CN114995451A - 用于车路协同自动驾驶的控制方法、路侧设备和系统 - Google Patents

Abstract

本公开提供了一种用于车路协同自动驾驶的控制方法、装置、系统、电子设备、路侧设备、路侧系统、车辆、云控平台和介质，涉及人工智能技术领域，尤其涉及自动驾驶和智能交通技术领域。实现方案为：确定目标交通事件及其相关信息，所述相关信息包括所述目标交通事件的发生位置；基于所述目标交通事件的发生位置，确定一个或多个目标车辆，其中，所述一个或多个目标车辆中的每一个目标车辆的当前位置和所述目标交通事件的发生位置之间的距离小于第一预设距离；以及将所述目标交通事件及其相关信息发送给所述一个或多个目标车辆。

Description

用于车路协同自动驾驶的控制方法、路侧设备和系统

技术领域

本公开涉及人工智能技术领域，尤其涉及自动驾驶和智能交通技术领域，具体涉及用于车路协同自动驾驶的控制方法、装置、系统、电子设备、路侧设备、路侧系统、车辆、云控平台、计算机可读存储介质和计算机程序产品。

背景技术

自动驾驶目前主要依靠单车智能自动驾驶(Autonomous Driving，AD)。其中AD主要依靠车辆自身的视觉、毫米波雷达、激光雷达等传感器、计算单元、线控系统进行环境感知、计算决策和控制执行。

在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明，否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地，除非另有指明，否则此部分中提及的问题不应认为在任何现有技术中已被公认。

发明内容

本公开提供了一种用于车路协同自动驾驶的控制方法、装置、电子设备、计算机可读存储介质和计算机程序产品。

根据本公开的一方面，提供了一种用于车路协同自动驾驶的控制方法，包括：确定目标交通事件及其相关信息，所述相关信息包括所述目标交通事件的发生位置；基于所述目标交通事件的发生位置，确定一个或多个目标车辆，其中，所述一个或多个目标车辆中的每一个目标车辆的当前位置和所述目标交通事件的发生位置之间的距离小于第一预设距离；以及将所述目标交通事件及其相关信息发送给所述一个或多个目标车辆。

根据本公开的另一方面，提供了一种用于车路协同自动驾驶的控制方法，包括：获取在车辆的行驶方向上车辆前方的感知路况信息；从路侧设备接收目标交通事件及其相关信息，所述相关信息包括所述目标交通事件的发生位置；响应于确定所述感知路况信息不包括所述目标交通事件及其相关信息，融合所述感知路况信息和所述目标交通事件及其相关信息，得到融合路况信息；以及基于所述融合路况信息，确定车辆的控制决策。

根据本公开的另一方面，提供了一种用于车路协同自动驾驶的控制装置，包括：第一确定单元，被配置用于确定目标交通事件及其相关信息，所述相关信息包括所述目标交通事件的发生位置；第二确定单元，被配置用于基于所述目标交通事件的发生位置，确定一个或多个目标车辆，其中，所述一个或多个目标车辆中的每一个目标车辆的当前位置和所述目标交通事件的发生位置之间的距离小于预设距离；以及发送单元，被配置用于将所述目标交通事件及其相关信息发送给所述一个或多个目标车辆。

根据本公开的另一方面，提供了一种用于车路协同自动驾驶的控制装置，包括：获取单元，被配置用于获取在车辆的行驶方向上车辆前方的感知路况信息；接收单元，被配置用于从路侧设备接收目标交通事件及其相关信息，所述相关信息包括所述目标交通事件的发生位置；融合单元，被配置用于响应于确定所述感知路况信息不包括所述目标交通事件及其相关信息，融合所述感知路况信息和所述目标交通事件及其相关信息，得到融合路况信息；以及第三确定单元，被配置用于基于所述融合路况信息，确定车辆的控制决策。

根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行上述任一项的方法。

根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行上述任一项的方法。

根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，其中，计算机程序在被处理器执行时实现上述任一项的方法。

根据本公开的另一方面，提供了一种自动驾驶车辆，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述任一项的方法。

根据本公开的另一方面，提供了一种路侧设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述任一项的方法。

根据本公开的另一方面，提供了一种云控平台，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述任一项的方法。

根据本公开的另一方面，提供了一种车路协同系统，包括如上所述的路侧设备和如上所述的云控平台。

根据本公开的一个或多个实施例，可以利用路侧设备来执行对车辆的自动控制，提升了在多种场景下对车辆的自动控制能力，满足当前人们对于自动驾驶技术的应用的多方面的需求。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图示例性地示出了实施例并且构成说明书的一部分，与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的，并不限制权利要求的范围。在所有附图中，相同的附图标记指代类似但不一定相同的要素。

图1示出了根据本公开的实施例的可以在其中实施本公开描述的各种方法的示例性系统的示意图；

图2示出了根据本公开示例性实施例的用于车路协同自动驾驶的控制方法；

图3示出了根据本公开示例性实施例的用于车路协同自动驾驶的控制方法；

图4示出了根据本公开示例性实施例的违章停车、“死车”等交通事件识别的示意图；

图5示出了根据本公开示例性实施例的排队交通事件识别的示意图；

图6A和图6B示出了根据本公开示例性实施例的道路遗撒事件识别的示意图；

图7示出了根据本公开示例性实施例的基于路侧协同感知的隧道内事件协同感知与协同决策控制的示意图；

图8A和图8B示出了根据本公开示例性实施例的车辆超视距协同感知的示意图；

图9示出了根据本公开示例性实施例的路边低速车辆检测的示意图；

图10示出了根据本公开示例性实施例的用于车路协同自动驾驶的控制装置的结构框图；

图11示出了根据本公开示例性实施例的用于车路协同自动驾驶的控制装置的结构框图；

图12示出了能够用于实现本公开的实施例用于的示例性电子设备的结构框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

在本公开中，除非另有说明，否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系，这种术语只是用于将一个元件与另一元件区分开。在一些示例中，第一要素和第二要素可以指向该要素的同一实例，而在某些情况下，基于上下文的描述，它们也可以指代不同实例。

在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的，而并非旨在进行限制。除非上下文另外明确地表明，如果不特意限定要素的数量，则该要素可以是一个也可以是多个。此外，本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。

在当前的自动驾驶领域中，较为普遍地采用了单车智能自动驾驶技术。在单车自动驾驶中，环境感知是通过车上安装的传感器完成对周围环境的探测和定位功能。计算决策一方面将传感器数据进行分析处理，实现对目标的识别；另一方面进行行为预测和全局路径规划、局部路径规划和即时动作规划，决定车辆当前及未来的运行轨迹。控制执行主要包括车辆的运动控制以及人机交互，决定每个执行器如电机、油门、刹车等控制信号。

然而，单车智能自动驾驶受到车端传感器安装位置、探测距离、视场角、数据吞吐、计算能力、标定精度、时间同步等限制，车辆在繁忙路口、恶劣天气、小物体感知识别信号灯识别、逆光等环境条件中行驶时，难以彻底解决准确感知识别和高精度定位问题，无法满足当前人们对于自动驾驶技术的应用需求。

基于此，本公开提出能够利用路侧设备来执行对车辆的自动控制的方法，提升了在多种场景下对车辆的自动控制能力，满足当前人们对于自动驾驶技术的应用的多方面的需求。

下面将结合附图详细描述本公开的实施例。

图1示出了根据本公开的实施例可以将本公开描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1，该系统100包括机动车辆110、服务器120以及将机动车辆110耦接到服务器120的一个或多个通信网络130。

