CN115840404A

CN115840404A - 一种基于自动驾驶专用路网和数字孪生地图的云控自动驾驶系统

Info

Publication number: CN115840404A
Application number: CN202211649994.0A
Authority: CN
Inventors: 叶山顶; 傅永健; 潘之杰
Original assignee: Zhejiang University ZJU
Current assignee: Zhejiang University ZJU
Priority date: 2022-12-21
Filing date: 2022-12-21
Publication date: 2023-03-24
Anticipated expiration: 2042-12-21
Also published as: CN115840404B

Abstract

本发明公开了一种基于自动驾驶专用路网和数字孪生地图的云控自动驾驶系统，属于自动驾驶技术领域。所述系统包括自动驾驶专用路网规划模块、数字孪生地图模块、若干场景云控系统和若干边缘云控系统；自动驾驶专用路网规划模块为自动驾驶车辆创造了一个安全、有序的物理行驶环境，数字孪生地图模块构建了一个实时孪生的交通数字空间并提供调度服务；场景云控系统生成最佳的路权、行使权和全局的行驶轨迹参考线。边缘云控系统为所有接入到边缘云控系统的自动驾驶车辆提供低延迟的云控调度服务，保证了局部场景下的交通效率和车辆的行驶安全。本发明充分利用互联网与云控系统的硬件计算资源，可以有效减轻车辆的组成复杂性与制造成本。

Description

一种基于自动驾驶专用路网和数字孪生地图的云控自动驾驶系统

技术领域

本发明涉及自动驾驶技术领域，具体涉及一种基于自动驾驶专用路网和数字孪生地图的云控自动驾驶系统。

背景技术

近年来随着人工智能、计算机等技术的高速发展，自动驾驶也获得了极大的进步，成为汽车产业新的发展方向。自动驾驶被期望成能够减少交通事故，缓解交通拥堵，提高能源效率，节省人工成本的革命性技术。自动驾驶不仅得到了各个国家的强力支持，也迅速成为学术界和产业界的热点。现有自动驾驶技术路线可以分为两类，单车智能自动驾驶和车路协同自动驾驶。

单车智能自动驾驶是指利用先进的信息技术、传感技术、智能决策技术和智能控制技术进行自主决策和行驶的移动车辆。为了满足这种自主性，单车自动驾驶车辆通常都需要配备大量的传感器进行环境感知，例如多个昂贵的高线数激光雷达、摄像头、毫米波雷达、高精度惯导等，同时还需要具有强大计算能力的高性能工作站来支撑海量数据的处理和计算。即便如此，单车自动驾驶仍然面临感知能力受限、单车博弈等问题。

随着物联网和云计算技术的发展，为了摆脱单车自主自动驾驶的限制，车路协同自动驾驶应运而生，其通过具备传感感知功能的智慧道路来服务单车自动驾驶车辆，从而提升单车自动驾驶车辆的感知范围和感知能力。但是对于一个区域内的所有自动驾驶车辆而言，它们收到来自智慧道路的信息是一致的，这些车辆在做决策时也仍将以自主性为主，那么仍然不可避免陷入单车博弈困局。另外由于混流交通的复杂多变性，这两类自动驾驶仍未大规模落地应用。

发明内容

鉴于上述不足，本发明提供了一种基于自动驾驶专用路网和数字孪生地图的云控自动驾驶系统。自动驾驶专用路网是物理及规则角度给自动驾驶车辆提供一个安全、有序的物理行驶环境。数字孪生地图是从信息角度为自动驾驶车辆提供一个安全、有序、高效的数字行驶环境。本发明结合数字孪生地图，云控自动驾驶实现了整个区域内交通的全要素全过程管控，既能从全局角度分配道路行驶权力，确保交通网络运行在最佳状态，又能从局部角度调度管控每辆车的行驶行为，减少单车自动驾驶的自主性，彻底解决单车博弈困局。

本发明提供了一种基于自动驾驶专用路网和数字孪生地图的云控自动驾驶系统，其包括：

自动驾驶专用路网规划模块，用以规划自动驾驶专用路网，所述自动驾驶专用路网为由自动驾驶车辆行驶车道组成的路网，所述云控自动驾驶系统控制的自动驾驶车辆均行驶在所述自动驾驶专用路网内；

