CN116469249A - HDMap与5G车路协的智慧交通云管理平台 - Google Patents

Abstract

本发明公开了HDMap与5G车路协的智慧交通云管理平台，包括道路感知系统、自车感知系统、V2X通信系统、数据库和服务器，道路感知系统主要负责全局大环境的感知以及每辆车运动轨迹的预测和初步优化，道路感知系统还包括交通信号灯的控制来缓解道路拥堵情况。道路感知系统主要是道路传感器，检测道路车流量、目标物理运动属性，其中道路感知传感器包括高清远距离摄像头、毫米波、激光雷达、信号交通灯、GPS定位、其他智能终端。本发明能实现对道路和车辆的动态状态分析、交通事故预警、道路车辆状态预测等功能，实现车路协同的智能管理。

Description

HDMap与5G车路协的智慧交通云管理平台

技术领域

本发明涉及无人车交通管理平台领域，具体为HDMap与5G车路协的智慧交通云管理平台。

背景技术

随着自动驾驶技术的不断提升，无人车、商用车正以平稳递增的方式逐步走向社会，服务于人们的日常生活和商业应用。随着无人车量产规模的提升，对于未来智慧交通管理平台的挑战也与日俱增,为了节约成本、提高多传感器的兼容性，增强全局路况优化与个体车辆轨迹优化的平衡。本专利提出了一种新的车路协同策略，4D高精地图(HDMapNet)与5G车路协技术共建新一代智慧交通云管理平台。主要应用场景为：无人驾驶车辆规模化密集行驶的过程中，特别是交通出行的高峰期，每辆车都在追求最优轨迹，容易出现策略无效或者更新策略频繁易引发拥堵的情况。智慧交通云管理平台构成要素有：城市的4D高精度语义地图(HDMapNet)、5G移动网络、大规模并行计算处理机、大型道路感知系统、自车信号接收器、道路信号发射器。其中,高精地图提供了精准的、综合的道路几何与语义信息，辅助其他车辆完成自动驾驶智能导航(如定位、感知、预测和规划)不可或缺的一部分。

5G网络实现车辆载体与感知仪器之间的通信,本专利的意义在于实现统一道路规划、在道路整体感知的基础上实现自车局部规划，双层规划为大规模无人车的行驶提供了安全保障。

该策略不但促进了无人驾驶行业尽快达标国家的政策法规,也加快了智能云管理技术的应用与推广。

随着我国汽车保有量和汽车驾驶人数增长迅速，交通拥堵问题已成为制约我国城市可持续发展的重要因素之一。因此，缓解交通拥堵、改善城市交通状况已成为我国城市面临的一项紧迫任务。而要解决这一问题，就必须要从根本上提高道路利用率，进而减少机动车尾气排放并降低机动车对交通的影响。车-路协同系统作为未来交通系统中最重要也是最关键的一个环节，将会成为解决城市交通拥堵问题最直接、最有效、成本最低、效果最好一个途径。自动驾驶车辆对道路交通参与者的影响因素非常复杂且具有随机性，因此传统的控制方法无法解决上述问题。随着计算机技术的快速发展，特别是深度学习等智能计算方法的出现和广泛应用，使自动驾驶理论研究取得了突破性进展。道路安全问题和交通事故的不断增加，无人驾驶车路协同示范地也是在不断的探索中完善。如何在现实世界中对自动驾驶系统进行仿真并验证其有效性也成为了亟待解决的问题。对于现实交通参与者的行为模式以及不同道路环境下的交通状态进行实时控制，不仅可以检验自动驾驶车辆是否能够在不同道路环境中安全行驶，还可以为自动化驾驶提供算法创新和理论支撑。

发明内容

本发明的目的在于提供HDMap与5G车路协的智慧交通云管理平台，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：HDMap与5G车路协的智慧交通云管理平台，包括基于云平台交互系统的实现交互共享的道路感知系统、自车感知系统、V2X通信系统、自车与道路感知融合系统、HDMap系统与数据库，其中，

