多年来，我国交通领域已经积累了大量的交通数据。通过总结经验和教训可以得出，我国交通领域在数据方面存在以下2个问题：1） 交通语义信息不足，会导致智能分析技术的应用不够全面、深入，多种交通感知方式缺乏融合协同。缺乏对交通事件的实时分析、预警和实时响应，缺乏对交通信息的全面融合和深度应用。2） 各个系统业务、数据散乱，会形成信息孤岛。系统的孤立带来流程割裂，单一系统无法自动完成整个流程的运转和监控，系统间流程对接困难[1-2]。这些问题导致交通部门的管理者无法有效获取数据并根据数据做出正确的决策。
由于当前我国业内交通环境语义信息采集不足，因此智能交通的业务数据存在信息孤岛、多种交通数据缺乏融合协同等问题，笔者立足于交通行业的实际需求，研究车路协同感知一体化平台，为多种现有的交通业务平台提供数据接口和一致化分析平台。
1 系统总体架构
系统采用分层结构进行设计，总体技术架构由5个层次组成，自下而上依次包括边缘感知层、网络通信层、基础设施层、数据资源层以及云端应用层。该车路协同感知一体化平台的系统设计及其相关的应用规划方案如图1所示。
1.1 边缘感知层
现有的智能交通技术在数据的全面性、准确性以及实时性等方面仍有待改进，特别是自动驾驶技术的发展对交通信息提出了更高的要求。为了实现立体感知交通场景的功能，需要围绕“车-路-人-环境”4个要素模型构建、多模态的硬件感知系统，在特定区域的边缘计算服务器中卸载人工智能庞杂的计算量，从而形成车路协同感知一体化平台的边缘感知层。
边缘感知层主要借鉴自动驾驶、车路协同以及物联网3个领域的技术范式：1） 针对车端感知，笔者基于自动驾驶的技术范式，采用目前普遍使用的传感器套件，包括北斗全球卫星导航系统、车载摄像机、毫米波雷达以及激光雷达等设备并通过自研的车载单元（On-Board Unit，OBU）实现车端感知数据的对外开放和网络互联。2） 针对路侧感知，结合自身在交通行业车路协同领域的相关实践，除了选择性地采用自动驾驶常用传感器之外，还导入了交通行业广泛采用的固定式道路交通数据检测技术（包括橡胶管、压电传感器以及磁化线圈等）和信号灯系统，从而盘活交通行业现有的存量资产。最后通过路侧单元（Road Side Unit， RSU）和车载单元OBU对车辆信息-交通信息进行交换与互。3） 针对行人和环境的感知，提供平台开放接口，以广泛地兼容主流物联网设施（包括附着于行人身上的手机数据、各类可穿戴式设备以及环境中现有的道路、气象检测设备）。
1.2 网络通信层
智慧交通中主要使用无线电信号与兼容系统进行通信。目前，车联网的通信标准分为专用短程通信（Dedicated Short Range Communication，DSRC）和蜂窝车联网（Celluar Vehicle to Everythind， C-V2X）2种主流技术路线[3]。然而，4G/5G 蜂窝网、5.8G DSRC 与 C-V2X直连模式是基于不同的底层通信协议，采用的通信频率不同，性能参数和指标也不相同，而基于几种不同通信协议的设备目前无法进行通信及互联。
车路协同感知一体化平台的网络通信层针对上述问题提出了多模式边链路通信的解决方案。针对车路协同系统中不同应用场景对通信带宽、实时性以及准确度等方面的不同需求及车路通信快时变的特性，基于多模多频段通信技术进行兼容共存设计。研究5G-V2X、LTE-V2X、5.8G DSRC 及 5G 蜂窝网等无线通信技术在智能路侧设备的互联互通，解决多模共存的信号干扰、电磁兼容以及路网无缝覆盖等问题，发挥各接入技术的优势。该技术能满足车
智慧交通中车路协同感知一体化
平台设计
江 涛1，2 刘咏平2
（1.清华大学深圳国际研究生院物流与交通学部，广东 深圳 518055；
2.深圳市金益科技股份有限公司新型车联网通信技术工程研究中心，广东 深圳 518052）
