车路协同路侧边缘计算系统设计思路

胡蓉 成彬

2019年《交通强国建设纲要》明确了到2035年，我国要基本建成交通强国的战略目标，并提到加强智能网联汽车（智能汽车、自动驾驶、车路协同）研发，形成自主可控完整的产业链。

北京、上海、重庆、深圳等地先后出台了自动驾驶汽车道路测试管理相关规定，对测试主体、测试车辆、测试人员、测试申请、违法及事故处理等方面都有明确要求。各地政府积极推动智能网联汽车的发展与管理工作，在市场、企业和政府的三重影响下，智能网联汽车将迎来快速发展期。经过近三年来各类应用示范区项目的探索与实践，业内已认可“聪明的车+智慧的路” ——由路侧感知辅助自动驾驶车辆的解决方案。

下面，我们将着重分析车路协同的路侧边缘技术如何实现对自动驾驶重载卡车、网联车辆提供实时行车辅助服务，为公众出行服务平台、交通管理系统、自动驾驶监管系统提供数据支撑，安全辅助与效率引导支持。

一、路侧边缘计算系统基本构成

路协同路侧边缘计算设施基于全量、连续环境信息，依托边缘计算及AI技术，准确识别路网交通状态、事件、车辆等信息，提供数据采集、融合、预处理、分发等基本功能。

车路协同智能路侧设备主要有传感器、计算单元、V2X通讯单元等组成。传感器作为路侧设备解析路网环境信息的数据源，根据部署位置、设备高度、调节角度，获取目标区域的动态信息，并发送给计算单元，主要包括摄像头和毫米波雷达；计算单元作为车路协同路侧设备核心组件，实现传感器采集的环境数据解析、融合及V2X报文编辑，包含采集传感、计算决策、通信汇聚、安全认证、状态检测等；V2X通讯单元可为车辆提供LTE-V、4G融合网络服务，实现信息车路双向的快速传递，同时还提供时钟校准信息；计算单元扩展可通过接入交换机实现更多的摄像头或其他传感设备的接入；机箱提供设备统一的电源、网络接入，为设备正常运行提供散热、防水、防雷功能。

路侧边缘计算的软件系统和硬件算力又该如何考虑呢？

（一）软件系统

软件系统要满足：计算单元支持高帧率、高分辨率视频数据、点云数据的实时处理，可连接摄像头、微波雷达及多种传感设备、可变交通标志、车道灯等多种交通控制设备，也可连接云控平台获取交通指令信息。计算单元可实现信息编辑、信息优先级设置，控制V2X通信信息播发，同时可根据既定规则和传感设备信息识别结果进行交通设施控制。

1.软件系统构成

车路协同边缘计算软件需要包含车路协同算法、通信管理、定制业务应用、高精地图服务、设备管理、安全管理、边缘计算框架。

边缘计算运行框架将边缘计算能力拓展至用户现场，提供临时离线、低延时的计算服务。提供边缘节点管理、边缘应用管理、应用对接等功能。帮助用户更轻松的管理海量边缘，更高效的开发边缘应用。

高精地图服务需要完成地图信息实时更新；高精地图包含路网精确的三维表征，精度达厘米级，包含道路、车道、信号灯、曲率等道路要素。

安全管理要以安全启动、内核加固、编译安全手段保障操作系统安全；以完整性保护、应用程序加固、核心秘钥安全芯片存储、动态异常监控、编译安全手段保障应用安全；以加密通讯双向认证、安全OTA、消息認证、摄像头接入认证、应用防火墙手段保证外部数据安全；以用户身份认证、登录行为审计手段保证用户身份安全；以全盘加密、算法模型保护手段保证知识产权安全。

车路协同-自动驾驶算法可直接处理摄像头码流数据，进行道路障碍物及车辆识别，包括3D位置、朝向、类别、速度、加速度和轨迹等；道路信息识别：车道线，道路边界，可行驶区域，交通标志牌，路面标志等；特殊车辆识别是识别消防车等；道路事件检测要支持修路、拥堵和事故等事件检测；结构化处理：根据检测结果形成车辆的位置、速度、加速度和事件位置等信息的结构化数据；可行驶区域计算：根据识别结果形成车道级可行驶区域信息；车流统计：可记录通行车辆类型、时间，并输出统计报表；并支持多路感知融合：可对多个连续路侧设备的结构化处理结果进行数据融合，形成统一的感知结构化数据；路网控制策略管理：根据不同种类、级别交通事件触发的交通控制策略。

通信管理在现阶段适用于野外环境的高速无线通信网络主要分为DSRC、LTE-V和5G技术。其中，DSRC、LTE-V已商用，信号稳定且技术相对成熟；5G通信技术目前尚未商用。当前众多试点场景主要选择LTE-V通信模块，根据自动驾驶及网联场景需求，基于CSAE-53标准进行应用层报文编解码。

2.边缘计算算法

以对象检测能力为基础的的车路协同算法其业务流程如下：

物理检测识别进行道路障碍物及车辆识别，包括 3D位置、朝向、类别、速度、加速度和轨迹等；道路信息识别包括车道线，道路边界，可行驶区域，交通标志牌，路面标志等；道路事件检测包括修路、拥堵和事故等事件检测；特殊车辆识别：可识别消防车、警车、救护车等；对象检测准确率>90%；事件检测准确率>90%。

物体精准定位是通过摄像头、激光雷达输入的原始数据，结合传感器自身内外参数，计算得出目标物体在世界坐标系的精准坐标，车辆、非机动车、行人检测位置平均误差。

多物体实时追踪系统同时对感知范围内全部障碍物实时进行追踪，为各障碍物分配独立的ID，同一点位内可追踪对象数量。

多相机场景融合为保障区域的连续覆盖，同一计算单元需要同时连接、处理多个传感器的输入，各传感器输出有重合部分，车路协同算法需要支持多个相同或不同类型的传感器数据进行融合处理，自动完成结果融合和去重。

数据加密保障系统通信、数据安全，对处理的结构化数据进行数据加密。

（二）路侧边缘计算硬件算力要求

边缘计算所要计算的数据量异常庞大，用GPU能在短时间内完成对每一个像素的坐标转换和色彩计算，GPU的并行计算架构可适应这种大规模并行计算能力，GPU擅于处理规则的数据结构和可预测的存取模式。

每个感知点位一般部署N个摄像头，一般路侧M个感知点位共用一套计算单元。感知数据的算力处理要求与图像质量、处理时间要求、算法复杂度有关；同时从算法的并行程度，计算复杂度，内存开销以及迭代次数对车路协同算法需要进一步优化。

建立边云一体框架，前端计算单元算力和存储能力相对有限，目前的深度学习模型相对复杂，需要设计多层次的模型，对处理任务进行划分，将复杂的训练过程划分到云端，将相对简单的预测过程划分在前端，前端简单、云端复杂的多重模型策略将共同完成数据学习和预测。

二、应用支撑

依托车路协同智能化路侧设备的环境感知、数据处置、V2X通信能力，可以为自动驾驶重载卡车、网联车辆提供实时行车辅助服务，基于前端采集环境、事件信息，可为公众出行服务平台、交通管理系统、自动驾驶监管系统提供数据支撑。

三、结语

借助感知、通信、计算、控制等技术，基于车路协同边缘计算，利用云计算大数据能力解决系统性的资源优化与配置问题，将促进人、车、路运行按需响应和动态优化，对接高精地图，将路侧智能计算结果与其它数据源进行融合计算与分析，应用人工智能算法模型并支持其快速演进优化，将带来更新更好的自动驾驶、智能交通类应用。

作者单位：中通服咨询设计研究院有限公司