CN116811916A - 一种基于5g车路协同的自动驾驶系统 - Google Patents

Abstract

本发明公开了一种基于5G车路协同的自动驾驶系统，涉及车辆自动驾驶技术领域，包括感知模块、5G通信模块、地图模块、决策与规划模块以及控制模块；所述感知模块，用于通过传感器(雷达、摄像头或激光雷达)感知周围环境，并获取关键的信息，关键信息包括道路、车辆、行人、障碍物；所述5G通信模块，用于负责将车辆感知和控制数据发送到云端进行处理，并接收来自云端的指令和交通信息，使得自动驾驶系统获取最新的交通信息。本发明的5G车路协同系统可以通过实时地图更新和数据共享，帮助自动驾驶车辆更准确地感知和理解道路环境，优化路径规划和决策，模块之间通过高速、低延迟的5G通信技术进行数据交换和协同工作，形成一个闭环的自动驾驶系统。

Description

一种基于5G车路协同的自动驾驶系统

技术领域

本发明涉及车辆自动驾驶技术领域，具体涉及一种基于5G车路协同的自动驾驶系统。

背景技术

公共交通是国家优先鼓励发展的交通出行方式，自动驾驶汽车通过搭载先进的车载传感器、控制器、执行器等装置，并融合现代通信与网络技术，实现车与X(车、路、人、云等)智能信息交换、共享，具备复杂环境感知、智能决策、协同控制等功能，可实现“安全、高效、舒适、节能”行驶，在减少交通安全事故，提升交通出行效率和改善城市环境污染等方面都起着至关重要的作用，而这一过程往往需要车路协同技术的配合，随着5G技术的不断发展，将5G技术引入车路协同的自动驾驶系统中是很有前景的，有助于自动驾驶技术的发展。

针对现有技术存在以下问题：自动驾驶系统的感知行为较为薄弱，获取相关数据信息的能力较为单一，关键信息的处理及物体的位置和运动状态的预测效果较差，影响车路协同过程中的安全性的问题。

发明内容

本发明目的在于提供一种基于5G车路协同的自动驾驶系统，以解决上述背景技术中提出的问题。

为解决上述技术问题，本发明所采用的技术方案是：

一种基于5G车路协同的自动驾驶系统，包括感知模块、5G通信模块、地图模块、决策与规划模块以及控制模块；

所述感知模块，用于通过传感器(雷达、摄像头或激光雷达)感知周围环境，并获取关键的信息，关键信息包括道路、车辆、行人、障碍物；

所述5G通信模块，用于负责将车辆感知和控制数据发送到云端进行处理，并接收来自云端的指令和交通信息，使得自动驾驶系统获取最新的交通信息，并与其他车辆和基础设施进行协同合作；

所述地图模块，用于提供车辆的空间位置和环境信息，环境信息包括道路几何结构、交通标志、交通信号灯、充电桩；

所述决策与规划模块，用于负责根据感知数据、地图信息和交通规则，生成行驶决策和路径规划，基于感知和地图数据进行场景分析和预测，选择最佳的行驶策略，并生成相应的控制指令，控制指令包括控制车辆的加速、转向和制动；

所述控制模块，用于将决策与规划模块生成的控制指令转化为具体的车辆动作，车辆动作包括加速、转向、制动，通过电控系统控制车辆的各个执行器，确保车辆按照规划的路径和速度行驶。

本发明技术方案的进一步改进在于：所述感知模块通过雷达、摄像头或激光雷达感知周围环境，获取关键信息的方式为，

所述雷达通过向周围发射电磁波并接收反射回来的信号，确定物体的位置、距离和速度信息，利用基于雷达的物体检测和跟踪算法估计物体的位置和运动状态；

所述摄像头捕捉周围环境的图像或视频，并通过图像处理和计算机视觉算法提取关键信息，使用目标检测函数和物体跟踪算法识别并定位车辆、行人和障碍物；

所述激光雷达通过发射激光束并测量反射回来的光束的时间和强度，获取物体的三维空间位置和形状信息，利用基于激光雷达的点云处理算法提取道路、车辆、行人和障碍物关键信息。

本发明技术方案的进一步改进在于：所述基于雷达的物体检测和跟踪算法使用滤波器估计物体的位置和运动状态，所选用的滤波器为卡尔曼滤波器，卡尔曼滤波器估计物体的位置和运动状态包含两个步骤，分为预测步和更新步；

所述预测步包括状态预测和协方差预测，二者的计算公式分别如下：

状态预测：x(k)＝F(k-1)*x(k-1)+B(k-1)*u(k-1)+w(k-1)；

其中，x(k)是当前时刻k的状态估计，F(k-1)是状态转移矩阵，B(k-1)是控制输入矩阵，u(k-1)是控制输入(速度或加速度)，w(k-1)是运动模型噪声；