摘 要：针对当前交通行业存在交通业务数据信息孤岛、多种交通数据缺乏融合协同以及交通环境语义信息采集不足等问题，该文提出构建车路协同感知一体化平台。通过设备接入、设备管理以及设备协同等技术，实现统一接入多类型、多协议以及多场景交通环境感知设备的目标。利用车联网泛在通信网络、多传感器融合、边缘计算以及计算机视觉图像语义分割等技术构建交通全要素资源的数字化图谱，为分析交通问题、掌握交通出行特征以及预测交通发展趋势提供丰富的语义数据支撑，同时为多种现有的交通业务平台提供数据接口和一致化分析平台。
关键词：智慧交通；车路协同；环境感知；多传感信息融合；数据虚拟化
中图分类号：U 491 文献标志码：A
用无线通信技术（vehicle to X，V2X）在高动态复杂环境下对协同组网能力的要求，支持自适应敏捷组网，针对不同应用场景选择最优的通信技术，加速车路协同在不同应用和不同需求场景中的应用，为参与交通的人、车、路以及设施之间提供了安全、可靠的信息通道。
1.3 基础设施层
基础设施层主要具备2个功能：外部设备的管理和为大数据/云计算提供设备支撑。外部设备管理主要是对接入的各类传感器进行管理、监控和远程维护，实现高时效调度异构传感器网络的功能，在多源感知硬件系统出现局部信号失效时完成故障检测，从而提高系统的鲁棒性，进而实现全天候运行的目标。由于传感器分布空间广泛、数据格式各异，因此大数据/云计算基础设施需要具备分布式存储架构。为了满足分布式、大批量以及多种格式交通信息的实时存储、传输和计算需求，结合多源异构传感器数据的流式、非结构化特点，灵活运用集群化、虚拟化以及离散存储等技术构建交通大数据云存储中心。该层支持批量计算、流计算，可以按需对计算资源进行分配，实现大批量、高速率数据实时计算和并发访问的功能。
1.4 数据资源层
路侧设施除各类传感器之外，还有大量的诱导屏、信号灯、标识标牌以及动态限速标识等智能设施，这些设施一般采用专用接口，其对数据格式的兼容性较差，这就是交通大数据的多源异构现象。因此，通过数据虚拟化技术整合多种资源，通过异常检测、数据清洗以及数据集成等步骤解决数据属性不完整、格式不统一以及来源有冲突等问题，为上层用户提供统一的数据视图。支持知识图谱、聚类分析、时间序列分析、多元统计分析、专题情报分析
图1 车路协同感知一体化平台的总体架构其他
以及趋势演变分析等大数据分析算法，实现隐藏规律挖掘、关联关系发现和未来趋势预测的功能。构建并持续更新交通系统动力学模型库、交通诱导方法库和相关的专家知识库，为大数据挖掘提供支撑。同时，将这一类数据产品对外发布。
1.5 云端应用层
该文基于数据资源层产生的模型库、方法库以及专家知识库等初级数据产品，结合自身对交通领域的行业见解，面向3类用户群体形成定制化的解决方案：1）面向服务的解决方案主要聚焦于交通管理与控制（用户为交警局，方案任务主要为交通状态监管、交通控制优化以及特种车辆优先等）、交通运输管理与控制（用户为交通局，方案任务主要为道路运行状态监测与监管、公共交通服务监管以及城市停车监管等）以及交通规划与管理（用户为规划局，方案任务主要为城市交通土地利用监管、道路交通网络综合评价以及道路交通出行预测等）。2）面向公众服务的解决方案有3个。第一，面向交通信息类服务，形成关于近场支付、车内路牌、定位导航以及交通气象等应用。第二，面向交通运行效率类服务，主要包括车内信号灯、车速引导、拥堵绕行提醒以及实时最优路径选择等应用。第三，面向交通安全类服务，主要包括安全预警、违章提醒、车辆失控处置以及出行行为管理诱导等。3）面向企业服务的解决方案根据目前的主流行业趋势大致有4个方向。第一，智能网联汽车的超视距安全信息服务、动态高精度地图服务。第二，智能公共运输的车辆运行监管、安全警告、车辆失控处置以及车内安全服务。第三，智能物流园区的车辆运营监管、安全警告、车辆远程遥控以及运输车队服务等。第四，其他细分应用，例如智能停车、共享汽车服务、汽车保险评估以及车路协同大数据交易等。
2 平台功能设计
