智能網聯汽車雲控製係統架構、技術與應用綜述

汽車電氣化有助於提高其運行效率和安全性。由於網絡、傳感器以及計算技術的快速發展，車輛自動駕駛成為可能。要實現自動駕駛，需要完成幾個步驟，包括環境感知、路徑規劃和動態控製。然而，配備車載傳感器的車輛在獲取最佳駕駛決策所需的環境數據方麵仍然存在局限性。智能網聯車輛(ICV)雲控製係統(CCS)作為一種新概念被引入，它是一種潛在的高水平自動駕駛綜合解決方案，可以提高智能交通的安全性和優化交通流。本文從icv上的雲相關應用、雲控製係統架構設計及核心技術開發等方麵，係統地研究了雲控製係統的概念。在此基礎上，提出了雲控製係統開發麵臨的挑戰和建議。

近年來，隨著智能網聯汽車(ICV)技術的快速發展[1]，物流中自動駕駛應用的需求[2]、衛生[3.]、港口碼頭[4]，采礦[5]、零售[6]、拚車[7]、公共交通[8等行業蓬勃發展，引起了業界和學術界的廣泛關注。根據Gartner最新的Connected and Smart Mobility Hype Cycle報告，大多數與自動駕駛和新型出行相關的技術都處於幻滅的低穀期，這意味著這些技術的商業化正在進行中。9］．

自動駕駛汽車技術發展的問題主要包括三個階段。(1)智能車輛感知係統可靠性不足，造成盲區。智能車輛計算資源有限，難以適應不同複雜的道路交通環境。通過在車輛側使用更多傳感器來提高可靠性和計算能力將大大增加成本。因此，需要路旁的基礎設施，並發展車路協調技術[10］．(2)車路協同技術雖然能在一定程度上增強車輛感知能力，提高安全性和行駛可預見性，但也麵臨新的瓶頸。不同類型的路邊設備之間的信息交互還缺乏統一的標準。這導致了從異構傳感器收集的多源感知信息共享的高成本[11］．此外，多車集中決策控製能力不足，也製約了道路交通效率的優化[12］．(3)隨著雲計算、大數據、物聯網、無線通信等技術的發展，針對以往存在的問題，提出了“ICV雲控製係統(CCS)”的新概念[13］．在我們看來，這是信息物理係統(CPS)理論在智能網聯汽車領域的典型應用。在這個係統中，車輛不再是一種交通工具，而是人-車-路-雲信息傳輸和共享的平台。ICV雲控製係統利用邊緣計算、V2X (vehicle to everything)通信和人工智能(AI)技術，提供集中決策和控製能力，可擴大智能車輛的感知範圍，提高網聯車輛的駕駛安全性，增強現有的車路協調能力[13］．它現在已經成為了ICV技術的最新趨勢，並影響著越來越多的國家自動駕駛發展戰略[14,15,16,17,18,19］．

本文係統地回顧了與智能互聯汽車控製相關的雲係統、方法和技術的現有文獻。本文的結構如下。部分2回顧了應用雲技術的典型ICV應用，闡述了雲控製係統的概念。部分3.研究了CPS(網絡物理係統)體係結構設計，並提供了可用於ICV CCS設計的方法。部分4對ICV CCS的常見關鍵技術進行了分類，係統地描述了各個技術領域的發展現狀和關鍵問題。部分5總結了ICV CCS麵臨的挑戰，並給出了其關鍵技術的發展趨勢。

與雲相關的ICV應用

隨著雲計算、大數據、物聯網、無線通信的發展，傳統汽車行業正在經曆一場新的革命。特別是在傳統汽車和交通運輸產業的基礎上發展ICV，將帶來更多的就業機會，促進經濟和社會的發展，潛力巨大。20.］．車輛不再是一種交通工具，而是人-車-路-雲信息傳輸與共享的平台。車輛配備各種類型的傳感器，實現協同規劃和控製，具有複雜環境感知能力。汽車自動化最關鍵的一步是實現安全、舒適、高效、低能耗的駕駛。近年來，研究人員發現了智能汽車的不足和汽車與基礎設施(V2I)合作的局限性。為了不斷提高駕駛的安全性、舒適性和節能程度，實現全自動駕駛，各國紛紛出台相關政策，開展各類ICV項目，建設與雲相關的ICV係統。

2020年初，中國11個中央政府部門聯合發布了《智能汽車創新發展戰略》[21，這表明中國已經將ICV作為國家的核心發展計劃。美國交通部(USDOT)公布了一係列ITS JPO戰略計劃[22並將連接和自動化運輸納入其新興和使能技術。歐盟委員會組織並建立了合作智能交通係統(C-ITS)部署平台，該平台就在歐盟範圍內部署C-ITS實現合作、互聯和自動化交通(CCAM)的互操作性達成了共識。[23］．

在ICV項目和應用方麵，很多項目都傾向於采用5G雲計算技術。Chang等人。[24]提到了一種包括宏觀和微觀PSA模型的預測反向衝擊波分析方法(PSA)，以實現在不確定和高風險路況下的實時主動安全駕駛。該工作明確了三層雲計算機製，即車輛雲計算(VCC)、多接入邊緣計算(MEC)和全局雲計算(GCC)。該方法通過對車輛行駛狀態數據的分析和預測，識別出具有高風險的交通流反向衝擊波。然後，通過三級雲計算機製向高風險區域發送預警信號，降低風險。該方法也適用於人工駕駛車輛。但在本應用中，雲平台主要應用於交通流衝擊波預測。

基於CARMA (cloud - assisted Real-time Methods for autonomous)項目，Montanaro和Fallah推出了混合交通場景下乘用車隊列控製和管理的雲平台[25］．該體係結構由行程規劃、路段管理和協調控製三層組成。頂層，行程規劃器計算全局最優路線和速度剖麵，以使高速公路係統的每個路段和所有CARMA車輛在任何車輛模式(自適應巡航控製(ACC)模式、自由代理(FA)模式和排長/排隨從(PL/PF)模式)下運行的能源消耗最小化。對於組隊運行的車輛，行程規劃器還提供了建議的車間距離。這一層需要每個高速公路路段、交通、天氣和道路狀況等的高度剖麵圖。RSM負責調整車輛局部速度剖麵和車間距離(對於已經形成的排)，使其適應當前路段狀態。該層還可以控製FA車輛和相應隊列的速度，進行合並機動。還需要確定下層協調控製層的激活，並為正確的規劃和執行提供參數。在架構的最底層，協調控製層包括用於施加車輛速度剖麵、實現協作自適應巡航控製方法(隊列，以及規劃/執行合並和離開機動)的控製器。雲平台的整體架構由CARMA車體、CARMA邊緣、CARMA核心雲三層組成。 From Ref. [26]， CARMA的框架演變為CARMA第三方服務與其核心雲交互。其車載網絡連接了各種車載傳感器、信息娛樂設備、車載嵌入式處理器、HMI設備和執行器，以應用控製命令。當與CARMA edge的連接中斷時，板載控製組件與邊緣控製器合作運行，確保係統的容錯能力。此外，由於車輛安全至關重要，車載控製器還負責評估並可能覆蓋遠程計算指令(來自雲/邊緣)，以確保車輛安全。CARMA Edge子係統托管需要與車輛緊密訪問(低延遲)的車外進程和信息。這將包括從車輛上收集的信息，以及需要與路邊設備和其他車輛合作的過程。CARMA核心雲是最高級別的雲平台層，可從第三方獲取環境數據，以及車輛ID信息和相應的數據，包括車輛狀態、位置、排等信息。CARMA Edge和其他模塊在CARMA Core中實現，用於計算最佳速度剖麵、車間距離以及對CARMA Edge的命令。CARMA項目初始化了雲平台的概念，在每個路網段中構建一個核心雲控製邊緣雲，用於車輛隊列控製。然後，邊緣雲給出車輛指令，形成雲控製平台的基本結構。

