求（如駕駛輔助、輔助駕駛或高等級自動駕駛），實現自動駕駛單車最優化和交通全局最優化發展目標。

世界各國都高度重視與VICAD 相關技術的研究和產業應用。美國2004 年就啟動了車路集成（vehicle-infrastructure integration，VII）系統研究計劃，并連續發布了《自動駕駛車輛綜合計劃》（Automated Vehicles Comprehensive Plan）、《智能交通系統戰略計劃》（ITS Strategic Plan）等一系列綱領性文件，并主導了智能駕駛（IntelliDrive）項目、網聯自動駕駛（Connected Vehicle Pilot）項目、協同式駕駛出行應用（Cooperative AutomationResearch Mobility Applications，CARMA）研究項目等一系列研究和驗證示范項目；歐洲也在ITS-G5、4G/5G 通信技術的基礎上，發布了《網聯自動駕駛路線圖》（Connected Automated DrivingRoadmap ） 、《合作智能交通系統和服務》（Cooperative Intelligent Transport Systems and Services）、《互聯、合作和自動移動》（Cooperative,Connected and Automated Mobility，CCAM）等頂層設計規劃，并在歐洲地平線計劃（HorizonEurope）總體框架下，主導開展了大量的研究測試和建設部署項目，如eSafety、CVIS、Drive C2X、CAR2CAR 和C-ROADS 等；日本早在2006 年就啟動了下一代“Smartway 計劃”，通過整合ITS的各種功能，建立全國性的車載集成平臺，為車輛提供ETC、DSSS、ASV 等服務，2017 年9 月，日本東京發布最新一版城市總體規劃《都市營造的宏偉設計—東京2040》，推進“新東京”實現3 個愿景：“安全城市”“多彩城市”和“智慧城市”。

中國積極推動VICAD 技術和產業發展，從頂層設計、戰略布局、行業應用等層面進行系統性推進，目前總體處于全球領先水平。在技術路線與政策體系方面，“單車智能+網聯賦能”自動駕駛技術路線已成為廣泛共識，政府主管部門積極加強頂層規范設計，營造產業發展的良好環境，出臺了一系列政策文件，包括《擴大內需戰略規劃綱要（2022—2035 年）》《智能汽車創新發展戰略》《新能源汽車產業發展規劃（2021—2035）》《交通強國建設綱要》《交通領域科技創新中長期發展規劃綱要（2021—2035 年）》等，為車路協同自動駕駛發展指明了方向；各地政府部門結合自身發展需求和優勢，發布了積極推進產業發展的一系列指導意見和發展計劃，大力發展車路協同技術，推動產業應用。在技術驗證和應用示范方面，工業和信息化部牽頭先后批準建設了江蘇（無錫）、天津（西青）、湖南（長沙）、重慶（兩江新區）等國家級車聯網先導區，北京、上海、廣州、深圳等地也大力支持開展車聯網示范區建設和“雙智”試點（智慧城市基礎設施與智能網聯汽車協同發展試點），加快車路協同基礎設施規模建設部署，IMT-2020（5G）推進組、中國智能網聯汽車產業創新聯盟（CAICV）等組織也先后開展了C-V2X“三跨”“四跨”“新四跨”系列大規模先導應用示范活動，逐步推動VICAD 從封閉開發走向互聯互通和大規模應用。

然而，VICAD 是一個高度復雜的系統工程，目前整體還處在發展的初級階段。為進一步推動自動駕駛技術成熟，并實現規模化應用，需要針對VICAD 進一步開展系統性研究，明確VICAD 發展階段、應用場景、車路協同系統技術要求和測試方法等內容，為VICAD 發展提供參考和指引。

1 車路協同自動駕駛系統總體設計

1.1 系統總體架構

VICAD 的本質是給每輛車開了一個“天眼”，它不僅能幫助車輛在“完美”視角下保障安全，還能高效分配道路時空資源，讓所有交通要素“各行其道”“各得其所”。將支持VICAD 應用場景所需的全部要素所組成的新型復雜系統稱為車路協同系統（vehicle infrastructure cooperative system，VICS），VICS 模型如圖2 所示。

VICS 中的交通參與者、交通運輸工具、交通基礎設施和交通環境不再只被看作一個簡單的對象，人、車、路和環境所對應的交通要素通過傳感器的采集和融合處理，成為具有自主身份且具備信息交互功能的數字孿生體。物理實體和數字孿生體之間可以通過有效信息流和決策控制流完成信息傳遞和決策控制閉環，例如車輛的遠程操控、道路紅綠燈的優化控制、道路可變標識控制等；不同物理實體之間，在車路協同這個復雜信息物理系統的全局調度下，呈現更加高效、更加秩序化的交通運行態勢。

