面向自动驾驶的车路云一体化框架

张亚勤 李震宇 尚国斌 周谷越 高果荣 袁基睿

关键词：自动驾驶（AD）；车路协同；预期功能安全；车路云一体化自动驾驶（VICAD）；可运行设计域（ODD）

单车智能自动驾驶规模商业化落地仍然面临着诸多挑战，其中，驾驶安全隐患与有限的运行设计域（operationaldesigndomain，ODD）是延阻自动驾驶落地的两大重要瓶颈问题。

首先，安全性是自动驾驶的技术首要考量。对于低等级自动驾驶车辆，它们的辅助驾驶系统功能在特定情境下（例如夜间儿童穿梭、雨天打伞骑行等特殊目标场景）可能存在应对不足或甚至失效的风险，从而导致安全事故频发。对于高等级自动驾驶而言，要达到99.9999%及以上的场景通过成功率，才能保证上路的安全[1-2]。然而，单车智能的系统可靠性以及应对复杂交通场景的能力也尚待持续提升：由于感知对环境变化鲁棒性不足、运动目标行为预测能力有限、决策超时以及可能存在软硬件系统错误等问题，造成车辆面临大量的安全问题。通过研究国内外多起自动驾驶安全事故案例可以发现，车端在应对挑战性场景时因缺乏全局信息所导致的能力不足是引发安全事故的主要原因之一。

其次，感知长尾、混行博弈、极端场景等复杂道路场景相关问题，严重限制了自动驾驶车辆的ODD。在感知定位方面，由于车端传感器的安装位置、探测距离、视场角、数据吞吐、标定精度、时间同步等因素的限制，车辆在繁忙路口、恶劣天气、小物体感知识别、信号灯识别、逆光等环境条件中行驶时，可能存在感知、定位精度不足的问题；在决策控制方面，自动驾驶系统需要处理复杂的交通场景，如城市的交叉路口、人行道和车辆混杂的情况，这些场景要求车辆在较短时间内完成决策，这对于车载传感器与计算能力均受限的单车智能自动驾驶系统无疑会造成极大挑战。特别是在需要对多个目标进行预测和规划的复杂交通博弈场景下，单车智能自动驾驶系统更是难以从交通场景的全局视角保证安全性和高效性。而在这些情况下，路端和云端可以发挥其高算力、高稳定性、高全局性等优势，为车端提供全面且高性能的交通环境数据，并通过路端、云端的感知、决策、控制来增强车端能力。因此，需要面向自动驾驶应用，在车端、路端和云端之间建立一体化协同机制，融合多源多维信息来进行协同感知、协同决策和协同控制，减少因车端能力不足带来的ODD限制，提升驾驶安全[1-6]。

本文提出了面向自动驾驶的车路云一体化（Vehicle-Infrastructure-CloudAutonomousDriving，VICAD）系统框架，将不同的车路云一体化协同部署方式与自动驾驶算法进行统一建模，在此基础上开展了模拟仿真，并进一步借助自动驾驶一体化评价模型（UnifiedModelofAutonomousDrivingEvaluation，UMADE）的反饋结果，可对车路云一体化协同部署方式与自动驾驶算法进行持续优化和迭代。通过UMADE中的理论收益模型，对比协同感知、协同决策及协同控制在典型驾驶安全场景中的系统表现，验证了VICAD在驾驶安全、ODD扩展等方面的收益。此外，结合实际场景案例，还进一步论证了VICAD能够帮助解决混行状态下自动驾驶与非自动驾驶的冲突博弈，进而优化交通环境秩序，有助于实现自动驾驶车辆的无人化安全运营。

本文首先概述了目前行业在车路云一体化自动驾驶方面的研究现状；提出并阐述了面向自动驾驶的车路云一体化（VICAD）系统框架，以及其在一体化协同感知、协同决策、协同控制方面的具体实现。然后介绍了一体化协同安全框架，论述了VICAD如何提升自动驾驶安全，并讨论了VICAD在扩展自动驾驶ODD中的意义；接着结合场景案例阐述了一体化协同感知、协同决策、协同控制对自动驾驶规模落地的积极影响；介绍国内外车路云一体化协同自动驾驶的产业实践。最后总结全文，并给出了关于车路云一体化协同自动驾驶的发展建议。

1车路云一体化自动驾驶技术现状

车路云一体化自动驾驶系统借助于车辆与道路基础设施之间的信息交互和协作，旨在实现更高效、安全和智能的自动驾驶。其成功部署既取决于车载设备、路侧设施、云端能力、通信能力[7-8]，也取决基于车、路、云的协同感知、协同控制与协同决策方法。

具体而言，单车智能技术依赖于车载传感器对周围环境的感知，以及通过车辆控制系统实现的交通行为。尽管单车智能技术经过数十年的发展，但由于车载传感器安装位置、探测距离、视场角度、数据吞吐量、标定精度、时间同步等限制，使得在诸如繁忙路口、恶劣天气、小物体感知识别、信号灯识别、逆光等环境条件下行驶时，仍然存在难以完全解决的准确感知识别和高精度定位问题[1]。这些尚未解决的技术瓶颈问题为高级别自动驾驶系统的规模化商业应用带来了研发周期长、实现成本高、商业落地慢等一系列挑战。

车路云一体化协同技术利用道路和云端信息，可以为有限的单车感知提供更广阔的视野，有效补充单车智能的信息盲点，并利用协同决策与控制技术，优化车辆的行驶行为，从而提高车辆的智能化水平和行驶安全性。在技术层面，协同感知是通过对多源传感器数据的融合[9-11]，精确获取实时交通状况，为决策和控制提供数据输入；协同决策是通过处理和分析感知数据，实现对交通流量和行驶路线的优化[12]；协同控制则是通过分配和优化决策控制指令的制定和执行，实现更精准、高效的交通控制[13]。在自动驾驶技术的迭代过程中，除了感知、决策、控制算法，还需要建立一体化评价模型，选取典型的测试场景对自动驾驶系统的性能进行多维度的量化评价，从而提高自动驾驶能力。

1.1协同感知

鉴于交通场景的复杂性和多元性，自动驾驶车辆仅凭借自身感知能力，往往难以达到全面准确的感知。现行的协同感知技术透过车辆与道路基础设施间的信息共享与融合，能提供更精准、全面的交通信息，从而增强系统对环境的感知能力，进一步提升自动行驶的安全性和效率。

协同感知通常涉及多类型传感器和不同模态的数据类型。多源感知数据的融合能帮助车路协同系统获取更准确、全面的交通信息，为协同决策与控制的实施提供支撑。例如，结合车辆的速度、位置等信息以及交通摄像头的图像信息进行特征级融合，可以有效地实现交通拥堵预测。

