无人车大数据与云控制技术综述

倪俊， 姜旭， 熊周兵， 周波

(1.北京理工大学 机械与车辆学院，北京 100081；2.北京理工大学 重庆创新中心，重庆 401147)

无人车是民用及军用车辆领域的重要发展对象，被认为将改变未来人类生活方式及新一代陆军装备作战形式，对我国国民经济发展与国防安全建设有重要战略意义. 近年来，一方面，互联网技术的迅速发展和人工智能的广泛应用给汽车工业带来了深刻的变革，促进了车辆自动驾驶技术的愈发成熟；另一方面，具有大带宽和低延时等特点的5G通信技术的逐步商用为自动驾驶技术的发展提供了新的契机. 相比自动驾驶乘用车，用于替代人类执行作业任务的功能型无人车，包括无人配送车、无人接驳车、无人公交车、无人巡逻车等功能型无人车将具有更快的产业化应用前景，成为未来智能交通与智慧城市建设中的重要组成部分. 2020年，由国家发改委等11部委联合发布的《智能汽车创新发展战略》明确指出，“2025年，实现高度自动驾驶的智能汽车在特定环境下市场化应用”.

大数据技术被广泛认为将对人类生活产生深远影响. 2012年，联合国发布《大数据促发展:挑战与机遇》，指出大数据时代已经到来. 我国准确把握大数据发展机遇，大力推动大数据技术的发展. 2015年10月，党的十八届五中全会正式提出“实施国家大数据战略，推进数据资源开放共享”，表明我国已将大数据上升为国家战略. 同时，大数据的发展促进了云控制技术的发展. 大数据与云控制技术将会对包括智能交通领域等在内的多个国民经济领域产生推动作用，成为我国科学技术与经济建设的新动力.

本文旨在综述大数据与云控制技术在无人车领域的应用，并对其关键技术未来发展趋势进行讨论. 本文首先综述了大数据技术在车辆领域的应用现状，以团队所研制的系列化功能型无人车为例，介绍了无人物流车、无人巡逻车和无人接驳车等典型无人车的研究现状，结合团队所研制的无人车云大脑集群控制中心，展望了大数据与云控制技术在无人车领域的应用前景.

1 大数据与云控制技术

随着人类社会的不断发展，数据产生的速度和总量出现了爆炸式增长. 美国知名咨询公司麦肯锡在其报告中给出了大数据的定义：大数据指的是那些大小超过标准数据库工具软件能够收集、存储、管理和分析的数据集. 业界普遍认为大数据具有“5V”特征——Volume(大量化),Variety(多样化),Value(价值化),Velocity(高速化),Veracity(真实性). 数据分析技术是实现大数据价值并使大数据服务人类生产生活的关键手段. 随着物联网技术的日益普及以及终端设备的便携性和移动性的提高，使得数据采集更加灵活有效. 针对车辆领域的数据采集技术而言，数据一般通过车载传感器采集. 数据挖掘技术是挖掘大数据背后物理意义的关键技术. 根据数据挖掘知识类型的不同，数据挖掘分为聚类、分类、偏差分析、关联、特征化、相似性分析等类型. 根据所使用的数据分析方法的不同，数据挖掘又分为基于数据库技术、数理统计技术、机器学习技术或人工神经网络技术等类型. 在实际的应用中，分类是数据挖掘技术的常用分析手段之一[1]. 分类的任务是对数据集进行学习，从而构造一个拥有预测功能的分类函数或分类模型. 分类的代表性算法有朴素贝叶斯算法、支持向量机算法(SVM)、BP神经网络算法、KNN最近邻算法、C4.5决策树算法等. 关联分析[2]用于寻找数据集中不同项之间的潜在的联系，是数据挖掘技术的又一常用分析手段. 关联分析的代表性算法是Apriori算法与FPGrowth算法以及它们的变形. 聚类分析[3]旨在发现紧密相关的观测值群组，使得与属于不同簇的观测值相比，属于同一簇的观测值相互之间尽可能相似. 聚类分析的代表性算法是k-Means算法和EM算法等. 大数据的爆炸式增长和数据采集技术的发展增加了控制系统的通信和计算负担，这对控制系统的性能提出了更高的设计要求，增加了成本. 在此背景下，云控制技术的概念应运而生. 本文将车辆云控制定义如下：将云计算、大数据技术以及人工智能技术引入到控制系统中，即将车载传感器采集到的车辆运行、定位等大数据存储在云端，在云端实现系统的在线辨识与建模，进行车辆的规划、调度、性能预测、决策与控制优化，并结合自适应模型预测控制、数据驱动预测控制等先进控制方法，实现车辆的自主智能控制.

