基于5G和车路协同的云端视觉分析对汽车环境感知能力优化的研究

柯晔伟

摘 要：智能汽车作为一种智能终端，具备环境感知能力、事态分析能力、情况处理能力和信息分享能力。本文针对智能汽车的环境感知能力优化展开研究，并提出5G和车路协同技术有助于云端视觉分析技术的发展，而云端视觉分析技术的介入对汽车环境感知能力有极大的优化作用，最后通过仿真实验予以验证。

关键词：云端视觉分析 环境感知能力 车路协同 智能汽车 通行效率

智能汽车作为一种高级人工智能，具备极强的环境感知能力，类似于人类的视觉、听觉、触觉等感知功能，主要用于感知车辆周围的环境信息，并将数据传输给汽车的“大脑”——控制单元。控制单元基于这些数据，完成对智能汽车的态势控制。因此，智能汽车只有具备精确的视觉分析能力和敏锐的环境感知能力，才能拥有出色的安全性及行驶效率。

1 概述

1.1 智能汽车环境感知能力的概念及现状

环境感知相当于智能网联汽车的眼睛，是其决策、控制执行的基础。环境感知系统是利用车载超声波雷达、毫米波雷达、激光雷达、视觉传感器及V2X通信系统感知周围环境[1]。现阶段，环境感知技术已经在智能汽车上得到初步运用，而探测设备的不同、精度的差异，决定了不同车辆对于环境感知能力的差别。而环境感知能力的差异性，直接决定了车辆的智能化程度：对于环境感知能力越强的车辆，其自动驾驶的功能越完备、智能化程度越高、主动安全性能越强。

1.2 云端视觉分析的概念及发展现状

在众多的环境感知技术中，视觉分析占有举足轻重的地位。视觉分析的精确性直接决定了环境感知能力的真实性和有效性。

传统的视觉分析是孤立的，即由本车的车载探测设备对环境进行探测，并将结果回传给本车控制系统，再控制执行器完成车辆驾驶行为操作。云端視觉分析是在传统视觉分析的基础上，将多源信息融合技术深度融合，实现多目标关联和参数融合[2]。现有的视觉分析通过激光探头感知实物，利用车载电脑对实物进行分析，产生下一步行动的应对策略。云端视觉分析与传统视觉分析的车载硬件设备基本一致，对实物的探测方法也基本相同。两者最大的区别在于对实物的分析不仅局限于本车车载电脑，更可以利用车路协同技术实现探测结果的云传输，并依托智慧道路的5G传输平台保障数据传输的稳定性和精确性，再基于大数据平台实现对探测结果的精确化、多角度、多样化分析，从而有效提升车辆的环境感知能力，使得控制模块能更加精准的做出驾驶判断。

2 车路协同技术对云端视觉分析技术提升的促进作用

前文已经阐述了云端视觉分析技术对于智能汽车环境感知能力的提升有着巨大的推动作用。而云端视觉分析技术的实现是基于一系列有层次的、完善的通信设施作为硬件基础，这个硬件基础就是车路协同技术。

区别于传统视觉分析只能以单车作为分析单元进行运算，云端视觉分析可以借助大数据和云平台完成对单车视觉成像的运算分析，并将分析结果分享给同区域内的其他智能车辆，有助于其他车辆对于自身所处的路况展开多角度分析。

通过以上分析可知，云端视觉分析技术的实现，需要有一下几个条件作为支撑：①不同的车辆之间、车辆与云平台之间都要有通信协议，数据信息的传输不能存在壁垒，必须无缝衔接；②车辆是一种移动终端，数据的传输形式只能是无线传输；③涉及车辆的行驶安全，视觉成像的解析必须非常精确，信息传输必须有足够高的速度作为保障；④同区域内车流量较大时，数据信息的传输量负荷激增，因此需要有足够强大的传输带宽予以保障。综上所述，建设智慧道路，基于5G通信网络和车载OTA技术构建车路协同硬件系统，保证智能汽车与智慧道路无缝融合，是实现云端视觉分析技术的必要途径，是增强车辆环境感知能力的有力支撑。

3 云端视觉分析技术对车辆环境感知能力优化的促进作用

3.1 环境感知能力对智能汽车道路安全性的必要性分析

技术进步推动了智能汽车自动驾驶水平的跨越式发展，随之而来的安全问题也引起了社会公众的广泛关注。为解决这个矛盾，已经有学者提出利用图像去雾技术融合人工智能来解决大雾天气下机器视觉能力降低的问题[3]。智能汽车作为一种人工智能，必须具备类似甚至超越人类感知水平的环境感知能力：对行驶过程中遇到的障碍物精确感知、对道路信号装置及时识别、对行驶区域内的道路状况能宏观感知。因此，环境感知能力是智能汽车行驶安全的重要前提和基本保障。

