目录
一、概述
车路协同是车、路、人、环境之间，能够做到实时动态的交互联动。车路协同采用先进的无线通信和互联网技术，在全时空动态交通信息采集与融合的基础上开展车辆主动安全控制和道路协同管理，充分实现人车路的有效协同，保证交通安全，提高通行效率。
例如直接在路灯杆上装各类传感器，包括摄像头、毫米波雷达、激光雷达等，把各种传感器采集到的信息综合之后，传到车联网和每辆车上。路灯杆上的传感器更多更全，而且视野更高、不容易被遮挡，采集到的信息比单车传感器更好。
单车智能主要是让车变得聪明、而车路协同更强调让路变聪明。两者属于两种技术路线，但并不冲突，而是互为补充。
二、车路协同应用场景
中国汽车工程学会发布了《合作式智能运输系统车用通信系统应用层及应用数据交互标准》，其中列举了车路协同17个应用场景，如下图所示：
三、相关研究
3.1 多源感知数据融合算法 (Fusion)
多源数据融合指对不同设备的检测结果进行时空判别与匹配，对于不同设备检测到的同一目标，进行定位修正、信息互补、id重构等工作，实现大范围内的车辆连续检测跟踪。
多源感知数据融合具有不同源数据匹配精度低、源数据噪声干扰导致融合数据质量差、直接融合后数据失真与细节丢失等难点。
现有工程中常用融合办法主要是加权平均、多源数据路径预测。现有方法在融合多源信息加权平均容易受到异常值的影响，而路径预测过程未结合最新源数据信息，难以避免失真问题。
可采用匈牙利匹配算法与卡尔曼滤波为内核，经过局部坐标系转换，并融合丰富微观交通运动特征的时空轨迹历史数据，实现了同目标轨迹的精准匹配，滤波过程较好的剔除异常值，在滤波过程中对轨迹点高频采样以保证融合结果的低延迟高精度。
算法逻辑：
01.对传入数据sourcePkg规范格式：顺序处理secMark（分钟内毫秒时间）、筛选需要融合的机动车目标。
02.最小二乘形式提取轨迹运动特征参数，存至矩阵moMTX。
03.逐个遍历source（各数据源），划定参数距离范围作为可匹配候选配对，将所有配对形式存入link。
04.对link采用hungarian算法生成最优匹配。
05.按匹配对刷新目标ptcId。
06.对同ptcId目标轨迹按时间序列排列，并送入kalman滤波融合，生成融合轨迹。
07.计算速度、车辆尺寸等其它融合参数。
08.取融合轨迹当前时刻点返回融合值。
3.2 在线轨迹平滑算法 (Smooth)
车辆检测产生的坐标抖动、偏移十分常见且很难避免。抖动产生的位置、速度等信息的偏差将直接引起多场景下风险研判效用的下降。如何适配不同厂商的检测精度同时实现对高频并发数据的在线处理是平滑算法的难点。
3.2.1 指数平滑算法（Exponential Smooth）
3.2.2 多项式平滑算法（Polynomial Smooth）
拟合类平滑，根据末尾point_num个轨迹点时空位置进行多项式拟合（np.polyfit），拟合次数由fitting_times定义，拟合后按最后帧时刻取瞬时位置作为平滑后轨迹点。
3.3 交通流密度估计
计算流程：
1）根据车辆位置、航向等识别车辆所属车道ID；
2）统计区域内各车道的车辆数；
3）计算区域内各车道的平均车速；
4）根据车辆速度、加速度等确定车辆停车次数；然后将初步计算得到的数据作为输入经由密度估计模型计算最终得到区域交通密度；
5）通过对多个RSU计算得到的区域交通密度进行处理，如加权平均，即可得到全域交通密度。
3.4 跟驰模型
跟驰模型是运用动力学的方法来研究前导车运动状态变化所引起跟驰车的相应行为，通过分析各车辆逐一跟驰的方式来理解单车道交通流特性，从而在驾驶人微观行为与交通流宏观现象之间架起一座桥梁。
跟驰模型适用于无法超车的单一车道上车辆列队行驶。
非自由行驶状态车辆的运行特性：制约性、延迟性、传递性。
制约性：紧随性条件、车速条件和间距条件构成了车辆跟驰的制约性。即前车车速制约着后车车速和两车间距。
延迟性：假设反应时间为T，那么前车在某时刻t的动作，后车在(t+T)时刻才能作出相应的动作，这就是延迟性。
传递性：一旦第一辆车改变运行状态，它的效应将会一辆接一辆地向后传递，直至车队的最后一辆，这就是传递性。
模型驱动的跟驰模型：主要是利用数学公式揭示跟驰行为中速度、车头时距、加速度等之间的关系，随着研究深入，跟驰模型引入了驾驶员偏好、注意力不集中等因素。