2 大数据与云控制技术在车辆领域的应用

2.1 基于大数据的车辆性能预测技术

将基于大数据的预测技术合理地应用于车辆，实现车辆能耗、行驶里程等性能的准确预测，是大数据技术在车辆领域的重要应用.

有限的动力电池容量和行驶里程一直是纯电动汽车发展的痛点，因此，对纯电动汽车进行准确的能耗预测和行驶里程预测将大幅提高出行可靠性，对电动车的发展显得尤为重要. 孙洪运等[4]分别利用模糊神经网络、自回归积分滑动平均模型、反向传播神经网络模型和支持向量机(SVM)模型实现了降雨条件下快速路车速的短时预测. Morlock等[5]通过车载云通信设备收集车辆实时交通数据，利用车辆速度剖面和个人驾驶风格对电动汽车的电池能量消耗进行了预测. Scheubner等[6]利用贝叶斯分类算法学习驾驶员行为和交通数据，对交通阶段进行分类以达到明确评价交通状况的目的，从而实现准确的基于驾驶员风格的能耗预测. Shankar R等[7]利用车辆实际运行数据建立了基于神经网络的车辆能耗预测模型.

交通事故给人民生命财产带来了重大损失，利用大数据技术预测道路交通事故势在必行. 另外随着汽车保有量的增长，我国许多城市被道路交通拥堵困扰，准确预测道路交通流量并提高出行效率成为大数据技术的又一重要应用方向. 孙轶轩等[8]基于自回归滑动平均(ARIMA)模型和支持向量回归机(SVR)模型，构建了时间序列组合预测模型，对道路交通事故相关指标进行了趋势预测. Abadi等[9]利用历史交通数据建立了一种自回归模型，可对交通流量进行短时预测，并用蒙特卡洛模拟评估了该方法的有效性. 车辆各系统的故障诊断和预警问题一直是车辆领域的研究热点，利用大数据技术进行车辆故障的诊断与预警在近几年成为研究热点. Jichao H等[10]利用长短时记忆递归神经网络，提出了一种基于深度学习的电池系统电压多步预测方法，对电池电压异常具有较强的预测能力. 同样针对动力电池故障预警问题，Wang等[11]提出了一种基于修正香农熵的电压故障诊断方法，通过对车辆运行过程中电池电压的监测能及时预测电池故障的出现.

充电负荷的准确预测对于充电站的规划建设、充电站运行管理，乃至电网调度均有着十分重要的意义. 传统的电力负荷预测方法主要有负荷密度法、线性回归法和时间序列法等. 近些年来，以支持向量机(SVM)、神经网络和深度学习等大数据挖掘技术的电力负荷预测方法渐渐增多. Kong等[12]收集用户的用电行为数据，提出一种基于记忆的深度学习预测框架，可对居民用电进行高精度预测. 金鑫等[13]基于大数据和粒子群优化BP神经网络建立了预测模型. 于海洋等[14]基于历史车联网数据和电动汽车充放电数据，建立了能确定影响充电行为因素的logistic回归模型.

2.2 基于大数据的车辆行为统计技术

利用基于大数据的统计技术实现车辆行为数据的统计与分析，是大数据技术在车辆领域的另一重要应用. 车辆的行为数据包括行驶行为数据、充电行为数据、能耗行为数据等. 根据行驶行为数据可以进行单车的里程核算和运行效果评估，例如基于车辆的坐标数据进行GPS纠偏、里程核查、行驶轨迹分析、轨迹相似度判断等，可以为结合充电需求的行驶轨迹规划等技术提供基础. 另外，根据车辆行驶时空数据还可以进行城市居民出行行为宏观统计分析研究，针对城市居民出行的行程长度、行程时间以及活动范围，通过聚类分析等技术分析出行行为的时空分布规律. 同时，基于车辆行驶路线的可视化，结合城市交通信息数据，可以统计分析城市道路交通高峰时段和非高峰时段的汽车速度和加速度分布特征，为合理制定道路管理策略以提高交通效率提供数据支撑. 对车辆的充电行为数据和能耗行为进行特征挖掘及分析，可以对城市建设充电桩规划等分析提出定量依据，服务于政策制定与城市建设.