參考文獻[27]， Hussain等人提到了一種基於車載自組織網絡(VANET)的車載雲，以定義這種類型雲平台的潛在架構框架。該架構分為三個框架:車輛雲(VC)、使用雲的車輛(VuC)和混合車輛雲(HVC)。從層次層次上看，係統分為車、車間、雲三個層次。底層是汽車層麵的交流。獨立VANET中的車輛具有全球定位係統(GPS)，以獲得準確的位置信息，雷達，傳感器和執行器。第二層通信是車際通信，車輛通過車載單元(OBU)相互通信。這種通信可以采用IEEE 802.11p (WAVE)標準的V2V或V2I。最頂層允許車輛在雲級別進行通信，車輛或rsu可以作為網關。從運動的角度來看，VC進一步分為兩種場景(靜態和動態)。靜態雲是指提供雲服務(出租存儲或處理資源)的固定車輛。 In case of state VANET clouds, the infrastructure can be rented out to make revenue as well. The VuC connects the VANET to traditional clouds where VANET users can use cloud services (remote configuration and car performance checking, big traffic data analysis, smart location-based advertisements, vehicle witnesses) on the move such as infotainment, traffic information, etc. In HVC, vehicular clouds interact with traditional cloud for services exchange.

從算例可以看出，車輛雲通常分為三個主要層:車輛層、車間層和雲層。隨著數據分組和處理的需求，在本地數據處理和流量控製方麵增加了多接入邊緣計算(MEC)的概念。MEC還可在必要時與高層雲進行通信，降低了高層雲的負載，並通過在本地進行ICV控製和數據處理來提高係統效率。許多雲係統仍然是垂直雲係統，這意味著在每一層，服務器都通過內存和存儲進行擴展。由於現有CPU能力的限製，這種概念在計算能力上受到了限製。因此，各個雲係統的覆蓋範圍較小。橫向雲的發展，可以擴大不同區域的本地計算服務器數量，極大地分擔中心雲的工作負載，擴大中心雲係統的覆蓋範圍。但建設水平雲需要在每個劃分區域內建設完整的小雲，這將進一步增加區域智能交通基礎設施建設的成本。基於交通環境需求確定雲係統的開發方式成為雲實現的難點。

在車路雲無線通信中，移動車輛需要快速、可靠地與通信基礎設施(如蜂窩基站)建立動態網絡連接，並在快速行駛過程中與邊緣雲平台建立可靠的無線通信鏈路。目前，車載側傳統的CAN總線正在逐步升級為車載以太網。路邊設施逐漸采用高帶寬連接，例如具有PoE功能的千兆以太網。因此，帶寬不再是主要的限製。但由於車側網絡(基於C-V2X或DSRC)的無線鏈路連接不穩定，無法在移動車輛與邊緣雲之間形成高可靠、低延遲的通信通道，導致邊緣雲平台無法支持一些對延遲要求極低的安全應用。為了實現可靠的動態網絡，需要為車載以太網、路邊設施和邊緣雲網絡設置低延遲的通信鏈路。然而，找到一種方法來設計超可靠和低延遲的車到雲(V2C)和車到路邊基礎設施(V2I)通信傳輸機製是需要解決的核心問題。

在Innovate UK的資助下，i-Motor項目開發了一個基於雲的數據平台，幫助自動駕駛和人類駕駛的車輛相互連接並與周圍環境進行通信，以減少碰撞和交通擁堵。這個為期兩年的項目已經產生了一個移動平台，供不同製造商的車輛傳輸和存儲數據。車輛雲計算(VCC)係統可以安全地處理接近實時的“大數據”，如果大量車輛相互“交談”，並與交通控製中心和智能城市基礎設施共享信息，這將是至關重要的。VCC可以接受來自各種外部來源的數據，並從多輛汽車上捕獲信息，為司機和汽車提供有關道路工程、擁堵、天氣狀況和其他可能影響旅行的問題的及時準確的更新。該平台還允許車輛自動報告和自我診斷問題，以減少路邊故障或檢測危險情況並警告附近其他車輛[28］．

為了提高冬季在結冰道路上駕駛的安全性，瑞典交通管理局和挪威公共道路管理局共同啟動了一個重要的斯堪的納維亞合作ITS (C-ITS)項目，通過基於雲的係統共享路況信息。該項目使ICV能夠通過基於雲的網絡共享有關道路摩擦狀況的信息，如雨、雪和結冰區。不僅限於icv之間的通信，道路狀況警報係統還向道路管理人員發送有關結冰區域的信息，作為沿線現有道路天氣測量站的補充。有關數據有助道路管理人員及其承建商更好地規劃和執行冬季道路保養工作，並迅速應付路況的變化[29］．

2015年，德國聯邦經濟事務和能源部啟動了一個名為kooperations hochautomatisiertes Fahren (Ko-HAF)的項目，通過以130公裏/小時的速度合作和高度自動化駕駛來提高道路上的安全性和效率。該項目旨在開發新的係統和功能，允許在更高的速度和更複雜的情況下實現高度自動化駕駛。采用邊緣雲計算技術進行環境記錄與表示、車輛定位、協同駕駛引導[30.］．BMWi支持的Ko-HAF項目[22]利用車輛與安全服務器(雲)之間的信息通信實現自動駕駛。安全服務器包含高清地圖(HD map)和道路上的障礙物。車輛將向服務器發送靜態(車道、標誌)和動態(車輛、行人)數據。服務器與車輛數據共同構成協同環境感知數據源，通過學習算法對服務器上的高清地圖進行優化。車輛方麵將下載優化後的地圖，並結合來自車輛傳感器的數據來構建場景模型。因此，車輛與服務器之間的數據融合可以幫助車輛提前識別危險情況並啟動解決方案，提高自動駕駛的可靠性。

隨著越來越多與雲計算相關的ICV項目的興起，其應用領域從智能駕駛、V2X擴展到ITS、智慧城市，如表所示1．而車輛雲控製概念及其複雜係統架構的設計方法正成為學術界和業界研究的熱點。

ICV雲控製概念

本世紀初，車載雲的概念從移動自組網(mobile Ad-hoc Networks, MANET)的概念開始，發展到道路和街道通信。對MANET感興趣的最初動機是出於對交通延誤和擁堵的關注，向司機通報實際或即將發生的道路狀況，以及危險的駕駛狀況等。因此，大多數MANET應用的重點是交通狀態報告、碰撞避免、緊急警報、合作駕駛和其他類似的問題[31］．避免碰撞量度夥伴關係(CAMP)和車輛安全通訊聯盟(VSCC)推出了一個車輛間通訊移動自組織網絡[32］．該應用目標是在其本地車際雲中模擬擴展製動燈(EBL)場景。該算法基於Ad-hoc按需距離向量(AODV)路由算法，隻根據需要建立車輛路線。但是，應該增加一個更大、更複雜的車輛配置，以更接近地模擬實際交通。

2017年，隨著具備強大車載計算、存儲和傳感能力的能源充足車輛的部署，自動駕駛車輛雲(AVC)的概念將形成，這是一組高度自動駕駛車輛，企業計算、傳感、通信和物理資源可以協調並動態分配給授權用戶。基於雲和車側數據融合和協同規劃，AVC可用於不同的交通管理場景，包括清除事故後同步紅綠燈、自動緩解重複擁堵、道路安全信息共享和資產管理控製等，主要關注構建安全高效的自動駕駛環境[31］．