參考CPS 系統架構以及美國合作式智能交通系統參考架構設計（architecture reference for cooperative and intelligent transportation，ARC-IT），在VICS 模型的基礎上，可以得到VICS 的總體架構，包括物理視圖、通信視圖、功能視圖、產業視圖共4 個視圖，其中VICS 物理視圖如圖2 所示，包括3 個主要部分。

（1）車端子系統（vehicle）：由車載單元（onboard unit，OBU）、車載計算控制模塊、車載網關和路由器等組成。

（2）路端子系統（infrastructure）：包括路側通信設施、路側感知設施、路側計算設施等，也包括用于交通安全、交通管理、通信與定位的各類設備設施。

（3）云端子系統（cloud）：包括云控平臺和相關第三方應用服務平臺，提供中心解密、中心交換、服務組件節點、服務路由器和中心接入節點等服務，具備網絡管理、業務支撐和服務等能力。

需要說明的是，VICS 中的“V”是vehicle，包括不同網聯等級和自動化程度的車輛，“I”是infrastructure，一般代指路端智能基礎設施及環境，包括但不限于：

● 道路工程及配套附屬設施（路面、道路標志標識、紅綠燈、照明、供電等設施）；

● 智能感知設施（攝像頭、毫米波雷達、激光雷達等）；

● 車路通信設施（直連無線通信設施、蜂窩移動通信設施）；

● 計算控制設施（路側邊緣計算節點、多接入邊緣云或各級云服務平臺）；

● 高精度地圖與輔助定位設施；

● 其他配套附屬設備設施（如供能、照明設施）；

● 道路上承載的各類人員（如行人、施工人員、非機動車駕駛員等）。

1.2 系統功能與性能要求

VICS 的技術要求主要體現在C-V2X 通信能力、感知定位能力（含地圖更新能力）、決策控制能力3 個方面。根據感知融合能力與應用服務對象不同，VICS 的路端子系統分為3 類。

（1）I 類路端子系統：可服務于具備0 級和1 級駕駛自動化能力的智能網聯汽車，符合該等級的路端子系統應可支撐相應的數據統計與平臺管控類應用。

（2）Ⅱ類路端子系統：可服務于具備2 級和3 級駕駛自動化能力的智能網聯汽車，符合該等級的路端子系統可向駕駛員提供實時道路信息、輔助駕駛員進行現場決斷類的應用。

（3）Ⅲ類路端子系統：可服務于具備4 級及以上駕駛自動化能力的智能網聯汽車，符合該等級的路端子系統應可為自動駕駛系統提供有價值的實時道路信息，支撐自動駕駛系統進行決策類的應用。

下面重點對Ⅲ類路端子系統的相關能力進行介紹。

（1）C-V2X 通信能力

綜合來看，與行業已經發布的面向輔助駕駛的T/CSAE 53、T/CSAE 157 相關標準相比，面向高等級自動駕駛的車路協同應用場景對C-V2X 通信具有更高的要求，具體如下。

● 在移動速度方面，系統應能夠支持最高相對速度為500 km/h 的車輛間發送消息，以及絕對速度為250 km/h 的車輛與車輛、車輛與路側單元、車輛與行人發送消息。

● 在通信時延方面，對于支持車車和車人通信的終端，無論是直接發送還是由路側單元轉發，最大通信時延應不超過100 ms。對于特殊用例（如碰撞感知），車聯網終端間發送V2V 消息的最大時延宜不超過20 ms。對于車到路側單元的最大通信時延不超過100 ms。

● 在消息發送頻率方面，系統應能夠支持路側單元和車聯網終端不低于10 Hz 的消息發送頻率。

● 在消息大小方面，不包括與安全相關的消息單元，對于周期性消息，兩個支持V2X應用的用戶設備之間傳輸的消息大小在50～300 byte；對于事件觸發的消息，其消息最大為1 200 byte。

隨著網聯車輛的增多，未來對通信能力的要求將進一步增強。車路協同系統C-V2X 通信性能指標要求見表1，針對協同感知類場景和協同決策控制類場景，其中最小端到端時延要求為3 ms，可靠性最高為99.999%，直通鏈路數據速率最大為1 Gbit/s，上行數據速率最大為25 Mbit/s，負荷最大為12 000 byte，通信范圍最大為1 000 m。