2.3 车辆大数据技术领域的标志性成果

由北京理工大学孙逢春院士和王震坡教授领衔的研究团队是国内从事新能源汽车大数据技术研究的最具代表性和权威性的团队，团队建设了我国新能源汽车国家监测与管理平台，服务于我国新能源汽车的安全监管及电池溯源等工作，对我国相关产业及技术做出了突出贡献. 新能源汽车国家监测与管理平台于2016年起依托北京理工大学电动车辆国家工程实验室建设，是全球首个国家级新能源汽车监测与管理平台. 截至2019年5月，平台接入车辆突破220万辆，预计2025年接入8 000万辆，成为全国接入企业最多、接入数量最多、接入车型最全的第三方、国家级新能源汽车信息平台. 此外，团队进一步联合相关企业、高校、学会等各方资源，共同成立了新能源汽车国家大数据联盟，加速推进新能源汽车和大数据技术的发展，为我国新能源汽车产业发展做出了重大贡献.

2.4 基于云控制的智能交通技术

随着智能网联汽车的发展，云控制技术在车辆领域有广阔的应用前景. 夏元清等[15]提出一种智能交通信息物理融合云控制系统，基于智能交通流大数据,在云控制管理中心服务器上利用深度学习和超限学习机等智能学习方法对采集的交通流数据进行训练预测计算,能够预测城市道路的短时交通流和拥堵状况. 李克强等[16]总结了智能网联汽车发展的技术架构，将云平台与大数据技术列为推动智能网联汽车发展的三大关键技术之一.

基于前期研究工作基础[17-18]，笔者认为，大数据与云控制技术对推动功能型无人车的发展具有重要意义，主要原因为：① 功能型无人车具有完全自主行驶能力且不具有人类驾驶功能，因此对其运行安全性及可靠性的要求较其他智能车辆更高. 通过大数据技术实现无人车全维度数据监控以提高其运行安全性，是推动功能型无人车服务人类生产生活的关键技术. ② 功能型无人车可以通过集群作业的方式以完成特定任务. 大数据技术将为大规模无人车的集群调度与控制提供重要基础. ③ 基于边缘端运算的传统自动驾驶控制架构难以满足高可靠性的无人车运行需求. 利用无人车云端大数据分析结果，探索“云端-边缘端”联合控制技术，实现无人车控制算法的云端在线优化，将进一步提高无人车的综合性能.

3 功能型无人车技术

典型的功能型无人车包括无人物流车、无人运输车、无人接驳车、无人清扫车、无人巡逻车等，它们具有自主行驶能力并省略了人类驾驶机构，具有智能化、线控化、机器人化的特点，其使用目的为替代人类执行作业任务，在民用或军用领域具有广阔的应用前景. 围绕无人车关键理论与技术，本团队开展无人车综合动力学控制、智能决策与云端集群控制、全维度大数据云端监控等方面的研究，成功研制了系列无人车全线控通用底盘及功能型无人车，相关成果在无人军用车、无人警用车、无人民用车等多个领域实现了广泛应用，在北京、武汉、重庆等多个省市实现常态化运营，服务于2019世界军运会等国内外重大活动，创造了良好的社会和经济效益，团队获得了2020年中国汽车工业技术发明二等奖.

3.1 无人物流车

我国快递业务量已超过美、日、欧等发达经济体之和，2018年日均快递处理件数达1.4亿件. 高昂的人工配送成本费严重限制了我国快递运输业的进一步发展. 无人物流车旨在替代人类完成物流、运输、配送等任务，是无人车的典型应用，可大幅降低人工成本并提高城市智能化水平. 作为典型的特定场景内的功能型无人车，无人物流车的关键技术包括环境感知、智能决策、全线控底盘控制、云端监管与控制等方面. 图1所示为本团队所研制的无人物流车，其采用了本团队发明的全线控底盘技术，并搭载16线激光雷达、单线激光雷达、车载摄像头、差分GPS等环境感知及导航设备，可装载最大载重300 kg的物流快递柜，一次性配送数10件货物，续航能力200 km，可连续10 h/d以上作业. 为实现在封闭场景内自主作业的需求，该款无人物流车集成了封闭场景环境感知、智能决策与路径规划、全线控底盘动力学控制、5G远程监控与集群控制等关键技术，目前已在重庆、北京、浙江、河北等全国多地开始示范运营，服务当地智慧交通或智慧园区建设.