协方差预测：P(k)＝F(k-1)*P(k-1)*F(k-1)^T+Q(k-1)；

其中，P(k)是当前时刻k的状态估计协方差矩阵，Q(k-1)是运动模型噪声协方差矩阵；

所述更新步包括计算残差、计算观测残差协方差、计算卡尔曼增益、更新状态估计、更新状态估计和更新协方差估计，其计算公式分别如下：

计算残差：y(k)＝z(k)-H(k)*x(k)；

其中，y(k)是测量残差，z(k)是当前时刻k的观测值，H(k)是观测矩阵；

计算观测残差协方差：S(k)＝H(k)*P(k)*H(k)^T+R(k)；

其中，S(k)是观测残差协方差矩阵，R(k)是观测模型噪声协方差矩阵；

计算卡尔曼增益：K(k)＝P(k)*H(k)^T*S(k)^-1；

其中，K(k)是卡尔曼增益；

更新状态估计：x(k)＝x(k)+K(k)*y(k)；

更新协方差估计：P(k)＝(I-K(k)*H(k))*P(k)；

其中，I是单位矩阵。

本发明技术方案的进一步改进在于：所述目标检测函数是根据摄像头或激光雷达数据，使用目标检测算法来识别和定位不同类别的物体，基于卷积神经网络(CNN)的目标检测算法(YOLO、SSD)通过以下函数公式实现：

