车路协同路侧感知融合方法的研究

安 鑫，蔡伯根，上官伟

(北京交通大学 电子信息工程学院，北京 100044)

随着科学技术和经济社会的不断发展，人们的出行方式越来越便捷且选择越来越丰富，最常用的出行工具——汽车(智能网联汽车或自动驾驶汽车)的数量也不断增加。据公安部统计，截至2021年3月全国机动车保有量已达3.78亿辆；机动车驾驶人达4.63亿人，而且这一数据还在不断增长[1]。与此同时，随机动车数量一起增长的，还有交通事故的发生数量。据统计，2014年至2021年间，全国每年平均发生的交通事故数量达15万起以上[2]。在2018年和2019年已经超过20万起。2020年受突发新冠疫情影响才有所下降[3]，但总体而言，这仍是一个不可忽视的数字。除此之外，机动车数量急剧增加，导致交通拥堵情况时有发生，尤其是早晚人们上下班的高峰期，经常会造成长时间拥堵[4]，拥堵的交通不仅没有为人们带来方便，反而浪费了大量的宝贵时间。这一现象导致许多人出门宁愿选择地铁等公共交通或单车和电瓶车，而将自己购买的私家车搁置，这进一步造成了资源的浪费。

为了解决这一问题，交通从业者不断努力和尝试，采用新建和改扩建道路、部署路侧感知设备、优化交通组织等措施，以期进一步提升交通安全水平和出行效率。但新建、改扩建道路不仅会占用更多有限的耕地资源，而且也无法从根本上解决此类问题，是治标不治本之策[5]。随着计算机技术、移动通信技术、大数据、人工智能、深度学习、AIoT(人工智能物联网)等新技术的快速发展，为解决这一类问题带来了新思路和新方法。要通过技术创新的方式，通过科技手段来探寻一条符合我国交通国情、通信和汽车产业发展环境的技术路线来彻底解决道路交通拥堵、交通事故、出行效率等问题[6]。

未来交通将是“智慧”的路和“聪明”的车协同发展、互相促进的发展成果。具体到“智慧”的路来说，应根据道路交通环境和实际场景分级建设不同等级的路侧智能基础设施，赋予道路基础设施数字化、网联化和智能化的能力；针对“聪明”的车即智能网联汽车(也称为自动驾驶汽车)，我国也已颁布《汽车驾驶自动化分级》推荐性国家标准，基于6个要素将驾驶自动化划分为6个等级。其中，0～2级为驾驶辅助，系统辅助人类执行动态驾驶任务，驾驶主体仍为驾驶员；3～5级为自动驾驶，系统在设计运行条件下代替人类执行动态驾驶任务，当功能激活时，驾驶主体为系统[7]。道路智能基础设施分级和自动驾驶汽车分级标准的推出将会极大推动产业发展和技术迭代速度，但是，智能网联汽车在短期内还无法实现所有行驶工况下的安全高效运行。在未来较长的时期内，智能网联汽车和普通汽车混行将是一种常态。这种情况下，如何通过道路基础设施的建设，有效弥补自动驾驶汽车在某些特定交通场景下的环境感知能力的不足，对道路智能基础设施感知系统来说就显得尤为重要。

根据欧洲西班牙Carreras等[8]的研究成果，基于运行环境、道路的复杂度等因素，将道路基础设施分为智能基础设施和传统基础设施。在道路智能基础设施建设中，为感知道路交通状态，在路侧部署大量传感器设备(雷达、视频、线圈等)构建广泛的感知网络。路侧多传感器设备采集到的不同时空维度数据在提供给智能网联汽车作为辅助驾驶决策使用之前，需要对感知数据进行融合处理。数据融合为一个多级、多层面的处理过程，对来自多个感知设备的数据进行自动检测、关联、相关和估计的融合处理[9]。依据多传感器系统数据融合基本架构与理论体系，基于概率论智能化方法的数据融合技术有证据理论、贝叶斯理论、模糊数学理论等；基于仿生学类智能化方法的数据融合技术有遗传算法、神经网络、粒子群等；同时结合当今人工智能发展热点的数据融合方法有深度学习理论等。多传感器数据融合按结构可划分为集中式、分布式和混合式。其中，集中式数据融合对融合中心的处理能力和通信带宽要求较高，一旦融合中心故障则整个系统就会出故障；分布式数据融合对融合中心和通信带宽的要求则相对较低，同时还具有较好的适应能力和扩展能力[10]。在现实环境下，针对某特定检测需求，单个传感器检测结果和多传感器检测得到的结果会有所不同。多传感器会得到多个检测结果，将不同检测结果进行有效的数据融合，以得出符合实际的结果输出，这是一项非常富有挑战的活动。