图1 无人物流车Fig.1 Logistics UGVs

3.2 无人巡逻车

无人巡逻车是无人车在民用领域的另一典型应用，其可用于公安领域7×24 h饱和式巡逻等警务应用，是城市立体巡防体系的重要组成部分，将对我国智慧警务升级与智慧城市建设起到重要推动作用. 与无人物流车相比，其关键技术除了环境感知、智能决策、全线控底盘控制、云端监管与控制等方面以外，还包括智能识别等巡逻用关键技术. 图2所示为本团队所参与研制的无人巡逻车，其采用全线控底盘技术，并搭载16线激光雷达、单线激光雷达、车载摄像头、差分GPS等环境感知及导航设备，可以装载2～5个警用巡逻摄像头，续航能力300 km，可连续24 h/d不间断作业，集成可疑人员自主识别、封闭场景环境感知、自主智能决策路径规划、全线控底盘动力学控制、5G远程监控与集群控制等关键技术. 在2019年世界军运会期间，该款无人巡逻车实现了批量应用，为世界军运会安保工作出了突出贡献. 此外，该款无人巡逻车目前也已在武汉、重庆、丽江、菏泽等地示范应用，服务于全国多地智慧交通与智慧警务建设.

图2 无人巡逻车Fig.2 Patrol UGVs

3.3 无人接驳车

无人接驳车可广泛用于厂区、园区、景区及校区等封闭场景内的人员摆渡或接驳，提升智慧化园区智能水平及人员摆渡接驳效率. 一般情况下，无人接驳车的吨位较无人物流车及无人巡逻车更大，同时其行驶环境也可能会涵盖半封闭场景等工况. 图3所示为本团队所研制的无人接驳车，其采用全线控底盘技术，并搭载16线激光雷达、毫米波雷达、车载摄像头、差分GPS等环境感知及导航设备，可一次性乘坐4～8名乘客，续航能力300 km，可连续8 h/d作业，集成了封闭/开放道路环境感知、自主智能决策规划、分布式驱动底盘动力学控制、5 G远程监控与集群控制等关键技术. 目前已在在重庆、北京、广州等全国多地开始示范运营，成功服务于2019智博会等国内外重大活动.

图3 无人接驳车Fig.3 Shuttle UGVs

3.4 无人公交车

无人公交车是自动驾驶技术的重要落地应用场景之一，应用前景十分广阔，是智能交通与智慧城市建设的重要组成部分. 和多使用在全封闭或半封闭场景的无人接驳车不同，无人公交车多应用在城市道路等完全开放场景内，因此其关键技术难度较无人物流车、无人巡逻车和无人接驳车等更大. 图4所示为本团队所参与研制的无人公交车，其采用了全线控底盘技术，并搭载了多个激光雷达及车载摄像头，可一次性乘坐8～12人，是结合无人驾驶技术、纯电动技术及车联网技术的先进移动服务无人车平台. 该款无人公交车集成了封闭/开放道路环境感知、自主智能决策规划、分布式驱动底盘动力学控制、5 G远程监控与集群控制等关键技术，目前已在全国多地示范运行，服务于相关地区智慧交通建设. 值得一提的是，本文所指的无人公交车是指不具备人类驾驶机构的无人车，因此其仍属于无人车的范畴.

图4 无人公交车Fig.4 Bus UGVs

3.5 无人军用车

随着现代战场的不断变化与信息化作战部队建设要求的不断深入，电动化、智能化、无人化成为未来陆军装备的重要发展趋势. 无人陆军装备将会彻底改变未来陆地战争形态，对我国国防安全建设具有重要的战略意义. 目前，世界各国都已开始无人陆军装备的研发角力. 与民用无人车相比，无人军用车具有更显著的机器人化特点，因此对其技术水平提出了更高的要求. 图5所示为团队所研制的地面航母军用无人车，其集成了无人机-机器人-无人车协同控制技术、轮毂电机独立驱动技术、全轮独立转向技术、半自主/全自主驾驶等关键技术，底盘实现高度模块化及集成化设计技术，整车具有良好的机动性及复杂路面的驾驭能力，可广泛用于越野路面等军用场景. 与民用领域内的无人车相比，其有两方面技术特点：① 由于技术水平的限制，尚不能完全实现军用无人车在越野环境等非结构化道路内的自主行驶，因此，半自主驾驶/遥控驾驶技术在一定时期内是军用无人车的重要关键技术之一. ② 由于使用环境的特殊性，军用无人车的机动性要求较民用无人车更高，因此，军用无人车多采用全轮独立转向、分布式驱动、轮边/轮毂电机驱动等可大幅提高机动能力的先进技术.

