1.1.3 智能網聯汽車路側智能感知系統

1.路側感知功能

路側感知就是利用攝像機、毫米波雷達、激光雷達等傳感器，并結合路側邊緣計算，實現對該路段的交通參與者、路況等的瞬時智能感知。

路側感知能拓展自動駕駛車輛和駕駛人的感知范圍，并通過V2X車路協同技術實現人-車-路-云的一體化運行監測，第一時間發現道路通行異常，實現車路協同、車云協同、區域路云協同等智能應用，滿足自動駕駛車輛和社會車輛智能出行需求，同時它能使監管機構變得更加高效靈活，從而建立一個響應速度更快、更加靈活的監管環境。

針對自動駕駛車輛，路側感知將增強其感知能力，有效彌補單車智能的感知盲點，讓自動駕駛由過去的單車智能轉變為有組織的高效協同合作。在自動駕駛感知、決策層面技術痛點無法短時間突破的背景下，行業正由單車智能走向協同智能，也將推動自動駕駛產業加速成熟，最終形成低成本的自動駕駛。

針對普通社會車輛，路側感知將給其賦能先進輔助駕駛功能。通過路側雷達、攝像頭等傳感器采集汽車周邊、前方較遠距離的環境數據，進行靜態和動態物體的識別與跟蹤，控制系統結合地圖數據做出行為決策，使駕駛人覺察可能發生的危險，從而有效提升駕駛安全性與舒適性。社會車輛通過安裝車路協同App或者觀察道路側的交通信息指示牌，即可體驗部分功能，獲取視距范圍外的實時路況信息，提前根據需要減速或調整路線，以達到降低交通隱患、舒適出行的目的。

路側感知數據接入交警數據平臺，可將原始數據和本地處理的結果上傳云端，通過對海量交通運行數據進行整合處理，形成分析預測模型，運用于交通調度引導、線路規劃和車輛管控等方面，推動道路基礎設施要素資源全面數字化、“人車客貨”互聯互通，用數據管理和決策為車輛的運行與監管提供全方位的支持，為提升高速公路的交通效率提供了有效的解決方案。

2.路側感知常見應用場景

通過對不同類型的路段進行路側感知會得到相應的應用場景，這些應用場景不但能夠保證車輛安全通行的需求，同時還能夠滿足智能網聯車輛的測試需求。立足于不同路段的交通流特點及其延伸出來的痛點分析結果，我們將路側感知應用場景劃分為智慧高速道路和智慧城市交叉路口兩個主要的應用板塊。

智慧高速解決方案中，路側感知主要場景見表1-1。

智慧城市解決方案中，路側感知主要場景見表1-2。

網聯化是指通過V2X技術，讓所有道路參與者實現路況信息實時共享，實現真正的“人-車-路-云”協同智能。路側感知是V2X的重要組成部分，通過架設在道路側的傳感器感知實時道路信息和交通信息，并與車輛共享，使車擁有超視距感知能力，為實現更高級別的智能駕駛提供新方向。同時，V2X技術是物聯網技術面向應用的概念延伸。通過V2X技術，將路側傳感器與車載傳感器等進行互聯，也有利于實現單機智能向互聯智能，甚至主動智能方向轉變。因此，智能網聯汽車路側智能感知離不開交通標志和信號燈的識別技術。

3.交通標志識別系統

在與機動車有關的死亡事故中，一部分是因為發生了與速度有關的碰撞。交通標志識別（TSR）是一種先進駕駛輔助系統，也是一個車輛安全系統。該系統使用先進的前置攝像頭，一般安裝在風窗玻璃上，靠近后視鏡。攝像頭處理道路標志的檢測，軟件對其進行處理，對某些交通標志的含義進行分類。在對交通標志進行分類后，通過儀表板、多媒體或平視顯示器將交通標志信息傳遞給駕駛人，幫助駕駛人了解速度限制和其他道路標志，幫助駕駛人提高安全意識，能夠做出更安全的駕駛決定。

交通標志的識別包括兩個過程：檢測和識別。

檢測的目的是去除無效信息對識別的干擾，只對感興趣的區域處理，減少計算機處理圖像的計算量。一般是通過交通標志的色彩或是形狀特征以及兩者綜合的方法檢測出所有可能是交通標志的區域，然后將興趣區域從整個圖像中分割，再進行規則化以方便在接下來的識別階段識別交通標志。檢測方法通常分為基于顏色和基于形狀檢測兩類。顏色是交通標志最重要的特征之一，同類交通標志通常具有顏色相同的特征，比如我國交通標志大部分為紅、黃、藍、黑、白幾種顏色，并且視角改變時顏色也不會發生改變。而且，根據色彩空間的特征，顏色具有較好的可分離性。通過特征顏色分割，可以達到去除大片非感興趣區域的目的，這有利于提高系統的實時性。