数字孪生地图模块，其包括静态表征层、精准定位层、道路矢量层、实时信息层和调度服务层；其中，静态表征层作为场景数字化自动驾驶高精度地图中的基础层，对场景中的三维物体建立适合计算机表示和处理的表征模型，用以描述场景元素的几何形状、位置和纹理信息；精准定位层用于帮助自动驾驶车辆实现高精度定位；道路矢量层是对道路属性进行矢量化描述，其中包含了道路拓扑关系、车道拓扑关系和车道几何中心线；实时信息层存储整个区域内的实时交通数据；调度服务层提供调度服务，包括面向车端的调度服务、面向路口的局部调度服务和面向整个交通网络的全局调度服务；

若干场景云控系统，场景云控系统根据自动驾驶专用路网运行指标和自动驾驶车辆的任务需求，推演不同的路权、行使权和全局的行驶轨迹参考线对自动驾驶专用路网运行效率的影响，最后从中选出效率最佳的调度指令；

若干边缘云控系统，边缘云控系统通过边缘计算的方式为所有接入到边缘云控系统的自动驾驶车辆提供低延迟的云控调度服务，保证局部场景下的交通效率和车辆的行驶安全。

作为本发明的优选方案，所述静态表征层作为场景数字化自动驾驶高精度地图中的基础层，是指对场景中的三维物体建立适合计算机表示和处理的表征模型，用以描述场景元素的几何形状、位置和纹理等信息。因其构建了客观世界和虚拟现实之间的映射关系，于是可以用来开发和验证自动驾驶的感知定位算法、决策规划功能、预期功能安全等模块，例如感知算法中的目标检测模块，语义分割模块。

作为本发明的优选方案，所述精准定位层的主要作用是帮助自动驾驶车辆实现高精度定位，精准定位图层中记录的信息有两种，第一种是用于提供高精度定位的点云地图信息，主要来源于激光雷达传感器采集到的点云信息。另外一种是来自相机图像采集的且具备独特性的目标或特征，称为Landmark，如交通标志、地面标志、灯杆等，记录的内容包括绝对坐标、属性、几何轮廓等，可在点云信息缺少时用来和车辆传感器感知到的结果匹配，从而推算车辆位置。

作为本发明的优选方案，所述道路矢量层是对道路属性进行矢量化描述，其中包含了道路拓扑关系、车道拓扑关系和车道几何中心线。它的主要作用是辅助自动驾驶车辆进行全局的路径规划和局部的行为决策。

作为本发明的优选方案，所述实时信息层存储整个区域内的实时交通数据，由区域内的终端设备，包括行驶在该区域内的车辆终端，自行将实时交通数据发送至云端，例如车辆自身的位置速度信息、道路及路口设备观测到的实时交通流信息、信号调度设备的状态信息等。结合前述的静态表征层、精准定位层、道路矢量层，就构建出一个实时孪生的交通数字空间，为调度服务层的调度指令提供计算基础。

作为本发明的优选方案，所述调度服务层是数字孪生地图提供的调度服务，包括面向车端的调度服务，面向路口的局部调度服务和面向整个交通网络的全局调度服务。面向车端的调度服务是向单辆自动驾驶车辆发送行驶指令，包括但不限于加速指令、减速指令、匀速指令、转弯指令、停车指令，以及全局的行驶轨迹参考线。面向路口的调度服务是向进入该路口范围的所有自动驾驶车辆发送路权分配指令，包括但不限于停车等待指令、直行指令、转弯指令，从信息角度为路口的自动驾驶车辆分离出一个安全、有序的路口行驶场景，保障车辆能够安全、快速通过路口。面向整个交通网络的全局调度服务是向自动驾驶专用路网内的车辆发送路权指令和路口信号设备发送通行指令，目的是保障交通网络高效运行。如此，自动驾驶车辆只需要在自身的传感感知能力支撑下，按照调度服务层的指令行驶，不需要再像传统的单车自动驾驶车辆那样，还需要自行进行路径规划、决策。这样就可以从根本上解决传统自动驾驶车辆面临的单车博弈困局。