所述道路感知系统用于提供全局大环境的感知以及每辆车运动轨迹的预测和初步优化，道路感知系统包括用于检测道路车流量、目标物理运动属性的道路感知传感器；

所述自车感知系统基于自车感知传感器感知自车信息，并基于自车信息及云平台交互提供局部道路信息优化；

所述V2X通信系统用于实现信号的实时传递，V2X通信系统基于5G将用户终端、自车显示终端、道路感知端、交通云平台间相互通讯，并实现车-路协同的数据传输及同步机制，以及车-车间的路测数据交互机制；

所述HDMap系统基于4D高精度地理信息系统，HDMap系统用于实时获取车辆周围环境、车辆运行状态以及周围交通情况等关键数据，HDMap系统基于获取的关键数据为自动驾驶提供可靠高效的决策支持依据；

所述数据库用于提供整个云平台的数据支撑，数据库支持多格式数据流的存取、按时序检索功能，并采用全并行架构、加入智能优化器，实现数据实时接入，满足实时分析；

所述自车与道路感知融合系统基于目标融合、自车轨迹融合以及高精地图的嵌入传统电子地图融合。

优选的，道路感知传感器包括布设于城市道路上的高清远距离摄像头、毫米波、激光雷达以及路测终端RSU。

优选的，自车感知传感器搭载于无人车内的车载摄像头、车载激光雷达、车载毫米波雷达、车载超声波雷达、车载RTK、车载轮速计数器等，自车感知系统基于自车收发机与云平台交互，自车感知传感器感知自车信息并基于自车收发机将信息转发至云平台。

优选的，HDMap系统的构建过程包括：

A：基于数据获取传感器获取道路的点云信息、道路图像信息；

B：基于高精度GPS接收数据作为训练样本，使用边缘计算技术来增强训练样本的泛化能力；

C：基于GPS定位系统形成的数字化电子地图获取位置信息；

D：将3D点云以及图像信息，经过坐标系转换，位置校准后融合到一起，形成新的高精度地图。

优选的，自车与道路感知融合系统基于目标融合的过程包括：采用前融合结合后融合来实现，前融合用于单个道路感知系统检测到的目标，也可以用于自车感知的目标，使用深度学习网络Center Fusion和BEV Fusion进行模型训练，通过模型训练能得到较好的训练参数；由于自车融合目标与道路感知系统融合的目标还需要一次融合，即后融合技术，即得到两者的BEV空间下的Object属性，包括目标位置、速度、Heading、Yawrate、目标存在置信度等信息，并基于卡尔曼滤波结合匈牙利匹配算法来实现目标的最佳匹配。

优选的，自车轨迹融合使用车道线参考线与初始预测轨迹加权融合的方法来估计自车轨迹，高精地图的嵌入传统电子地图融合是指将HDMap中的部分点云与地图中的某一或多个坐标位置完成配准与校对，保持导航功能以及可视化效果，基于原始数据或网络特征级融合。

与现有技术相比，本发明的有益效果是：

1、本发明的云平台能解决规模化无人车的道路安全行驶问题，提高目标的检测准确度、精准预测车辆行为、双层感知结合二次规划能更好优化车辆轨迹。此外，建立的智慧交通云管理平台能实时监测道路车流量和拥塞变化情况，通过交通信号灯便于及时控制路况，云平台上丰富的道路数据也是提升自动驾驶技术的潜在价值。

2、本发明增加道路感知与自车感知形成双感知系统，双层感知应用能够实现2次优化，避免交通事故。道路感知系统可以结合大数据技术，对交通场景深层挖掘，极端天气下提升可靠性、预测车流量、预测轨迹、紧急事故预判等，这些功能恰好能弥补自车感知缺陷。