智慧交通车路协同感知一体化平台以数据驱动、融合感知、云端共享以及安全可靠为目标，深度融合车联网、人工智能、大数据、云计算以及5G通信等技术，实现交通大数据即时处理、交通环境实时智能分析、交通态势动态研判、交通决策自动生成与模拟预演的一体化流程。车路协同感知一体化平台包括设备管理分平台、数据采集与分发分平台、感知系统任务分平台以及交通数字孪生分平台等。车路协同感知一体化平台的总体功能框架如图2所示。
2.1 设备管理分平台
设备管理分平台通过资源扩展来实现异构设备的统一硬件接入，主要包括异构传感器、通信单元以及边缘计算设备等。支持设备的认证识别、状态监控、远程调试、远程OTA升级、告警管理及生命周期管控等人机交互的综合管理功能。除了实现接入设备的功能（例如环境感知、通信以及交互控制等），还面向上层平台和用户提供统一的功能接口。设备管理分平台采用嵌入式平台，在保证系统性能可靠性的同时兼顾功能拓展的灵活性。
2.2 数据采集与分发分平台
根据交通行业关于信息查询的业务需求及数据关系，对数据进行分析、归类，建立结构性与关联性良好的交通元数据组织模型并对交通多源异构数据进行异常检测、数据清洗。基于交通元数据模型，通过规则、相似性度量以及深度学习等方法关联异构数据，获得结构化的交通数据资源。通过数据虚拟化技术[4]提供交通数据服务，支持交通基础数据服务间的重组和再加工。同时，采用数据即服务（Data as a Service，DaaS）模式，通过排序、删除、合并以及数据结构调整等方式生成新的数据服务：根据交通行业各部门的业务需求，对数据进行解读和凝练，快速生成调查报告并采用按需分发和推送的方式发布数据产品，再根据用户评价反馈对交通数据产品进行改进。
2.3 感知系统任务分平台
协同感知平台对车端环境信息和路侧环境信息进行异构数据融合，从而提取关于交通场景的态势信息，针对“车-路-人-环境”4个要素模型构建、多模态的交通语义模型，进而获取关于交通态势的立体认知。该平台包括车端、路侧以及泛在交通信号设施（例如诱导屏、信号灯、标识标牌以及动态限速标识等）3种信息来源，通过RSU的融合C-V2X、DSRC以及5G公共网络等多模通信链路使交通环境信息与“车-路-人”之间进行信息交互与设备联动。为了缓解路侧感知信息对网络带宽的压力、降低任务的响应时延，可以通过计算卸载技术把云计算中心的感知任务卸载给具有丰富计算资源的边缘节点[5]。为了进一步提高感知任务的服务效率，针对情景感知的交通服务，情景的相似性使用户对于服务内容的需求也具有相似性，因此可以通过边缘计算设施的服务缓存和车间内容分享来降低路侧感知任务对网络流量的负载。还可以通过分析网络通信、计算和服务资源之间的相互作用机理，使它们联合优化，完成灵活卸载感知任务和智能管理计算资源的任务[6]。
2.4 交通数字孪生分平台
交通数字孪生分平台利用协同感知分平台采集的实时交通数据，在计算机虚拟空间中构建交通场景“车-路-人-环境”4个要素的数字模型（称为数字孪生体）来模拟在实际交通环境中的交通参与实体。通过观测、分析、推演和控制数字孪生体来研究交通中车流、物流以及人流等对象的行为，从而制定交通管控决策，对各种交通场景下的便捷出行、交通诱导以及安全驾驶具有辅助作用。交通数字孪生分平台主要有以下2个功能：1） 通过数据接入和重建交通场景来构建动态语义高精度地图。2） 基于数据驱动的真实交通环境和基于虚拟数字孪生体的联动响应。
动态语义高精度地图由静态模型和动态感知交通信息组成。静态模型主要为预置的常规高精度地图、建筑物信息模型以及基础交通设施CAD模型等。动态感知交通信息则由协同感知平台来提供，主要包括时空坐标（车辆）、属性信息（车辆）、天气信息以及交通信号等多源异构实时数据。