作为本发明的优选方案，云控自动驾驶系统由若干场景云控系统和若干边缘云控系统组成。场景云控系统是管控自动驾驶专用路网内所有交通资源的核心，主要负责整个自动驾驶专用路网内的全局交通时态、交通调度。其依托前述实时孪生的交通数字空间，对整个自动驾驶专用路网下的交通要素进行全过程管控，从而高效、均衡得对自动驾驶专用路网内的交通要素进行调度，实现自动驾驶专用路网内交通的最优化运行。具体来讲，场景云控系统根据交通网络运行指标和自动驾驶车辆的任务需求，通过推演不同的路权、行使权和全局的行驶轨迹参考线对交通网络运行效率的影响，最后从中选出效率最佳的调度指令，并将其传输给调度服务层。

作为本发明的优选方案，边缘云控系统通过边缘计算的方式为所有接入到边缘云控系统的自动驾驶车辆提供低延迟的云控调度服务，保证局部场景下的交通效率和车辆的行驶安全。边缘云控系统由物理设备、通讯接入网络、边缘计算平台、边缘计算软件系统与边缘云控应用模型组成。物理设备主要包括路侧交通设施和路侧感知设备，路侧交通设施主要包括信号机、电子交通标识等，路侧感知设备主要包括摄像头、雷达等各类传感器。自动驾驶车辆通过专用短程通信技术(DSRC)或5G等方式高速、低延时地与边缘云控系统链接，接受边缘云控系统的信息引导和控制。边缘计算平台和边缘计算软件系统提供基础的连接管理，数据存储等功能，并开放接口以实现众多边缘云控的应用开发。边缘云控系统中的数据不需要实时传回到场景云控系统等待场景云控的处理，而是直接被部署在边缘云控系统中的应用模型实时处理。最后边缘云控系统将边缘云控应用模型的调度指令传输给调度服务层，从而减少数据流不必要的传输，提供高实时性的服务。

与现有技术相比，本发明提供了一种基于自动驾驶专用路网和数字孪生地图的云控自动驾驶系统，具有以下有益技术效果：

(1)本发明云控自动驾驶系统中的自动驾驶专用路网规划模块从混流的交通行驶环境中规划分离出一张自动驾驶车辆专用的路网，为自动驾驶车辆创造了一个安全、有序的物理行驶环境，极大地减少自动驾驶车辆受到其他交通参与者的干扰。另一方面，安全、有序的物理行驶环境也能减少自动驾驶车辆对传感设备的依赖，可以采用总成本更低的传感器组合设备，进一步减少了整车的制造成本，有利于自动驾驶车辆普及开来。

(2)本发明的数字孪生地图模块中的静态表征层、精准定位层、道路矢量层与实时信息层共同构建了一个实时孪生的交通数字空间，为云控自动驾驶系统计算相关调度指令提供了计算基础。调度服务层根据相关调度指令调度自动驾驶车辆行驶，限制了单车自动驾驶车辆的自主性，不仅能从根本上解决传统自动驾驶车辆面临的单车博弈困局，还有利于减少自动驾驶车辆对传感设备和计算资源的依赖，进一步减少整车制造成本。

(3)本发明的场景云控系统根据交通网络运行指标和自动驾驶车辆的任务需求，生成最佳的路权、行使权和全局的行驶轨迹参考线，并将其传输给调度服务层，屏蔽了传统自动驾驶车辆因为抢夺道路行使权而出现的急加速、急减速、急转弯等驾驶行为，如此既保证了全交通网络的有序、畅通、高效、安全，又能确保自动驾驶车辆行车时的平稳、舒适。边缘云控系统通过边缘计算的方式为所有接入到边缘云控系统的自动驾驶车辆提供低延迟的云控调度服务，保证了局部场景下的交通效率和车辆的行驶安全。

(4)本发明依据“云做重，车做轻”的思路，充分利用互联网与云控系统的硬件计算资源，可以有效减轻车辆的组成复杂性与制造成本。并且由于云控自动驾驶系统掌握全局的交通信息，有利于应用云处理、大数据、人工智能技术，更快地迭代、改善自动驾驶技术，更好地服务好交通网络，为人民带来更便捷、更准时、更安全的出行体验。

附图说明

图1利用规则隔离方法分离自动驾驶车辆行驶道路的示意图；

图2利用规则隔离和物理隔离方法处理T型路口的示意图；

图3数字孪生地图组成；

图4利用三维重建技术创建静态表征层；

图5点云地图创建流程；

图6Landmark提取结果示意图；

图7道路拓扑和车道拓扑示意图；

图8车辆实时信息和信号调度设备实时信息示意图；

图9自动驾驶云控系统组成示意图。

具体实施方式

为了更为具体地描述本发明，下面结合附图及具体实施方式对本发明技术方案进行详细说明。

本发明提供的一种基于自动驾驶专用路网和数字孪生地图的云控自动驾驶系统和方法，主要包括自动驾驶专用路网规划模块、数字孪生地图模块、若干场景云控系统和若干边缘云控系统。