3.2 云端视觉分析及车路协同技术的结合对车辆环境感知能力提升的作用

云端视觉分析是车路协同技术的充分体现。基于智慧道路完善的数据传输链，单一车辆获取的视觉分析结果传输至道路基站，经道路基站中转后发送至云平台，经大数据分析处理，再回传至车载电脑，完成路况分析的闭环处理。另一方面，云平台集中收集区域内众多车辆上传的单点路况信息，经整合并宏观分析后可以得出区域内实时的整体路况信息，向每辆车发出路况提示和风险预警，从而优化单一车辆车载电脑的基础数据，引导其制定出最为合理的行驶策略。云端视觉分析的工作原理如图1所示。

4 基于OPTIMUS PRIME的仿真实验分析

前文从理论上分析了云端视觉分析技术有助于智能汽车环境感知能力的优化，而环境感知能力的优化有助于智能汽车道路安全性的显著提升。下文将基于OPTIMUS PRIME仿真系统，设置仿真场景、确定变量参数，运用控制变量法和对比分析法，进行仿真实验，通过仿真实验的手段证明云端视觉分析有助于优化智能车辆的环境感知能力，从而增强车辆的行驶安全性。

4.1 仿真系统介绍

OPTIMUS PRIME仿真系统是深圳柯博文公司开发的一款专用于智能网联汽车的仿真系统。该系统按照智能汽车的探测方式、底盘线控、控制程序、人际互动等不同模块设计了多套台架，每套台架都有独立的仿真分析功能，同时基于相同的数据分析平台，各个台架之间数据互通，可以进行联合仿真，实现智能汽车全方位的整体仿真。

4.2 确定实验参数

该仿真软件对道路和车辆的基本设定为具有基础和可持续升级的车路协同功能，能满足使用者对车路协同功能的各种要求。本文将道路环境设定为不变量，每次仿真实验中的道路场景和交通状况都是一致的；天气元素作为唯一变量，测试车辆视觉分析技术在不同能见度条件下的工作情况；云端视觉分析和传统视觉分析作为实验量，在相同条件下对这两个实验量进行对比分析，并选取车辆安全性的相关参数作为评判指标。

（1）道路环境参数确定

OPTIMUS PRIME仿真系统中的电脑软件预存了全要素道路模型，并设置了多种道路状况和天气模式，可对同一种路况进行多种气候条件下的仿真实验。系统中的道路平台为智慧道路，前置程序已经将车路协同的要素写入软件，使用者直接调用即可。

本次实验中道路状况作为不变量，需要首先确定。实验选择道路元素最丰富的城市道路最为基本场景，该场景中的车辆、行人、非机动车的数量和运动轨迹都是确定的，信号灯和指示牌等道路信号装置也都具备，甚至障碍物都是固定的。

（2）天气参数的确定

天气情况的变化会导致道路能见度状况出现极大差异，雨雪天气的能见度较差，影响视觉分析技术的探测效果，对车辆的环境感知能力产生严重干扰，从而导致车辆行驶过程中的不安全等级急剧飙升。因此，车载云端视觉分析系统能在不同气象条件、不同能见度的环境中持续有效工作，功能不受影响，保持极为精准的环境感知和视觉分析能力，是智能汽车安全驾驶的重要保障。本文选取晴天、薄雾天气、日间大雪天气、夜间大雪天气等4个场景作为变量，测试在高能见度、较差能见度和极差能见度的条件下，云端分析技术和非云端分析技术对于车辆环境感知能力稳定性的贡献。气象条件设定界面中，使用者可以根据实验的需要对实验的整体环境因素进行设定：①时间设置：设置中有上午、下午、夜晚和凌晨4个选项，每个选项对应的界面中光线强弱、照射角度都不同，充分拟合了人类对于自然光线的敏感程度；②气候设置：设置选项中可以对气象条件进行选择，相同气象条件下还可以对能见度进行区分，所能模拟的气象情况已经极大程度的贴合实际气象环境的条件。图2、图3、图4、图5分别对应晴好天气、薄雾天气、日间大雪天气和夜间大雪天气的道路效果。

以上4个实验场景中的光亮强度不同，光在空间的穿透能力不同，因此4个场景的能见度存在明显差异。为便于后续实验数据的计算分析，设定能见度分辨系数α，即正常人5.0的視力水平，在至多1000m范围内可以清晰看见物体的实际距离：晴朗天气可清晰看见物体的距离设定为1000m，α1=1；薄雾天气可清晰看见物体的距离设定为750m，α2=0.75；日间大雪天气可清晰看见物体的距离设定为500m，α3=0.5；夜间大雪天气可清晰看见物体的距离设定为100m，α4=0.1。

（3）车辆参数确定

实验中被测试车辆设定为确定量，不随实验场景和变量而改变，需要输入车辆的机械性能参数、视觉传感器参数和智慧性能参数。仿真实验中车辆的智能化程度极高，除了具备单车自动驾驶功能外，还具备5G和OTA无线传输和信息交换功能，依托视觉分析设备和远程在线导航实现云端视觉分析功能。

