面向智能网联汽车的车路协同感知技术及发展趋势
2025-03-21 16:47阅读：
引用本文
张新钰,
卢毅果, 高鑫, 黄雨宁, 刘华平, 王云鹏, 李骏. 面向智能网联汽车的车路协同感知技术及发展趋势.
自动化学报, 2025, 51(2):
233−248 doi:
10.16383/j.aas.c230575
Zhang Xin-Yu, Lu Yi-Guo, Gao Xin, Huang
Yu-Ning, Liu Hua-Ping, Wang Yun-Peng, Li Jun. Vehicle-road
collaborative perception technology and development trend for
intelligent connected vehicles. Acta Automatica Sinica, 2025,
51(2): 233−
248 doi: 10.16383/j.aas.c230575
http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c230575
关键词
智能网联汽车，车路协同，协同感知，安全通信，自动驾驶
摘要
随着感知技术的不断发展以及智能交通基础设施的完善, 智能网联汽车应用在自动驾驶领域的地位逐渐提升.
自动驾驶感知从单车智能向车路协同迈进, 近年来涌现出一批新的协同感知技术与方法.
本文旨在全面阐述面向智能网联汽车的车路协同感知技术, 并总结相关可利用数据及该方向的发展趋势.
首先对智能网联汽车的协同感知策略进行划分, 并总结了不同感知策略具备的优势与不足;
其次, 对智能网联汽车协同感知的关键技术进行阐述,
包括车路协同感知过程中的感知技术与通信技术; 然后对车路协同感知方法进行归纳,
总结了近年来解决协同感知中感知融合(Perception fusion, PF)、感知信息选择与压缩(Perception selection
and compression, SC)等问题的相关研究; 最后对车路协同感知的大规模数据集进行整理,
并对智能网联汽车协同感知的发展趋势进行分析.
文章导读
汽车产业作为国民经济的支柱产业, 其自身规模大、带动效应强、国际化程度高、资金技术人才密集, 必将成为新一轮科技革命以及中国制造业转型升级的重要支柱[1]. 近年来, 随着车辆制造业迅速发展, 通信技术及人工智能技术的逐渐介入,
自动驾驶领域进入了蓬勃发展的时期. 自动驾驶旨在提升道路交通的安全性、流通性并降低人力成本. 在自动驾驶场景中, 车辆通过传感器感知周围环境并作出决策,
其感知任务包括目标检测、跟踪和语义分割等[2]. 然而, 单一个体车辆的感知具有很大局限性,
如远距离目标分辨率较低,
容易被忽视,
存在遮挡问题,
对转角处的盲区信息、视距外的路况信息难以获取, 这些问题很大程度上影响了自动驾驶的安全性与可靠性[3−5].
因此, 利用多个智能体进行协同感知以提升感知范围并增加感知鲁棒性逐渐成为一种研究趋势. 车路协同, 又称车路融合或协同感知, 是一种利用周围其他智能网联汽车、智能基础设施或周围能通信的所有其他智能体辅助感知的一种自动驾驶技术[6].
如图 1所示, 协同感知中智能网联汽车和路端基础设施上均可配备多种传感器, 如激光雷达 (Light detection and ranging, LiDAR)、相机等, 协同感知过程中, 智能网联汽车与路端设备可以相互通信进行信息互补,
相较个体感知而言具有更大感知范围. 本文在后文中会多次提及智能网联汽车、智能道路基础设施等关键词, 为方便起见, 本文用智能体来指代智能网联汽车、智能道路基础设施和其他与智能网联汽车通信的智能设备.
图 1 车路协同示意图
目前, 已有研究[6−14]针对车路协同进行了综述, 但这些文章或对最新的车路协同进展未总结完善,
或未重点提及面向智能网联汽车的协同感知技术, 因此, 研究者们迫切地需要面向智能网联汽车的协同感知技术的进展对近期工作进行总结. 本文将从车路协同策略、车路协同感知关键技术和车路协同感知方法这三个角度分别对协同感知技术在智能网联汽车领域的发展进行阐述,
同时介绍多个用于不同协同感知任务的数据集, 最后总结当前该领域内的问题与挑战.
图 2 协同感知策略对比图
图 3 基于点云数据的协同感知方法
车路协同感知是目前智能网联汽车发展中的关键技术之一, 在智能网联汽车领域具有重要意义,
它为未来交通环境的智能化和安全性提供了有力支持. 本文详细阐述了车路协同感知技术,
涵盖了协同策略、感知技术以及通信技术等多个方面, 并介绍了近期对协同感知技术的多个研究重点;
此外, 本文也总结了协同感知任务所需的大规模数据集,
为研究者提供了重要的数据来源.
同时, 本文也点明了后续研究中的困难与挑战.
随着交通环境的复杂化,
如何获取大规模数据并保护车辆用户隐私、如何对协同的安全性考量、如何选择合适的车路协同部署场景都是未来研究的重点.
作者简介
张新钰
清华大学车辆与运载学院高级工程师. 主要研究方向为智能驾驶和多模态信息融合. E-mail:
xyzhang@tsinghua.edu.cn
卢毅果
新疆大学软件学院硕士研究生. 主要研究方向为计算机视觉和语义分割. E-mail:
yiguolu@stu.xju.edu.cn
高鑫
中国矿业大学 (北京) 人工智能学院博士研究生. 主要研究方向为模式识别, 多模态融合和图像处理. 本文通信作者.E-mail:
bqt2000405024@student.cumtb.edu.cn
黄雨宁
新疆大学软件学院硕士研究生. 主要研究方向为目标检测及其在计算机视觉中的应用. E-mail:
107552204759@stu.xju.edu.cn
刘华平
清华大学计算机科学与技术系教授. 主要研究方向为智能机器人感知, 智能机器人学习与控制. E-mail:
hpliu@tsinghua.edu.cn
王云鹏
中国工程院院士,
北京航空航天大学交通科学与工程学院教授. 主要研究方向为协同车辆基础设施系统和智能交通控制
李骏
中国工程院院士,
清华大学车辆与运载学院教授.
主要研究方向为智能网联汽车,
自动驾驶,
发动机结构设计和智能化参数设计.
E-mail: junliqh@163.com