其中，自动驾驶专用路网规划模块，用以规划自动驾驶专用路网。为了从混流的交通行驶环境中分离出一个给自动驾驶车辆使用的路网，本发明的自动驾驶专用路网规划模块首先将自动驾驶车辆行驶的车道与人工驾驶车辆行驶的车道分离开来。如图1所示，用单白线从一个双向6车道的道路中划出一条车道用于自动驾驶车辆行驶，并在该车道上印上“自动驾驶专用车道”标识，用来提醒非自动驾驶车辆的驾驶员。

其次对于某些复杂的行驶空间，例如十字路口、T型路口，除了规则隔离方法，还需要用到物理隔离方法。如图2所示，本发明对一个城市场景中经常出现且比较复杂的T型路口进行了规则隔离和物理隔离。首先利用白实线分离出自动驾驶专用道。为了给予传统车辆转弯路权，在T型路口指定位置标上“允许变道右转标识”，并将白实线转换为白色虚实线。其次利用隔离墩，将T型路口的左右道路连接地带隔离开来，致使区域出口出来的车辆只能右转，不准左转，同时对面道路的车辆也不能左转进入该区域。

利用规则隔离和物理隔离可以给自动驾驶车辆提供一个安全、有序的物理行驶环境，从而彻底避免自动驾驶车道受到外界因素干扰。但为了确保自动驾驶车辆能够平稳、舒适地行驶和交通网络处于高效运行状态，还需要利用数字孪生地图从信息角度为自动驾驶车辆提供一个安全、有序、高效的数字行驶环境。

本发明的数字孪生地图模块由静态表征层、精准定位层、道路矢量层、实时信息层和调度服务层组成，如图3所示。其中静态表征层是利用现有的三维重建技术进行创建。三维重建是指用相机拍摄真实世界的物体、场景，并通过计算机视觉技术进行处理，从而得到物体的三维模型。具体来讲，如图4所示，本发明利用无人机拍摄场景获得场景的多视角图像，接着提取图像的特征点并对两两图片进行特征匹配以获得相机位姿，再在此基础上进行稀疏重建。然后根据相机位姿参数对任意两两图片进行立体校正、立体匹配以获得图像的深度图，再在此基础上生成稠密点云。最后对稠密点云进行网格建模、纹理贴图，就可以获得场景的三维重建模型。

精准定位层中记录的信息有两种，第一种是用于提供高精度定位的点云地图信息，一般通过多传感融合建图而成，如图5所示。采集的激光点云数据经过前端匹配、提取关键帧、后端优化、拼接地图处理后即可得到点云地图。在后端优化过程中会融合来自多个传感器的位姿约束信息，包括关键帧之间的相对位姿约束，回环检测方法提供的相对位姿约束，组合导航提供的绝对位姿约束，惯性测量单元(IMU)提供的相对位姿约束。另外一种是来自相机图像采集的且具备独特性的目标或特征，称为Landmark，一般通过计算机视觉技术获取，例如目标检测、语义分割。如图6所示，上横排是原始图像，下横排是通过计算机视觉技术处理后的数据可视化显示。通常Landmark包括交通标志、地面标志、灯杆等，记录的内容包括绝对坐标、属性、几何轮廓等，可在点云信息缺少时用来和其他车辆传感器感知结果匹配，推算车辆位置。

道路矢量层的主要内容是含有交通语义规则信息的几何路网，包括道路拓扑、车道拓扑。在道路拓扑中，使用"弧-结点"形式的数据结构来表示，弧段由两个端点定义：指示弧段起始位置的起始节点，指示弧段终止位置的终止节点。这被称为弧-结点拓扑。正是由于有这样的结构，只要路段收尾相连、不断开，就能保证路网的连通性。车道通常以其中心线的几何形式表示为曲线，曲线存储为折线，其上有足够数量的控制点来重建曲率。车道重建的目标就是生成这些车道线的控制点。如图7所示，一个路段被表示成道路拓扑和车道拓扑，其中R_i,i＝1,…,n表示道路i，N_i,i＝1,…,m表示连接两条道路的节点i，Lane_i,i＝1,…,p表示车道i，LN_i,i＝1,…,q表示连接两条车道的节点i。