通用的多模态数据融合方法可以划分为3种类型：低级融合、高级融合和混合融合[14]。低级融合（又称前期融合[15]）是将来自不同传感器的原始数据进行简单的合并和处理，以获得更全面、准确的感知信息。它直接整合了不同传感器的信息，因此可以提供更为全面真实的数据。高级融合（或称后期融合）首先对各传感器的数据进行分析处理以提取特征信息，再将这些特征信息融合。这种融合方式对传感器故障具有更好的鲁棒性，但可能存在信息缺失的问题[14]。混合融合则是对前两者的结合，通过分散处理以优先考虑高可靠度的传感器，并减少不太可靠的传感器对信息融合的影响。在混合融合的过程中，可靠度高的传感器数据可通过前期融合进行处理，而可靠度较低的传感器数据则通过后期融合进行处理[15]。

在实际应用中，可以通过权重赋值、动态切换等数据融合策略来提高协同感知的准确性。例如，将更高的权重赋予高度可靠的传感器数据，给不太可靠的传感器数据赋予较低的权重，或者根据当前环境的变化自动调整传感器的权重。例如，E.Arnold等[16]针对T型路口和环形交叉路口下车端与路端基础设施协同进行三维目标感知时，提出了早期融合和后期融合的方案。其研究结果显示，早期融合方法的性能明显优于后期融合方法，代价是更高的通信带宽。YUANYunshuang等[17]提出了一种高效的基于关键点的深度特征融合框架，以及一种具有最大一致性的有效定位误差修正模块以增强数据融合的鲁棒性。此外，QIUHang等[18]提出了名为AUTOCAST的协作感知框架，能够根据交通参与者之间的位置关系和轨迹时间演变调整信息共享策略，从而降低协同感知的误差。

这类方法只关注数据到达协同感知模块之后的融合精度，存在以下问题：数据来源有限，仅考虑了有限的数据源，未实现车端、路端、云端多源数据的全面融合；数据模态有限，仅处理了部分数据模式，交通流信息、感知数据的多模态融合未得到充分考虑，缺乏对不同类型信息的综合利用。因此，当前方法并未达到令人满意的感知精度，需要引入多源信息并形成统一的框架进行全面协同，以解决数据来源及模态受限的问题。

1.2协同决策

协同决策在自动驾驶领域是一个至关重要的研究领域，通过对车辆周边环境与路侧感知信息进行处理与分析，为自动驾驶车辆提供合理的行驶决策。常见的协同决策与控制应用场景包括：无灯控场景下的交叉口通行，匝道协同汇流和路段编队/借道超车；灯控场景下的匝道和路口协同通行，以及信号灯―车辆协同控制、快速路―灯控路口一体化协同控制和多匝道快速路一体化协同控制等[19]。

协同决策可以分为分布式决策和集中式决策两种类型[20]。分布式决策[21-22]将决策权分散给多个决策单元，每个单元根据本地信息做出自主决策，并通过协同与其他单元进行信息交流和决策。在协同决策中，分布式决策实现车辆和基础设施之间的信息共享和协同决策以应对复杂的交通环境。集中式决策[23-24]将所有的决策权集中在一个中心节点，根据收集到的所有信息做出全局最优的决策。在协同决策中，集中式决策可以实现对整个交通流的全局调度和优化，但也存在单点故障的风险，需要考虑可靠性和安全性等因素[25]。

一些研究结合二者优势，中心系统仅保留车辆通信次序的决策，而将轨迹规划任务转移至车辆端。例如XUBiao等[26]将来自不同交通运动的接近车辆投影到虚拟车道中，并考虑相关车辆的冲突关系引入无冲突几何拓扑，从而构建虚拟队列；提出了通信拓扑的建模来描述车辆之间信息传输的两种模式，通过设计一个分布式控制器来稳定虚拟队列，从而实现在交叉路口进行无冲突合作。SUNZhangbo等[27]研究了混合交通的合作决策（cooperativedecision-makingformixedtraffic，CDMMT）。基于离散优化提出了CDMMT机制以促进匝道合并，并正确捕获混合交通中的合作和非合作行为。混合交通的合作决策机制可以描述为一个双层优化程序，其中状态约束最优控制的轨迹设计问题被嵌入到排序问题中，该问题通过基于双层动态规划的解决方案方法来解决，所提出的方法构成了混合交通环境下匝道合流路段交通分析和协同决策的基础。

然而，这些方法只对车端、路端、云端进行独立建模，没有从架构设计层面进行全局建模，因而无法形成最优决策信息，难以处理复杂交通场景中的混行博弈等问题。因此，未来的研究需要建立一个整体化的框架，通过对车端、路端、云端信息进行全局建模从而实现全面协同。

1.3协同控制

协同控制旨在处理车辆控制和交通环境的复杂性，通过车辆、驾驶员、道路和云端的协作，帮助自动驾驶车辆应对复杂和极端情况，确保安全性。

控制对象通常包含对路云端与车端的控制。在路云端控制方面，交通信号调控是协同控制中的常见应用之一，通过协同处理和分析车辆和道路环境的数据，控制交通信号灯的时序和时长，实现道路交通流量的合理调节和优化。例如，WANGFeiyu等[28-29]提出的无交通信号灯的未来交通设想是一种基于先进交通、物流算法和系统开发的智能交通控制系统，可通过實时感知和收集道路交通状况，利用相应的控制算法和策略制定出相应的控制指令，并通过车辆与基础设施之间的通信，及时传达给车辆，由车辆响应并执行。该系统可以实现交通信号灯控制、车辆速度控制、路面安全控制、路线规划和导航控制、车辆优先控制等多个功能，从而实现道路交通的高效、安全、平稳运行。

在车端控制方面，常见协同控制应用有车辆路权分配、车辆位置和速度控制以及车辆路径规划和导航控制。系统可以通过基于历史车流信息、车辆实时位置及交通信号灯实时状态的设计，针对不同车辆类型和道路交通情况进行优化调整，实现车辆路权控制和交通流量的优化调节[30]。例如，S.A.M.Kamal等[31]依托基础设施在有限时间窗口内对交叉路口周围一定范围内的交通流进行调度，并单独向各个智能车辆发送控制命令。此外，Vahidi等[32]针对全自主驾驶车辆需要物理交通信号的问题，建立了车辆在环（vehicleintheloop，VIL）仿真环境，并将车辆交叉路口协调问题转化为混合整数线性规划（mixedintegerlinearprogram，MILP）问题。他们通过协作控制方案，使自动驾驶车辆在十字路口可以不间断地通过。结果表明，与固定时间控制的十字路口相比，采用MILP控制的十字路口的油耗显著降低。