图5 无人军用车Fig.5 Military UGVs

4 无人车大数据与云控制技术应用前景

大数据与云控制技术对推动无人车的发展具有重要意义，其主要应用可包括：① 通过大数据技术实现无人车全维度数据监控以提高其运行安全性. ② 通过大数据技术为大规模无人车的云端集群调度与控制提供基础. ③ 通过无人车云端大数据分析结果实现“云端-边缘端”联合控制技术. 相比传统汽车，无人车还包含了环境感知系统、智能决策系统、路径规划系统、线控执行机构系统等子系统以及其他多种传感器，其数据监控技术的实现更为复杂，所涉及的信息种类、格式及物理意义更为复杂，在此基础上的云控制技术也面临诸多挑战. 因此，无人车的大数据监控及云控制技术是未来的重要研究方向.

本文将以本团队研制的无人车云大脑集群控制中心为例，阐述大数据与云控制技术在无人车领域的应用现状. 图6为团队所研制的无人车云大脑集群控制中心，可以对各个无人车的环境感知系统数据、智能决策系统数据、路径规划系统数据、底盘控制系统数据、底盘各执行机构系统数据以及动力电池系统数据等进行实时监测及远程监控. 各无人车的上述数据通过车载通信设备实时发送至云大脑控制中心服务器实现数据采集，形成无人车大数据数据库，通过大数据处理及分析技术获得多维度分析结果，实现无人车运营情况、安全情况、故障情况、子系统情况等维度的大数据监控和分析. 云大脑集群控制中心作为云端计算平台，综合各无人车及路侧智能感知设备信息进行集群行为决策，可以实现无人车集群的任务最优化控制，控制指令通过车载通信设备反馈至各无人车节点，从而完成基于大数据技术的无人车云端控制.

团队所研制的无人车云大脑集群控制中心首页由云端大数据监控与5G远程控制两个主要部分组成. 在云端大数据监控的数据总览部分，给出了无人车运营数据、安全数据、感知与决策数据以及线控底盘数据的关键部分，并实时显示了无人车在线总数、累计总行驶里程、故障总数等关键信息，便于相关研究人员或城市管理人员实时进行监控. 无人车云大脑集群控制中心的运营数据界面旨在从无人车功能类型、区域分布密度、工作时间、工作状态等无人车运营维度信息进行大数据分析，获得无人车型占比统计、单日站点任务触发次数统计、单日不同时段在线车辆数量统计、单日全车型出勤占比统计、全车型区域分布密度统计、无人车工作状态占比统计等运营维度大数据分析结果，服务于无人车总体规划调度与政策制定等，其具体功能包括：① 掌握各功能型无人车任务触发分布规律，如无人物流车的物流任务呼叫分布规律、无人巡逻车的报警任务呼叫分布规律、无人接驳车的接驳任务呼叫分布规律等，有助于合理规划各功能型无人车集中布置点位置及巡航路线. ② 掌握各无人车工作状态分布规律，如自动驾驶状态、人工遥控状态、故障待命状态等，有助于合理规划无人车所覆盖区域内的任务分配，如每日运输货物总量和每日接驳人员总数等. ③ 掌握各无人车运行线路分布规律，有助于合理预测充电负荷，支撑无人车充电桩等基础设施建设. ④ 掌握各无人车位置分布规律及该位置环境信息数据，有助于合理针对各无人车进行相应环境感知、智能决策及路径规划算法的优化，提高对所处位置与环境的适应能力.

图6 团队所研制的无人车云大脑集群控制中心Fig.6 UGVs cloud brain control center

在安全数据监控方面，无人车云大脑集群控制中心监控各无人车的关键零部件及传感器的健康状态信息，包括激光雷达、毫米波雷达、摄像头、工控机、底盘控制器、转向电机、驱动电机、制动电机及动力电池等. 安全数据分析旨在通过大数据技术统筹各关键零部件及传感器信息后，从故障车型、故障类型、故障状态三个维度对故障数据进行大数据分析，实现无人车故障的大数据预测及预警，获得无人车故障车型统计、各零部件故障类型统计、各零部件故障处理状态统计、近7天故障率分析统计、各零部件故障类型发生次数排行等安全维度大数据分析结果. 同时，可根据上述大数据信息实现各无人车关键零部件的健康状态预测，实现及时的无人车故障预测及预警，服务于人工远程安全接管技术或其他的无人车任务规划等政策制定.