從之前的雲控製概念，MANET目標到交通狀態通信車輛，AVC目標到車輛間共享動態高清地圖。兩者都沒有考慮聯網車輛，也沒有將車輛、道路和雲作為一個基礎設施整合在一起。而在2020年，基於車路雲集成技術和動態資源調度技術的ICV雲控製係統(CCS)概念首次被係統提出[13,34］．指出CCS具有車、路、雲無所不在互聯、所有交通要素數字化映射、全局性能優化、高效計算調度、係統運行高可靠性五大特點。ICV CCS已被列為支持全自動駕駛的潛在解決方案。

計算、通信和控製技術的迅速發展給人們的社會生活帶來了巨大的變化。隨著信息化和工業化的深度融合，傳統的單點技術已經不能適應新一代生產設備的通信需求。在這種情況下，CPS成為當前自動化領域的前沿研究方向，並取得了初步進展。數字1展示了一個一般的網絡物理係統架構。

CPS支持信息化和工業化的深度融合。通過集成先進的傳感、計算、通信、控製等信息和自動控製技術，在物理空間和信息空間構建人-機-環境相互映射的通信網絡。CPS是一個複雜的係統，需要及時的交互和高效的協調，實現按需響應、快速迭代、資源配置和運行的動態優化。CPS的實施是有層次的，可分為三個層次，即單元層次、係統層次和係統的係統層次[35］．它由四個核心技術模塊組成:感知與自動控製模塊、工業軟件模塊、工業網絡模塊和工業雲模塊。目前，關於CPS在交通領域的研究大多處於探索階段。2008年，美國NSF等學術組織舉辦了交通係統CPS研討會，引發了交通領域對CPS的廣泛關注。數字2在雲中展示了感知級、網絡級和應用級的工業物聯網解決方案，以說明行業中典型的CPS應用[36］．

在設備計算能力方麵，參考文獻[37]指出，隨著小型化設備數量的增加和計算能力的提高，從計算設備的角度實現城市規模的交通檢測是可能的。Ref。38]表明，在所有智能交通係統(ITS)中，提高車輛性能和降低燃油消耗都需要更多的關注。CPS技術成為一種可能的解決方案。Ref。39]指出CPS在ITS係統的監督和安全控製功能中發揮著重要作用，有助於交通係統的實際控製決策。

在ITS係統的結構和組成方麵，參考文獻[40]認為交通係統CPS架構應該包括軟件、通信網絡和物理設備之間的交互過程控製。Ref。41]提出CPS包括兩個重要組成部分，即物理過程和網絡係統。網絡係統由一些具有感知、計算和通信能力的微型設備組成。典型的物理過程由網絡係統進行監控。Ref。42]指出，作為CPS的典型應用，ITS係統包括物理組件和網絡組件。物理組件的功能是提供不同傳輸方式之間的物理互操作性，包括一些物理設備，如數據采集設備。網絡組件方麵是指基於網絡通信的交通信息的集成。

為提高智能交通係統應用場景的可擴展性，參考文獻[43]認為CPS為改善新一代運輸係統提供了可能。然而，它也帶來了一些挑戰，包括係統劃分不清，術語體係不足，缺乏係統可靠性設計和安全分析方法。Ref。44]表明現代交通係統是典型的CPS。運輸係統開發麵臨的技術瓶頸包括可靠性、可重用性和成本問題。Ref。45]說明當前的道路交通控製係統不是基於互聯網的係統，需要更加開放的控製方式。Ref。46]認為現階段是CPS發展的初期階段。它必須具有高可信度、時間可預見性和魯棒性等特點，這就要求係統具有較高的可擴展性和精細的設計流程。Ref。47]闡述了CPS中汽車控製軟件研究麵臨的挑戰。認為精確的車輛微控製可以降低能耗。軟件控製是實現車輛微控製的主要方式。Ref。48]提出了一種用於交通狀態監測係統的CPS中間件框架，包括可在區域內移動的傳感器監測節點和提供自適應負載均衡的計算框架。該框架力求實現係統的可靠性、準確性和有效的自動控製。

在中國，中國智能網聯汽車產業創新聯盟(CAICV)提出了智能網聯汽車CPS參考架構[49]，建議使用基於模型的係統工程技術和工具[50］．最新的ICV CCS架構也是由中國學術界和ICV業界廣泛共識提出的[34］．他們明確了ICV雲控製係統的主要組成部分，如聯網車輛和其他交通參與者、道路側基礎設施、基礎雲控製平台、相關第三方支撐平台、V2X網絡通信鏈路和雲應用平台等。結構可歸納為圖3.［13］．

由於中國政府在車輛供應商、道路基礎設施和雲資源協調方麵的整體規劃，該架構被認為是最具前景的ICV雲控製係統實施解決方案。傳統V2X主要與車輛和路側基礎設施通信，決策任務主要基於反應模式，而CCS將其集成為集中分布式分層係統，能夠在深思模式下處理大範圍決策任務。

在本節中，介紹了CPS的概念。CPS是滿足信息化和工業化深度融合新一代製造需求的解決方案。然後，確定了在ITS係統中使用CPS設計方法的重要性，然後介紹了ITS係統中CPS體係結構的一些信息。本節通過提供一些初步工作，分析了ITS係統不僅僅是一個基於網絡的係統，具體CPS設計的需求。可以預見，CPS設計方法將在ICV CCS設計過程中發揮關鍵作用。

根據CAICV發布的ICV CCS白皮書[34]，作為一種複雜的CPS, ICV CCS需要多種技術同時開發。這些技術可以分為兩部分。一是ICV CCS核心技術，包括邊緣雲與動態資源調度、融合感知與定位、車輛控製等，是通用且關鍵的核心技術。另一個是ICV CCS支持技術，包括V2X通信、高清地圖和場景庫。

核心技術

邊緣雲與動態資源調度

1. (1）

   邊雲

   ICV的邊緣雲是通信網絡中的新興技術之一[51也是ICV CCS的通用核心技術之一。ICV CCS邊緣雲通常構建在MEC(Multi-access edge Computing)服務器上。C-V2X (cellular network-based vehicle to everything，基於蜂窩網絡的車輛到一切)聯網技術正在成為許多地區的關鍵技術之一，它有力地支持了基於MEC的icv邊緣雲架構。MEC的概念最早出現在2013年，最初被稱為移動邊緣計算。將雲計算平台從移動核心網內部遷移到移動接入網。2016年後，移動邊緣計算服務從移動蜂窩網絡進一步擴展到其他接入網，支持更多場景，如V2X通信。邊緣雲與C-V2X融合的概念是在基於mec的邊緣雲平台上，借助Uu或PC5接口，部署C-V2X服務，支持“人-車-路-雲”協同交互。它可以減少端到端的數據傳輸延遲和大量數據返回造成的網絡負載。同時，也緩解了終端或路邊智能設施的計算和存儲壓力，為具有本地特色的icv提供優質服務。

   MEC的標準化工作主要集中在ETSI和3GPP兩個方麵。與此同時，5G汽車協會(5GAA)也就麵向c - v2x的MEC進行了深入探討。其中，ETSI MEC集團專注於MEC平台、基於MEC平台的網絡建設、基於MEC平台的業務應用運營部署。5GAA提出的MEC方案是基於ETSI的方案，而3GPP主要研究5G網絡架構支持MEC所需的網絡能力，並將MEC和C-V2X集成為推薦方案。

2. （2）

   動態資源調度

   動態資源調度的主要過程是資源管理，這在MEC係統中是非常重要的。無線電和計算資源的聯合管理是實現節能低時延MEC的關鍵。MEC服務器與無線AP (Access Point)共存的網絡架構有助於實現相關技術。對MEC係統資源管理文獻進行了全麵概述。我們從一個簡單的單用戶係統開始討論，該係統由一個移動設備和一個MEC服務器組成。隨後，考慮了一種更複雜的多用戶MEC係統，多個卸載用戶競爭使用無線電和服務器計算資源，並進行了協調。最後，描述了具有異構服務器的MEC係統，該係統不僅提供了服務器的自由選擇，而且允許服務器之間的協作。這種網絡級的運行可以顯著提高MEC係統的性能。

