智能交通是自動化領域研究的熱點方向之一，小編整理了IEEE/CAA Journal of Automatica Sinica和《自動化學報》近期發表的智能交通文章，歡迎閱讀~

1.加拿大滑鐵盧大學沈學民（Sherman Shen）教授：車聯網大數據：發展、支撐與應用（Internet of vehicles in big data era）

隨著智能交通向更安全、更高效、自動化、可娛樂的全方位發展，車載環境下的信息技術，包括衛星網絡、高空平臺、無人機、地面網絡、車載社交網絡以及車載傳感器網絡，近年來都得到發展，其平臺數據的交互與應用也逐漸受到通信和控制領域學者們的關注。

加拿大滑鐵盧大學沈學民 (Xuemin Sherman Shen) 教授等在IEEE/CAA Journal of Automatica Sinica發表的綜述“Internet of Vehicles in Big Data Era”中，探索與分析了車聯網與大數據之間的關系。一方面，車聯網可支持信息平臺中的海量數據獲取、傳輸、存儲與計算；另一方面，基于車聯網大數據的分析與挖掘，有助于進行更加高效智能的新一代車聯網架構與設計。

此外，沈學民教授等還探索了無人駕駛環境下的大數據應用，同時展望了未來車聯網大數據的相關研究方向，包括如何有效設計車聯網支持日益增長的數據量、如何利用海量的數據進行分析與發掘，設計更智能高效的通信協議以提高駕駛安全與駕駛體驗。

文章導讀

車聯網與大數據的關系為（圖1）：首先，車聯網需要支持大數據的獲取、傳輸、存儲與計算；同時，通過對大數據內在價值的有效利用，車聯網的架構與設計可以進一步得到優化。

圖1 車聯網與大數據

綜述內容如圖2 。在大數據支持部分，首先介紹了大數據的獲取，分別包括車內與車外的數據來源。車內數據源包括車載傳感器監控的車輛狀態信息，如速度、加速度、引擎及剎車狀態等；乘客智能終端的GPS、加速度傳感器、陀螺儀等感知的運動狀態信息。車外數據源包括路側基礎設施、高空平臺、無人機等監控的環境信息，如車流、紅綠燈、天氣等。

大數據傳輸部分介紹了應用感知的傳輸策略、媒體訪問控制協議、路由協議以及空中擴展信息平臺。大數據存儲部分介紹了存儲類型（車載存儲、路邊存儲、網絡存儲）、相關存儲機制等。大數據計算部分介紹了基于車車通信的在線計算以及車載云計算等。

圖2 綜述內容

支持大數據傳輸的車聯網框架（圖3）包括：1) 基于DSRC和LTE-V通信協議的地面通信，例如，車輛與車輛（V2V）通信、車輛與行人（V2P）通信、車輛與路側基礎設施（V2R）通信等； 2) 衛星、高空平臺、無人機等空間平臺與地面車輛的空間地面通信；3) 衛星、高空平臺、無人機之間的空間通信等。

在這些通信模式中，基于車載應用，作者綜述了應用感知的傳輸策略、媒體訪問控制協議、路由協議以及空間傳輸協議的設計。例如，在媒體訪問控制層 (MAC)中，目前用于車聯網的MAC層協議根據訪問無線網絡資源的方式不同主要有兩類 ：

1) 基于競爭 (contention-based)的MAC, 即當節點有數據要傳輸需要訪問無線信道時，它首先會監聽信道是否空閑，當信道空閑時立即發送數據，在發送數據的同時監聽是否有沖突產生，若產生沖突則立即停止數據發送，等待一段隨機時間，再重嘗試發送；

2) 非競爭 (contention-free) MAC, 即信道按照某種預先規定的機制進行劃分比如時分復用 (TDMA: Time Division Multiple Access)、空間復用 (SDMA: Space Division Multiple Access)、碼分復用 (CDMA: Code Division Multiple Access),每個節點被分配唯一的無線資源以減少沖突。

作者對兩類MAC協議設計的研究現狀都進行了綜述。此外，支持大數據存儲介紹了存儲類型（車載存儲、路邊存儲、網絡存儲）、存儲機制等。最后，支持大數據計算介紹了基于車車通信的在線計算以及車載云計算。