（2）感知定位能力

VICS Ⅲ類路端子系統的感知定位能力應與L3 及以上等級自動駕駛車輛對感知定位的要求相匹配，車路協同系統融合感知定位性能指標要求見表2。

交通事件類型識別要求見表3，包括可支持識別的交通事件。

（3）決策控制能力

協同決策控制類場景需要VICS 具備相應的軌跡預測能力、決策規劃能力和控制能力，這就要求在路側同時部署一套與車端智能駕駛系統（包括車載OS 與車控OS）適配兼容的路側智能駕駛系統（路側OS），且路側OS 需要更具開放兼容性，為不同類型、不同等級的車輛提供協同駕駛服務，限于篇幅，本文暫不列出具體指標。

2 車路協同自動駕駛典型應用場景與比較分析

2.1 應用場景分類

VICAD 最核心的特征是自動駕駛計算、感知、決策、控制的一體化，如圖4 所示，在VICAD 模式下，車輛、路端或云端都可能承擔部分或全部“感知-決策-規劃-控制-執行”功能，基于車路云一體化計算和互聯，實現一體化感知、一體化決策規劃和一體化控制，其中一體化計算和互聯是關鍵基礎，一體化感知與決策控制是核心應用。

參考已經發布的車路協同應用場景相關標準，國內標準例如T/CSAE 53、T/CSAE 156、T/CSAE 157、T/CSAE 158，國外標準例如SAEJ2735、3GPP TS22.186、TR22.886，本文將VICAD應用場景分為自動駕駛地圖更新、協同感知、協同決策規劃與協同控制4 個大類18 個小類，VICAD 典型應用場景舉例見表4。

2.2 自動駕駛地圖實時更新類應用場景

2.2.1 總體原理

自動駕駛地圖（業界也稱為“高精度地圖”或“高清地圖”）是自動駕駛的關鍵支撐要素之一，現階段自動駕駛地圖比較常用的制圖以及更新的方式有兩種，一種是利用專業測繪設備進行集中數據采集后制圖及更新，另一種是利用車載傳感器進行眾包數據采集后制圖及更新。這兩種制圖和更新方式基本滿足高等級自動駕駛的需求，但在地圖更新維護方面，存在難以解決的問題，具體如下。

（1）通過專業的高精度測繪設備更新：這種方式一般有人工制圖參與，所以可以對全要素的地圖進行更新。但這種方式需要專業的采集設備，成本高、數量少，對于大范圍地圖的采集和制作更新成本高、周期長，難以滿足自動駕駛對地圖實時更新的需求。

（2）眾包地圖更新：是指依賴量產車車端搭載的智能攝像頭或高級輔助駕駛系統的實時感知和定位能力，對交通環境進行不定期的重復掃描，云端通過收集的采集數據在線成圖，并與底圖進行差分，從而實現更新。眾包更新難以完全支撐高精度地圖的實時更新，主要原因如下。

● 在“車輛首次通過的天花板”，即現實道路變化后車輛首次經過時的地圖失效問題。

● 產車車端算力、定位精度有限，需要采用一段時間內的多次采集信息進行聚合生成高置信度結果，然后進行地圖更新。

● 端傳感器數據上傳至云端進行建圖工作，過程中需要占用較大的通信資源，數據流量費用較高，另外傳感器原始數據的公共網絡傳輸會對國家地理信息安全造成重大隱患。

高等級自動駕駛對自動駕駛地圖實時更新存在迫切需求，因為車輛在行駛過程中周圍環境是動態變化的，比如道路結構（封路、新建道路）、道路附屬設施（道路標志標線、標志牌、交通紅綠燈等）或交通運行狀況（交通管制、道路施工等），會造成車端地圖與現實交通環境存在不一致，影響自動駕駛的正常運行。

路端局部動態地圖更新總體原理如圖5 所示，通過路端設施進行高頻率的定點觀測，實時發現動靜態地圖要素的變更情況，并更新覆蓋范圍內的地圖，發送給車端和圖商，與當前使用的地圖版本進行要素級的融合更新。相較于專業測繪地圖更新和車端眾包地圖更新方式，路端局部動態地圖更新有如下優勢（3 種地圖更新方式比較見表5）。