然而，由于仿真环境与真实世界之间存在差异，这些方法并未实现真正意义上的车-路-云的全面协同，未能提升自动驾驶车辆在极端场景中的应对能力，需要统一的架构表达来支撑物理世界中云端对车辆的控制，从而提升极端场景的通行率，扩展自动驾驶ODD。

1.4系统评价

为了量化评价不同的自动驾驶解决方案在真实交通场景下的收益，需要构建评价模型，选取不同的典型测试场景、不同的交通交互方式以及评价指标，对系统表现的量化对比测试。自动驾驶系统评价通常从效率、安全性、舒适度、经济性与可持续发展等多个维度对系统做出全面且客观的评估，为系统的提升与发展提供量化标准。

安全评价通常从道路安全状态、车辆危险性与道路事故等3个方面进行评估。道路安全状态评估在潜在道路危险发生前对道路的安全性能做出衡量，通常包含高峰时段平均车速、高峰时段路口阻塞率[33]、路段车速差[34]、交通流量突变[35]等指标。车路危险性评估包含路口冲突点、碰撞时间（timetocollision，TTC）指数[36]与交通违法行为等指标，能够反应实时的交通安全性能。道路事故评估包含单次碰撞死亡/重伤概率[37]、交通出行守法率、万车碰撞概率、万车死亡概率和特大交通事故起数等指标，在道路危险发生后对安全性进行统计与总结。

效率评价对协同系统带来的交通效率提升进行量化，包含对交通流量、速度、密度与时间等基础指标，通过统计车辆在特定观测路段给定时间段内的车流数据进行分析，计算协同系统的效率指标以验证系统的有效性。在基础指标的基础上，效率评价模型还包含路网运行效率、宏观基本图，Greenshield模型等综合评价指标。路网运行效率通过计算加权行程速度与路网加权流量的乘积反映交通流的车辆流量与运行速度间关系；宏观基本图通过拟合宏观基本图（macroscopicfundamentaldiagram，MFD）曲线反映交通流的车辆密度与路段流量间关系[38-39]；Greenshield模型基于自由流行程速度与路网阻塞密度建模，以此衡量交通流的运行速度与车辆密度间关系[40]。

总体而言，目前虽然在单车智能、协同感知、协同决策、系统评价等方面均有一定的科研基础，但是由于缺乏统一的架构和全局建模考虑，还无法实现车-路-云各源头数据的充分利用，无法实现各阶段功能的统一建模，无法实现车路云整体系统的全局优化，无法应对自动驾驶现有的感知长尾、混行博弈、极端场景通行等问题。因此，需要统一的车路云一体化的技术框架，从数据、模型、系统实现等多角度，实现安全、可靠、高效、可扩展的自动驾驶系统，为自动驾驶规模商业落地提供支撑。

2面向自动驾驶的车路云一体化架构

2.1总体架构

基于信息物理系统（cyberphysicalsystems，CPS）理论中的成体系系统（systemofsystems，SoS）的概念，本文构建了面向自动驾驶的车路云一体化框架VICAD（见图1），旨在针对不同的车路云一体化协同部署方式与自动驾驶算法进行统一建模，并开展模拟仿真实验。进一步借助自动驾驶一体化评价模型的反馈结果，可对车路云一体化协同部署方式与自动驾驶算法进行持续优化迭代。

如图1所示，利用VICAD将任何交通参与对象建模为独立的设备（即CPS中的Device）。局部交通场景，例如十字路口，被建模为由多个设备组成的系统（即CPS中的System）。全局交通场景，例如区域路网，被建模为由多个系统组成的成体系系统（即CPS中的SoS）。设备的动作不仅可以改变其自身的物理状态，还会直接影响由其组成的系统和成体系系统的状态。非自动驾驶设备的动作由预置模型确定，而自动驾驶设备的动作则由车路云一体化自动驾驶算法计算得出。对于给定的交通场景和车路云一体化协同部署方式，利用VICAD可以对模型中所有设备的自动驾驶算法进行协同优化。根据优化对象在自动驾驶系统中的最终作用环节，车路云一体化自动驾驶算法可分为协同感知、协同决策和协同控制3个类别。

具體而言，如图2所示，在VICAD模式下，当车辆作为执行对象时，车端、路端或云端都可能承担部分或全部的“感知―决策―控制”功能。车路云一体化感知可以融合来自车端、路端和云端的感知结果，将其送至车端进行决策和控制执行。车路云一体化决策在一体化感知的基础上，进一步融合来自路端和云端的决策信息，将其送至车辆的控制层执行。车路云一体化控制在一体化感知和决策的基础上，增加了路端和云端的控制功能，用于控制车辆的执行。

2.2一体化协同感知

针对交通场景的复杂性和多变性，仅依赖于自动驾驶车辆自身的感知能力无法实现精确和全方位的感知，存在感知范围有限、视野盲区等问题，VICAD框架下，一体化协同感知通过车端、路端和云端的多源、多模态信息融合，解决现有算法框架内数据来源及模态受限的问题，以扩展现有感知算法的能力边界。如图3所示，主车周围的车辆可以通过车车协同（vehicle-tovehicle，V2V）实现感知信息共享；路端感知系统和路端基础设施可以通过车路协同（vehicle-to-infrastructure，V2I）共享感知信息；同时，云端平台能够充分利用其在数据处理方面的优势，通过车云协同（vehicle-tonetwork，V2N）方式实现数据共享。该一体化协同感知模式通过这3种协同方式的集成，将所有的感知信息在车端进行汇集并融合处理，以得到最终的感知结果，从而扩大自动驾驶车辆的感知范围，并提升其感知能力。

由于感知信息来源于多种传感器，如激光雷达、摄像头、毫米波雷达等，协同感知的关键在于如何有效地融合这些多模态数据。在VICAD系统框架内，可以支持多种融合感知方式。以后融合为例，一体化协同感知架构示例如图4所示。其中：数据容器模块负责收集多模态信息，并利用内部参数和地图信息，将所有传感器消息和车端/路端/云端消息转化为统一的消息格式，然后传递给数据关联模块；数据关联模块对数据容器中的信息进行采样处理，并按照触发时间对所有信息进行排序和匹配，将初始的无序位置信息转化为有序的时序状态估计，并将其分组打包，然后传递给数据前处理模块。数据前处理模块对每组信息进行数据补全、降噪和重采样处理，完成时序处理后，将具有同步时间戳的时间切片数据送入协同感知模型，最终输出包括道路交通参与者的位置、检测框、属性等信息。