在本公开的实施例中，机动车辆110可以包括根据本公开实施例的计算设备和/或被配置以用于执行根据本公开实施例的方法。

服务器120可以运行使得能够实现自动驾驶的方法的一个或多个服务或软件应用。在某些实施例中，服务器120还可以提供可以包括非虚拟环境和虚拟环境的其他服务或软件应用。在图1所示的配置中，服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。机动车辆110的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解，各种不同的系统配置是可能的，其可以与系统100不同。因此，图1是用于实施本公开所描述的各种方法的系统的一个示例，并且不旨在进行限制。

服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机，或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中，服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。

服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个，包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。

在一些实施方式中，服务器120可以包括一个或多个应用程序，以分析和合并从机动车辆110接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序，以经由机动车辆110的一个或多个显示设备来显示数据馈送和/或实时事件。

网络130可以是本领域技术人员熟知的任何类型的网络，其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例，一个或多个网络110可以是卫星通信网络、局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、公共交换电话网(PSTN)、红外网络、无线网络(包括例如蓝牙、WiFi)和/或这些与其他网络的任意组合。

系统100还可以包括一个或多个数据库150。在某些实施例中，这些数据库可以用于存储数据和其他信息。例如，数据库150中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据存储库150可以驻留在各种位置。例如，由服务器120使用的数据存储库可以在服务器120本地，或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据存储库150可以是不同的类型。在某些实施例中，由服务器120使用的数据存储库可以是数据库，例如关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。

在某些实施例中，数据库150中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库，例如键值存储库，对象存储库或由文件系统支持的常规存储库。

机动车辆110可以包括传感器111用于感知周围环境。传感器111可以包括下列传感器中的一个或多个：视觉摄像头、红外摄像头、超声波传感器、毫米波雷达以及激光雷达(LiDAR)。不同的传感器可以提供不同的检测精度和范围。摄像头可以安装在车辆的前方、后方或其他位置。视觉摄像头可以实时捕获车辆内外的情况并呈现给驾驶员和/或乘客。此外，通过对视觉摄像头捕获的画面进行分析，可以获取诸如交通信号灯指示、交叉路口情况、其他车辆运行状态等信息。红外摄像头可以在夜视情况下捕捉物体。超声波传感器可以安装在车辆的四周，用于利用超声波方向性强等特点来测量车外物体距车辆的距离。毫米波雷达可以安装在车辆的前方、后方或其他位置，用于利用电磁波的特性测量车外物体距车辆的距离。激光雷达可以安装在车辆的前方、后方或其他位置，用于检测物体边缘、形状信息，从而进行物体识别和追踪。由于多普勒效应，雷达装置还可以测量车辆与移动物体的速度变化。

机动车辆110还可以包括通信装置112。通信装置112可以包括能够从卫星141接收卫星定位信号(例如，北斗、GPS、GLONASS以及GALILEO)并且基于这些信号产生坐标的卫星定位模块。通信装置112还可以包括与移动通信基站142进行通信的模块，移动通信网络可以实施任何适合的通信技术，例如GSM/GPRS、CDMA、LTE等当前或正在不断发展的无线通信技术(例如5G技术)。通信装置112还可以具有车联网或车联万物(Vehicle-to-Everything，V2X)模块，被配置用于实现例如与其它车辆143进行车对车(Vehicle-to-Vehicle，V2V)通信和与路侧设备144进行车辆到路侧设备(Vehicle-to-Infrastructure，V2I)通信的车与外界的通信。此外，通信装置112还可以具有被配置为例如通过使用IEEE802.11标准的无线局域网或蓝牙与用户终端145(包括但不限于智能手机、平板电脑或诸如手表等可佩戴装置)进行通信的模块。利用通信装置112，机动车辆110还可以经由网络130接入服务器120。

机动车辆110还可以包括控制装置113。控制装置113可以包括与各种类型的计算机可读存储装置或介质通信的处理器，例如中央处理单元(CPU)或图形处理单元(GPU)，或者其他的专用处理器等。控制装置113可以包括用于自动控制车辆中的各种致动器的自动驾驶系统。自动驾驶系统被配置为经由多个致动器响应来自多个传感器111或者其他输入设备的输入而控制机动车辆110(未示出的)动力总成、转向系统以及制动系统等以分别控制加速、转向和制动，而无需人为干预或者有限的人为干预。控制装置113的部分处理功能可以通过云计算实现。例如，可以使用车载处理器执行某一些处理，而同时可以利用云端的计算资源执行其他一些处理。控制装置113可以被配置以执行根据本公开的方法。此外，控制装置113可以被实现为根据本公开的机动车辆侧(客户端)的计算设备的一个示例。

可以理解，机动车不是必须包括上述各种车端传感设备。根据本发明的一些实施例，在机动车辆不具备或者不启用这些车端传感设备的情况下仍可实现安全可靠的自动驾驶。

本公开所涉及的路侧设备可以包括道路工程及配套附属设施，智能感知设施，例如，摄像头、毫米波雷达、激光雷达等，路侧通信设施，例如，直连无线通信设施、蜂窝移动通信设施等，计算控制设施，例如，边缘计算节点、MEC或各级云平台，高精度地图与辅助定位设施，以及电力功能等配套附属设备等。

自动驾驶汽车是一种极其复杂的系统，所处的实际驾驶环境要素繁多、复杂多变，使得自动驾驶车辆在安全方面存在许多不确定性。预期功能安全(Safety Of TheIntended Functionality，SOTIF)是自动驾驶安全体系的重要组成部分，主要是为了应对由于自动驾驶功能不足和可预见的人为误用造成的危害问题。面向单车自动驾驶的预期功能安全(AD SOTIF)主要涉及感知、预测、决策、控制和人机交互共五个大的方面，其中感知和预测是目前面临的突出问题。

图1的系统100可以以各种方式配置和操作，以使得能够应用根据本公开所描述的各种方法和装置。

AD SOTIF在感知方面存在的困难主要包括：

极端天气(雨、雪和大雾)条件下的感知问题。飞溅的雨水会影响激光雷达的反射效果，雾可能会遮挡摄像机的视线，雪会覆盖道路上用于辅助感知的道路标识，也会因为雪的密度影响激光雷达光束的反射效果，产生“幻影障碍(Phantom obstacles)”。

不利照明条件下的感知问题。镜头光斑(Lens-flares)、大阴影(Large shadows)和其他不利的照明条件都会对感知性能产生不同的影响。

遮挡条件下的感知问题。比如由于前方大车遮挡，自动驾驶车辆无法识别前方的交通参与者、信号灯或者交通运行状况。

在AD SOTIF在预测和决策控制方面存在的困难主要包括：

行人或车辆轨迹预测的不确定性。主要是因为1)交通参与者的轨迹往往呈现高度非线性；2)驾驶行为具有多模态性；3)交通参与者之间的交互作用难以建模。目前车端轨迹预测算法输出难于确保安全。

自动驾驶决策控制算法的可靠性问题。包括基于规则的决策方法与基于人工智能的决策方法，算法的可靠性也是目前自动驾驶面临的重要困难之一。

基于AD SOTIF，从保障自动驾驶安全的角度出发，引入并建立面向车路协同自动驾驶的预期功能安全(VICAD SOTIF)的安全理念，通过协同感知、协同决策与协同控制，解决AD SOTIF面临的突出问题，比如车端感知失效、行人和车辆轨迹预测等一系列典型安全问题。要通过VICAD SOTIF实现自动驾驶安全，就要求路侧的系统、设备以及车路通信必须满足SOTIF标准框架和相关标准，包括ISO 26262、ISO PAS 21448等，如表1所示。

表1：

根据SOTIF四象限理论，通过VICAD SOTIF可以使自动驾驶SOTIF中的不安全场景转化为安全场景，未知场景转化为已知场景。

(1)不安全场景转化为安全场景：针对原有“不安全”的场景，处理方式有两种：一是提升自动驾驶能力将其转化为安全场景，二是进行触发条件检测并通过限制ODD进行排除。车路协同的加入，让自动驾驶车辆能够获取更全面的数据，可以更早更远的启动处理，从而为车辆应对不安全场景营造更好的条件。同时，也支持增强对危险场景的触发检测能力，以便通过ODD将其排除。