   對於單用戶MEC係統，常用的任務模型有二進製卸載、部分卸載和隨機模型。Ref。52]基於時分多址(TDMA)和正交頻分複用接入(OFDMA)係統的優化卸載功能，設計了資源分配的最優閾值。Ref。53]提出了一種新的無線驅動的MEC框架，可以同時優化本地計算和卸載。Ref。54]提出了一種考慮能耗、計算最小化和延遲減少的卸載決策通用標準。Ref。55]通過移動端和雲上適當的並行處理組件，提供並行處理的聯合調度和計算卸載算法。Ref。56]是基於Lyapunov優化算法來確定卸載策略、任務執行過程中的CPU時鍾速度以及所選擇的網絡接口。對於多用戶MEC係統，無線電和計算資源的聯合分配方法、MEC服務器調度和協同計算模型是目前研究的熱點。Ref。57]采用迭代算法解決C-RAN的非凸資源分配問題。為了實現泛在邊緣計算，在文獻中提出了異構MEC係統。[58]，包括一個中央雲和多個邊緣服務器。協調和多層中心/邊緣雲交互帶來了許多新的研究挑戰，近年來吸引了廣泛的進一步研究。Ref。59]提出了一種基於納什均衡的分布式資源分配算法。Ref。60]構造了一個擁塞博弈，並提出了一個考慮納什均衡的分布式算法。Ref。61]對MEC中協同任務的分布式算法和主動緩存算法進行了研究。

   在MEC和C-V2X融合係統中，MEC平台可按需調配車聯網邊緣應用的IT基礎資源，配置計算和存儲能力。同時，它可以提供一個虛擬化的應用托管環境，可以管理邊緣雲的生命周期，並監控應用程序。此外，還可以發布一般網絡和車聯網業務信息等應用信息。根據終端接入MEC平台所采用的C-V2X通信方式，MEC與C-V2X融合係統可分為Uu MEC和PC5 MEC兩種。當運營商網絡中部署MEC平台時，終端通過Uu接口接入。在本例中，MEC平台被定義為Uu MEC;當MEC平台相對獨立於運營商網絡，終端通過PC5接口訪問RSU(路側單元)，然後MEC平台訪問，則定義為PC5 MEC。

融合感知與時空定位

融合感知和定位是ICV CCS中另一項常用的核心技術。

(1)融合感知

長期以來，視覺感知是ICV領域的主要方法[62,63］．特別是近幾十年來，隨著深度學習的發展[64]，視覺感知推動了自動駕駛技術的廣泛應用[65］．視覺感知包括對交通參與者、車道、障礙物、交通標誌、交通信號以及攝像機範圍內可衍生區域的檢測[66,67,68］．在ICV CCS中，視覺感知可以根據是車側攝像頭還是路側攝像頭分為兩類。由於自動駕駛汽車的攝像頭範圍與道路側基礎設施存在較大差異，因此視覺探測器同時受到攝像頭範圍和相關數據集的影響。目前，開源數據集，如KITTI [69]和ApolloScape [70]主要來自車輛一側。基於路邊基礎設施傳感器的數據集越來越受到關注。例如，VERI-Wild [71]是中國彭城國家實驗室發布的典型中國交通數據集。但是，仍然需要大數據集來描繪不同國家的不同交通環境，以提高探測器的精度。此外，異常車輛數據集的獲取方法仍然是一個沒有解決方案的問題。因此，數據采集問題阻礙了在實際規模應用中快速準確的感知。

從2012年AlexNet神經網絡引入開始[72]，已經開發了幾種檢測器，包括兩級檢測器，如R-CNN(基於區域的卷積神經網絡)，R-FCN(基於區域的全卷積網絡)，Fast RCNN, Faster RCNN和Cascade RCNN，以及一級檢測器，如YOLO(你隻看一次)，SSD(單次多盒檢測器)和RetinaNet等。參考文獻[73YOLOv4416每秒可以處理100張圖像，這比以前的深度網絡要快，但它需要降低圖像質量，這降低了檢測精度，特別是來自路邊攝像頭的檢測精度。從現有文獻來看，目前的視覺檢測算法可以識別出普通交通道路上出現的絕大多數種類的物體，但仍受外界環境的影響較大，特別是異常天氣會引起係統故障和錯誤。此外，小目標檢測是環境預測的重要參考。目前對小物體的感知精度還不夠高，如表所示2．美聯社₅₀算法在MSCOCO上的值[74]數據集約為[的2至5倍]75,76]與美聯社相比_年代價值，這需要改進。

參考文獻[77]， Sivaraman和Trivedi詳細回顧了基於視覺的車輛檢測與跟蹤的代表性工作，並對道路行為分析方法進行了比較。

盡管視覺感知技術已經取得了可喜的成果，但在弱光、霧霾等不利條件下仍存在安全問題。應用融合感知技術提高了這種情況下的目標檢測精度。事實上，如今，路邊的基礎設施往往包括多個不同種類的傳感器，如相機、毫米波雷達(MWR)、光探測和測距(LiDAR)以及全球衛星導航係統(GNSS)在一個係統內[78］．采用多傳感器融合感知方法[79]，距離和視覺傳感器可以結合起來識別道路上靜態障礙物和動態物體的交通環境，而GNSS可以用來估計車輛的位置。在距離傳感器中，激光雷達主要利用飛行時間(TOF)來完成速度和距離的測量。該係統具有獲取目標三維信息準確、分辨率高、抗幹擾能力強、探測範圍寬、接近全天候作業等優點。對於智能車輛來說，LiDAR是必不可少的傳感器[80,81,82］．最近，它也被應用在路邊，不僅檢測靜態信息，如道路車道[83]，也包括動態環境，包括行人、汽車及巴士[84,85,86更好地為聯網車輛服務。MWR是另一種距離傳感器，通常用於車輛和道路兩側。根據不同頻帶，77 GHz雷達廣泛安裝在車輛側[87］．而在路邊，並不是所有類型的MWR都可以部署。碰撞前安全預警是一項眾所周知的應用，即車輛側雷達應用[88］．表格3.顯示不同傳感器的環境適應性、傳感範圍、檢測精度、物體識別能力、距離和速度測量，以及車輛或路邊產品是否準備使用等方麵的特點。

參考文獻[89，研究人員詳細總結了路邊傳感器的相關工作，並指出單目視覺傳感器仍然是路邊設置的主要類別。在參考文獻。［90,91]，提出了激光雷達與相機數據的融合感知方法，以提高單傳感器的精度。參考文獻[92]，提出了車側雷達與攝像頭的融合感知。現有的融合感知方法可以顯著提高道路目標檢測的精度，增強道路目標跟蹤能力。他們大多隻關注目標級別，而很少關注特征或原始數據級別。這不僅是出於性能考慮，也是由於距離傳感器的點雲數據采集有限。在ICV CCS中，車輛與道路的融合感知需要具有良好的適應性、魯棒性和高可用性，以獲取實時、高精度、高可靠的基礎動態數據，滿足ICV自動駕駛和交通數字雙胞胎的需求。

(2)時空定位

通過高質量的空間和時間定位，可以獲得更準確的融合感知，特別是在物體再識別中[109,110]，通常可通過GNSS設備實現。

在ICV CCS中，交通參與者、路邊設施和交通事件的位置都需要可靠的精度保證、低延遲傳輸、複雜場景下的高可用性、安全冗餘和魯棒性。參考文獻[111]，研究者強調了時空特征對運動物體的重要性。建立基於語義特征的智能融合感知，結合高分辨率地圖和高精度定位技術，在各種應用服務中保證時空定位的可靠性、準確性和可用性。