2.3一体化协同决策

在VICAD框架下给出一体化协同决策的架构，如图5所示。这一架构利用协同感知的输出结果，通过车端、路端、云端的决策协同，从局部到全局逐步完成车辆轨迹规划、道路冲突解决以及宏观交通系统优化。

具体而言，车端系统能够依托于车辆历史决策信息、交通规则、驾驶偏好等先验知识，结合驾驶场景判断、行为轨迹预测以及行为逻辑推理等车端状态估计，实现车端局部决策；云端系统则能够利用交通系统的历史决策信息、交通规则以及全局高精度地图等先验知识，并通过信控调优、路径决策、冲突仲裁策略等系统状态的实时分析，提供系统全局决策的支持；路端系统也可通过分析交通系统的历史决策信息、交通规则以及高精地图等先验知识，并结合驾驶场景判断、行为轨迹预测、冲突仲裁策略等系统状态实时分析，为系统的全局决策提供支持。局部决策与全局决策相互配合优化VICAD整体系统决策，最终实现一体化协同决策[15]。这种一体化协同决策不仅增强了自动驾驶系统的自适应能力，也进一步提升了交通效率和安全性。

2.4一体化协同控制

协同控制的主要目标在于充分考虑到车辆控制与交通环境的复杂性，通过对决策控制指令的精细分配和深度优化，从而达到更为精确和高效的交通调控。在车路云一体化协同控制体系之下，利用车端控制、驾驶员控制、路端控制及云端控制的协同协作，能有效地处理自动驾驶的极端场景。例如，当自动驾驶车辆无人驾驶状态下进入复杂的交通环境，驶出地理围栏，或者面对复杂的认知交互类场景或极端场景，车辆单独应对可能存在难度，此时车路云一体化的控制系统能够提供支援，协助车辆解决问题，确保自动驾驶的安全。

在具体的控制流程中，如图6所示：当车辆遇到难处理的场景时，车端有可能主动发起接管请求或远程遥控驾驶请求；或者，当车辆即将接近复杂场景前，路端有可能主动发起接管请求或远程遥控驾驶请求。此外，如果乘客有特殊需求，也可以由乘客主动发起接管请求。在此过程中，车辆会周期性地上报其自身状态信息和感知信息，路端也会周期性地上报其感知信息（例如枪式摄像机、鱼眼摄像机、激光雷达感知信息，以及路侧可变标识和信号灯标识信息等）和决策信息；云端在接收到驾驶接管请求后，将对车端和路端的报告数据进行融合处理，进而生成控制建议和车辆环境信息。驾驶员控制、云端控制和路侧控制三者协同，共同协助自动驾驶车辆安全行驶。值得注意的是，控制指令的下发有两种通信链路实现：1）通过4G或5G通信直接从云端下发至车端；2）通过云端下发至路端，再由路侧单元下发至车端。这两种实现方式能够相互补充，尤其是在城市内遇到信号遮挡或不稳定的情况时，路侧通讯设备能有效地提供辅助[2]。

3一体化协同安全性论证

通过选取典型交通场景并生成仿真参数，构建不同场景下的一体化协同安全收益模型，进一步比较分析单车智能、协同感知以及车路云一体化协同决策控制对自动驾驶安全的影响，从而验证一体化协同对驾驶安全的提升。

3.1一体化协同安全框架

安全是自动驾驶发展的基石，也是当前阶段亟需解决的核心问题。根据自动驾驶预期功能安全（safetyoftheintendedfunctionality，SOTIF）理论[41]，如图7所示，自动驾驶运行场景可大致分为4类：区域1为已知安全场景，区域2为已知不安全场景，区域3为未知不安全场景，区域4为未知安全场景。VICAD的核心目标是将自动驾驶中的“未知”场景转化为“已知”场景，将“不安全”场景转化为“安全”场景。因此，重点需解决区域2和区域3的场景问题，将区域2转化为区域1，并证明区域2的残余风险足够低。对于未知不安全区域3，VICAD将其转化为区域1、2或4，尽可能减少区域3中的場景，并确保区域3的风险控制在合理可接受的水平。

在经典的安全评价理论基础上，通过引入路端及云端感知信息及感知可靠性概率模型，进一步结合多传感器融合的概率迁移模型，在前序工作[2]中构建了一种自动驾驶一体化评价模型（UnifiedModelofAutonomousDrivingEvaluation，UMADE），如图8所示。该评价模型选择不同的标准测试环境、不同的交通互动方式以及不同的评估指标，对各种自动驾驶解决方案的系统性能进行量化的对比测试。

场景分布模型用于描述选定环境中交通状态初始分布的概率。常用的分布概率模型包括跟车速度服从对数正态分布、跟车头时距服从负指数分布等。

渲染引擎根据交通状态为自动驾驶车端和路端设备提供高保真度的传感器数据，并对交通环境中的行为事件进行可视化还原。

交互模型用于描述交通参与对象之间的交互行为。

感知模型用于模拟一体化协同系统通过云端信息以及车端与路端的传感器数据进行环境感知的过程。

决策控制模型用于模拟一体化协同系统通过云端信息以及车端与路端的传感器数据进行决策、规划与控制的过程。

评价模型用于评价自动驾驶在交通环境下的系统表现。碰撞时间（TTC）是一种常用的安全评估指标，通常被定义为在车辆不改变当前运动特性的情况下，与前方跟车碰撞所需要的时间。它也可以被理解为衡量避免碰撞所需的时间标准。如果后车没有采取相应的对策来应对前车的突然减速，那么可能会发生追尾冲突。TTC值越小，意味着发生碰撞的可能性越高，也就是说，这个环境越危险。

其中：S为两车间距离，Δv车速差。在TTC的基础上，采用经过修正的碰撞时间（modified-time-to-collision，MTTC）作为安全评价标准可以更充分地考虑加速度对跟车模型的影响。在人车混行的复杂交通场景下，基于运动轨迹的行人安全评价模型与车辆碰撞模型常用于系统性的安全评价标准设计。此外，在交通效率评价方面，交通流量、通行时间、通行速度等均为典型的评价指标。

3.2一体化协同收益场景

为了有效阐释一体化协同对自动驾驶安全的收益，对自动驾驶领域公开数据与实际测试数据进行了分析与归纳。特别是针对自动驾驶安全性差以及极端场景应对不足的问题，概括出4种典型场景，这些场景常常表现出接管率高、事故率高以及通行效率低下的问题：行人鬼探头、无保护左转、异常障碍物与异常交通状况（见图9）。

行人鬼探头场景：行人从驾驶盲区位置突然出现在车辆前方的情况，该场景下受限于单车智能的传感器感知角度限制，在出现静态障碍物或动态障碍物（如大型车辆）遮挡时，主车难以准确获取盲区内的车辆或行人的运动情况，事故率及伤亡率较高。