(2)未知场景转化为已知场景：针对原有“未知”的场景的探索是一个行业难题，车路协同一方面可以通过全量的感知识别完成对未知现象触发和处理，如将未知异常的交通现象转化为触发条件，并且提示过往车辆提前做出预判；另一方面，通过数据驱动和算法学习，可以将未知数据采集、挖掘、训练提升，发现未知场景，从而完成学习式系统的成长。

ICAD SOTIF带来的显著变化是：“已知安全”场景集合明显扩大；“未知不安全”场景集合明显缩小。

车路协同自动驾驶是一个由低至高的发展过程，主要包括以下三个大的发展阶段1，如下表2所示，各个阶段的具体要求如下：

阶段1：信息交互协同——车辆OBU与路侧RSU进行直连通信，实现车辆与道路的信息交互与共享，通信方式可以是DSRC或LTE-V2X。具体如下表2所示：

表2：

阶段2：协同感知(阶段2.1：初级协同感知，阶段2.2：高级协同感知)

在阶段1的基础上，随着路侧感知能力的提高，自动驾驶的感知和决策的实现不仅仅依赖于车载摄像头、雷达等感知设备，而且需要智能道路设施进行协同感知。协同感知分为初级协同感知和高级协同感知两个分阶段：

阶段2.1初级协同感知：道路感知设施相对单一、部署范围有限、检测识别准确率较低、定位精度较低，达不到服务于L4级自动驾驶车辆的要求；

阶段2.2高级协同感知：道路感知设施多样、道路全面覆盖、检测识别准确率高、定位精度高，能够服务于L4级自动驾驶车辆；

阶段3：协同决策控制(阶段3.1有条件协同决策控制，阶段3.2：完全协同决策控制)

在阶段2协同感知的基础上，道路具备车路协同决策控制的能力，能够实现道路对车辆、交通的决策控制，保障自动驾驶安全、提高交通效率。

阶段3.1有条件协同决策控制：在自动驾驶专用道、封闭园区等环境下实现协同决策控制，或实现AVP自主泊车。

阶段3.2完全协同决策控制：在任何时间、任何道路和交通环境下，都可实现车路全面协同感知、协同决策控制功能。

车路协同自动驾驶由智能车辆、智能道路两大关键部分组成。

自动驾驶运行设计域(Operational Design Domain，ODD)是指自动驾驶系统功能设定的运行条件。每个自动驾驶系统运行的前提条件及适用范围可能都不太一样，只有当全部条件都满足时自动驾驶才能保证正常运行，相反欠缺任何一个前提条件，自动驾驶系统都有可能出现故障，这时就需要采取紧急停车措施或是驾驶员手动接管。由于现在的自动驾驶技术还处于发展阶段，无法保证自动驾驶车在任何天气条件下和任何道路环境中都可以安全行驶。因此，自动驾驶系统会提前设定好ODD，通过限制行驶环境和行驶方法，将有可能发生的事故防范于未然。

自动驾驶ODD包括但不限于天气条件、区域和时段限制、速度区间、交通流量及道路特征等，例如某品牌汽车的L3自动驾驶的ODD如下：

1)行驶在高速公路或者带有中央隔离带和护栏的两车道以上机动车专用公路上；

2)所在车道和周边车道的车间距离较近也就是说在堵车状态下；

3)车的行驶速度不超过60km/h；

4)在传感器可检测到的范围内没有信号灯也没有行人。

从上面的例子可以看出，自动驾驶必须在限定条件下才能正常运行，其根本原因是自动驾驶车辆自身的传感器能力、计算能力、决策规划能力等存在限制，难以保证车辆在各种复杂工况下都能安全运行。

例如受限于车载传感器的安装位置、传感器自身特性等原因，车辆难以完成以下场景的精准识别：路面遗撒，此场景下必须人工识别并及时接管；违停车辆、排队等交通事件，车辆难以做出准确决策，部分情况下需人工接管。自动驾驶要实现规模商业化，就必须保证车辆在各种真实复杂交通环境下都能安全运行，在单车智能难以得到很好解决的情况下，就必须依靠车路协同解决。

本公开所涉及的车路协同是采用先进的无线通信和新一代互联网等技术，全方位实施车与车、车与路、车与人之间动态实时信息交互，并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，从而形成安全、高效和环保的道路交通系统。

车路协同自动驾驶则是在单车智能自动驾驶的基础上，通过先进的车、道路感知和定位设备(如摄像头、雷达等)对道路交通环境进行实时高精度感知定位，按照约定协议进行数据交互，实现车与车、车与路、车与人之间不同程度的信息交互共享(网络互联化)，并涵盖不同程度的车辆自动化驾驶阶段(车辆自动化)，以及考虑车辆与道路之间协同优化问题(系统集成化)。通过车辆自动化、网络互联化和系统集成化，最终构建一个车路协同自动驾驶系统。

本公开提供了一种用于车路协同自动驾驶的控制方法，可用于路侧设备。图2示出了根据本公开示例性实施例的用于车路协同自动驾驶的控制方法200的流程图。如图2所示，方法200包括：

步骤S201、确定目标交通事件及其相关信息，所述相关信息包括所述目标交通事件的发生位置；

步骤S202、基于目标交通事件的发生位置，确定一个或多个目标车辆，其中，所述一个或多个目标车辆中的每一个目标车辆的当前位置和目标交通事件的发生位置之间的距离小于预设距离；

以及步骤S203、将目标交通事件及其相关信息发送给一个或多个目标车辆。

由此，通过利用路侧设备确定影响自动驾驶车辆通行的目标交通事件并播发给自动驾驶车辆，能够辅助自动驾驶车辆及时做出驾驶决策，提升通行安全。

目标交通事件的发生位置与车辆的位置可以大于预设距离，超出车载传感器的可感知距离范围内，通过从路侧设备接收播报的目标交通事件的相关信息，使得车辆能够提前做出相应的驾驶决策，例如，更改行驶路线，从而能够使得车辆避开目标交通事件，避免目标交通事件影响车辆的通行。

目标交通事件的发生位置与车辆的位置也可以小于预设距离，位于车载传感器的可感知距离范围内，但是受限于车载传感器的感知能力，无法通过感知识别目标交通事件。通过从路侧设备接收播报的目标交通事件的相关信息，使得车辆能够提前做出相应的驾驶决策，例如，减速、变道，从而降低交通事故风险，提升自动驾驶通行安全。

根据一些实施例，所述相关信息还包括以下各项中的至少一个：所述目标交通事件的类型和所述目标交通事件的预测结束时间。由此，通过将关于目标交通事件的更丰富的信息提供给相关自动驾驶车辆，能够进一步辅助车辆做出控制决策，提升自动驾驶的通行效率。

根据一些实施例，目标交通事件例如可以但不限于包括以下各项中的至少一个：直行排队、道路中间具有障碍物、违章占道停车、道路施工、路边车辆起步驶入道路、交通事故和自然灾害。由此，通过对这些目标交通事件进行检测，并将这些事件的相关信息发送给所确定的目标车辆，能够帮助自动驾驶车辆获知目标交通事件，从而辅助车辆及时做出驾驶决策。

示例性地，所述自然灾害例如可以包括坍塌、隧道内火灾、隧道内瓦斯超标等。示例性地，目标交通事件也可以包括其他可能对自动驾驶车辆通行产生影响的交通事件，例如路面积水等，对此不作限定。