車輛控製

最後，車輛控製是ICV CCS中最重要的通用核心技術。汽車控製係統的發展始於汽車的電氣化(ECU和機電執行器的開發和應用)。車輛動態控製是車輛控製的一個重要領域，在ICV中也起著至關重要的作用。從控製單元在以個體車輛為中心的傳統車輛上的應用入手，目標是保持車輛運動穩定，達到安全的目的，提高乘客的乘坐舒適性。已經開發了幾種控製單元。車輛運動控製可分為縱向控製、橫向控製和平順控製。

1. (1）

   車輛控製:從個人到合作

   • 縱向控製

     目前，巡航控製(CC)在縱向控製中發揮著重要的作用，以減輕駕駛員的工作量。第一個現代巡航控製硬件專利於1956年發布[112］．一開始，CC隻有在開闊的道路上用油門踏板控製保持恒定速度的能力。控製方法是簡單的PID反饋控製器，使用油門踏板作為執行器，以最大限度地減少車輛速度誤差。傳感器隻是一個裏程表。但實際應用的車輛縱向模型在忽略發動機係統動力學因素、假設時間常數和增益不變的情況下，采用了線性化方程。在實際情況下，車輛正向動力學是非線性的，相應的線性動力學會隨著工況的不同而變化。這些問題已經在文獻(如參考文獻)中的各種研究中得到解決。［113,114,115])，介紹了自適應巡航控製的發展，以獲得更好的魯棒性。自適應巡航控製(ACC)是一種汽車係統，其目的是控製車輛相對於周圍環境(其他車輛)的速度[116］．隨著車載各種傳感器(雷達、激光雷達等)的發展，ACC擴展了CC的功能，可以通過環境(路況、天氣狀況、其他車輛外觀等)調節車輛速度。基於前車跟車模型的汽車跟車模型[117］．ACC係統的基本場景是汽車跟車場景，因此ACC控製的重點是在跟車和領車之間保持固定的距離。為了調節避車距離，還將避車係統集成到ACC中，通過控製車輛的製動係統來實現車輛的加速和製動。為了獲得更多的最優控製命令，幾種現代最優控製策略被應用，包括線性二次調節器(LQR) [118，模型預測控製(MPC) [119]，甚至混合MPC (HMPC) [120］．隨著MPC方法的應用，該方法基於一個預測窗口，具有調整係統模型和處理係統物理約束的能力，因此預測變得越來越重要。對於單個車輛，預測取決於車輛配備的傳感器，包括一些超音速雷達，激光雷達，甚至相機。這種機載設備的掃描能力可以被限製(從幾米到一百米)。車輛無法預測道路網絡的整體交通狀況，這限製了控製器的性能。

   • 橫向控製

     橫向控製單元包括電子穩定控製(ESC)、四輪轉向控製(4WS)、差動製動等。橫向控製器的作用是在轉向過程中保持車輛的橫擺穩定性。目前，在大多數文獻中，由於可以應用線性控製策略，在不考慮側傾運動的情況下，將車輛模型簡化為自行車模型。在考慮滾轉運動時，必須考慮車輛重量的轉移。因此，自行車模型不再適用，這使得研究人員引入了更複雜的模型，包括車輛係統的側傾運動和非線性。ESC、4WS和差速製動係統通過前輪轉向輸入、後輪轉向輸入，以及各車輪的製動力矩分配來調節車輛橫擺運動，使車輛側滑角保持在可控範圍內。橫向控製問題可以建模為以道路曲率為係統擾動輸入的路徑跟蹤問題。目標是控製車輛使用橫向控製驅動器沿著路徑而不引起穩定性問題。基於跟蹤特性，研究了多種反饋控製策略。例如，Zhao等人將偏航穩定控製的差動製動力矩應用於智能車輛公路係統的橫向控製，並將模糊邏輯控製器應用於車道保持任務[121］．其他一些非線性控製策略，包括鏈式係統理論[122，非線性模型預測控製(MPC) [123]也應用於車輛路徑跟蹤控製。在線性模型的基礎上，線性二次調節器(LQR)和MPC方法也因其實時性而得到了廣泛的應用。其中一個著名的應用是Apollo LQR算法在智能車輛路徑跟蹤中的應用[124］．

     從目前的策略發展來看，路徑跟蹤是自動駕駛車輛控製的核心問題，借鑒現有車輛橫向控製策略，重新開發了幾種不同的方法;一些基於神經網絡或深度學習的新方法也拓展了經典車輛控製的研究領域。由於大多數情況下，路徑跟蹤行為包括縱向控製和橫向控製的結合，因此開發了控製車輛加減速和轉向的算法來實現路徑跟蹤功能。摘自參考文獻[125]，對算法進行了詳細的總結，並進行了深入的研究。在表4，為參考文獻的簡化表格。[125，是關於過去十年發展的不同路徑跟蹤控製方法的比較。

     從上表可以看出，簡單的方法具有較高的實時實現能力，但在不期望的幹擾下性能較低，而健壯或穩定的方法需要大量的計算成本，這阻礙了實時實現。目前，對於自動駕駛中的橫向控製，Stanley、PID和LQR等簡單方法成為實車實現的實用策略。然而，處理意外外部幹擾的挑戰和更健壯方法的計算負載要求仍然需要在軟件和硬件角度進行深入研究。

     全尺寸表

   • 程控製

     平順控製主要集中在車輛懸架控製上，以減輕路麵引起的不希望的振動或大加速或大刹車引起的突然顛簸。平順性控製主要有兩個目標:平順性和輪胎動載降低。前者的目標是減少讓乘客感到不舒服的振動;後者的目標是提高車輛的操縱性能，實現穩定運動。由於車輛乘坐模型總是被建模為質量阻尼彈簧係統。研究了幾種頻域阻尼控製方法。這種控製方法被稱為半主動控製，因為阻尼係統隻能從振動運動中提取能量。從最簡單的Skyhook控製，在懸架係統的壓縮和擴展期間隻有兩個阻尼調諧階段[156]，采用功率驅動阻尼器進行三級阻尼調諧控製[157]，可靈活調整阻尼控製策略[158]，大大增加了懸架的調整級，可以根據道路輪廓輸入平穩地調整係統阻尼。除了半主動控製外，還研究了假定懸架具有產生主動力能力的主動控製方法。最常用的方法是LQR和MPC方法，通過調整主動懸架力來降低隨機激勵下甚至硬製動情況下車身垂直加速度的均方根值，以達到平順性和路麵保護的目的[159］．

   • 建立智能汽車的車環境網絡的必要性

     在實際環境中，車輛的橫向、縱向和平順運動的單獨控製開發不可能有很好的性能，因為在大多數情況下，車輛的運動是全自由度動態的組合。例如，轉向機動還包括縱向控製，由於在縱向方向上的運動跟蹤，以及轉向機動過程中由於車輛重量轉移而通過懸架力控製產生的重量抵消控製。因此，混合動力控製成為緩解車輛動力學模型多自由度運動以獲得更好動態性能的新方向。1999年，Firtz等人在卡車跟隨場景中混合了2層縱向控製器和橫向控製器[160］．Peng等人設計了一種頻率形線性二次(FSLQ)最優控製策略(預覽控製器)，以允許納入頻域設計規範。該控製策略利用了預覽控製的良好跟蹤性能和更好的乘坐舒適性的頻域調諧，將橫向運動控製和平順運動控製混合在一起[161］．