● 點觀測數據精度高、可靠性強：路端傳感器在安裝部署時，可通過精確的內外參標定以及多傳感器融合感知定位，實現厘米級位置精度檢測。同時對于需要周期性觀測獲取的經驗類型的地圖數據，路側作為定點連續觀測單元，更具有優勢。

● 時性強：利用路端毫秒級感知以及分鐘級地圖制作，為地圖分鐘級更新提供了保障支持，與傳統更新相比，具有明顯優勢。

● 識別的地圖動靜態要素信息豐富：路端不僅可以識別重要的靜態和半靜態地圖要素信息，還可以識別半動態、動態的地圖要素信息。

2.2.2 車智能自動駕駛比較分析

下面以常見的紅綠燈變更和車道線變更為例進行說明。通過對多個智能網聯示范區的長期觀測統計，可知自動駕駛車輛在實際道路行駛時，會有較高概率遇到道路現實變更場景（例如道路紅綠燈、車道線、標志標牌等），遭遇道路現實變更的次數約為6.38 次/萬千米（其中紅綠燈變更次數為5.5 次/萬千米，車道線變更次數為0.78 次/萬千米，其他為0.1 次/萬千米），這類場景會直接影響自動駕駛車輛的安全運營，需要通過有效手段快速解決。下面對車端眾包地圖更新和路端局部動態地圖更新兩種典型地圖更新模式進行比較分析。

（1）車端眾包地圖更新模式

在車端眾包地圖更新模式下，地圖完成現實變更的更新時間，由于需要積累多趟、多車道數據才能完整重建，一般需要天級別（≥24 h）的數據積累，云端才能完成地圖的更新下發，因此在眾包地圖更新模式下可定義地圖更新周期，假設自動駕駛車輛每天的運營時間。

那么，該模式下遭遇地圖要素變更場景的概率通過長時間的運營觀測可以從兩個層面得出：

單車每萬千米里程遭遇該場景的概率：=6.38次/萬千米 ，單車每天遭遇該場景的概率：=1.7次/ (車·天)。

該模式下車輛遭遇地圖要素變更場景的通過成功率僅依賴于單車的能力，定義地圖要素變更場景通過成功率為，變更的具體值應結合車輛的實際能力，并由大量實測結果確定。

（2）路端局部動態地圖更新模式

依靠路端感知優勢，道路交通要素在變更完成后，可在云端短時間內完成地圖重建和車端更新，將總的更新時間定義為，保守按5 min計算，那么。

同時，假設通過車路協同感知實現地圖更新的場景召回率。

那么該地圖更新模式下自動駕駛車輛遇到變更場景的遭遇率為：

其中：

該地圖更新模式下自動駕駛車輛場景遭遇概率為：

場景成功率方面，運營時間內發生一次地圖要素現實變更時，若地圖要素變更場景發生在時刻，有車輛在時刻途經該點，則在至時間窗口內，車輛受到場景的環境影響，通過成功率，在時間窗口前，車輛通過成功率為，時間窗口后車輛若完成更新，成功率恢復為，那么：

引入路端局部動態地圖更新后的場景通過率：

由于，可得：

根據自動駕駛車輛的測量和運營數據，可以進一步計算得出以下幾點。

● 假設AD 模式下地圖要素變更場景通過成功率，路端局部動態地圖更新模式下變更場景召回率，可得。

● 假設AD 模式下地圖要素變更場景通過成功率，路端局部動態地圖更新模式下變更場景召回率，可得。

（3）收益評估分析

綜上所述，路端局部地圖更新模式具有顯著收益，地圖要素變更場景下VICAD 收益分析見表6，具體如下。

● 地圖更新時間方面：小于或等于5 min時，地圖更新時間大幅縮短。

● 地圖要素變更場景的遭遇概率明顯降低：的情況下，場景遭遇率可從6.38 次/萬千米降低至0.058 7 次/萬千米。

● 場景通過成功率得到顯著提升：在、的情況下，變更甚至可達到理想的99.999%，場景的失敗率從1.26 次/百萬千米降低到0.006 3 次/百萬千米。

2.3 協同感知類應用場景

2.3.1 總體原理

單車智能自動駕駛車輛（autonomous vehicle，AV）受限于傳感器的感知距離、感知角度、感知時長等因素，較難對動靜態盲區/遮擋、超視距等場景的交通參與者進行準確識別、定位和預測。通過路側多傳感器部署和路側融合感知定位，可實現多方位、長距離連續檢測識別，并利用V2X技術將路側感知結果共享發送到網聯自動駕駛車輛（connected autonomous vehicle，CAV），與主車感知進行融合，輔助自動駕駛車輛對盲區和超視距范圍內車輛或行人的準確感知識別，CAV 車輛可提前做出預判和決策控制，避免急剎或出現交通事故。車路協同感知總體原理如圖6 所示。