3、本发明在HDMapNet基础上规划能提高识别准确率，有利于全局优化交通道路网络，确保每辆车的运动轨迹较优，从而改善整条道路的通行畅率。构建城市4D高精度地图，有利于自动驾驶迈向更高级、更安全、更准确的定位导航。地图数据会更全面，无人车也能节省很多存储和计算时间。

4、本发明基于5G车路协同能够更好实现智慧交通云管理技术，包括道路拥塞程度分析、红绿灯控制、超速预警、GPS校准等。此外，能加快无人车与云管理平台之间的实时通讯。

附图说明

图1为本发明实施例中智慧交通云管理平台的层级图；

图2为本发明实施例中各系统间信息交互示意图；

图3为本发明实施例中车路协同感知系统云端信息交互响应流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1，图1为本发明基于HDMapNet与5G车路协技术共建的一代智慧交通云管理平台，主要由四部分组成：设备层、网络层、平台层、应用服务层，其中设备层主要是道路感知设备、自车感知设备、通讯设备。网络层主要在是5G通讯，负责数据传输、边缘计算、云平台指令发送、也是用户与管理平台的互动桥梁；平台层主要是智慧交通云管理平台，负责数据有效信息整合、分析、模型求解、策略优化，实时完成高密度流交通规划调度；应用服务层主要是解决用户智慧出行问题，也包括了4D高精度语义地图(HDMapNet)的实际应用。为了提高自动驾驶未来道路安全自动化管理标准，本专利的智慧交通云管理平台有助于在道路整体感知的基础上实现自车局部规划，双层优化的运行模式为大规模无人车的行驶提供了安全保障。

请参阅图2，在进行车路协构建时，需要完成道路交通硬件设备的搭建，硬件设施模块包括道路感知系统、自车感知系统、V2X通信系统、数据库和服务器，这些设备及系统之间的数据可以通过云平台的载体实现共享，内部关联规则可以通过具体的算法来实现。

在本实施例中，道路感知系统主要负责全局大环境的感知以及每辆车运动轨迹的预测和初步优化。道路感知系统还包括交通信号灯的控制来缓解道路拥堵情况。道路感知系统主要是道路传感器，检测道路车流量、目标物理运动属性，其中道路感知传感器包括高清远距离摄像头、毫米波、激光雷达(十字路口部署，节约成本)，信号交通灯、GPS定位、其他智能终端。

在本实施例中，由于车路协同是一个复杂的系统，涉及到车辆、交通、环境、时间等因素。此外，V2X信息共享及数据安全防护都是关键问题。本项目拟采用嵌入式处理器平台，对城市交通网络和道路进行动态状态分析，同时利用嵌入式芯片技术实现交通网络和路侧数据的实时采集。该方案的主要目标是建立具备高精地图特点的V2X云交通管理平台，进一步拓展V2I应用范围，实现对道路和车辆的动态状态分析、交通事故预警、道路车辆状态预测等功能。

在本实施例中，道路感知系统内部的设备一般固定在特定的信号杆或者路灯下，本专利考虑到节能环保，同时防止临时断电后，道路传感器停止工作，本专利在信号杆上设计了太阳能电池板和移动电源，这样能确保道路感知系统的信息能正常收发。

在本实施例中，信号杆固定的设备如图3所示，包含了高清摄像头、毫米波雷达、激光雷达、路测终端RSU。道路感知系统的通讯基础是5G网络，整个5G网络构架还涉及的网络端口有：服务器、路由器、交换机、基站、终端设备、云管理平台等。交换机的端口建议设置集中式的星形网络结果，数据传输更加稳定，数据安全性可以由物理地址MAC来确定。传统的交换机只能分割冲突域，不能分割广播域；而5G工业路由器可以分割广播域，但是各子广播域之间是不能通信交流的，它们之间的交流仍然需要5G工业路由器，路由器的数据安全性可以根据网络IP来确定传输的正确性。