識別就是進一步判定分割出的交通標志內核區域的含義。在完成檢測到交通標志并把非交通標志的區域設為背景后，還要經過將分割出的圖像進行歸一化以及預處理操作，如消除噪聲、拍攝抖動、光照等的影響，而后對其內核內容進行識別，通常使用支持向量機進行分類。該方法是一種基于對大量樣本學習的優化分類模型，原理是根據統計學的結構風險最小化原理，其結構簡單泛化能力強，在顏色分割的基礎上，以目標區域的邊界距離為特征訓練線性支持向量分類檢測交通標志，然后以交通標志的全部像素為特征訓練非線性支持向量分類機來對標志進行分類理解。該算法不足之處是以標志的全部像素為特征，特征空間較大，網絡復雜；分類時需要高維映射，計算量較大。

交通標志檢測并不是在所有情況下都能發揮作用，當道路標志損壞、缺失或相隔距離較遠時，就更明顯了。由于識別道路標志的固有問題，一些車輛使用TSR和全球定位系統（GPS）數據的組合來驅動其當前的速度限制顯示。將不同來源的數據結合起來，可以獲得更好的知情駕駛體驗。

目前的技術還不能確定所有的交通標志，也不能在所有條件下運行。TSR系統的性能受以下幾種情況限制：前照燈臟污或調整不當；風窗玻璃臟污、起霧或堵塞；翹曲、扭曲或彎曲的標志；輪胎或車輪狀況異常；由于重物或修改懸架而導致的車輛傾斜。雖然TSR和類似的車輛傳感技術在邁向完全自主駕駛方面很有幫助，但距離仍然很大，駕駛人不能完全依賴任何ADAS來替他們駕駛。

4.交通信號燈識別系統

交通信號燈識別系統同樣包括檢測和識別兩個基本環節。首先是定位交通信號燈，通過攝像頭從復雜的城市道路交通環境中獲取圖像，根據交通信號燈的顏色、幾何特征等信息，準確定位其位置，獲取候選區域。然后是識別交通信號燈，通過檢測算法獲取交通信號燈的候選區域，通過對其分析及特征提取運用分類算法，實現對其分類識別。

（1）系統組成

交通信號燈有各種識別系統，主要由圖像采集模塊、圖像預處理模塊、檢測模塊、識別模塊、跟蹤模塊和通信模塊等組成。

1）圖像采集模塊。攝像頭的成像質量好壞將影響后續識別和跟蹤的效果，一般采用彩色攝像頭，其中鏡頭焦距、曝光時間、增益、白水平等參數的選擇都對攝像頭成像效果和后續處理有重要影響。

2）圖像預處理模塊。圖像預處理模塊包括彩色空間選擇和轉換，彩色空間各分量的統計分析基于彩色分析的彩色圖像分割、噪聲去除以及基于區域生長聚類的區域標記，通過圖像預處理后得到交通信號燈的候選區域。

3）檢測模塊。檢測模塊包括離線訓練和在線監測兩部分。離線訓練通過交通信號燈的樣本和背景樣本的統計學習得到分類器，利用得到的分類器完成交通信號燈的檢測。

4）識別模塊。通過檢測模塊在圖像中的檢測定位，結合圖像預處理得出信號燈色彩結果、交通信號燈發光單元面積大小和位置等先驗知識，從而實現交通信號燈的識別功能。

5）跟蹤模塊。通過識別模塊得到的結果可以得到跟蹤目標，利用基于彩色的跟蹤算法可以對目標進行跟蹤，有效提高目標識別的實時性和穩定性。運動目標跟蹤辦法可分為四類，分別是基于區域的跟蹤辦法、基于特征的跟蹤辦法、基于主動輪廓線的跟蹤辦法和基于模型的跟蹤辦法。

6）通信模塊。該模塊是聯系環境感知模塊、規劃決策模塊與車輛底層控制模塊的橋梁，通過制訂的通信協議完成各系統的通信，實現信息共享。

（2）識別方法

交通信號燈的識別方法主要有基于顏色特征的識別算法和基于形狀特征的識別算法。

1）基于顏色特征的識別算法?；陬伾卣鞯慕煌ㄐ盘枱糇R別算法主要是選取某個色彩空間對交通信號燈的紅、黃、綠3種顏色進行描述。在這些算法中，依據對色彩空間的不同，主要分為基于RGB顏色空間的識別算法、基于HIS顏色空間的識別算法和基于HSV顏色空間的識別算法。

2）基于形狀特征的識別算法。基于形狀特征的識別算法主要是利用交通信號燈和它的相關支撐物之間的幾何信息。這一識別算法的主要優勢在于交通信號燈的形狀信息一般不會受到光學變化和天氣變化的影響。此外，也可以將交通信號燈的顏色特征和形狀特征結合起來，以減少單獨利用某一特征所帶來的影響。