通过查阅文献，不少专家学者对误差方案的概念和理论进行了研究探讨。李茂登等[11]提出自主导航基于误差协方差的可观度的分析方法，误差的协方差矩阵是用来判别随机系统而不是决定系统的可观性的。在卡尔曼滤波的应用中，方差矩阵的特征值和特征向量提供了系统的可观度信息。仇丽莎等[12]在正态分布情形下，假定均值参数和误差方差服从正态-逆伽马分布先验时，推导出了均值参数和误差方差的 Bayes 估计，利用历史样本构造了它们的参数型经验Bayes估计(Parametric Empirical Bayes Estimation,PEBE)。在均方误差(Mean Squared Error,MSE)准则下，分别获得均值参数和误差方差等理论研究。由此可见，误差方差方法已有多年的理论研究基础。

本次研究对面向智能网联汽车的车路协同多传感器融合感知过程中存在的技术难点进行分析，选取了道路交通智能基础设施建设中最为常见的感知设备即智能摄像机和雷达(毫米波雷达、激光雷达)设备作为道路侧多传感器融合的研究对象。同时结合智能网联汽车自身环境感知系统作为研究参考，基于车路协同路侧多传感器集中式数据融合框架下常用的卡尔曼滤波方法中的并行滤波、序贯滤波和数据压缩滤波进行误差协方差分析，提出了基于误差方差的多传感器融合算法，设计了多目标多传感器数据处理系统架构，并在多传感器数据融合基础上提出了基于车路协同技术博弈论的交通运行调度架构。最后，聚焦道路交通典型场景——智能路口，通过对交通路口信息实时采集，构建交通路口互斥模型和无交通信号控制系统(红绿灯)车路协同引导控制模型，并对这两种模型的疏导效果做出测试和分析，以达到提高交通效率的最终目的。

1 相关理论、技术现状及存在问题分析

1.1 多传感器数据融合概念及主要特征

1.1.1 多传感器数据融合的概念

多传感器数据融合中的数据处理方法与经典信号处理方法相比有本质上的不同。由于多传感器设备的多样性和功能的丰富性，其数据融合所处理的数据具有较高的复杂性和非线性关系，且数据融合可以在数据层、特征层和决策层等不同信息层次上进行处理。

当前多传感器数据融合方式主要有3种：传感器级、特征级和决策级，这3种数据融合方式的主要优缺点、理论依据和应用领域归纳如表1所示。

表1 3种不同数据融合方式

1.1.2 多传感器数据融合的主要特征

传统的多传感器数据融合模型通常分为低处理层和高处理层。其中，低处理层主要指传感器级别的直接数据处理、目标检测、分类与识别、目标追踪等；高处理层是对环境感知现场的态势估计与决策分析等。基于传统的多传感器数据融合模型中的低处理层的结构与算法，可建立多种融合体系结构，满足多传感器数据融合处理的需求。依据对传感器数据直接处理程度和分辨率的不同，组成了形态各异的多传感器数据融合架构，主要包括：集中式、分布式和混合式。

(1)集中式多传感器数据融合架构。

集中式多传感器数据融合将所有前端传感器设备获得的测量数据直接传输至中央处理单元(Central Processing Unit,CPU)进行统一处理。实践中，集中式多传感器数据融合就是将雷达、视频等前端传感器获得的数据，不经过任何处理，直接传输给CPU进行数据融合处理，获得融合处理后的新目标测量数据，之后对新目标测量数据运用卡尔曼滤波方法进行追踪计算。集中式多传感器数据融合架构如图1所示。