实时信息层存储整个区域内的实时交通数据，由区域内的终端设备，包括行驶在该区域内的车辆终端，自行将实时交通数据发送至数字孪生地图。如图8左侧所示，某一路口区域内所有车辆将自己的位置信息上传到数字孪生地图，这样其他车就知道自身周围有多少车辆了，不需要依靠感知设备去感知周围车辆情况，可以极大地减少自动驾驶车辆对感知设备的依赖。图8右侧显示某一路口的信号调度设备将自己运行时的状态信息上传到地图，这样云控自动驾驶系统可以根据信号调度设备当前的信息进一步对路口的路权分配做进一步优化，保障自动驾驶车辆可以安全、高效通过路口。

服务调度层主要是接受来自云控系统的调度指令，并将此指令分发给不同的服务对象。如图3所示，面向车端的调度服务指令包括但不限于加减速指令、匀速指令、转弯指令、停车指令和行驶轨迹参考线。行驶轨迹参考线上关联有道路信息、车道信息、目标速度、目标方向、转弯半径以及坐标位置等信息。自动驾驶车辆利用循迹算法，跟随行驶轨迹参考下即可完成一次自动驾驶任务。需要注意的是，行驶轨迹参考线并不是一成不变，会随着自动驾驶云控系统的调度而变化。面向路口的调度服务指令包括但不限于等待指令、直行指令、左转指令、右转指令和掉头指令，主要是用来指挥路口内的自动驾驶车辆安全、高效通过路口。面向交通网络的调度服务指令包括但不限于路权指令、信号设备调度指令，旨在保障整个交通网络的高效运行。

云控自动驾驶系统由若干场景云控系统和若干边缘云控系统组成，如图9所示。场景是指由自动驾驶专用路网所囊括的行驶空间。场景云控系统依托由静态表征层、精准定位层、道路矢量层和实时信息层构建的实时孪生数字交通空间，对场景内的交通要素进行全过程管控。场景云控系统根据提前制定的交通网络运行指标，例如自动驾驶专用路网上的平均行驶速度不低于40km/h，路口平均等待时间不大于10s，平均能耗不得高于0.2kWh/km，对当前路网内自动驾驶车辆行驶轨迹、行使权和道路的路权进行优化调度，再将调度指令传输给数字孪生地图中的调度服务层，由其完成对车辆的管控指挥。其中车辆的行使权包括但不限于加减速指令、匀速指令、转弯指令、停车指令，道路的路权具体到某一具体的车道，包括但不限于允许直行，允许左转，允许右转，禁止通行，禁止变道。

场景云控系统的调度指令更新频率根据场景云控系统的计算能力而定，例如对于计算能力较弱的场景云控系统，调度指令可以是5～10分钟更新一次。对于计算能力一般的系统，调度指令可以是1～5分钟更新一次。对于计算能力很强的系统，调度指令可以是1～30s更新一次。

边缘云控系统一般部署在容易产生交通资源挤兑的区域，例如“十字路口”，T型路口。由于车辆在路口的行驶轨迹固定，且车辆在路口区域内完全受边缘云控系统的调度指令控制，同一条轨迹线上的车辆不会产生冲突，因此路口内的潜在冲突来自其他轨迹线上的车辆。在本发明中，由于已经为自动驾驶车辆划定了专用的行驶空间，因此路口的冲突点主要发生在与传统车辆行驶空间的交叉点。边缘云控系统中的路口调度模型利用部署在路口的摄像头、激光雷达、毫米波雷达等传感器，感知路口区域内传统车辆的物理状态信息，并预测它们到达冲突交叉点的时间，如果该时间与自动驾驶车辆到达此交叉点的时间接近，将根据当前交通网络状态决定是干预自动驾驶车辆还是干预路口的信号灯设备。例如，当前交通网络状态如果运行良好，那么自动驾驶车辆可以将路口的行使权让给传统车辆。如果交通网络状态运行不佳，则直接干预路口的信号灯设备，禁止传统车辆通过，优先保障自动驾驶车辆的行使权。根据行使权的分配结果，路口调度模型还将为进入该路口范围的所有自动驾驶车辆计算下一刻的行驶指令，包括但不限于停车等待指令、直行指令、转弯指令。最后边缘云控系统再将此路权及行驶指令发送给数字孪生地图中的调度服务层。