2.3.2 紅綠燈場景舉例

根據感知對象的差異，可以將協同感知類應用場景分為交通參與者協同感知、交通事件協同感知和紅綠燈協同感知3 類，其中交通參與者協同感知與交通事件協同感知可參見T/CSAE 53 和T/CSAE 157 標準，紅綠燈協同感知場景中，單車智能主要通過視覺智能獲取，但仍存在很多不足：

● 識別紅綠燈能力有限，異形紅綠燈無法識別；

● 車端視角限制，容易被前車遮擋；

● 容易受外界環境限制，尤其是逆光、霧天、

揚塵、夜晚等環境；

● 識別的數據維度有限，倒計時信息識別不準。

路側多冗余紅綠燈協同感知總體原理如圖7所示，主要通過物聯網紅綠燈數據接入、路側多視覺融合感知等技術獲取紅綠燈燈色和倒計時信息，經數據融合處理后，通過車路協同技術發給自動駕駛車輛。車路協同自動駕駛紅綠燈協同感知的優勢：

● 獲取方式不受燈的外觀、環境影響；

● 獲取到的數據內容豐富（包括燈色、倒計時）；

● 車輛可在很遠的距離提前獲取信息，提前進行決策控制。

以路口前方大車遮擋紅綠燈場景為例，可通過車路協同自動駕駛紅綠燈協同感知實時獲取準確的路口紅綠燈燈色和倒計時數據，并通過V2X將紅綠燈數據發送給路口所有車輛，以便車輛提前做出預判和決策控制，避免出現闖紅燈或者急剎。路側紅綠燈融合感知應用如圖8 所示。

2.4 車路協同決策控制類應用

2.4.1 車路協同決策規劃

在車路協同感知的基礎上，路側設施或系統還可以具備協同決策規劃能力，進一步保障自動駕駛安全，提高交通通行效率。車路協同決策規劃總體原理如圖9 所示，當車端決策規劃能力不可用時，由路端或云端為自動駕駛車輛提供決策規劃服務。

根據自動駕駛系統總體架構，車路協同決策規劃可以分為協同路徑規劃（routing）、協同行為決策（decision）和協同運動規劃（planning）3 個子過程。

下面以道路施工阻塞接管場景為例展開進行介紹。道路施工、交通事故、交通管制等交通事件是自動駕駛車輛經常遇到且較難應對的一類場景，尤其是在一些復雜的道路施工（如路口內施工、占據所有行進方向車道的施工）場景中，僅依靠車路協同感知或動態地圖更新也不能成功克服，容易造成車輛停滯或接管，存在安全風險。針對施工場景，車路協同具體有動態路徑規劃、協同行為決策、協同運動規劃3 種應對解決方式。

（1）協同路徑規劃

施工場景動態路徑規劃如圖10 所示，路端可以識別施工信息并發送到地圖平臺，發送的信息包括但不限于事件類型、時間地點、影響范圍、影響時間等，通過車路協同路徑規劃，可以評估車輛的可通過性，若不能通過或難度較大，可重新為車輛規劃路徑，提前避開施工路段。具體實現流程如下：

① 車輛設置目的地后，路徑規劃模塊根據道路拓撲關系和道路擁堵情況構建全局路徑規劃，車輛按照路徑規劃行駛；

② 路端檢測到占道施工，同步該信息至云端，通過自動和人工的方式及時更新路網拓撲關系；若判斷車輛無法通行，重新對車輛進行全局路徑規劃，提前繞開施工區域所在路段。

（2）協同行為決策+運動規劃

在車路協同路徑規劃部分，針對施工場景給出了通過提前改變車輛行進路徑的解決方式；如果車輛必須保持直行，則需要在車路協同路徑規劃的基礎上，進一步從車路協同決策規劃的角度解決施工阻塞問題，具體流程如下。

① 通過車路協同感知，對道路阻塞區域、阻塞原因、阻塞可達性等進行識別，對雙向車流進行實時持續性觀測，獲取阻塞區域周邊車流軌跡，結合對道路交通態勢的判斷，識別本側道路已經無法通行，但是對側道路最內側車道臨時變更行駛方向，作為本側方向的車道。