无保护左转场景：自动驾驶车辆在无信号灯路口进行左转的场景。该场景下车辆易受对向车辆阻挡，形成视野盲区，而引发较高的接管率。

异常障碍物场景：道路中出现锥桶、道路遗撒等形态各异、训练样本中较少出现或难以覆盖全面的障碍物。在此类场景下，车辆可能因识别异常而请求接管，或者由于未能准确识别障碍物而导致刹车不及时，从而引发事故。

异常交通状况场景：因道路施工等因素导致车辆无法在现有交通规则下正常通行的情况，例如占道施工、交通事故等导致自动驾驶车辆需要逆行通过的场景。在这些场景下，车辆的通行效率通常较差，接管率较高。

3.3一体化协同提升驾驶安全

针对列举的4类典型交通场景，在前序工作[2]中，本团队开展了单车智能、一体化协同感知、一体化协同感知―决策―控制3种对照实验，每种实验均进行了1000次。借助UMADE模型，从安全性和通行效率等多个评价维度对实验结果进行统计分析，为自动驾驶解决方案的量化分析与评价提供了理论依据。

3.3.1行人鬼探头

如图10所示，单车智能无法有效感知由遮挡产生的视野盲区，因此存在较大的交通安全风险。相比之下，协同感知提供了互补信息，为自动驾驶车辆（主车）避让行人提供了感知的信息增量。而一体化协同决策控制则提供了全局车辆协同决策的能力，为后车提供了前车驾驶行为的信息增量，从而降低了碰撞事件的发生概率。

3.3.2无保护左转

如图11所示，由于对向左转的大型车辆遮挡了主车的感知视野，使得主车只依赖于单车智能无法有效感知到对向的直行车辆，因此存在较大的交通安全风险。与行人鬼探头场景类似，协同感知提供了补充信息，为主车避让对向直行车辆提供了感知的信息增量。一体化协同决策控制则提供了全局车辆协同决策的能力，为后车提供了前车驾驶行为的信息增量，从而降低了碰撞事件的发生概率。

3.3.3异常障碍物

异常障碍物通常不会出现在自动驾驶感知系统的训练样本中，需要借助额外的感知异常检测算法进行感知不确定性分析，将SOTIF中的“未知”场景转化为“已知”的异常场景。如图12所示，单车智能无法预先有效地检测到异常障碍物，存在较大的交通安全风险。协同感知提供了冗余和强化信息，为主车避让异常障碍物提供了信息增量。一体化协同决策控制则提供了全局车辆协同决策的能力，为后车提供了前车驾驶行为的信息增量，降低了碰撞事件的发生概率。

3.3.4异常交通状况

以图13所示单车道对象通行场景为例，在此类场景下，车辆需要面对复杂的交通状况。首先，该场景中一辆静止车辆停在修路路段前，主车需要判断其驾驶意图并确定应对策略；其次，在双向单车道条件下存在临时的修路路段，主车需要决策是否违反交通规则进行“逆行”；最后，由于在单车道的条件下存在对向来车，主车需要与对向来车进行博弈与交互。由于缺乏全局信息，单车智能难以在这种复杂状况下采取有效决策。协同感知提供了冗余与强化的增量信息，可以通过路端长时间观测，有效预测静止车辆的意图并模仿其他车辆的驾驶行为，具有在前述复杂状况下采取有效决策的可行性。而一体化协同决策控制则可以获取云端交通状况异常的先验信息，结合全局车辆协同决策的能力，为对向车辆提供了主车的驾驶意图等信息增量，进而提高了单车道对向通行的通过效率。

总体而言，一体化协同感知与一体化协同决策控制对自动驾驶的安全性有显著的提升。上述典型场景均为低概率出现的极端场景，但一旦此类场景出现，则存在较高危险性或造成通行性较差。行人作为交通安全中的弱势群体，确保其安全对自动驾驶技术的发展和应用尤为重要。在极端的行人鬼探头场景下，与单车智能相比，VICAD模式在人体伤害评价指标上能够得到显著的安全性提升；同时，实验结果也表明，VICAD在应对无保护左转、异常障碍物与异常交通情况时均取得了明显的系统表现提升，证明了VICAD能够有效帮助解决自动驾驶落地面临的极端场景应对问题[2]。详细的实验数据如表1所示。

4一体化协同在扩展自动驾驶ODD中的意义

4.1自动驾驶ODD定义与现状介绍

自动驾驶ODD是指自动驾驶系统设计时确定的适用于其功能运行的外部环境条件。只有当所有条件都得到满足时，自动驾驶系统才能正常运行；相反，如果有任何一个前提条件不足，自动驾驶系统就可能发生故障，此时需要采取紧急停车措施或由驾驶员手动接管。如图14所示，不同级别的自动驾驶车辆存在不同的ODD限制。L4级别的自动驾驶ODD限制相对较小，L3级别次之，L2级别则有更严格的限制，只能在有限的环境或场景下启用自动驾驶模式。以某品牌L3级别的自动驾驶ODD为例，只有在满足以下条件时，才允许开启自动驾驶模式：

1）行驶在高速公路或者带有中央隔离带和护栏的两车道以上机动车专用公路上；

2）所在车道和周边车道的车间距离较近，即在堵车状态下；

3）车的行驶速度不超过60km/h；

4）在传感器可检测到的范围内没有信号灯也没有行人。

如图15所示，自动驾驶ODD可以总体分为3类：静态实体、环境条件和动态实体[42]。其中，静态实体由运行环境中状态不改变的实体组成，例如道路、建筑等；环境条件包括天气、大气条件和信息环境；动态实体由运行状态发生变化的实体组成，例如交通情況、道路使用者和非道路使用者。

4.2ODD动态管理流程

通过一体化协同感知、决策和控制，可以支持对自动驾驶ODD进行动态管理及合理扩展，使自动驾驶车辆能够在尽可能多的环境下实现连续自动驾驶。图16展示了管理和扩展自动驾驶ODD的VICAD流程，包括以下步骤：

1）明确自动驾驶ODD限制场景清单；

2）实时检测识别ODD限制场景：通过一体化协同感知，实时感知识别自动驾驶车辆及周围交通环境，包括交通参与者、交通事件和交通运行状况等，并综合判断感知结果信息，确定对自动驾驶的影响，包括影响时间、影响范围和影响程度等，以及是否需要进一步处理；

3）路端发起VICAD应用服务请求，为自动驾驶车辆提供协同感知、协同决策或协同控制服务：针对确实受到影响的ODD场景，路端发起应用服务请求，经车辆平台审核确认后，由路端为车辆提供协同感知、协同决策或协同控制服务；