4.3 仿真实验结果分析

设置好各项参数后，按照车辆具备云端视觉分析能力和不具备动态视觉能力2种情况，依次选择晴朗天气、薄雾天气、日间大雪天气和夜间大雪天气等4个场景作为变量，进行仿真实验。实验结束后，选取①通过相同道路所使用的时间T；②通过相同道路的行驶效率提升程度δ；③紧急避险的次数C等3个参数，分析采用列表法和图像分析法进行对比分析，旨在通过数据分析对比，验证云端视觉分析对于车辆环境感知能力的提升作用。

（1）通过相同道路所使用的时间

本次仿真实验选取的道路及路况条件完全相同，区别仅在于时间不同、天气状况不同，因此不同场景的能见度不同，从而导致视觉分析系统的环境感知能力存在差异。8次仿真实验观测到的通过相同道路所使用的时间T如图6所示。

通过分析图6可知：①晴朗天气场景下，道路能见度高，视觉分析系统受干扰少，可视范围内的探测精度高，具备云端视觉分析技术的车辆和不具备云端视觉分析技术的车辆通行耗时相差2.96s，行驶效率提升6.4%。②薄雾天气场景下，能见度有所降低，具备云端视觉分析技术的车辆和不具备云端视觉分析技术的车辆通行耗时相差5.77s，行驶效率提升10.08%。③日间大雪天气场景下，道路能见度进一步降低，具备云端视觉分析技术的车辆和不具备云端视觉分析技术的车辆通行耗时相差12.46s，行驶效率提升15.9%。④夜间大雪天气场景下，道路能见度最差，具备云端视觉分析技术的车辆和不具备云端视觉分析技术的车辆通行耗时相差21.66s，行驶效率提升21.3%。

由上述结果分析可知，道路能见度越低，对视觉分析系统的干扰越大，因此具备信息云交互能力的云端视觉分析系统的优越性越明显，可在相对较短的时间内完成安全通行，行驶效率提升明显。

（2）通过相同道路的行驶效率提升程度

通过分析图6可知：具备云端视觉分析功能的车辆和闭环视觉分析车辆在不同能见度状况下行驶过相同道路所需要的时间，并已知能见度状况越差，云端视觉分析功能的作用越大。为进一步量化云端视觉分析功能对车辆通行效率的提升作用，引入公式（1）计算出各天气场景下的行驶效率提升度δ。

其中，T1为传统视觉分析条件下车辆运行时间；

T2为云端视觉分析条件下车辆运行时间；

α为能见度分辨系数。

经计算，得出，，，。分析以上结果可知，与采用传统视觉分析技术的车辆相比，应用云端视觉分析技术的车辆，在不同气象条件下，行驶效率提升度随着能见度降低而显著提升，能见度越糟糕，云端视觉分析技术的用武之地就越大，车辆的通行效率就越高。因此，云端视觉分析技术充分保证了汽车运行的流畅性和高效率。

（3）仿真实验中的车辆每次都是安全的无误的抵达目的地，但是在行驶过程中存在不同程度的紧急避险，每个场景下的紧急避险次数如表1所示。

由表1分析可知，相同道路状况下，随着气象条件和能见度状况的恶化，若智能车辆仅具备传统视觉分析功能，则紧急避险次数较高，以2倍的趋势增加，而具备云端视觉分析功能的智能汽车紧急避险的次数却相对较少。紧急避险次数越少，说明车辆智能驾驶的安全系数越高。另一方面，紧急避险次数越少，说明车辆对道路状况的掌握具有及时性和精准性，对道路危险状况具备“超视距”预判能力，因此车辆控制系统生成的驾驶策略具有一贯性和极高的精准度，行驶流程十分顺畅，通行效率高。

综上所述，仿真实验数据证明：具备云端视觉分析的智能车辆，利用云端视觉分析系统的信息前置性，消除因环境变化、能见度改变而造成的判断不稳定性，始终维持极其敏感和准确的环境感知能力，为控制系统提供精确的道路信息，协助控制系统制定具有一贯性的最优行驶策略，有效提升车辆的通行效率和安全性。

5 结束语

5G和车路协同技术的发展为云端视觉分析技术的诞生和腾飞奠定了坚实的基础。云端视觉分析技术是利用网络通信手段对传统视觉分析技术进行的功能拓展，能有效避免单一车辆视觉分析系统存在的局限和误差。云端视觉分析技术的应用，优化了车辆环境感知能力，增强了行驶路线规划的精确性，帮助智能汽车完成了从“单打独斗”到“集团作战”的蜕变，实现了由点到面再到云端平台的升华，完全融入了城市立体智慧交通体系，极大的提升了行驶效率和安全性。

2020年福建省教育厅中青年教师教育科研项目（JAT201057）。

参考文献：

[1]陈艳梅，薛亮.智能网联汽车环境感知技术揭秘[J].汽车与配件，2022，No.1335（17）：59-63.

[2]彭鹏.基于多源信息融合的智能汽车环境感知技术分析[J].信息与电脑（理论版），2022，34（21）：53-55.

[3]吕栋腾，杨育良.机器视觉下的雾天车行环境感知研究综述[J].自动化与仪器仪表，2022，No.277（11）：1-6.