根据一些实施例，当所述目标交通事件为道路中间具有障碍物时，所述目标交通事件的相关信息还包括所述障碍物的类型。由此，通过将关于目标交通事件的更丰富的信息提供给相关自动驾驶车辆，能够进一步辅助车辆进行控制决策，提升自动驾驶的通行安全和通行效率。所述障碍物的类型至少可以包括低矮障碍物和大型障碍物，从而能够使得自动驾驶车辆基于所述障碍物的类型信息更精准地确定所述障碍物对车辆通行的影响，以提升自动驾驶的通行安全。

根据一些实施例，当所述目标交通事件为路边车辆起步驶入道路时，所述目标交通事件的相关信息还包括所述路边车辆的运动信息。示例性地，所述运动信息可以包括路边车辆的速度、位置信息等。由此，通过将路边车辆的运动信息提供给相关自动驾驶车辆，能够辅助这些车辆基于更丰富的关于目标交通事件的信息做出相应的控制决策，从而进一步提升自动驾驶的通行安全。

根据一些实施例，所述步骤S201中确定目标交通事件及其相关信息包括：获取可检测范围内的全量交通对象的运动信息；以及基于全量交通对象在预设时长内的运动信息，确定目标交通事件及其相关信息。进一步地，根据一些实施例，所述全量交通对象包括以下各项中的至少一个：行人、车辆、非机动车和静态障碍物。通过使用路侧设备对全量交通对象进行感知识别并发送给周围车辆，能够辅助车辆及早做出正确的控制决策，增强了车辆的感知能力。

示例性地，所述步骤S201中确定目标交通事件及其相关信息也可以通过其他方式实现。例如，可以是从交通管理部门的管理数据中直接获取道路施工的相关信息，从天气预报数据中直接获取自然灾害的相关信息等。

根据本公开的另一方面，还提供了一种用于车路协同自动驾驶的控制方法，可用于自动驾驶车辆侧的自动驾驶系统、处理单元或电子设备。图3示出了根据本公开示例性实施例的用于车路协同自动驾驶的控制方法300的流程图。如图3所示，方法300包括：步骤S301、获取在车辆的行驶方向上车辆前方的感知路况信息；步骤S302、从路侧设备接收目标交通事件及其相关信息，所述相关信息包括所述目标交通事件的发生位置；步骤S303、响应于确定所述感知路况信息不包括所述目标交通事件及其相关信息，融合所述感知路况信息和所述目标交通事件及其相关信息，得到融合路况信息；以及步骤S304、基于所述融合路况信息，确定相应的控制决策。

由此，能够将自动驾驶车辆所获取的感知路况信息与从路侧设备接收的目标交通事件进行融合，基于此能够更加快速、准确地确定车辆的控制决策，，提升自动驾驶的通行安全和通行效率。

如前文所描述的，目标交通事件可能超出了车辆的车载传感器的可感知距离范围，或者可能是车辆受限于车载传感器的感知能力，无法通过感知准确、及时地识别目标交通事件。在一个示例中，在自动驾驶车辆的行驶方向上，车辆前方的道路中间具有障碍物，该自动驾驶车辆能够感知到其前方的其他交通对象的相关信息，但未能及时感知到该障碍物的相关信息，在这种情况下，可以从路侧设备接收该障碍物的相关信息，并与其自身所感知的其他交通对象的相关信息合并，从而能够基于上述全部路况信息作出车辆的控制决策，从而能够提升自动驾驶的通行安全。

根据一些实施例，所述步骤S301中从路侧设备接收目标交通事件及其相关信息包括：从多个路侧设备接收目标交通事件的相关信息，并且所述步骤S302基于所接收的目标交通事件及其相关信息，确定相应的控制决策包括：对从多个路侧设备接收目标交通事件的相关信息进行融合，以得到目标交通事件的融合信息；以及基于所述融合信息，确定相应的控制决策。由此，能够通过部署多个路侧设备，实现对多方位、长距离路段内路况的连续检测识别，从而使得自动驾驶车辆能够利用上述连续检测识别所得到的丰富的目标交通事件的相关信息，更加快速、准确地确定相应的控制决策，以提升自动驾驶车辆的通行安全性。

在一些实施例中，所述步骤S304中基于所述融合路况信息，确定车辆的控制决策包括：对从多个路侧设备接收目标交通事件的相关信息进行融合，以得到目标交通事件的融合信息；响应于确定所述感知路况信息不包括所述目标交通事件及其融合信息，融合所述感知路况信息和所述目标交通事件的融合信息，得到融合路况信息；以及基于所述融合路况信息，确定车辆的控制决策。从而使得自动驾驶车辆能够利用上述连续检测识别所得到的丰富的目标交通事件的相关信息，并且将自动驾驶车辆所获取的感知路况信息与从路侧设备接收的目标交通事件进行融合，基于此能够更加快速、准确地确定车辆的控制决策，以提升自动驾驶车辆的通行安全性。

在一个示例中，在自动驾驶车辆的行驶方向上，车辆前方的道路中间存在大型障碍物A和大型障碍物B，并且路侧设备C和路侧设备D均能感知到道路中间存在大型障碍物。但是，受限于所述大型障碍物A和大型障碍物B对路侧设备的传感器的遮挡，路侧设备C仅能感知到大型障碍物A，而路侧设备D仅能感知到大型障碍物B。在这种情况下，可以分别从路侧设备C和路侧设备D接收相关信息并进行合并，基于此确定车辆前方的道路中间同时存在大型障碍物A和大型障碍物B，从而能够辅助车辆作出正确的控制决策，提升自动驾驶的通行安全。

根据一些实施例，所述相关信息还包括以下各项中的至少一个：所述目标交通事件的类型和所述目标交通事件的预测结束时间。通过将关于目标交通事件的更丰富的信息提供给相关自动驾驶车辆，能够进一步辅助车辆做出控制决策，提升自动驾驶的通行效率。

根据一些实施例，所述目标交通事件包括以下各项中的至少一个：直行排队、道路中间具有障碍物、违章占道停车、道路施工、路边车辆起步驶入道路、交通事故和自然灾害。由此，能够使得自动驾驶车辆基于相应的目标交通事件的相关信息，更准确、及时地做出驾驶决策。

示例性地，目标交通事件也可以包括其他可能对自动驾驶车辆通行产生影响的交通事件，例如路面积水等，对此不作限定。

根据一些实施例，当所述目标交通事件为路边车辆起步驶入道路时，所述目标交通事件的相关信息还包括所述路边车辆的运动信息。示例性地，所述运动信息可以包括路边车辆的速度、位置信息等。由此，通过将路边车辆的运动信息提供给相关自动驾驶车辆，能够辅助这些车辆基于更丰富的关于目交通事件的信息做出相应的控制决策，从而进一步提升自动驾驶的通行安全。

根据一些实施例，所述步骤S302中基于所接收的目标交通事件及其相关信息，确定相应的控制决策包括：响应于所述目标交通事件的发生位置与所述车辆的距离大于第二预设距离，确定相应的控制决策以使得所述车辆改变行驶路线。由此，能够使得自动驾驶车辆及时避开目标交通事件的发生位置，避免目标交通事件影响自动驾驶车辆的通行便利性，避免目标交通事件所带来的复杂路况影响自动驾驶车辆的通行安全性。

示例性地，所述第二预设距离可以是根据实际场景的需求来设置。例如，当所述目标交通事件的发生位置在隧道中，则可以根据所述目标交通事件的发生位置与隧道入口的距离来设置所述第二预设距离，从而能够在自动驾驶车辆尚未进入隧道时，通过确定相应的控制决策来使得自动驾驶车辆改变行驶路线，不再进入隧道行驶，以避免受到所述目标交通事件的影响。