通过协同感知任务平台推导真实交通场景与虚拟交通环境的构建关系，实现交通实体要素在虚拟场景中的显示与动态设定并对动态语义高精度地图进行初始化。通过（在真实交通环境中）在线数据融合、虚拟交通环境构建以及交通实体-孪生体联动响应的流程，迭代实现交通数字孪生关于真实交通环境的渐进收敛。动态语义高精度地图不仅是交通全要素资源的数字化图谱，而且还是交通数字孪生的载体平台，可以为交通行业现有的多种业务数据系统提供一致化的数据接口和分析平台。
3 系统实现及关键技术3.1 数据虚拟化技术
系统接入数据源不仅包括激光雷达、视频传感器、毫米波雷达、磁化线圈、压电传感器以及微波雷达等传感器信息，而且还包括开源情报、人力情报等报告的关于交通事件的检测信息。因此，交通数据是典型的多源异构信息，为了克服多源、异构以及分布式的交通数据源，需要采用数据虚拟化技术来实现跨数据源的整合以及统一的访问接口。构造
源数据层对多源异构数据源的接口进行统一管理，实现各种不同数据源的访问细节与用户的解耦。在围绕源数据层构造的过程中，尤其要注意异构数据源的集成、异质数据的集成以及元数据组织模型的构造。
针对交通数据中结构化、半结构化与混合结构数据的问题，在源数据层分别提供不同的访问接口：对于存储结构化数据的关系型数据库来说，可以利用ODBC 接口通过SQL 语言进行访问；对于非结构化数据来说，可以采用REST 或JSON 等接口；还要为两类数据访问接口提供统一的API 访存接口，以屏蔽数据源数据模型的异构性（解决数据源的异构性是保证数据服务的基础）。对于数据异质性问题（包括结构差异、命名差异、语义差异和内容差异4个方面[7]）来说，可以利用XML 语言对所需的数据进行统一描述，以确保数据的正确性、完整性和一致性，从而满足数据模型对可移植性的要求[4]。元数据是数据虚拟化系统运行的核心，要针对交通行业信息查询的业务需求特点对元数据进行分析、重新归类，建立结构性与关联性良好的、通用的元数据组织模型。
图2 车路协同感知一体化平台的功能设计框架
设备管理平台
数据采集与分发平台
交通数字孪生平台
感知系统任务平台
面向企业服务
应用服务总线
面向公众服务面向服务
3.2 车路协同多传感信息融合
车路协同多传感信息融合包括车端传感器、路侧传感器以及车端-路侧协同3种信息融合方式：1） 车端传感器信息融合激光雷达、视觉传感器的信息对3D目标进行检测，以通道分组卷积作为基本单元构造轻量型卷积网络并提取目标的特征，同时汇集多空间分辨率的特征图的目标边界结果；通过多层次级联检测网络组成检测框架，实现对前一层预测结果的重定位和再识别，以提高目标检测的精度。2） 路侧传感器一方面使用类似的级联深度神经网络模型融合摄像头、毫米波雷达以及激光雷达的信息，以感知周围环境。通过提取交通路况信息向智能网联汽车和云控中心分发交通态势信息；另一方面作为边缘节点汇集信号灯、前方交通事故预报以及天气数据等信息，基于D-S 证据理论[8-9] 结合已经获得的交通态势信息对前方可行使区域进行感知决策。3） 车路协同融合是将分别来自车端和路侧的交通数据进行融合，与孤立的车端或路侧的多传感信息融合相比，在多种传感器数据的空间配准和时间配准上有许多细节需要注意。
由于车端传感器的位置在路侧传感器，因此存在较大的差异，而利用最小二乘法、广义最小二乘法只有在量测误差比较小的情况下进行空间配准才能取得较高的精度。对于车路协同多传感器融合的空间配准来说，需要通过考虑各个平台的空间分布特点来获得传感器间的配准模型。基于摄像机成像原理并结合BDS定位信息建立车端坐标系、路侧坐标系和世界坐标系的变换关系模型，从而获得关于交通场景中目标数据的统一描述。时间配准要考虑车端和路侧传感器在输出频率上的差异，利用最小二乘准则进行涉及时间配准算法，利用多线程同步方式在时序上对车端、路侧的传感器信息进行配准。
3.3 语义高精度地图
该项目的语义高精度地图的研究重点在于动态更新、获取语义信息，这主要涉及车辆道路场景的语义理解问题，其支撑技术为语义分割技术。笔者准备了2种道路场景语义分割的技术方法（相互作为冗余备份）。