     在自動駕駛汽車控製的應用中，路徑規劃成為車輛引導的關鍵部分，因為駕駛路線的選擇不再由人負責。自動駕駛汽車的控製領域應該擴展到包括路徑規劃，將高級引導控製與低級動態控製相結合。自動駕駛汽車配備環境傳感器後，感知能力可達百米，但天氣狀況等環境幹擾會大大降低感知能力。由於能見度低，路徑規劃會受到限製和不流暢，並導致突然的控製命令，例如為了避免突然出現的障礙物而過度激進的轉向或沉重的製動，這將導致較差的橫向和乘坐舒適性。有時甚至車輛無法有效執行控製命令，造成嚴重事故，就像特斯拉汽車認知錯誤導致卡車發生車禍一樣。除了單車一體化動態控製外，多車間的交互也成為自動駕駛汽車應用的新挑戰，這就引入了合作控製的新領域。在控製方法方麵，它控製一個交通場景或網絡內的多輛車輛的機動。主要考慮的是宏觀上的交通流順暢的交互優化。合作模型可以被建模為一個優化問題。正如在[162]由[163]，一般的交通控製問題將包含狀態變量(隊列長度、行駛時間、車輛速度、位置等)和環境輸入(到達車輛、到達隊列、信號配時、相位等)。目標是在有限的時間範圍內優化某個性能指標(機動性、燃油排放、安全性等)。性能指標也可以合並。績效指標通常是基於流動性或基於可持續性的目標，或兩者的結合。決策變量(信號授時、相位、車輛加速度、轉彎等)是一係列控製輸入。約束條件包括初始條件(隊列長度、流速度等)、交通流動力學和車輛動力學。將車輛動力學模型簡化為與速度和加速度相關的低階方程。交通模型會按照一定的模式建模(車跟、排隊模型)。優化問題可以通過多種優化方法來解決，包括動態規劃、基於學習的算法、非線性規劃[164)等。清華大學的研究也基於不同的交通場景對這種控製問題進行了初步的研究。在參考文獻。［165,166]， Zhen等和Wang等對混合交通環境(人-自動駕駛車輛)的可控性、穩定性和可達性進行了理論分析，將協同最優控製應用於自動駕駛車輛。他們驗證了自動駕駛汽車在混合環境中平滑交通流的潛力。徐等。[167]通過開發分布式觀測和控製算法，引入了一種係統的方法，在沒有全球協調的情況下，在無信號交叉路口進行聯網車輛的合作。結果表明，在沒有全球協調的情況下，低、中交通量車輛的協同通行以平均出行時間增長8.8% ~ 18.1%為代價。參考文獻[168]，引入動態交錯分層隊形生成方法，實時提供車輛間的安全距離，提高協同變道和隊形切換的效率。該方法可以通過最大限度地利用道路容量來提高交通效率，同時在多種交通場景下減少所有車輛的行駛時間。

     在實施方麵，合作控製任務包括感知、決策和控製。感知利用車輛和道路檢測到的不同信息，獲得即時駕駛相關的動態交通數據，為決策過程提供感知數據。道路側基礎設施采用固定傳感器組成多傳感器網絡進行傳感器融合，範圍穩定，效果穩定[169］．多車協同感知利用不同車輛上傳的信息進行傳感器融合[170,171］．該方法適用於路麵感知，但檢測範圍不穩定，且車輛需要大量參與交通。因此，協同控製需要車輛與道路側感知的融合。協同自適應巡航控製(CACC)的開發是實現協同控製的一個很好的例子，它通過車輛間的協同優化調度，實現高效的合並機動，以及車輛與十字路口交通信號之間的協同控製。因此，合作控製有助於解決直接控製單個車輛的困難。它可以同時控製交通標誌和車輛，以優化全局交通流量，這與車輛控製相比是一種更有效的方式。

     從控製的角度來看，具有預測能力的係統可以極大地提高控製性能，因為控製器將擁有未來的工廠動態知識，可以預先計算最優命令，以獲得更好的性能。同時，車輛將在與行人、車輛等其他個體互動的環境中行駛。作為外部幹擾的環境相互作用也會影響控製性能，這需要對周圍環境的了解。人駕駛車輛可以依靠駕駛員的視覺和聽覺能力來感知環境。然而，自動駕駛汽車控製器的開發對外部幹擾出現時的魯棒性要求更高，因為在自動駕駛模式下不會有人參與。因此，預測和環境數據在自動駕駛汽車應用中變得更加重要。許多控製方法，包括PID, LQR, MPC，滑模控製，甚至動態規劃可以或必須與預測數據相結合。同時，由於需要考慮外部幹擾，控製器的開發變得複雜。從車輛的技術發展來看，自動駕駛車輛上已經安裝了包括毫米波雷達、激光雷達、超音速雷達、攝像頭等多種傳感器，解決了數據需求問題。然而，由於傳感器的範圍有限，控製器的性能仍然有限，不能全局優化。 Therefore, the next stage is the development of cloud platform that can connect each individual within a transportation network to provide vehicle control with the purpose to globally optimize traffic flow in all directions.

2. （2）

   雲控製平台的概念和核心技術難點

   基於大數據配置、通信技術和計算能力的快速發展，物聯網(IOT)成為現實。車聯網將具備通信、存儲、智能和學習能力，以預測客戶的意圖。有助於向車聯網過渡的概念是車輛雲，相當於車輛的互聯網雲，提供自動駕駛汽車所需的所有服務。172］．

   • 高速、完整的數據傳輸要求

     雲就像一個頂級的監控器和指揮官，負責一個區域。該區域包括動態交互的代理(車輛、基礎設施、行人等)。車載雲控製的第一個核心技術難點是通信能力。由於大量的agent需要雲終端提供路徑規劃建議，需要在雲網絡上傳輸的即時動態數據量將是巨大的。對於高效的車載雲，還需要對數據流進行調節，以識別必要的接收器，避免不必要的接收器獲取數據。因此，盡管有控製數據，但應該有另一種類型的數據來確定從一個代理釋放的每個數據集的接收者列表。動態交通網絡運行速度快，在大多數情況下，秒級時延可能導致災難性事故。然後，車輛執行器需要時間來根據雲命令控製車輛。因此，高速數據傳輸網絡的發展是必要的。反饋控製方法由於其魯棒性，在車輛動態跟蹤控製中得到了廣泛的應用。 However, such methods heavily rely on the competence and accuracy of vehicle dynamic states. Although, observer can be designed to estimate vehicle states when states are not available. The estimation model introduces inaccuracy as well, which will affect control performance. With this reason, cloud network must has the capability to transfer sensor data released from vehicles with high level of integrity for effective controller performance.

   • 車輛與雲之間的數據調節

     從文獻中可以明顯看出，不同的控製方法需要不同的車輛數據。即使不同的控製器產生相同的控製目標，由於算法可能有不同的控製輸入和不同的模型細節級別，對數據的要求也可能不同。在雲控製概念下，控製算法將與雲計算相結合，這將導致多種類型的數據需求。為了實現高效率，必須識別冗餘或不必要的數據，並防止從雲端接收數據。這需要對集成在雲端的算法進行數據彙總。幾乎所有的控製方法都需要大量的路徑規劃中的基礎數據，比如車輛速度、車輛加速度，雲應該有一個預定義的規則來分類所需的基本數據，以及控製特定車輛所需的特定數據。這也需要車輛將一些特定的數據上傳到雲端，以滿足額外的數據需求。因此，需要解決的第二個核心問題是在雲網絡中建立適當的數據監管和過濾係統。

   • 確定控製算法在車側和雲側的分布

     車輛有自己的控製算法集成在ECU。它有自己的傳感器用於車輛動態檢測，除了基於環境感知可以獲得的基本運動數據(速度、加速度、位置等)外，這是雲從車輛側獲得運行數據的唯一方式。在雲和車輛之間分配控製責任的方式可能會出現問題。很難確定雲是否需要一個詳細的車輛動態模型來考慮車輛的響應能力。從過去的機器人路徑規劃控製來看，在線納入的智能體(機器人)模型是一個簡化模型。這種處理方法在交通控製中也很常見，因為詳細的模型會大大增加合作模型的複雜性，合作模型是在多agent層麵上製定的，需要描述agent之間的關係。車輛被視為交通網絡中的一個質點，模型簡單，隻包含車輛的基本運動數據。然而，基本的運動數據來自於詳細而複雜的動力係統操作，包括發動機、變速器和車輪。如果僅基於簡單模型進行路徑規劃，無法確定車輛對控製命令的反應能力，將導致無用的規劃。因此，在雲端包含詳細的車輛動態模型是必要的。 However, heavy storage of vehicle model will increase workload of cloud. The balance between these two factors becomes another core problem. Large number of experiments need to be done to test the requirement level of vehicle model detail a cloud network needs based on the control algorithm integrated on the cloud to let cloud do correct commands.