数据驱动的跟驰模型：以车辆跟驰驾驶实测数据为基础，利用数据驱动方法挖掘出内在关联，从而实现对跟驰行为的预测。近年来，信息感知与获取、大数据、人工智能等技术快速发展，推动了数据驱动跟驰模型的快速发展。
基于传统机器学习理论的跟驰模型：基于支持向量回归（SVR）方法、随机森林（RF）算法、混合神经网络模型（CNNM）。
基于深度学习的跟驰模型：基于RNN的微观车辆跟驰模型，能够准确地捕捉和预测交通波动。模型输入考虑了时间序列数据，输入变量包括前车速度、间隙距离和后车车辆的速度，模型输出为主车的加速度和速度。通过速度和加速度的时间积分获得预测轨迹。
模型与数据混合驱动的跟驰模型：
1）基于智能驾驶者模型（IDM）与径向基函数神经网络（RBFNN）的组合型车辆低速跟驰模型。前者侧重于保证跟驰的安全性与舒适性，后者则能够输出与真实值更为相符的预测结果，最后通过改进的最优加权目标函数得到最优组合权重，从而建立起了IDM-RBFNN组合模型。【基于IDM与RBFNN的组合型车辆低速跟驰模型[J]】
2）采用自适应卡尔曼滤波算法，构建长短时记忆神经网络（LSTM）数据驱动模型与IDM理论驱动模型相结合的跟驰模型。数据采集系统包括车载激光测距仪、激光扫描雷达、OBD-CAN采集器、GPS和计算机。模型输入变量为跟随车辆与前车的速度，车间距，速度差，输出变量为跟随车辆的加速度。利用融合模型对原始轨迹进行模拟，说明它能够准确描述车辆在跟车情况下的行驶行为，加速度和速度更接近真实值。【Fusion Modeling Method of Car-Following Characteristics[J]】
SUMO：Simulation of Urban Mobility，是开源、微观、多模态的交通仿真软件。1）开源；2）易提取车辆与道路信息；3）自带有很多跟驰模型和换道模型（如IDM、ACC、CACC跟驰模型）；4）VISSIM无法进行模型的开发，而SUMO可以利用TraCI（(Traffic Control Interface)）接口用Python语言实现模型开发。
3.5 换道模型
换道模型：决定在多车道道路的车道选择和换道时的速度调整。
1）Gipps模型。Gipps模型是最早提出的换车道模型，建立在有障碍(信号灯、障碍物等)情况下。模型中换车道行为分为产生意图、探测条件、动作实施三个部分。整个过程为：(1)当前地点堵塞或是有大车，存在可以变换的车道，驾驶员产生换道的意图。(2)检测换道条件，采用可接受间隙模型即在进行换道的时候换道车辆与目标车道的前车、后车之间必须要有足够的间隙以保证不会发生事故，换道才有可实施的可能性。(3)只有前面的条件都满足的时候，才能进行换道的行为。在 换道实施的过程中采用的是刹车减速的行为。
2）MITSIM模型。该模型框架基于Gipps模型框架，同时对Gipps进行了一个补充和发展。 在MITSIM模型中一个重要的发展就是首次把换道行为分为强制性换车道(MLC)和判断性换车道 (DLC)两种。强制性换车道定义为当车辆进入出口匝道，经过一个堵塞路段、避免进入禁止使用路段以及断头路等情况下发生的换车道行为。MITSIM模塑就换道的框架基本上采用的是Oipps的模型框架，只是在部分上有所不同，如意图产生方面分为判断性换车道和强制性换车道。对判断性换车 道采用期望速度，也就是在换道车前方有车辆的情况下，换道车达不到理想的期望速度时，如果通过换道可以达到期望速度，换道车驾驶员就会产生换道的意图。强制性换车道则采用的是Gipps模 型的方法。
3）CORISM模型。整个模型采用的是MITSIM的模型框架。
4）SITRAS模型。一个基于人车单元的智能化的仿真系统，主要对交通系统在堵塞、事故的情况下进行分析和管理的模型。在该模型中采用了Multi-agent智能主体，同时对换车道的方式进行了划分。
5）CA换车道模型。通过简单的微观局部规则揭示了自然发生的宏观行为，是目前研究时空离散的理想物理模型。CA模型最基本的组成包括4个部分：元胞 (cell)、元胞空间(lattice)、邻域(neighbor)及更新规则(rule)。模型具有时间离散等距、空间离散齐性、状态离散有限、计算同步并行、更新规则局部以及变量维数无限等特征。
429
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