图1 集中式多传感器数据融合架构

(2)分布式多传感器数据融合架构。

分布式多传感器数据融合将前端传感器设备获得的测量数据先进行自身局部参数估计，再把局部参数估计值传输至CPU进行统一处理，由CPU完成最终的参数估计。在分布式多传感器数据融合结构中，各个传感器均可独立处理其自身获得的测量信息，然后将处理后的测量信息传输至CPU进行数据融合。与之前分析的集中式多传感器数据融合架构相比，分布式传感器数据融合架构对通信带宽要求小，CPU所需存储容量也相对较小，其处理速度快，增强了数据融合处理能力，提高了多传感器数据融合参数估计的灵活性。分布式多传感器数据融合架构如图2所示。

图2 分布式多传感器数据融合架构

(3)混合式多传感器数据融合架构。

混合式多传感器融合架构中，既包含集中式多传感器数据融合架构，也可包含分布式多传感器数据融合架构，亦或是由集中式和分布式组合而成。混合式多传感器数据融合架构如图3所示。

图3 混合式多传感器数据融合架构

1.2 车路协同路侧感知融合助力智能汽车跨越安全难点并实现更快落地

智能网联汽车主要指汽车具备自主信息获取、自主决策和自动控制能力；网联化(车联网)是指汽车通过通信与网络技术，实现车与车(Vehicle to Vehicle，V2V)、车与人(Vehicle to Person,V2P)、车与路(Vehicle to Infrastructure,V2I)、车与网(Vehicle to Network,V2N)等车与万物互联(Vehicle to Everything,V2X)方面的智能信息交换。从智能化和网联化两个方面来协同推进智能网联汽车产业发展，是我国根据自身的体制优势、道路基础设施状况及汽车、通信和交通等产业融合发展趋势，提出的具有中国特色的智能网联汽车技术路线。

单车智能化解决方案受传感器感知能力和车载计算资源的限制，在复杂路况下的安全性和可靠性较低，且无法解决区域内智能交通管理问题；同时加载相关设备的单车成本过高，无法解决大规模商业化的推广难题。车路协同网联化解决方案通过本地信息收集、分析和决策，有助于降低车辆适应各种道路条件的成本，有利于推动智能网联汽车方案快速、有效的落地实施。车路协同网联化方案助力智能汽车跨越安全难点并实现更快落地主要体现在以下几个方面。

1.2.1 为智能网联汽车提供全域信息感知

由于车载传感器(包括摄像头、激光雷达、毫米波雷达等)对环境感知能力有限，单车智能对运行周边的环境感知存在局限性。目前各类传感器的探测距离一般在300 m以内，并存在使用条件的严格限制，难以为在高速运行、恶劣天气(雨、雪、雾、强光等)、隧道、桥梁等非正常情况下行驶的车辆提供足够的时间重新决策、规划、更改驾驶路线，导致车辆性能受到极大的限制，造成安全隐患。

车路协同网联化解决方案能够为车辆提供更远距离(≥300 m)的感知能力，且通信能力不受恶劣天气环境干扰，能够在全天候条件下为自动驾驶决策提供安全保障。

1.2.2 提供交通路况的全场景感知

交通场景中存在一些极端情况，例如车端感知范围被公交车、卡车等阻挡，交叉路口中转弯车辆被建筑物遮挡，路侧突然出现行人(俗称鬼探头)等。单车自动驾驶车辆在上述场景下存在“视觉盲区”，无法感知路面发生的异常情况，存在极大安全隐患。车路协同网联化可以提供车路一体化协同解决方案，实现“超视距感知”。通过部署在路口的智能摄像头、雷达等多源数据感知设备以“上帝视角”的方式全方位采集动态交通数据，实时获取交通参与者(包括各类车辆、行人等)信息，有效弥补单车传感器系统的感知缺陷，拓展、丰富自动驾驶车辆的运行场景范围。同时通过路侧感知设备将感知结果实时传输至边缘计算单元计算处理，再由路侧智能终端(Roadside Unit,RSU)将边缘计算单元的结果信息广播给过往所有车辆及行人，以确保各交通参与者安全通过城市路口，提升道路交通安全性。