基于图像的语义分割。由于对场景信息的语义分割速度及准确率有较高的要求，因此采用Segformer的计算策略，将视觉Transformer引入语义分割任务。采用分层结构的Transformer编码器（Hierarchical Transformer Encoder），以避免在测试分辨率与训练不同时导致性能下降。同时，使用轻量级多层感知机解码器（Lightweight All-MLP Decoder），从而在保证较高精度的同时提高算法的效率。然而，在实际应用场景中，由于视觉SLAM依赖于可见光相机采集的图像特征点，因此经常因光照变化、场景纹理稀疏等问题失效。这个时候可以充分发挥多传感器信息融合的优势，利用2D图像信息高分辨率的纹理细节和3D激光点云的空间几何信息来提高语义建图算法的鲁棒性。
该文提出融合图像和激光点云的道路场景语义分割方法。具体方法是通过深度学习分别用不同的神经网络提
取2D和3D数据的特征，利用这种方式充分地从2种模态信息中提取特征。为了克服2D图像平面特征与3D激光点云三维特征的数据格式的差异，采用三维体素网格作为中间表示，通过标定好的空间变换关系将2D图像特征投影到体素网格中。
4 结语
该文针对智慧交通提出了基于车路协同的一体化感知平台。通过计算机视觉的图像语义分割、多传感器融合以及边缘计算等人工智能理论和技术构建了交通全要素资源的数字化图谱。以高精度地图为载体平台，为交通行业现有的多种业务数据系统提供一致化的数据接口。基于多源异构信息融合的语义高精度地图将为分析交通问题、掌握交通出行特征以及预测交通发展趋势提供了丰富的语义数据支撑；同时，也为多种现有的交通业务平台提供了数据接口和一致化分析平台。
5 致谢
该课题承蒙新型车联网通信技术工程研究中心（深圳市发展和改革委员会“深圳市战略性新兴产业发展专项”，项目编号：XMHT20190101025）资助，特此致谢。感谢技术研究院办公室主任周靖和范志恒在科研管理方面的协助和支持。
参考文献
[1]Social Determinants of Health. Global status report on road safety 2018[N/OL].World Health Organization，2018-06-17[2021-11-03].https://www.who.int/publications/i/item/97241565684. [2]《铁道技术监督》编辑部. 交通强国建设纲要[J].2019（10）：90-95.
[3]赵津，张博，潘霞，等.车联网通信技术及应用前景研究[J].时代汽车，2021（6）15-16，32.
[4]刘媛妮，赵国锋，李昕，等.数据虚拟化：多源异构数据集成之道[M].北京：人民邮电出版社，2019.
[5]万鹏.基于移动边缘云计算的车联网计算卸载调度[D].武汉：华中科技大学，2019.
[6]刘雷，陈晨，冯杰，等.车载边缘计算中任务卸载和服务缓存的联合智能优化[J].通信学报，2021，42（1）18-26.
[7]SUJANSKY W.Heterogeneous database integration in biomedi cine[J].Journal of Biomedical Informatics，2001，34（4）285–298.
[8]SHAFER G. Dempster-shafer theory[J]. Encyclopedia of artifici al intelligence，1992（1）：330-331.
[9]DEMPSTER A P. Upper and Lower Probabilities Induced by
a Multivalued Mapping[J]. The Annals of Mathematical Statistics，1967，38（2）：325-339.下载本文