根据一些实施例，步骤S302中基于所接收的目标交通事件及其相关信息，确定相应的控制决策包括：响应于所述目标交通事件的发生位置与所述车辆的距离不大于第二预设距离，确定相应的控制决策以使得所述车辆减速和/或改变行驶车道。由此，能够使得自动驾驶车辆提前做好应对目标交通事件的准备，避免目标交通事件所带来的复杂路况影响自动驾驶车辆的通行安全性。

示例性地，当所述目标交通事件的类型为交通事故，则可以根据交通事故的发生位置与最近的路口的距离来设置所述第二预设距离，从而能够在自动驾驶车辆尚未驶过路口时及时改变行驶路线，避开交通事故发生的路段。进一步地，当自动驾驶车辆已经驶过路口时，则可以根据道路路况来确定控制决策。例如，当自动驾驶车辆的当前行驶道路包括多条车道，并且存在未受交通事故影响的车道时，可以确定相应的控制决策来使得自动驾驶车辆改变行驶车道，以使得车辆能够继续通行。再例如，当自动驾驶车辆的当前行驶道路上不存在未受交通事故影响的车道时，则可以确定相应的控制决策来使得自动驾驶车辆减速，从而能够避免车辆急刹，降低风险。

申请人注意到，在实际行驶场景中存在以下可能：直行车道中的车辆较多，由此造成车辆排队而通行缓慢。在这种情况下，车辆只需继续在当前车道等待即可继续通行，但是，从车道后方驶来的车辆易于产生误判，从而为了避免拥堵而改变行驶路线或行驶车道，从而导致通行效率降低。

基于此，在一些实施例中，当所述目标交通事件为直行排队时，所述步骤S302中基于所接收的目标交通事件及其相关信息，确定相应的控制决策包括：响应于所述目标交通事件为直行排队，确定相应的控制决策以使得所述车辆继续在当前车道行驶。由此，能够使得自动驾驶车辆适应路况继续行驶，避免车辆作出不恰当的控制决策。

相应地，当自动驾驶车辆的前方有车辆排队而通行缓慢，并且目标交通事件不为直行排队时，则表明车辆继续在当前车道等待也无法继续通行，在这种情况下，应当及早改变行驶路线或行驶车道，以提升通行效率。

基于此，在一些实施例中，当所述目标交通事件不为直行排队时，所述步骤S302中基于所接收的目标交通事件及其相关信息，确定相应的控制决策包括：响应于所述目标交通事件的发生位置与所述车辆的距离大于第三预设距离，确定相应的控制决策以使得所述车辆改变行驶路线或改变行驶车道。由此，能够使得自动驾驶车辆及时避开影响车辆通行的目标交通事件，避免目标交通事件所带来的复杂路况影响自动驾驶车辆的通行安全性。

示例性地，所述第三预设距离可以是根据实际场景的需求来设置。例如，当所述目标交通事件的发生位置在两个路口的中间路段，则可以根据所述目标交通事件的发生位置与所述两个路口中最近的路口的距离来设置所述第三预设距离，从而能够在自动驾驶车辆尚未进入相应路段时，通过确定相应的控制决策来使得自动驾驶车辆及时改变行驶路线，以避免受到所述目标交通事件的影响。

根据一些实施例，当所述目标交通事件为道路中间具有障碍物时，所述目标交通事件的相关信息还包括所述障碍物的类型。示例性地，所述障碍物的类型可以包括低矮障碍物和大型障碍物。由此，通过将关于目标交通事件的更丰富的信息提供给相关自动驾驶车辆，能够进一步辅助车辆进行控制决策，提升自动驾驶的通行效率。所述障碍物的类型例如可以是用于指示障碍物的尺寸信息，从而能够使得自动驾驶车辆基于所述障碍物的类型信息更精准地确定所述障碍物对车辆通行的影响，以提升自动驾驶的通行安全。

根据一些实施例，所述障碍物的类型包括低矮障碍物和大型障碍物，并且其中，所述步骤S302中基于所接收的目标交通事件及其相关信息，确定相应的控制决策包括：响应于所述障碍物的类型为低矮障碍物，确定相应的控制决策以使得所述车辆减速通过当前车道。并且进一步地，根据一些实施例，所述步骤S302中基于所接收的目标交通事件及其相关信息，确定相应的控制决策还包括：响应于所述障碍物的类型为大型障碍物，确定相应的控制决策以使得所述车辆改变行驶路线或改变行驶车道。由此，能够基于道路障碍物的不同类型，确定不同的控制决策，以使得自动驾驶车辆的通行策略符合相应的实际路况，提升自动驾驶通行的便利性和安全性。

示例性地，可以是根据不同尺寸的障碍物对车辆通行的影响，将其划分为低矮障碍物和大型障碍物。例如，可以是将减速带、路面遗撒的小尺寸垃圾、路面散布的行道树枝等障碍物确定为低矮障碍物，自动驾驶车辆可以在有低矮障碍物的道路上通行，但可以做出相应的控制决策使得车辆减速通过，以提升车辆通行安全性。进一步地，可以是将广告牌、建筑垃圾等障碍物确定为大型障碍物，使得自动驾驶车辆能够基于路面存在大型障碍物的信息，确定相应的控制决策使得车辆能够及时改变行驶路线，避免受到大型障碍物的阻碍。

下面将结合多个示例性实施例和示意图对上述方法进行进一步说明。

根据一些实施例，自动驾驶车辆需要对各类交通事件(如违章停车、“死车”、排队、施工、遗撒等)进行实时准确感知识别，但是交通事件往往具有一定的复杂性、实时性，仅依靠车辆很难进行准确全面的识别定位，车端由于观察的角度、视距时长受限，面对违章占道停车、“死车”等场景，难以对交通态势进行及时的语义判断，使得车辆刹车或变道距离短，容易造成急刹。通过使用路侧设备对背景建模实现交通态势的语义判断，进行交通事件实时感知，为自动驾驶车辆提供交通事件协同感知服务，让车辆提前进行预判和决策控制，如变道绕行、停车，避免急刹或事故等风险，保障自动驾驶车辆安全。

例如，当路侧设备感知到路口中存在长时间未移动的车辆A，并且车辆A附近的多个其他车辆都作出了转向行驶的控制决策时，则可以判断该路口中存在违章停放的车辆A，从而能够将相应的信息发送给其他车辆。再例如，当路侧设备感知到车道中存在多个连续排列的车辆，并且每个车辆都在按照该车道相应的行驶方向缓慢行驶时，则可以判断该车道存在直行排队事件，从而能够将相应的信息发送给其他车辆，以辅助其及时、准确地作出控制决策。

图4示出了根据本公开示例性实施例违章停车、“死车”等交通事件识别的示意图。在一个示例性实施例中，如图4所示，自动驾驶车辆400前方有大车停占两个车道，可能是因违章停车而出现“死车”现象，由于该大车无法开动，从而严重影响了自动驾驶车辆400的通行，并且由于该大车对自动驾驶车辆400造成了遮挡，车辆400无法判断前方信息而停滞不前。通过交通事件协同感知，可以长时间对道路车辆进行跟踪和预测，及时将死车事件播发给自动驾驶车辆400，以使得车辆400可以及时做出变道等决策，避免被死车事件影响通行。

图5示出了根据本公开示例性实施例的排队交通事件识别的示意图。在一个示例性实施例中，如图5所示，当自动驾驶车辆500处于跟车状态下，前方路口红灯，直行车辆出现排队现象，而车辆500此时因为无法判断前车停止原因(排队中)，因此会选择往左侧(左转车道)并线超车，然而临近路口时，却因为车道中的排队车辆而无法再并线回原车道。通过交通事件协同感知，及时发现前方排队事件，并将排队事件及时发送给自动驾驶车辆500，车辆500能够根据排队信息做出不变道超车并在车道内排队等候的决策。