1.2.3 建立数字化交通规则

当前单车自动驾驶大多采用视觉处理算法来识别红绿灯、地面标记等现有交通标志，由于真实道路环境中交通标识复杂多变，红绿灯亮度不一致，建设年限久远导致设备性能不稳定，不同光照条件下目标物色差不同以及受恶劣天气等影响，当前的图像识别技术和算法所提供的目标识别准确率不能达到100%，难以满足所有场景应用要求，存在安全隐患。

采用车路协同网联化技术策略，可以对路侧设施进行智能化改造(数字化红绿灯、高清摄像头、高精度定位设备等)，给过往车辆提供准确的完全数字化动态可行路线的标志标线和定位等信息，消除因交通标识识别错误所带来的潜在交通隐患。此外，通过数字化智能交通信息分发，可以将自动驾驶车辆从繁重的交通标识识别任务中解放出来，聚焦于实现路径规划和驾驶决策，提高通行安全和效率。

1.2.4 为城市交通提供群智路径规划

单车自动驾驶的策略为实现单车通行规划最优，车与车之间缺乏统一协同调度管理机制，无法达到群体通行或者区域通行最优，其路线规划和决策很容易造成不同单车间的路权冲突，不利于交通效率的提升，这也对自动驾驶算法提出更高的要求。

通过车联网技术可以实现多车的统一规划管理，支持车与车、车与路、车与云之间的数字化交互，实现统一管理下路权的动态分配调整。车辆通过路口时，车联网平台执行最优化的路权分配策略，进行动态路权调整(给予指令让自动驾驶车先行或实现红绿灯控制)，达到“路口级”的路线规划，进一步通过整体交通协调指挥实现“区域级”或“路网级”的智慧交通。从而有效避免拥堵、提高交通效率、降低整体能耗。

1.3 车路协同路侧智能基础设施分级及重点交通场景

目前，全球专家学者对自动驾驶分级认识比较一致，分级标准从L0～L5级(L0为无自动驾驶功能；L1为辅助自动驾驶；L2为部分自动驾驶；L3为有条件自动驾驶；L4为高度自动驾驶；L5为完全自动驾驶)。我国也颁布了《汽车驾驶自动化分级》(GB/T 40429—2021)[7]的推荐性国家标准，其发布也意味着填补了政策层面的空白，对自动驾驶行业发展、商业量产都有着积极意义。

在对智能网联汽车(自动驾驶)分级的同时，对道路智能基础设施进行分级也进行了研究和实践，尤其是以欧洲西班牙Carreras等[8]的研究成果最为典型，该成果也成为各个国家或交通从业者的主要参考依据。智能道路等级划分可以分为5个级别，从低到高分别是道路等级E～道路等级A。其中，道路等级E为传统基础设施；道路等级D为具备静态数字信息(地图、标牌、红绿灯)；道路等级C为具备支持动态数字信息(限速、拥堵、绕行)，提供预警服务；道路等级B为具备协作感知(路侧感知+车侧感知融合)，提供微观交通信息；道路等级A为具备协作驾驶(路径规划)，提供优化驾驶建议。

基于智能网联汽车和道路智能基础设施的分级理论研究与实践，在开展车路协同路侧融合感知方法研究时，需要密切结合不同的交通场景进行分析，不同的道路等级将部署种类、数量不等的前端传感器设备和边缘计算单元。因此，讨论车路协同路侧融合感知方法研究将主要集中在道路等级C以上(不含C级)，重点是道路等级B，只有道路等级B才具备协作感知能力，即将路侧多传感器融合感知信息传递给智能网联汽车作为辅助决策依据。因此，按照道路智能基础设施分级研究成果和实践，城市道路交通的重点交通应用场景包括复杂通行环境的十字路口、视野盲区等；高速公路重点交通应用场景包括分合流区、视野盲区、急转弯道、隧道、桥梁、危险路段等。城市交通和高速公路应用场景分别如表2、表3所示。