圖3 車聯網支持大數據傳輸框架

雖然不斷增長的數據量給車聯網帶來挑戰，但是通過分析與挖掘大數據，高效智能的新一代車聯網架構與設計也會得到優化與發展。

主要從三方面介紹了車聯網大數據的應用方向：

1) 基于大數據的網絡特征刻畫與驗證

節點的高速移動造成車載網絡連接的時變性，且變化難以預測。即使為所有節點動態分配好無線帶寬資源，節點發送出去的消息也可能因為鏈路質量問題而不能被鄰近節點成功接收。基于真實場景下的大量通信數據，結合車輛的狀態和周圍環境信息，可進行定量分析，即通信質量與運動速度、距離、高度、環境等因素之間的關系，分析結果將對不同應用需求的通信場景起到指導作用。

2) 情景感知的通信范式設計

由于節點移動速度和路線都在異態變化，導致局部網絡拓撲可以發生十分劇烈的改變。此外，宏觀車流、人流密度的變化，進一步加劇了網絡拓撲的高動態性，基于運動狀態，環境監測數據，可設計情景感知的通信協議，可最大化網絡性能的同時最小化網絡開銷。

3) 大數據支撐的無人駕駛

無人駕駛場景下數據來源包括車傳感器、GPS、攝像頭、激光雷達、用戶體驗數據（游戲數據）、邊緣數據、眾包數據等，結合網絡傳輸共享、本地及云平臺的計算能力提供基于高精地圖的安全應用、導航、無人駕駛、車載社交網絡、娛樂休閑等應用。

圖4 大數據支撐的無人駕駛

2.平行駕駛：基于信息物理社會系統（CPSS）的交通自動化與汽車智能化統一融合框架

Parallel Driving in CPSS:

A Unified Approach forTransport Automation and Vehicle Intelligence

文章導讀：

智能網聯汽車的迅速發展為當前的車輛控制和交通系統提出嚴峻的挑戰。本文提出智能網聯汽車的一種全新的基于云端化的信息物理社會系統（CPSS）解決方案，平行駕駛。

本文首先介紹CPSS定義和基于人工社會(Artificial societies)、計算實驗(Computational experiments)和平行執行(Parallel execution)智能機器系統。隨后，提出了基于CPSS的平行駕駛框架，融合物理世界、精神世界和人工世界，并詳細論述了平行測試、平行學習以及平行增強學習等方法，它們在智能網聯汽車的感知、決策與規劃和控制等關鍵模塊中都有巨大的應用潛力。

受到平行系統思想的啟發，在智能視界及其應用實例的基礎上，本文提出了平行視界的概念。平行駕駛旨在為涵蓋不同自動化層級的智能網聯汽車系統和未來智能交通提供一套智能融合解決方案及框架。

圖1 CPSS的定義以及信息、物理和社會系統之間的相互聯系

圖2 基于ACP方法的智能機器系統框架. A：人工社會，C：計算實驗，P：平行執行

圖3基于CPSS的平行駕駛框架. RD：實際駕駛，DC：駕駛員識別，CPSS包含三大組成部分：人（社會維度），位置信息（地理維度）和技術（傳感器、物聯網等）. HD：人類駕駛員，RV：實際車輛，ADAV：人工駕駛員和人工車輛，SA：態勢感知

圖4 平行學習框架，主要包含數據處理和行動學習兩大階段

圖5 平行測試的實現過程和一個實例

圖6 平行增強學習理論框架. 主要包括數據收集及生成過程、數據處理及最優策略的計算過程、特定知識的應用過程

圖7 平行視界框架，主要包括三大模塊：1）駕駛風格識別模塊，2）短期速度預測模塊，3）基于周期視界的長期速度預測模塊

3.

郭洪艷,曹東璞,陳虹等：車輛行駛狀態研究現狀及展望

來自吉林大學、加拿大滑鐵盧大學、英國克蘭菲爾德大學的郭洪艷、曹東璞、陳虹教授等發表在IEEE/CAA Journal of Automatica Sinica 2018年第2期的綜述“Vehicle Dynamic State Estimation: State of the Art Schemes and Perspectives”中，針對下一代汽車控制及未來自動駕駛汽車需要的車輛行駛狀態信息，系統地回顧了研究進展并對未來車輛行駛狀態估計亟待解決問題進行展望。首先給出車輛行駛狀態的分類并總結了車輛行駛狀態估計所采用的結構。其次，系統地介紹了車輛速度、質心側偏角、橫擺角速度及側傾角估計的傳感器配置方案；再次，總結了車輛行駛狀態估計中所使用的典型方法及車輛模型；最后，討論了未來車輛行駛狀態估計中亟待解決的問題。