图6A和图6B示出了根据本公开示例性实施例的道路遗撒事件识别的示意图。在一个示例性实施例中，如图6A和图6B所示，两张图片是同一时刻的自动驾驶车辆600的车端感知和路侧感知与车端感知融合后的结果。如图6A所示，自动驾驶车辆600的感知视角有限，只有在距离较近时才能检测到路面上存在低矮障碍物601，容易造成车辆急刹。如图6B所示，通过交通事件协同感知，接收路侧设备的感知结果，并将路侧感知和自动驾驶车辆600的车端感知进行融合，可对道路遗撒低矮障碍物进行有效检测，并远距离提前发送给车辆600，使得车辆600能够提前进行预判并做出相应的控制决策，如变道绕行，避免了车辆急刹的风险。

图7示出了根据本公开示例性实施例的基于路侧协同感知的隧道内事件协同感知与协同决策控制的示意图。以自动驾驶车辆进入隧道行驶为例，如果车辆没有提前获取到对隧道内状况的感知信息，则在进入隧道前无法知道隧道内的安全状况和道路条件。在一个示例性实施例中，如图7所示，路侧设备通过对隧道内的环境状况和交通运行状况进行实时感知识别，在识别到危险事件(例如火灾、瓦斯、道路坍塌、事故等)后，及时将危险事件的相关信息发送给相关车辆，例如可以是在隧道入口处发送相应信息，从而能够及时控制车辆不进入隧道，从而避免事故和二次事故的发生，保证了人身安全和交通安全。

根据一些实施例，受限于车载传感器的类型、感知范围、分辨率等因素，自动驾驶车辆对超出车辆感知范围的交通运行状况、交通参与者或障碍物检测结果不稳定，可能出现类型跳变等问题。此外，自动驾驶车辆对路边的低速车辆检测的速度估计不准确，如路边缓慢倒车、路边车辆驶出等的情况下的车辆速度估计不准确，造成潜在的碰撞或急刹风险。由此，通过部署多个路侧设备，实现了对多方位、长距离连续检测识别，并与自动驾驶车辆感知进行融合，实现自动驾驶车辆对超视距范围内车辆、低速车辆或行人的准确感知识别，车辆可提前做出预判和决策控制，进而降低事故风险。

图8A和图8B示出了根据本公开示例性实施例的车辆超视距协同感知的示意图。在一个示例性实施例中，如图8A和图8B所示，两张图片是同一时刻的自动驾驶车辆800的车端感知和路侧感知与车端感知融合后的结果。可以看出，图8A中所示出的自动驾驶车辆800的车端感知所能感知到的交通对象信息较少，容易造成急刹和事故的风险。图8B中，通过接收路侧设备的感知结果，并将路侧感知和车端感知进行融合，实现超视距协同感知，车辆800可以提前获取前方更丰富的车辆、非机动车或行人的运动情况与障碍物情况，从而能够基于此做出正确的控制决策。避免了车辆急刹或事故的风险。

图9示出了示出了根据本公开示例性实施例的路边低速车辆检测的示意图。在一个示例性实施例中，如图9所示，自动驾驶车辆900直行时，有路侧设备协同感知的情况下，对路边缓慢驶出车辆可以进行稳定检测，准确获取车辆速度、位置等信息，并发送到自动驾驶车辆900，以使得自动驾驶车辆900能够基于融合路况信息做出正确的控制决策，避免车辆急刹或事故的风险。

根据本公开的另一方面，还提供了一种用于车路协同自动驾驶的控制装置。图10示出了根据本公开示例性实施例的用于车路协同自动驾驶的控制装置1000的结构框图。如图10所示，该控制装置1000包括：第一确定单元1001，被配置用于确定目标交通事件及其相关信息，相关信息包括目标交通事件的发生位置；第二确定单元1002，被配置用于基于目标交通事件的发生位置，确定一个或多个目标车辆，其中，所述一个或多个目标车辆中的每一个目标车辆的当前位置和目标交通事件的发生位置之间的距离小于预设距离；以及发送单元1003，被配置用于将目标交通事件及其相关信息发送给一个或多个目标车辆。

可以理解的是，图10中的单元1001-单元1003的操作与图2中的步骤S201-步骤S203的操作类似，在此不做赘述。

根据本公开的另一方面，还提供了一种用于车路协同自动驾驶的控制装置。图11示出了根据本公开示例性实施例的用于车路协同自动驾驶的控制装置1100的结构框图。如图11所示，该控制装置1100包括：获取单元1101，获取在车辆的行驶方向上车辆前方的感知路况信息；接收单元1102，被配置用于从路侧设备接收目标交通事件及其相关信息，相关信息包括目标交通事件的发生位置；融合单元1103，被配置用于响应于确定所述感知路况信息不包括所述目标交通事件及其相关信息，融合所述感知路况信息和所述目标交通事件及其相关信息，得到融合路况信息；以及第三确定单元1104，被配置用于基于所述融合路况信息，确定车辆的控制决策。

可以理解的是，图11中的单元1101-单元1104的操作与图3中的步骤S301-步骤S304的操作类似，在此不做赘述。

根据本公开的另一方面，提供了一种用于自动驾驶的控制系统，包括如图10所示的用于车路协同自动驾驶的控制装置1000和如图11所示的用于车路协同自动驾驶的控制装置1100。

根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行上述任一的方法。

根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行上述任一的方法。

根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，其中，计算机程序在被处理器执行时实现上述任一项的方法。

根据本公开的另一方面，提供了一种自动驾驶车辆，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述任一项中所述车辆所执行的方法。

根据本公开的另一方面，提供了一种路侧设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述任一项中路侧设备或路侧系统所执行的方法。

根据本公开的另一方面，提供了一种云控平台，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述任一项中服务器所执行的方法。

根据本公开的另一方面，提供了一种车路协同系统，包括如上所述的路侧设备和如上所述的云控平台。

根据一些实施例，所述车路协同系统还包括如上所述的自动驾驶车辆。

本公开所采用的车路协同自动驾驶技术可以包括以下技术中的一种或多种：协同感知技术，例如，传感器高精度标定技术、环境感知技术、融合与预测技术等；高精度地图与高精度定位技术，例如，高精度地图、路侧辅助定位技术等；协同决策与协同控制技术，例如，意图预测、博弈仲裁、引导调度等协同决策、车辆、设施、人类等协同控制引导等；高可靠低时延网络通信技术，例如，直连无线通信技术、蜂窝移动通信技术、交通系统集成优化与有线网络传输技术等；云计算技术，例如，边缘计算MEC技术、多级云控平台技术、大数据和人工智能平台技术等；功能安全与预期功能安全；物联网IoT技术；网络安全技术等。

基于本公开所实现的车路协同自动驾驶能够实现数据高维、算力高维和算法高维。

其中，高维数据特性，可以分成新的空间、时间、类型以及其他维度特性的几方面类别的高维数据。

空间方面，主要是单车设备和路侧设备的部署位置和角度可选范围有差异，分成范围、视角、盲区的三个小分类。相比单车智能的数据，路侧智能具备另一套维度的空间数据。范围方面，车载设备的部署位置是单车局部范围覆盖，且在使用同等设备的前提下可以更致密、更精确地采集局部数据；路侧设备的部署位置是多点位，从而进行全局范围的超视距覆盖，且有条件投入更多种类和数量的设备进行更加因地制宜的布设。视角方面，车载设备是第一视角，有一定的优势，也易于被视距问题影响；路侧设备安装于路侧杆架上，可以具备多视角能力，且目前部署形态多为车载设备所不具备的俯视视角。盲区方面，车载设备传感器在车上安装存在静态盲区也容易发生动态遮挡盲区，且一旦发生车辆或建筑物等导致遮挡产生盲区，车载的多传感器融合的各冗余传感器同时会被遮挡，只有通过更加复杂的移动视角对盲区进行推理做一定弥补；路侧传感器一方面安装高于交通参与者，另一方面有多个点位间不同角度交叉覆盖的条件，所以不易被遮挡产生盲区，即使被遮挡时，还可以由持续的连续空间检测解决；值得单独提出的是车路协同融合后具备车载和路侧双方面设备的优势，交叉检测下遮挡小，还可以由车载和路侧连续空间检测来推导遮挡范围内存在怎样的交通参与者，从而为遮挡区域会产生交通风险进行反应。