   • 在雲平台上開發協同控製

     現有的協同控製方法采用硬約束來限製交通流，以表示車輛跟上交通流的運動能力。這樣的簡化要求雲能夠即時訪問交通流數據。通過使用交通流曆史數據，使用深度學習等智能算法來學習交通流模式，然後預測未來的流行為，作為雲係統的參考，以確定當前交通網絡中的參與者(車輛)是否可以實現控製命令。這可能會產生另一個問題，交通數據可以用來描述交通流的正常狀況。但是，如果突然出現幹擾(例如網絡中出現極快或極慢的車輛或隊列)，學習模型需要獲取新的數據用於訓練。

基於目前雲網絡上的數據共享能力，車輛的速度、加速度、位置和車與車之間的距離是最容易獲得的數據。根據車輛的VIN號、車型、品牌也可以得到。雲可以包括一個數據庫，其中包含從汽車製造商獲得的車輛基本數據(最大性能)。然後，協同控製係統可能還有一個關於車輛對路徑規劃命令的反應速度的信息。這將提供一個具有最大性能約束的更詳細的模型，以讓雲計算找到控製命令。在雲計算中，仍然應該從宏觀的角度考慮流量控製，因為數據加載可能是一個核心問題。優化方法的約束條件應進一步改進，以考慮車輛的具體情況。這些數據可以從車輛中發布，這意味著雲應該有權訪問一些ECU數據，以了解車輛的一些基本內部動態。該模型可以簡化。然而，為了獲得更好的控製性能，以及提高雲處理突發情況的能力，應該對模型的準確性進行調查。 As for vehicle side, based on drive-by-wire system, the on-board CAN bus already contains different sets of operation data. Such data can be released to cloud via wireless communication. Then, cloud will not only use road-side infrastructure as a way to detect vehicle passively. Vehicle will be an active terminal to share data with cloud. In the normal driving modes that do not require extreme driving maneuvers, vehicle equipped controller can receive cloud control command with the time length an action needs to be made. Then, on-board controller will control the vehicle according to the time limitation. Currently, vehicle control strategy does not include response time as one variable that needs to be designed. Time response is always a byproduct identified based on experimental test. To achieve time limitation as a hard constraint, extended control strategy development should be addressed.

本節提出了車輛控製從個體到合作的曆史。然後，指出了在雲控製係統中采用協同控製的必要性。部分研究工作證明了協同控製在提高交通流效率方麵的有效性。將協同控製與雲集成仍然會帶來一些需要注意的新挑戰。

支持技術

V2X溝通

車聯網(IoV)的概念是從物聯網(IoT)的概念延伸而來的[173］．車聯網涉及多種技術，如無線網絡通信、高性能計算和汽車電子電氣架構技術[174,175］．作為一項跨學科的新興技術，在過去的幾十年裏，它吸引了業界和學術界的大量研究和實踐[176,177,178］．

縱觀世界範圍內的車聯網通信研究，主要分為兩大類。一是基於專用短程通信(DSRC)的車聯網通信技術;二是基於移動蜂窩網絡的車聯網通信技術[179,180,181］．電機及電子工程師學會(IEEE)自2004年起製定了適用於道路環境的無線接達標準IEEE 802.11p [182］．它們與IEEE 1609協議套件中的WAVE架構相結合，形成了被業界廣泛接受的車聯網通信的基本協議架構。該協議基本實現了V2X通信的目標。根據預期的需求和行業發展，美國交通部發布了一項計劃，要求在2021年推出dsrc支持的車輛。該計劃宣布，到2024年，所有在美國生產的汽車都必須支持DSRC標準。

隨著蜂窩通信技術的快速發展和演進，業界開始關注C-V2X技術的研究[183,184］．2016年，第三代合作夥伴計劃(3rd Generation Partnerships Project, 3GPP)為R14版本的V2X通信定製了專用協議LTE-V2X [185]，可以更好地支持現有的車聯網業務。最初，基於802.11p的V2X僅在歐盟、美國和日本進行了小規模部署，而C-V2X在其他地區(如中國)的發展勢頭越來越強勁。在表5，根據參考文獻，DSRC和C-V2X的簡單比較。[186]已被指定。

V2X是提供更可預測駕駛體驗的關鍵。它將為個人車輛控製帶來重大價值，可以被視為一個額外的傳感器，提供360°非視線(NLOS)感知環境條件和交通狀況。然而，對於ICV CCS來說，V2X不僅僅是一個傳感器，還是車輛與雲控製平台之間交換數據的通信管道。此外，為了實現完全協調的駕駛體驗，未來需要在雲控製平台和密集分布的節點之間隨時交換更多的數據。在這種情況下，當前的V2X技術將麵臨一些新的挑戰，例如極高的吞吐量要求、無邊緣連接、更低的端到端延遲、更高的可靠性和更大的容錯能力[187］．為了克服這些挑戰，需要研究先進的天線技術、更靈活的連接方式、多連接機製和新的框架結構設計。

高清地圖

雲控製平台要實現數據與真實環境的連接，實現係統功能，需要高清地圖的支持。與傳統數字地圖相比，高清地圖是一種精度高於厘米級的數字道路地圖，以滿足自動駕駛車輛的安全要求[188,189］．

高清動態地圖基礎平台從雲控製等平台獲取車輛和路邊動態數據，更新靜態地圖，生成動態地圖。目的是實現ICV的實時高清地圖需求。同時，靜態地圖更新和動態地圖生成任務需要通過雲控製平台的區域和邊緣雲向ICV傳輸服務。

高清動態地圖基礎平台可為雲控製平台提供高清地圖基礎數據，實現多源數據融合，實現車輛超視距感知和車路協同。

高清地圖的數據類型可分為兩類。一是道路基礎數據，包括車道、車道類型、車道寬度、車道坡度、曲度等。另一種是路邊環境上的靜態對象數據，如交通標誌、信號、障礙物等詳細信息。需要對道路基本數據和路邊環境數據進行編碼，使導航係統定位地形、路麵、物體的空間結構以及駕駛標誌的位置。上述信息將在雲控製平台上進行處理和共享。雲控製平台將通過經過處理的地圖數據，結合車輛側位數據和道路側動態感知數據，為ICV提供車道級感知、路徑規劃和實時/靜態服務。

雲控製平台可在opendrive中獲取高清地圖數據[190]、nds和KIVI格式。結合路網交通數據，支持高清實時導航服務。

借助高清地圖，ICV CCS可以在霧、霧霾或降雨等惡劣天氣條件下更好地為聯網車輛服務，即使融合感知性能較低。基於大量全局規劃算法，高清地圖還可以幫助改善ICV從道路到車道級別的路徑規劃[191](如D*， A*)，以提高導航精度。

高清地圖是ICV CCS內部必要的配套數據源。它包括高清地圖內容的發送和接收。在數據發送和接收過程中，需要保證地圖數據轉換的準確性，避免數據丟失。在CCS中，需要保證交通參與者和時間數據的準確性。因此，轉換需要簡單準確，以保持高頻率的數據長期傳輸，從而減少數據傳輸延遲。在厘米級定位的支持下，ICV CCS應準確定位事故位置，通知駕駛員或在安全區域控製自動駕駛車輛，並預測未來的緊急情況。CCS應更合理地處理車輛和基礎設施位置數據，實現對動態數據的有效監控。然後，將合並後的數據與厘米級定位數據一起發送給駕駛者。HD定位技術還可結合V2X通信，確保CCS中全局和本地編程的準確性[192］．對係統中集成的算法進行改進，使其更適應精確定位，實現更合理的路徑規劃。