表2 城市交通应用场景

表3 高速公路应用场景

1.4 车路协同多传感器融合感知技术存在的问题

自动驾驶技术不仅可以减少交通事故的发生，而且能够缓解交通拥堵问题，因此成为通信、交通、汽车等产业融合发展及联合研发攻坚的重点。环境感知系统作为自动驾驶汽车获取外界信息的重要部件，针对它的研究也层出不穷。但是由于交通环境的复杂和随机性，自动驾驶汽车其自身环境感知系统对目标的识别很难满足自动驾驶领域的安全技术要求，须借助车路协同路侧多传感器数据融合感知系统来弥补特定交通场景下自动驾驶汽车对全面感知路侧交通态势的需求。

自动驾驶汽车技术架构主要是由环境感知系统、决策分析系统和运动控制系统等组成，其环境感知系统受车辆所处道路交通自然环境和行车环境变化的不确定性和随机性等影响。自动驾驶汽车在利用自身环境感知系统识别过程中常常会出现错误，如果障碍物太远或太近，都将无法及时响应，且在特殊位置时避开转向障碍物效果不佳。因此在复杂的交通路况情况下，车路协同路侧多传感器数据融合技术可以辅助自动驾驶汽车改善目标识别效果并优化时空融合感知性能。

在自动驾驶技术的许多研究领域，车载环境感知系统如何接收和处理路侧多传感器数据融合处理结果存在以下研究重点和难点。首先是路侧多传感器数据融合的覆盖范围、所检测到物体运动状态的准确性、及时性和权威性；其次是路侧多传感器设备之间如何对同一感知目标在相同时间、不同空间环境中的感知结果进行融合处理，且能够对物理世界中实际目标全面、精确地描述并给出符合自动驾驶车辆当时所需的环境感知处理结果辅助其进行决策；最后是基于路基感知和车基感知数据之间的交互、互认和共享问题。

2 关键技术分析

2.1 车路协同多传感器信息关联及融合方法

根据对原始数据处理方法的不同，目前多传感器多目标的信息融合技术主要分为集中式、分布式和混合式。本研究对集中式融合系统的并行滤波、序贯滤波和数据压缩滤波进行误差协方差分析，对分步式融合系统的加权融合算法、信息矩阵融合算法进行分析和计算，结合计算结果，提出了基于误差方差的多传感器融合算法。

该算法有两个重要组成部分，首先是运用车路协同网联化方案中路侧部署多传感器坐标转换，解决多传感器目标关联问题，转换公式为

(1)

式中:α、β、γ分别为某传感器坐标系s与车辆相对坐标的夹角；tv为坐标平移量；Cx(α)、Cy(β)、Cz(γ)分别表示传感器坐标转化为车辆坐标轴时绕x轴、y轴和z轴旋转的角度。运用此算法，可以对传感器追踪目标坐标和车辆相对坐标进行转换，将目标的三维空间运动简化为二维运动。

其次是基于误差方差的多传感器融合算法解决目标融合问题，计算公式为

(2)

将经过关联配对的摄像头目标与毫米波雷达目标进行加权融合，得到:

(3)