时间方面，主要是位置和时间构成的动静态属性和数据处理的时间轴属性差异。相比单车智能的数据，有条件成为时间方面新的高维数据。动静态方面，观测设备位置与时间属性叠加构成动静态观测点的差异。车载设备的观测点动态移动的，有观测点变化的复杂度，也有第一视角关注点可测量地变化从而时间上前后印证的优势；路侧设备的观测点静态的，可长时间持续观测同一位置分辨差异。时间范围方面，车载设备的观测和处理一般是基于单车的实时数据，由于不具备长时间针对目标和场景的观测和处理条件，历史数据或体现为模型，或体现为类似马尔可夫过程的较短时的状态信息；路侧设施具备长时间持续观测，结合路侧和云端基础设施的数据，以较长期数据做推理，具备以本地化个性化方式预测一段时间未来的能力。

类型方面是多源、多层的数据特性，车端智能的数据类型是单车传感器，优点是实时一手数据；路侧智能除了路侧传感器以外，还可以广泛地对接交通交管、场景方系统、用户方系统等多源多层数据，全面且易做灾害异常等高等级推理。

设备能力方面，车载设备藏于车内须体积和能耗较小、耐高温振动电磁，因此能力受限；路侧设备架设于路侧或计算中心，可选择不同的形态种类，因此上限更高。

从以上介绍的数据特性，可以看到车路协同引入了高维度且与单车有正交属性的数据。在这样的数据基础上，由路侧差异性算力以及引入的差异性算法，无论是实时在线的处理系统，还是离线的挖掘训练系统都可以收益，可以车路协同融合后的智能系统会具备新的智能特性达到新的智能高度。

算力高维包括：在移动属性上，固定设备，端边云多层，端的设备须防震、防热、防电磁、防尘等，云的设备有较好IDG环境；在电源属性上，电网供电，能耗不受限；在解耦调度上，多种解耦调度形态，如忙闲调度、多点位空间调度、时间调度、步骤配合调度、在线与离线调度；在通信上，车路无线通信，路云间是有线传输。

配合高维度数据，车路协同也带来了相匹配的更强算力可能性，也使得算法和机制有了更广的空间。算力的特性，可以分成移动和电源属性、解耦调度属性、通信属性的几方面类别的特性。

移动属性方面，单车智能的算力需要车载移动，所以有移动一线计算的收益，也有移动算力受限；路侧智能的算力由于是固定的，即使在在路侧边缘；网络是有线供给，边缘机房和数据中心的条件就更加优越，所以算力的上限高自由度大。

电源属性方面，单车智能的算力使用电池，使得能耗受限从而算力受限；路侧智能由于电网供电，所以能耗不受限，有条件使用强大的算力。

解耦调度方面，单车智能的算力是专注绑定在车载计算资源内的，繁忙时有更多计算需求也无法扩张，空闲时计算需求是也无法收缩转让；路侧智能的算力由于有计算基础设施的解耦作用，所以可以根据繁忙空闲，按需进行资源单元间的空间调度、对于高峰低谷的时间调度，在线处理和离线处理的调度，持久化和还原的调度；车路协同综合单车智能和路侧智能的能力，可以结合车载绑定的专用算力和路侧加新基建的MEC、云算力，可以提供兼顾专用和共享灵活的算力。

通信方面，单车智能算力的通信网络分成车内和车云两段。车内是以车载以太网和CAN等车载形态通信网络，所以传感器和计算单元等车载设备间的通信是简单直接的。单车智能的车云通信是未经面向车路通信优化的普通手机运营商网络，成本低廉普及率高，但是网络通信质量不够可靠、延迟无保障、带宽无保障、接入设备数无保障、覆盖无保障。路侧智能的通信有两段，车路间的通信是通过LTE-V 5G NR-V2X等车路协同通信方式，具备相对的高可靠、低延迟、高带宽、大并发特性，而路云之间的通信一般是有线网络，可选用光纤等高速率通信方式，从而将端管云连成一体，提供灵活的计算平台。这样使得平台具有广泛的作用。一方面可以为在线协同以及建管养运的深层业务提供支持。另一方面也可以为离线挖掘、训练、仿真提供支持，还可以帮助系统建设成为大数据学习成长型体系提供基础。

算法高维包括：场景化高精，即具备基础设施设计参与度，可动态处理；分工服务化，即交通运营商服务；全局大数据，即端边云融合大数据分析处理；协同智能，即多方多层次协同。算法和协同特性有场景化高精、分工服务化、全局大数据、协同智能的几个方面。1)场景化高精方面，单车智能的算法和机制依赖推理高级语义和地图部分，由于自动驾驶的场景策略推理能力以及高精地图已经在研发阶段模型和地图发布时确定下来，所以策略处理能力偏静态，以一套复杂场景策略处理所有场景；路侧智能具备基础设施的设计和参与度，可以直接按照场景下需求细粒度地因场景制宜调度算法配合协同机制进行处理；车路协同结合单车智能和路侧智能可以在车和路选择更合理的算法和协同机制。2)分工服务化方面，单车智能的能力会在单车完成闭环，专用且直接；路侧智能可以以基础设施的形态为交通参与者提供分布式算法和协同服务，灵活且广泛；车路协同可以结合单车智能和路侧智能提供更大自由度的分工服务能力。3)全局大数据方面，单车智能算法是实时处理，有低延时等优势，但是在海量资源的使用能力上仅具备使用地图和模型等离线资源能力；路侧智能具备边端云融合的大数据分析处理能力，一方面可以将路、车以及环境的海量数据汇聚到集群，可以使用在线离线挖掘训练仿真机制，使得系统可以学习和迭代，并通过路侧和新基建设施提供服务以及OTA赋能提升自动驾驶能力。4)协同智能方面，单车智能的协同是单向的按照预先设定的博弈推理；路侧智能是全面层次的协同，可以是信息状态协同(如状态、事件、感知、定位)、意图预测协同(如轨迹规划交互)、决策规划协同(如引导、调度)、控制协同(如编队、脱困)，特别是在道路上的参与者未达到100％的高等级自动驾驶渗透率时，只要可以遵循路侧智能的引导，依然可以形成高等级的协同网络；车路协同结合单车智能和路侧智能，可以提供灵活的协同智能机制。

参考图12，现将描述可以作为本公开的服务器或客户端的电子设备1200的结构框图，其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本公开所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本公开中描述的和/或者要求的本公开的实现。

如图12所示，设备1200包括计算单元1201，其可以根据存储在只读存储器(ROM)1202中的计算机程序或者从存储单元1208加载到随机访问存储器(RAM)1203中的计算机程序，来执行各种适当的动作和处理。在RAM1203中，还可存储设备1200操作所需的各种程序和数据。计算单元1201、ROM 1202以及RAM 1203通过总线1204彼此相连。输入/输出(I/O)接口1205也连接至总线1204。

设备1200中的多个部件连接至I/O接口1205，包括：输入单元1206、输出单元1207、存储单元12072以及通信单元1209。输入单元1206可以是能向设备1200输入信息的任何类型的设备，输入单元1206可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入，并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元1207可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元1208可以包括但不限于磁盘、光盘。通信单元1209允许设备1200通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙TM设备、802.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。