在本实施例中，由于车路协同是解决道路规模化自动驾驶的重要策略，在复杂的城市交通环境下，基于道路和自车的双系统感知系统，有着明显的精度优势，5G网络为高效数据传递提供了技术支撑。车路协同包含了丰富的定位信息、时序轨迹、车流量等，为智慧交通云管理建模提供了多维度信息。

在本实施例中，自车感知系统主要负责局部道路信息优化，传感器包括：摄像头、激光雷达、毫米波雷达、超声波雷达、RTK、轮速计数器等。本专利提出的自动驾驶车辆比传统自动驾驶车辆多了与云端和道路设备通信的收发装备，该装备实现了云平台数据共享，能实时接收云平台发出的指令信息。同时，也可以将自车采集的道路信息上传云端。道路感知系统确保了远距离目标的确认以及相邻目标车辆轨迹的预测信息的获取，有助于自车优化策略，提高安全驾驶系数。自车的车载计算单元(HPC)集中于处理器上，构建基于嵌入式处理器(SoC)并支持云计算、边缘计算等新一代车规级高性能数据处理器。嵌入式处理器有利于对交通网络进行动态分析。

在本实施例中，V2X通信系统主要是保证信号的实时传递功能，交通信息的内部传递以及通信链路的形成依赖于通讯设备的状况。交通云平台的属于通信模块，主要是涉及5G技术，可以实现快速的数据传递，降低延迟。V2X通信是用户终端、自车显示终端、道路感知端、交通云平台之间的转接桥梁，可以保证数据、信息、指令准确交互收发，对于复杂多变的交通环境，更能体现V2X的价值。最终，建立了车-路协同的数据传输与同步机制以及车-车之间的路测数据交互机制。

在本实施例中，基于终端传感器的边缘计算，可识别交通灯和车道，避开障碍物。在行驶时只需把自己的定位、车速、轨迹等信息上传至云端即可。道路旁统计人流和车流的摄像头，通过自带的人工智能芯片，实时分析采集到的图片中行人和车辆的数量，最后只需上传俩个数字即可，大大减少了上传的带宽。其次就通过5G传输收集到所有传感器的实时数据后，城市大脑基于运筹学算法调用云端的计算机集群进行云计算。道路摄像头通过交通事件实时识别将这一状况同步到云端，并实时评估拥堵状况。城市大脑则根据这一反馈，运用多车路径规划算法统一调度所有本来要经过此路段的车辆，并动态调控红绿灯配时，减少整体拥堵时间。

在本实施例中，高精地图(HDMap系统)就是要把真实的三位世界用数据的形式精准的在真实的地图上体现出来，也是把三维世界抽象到数字空间中，方便后续建模与规控。高精度地图比传统的地图有更加准确的位置信息，精度从原来的米精确到厘米级别，4D高精度地理信息在自动驾驶里的应用具有重要作用。通过4D高精度地理信息系统可以实时掌握车辆周围环境、车辆运行状态以及周围交通情况等关键数据，为自动驾驶提供可靠高效的决策支持依据。

完成大型高精度地图的构建，本实施例提供以下几个技术方案：

1、数据获取传感器为激光雷达和摄像头的组合，激光雷达可以得到道路的点云信息，相机可以得到清晰丰富的像素信息，有利于关键性地标建筑的识别。点云数据细节丰富，包括车道边界，车道中心线，车道限制，障碍物距离，特别是每个无人车未来运动方向，这些是传统无人车无法获取到的信息。

2、高精度地图的建立需要结合边缘计算技术：使用高精度GPS接收数据作为训练样本，使用边缘计算技术来增强训练样本的泛化能力，以达到快速高效地处理海量的原始GPS数据。

3、位置信息的调整还需要GPS定位系统形成的数字化电子地图，然后将3D点云以及图像信息，经过坐标系转换，位置校准后融合到一起，形成新的高精度地图，能够数字化更加精准的描述每一段道路信