在感知与决策系统数据监控方面，无人车云大脑集群控制中心监控各无人车感知与决策系统信息，包括环境感知系统激光雷达及摄像头等的识别信息(交通标示识别结果、识别障碍物的种类大小速度等)，智能决策系统处理结果(超车行驶等有限状态机决策结果、智能决策系统输出结果等)，路径规划系统输出结果(所规划路径的曲率及速度等)，底盘控制系统执行结果(线控驱动、线控转向、线控制动等系统电机指令)等信息，获得各无人车障碍物识别次数及类型统计、智能决策次数及类型统计、人工干预次数统计、线控系统高负荷工作次数统计等大数据分析结果，服务于无人车感知与决策系统的大数据预测. 其具体功能包括：① 实现各运营地区所遇障碍物及行驶环境预测，有助于对各无人车任务进行合理规划，优化各无人车行驶路线或行驶时段. ② 掌握各无人车智能决策大数据分析结果，有助于掌握各无人车自动驾驶系统综合性能，服务于事故认定等工作. ③ 掌握各无人车路径规划及线控执行机构大数据分析结果，有助于优化提高无人车路径规划及路径跟踪动力学控制算法性能.

在线控底盘系统数据监控方面，无人车云大脑集群控制中心监控各无人车线控底盘系统的信息，包括各驱动、制动及转向电机数据(电压、电流、转速、转矩等)，各驱动、制动及转向电机控制器数据(电压、电流等)，各动力电池单体信息(电压、电流、电量、温度、极值等)，以获得无人车动力电池单体状态分布统计、各执行机构电机功率实时占比统计、各无人车充电情况统计、转向电机转速与转矩信息统计、无人车加速度信息占比统计等，从而全面掌握无人车的底盘系统工作状态. 基于上述信息，构建相关线控底盘子系统评价模型，通过大数据分析技术实现无人车全线控底盘的动力性、机动性、安全性及可靠性预测，全面服务于无人车任务规划与性能预测等工作，并可成为实现云端动力学控制及底盘控制参数云端在线优化的重要基础.

无人车大数据与云控制技术是无人车领域重要的发展方向，对推动我国无人车技术取得自主创新突破具有重要战略意义，是无人车技术实现规模化产业应用并服务智能交通建设的重要支撑. 目前，无人车大数据与云控制领域还存在如下的关键科学及技术问题：① 无人车全维度大数据监管及数据挖掘理论与技术. 无人车关键子系统中包含环境感知、智能决策、路径规划、底盘控制等子系统，传感器、控制器、执行器网络架构与传统车辆相比十分复杂. 因此，无人车系统数据维度更高、数据量更大、数据格式更复杂，其大数据监管及在此基础上的挖掘、预测是实现云端控制的重要基础，相关理论与技术必须开展创新突破. ② 无人车群体-云端系统网络拓扑构型稳定性及集群控制理论与技术. 功能型无人车必须通过集群控制以完成目标任务，车-云、车-车间组成的网络化控制系统网络拓扑构型多变、通信延迟机理复杂、系统稳定性裕度低，必须针对其网络拓扑构型演变机制、系统多维度延迟机理模型等关键理论问题开展研究，以实现复杂网络化控制系统中的无人车群体的集群控制与调度. ③ 无人车群体协同感知及决策理论与技术. 通过功能型无人车群体及云端系统实现协同感知及决策是大幅提高无人车群体性能、满足未来规模化产业应用的重要支撑. 目前，无人车单车智能技术发展愈发成熟，但在无人车群体基础上的协同感知及决策技术尚处于较为初级的研究阶段. ④ 面向多功能任务需求的云端集群调度理论与技术. 无人车用于替代人类完成军用、物流、巡逻、运输、接驳等国防和民用任务，集群控制系统存在着控制目标多变、系统延迟大且不确定高等一系列复杂挑战，因此，面向上述多功能任务需求并满足相关复杂场景多维度约束的云端调度理论与技术亟待突破.

5 结 论

本文综述了大数据与云控制技术在车辆领域的应用现状，展望了其在未来无人车领域的发展情况. 基于团队在无人车领域多年的研究工作基础，介绍了典型无人车及其关键理论与技术的研究现状和发展趋势. 结合团队在无人车云大脑集群控制中心方面的研究工作基础，展望了大数据与云控制技术在无人车领域的应用现状、面临的挑战及发展前景，总结其所亟待解决的关键理论与技术问题. 可以预见，大数据与云控制技术将极大程度提高功能型无人车的综合性能，对推动我国无人车技术取得自主创新突破具有重要战略意义，是无人车技术实现规模化产业应用并服务智能交通建设的重要支撑.