计算单元1201可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1201的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元1201执行上文所描述的各个方法和处理，例如用于自动驾驶的方法。例如，在一些实施例中，用于自动驾驶的方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元12072。在一些实施例中，计算机程序的部分或者全部可以经由ROM 1202和/或通信单元1209而被载入和/或安装到设备1200上。当计算机程序加载到RAM 1203并由计算单元1201执行时，可以执行上文描述的用于自动驾驶的方法的一个或多个步骤。备选地，在其他实施例中，计算单元1201可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行用于自动驾驶的方法。

本公开中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本公开在此不进行限制。

虽然已经参照附图描述了本公开的实施例或示例，但应理解，上述的方法、系统和设备仅仅是示例性的实施例或示例，本发明的范围并不由这些实施例或示例限制，而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外，可以通过不同于本公开中描述的次序来执行各步骤。进一步地，可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进，在此描述的很多要素可以由本公开之后出现的等同要素进行替换。

Claims (30)

1.一种用于车路协同自动驾驶的控制方法，包括：

确定目标交通事件及其相关信息，所述相关信息包括所述目标交通事件的发生位置；

基于所述目标交通事件的发生位置，确定一个或多个目标车辆，其中，所述一个或多个目标车辆中的每一个目标车辆的当前位置和所述目标交通事件的发生位置之间的距离小于第一预设距离；以及

将所述目标交通事件及其相关信息发送给所述一个或多个目标车辆。

2.如权利要求1所述的方法，其中，所述确定目标交通事件及其相关信息包括：

获取可检测范围内的全量交通对象的运动信息；以及

基于全量交通对象在预设时长内的运动信息，确定目标交通事件及其相关信息。

3.根据权利要求1或2所述的方法，其中，所述相关信息还包括以下各项中的至少一个：

所述目标交通事件的类型和所述目标交通事件的预测结束时间。

4.根据权利要求3所述的方法，其中，所述目标交通事件的类型包括以下各项中的至少一个：

直行排队、道路中间具有障碍物、违章占道停车、道路施工、路边车辆起步驶入道路、交通事故和自然灾害。

5.根据权利要求4所述的方法，当所述目标交通事件为道路中间具有障碍物时，所述目标交通事件的相关信息还包括所述障碍物的类型。

6.根据权利要求4所述的方法，当所述目标交通事件为路边车辆起步驶入道路时，所述目标交通事件的相关信息还包括所述路边车辆的运动信息。

7.根据权利要求2所述的方法，其中，所述全量交通对象包括以下各项中的至少一个：

行人、车辆、非机动车和静态障碍物。

8.一种用于车路协同自动驾驶的控制方法，包括：

获取在车辆的行驶方向上车辆前方的感知路况信息；

从路侧设备接收目标交通事件及其相关信息，所述相关信息包括所述目标交通事件的发生位置；

响应于确定所述感知路况信息不包括所述目标交通事件及其相关信息，融合所述感知路况信息和所述目标交通事件及其相关信息，得到融合路况信息；以及

基于所述融合路况信息，确定车辆的控制决策。

9.根据权利要求8所述的方法，其中，所述从路侧设备接收目标交通事件及其相关信息包括：

从多个路侧设备接收目标交通事件的相关信息，

并且其中，所述基于所接收的目标交通事件及其相关信息，确定车辆的控制决策包括：

对从多个路侧设备接收的目标交通事件的相关信息进行融合，以得到目标交通事件的融合信息；以及

基于所述目标交通事件的融合信息，确定车辆的控制决策。

10.根据权利要求8或9所述的方法，其中，所述相关信息还包括以下各项中的至少一个：

所述目标交通事件的类型和所述目标交通事件的预测结束时间。

11.根据权利要求10所述的方法，其中，所述目标交通事件的类型包括以下各项中的至少一个：

直行排队、道路中间具有障碍物、违章占道停车、道路施工、路边车辆起步驶入道路、交通事故和自然灾害。

12.根据权利要求8-11中任一项所述的方法，其中，所述基于所接收的目标交通事件及其相关信息，确定相应的控制决策包括：

响应于所述目标交通事件的发生位置与所述车辆的距离大于第二预设距离，确定相应的控制决策以使得所述车辆改变行驶路线。

13.根据权利要求8-11中任一项所述的方法，其中，所述基于所接收的目标交通事件及其相关信息，确定相应的控制决策包括：

响应于所述目标交通事件的发生位置与所述车辆的距离不大于第二预设距离，确定相应的控制决策以使得所述车辆减速和/或改变行驶车道。

14.根据权利要求11所述的方法，当所述目标交通事件为直行排队时，所述基于所接收的目标交通事件及其相关信息，确定相应的控制决策包括：

响应于所述目标交通事件为直行排队，确定相应的控制决策以使得所述车辆继续在当前车道行驶。

15.根据权利要求11所述的方法，当所述目标交通事件不为直行排队时，所述基于所接收的目标交通事件及其相关信息，确定相应的控制决策包括：

响应于所述目标交通事件的发生位置与所述车辆的距离大于第三预设距离，确定相应的控制决策以使得所述车辆改变行驶路线或改变行驶车道。

16.根据权利要求11所述的方法，当所述目标交通事件为道路中间具有障碍物时，所述目标交通事件的相关信息还包括所述障碍物的类型。

17.根据权利要求16所述的方法，所述障碍物的类型包括低矮障碍物，并且其中，所述基于所接收的目标交通事件及其相关信息，确定相应的控制决策包括：

响应于所述障碍物的类型为低矮障碍物，确定相应的控制决策以使得所述车辆减速通过当前车道。

18.根据权利要求16所述的方法，其中，所述障碍物的类型包括大型障碍物，所述基于所接收的目标交通事件及其相关信息，确定相应的控制决策包括：

响应于所述障碍物的类型为大型障碍物，确定相应的控制决策以使得所述车辆改变行驶路线或改变行驶车道。

19.根据权利要求11所述的方法，当所述目标交通事件为路边车辆起步驶入道路时，所述目标交通事件的相关信息还包括所述路边车辆的运动信息。

20.一种用于车路协同自动驾驶的控制装置，包括：

第一确定单元，被配置用于确定目标交通事件及其相关信息，所述相关信息包括所述目标交通事件的发生位置；

第二确定单元，被配置用于基于所述目标交通事件的发生位置，确定一个或多个目标车辆，其中，所述一个或多个目标车辆中的每一个目标车辆，的当前位置和所述目标交通事件的发生位置之间的距离小于第一预设距离；以及

发送单元，被配置用于将所述目标交通事件及其相关信息发送给所述一个或多个目标车辆。

21.一种用于车路协同自动驾驶的控制装置，包括：

获取单元，获取在车辆的行驶方向上车辆前方的感知路况信息；

接收单元，被配置用于从路侧设备接收目标交通事件及其相关信息，所述相关信息包括所述目标交通事件的发生位置；

融合单元，被配置用于响应于确定所述感知路况信息不包括所述目标交通事件及其相关信息，融合所述感知路况信息和所述目标交通事件及其相关信息，得到融合路况信息；

第三确定单元，被配置用于基于所述融合路况信息，确定车辆的控制决策。

22.一种用于车路协同自动驾驶的控制系统，包括：

如权利要求20所述的控制装置；以及

如权利要求21所述的控制装置。

23.一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-19中任一项所述的方法。

24.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-19中任一项所述的方法。

25.一种计算机程序产品，包括计算机程序，其中，所述计算机程序在被处理器执行时实现权利要求1-19中任一项所述的方法。

26.一种自动驾驶车辆，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求8-19中任一项所述的方法。

27.一种路侧设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法。

28.一种云控平台，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-19中任一项所述的方法。

29.一种车路协同系统，包括如权利要求27所述的路侧设备和如权利要求28所述的云控平台。

30.根据权利要求29所述的车路协同系统，还包括如权利要求26中所述的自动驾驶车辆。

Images