4、RTK和激光雷达传感器作为核心的定位技术以及结合高精地图，来实现车路协同，在规划和决策中起到科学的的辅助作用。定位准确，具有实时性，同时分辨率高，从传统的米级别到厘米级别。能够实时真实反映道路实际状况，在自车传感器故障、误检、遮挡的情况下依旧能完成自动形式工作。通过RTK(Time Server Positioning)进行数据采集，另一种是使用激光雷达或者高精度IMU进行数据采集。使用RTK和激光雷达传感器作为核心的定位技术以及高精地图与车路协同结合中的相关技术问题。本专利使用RTK和激光雷达传感器作为核心的定位技术以及高精地图与车路协同结合中的相关技术问题。以提高传感器和地图进行融合、更新后才能得到道路信息。

5、数据采集混合采集模式：主要是道路感知系统和用户双方相结合的模式，道路感知系统可以得到全局信息，自车可以采集局部信息。最后融合在一起，平衡了精度和成本问题。

在本实施例中，高精地图作为自动驾驶领域的一个关键技术，特别是L4级别以上的车辆对轨迹规划要求更加严格，高精道路导航地图更加受到重视和关注。建立国家级的高精地图数据库，有利于数据资源合并，易维护，科学化管理。高精度地图则只需要基于RTK进行数据采集以及数据融合后就可以得到道路信息并且能更好地提供道路服务(包括自动转向等)。然后路测方法：为了能将4D空间数据在空间上表达得更清晰全面，需要对传感器以及道路等相关信息进行特征提取；而对于不同特征提取方式则存在一定的差异：例如在基于RTK模式下由于使用了GNSS信号获取方式，因此需要将车辆姿态、车速以及加速度等特征进行提取。

在本实施例中，数据库主要是涉及到：云数据的创建、存储、收发、预处理、云加密等方面，由于是国家级交通云管理平台，数据量都是海量因此数据创建也是非常消耗资源的，建立的云仓库应具备一下特点：

支持多格式数据流的存取、按时序检索功能、GlS，需要能支持HDFS、OBS数据融合分析，支持数据访问Express集群加速。

数据仓库全并行架构、加入智能优化器，实现数据实时接入，满足实时分析，流引擎实现单机60w/s数据接入。

单一集群百亿级连接，能实现多业务隔离和多集群扩展，冷数据低成本管理S8_T4：数据三重保护，有加密功能，能保护用户隐私和国家道路安全，满足快速部署，容忍N节点故障，多层次自动数据备份体系。

具备在线扩容、有升级接口，方便维护，有模块化迁移工具和快速复制性能，资源负载管理，Cloud Native运维，满足多用户同时上传下载功能。

在本实施例中，智慧交通云管理平台模块是道路感知系统和自车感知的融合技术，这也是多模态融合技术之一，内容包含了：目标融合、自车轨迹融合、高精地图的嵌入。轨迹优化和信号灯优化属于目标融合之后的后处理技术。

目标融合：由于数据量比较多，为了均衡融合目标的准确度和效率，可以采用前融合结合后融合来完成。前融合主要用于单个道路感知系统检测到的目标，也可以用于自车感知的目标，可以使用的深度学习网络有Center Fusion和BEV Fusion。通过模型训练能得到较好的训练参数，但是自车融合目标与道路感知系统融合的目标还需要一次融合，这个融合可以采用后融合技术，即得到两者的BEV空间下的Object属性，包括目标位置、速度、Heading、Yawrate、目标存在置信度等信息。然后基于卡尔曼滤波结合匈牙利匹配算法来实现目标的最佳匹配。