場景

自動駕駛場景庫是根據一定的測試需求開發的一組虛擬場景。自動駕駛汽車虛擬測試對於測試車載傳感器、數據傳輸和控製策略的功能和算法有效性是非常必要的。幫助開發人員識別各種駕駛場景下的係統缺陷，避免在實際環境中出現類似問題。場景庫是虛擬測試的核心組件，因為場景庫的內容直接影響自動駕駛汽車在真實環境下的性能。因此，通過有效開發盡可能多的場景庫，自動駕駛汽車可以更好地適應真實環境。

場景庫將在ICV CCS中發揮重要作用，因為傳統的車輛開發流程包括模型開發、仿真、駕駛模擬測試、HIL測試、車輛在環測試、封閉現場測試和開放道路測試都不足以滿足ICV的生產，需要具有場景的雲控製仿真。

場景庫的構建包括三個主要步驟。第一步是確定單場景的數據存儲格式和標準。目前，國際上使用的標準數據格式是OpenScenario [193］．它主要用於描述複雜的同步機動，涉及多個實體，如車輛、行人和其他交通參與者。該標準在故事板中描述車輛的操作，故事板被細分為故事、行為和序列。數據以層次結構組織，並以XML文件格式序列化[194］．第二步是構建包含靜態和動態場景的單個場景。靜態場景構建利用來自傳感器和高清地圖的物體和環境數據構建空間和視覺場景模型。動態場景構建是將交通傳感器和路況數據轉換為路徑和屬性數據，生成動態場景。動態場景還包括ADAMS、Simpack、Modelica等生成的車輛動態模型。第三步是基於單個場景構建場景庫。第一個子步驟是識別靜態和動態場景的特征，然後根據測試需求選擇合適的場景。第二個子步驟是將場景保存到庫中，並根據測試需求構建搜索內容[195］．

通過場景庫，可以對CCS的核心應用場景進行係統分類，從而開發定製模塊解決具體問題。基於場景庫的測試有助於雲控製平台在控製算法和軟件、物理和網絡架構方麵的性能提升。同時也促進了雲控製平台的應用，開發了潛在的功能。

介紹V2X通信的發展曆史、高清地圖的構成要素和結構以及場景庫的構建過程。然後，確定了這些技術在ICV CCS中的支持作用。部分工作明確了V2X通信和高清地圖的發展方向，以便更好地支持ICV CCS。此外，ICV CCS的實施還需要這些支撐技術的協同配合。

本文從概念、體係結構、技術等方麵對智能網聯汽車雲控製係統進行了係統綜述。本文通過對文獻的調研和分析，雲控製係統的概念是由大量與雲相關的智能網聯汽車應用形成的，其係統架構可以通過實施網絡物理係統設計方法論進行設計，其核心和支撐技術具有多學科集成、寬範圍交互和前沿通用性的特點。

關於目前的發展，可以得出以下結論。

1. (1）

   包括中心雲和邊緣雲，以及單個車輛在內的多級雲係統可以作為基本結構。

2. （2）

   對自動駕駛車輛的協同控製特別是雲控製可以有效地平滑交通流。

3. （3）

   基於網絡物理係統的設計方法是雲控製係統開發的有效途徑。

4. （4）

   核心支撐技術已經開發完成，雲控係統建設前期工作已經做好。

然而，雲控製係統的廣泛應用還麵臨著一些挑戰。例如，仍需製定國家層麵的雲控係統建設和運營計劃。與智能網聯汽車相關的數據確認權仍然是需要分類的主要問題。在標準方麵，仍然需要尋找雲控製係統標準體係和服務方法論的構建途徑。在傳播方麵，目前還沒有有效推廣雲控製係統應用實例的方法和係統分布的整體規劃。

根據上述挑戰，本文也應總結雲控製係統的研究方向。

1. (1）

   有必要把重點放在頂層設計開發上，並把這項任務作為國家層麵的政府政策。

2. （2）

   開發支持協同任務的雲控製係統的基礎平台應成為係統架構開發的主要過程。

3. （3）

   車、路、雲之間的協同感知、路徑規劃和控製應成為雲控製係統技術發展的新趨勢。

不適用。

北京市新星科技計劃項目(批準號:;Z191100001119087)、北京市科學技術委員會(批準號:Z191100001119087);Z181100004618005及批準編號Z18111000460000)

作者及隸屬關係

1. 國家智能網聯汽車創新中心，北京100176

   褚文波，祁其格，杜小平，熊秋池，黃泰，李克強

2. 北京航空航天大學軟件學院，北京，100083

   小平杜

3. 清華大學車輛與機動學院汽車安全與能源國家重點實驗室，北京100084

   將李

貢獻

WC, XD構思了提出的想法。KL監督了整篇論文;QW, QX和TH撰寫並修改了手稿。所有作者都閱讀並批準了最終的手稿。

作者的信息

朱文波，1986年生，現任中國科學院研究員中國智能網聯汽車(北京)研究院有限公司，這也是國家智能網聯汽車創新中心。他獲得了學士學位，主修汽車工程清華大學，中國他於2008年獲得碩士學位，主修汽車工程德國亞琛工業,博士學位清華大學機械工程專業2014年。

qiqiige Wuniri, 1979年出生，現任中國機械工程學院高級工程師中國智能網聯汽車(北京)研究院有限公司．她獲得了博士學位，主修計算機科學北京航空航天大學，中國2019年。

杜曉萍，1962年出生，現任中國科學院教授北京航空航天大學軟件學院的技術總監中國智能網聯汽車(北京)研究院有限公司．他獲得碩士學位，主修計算機科學來自中國重慶大學，1995年獲智能係統專業博士學位日本九州大學在2001年。

熊秋池，1991年出生，現任中國機械工程學院高級工程師中國智能網聯汽車(北京)研究院有限公司．他獲得機械工程專業碩士學位美國弗吉尼亞理工學院及州立大學在2020年。

黃泰，1990年出生，現任高級工程師，六西格瑪黑帶工程師中國智能網聯汽車(北京)研究院有限公司．他獲得通信工程專業碩士學位查爾姆斯理工大學，瑞典2016年。

李克強，1963年生，現任中國工程院院士，中科院教授清華大學車輛與機動學院。他獲得了學士學位，主修機械工程清華大學，中國1985年獲機械工程碩士和博士學位來自中國重慶大學分別在1988年和1995年。他曾擔任中國汽車工程師學會會員，中國汽車工程學會編委國際車輛自動係統雜誌中國工程院專家委員會主任委員(中國汽車產業技術創新戰略聯盟)，以及CICV的技術總監(中國智能網聯汽車(北京)研究院有限公司)。

相應的作者

對應到將李．

相互競爭的利益

作者聲明沒有相互競爭的經濟利益。

開放獲取本文遵循知識共享署名4.0國際許可協議，允許以任何媒介或格式使用、分享、改編、分發和複製，隻要您對原作者和來源給予適當的署名，提供知識共享許可協議的鏈接，並注明是否有更改。本文中的圖像或其他第三方材料包含在文章的創作共用許可協議中，除非在材料的信用額度中另有說明。如果材料未包含在文章的創作共用許可協議中，並且您的預期使用不被法定法規所允許或超出了允許的使用範圍，您將需要直接獲得版權所有者的許可。如欲查看本牌照的副本，請瀏覽http://creativecommons.org/licenses/by/4.0/．

轉載及權限