4）在路端的帮助下，车辆安全无接管地通过ODD限制景。

4.3一体化协同扩展自动驾驶ODD

4.3.1ODD扩展示例

在前序工作[2]中，列举了L4级别自动驾驶可能存在的典型ODD限制场景，见表2，例如道路施工、交通事故、混行等相关场景。针对其中的动态实体类ODD限制场景，通过一体化协同感知或决策方式，可以提升自动驾驶车辆的感知能力和决策能力，解除ODD限制；针对静态实体和环境条件类ODD限制，可以在一体化协同感知和决策的基础上，通过一体化协同控制实现对车辆、交通设施和交通环境的优化控制，例如信号灯优化控制、道路融雪除冰装置等，以保障车辆在ODD限制场景中的安全通行。

下面以无信号灯交叉口协调通行为例，对ODD管理和扩展进行说明。

问题描述：如图17所示，当自动驾驶车辆经过复杂路口（包括城市内复杂交叉口、高速公路或快速路匝道口）或无信号灯交叉口时，由于不同方向车辆流向的交叉冲突，容易造成碰撞风险或引发接管。

场景原理：通过一体化协同可以从路口全局识别预测所有车辆的驾驶意图，并为车辆制定适当的通行策略，使路口车辆有序通行，从而避免接管。具体流程如下：

1）路端系统和设施实时感知和预测路口车辆，路口车辆也可以通过车辆交通和基础设施（vehicle-to-everything，V2X）主动上报车辆行驶意图（预期轨迹，包括各时刻的车辆位置和速度）；

2）路端系统和设施根据交通规则（例如左转让直行）和优先策略进行一体化决策，例如让直行车辆优先通过，左转车辆随后通过；

3）左转车辆根据路端的统一调度提前减速避让，直行车辆可以不减速或加速通过；

4）所有车辆在路端的统一调度下高效通过路口。

应用效果：如图18所示，通过协同感知和决策，可以确保自动驾驶车辆在不需要接管的情况下具备在交叉型道路环境中行驶的能力，从而扩展了自动驾驶的ODD。

4.3.2ODD扩展综合应用效果

前序工作[2]中给出了一体化协同对自动驾驶ODD扩展的前后对比效果示意，见图19和图20。以一次具体出行行程为例，从起点到终点的过程中，车辆可能经历一系列场景，如泊车场景、城市道路中的交通冲突场景、高速道路中的长隧道场景、沙尘团雾等恶劣天气场景，以及低能见度区域和施工区域场景等。

受自动驾驶ODD限制，在遇到困难场景时，车辆必须退出自动驾驶模式，由驾驶员接管，导致自动驾驶无法连续运行；VICAD通过一体化协同可以大大扩展ODD，除遭遇极端恶劣天气或出现无高精度地图覆盖等不可控因素外，均可以帮助车辆在这些ODD限制场景中继续保持自动驾驶状态，实现连续无接管的自动驾驶运行，如图20所示。

5一体化协同自动驾驶场景案例

一体化协同自动驾驶已经在许多实际项目中得到了应用。通过对落地的大量VICAD应用测试和先导示范项目的调研，在前序工作[2]中总结列举了VICAD有场景收益的17个小类的典型应用场景，本章从中选取了一些典型案例进行详细阐述，其他案例详见参考文献[2]。

5.1一体化协同感知场景案例

一体化协同感知在自动驾驶中的典型收益场景有7个小类，包括路端信号灯融合感知、静态盲区/遮挡协同感知、动态盲区/遮挡协同感知、超视距协同感知、低速车辆协同感知、道路遗撒与低矮障碍物协同感知，以及地图要素变更。本文以超视距协同感知为例展开介绍场景问题及应用收益。

典型应用：超视距协同感知

超视距感知问题描述：受限于车载传感器类型、感知范围和分辨率等因素，车辆对超出车载传感器覆盖范围的交通运行状况、交通参与者或障碍物的检测结果不稳定，容易出现无法感知或感知跳变等问题。

VICAD超视距协同感知：如图21所示，通过在路端部署多传感器，实现对多个方向上长距离的连续检测和识别，并与车辆的感知进行融合，实现自动驾驶车辆对超视距范围内的车辆或行人的准确感知和识别，车辆可以提前做出判断、决策和控制，从而降低事故风险。

具体案例：如图22和图23所示，这两张图片展示了同一时刻的车端感知和协同感知的结果。在图22中，主车（蓝白色）很难稳定地检测到远处的障碍物（行驶路径上没有障碍物显示），容易导致急刹和事故风险。而在图23中，通过VICAD超视距协同感知，车辆可以提前获取前方车辆、非机动车或行人的运动情况（粉色框表示路径附近的目标），避免了急刹和事故风险。

5.2一体化协同决策场景案例

一体化协同决策对自动驾驶收益的典型场景有7小类，包括决策层面的排队决策、死车决策，决策+规划层面的交叉口协调通行、阻塞绕行、路口内施工绕行，以及协同路径决策规划层面的合作式代客泊车、编队行驶等。本文以交叉口协调通行为例展開介绍场景问题及应用收益。

典型应用：交叉口协调通行

问题描述：如图24所示，自动驾驶车辆在直行车道行驶时，当左转车辆从分叉道汇入直行车道时，与主车行驶路径产生冲突。由于缺乏通行次序协调，会导致主车急刹或需要驾驶员接管的情况。

场景原理：通过一体化协同，双方车辆通过V2X方式上报车辆意图（预期轨迹，包括各时刻的车辆位置和速度）。路端或云端系统根据车辆意图、交通规则（例如左转汇入礼让直行）和车辆状态信息，仲裁主车和汇入车辆的通行策略为：直行车辆优先并加速通过，左转车辆减速跟随通过。双方车辆按照仲裁结果执行，高效通过交叉口。

应用效果：如图25所示，通过车路云一体化协同决策，合理仲裁车辆通行次序，确保直行与左转汇入车辆有序高效通过，避免了交互冲突造成路口车流阻塞或碰撞风险，提升了通行效率和安全性。

5.3一体化协同控制场景案例

一体化协同控制对自动驾驶收益的典型场景包括3小类，即自动驾驶领域的控制车辆——5G云代驾，以及智能交通领域中控制基础设施的两种场景——优先通行和绿波通行。本文以5G云代驾为例展开介绍场景问题及应用收益。

在实际运营中，自动驾驶车辆可能面临临时道路变更或交通管制等特殊情况。“5G云代驾”提供了远程遥控驾驶的能力，帮助车辆解决这些问题。在5G环境下，借助高带宽、低延迟和稳定性强的数据连接，远程驾驶员可以通过5G云代驾控制台像驾驶实际汽车一样通过方向盘和踏板来控制车辆，如图26所示。由于需要“5G云代驾”介入的极端情况并不经常发生，一个云端驾驶员可以为多辆车提供服务，通过提升人效加速RoboTaxi、RoboBus、无人港口和智能矿山等多种场景的商业化落地[2]。

典型应用：“5G云代驾”典型场景——施工阻塞跨黄实线绕行

问题描述：自动驾驶车辆遇到前方道路施工，导致所有车道被占用，无法正常通行，如图27.