本发明的边缘云控系统的调度指令是实时的，调度频率为1hz～10hz。本发明的边缘云控系统服务有限空间范围，一般部署在容易产生交通资源冲突的区域。例如可以在自动驾驶专用路网路口部署一个边缘云控系统，于是通过边缘云控路口调度模型，就可为进入该路口范围的所有自动驾驶车辆计算下一时刻的路权分配以及行驶指令，行驶指令包括但不限于停车等待指令、直行指令、转弯指令。然后边缘云控系统再将此路权及行驶指令发送给数字孪生地图中的调度服务层。

上述对实施例的描述是为便于本技术领域的普通技术人员能理解和应用本发明。熟悉本领域技术的人员显然可以容易地对上述实施例做出各种修改，并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此，本发明不限于上述实施例，本领域技术人员根据本发明的揭示，对于本发明做出的改进和修改都应该在本发明的保护范围之内。

Claims

1.一种基于自动驾驶专用路网和数字孪生地图的云控自动驾驶系统，其特征在于，包括：

2.根据权利要求1所述的基于自动驾驶专用路网和数字孪生地图的云控自动驾驶系统，其特征在于，所述的自动驾驶专用路网规划模块利用规则隔离和/或物理隔离方法，将自动驾驶专用路网从混流的交通行驶环境中分离出，为自动驾驶车辆创造安全、有序的物理行驶环境。

3.根据权利要求1所述的基于自动驾驶专用路网和数字孪生地图的云控自动驾驶系统，其特征在于，所述精准定位图层中记录的信息有两种，第一种是用于提供高精度定位的点云地图信息，主要来源于激光雷达传感器采集到的点云信息；另外一种是来自相机图像采集的且具备独特性的目标或特征，称为Landmark，记录的内容包括绝对坐标、属性、几何轮廓，能够在点云信息缺少时用来和车辆传感器感知到的结果匹配，从而推算车辆位置。

4.根据权利要求1所述的基于自动驾驶专用路网和数字孪生地图的云控自动驾驶系统，其特征在于，所述实时信息层存储的实时交通数据由区域内的终端设备实时采集，所述实时信息层结合静态表征层、精准定位层、道路矢量层，构建出一个实时孪生的交通数字空间，为调度服务层的调度指令提供计算基础。

5.根据权利要求1所述的基于自动驾驶专用路网和数字孪生地图的云控自动驾驶系统，其特征在于，所述面向车端的调度服务是向单辆自动驾驶车辆发送行驶指令；所述面向路口的调度服务是向进入该路口范围的所有自动驾驶车辆发送路权分配指令，从信息角度为路口的自动驾驶车辆分离出一个安全、有序的路口行驶场景，保障车辆能够安全、快速通过路口；所述面向整个交通网络的全局调度服务是向自动驾驶专用路网内的车辆发送路权指令和路口信号设备发送通行指令，目的是保障交通网络高效运行。

6.根据权利要求1所述的基于自动驾驶专用路网和数字孪生地图的云控自动驾驶系统，其特征在于，所述边缘云控系统由物理设备、通讯接入网络、边缘计算平台、边缘计算软件系统与边缘云控应用模型组成；物理设备主要包括路侧交通设施和路侧感知设备，自动驾驶车辆通过通讯接入网络与边缘云控系统链接，接受边缘云控系统的信息引导和控制；边缘计算平台和边缘计算软件系统提供基础的连接管理，数据存储功能，并开放接口以实现众多边缘云控的应用开发；边缘云控系统中的数据不需要实时传回到场景云控系统等待场景云控的处理，而是直接被部署在边缘云控系统中的应用模型实时处理；边缘云控系统将边缘云控应用模型的调度指令传输给调度服务层，从而减少数据流不必要的传输，提供高实时性的服务。

7.根据权利要求1所述的基于自动驾驶专用路网和数字孪生地图的云控自动驾驶系统，其特征在于，边缘云控系统的调度指令是实时的，调度频率为1hz～10hz；边缘云控系统服务有限空间范围，部署在容易产生交通资源冲突的区域。