2.2 车路协同多传感器多目标跟踪融合算法及实验

本次研究的传感器融合架构的设计，选取了两种车路协同网联化方案中常用的传感器，分别为智能摄像机和毫米波雷达，多传感器融合架构如图4所示。

图4 多传感器融合架构

如图4所示，分别对两种传感器接收到的信息进行预处理和特征提取，然后经过坐标转换和误差协方差多传感器目标融合，形成局部融合点，最后输出。

在此架构的基础上，设计了基于PreScan的仿真实验，并设置其他算法作为对照组，进行对比实验，验证本算法的可行性。

2.3 基于博弈论的车路协同路侧感知融合的交通调度系统架构设计

车路协同自动驾驶为当前智慧交通建设领域与中国特色智能汽车技术路线相结合后的研究热点之一[13]，而其中的重点主要集中在车路协同网联化方案领域，即通过车路协同技术助力智能汽车跨越安全难点并实现更快商业化落地应用。车路协同网联化技术是随着通信技术的不断发展衍生出的一种基于车与车、车与路、车与人、车与网络等V2X的数据实时采集、数据分析、智能决策和V2X信息交互关键技术[14]。在城市交通重点交通应用场景智能路口的研究和实践中，涉及路侧多传感器融合感知及交通信号系统协同控制重要内容，而交通控制领域的研究则主要集中在控制方法这一领域，比较出名的有实时动态分配和博弈论配时方法[15]。笔者提出的控制方法就是基于博弈论的车路协同路侧感知融合的交通调度控制方法[16]。基于博弈论的车路协同路侧感知融合的交通调度控制算法设计如下：① 建立双向2车道十字路口车辆冲突模型；② 提出有/无交通信号系统控制的十字路口冲突车辆的安全因素和时空因素表达公式，并设计博弈的收益函数；③ 针对冲突车辆设计基于博弈论的车路协同路侧感知融合的交通调度控制算法，使用PreScan 仿真系统对此算法进行验证。

现有研究的不足之处可以大致总结为三点：① 数据统计不准确；② 调度模型灵活性问题；③ 无信号灯路口控制问题。下面将针对这3个问题做有针对性的研究[17]。

首先，针对智慧交通调度中的信息感知，提出了基于车路协同的交通路口架构。该架构分为两个部分，分别是图5所示的车路协同单点交通架构和图6所示的车路协同区域性交通路口架构。

图5 车路协同单点交通架构

图6 车路协同区域性交通路口架构

车路协同单点交通架构由两部分组成，分别是路侧设备和车辆终端设备，即车路协同网联化方案中的PC5直连通信模式，路侧设备主要包括3个功能块，分别为车辆信息统计、交通信息推送和交通调度控制[18]。车辆终端设备同样有3个功能块，分别为V2X通信、数据采集和处理以及车速引导[19]。路侧设备主要负责对来往车辆的行车路线轨迹进行分析，确定即将到来的车辆的行驶速度，并通过信息推送模块广播出去。而车辆的V2X通信设备负责接收来自路侧设备的广播信息，通过数据处理和车速引导模块自适应地将建议调节车速提供给智能汽车供其路径规划和控制决策辅助使用[20]。

车路协同区域性交通路口架构原理与单点式交通架构类似，除了路侧设备和车载终端设备外，多了一个智能网联云控平台功能结构[21]。其中路侧设备和车载终端设备的结构和功能与单点式完全一致，而智能网联云控平台主要负责接收车载终端和路侧设备发送的车辆数据，并进行统计分析和应用场景配置，得出一个适宜的交通控制策略，然后将结果发送给路侧设备，以此来达到调节路况的目的。这种架构比较适合在路况复杂的十字路口进行应用[22]。

智慧交通的所有策略分析都是基于数据统计分析，因此收集数据的准确性直接关系到该调度方案的实施效果。交通对象信息感知模型图如图7所示，依据这个框架对交通对象进行感知和数据收集[23]。

图7 交通对象信息感知模型

该模型考虑到了数据的实时性、完整性，通过利用雷达、摄像头、地磁感应线圈等多种传感手段，对路侧状况、车辆和行人信息进行数据收集和融合，并对收集到的数据进行分类[24]。以此为基础构建交通调度模型。

在此过程中，将收集到的信息分为车辆信息数据和道路信息数据。其中，车辆信息数据包括车辆编号、类型、速度、加速度、道路编号、车辆所在经纬度、航线角等；道路信息数据包括路口编号、车道宽度、车道数、限制车速、摩擦系数、非机动车位置速度等[25]。

2.4 基于博弈论的车路协同路侧感知融合的交通调度系统架构实现

为了实现2.3节提出的两个架构，下面提出了两种对应的研究模型。首先针对单点交通架构提出了基于实时信息采集的交通路口互斥模型。基于图7的交通信息感知模型提出了实时信息采集公式为

Mlanen=N1n+N2n+N3n+N4n

(4)

式中：N1n、N2n、N3n、N4n分别代表第n个车道的微型、小型、中型、大型汽车的数量。

车流量计算公式为

(5)