场景原理：车辆主动申请5G云代驾接管，云端驾驶员收到接管申请后，根据车端上传的感知数据和车辆状态数据进行人工决策，并通过云端智能驾驶舱的方向盘和踏板下发控制指令到车辆底盘，实现远程遥控驾驶。

应用效果：云端駕驶员对车辆进行远程遥控驾驶，通过借用对向车道完成跨黄实线绕行。完成绕行后，切换回自动驾驶模式，车辆继续行驶。

6一体化协同自动驾驶产业实践

VICAD发展是一个由低至高、逐渐演进的发展过程，参考国内外对VICAD阶段划分情况，如SAEJ3016[42]、SAEJ3216[43]，以及中国国内相关机构发布的报告和标准[44]，一般分为协同信息交互、协同感知、协同决策控制3个阶段。目前，国内外VICAD的协同信息交互阶段已经开展了大规模测试验证与示范应用，协同感知发展已完成了理论研究、技术验证和标准制定，正在加速走向规模化建设部署与应用，协同决策控制也已形成发展共识。本章将重点介绍国内外一体化协同自动驾驶的产业实践。

6.1国外一体化协同自动驾驶产业实践

VICAD技术在全球范围内备受关注，许多国家和地区都非常重视其战略布局、技术研究和应用探索。例如，美国交通部（DepartmentofTransportation，DOT）于2004年启动了车路集成系统（Vehicle-InfrastructureIntegration，VII）研究计划[45]，并于2007年拓展成IntelliDrive项目[46]，同时连续发布《智能交通系统（ITS）战略规划（2010-2014）（2015-2019）（2020–2025）》（ITSStrategicPlan）等一系列顶层设计规划开展布局[47-49]。美国联邦公路管理局（FederalHighwayAdministration，FHWA）开发的协同自动化研究移动应用（CooperativeAutomationResearchMobilityApplication，CARMA）项目[50]旨在提高交通系统中所有用户之间的合作研究，通过链接技术、开源工具和框架，加速试点交通技术进步，从而提高交通安全性、流动性和效率。加速一体化协同技术的部署与应用。SafePilot、ConnectedVehiclePilot等一系列研究和验证示范项目相继开展[51]，加速了一体化协同技术的部署与应用。

21世纪初，为在欧洲协同部署智能交通系统（IntelligentTransportationSystems，ITS），欧盟委员会于2001年启动了为期6年的欧洲跨国智能交通系统项目（Trans-EuropeanIntelligentTransportSystemsProjects，TEMPO）计划[52]，显著促进了旅行者信息服务（travellerinformationservices，TIS）的开发和部署[53]。基于TEMPO计划成果，为期7年的EASYWAY项目[54]于2007年启动，以增加交通安全性、提升流动性并减少污染。同期，欧盟委员会还启动了由研究机构、道路经营者与汽车公司共同参与的研发项目，如车辆基础设施协同系统（CooperativeVehicleInfrastructureSystem，CVIS）与智能道路安全协作系统（Co-OperativeNetworksforIntelligentRoadSafety，COOPERS）等[55-56]。近年，在C-ITS、4G/5G通信技术研究基础上，欧洲道路运输研究咨询委员会（EuropeanRoadTransportResearchAdvisoryCouncil，ERTRAC）陆续发布互联自动驾驶路线图（ConnectedAutomatedDrivingRoadmap）、协作式智能交通系统和服务（CooperativeIntelligentTransportSystemsandServices）、互联、协作和自动化移动路线图（Connected，Cooperative，andAutomatedMobilityRoadmap，CCAM）[57-59]等战略性文件，并在不同地区开展了大量的研究测试和建设部署项目，如eSafety、CVIS、DriveC2X、CAR2CAR和C-ROADS等，以提升道路安全、减少拥堵、提升驾驶体验[60]。

日本于1996年开始提供道路交通信息通讯系统（VehicleInfrastructureCommunicationSystems，VICS）服务，该车联网信息系统在2003年已基本覆盖全日本，即时发送道路拥挤、交通限制等情报[61]。以VICS为基础，日本启动Smartway计划，并发展成ETC2.0项目，整合ITS的功能，为车辆提供ETC、DSSS、ASV等服务[62]。2011年，基于Smartway项目发展的智能交通系统点位服务（ITSSpotServices）在日本交通网络拥有超过1600处点位，城际高速每10至15km设置一个ITS点位，城市高速路则为4km。在东京都市高速公路中事故最多的三宝坂曲线，通过提供曲线前方的拥堵信息，事故数量下降了约60％[63]。2013年，日本内阁发布日本《世界领先IT国家创造宣言》，智能网联汽车为其中核心[64]。韩国亦出台《基于CoRE的智能交通系统（2040）》，制定短、中、长期车联网发展规划[65]。

6.2中国一体化协同自动驾驶产业实践

中国车路云一體化协同的发展在近几年取得了显著成果。总体来看，中国已经跻身全球协同自动驾驶的领先之列，完全有能力利用自身的体制机制、政策环境和技术产业优势，实现弯道超车。

1）在体制机制方面，中国具有强大的国家统筹能力

中国政府拥有强大的全局统筹能力，可以在新技术研发和落地的各个阶段发挥重大的引领作用。这种能力在一体化协同自动驾驶的研发和落地中尤其突出，例如国家和地方通过制定优惠政策，批准建设测试示范区和先导区（如表3），逐步推进道路基础设施的重建和升级。

2）在战略政策方面，国家新基建政策将推动一体化协同的全面发展

在国家战略层面，中国明确了单车智能+网联赋能的智能网联汽车发展技术路线。虽然中国在单车智能领域与美国的差距正在逐渐缩小，但鉴于中国路况和交通环境的复杂性，一体化协同自动驾驶有显著优势，可以作为中国自动驾驶领域弯道超车的重要着力点。