文章導讀

隨著自動駕駛、平行無人系統、控制與計算機科學、智能交通系統(ITS)、駕駛輔助系統(ADAS)等的快速發展，消費者對車輛操縱穩定性和主動安全性要求日益提高。各種ADAS和車輛穩定性控制系統也應運而生，如基于車輛縱向控制的防抱死制動系統(ABS)、自適應巡航系統和牽引控制系統；涉及側向穩定性的電子穩定程序(ESP)和主動前轉向(AFS); 強調車輛垂向控制主動懸架控制(ASC)等。在這些系統的幫助下，車輛的操縱穩定性和主動安全性得到了有效的改善，因此，車輛的行駛變得更加安全，致命事故的數量也減少了。

然而，這些汽車穩定控制系統的實現，特別是智能網聯車輛和自動駕駛車輛，依賴于精確的車輛動態狀態信息。傳統上，車輛動態狀態信息是由車載傳感器直接測量的。然而，由于運行條件極其復雜，這些傳感器的精度相對較低，不滿足車輛主動安全控制系統的要求。若加裝高精度傳感器，其成本又過于昂貴，不適于在量產車輛上使用。因此，現有車載傳感器的低精度問題和一些傳感器的高昂價格已經成為獲取精確、完整的車輛動態狀態信息的瓶頸，并極大地限制了ADAS和車輛主動安全系統的發展。基于此，車輛行駛狀態估計應運而生，并可以為ADAS、主動穩定控制和車輛故障診斷系統獲得更準確、更可靠的車輛行駛狀態信息。因此，對于車輛動態狀態估計的研究很有必要并且國內外相關的文獻越來越多。

因此，本文回顧了車輛行駛狀態估計的最新研究進展，并給出了車輛行駛狀態估計問題的分類。然后，總結了車輛行駛狀態估計中所使用的典型方法及車輛模型。最后，討論了未來研究中車輛動態狀態估計亟待解決的問題，以及在智能駕駛以及大數據、云計算的大背景下車輛行駛狀態估計的研究展望。

4.訓練數據，激發潛能：利用虛擬圖像訓練和測試目標檢測器

針對目標檢測模型建立過程中，真實數據可控性差和多樣性不足的問題，王飛躍教授團隊提出了通過創建虛擬數據來對模型進行訓練和測試的思路。在公開數據集PASCAL VOC、MS COCO和KITTI上進行了實驗，證明了虛擬數據在提升目標檢測模型性能和對模型進行有針對性測試方面的有效性。

文章導讀

目標檢測技術是計算機視覺領域的研究熱點之一，在安防、智能交通等領域有著廣泛應用。隨著機器學習的興起，基于傳統機器學習算法和深度神經網絡模型來構建目標檢測器獲得了諸多進展，也對訓練和測試數據提出了更多要求。尤其是在像智能交通這樣的復雜場景中，依靠單一樣本訓練的模型往往難以在實際中取得成功，同時，沒有經過多樣化測試數據充分測試的模型，在應用中也存在著巨大的安全隱患。

由于真實世界的不可控性，收集大規模、多樣化的真實數據存在著較多困難，數據收集工作處于較為被動的地位，在很多時候，無法得到令人滿意的結果。此外，數據標注也是一件費時費力的工作，尤其是對海量數據進行多種信息的標注，在耗費巨大人力物力的情況下，也時常無法保證標注的精確性。

近些年，伴隨著計算機圖形學、虛擬現實等技術的發展，通過游戲開發引擎等工具來搭建逼真的虛擬場景，進而展開各種科學研究逐漸引起人們的重視。相比于真實世界，虛擬場景在可控性方面有著巨大優勢。我們可以借助計算機圖形學軟件提供的指令和接口對場景參數進行改變，來滿足個性化的需求。此外，由于虛擬場景的生成建立在數學模型的基礎上，因此可以利用圖形學機理來對感興趣信息進行獲取，從而解決像數據標注這樣的棘手問題。

本文對虛擬數據集創建方法進行了研究，面向目標檢測任務，對虛擬數據在訓練和測試中的有效性進行了驗證。首先借助OpenStreetMap、CityEngine和Unity3D等軟件，搭建了虛擬城市交通場景，并通過改變場景參數，收集了不同天氣、不同光照條件下，具有不同遮擋程度和目標大小等特點的多樣化數據集；然后，通過結合虛擬數據和真實數據對目標檢測模型進行了訓練，提升了目標檢測模型的性能；最后，利用定制的虛擬數據，對訓練好的模型進行了測試，探索了虛擬數據在對模型進行精細化測試方面的潛能。

虛擬數據集建立及模型訓練和測試流程