在有交通信号控制系统红绿灯的情况下，构建了图8所示的车路协同数据统计架构。

图8 车路协同网联化方案数据统计架构

该架构由3个部分组成，分别为车载智能终端(OnBoard Unit,OBU)、路侧智能终端(Road Side Unit,RSU)和多源传感器。其中，OBU负责发送车辆的状态信息和接收RSU广播的数据；RSU负责广播多源传感器融合并经过MEC处理后的信息，同时，也接收OBU上传的信息并转交给相应单元进行处理分析[26]。

而对于如何与信号灯结合实现对车流量的控制，则构建了图9所示的交通信号控制系统控制流程图。

图9 交通信号控制系统控制流程图

该流程通过统计车辆数据计算当前总车流量，并将车流量与交通路口的通行能力M做比较。如果总流量没有超过该交通路口的通行能力，则设置绿灯并建议行驶速度;如果总流量超过该交通路口的通行能力，则要进一步通过博弈论模型求出最适合的通行相位和通行数量，依据计算出的结果设置绿灯时间。

针对无交通灯的情况，建立了无交通灯的车辆引导控制模型，如图10所示。

图10 无交通灯的车辆引导控制模型

该流程通过预测车辆运行轨迹以及车队到达碰撞区的时间，然后根据首车队离开碰撞区域的时间计算车队下一次进入碰撞区域的时间，通过控制车队速度的形式，实现安全疏导。同时，在整个流程环境中，还需要细致考虑蜂窝车联网(C-V2X)网络架构、关键技术、标准制定等因素对传输可靠性、时延情况的影响[27]。

最后，本次研究建立了图11所示的车路协同网联化仿真平台架构图对以上优化方案进行结果仿真和验证。

图11 车路协同车联网仿真平台架构

该平台分为两个大板块，上半部分负责场景的仿真，搭建车辆、行人和交通灯等交通对象的仿真场景，并输出仿真参数，下半部分负责运行对应算法。

3 仿真实验结果与分析

3.1 车路协同多传感器多目标跟踪融合算法实验结果分析

以实际试验项目为基础，通过搭建PreScan物理模型，按照实际项目部署位置和数量，在PreScan中配置了移动边缘计算单元(Mobile Edge Computing,MEC)、摄像头、雷达、激光雷达、V2X路侧通信设备RSU等，辅助添加GPS和北斗高精度定位设备的路侧基础设施；在车端，采用装备摄像头与毫米波雷达的主车与目标车。城市交通智能路口部署方案如图12所示。

图12 城市交通智能路口部署方案

PreScan中仿真试验开始前，做了如下准备工作。

① 搭建测试道路及外界基本场景，在PreScan Viewer 显示3D场景。

② 在建好的应用场景中添加车辆、行人、建筑以及雷达、摄像头、V2X通信设备等传感器获取目标信息。

③ 加载已建好各状态的车辆、行人、路侧基础设施设备传感器模块，利用传感器模块的输出信息进行相关控制算法设计。

④ 在仿真环境中控制指令发给执行器(路侧基础设施，包括红绿灯、车辆等)模型，进行动态交互。

仿真环境中搭建的所有车辆均处在运动状态，通过模型在环(Model in Loop,MIL)、实时软件在环(Software in Loop,SIL)、硬件在环(Hardware in Loop,HIL)等多种使用模式，实验数据选取自然光照充足的白天时段进行，采用周期按照自然月30天为准进行仿真实验，随机选取4组数据绘制出多传感器多目标跟踪融合算法与其他两种算法的预测准确度对比图，如图13所示。

由图13可知，车路协同多传感器多目标跟踪融合算法比其他几种算法的预测数值更接近真实值。其次，毫米波雷达的预测值要比摄像机更接近实际值。这说明毫米波雷达的监测比摄像机更加精准。

图13 3种算法预测准确度比较图

为了进一步验证车路协同多传感器多目标跟踪融合算法的精准度，对3种算法的目标状态估计误差进行计算，根据计算结果，绘制了图14所示的目标状态误差对比图，图14中B、C、D、E分别表示纵、侧向相对距离，以及纵、侧向相对加速度。