在政策层面，国家主管部门进行统一规划，加强顶层设计，创造良好的产业发展环境；地方政府部门也结合自身的发展需要和优势，积极推进一体化协同自动驾驶产业的发展。在最近几年，国家发布了《智能汽车创新发展战略》《交通强国建设纲要》《国家综合立体交通网规划纲要》等一系列的顶层设计文件，见表4。地方政府如江苏、天津、上海、广东等也相继出台了相应的政策支持，推动自动驾驶等领域的发展。其中，一些城市政策法规创新已进入“深水区”，例如，北京市在高级别示范区基础上建设智能网联汽车政策先行区，适度超前并系统构建智能网联汽车道路测试、示范应用、商业运营服务以及路侧基础设施建设运营等政策体系，目前已经给予无人配送车路权，开放高速公路测试、无人化测试、商业运营。

3）在产业层面，汽车、道路和通信等产业具备创新引领条件

中国在汽车、交通、通信技术和产业方面有明显的优势，这些行业通过一体化协同自动驾驶的深度融合，形成强大的合力，初步具备了创新引领发展的条件。

在汽车和交通市场方面，中国的汽车和交通市场规模稳居世界前列，其中2021年中国汽车年产销量分别为2608.2万辆和2627.5万辆，为世界第一汽车市场大国[66]。到2020年底，中国公路总里程超过519.8万km，国家高速公路网主线基本建成，覆盖约99%的城镇人口20万以上城市及地级行政中心。中国可以充分利用自身的市场优势，按照自己需求制定具有中国特色的市场规则、技术标准。

在5G通信方面，将AI赋能的单车智能和5G相结合，为单点智能的车加装上全天候、全场景、360°的“千里眼”和统筹全局的“智慧脑”，实现车、路、人、基础设施的万物互联和万物互控。截至2021年底，中国累计建成并开通5G基站142.5万个，5G基站总量占全球60%以上，建成全球最大5G网，实现覆盖所有地级市城区、超过98%的县城城区和80%的乡镇镇区，为实现车、路、人等万物互联提供了通信保障。

4）在技术保障层面，车路云标准体系规划配套完整

2018年6月，工业和信息化部联合国家标准化管理委员会完成制定并发布《国家车联网产业标准体系建设指南》[67]系列文件（如图28所示），明确了国家构建车联网生态环境的顶层设计思路，展示了积极引导和推动跨领域、跨行业、跨部门合作的战略意图。目前，该体系规划已经全部发布，其中基于LTE-V2X的接入层、网络层、消息层和安全等核心技术标准已经制定完成，技术标准体系基本形成，为一体化协同自动驾驶的发展奠定了坚实的基础。

7总结与展望

7.1总结

本文针对自动驾驶领域的现有问题，即缺乏车路云统一的架构和全局建模考虑，因此无法实现车路云整体系统的全局优化，无法高效应对现有的感知长尾、混行博弈、极端场景通行等瓶颈问题，提出了面向自动驾驶的车路云一体化（VICAD）系统框架，将不同的车路云一体化协同部署方式与自动驾驶算法进行统一建模，并在此基础上开展模拟仿真，进一步借助自动驾驶一体化评价模型的反馈结果，可对车路云一体化协同部署方式与自动驾驶算法持续优化迭代。并结合实际案例，阐述了VICAD能够提升驾驶安全、扩展自动驾驶ODD，加速自动驾驶规模商业化落地。

图29示意性给出了VICAD对L4自动驾驶车辆的作用效果，其中：在自动驾驶能力层面，VICAD可以显著提升L4级别的自动驾驶能力，使其能够成功应对各种复杂场景。在自动驾驶商业化落地层面，当前阶段的L4级别自动驾驶仅能在封闭或有限区域内实现规模化商业化应用，要想实现规模商业化落地，仍需要需要持续的研发投入；而在VICAD的推动下，可以快速达到无人化自动驾驶规模商业化落地的临界点。

7.2发展建议

目前，VICAD在全球仍处于探索与发展的初级阶段，面临着许多挑战与困难，需要行业的多方协同共同解决。

1）车路云深度融合形成高维复杂系统，需要基于系统工程建立功能安全和预期功能安全体系。一体化协同系统需要解决大规模移动接入、多层次互操作、低延时、高安全可靠等一系列问题，尤其是要应对不同地域差异、工况条件、气候环境、场景形态带来的各种复杂问题。因此，需要基于系统工程的角度构建车路云一体化协同自动驾驶的功能安全和预期功能安全体系，明确系统架构、系统功能、应用场景和服务内容，对系统的设备设施提出明确的功能要求、性能要求、数据要求、安全要求，以保障一体化協同自动驾驶的安全可靠运行。

2）道路智能化和驾驶智能化的发展不够协同，需要逐步规划高等级智能道路的建设，提高智能道路覆盖率，服务于一体化协同自动驾驶、智能交通管理和智慧城市建设。目前，国内部分城市和高速公路已规划建设了一批自动驾驶封闭测试场和开放测试道路，但这些都还处在小范围的测试验证和应用示范阶段，道路的感知定位、车路信息交互等方面的能力还不能满足自动驾驶的需求，更不具备协同决策或协同控制的能力，难以满足高等级自动驾驶对数据精度、数据质量的要求。因此，需要建设高等级的智能化道路，以推动自动驾驶规模商业化的落地应用。

3）需要提升网联终端渗透率，并持续探索车路通信演进技术，支持一体化协同自动驾驶及更加多样的应用。在提升渗透率方面，建议推进城市及高速公路路侧单元（roadsideunit，RSU）的部署，同时加速提升C-V2X前装量产。以城市场景作为示范，推进单城或单区域规模部署，降低边际成本。在车路高效通信技术演进方面，高等级一体化协同自动驾驶需要路侧协同感知或协同决策控制，车路之间的数据交互数据量更大、频率更高，需要更高性能的车路通信技术提供支持和保障。

4）一体化协同自动驾驶需要跨行业、跨地域互联互通，并不断探索开展应用服务创新和商业模式创新。在互联互通方面，一体化协同自动驾驶在具体推进过程中还有很多影响或限制因素，例如需要解决车辆数据开放应用、道路感知设施复用、道路信号控制数据使用和道路收费系统打通等问题，这需要深入研究和逐步推进。同时，需要借鉴专用短程通信（dedicatedshortrangecommunication，DSRC）应用的优秀做法，发挥C-V2X的演进优势，以一体化协同自动驾驶为基础，探索更多的应用服务和商业模式。

5）政策法规和标准建设是引领和支撑一体化协同自动驾驶发展的关键因素。应针对VICAD的不同发展阶段，提前研究和制定相关法规和标准。目前，国家和地方政策已推动自动驾驶道路测试进程。在标准层面，尽管多个标准化组织已制定一系列相关技术标准，但是，诸如道路基础设施、云控基础平台、功能安全和预期功能安全等一体化协同自动驾驶的核心技术标准还需加快制定。汽车、通信、电子信息、交通、安全各行业标准组织应加强协同，构建完善的一体化协同自动驾驶技术标准体系。