自车轨迹融合：高精度地图内部分为静态信息和动态信息，其中车道线属于静态信息，车道线一般采用端到端的多任务感知网络，而且高精地图的车道线是向量化表示，为自车运行规划控制提供了极大方便。当自车轨迹预测结合云端信息反馈，在明确相邻目标车辆运动轨迹的前提下预测自车轨迹，本专利使用车道线参考线与初始预测轨迹加权融合的方法来估计自车轨迹，不仅提高了辅助驾驶系统的准确性和安全性，也减少了安全隐患发生的几率。这种加权融合方法可以得到更加平滑的曲线，也能提高用户的舒适性。

高精地图的嵌入传统电子地图的过程也是一个融合过程，需要将HDMap中的一些点云与地图中的某些坐标位置完成配准与校对，保持导航功能以及可视化效果。基于原始数据或网络特征级融合，且考虑短程高清地图生成，限制了自动驾驶在现实中的应用。充分利用不同阶段的多模态特征进行融合，预测长程的高精地图。

在本实施例中，针对自车位置与HDMap匹配的过程：本方案使用激光雷达，则能得到周围的环境的点云信息，从而与高精地图的点云进行匹配。若使用摄像头系统，则会提取更高级别的语义信息来进行匹配定位。包括车道线、地面箭头、交通标志、电线杆和龙门架等。通过识别路面的车道线，可以判断车道数，以及自车所在的车道位置，然后再从高精地图中提取对应车道的信息，如车道方向、车道线类型等。

在本实施例中，道路的整体感知系统与自车的局部感知传感器并不冲突，各自发挥的作用不同。当无人车规划投入实际生活和商业应用时，车路协同的作用不可忽视。重点在于如何提高道路的系统化管理水平，有效结合大数据的内在价值，为新一代自动驾驶规范化、规模化应用提供坚实的技术保障。该策略依赖于交通云管理技术，能够解决大规模无人驾驶车辆的轨迹控制与实时优化问题。在有交通云管理平台覆盖的城区，自车只需要信号接收器便可以实现自动驾驶。遇到复杂或者没有高精地图的时候，自车传感器起关键作用。此外，本专提及的无人车至少需要保留摄像头与毫米波雷达，原因是在未覆盖的道路大型感知系统和云管理平台的场景下，要能保证自车可以正常运行。例如云管理系统临时故障时，或者无人车行驶到了郊区(未覆盖车路协同和感知系统的区域)会受到影响。因此，本专利设计的方案是道路感知系统与自车感知传感器都保留的原则。然后，自车传感器与道路传感器的关系是既可以耦合也可以解耦独立运行，这样无人车在灵活性和安全系数上都能体现出来。

在本实施例中，当前的自动驾的优化都是建立在个体上，只考虑自车安全到达目的地为准则，未考虑整个交通网络的最优值，当自动驾驶车辆使用规模化后，道路难免出现拥塞，每个车都是一个智能设备，并驾齐驱或者目的地相同的车辆，由于传感器设备和算法接近，很容易出现争抢同一优化策略(自车路径规划重复)的现象。在车辆密集的交通道路上行驶，自车需要不断的2次优化、甚至多次优化，才能顺利到达目的地，这种情况随着自动驾驶车辆的增多，问题的严峻性也会随之产生。类似势均力敌的机器人与机器人对弈，会陷入长时间无意义的内耗。当自动驾驶车辆的使用数量达到顶峰时，也会遇到更严重的资源浪费和算法博弈的问题。

本专利提出一种新的提高道路交通安全行驶的有效方案，既实现了规模化无人车云管理平台的搭建，同时为车路协同以数字挛生一体化建设提供了良好基础。即国家出台实现道路的实时规模化感知，与预规划轨迹信号的释放，自车结合高精地图以及实时接收到的道路信息，为自己规划一条更加安全有效的路径，自车只需要在此辅助信号的基础上完成二次优化。车路协同的感知作用在于减少意外交通事故和避免自车规划冲突，是在整个道路系统的全局层面收集有效信息，包括GPS实时更新、每个自车目的地和下一时刻轨迹预测，通过大规模并行计算实时为每辆车提供一个或者多个可行驶的预测轨迹。自车利用自身传感器感知到的局部信息做出准确的轨迹规划，并实时反馈给道路交通传感器，完成动态交互通信，这样能保证整个智慧交通云管理平台的信息流正常运转。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (6)