② 路端發現車道可通行方向和連接關系變更后，更新局部區域的道路拓撲數據。

③ 車輛到達施工區域前，獲取新的局部路網拓撲，重新對車輛進行局部路徑規劃，借用對向道路通過施工區域所在路段，施工場景車路協同決策規劃如圖11 所示。

2.4.2 車路協同控制

當自動駕駛車輛駛入復雜交通環境、駛出地理圍欄、面臨復雜認知交互類場景或極端場景時，車輛較難獨立應對，還可以通過車路協同控制幫助車輛脫困，車路協同控制總體原理如圖12 所示。仍以道路施工接管場景為例，跨道路阻斷、車端主動請求接管示意圖如圖13 所示，車輛阻塞主動請求接管的流程如下：

（1）車端遇道路阻塞，向云端發起接管請求；

（2）云端遠程遙控駕駛員接到車輛的脫困或代駕請求；

（3）車端/路端各類實時數據同步上傳云端，云端遠程遙控駕駛員通過信息顯示屏上的信息進行人工決策；

（4）遠程遙控駕駛員控制駕駛艙的方向盤、油門、剎車等，給車端下發控制指令；

（5）車輛執行遠程駕駛的控制指令，脫困。

2.4.3 與單車智能自動駕駛比較分析

基于上述道路施工場景案例，下面分別對基于AD的單車決策規劃和基于VICAD的車路協同決策規劃兩種模式進行量化比較分析。

（1）基于AD 的單車決策規劃

根據長期實測統計，自動駕駛車輛的施工事件場景遭遇率?為4.5 次/萬千米，同時定義，AD 模式下自動駕駛地圖更新（場景召回）時長；自 動 駕 駛 車 輛 每 日 運 營 時 長；單車智能自動駕駛遇該類場景的成功率為（的值可根據實測數據獲得）。

（2）基于VICAD 的車路協同決策規劃

依靠路端和云端協同感知和協同決策規劃，可在較短時間內完成施工事件的精準識別和決策規劃，并下發到車端，保守起見，將整個鏈路的時間定為3 min，那么，= 3min 。3 min 時間周期的情況下，施工事件場景的召回率可做到：。

車路協同決策規劃模式下可以通過多種方式幫助自動駕駛車輛避免遭遇施工事件，比如routing、decision 和planning，那么該模式下施工事件的場景遭遇率為：

場景成功率方面，假設施工時長服從對數正態分布：，對于運營時間內發生的一次場景，若場景發生在時刻，持續時長分布，有車輛在時刻途徑該點，則在至,時間窗口內，車輛受到場景的環境影響，通過成功率為，時間窗口后若施工持續且完成召回，成功率為|，其余時間車輛通過成功率為：

引入車路協同決策規劃后的場景通過率：

由于，可得：

若單車場景通過成功率，車路協同決策規劃模式下場景召回率，可得。

若單車場景通過成功率，邊緣計算場景召回率， 可 得。

（3）收益評估分析：

綜上所述，通過車路協同決策規劃對自動駕駛具有顯著收益，施工場景下VICAD 收益分析見表7，具體如下。

● 車輛場景的遭遇概率明顯降低：通過車路協同routing、decision 和planning 等，可以多種方式避免車輛遭遇施工類場景，在情況下，場景遭遇率可從4.5 次/萬千米降低至0.027 0 次/萬千米。

● 車輛場景通過成功率P 得到顯著提升：在、邊緣計算場景召回率情況下，可達到理想的99.999 1%，場景的失敗率從0.9 次/百萬千米降低到0.004 05 次/百萬千米。

3 結束語

本文簡述了面向高等級自動駕駛車輛的車路協同應用場景需求，并對車路協同系統進行了系統分析，可以為下一階段車路協同應用的發展和自動駕駛的規模商業化落地提供參考和解決思路。

但車路協同自動駕駛規模商業化落地是一個循序漸進、由局部到全面逐漸發展的過程：首先，需要實現關鍵技術的進一步突破，如車路協同系統、車路高效通信（NR-V2X）、云控平臺等；其次，智能車輛的滲透率和智能道路覆蓋率需要達到一定水平，實現車路協同系統的全面覆蓋和廣域服務；最后，需要在政策法規和技術標準方面提供足夠的保障支持，例如高精度地圖與定位、車聯網數據安全等方面。

審核編輯：湯梓紅