图14 目标状态误差对比图

如图14所示，本次研究提出的车路协同多传感器多目标跟踪融合算法，无论是在相对距离还是相对加速度预测方面，预测误差都比单一传感器的预测误差更小，说明车路协同多传感器多目标跟踪融合在实际应用中监测效果比单一传感器更好。

3.2 有交通灯模型优化结果分析

本次研究共完成了4组实验，首先在直行车流量：左转车流量=3∶1时，实验结果如图15所示(图中“博弈论”为本次研究提出的基于博弈论框架的仿真曲线，“固定配时”为传统的调度框架仿真曲线)。

如图15所示，在直行车流量较大的情况下，构建的博弈论模型信号灯自适应控制算法，无论是在累计停放车辆数目还是在累计延迟时间方面都比传统的固定行为配时表现更优秀。

图15 直行车流较大的仿真曲线对比图

但是实际情况会比较复杂，又可能会出现某个时间段内某个方向车流量突然增大的情况。为了验证模型在这种条件下的判断效果，对单相位车流量较大的情况进行了对比实验，实验结果如图16所示。

如图16所示，在单相位车流量较大的情况下，在累计停放车辆数目和累计延迟时间方面，本次研究构建的博弈论模型信号灯自适应控制算法与传统固定配时方案相比都更加优秀。虽然在各相位车流量分布均匀时二者效果差异不明显。但实际情况中，路口的车流量不可能像理想状态中总数保持均匀。因此，本文提出的方案效果要优于传统的固定配时方案。

图16 单相位下仿真曲线对比图

为了进一步验证猜想，还设置了模拟实际交通流的方案，实验结果如图17所示。

由图17所示，在根据实际交通运行中，本次研究提出的实验模型总体上的累计停放车辆数目和累计延迟时间都比传统的算法模型表现更加优秀。因此，通过对以上3个模拟实验结果的分析，可以得出的结论为基于车路协同网联化技术的博弈论的交通路口互斥模型方法可以很好地替代现有体系对交通调度体系进行优化。

图17 实际交通流下的仿真曲线对比图

3.3 无交通灯模型实验结果分析

无交通灯模型实验结果如图18所示。由于在无交通灯状态下，车辆无法在路口停留时被统计，因此无法对车辆的累计停放时间和车辆的停放数目进行对比。因此，选取了有信号灯时模型的变化周期为横坐标，绘制了一定周期内通过车辆的数量对比图，可以看出，提出的基于车路协同网联化的算法模型比有交通灯时的引导算法效果要更好，在很大程度上使车辆的通行数量得到提高。在一个周期内，平均车辆通行率提高了25%以上。

图18 有无交通灯通行车辆数目对比图

4 结束语

本次研究通过对面向智能汽车的车路协同多传感器感知融合方法中存在的技术难点进行分析，选取了道路交通智能基础设施建设中最为常见的感知设备即智能摄像机和雷达(毫米波雷达、激光雷达)设备作为道路侧多传感器融合的研究对象。同时，结合智能汽车自身配备的前视摄像机、毫米波雷达、智能车载终端等设备作为研究参考，提出了基于误差方差的多传感器融合算法，设计了多目标多传感器数据处理系统架构，并在多传感器数据融合感知的基础上提出了基于博弈论的车路协同信息融合的交通运行调度架构。最后，聚焦道路交通典型场景——智能路口，通过对交通路口信息实时采集，构建交通路口互斥模型和无交通信号控制系统(红绿灯)车路协同引导控制模型，并对这两种模型进行了仿真实验。实验数据表明，本次研究提出的两种多传感器优化调度模型都可以对车辆的调度和交通路段的疏通起到积极作用。

本次研究的不足之处在于，研究的模型对于车辆与路侧设备的工作性能、稳定性和通信技术要求很高，要保证设备随时能够计算处理分析数据且可靠地接收和传递信息。因此要完全实现并且推广利用，需要对车载和路侧设备经过量产和长时间实践使用验证，还需要搭建新的基于云平台的基础底座和系统架构，开发新的软件来支持整个体系以更好适应技术发展需求。