1.HDMap与5G车路协的智慧交通云管理平台，其特征在于，包括基于云平台交互系统的实现交互共享的道路感知系统、自车感知系统、V2X通信系统、自车与道路感知融合系统、HDMap系统与数据库，其中，

所述道路感知系统用于提供全局大环境的感知以及每辆车运动轨迹的预测和初步优化，道路感知系统包括用于检测道路车流量、目标物理运动属性的道路感知传感器；

所述自车感知系统基于自车感知传感器感知自车信息，并基于自车信息及云平台交互提供局部道路信息优化；

所述V2X通信系统用于实现信号的实时传递，V2X通信系统基于5G将用户终端、自车显示终端、道路感知端、交通云平台间相互通讯，并实现车-路协同的数据传输及同步机制，以及车-车间的路测数据交互机制；

所述HDMap系统基于4D高精度地理信息系统，HDMap系统用于实时获取车辆周围环境、车辆运行状态以及周围交通情况等关键数据，HDMap系统基于获取的关键数据为自动驾驶提供可靠高效的决策支持依据；

所述数据库用于提供整个云平台的数据支撑，数据库支持多格式数据流的存取、按时序检索功能，并采用全并行架构、加入智能优化器，实现数据实时接入，满足实时分析；

所述自车与道路感知融合系统基于目标融合、自车轨迹融合以及高精地图的嵌入传统电子地图融合。

2.根据权利要求1所述的HDMap与5G车路协的智慧交通云管理平台，其特征在于：所述道路感知传感器包括布设于城市道路上的高清远距离摄像头、毫米波、激光雷达以及路测终端RSU。

3.根据权利要求1所述的HDMap与5G车路协的智慧交通云管理平台，其特征在于：所述自车感知传感器搭载于无人车内的车载摄像头、车载激光雷达、车载毫米波雷达、车载超声波雷达、车载RTK、车载轮速计数器等，自车感知系统基于自车收发机与云平台交互，自车感知传感器感知自车信息并基于自车收发机将信息转发至云平台。

4.根据权利要求1所述的HDMap与5G车路协的智慧交通云管理平台，其特征在于：所述HDMap系统的构建过程包括：

A：基于数据获取传感器获取道路的点云信息、道路图像信息；

B：基于高精度GPS接收数据作为训练样本，使用边缘计算技术来增强训练样本的泛化能力；

C：基于GPS定位系统形成的数字化电子地图获取位置信息；

D：将3D点云以及图像信息，经过坐标系转换，位置校准后融合到一起，形成新的高精度地图。

5.根据权利要求1所述的HDMap与5G车路协的智慧交通云管理平台，其特征在于：所述自车与道路感知融合系统基于目标融合的过程包括：采用前融合结合后融合来实现，前融合用于单个道路感知系统检测到的目标，也可以用于自车感知的目标，使用深度学习网络Center Fusion和BEV Fusion进行模型训练，通过模型训练能得到较好的训练参数；由于自车融合目标与道路感知系统融合的目标还需要一次融合，即后融合技术，即得到两者的BEV空间下的Object属性，包括目标位置、速度、Heading、Yawrate、目标存在置信度等信息，并基于卡尔曼滤波结合匈牙利匹配算法来实现目标的最佳匹配。

6.根据权利要求1所述的HDMap与5G车路协的智慧交通云管理平台，其特征在于：所述自车轨迹融合使用车道线参考线与初始预测轨迹加权融合的方法来估计自车轨迹，高精地图的嵌入传统电子地图融合是指将HDMap中的部分点云与地图中的某一或多个坐标位置完成配准与校对，保持导航功能以及可视化效果，基于原始数据或网络特征级融合。