(objects,boundingboxes)＝detectobjects(image)；

其中，image是输入的图像，objects是检测到的物体类别，bounding_boxes是物体的边界框坐标；

所述物体跟踪算法利用连续的图像帧来跟踪物体的运动，使用卡尔曼滤波器估计物体的位置和速度，其函数公式如下：

(trackpos,trackvel)＝trackobject(imagesequence)；

其中，imagesequence是输入的连续图像帧序列，trackpos是物体的位置估计，track_vel是物体的速度估计。

本发明技术方案的进一步改进在于：所述基于激光雷达的点云处理算法包括以下关键步骤：点云预处理、点云分割、目标检测与分类和目标跟踪；

A1、所述点云预处理的目标是对原始点云进行去噪滤波和坐标转换操作，以提高后续处理的准确性和效率，其具体实施措施为：

点云滤波：通过使用滤波算法(高斯滤波、中值滤波)对点云数据进行去噪，消除噪声和异常点；

坐标转换：将点云转换到适合后续处理的坐标系统，将点云从车体坐标系转换到世界坐标系；

A2、点云分割的目标是将点云中的不同对象(道路、车辆、行人和障碍物)分离开来，其具体实施措施为：

地面提取：采用地面分割算法，将地面部分从点云中分离出来，使用基于拟合平面或颜色特征的算法；

点云聚类：使用聚类算法(基于相邻性的聚类或基于特征的聚类)将非地面点云分组，并标记为不同的物体；

A3、目标检测与分类的目标是识别和分类不同的目标(车辆、行人和障碍物)，其具体实施措施为：

特征提取：对每个聚类得到的目标点云提取相关特征，点云形状特征、点云密度特征、颜色特征；

目标检测：使用目标检测算法对提取的特征进行分析和判断，确定点云中存在的目标，并为每个目标分配一个边界框或多边形表示其位置；

目标分类：对检测到的目标进行分类，将其归为预定义的类别(车辆、行人、障碍物)；

A4、目标跟踪的目标是在连续的点云帧之间追踪目标的运动状态，预测目标位置、速度和加速度，其具体实施措施为：

运动估计：使用运动估计算法对目标在连续帧之间的运动进行建模和估计，使用卡尔曼滤波器或扩展卡尔曼滤波器进行预测；

数据关联：将当前帧中的目标与前一帧中的目标进行关联，确定目标的标识和一致性；

目标状态更新：根据运动模型和测量数据，更新目标的位置、速度和其他状态参数。

本发明技术方案的进一步改进在于：所述5G通信模块将车辆感知和控制数据发送到云端进行处理，接收来自云端的指令和交通信息，具体包括以下步骤：

B1、数据发送到云端，通过5G通信模块将车辆感知和控制数据(传感器数据、车辆状态、行驶路径)发送到云端进行处理，其具体实施措施为：

数据封装：将车辆数据封装成符合5G通信协议的数据包，包括头部信息、数据内容和校验；

数据传输：使用5G通信协议进行数据传输，通过车载的5G通信设备连接到云端服务器，使用无线网络信道进行数据的传输；

数据传输优化：采用可靠性增强技术(自适应调制与编码、信道编码和重传机制)提高数据传输的可靠性和抗干扰能力，提高数据传输效率和稳定性；

B2、接收来自云端的指令和交通信息，利用5G通信模块接收来自云端的指令和交通信息，实现远程监控、车辆控制和交通优化功能，其具体实施措施为：

数据接收和解析：5G通信模块接收来自云端的数据包，并解析其中的指令和交通信息，控制指令、路况信息；

数据处理：通过将接收到的数据传递给车辆等其他系统进行处理，实现相应的控制和操作，自动驾驶控制、路径规划；

反馈与确认：5G通信模块将处理结果反馈给云端，确认指令的执行情况和传输状态，同时发送车辆的状态信息和实时数据给云端进行监控和分析。

本发明技术方案的进一步改进在于：所述决策与规划模块，根据感知数据、地图信息和交通规则，生成行驶决策和路径规划，具体包括以下步骤：

C1、场景分析与目标设定：基于感知数据和地图信息，对当前场景进行分析，包括识别道路标志、交通信号、障碍物，根据预先设置的目标(导航终点、交通规则)，确定行驶目标和约束条件；

C2、路径规划：根据当前车辆的位置、目的地和场景分析的结果，进行路径规划，生成车辆行驶的最优路径，采用A*算法、Dijkstra算法、RRT算法中任意一种，路径规划的目标是确保车辆安全、高效地到达目的地，并考虑交通规则和道路限制；

C3、运动规划：根据生成的路径，进行运动规划，确定车辆行驶的具体轨迹，运动规划考虑车辆的动力学特性、行驶约束和安全性要求，以生成平滑、可执行的车辆轨迹，采用的方法包括曲线拟合、样条插值以及基于优化的轨迹生成方法；

C4、行驶决策：基于场景分析、路径规划和运动规划的结果，生成车辆的行驶决策，包括车辆速度、转向、加减速决策，行驶决策的主要目标是保证安全性、合规性和效率，采用的方法包括规则库、状态机、决策树、强化学习；

C5、控制指令生成：根据行驶决策，将决策转化为具体的车辆控制指令，包括油门、制动、方向盘转角。

本发明技术方案的进一步改进在于：所述控制模块将决策与规划模块生成的控制指令转化为具体的车辆动作，具体包括以下步骤：

D1、控制指令传递：决策与规划模块生成的控制指令通过数据总线(CAN总线)传递给车辆的ECU，控制指令包括油门开度、制动压力、方向盘转角；

D2、数据解析与处理：车辆的ECU接收和解析控制指令，根据车辆的状态和反馈信息进行处理，包括读取车辆的当前速度、方向盘位置、刹车状态，ECU考虑车辆的动力学特性、传感器的误差因素；

D3、控制策略实施：基于解析和处理后的数据，ECU执行相应的控制策略，控制策略包括速度控制、方向控制和制动控制，使用PID控制器调节油门开度以控制车辆的速度，使用转向控制器实现方向盘转角的调整，使用制动控制器调节刹车压力；

D4、控制信号输出：控制策略经过计算后产生相应的控制信号，信号通过ECU与车辆的执行器进行通信，包括有控制发动机的油门执行器、刹车系统的制动执行器和转向系统的转向执行器，控制信号的输出使得车辆动作得以实施。

由于采用了上述技术方案，本发明相对现有技术来说，取得的技术进步是：

1、本发明提供一种基于5G车路协同的自动驾驶系统，5G车路协同系统可以通过实时地图更新和数据共享，帮助自动驾驶车辆更准确地感知和理解道路环境，优化路径规划和决策，模块之间通过高速、低延迟的5G通信技术进行数据交换和协同工作，形成一个闭环的自动驾驶系统。

2、本发明提供一种基于5G车路协同的自动驾驶系统，利用感知模块获取环境信息，通信模块进行数据传输和通信，地图模块提供环境和位置信息，决策与规划模块生成决策和路径规划，控制模块将指令转化为实际车辆动作，实现车辆的自主驾驶。

3、本发明提供一种基于5G车路协同的自动驾驶系统，通过感知模块，通过雷达、摄像头或激光雷达感知周围环境，获取关键的信息，多面化获取关键信息，并利用决策与规划模块负责根据感知数据、地图信息和交通规则，生成行驶决策和路径规划，基于感知和地图数据进行场景分析和预测，选择最佳的行驶策略，并生成相应的控制指令。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。

图1为本发明的系统模块构成图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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作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。

实施例1，如图1所示，本发明提供了一种基于5G车路协同的自动驾驶系统，包括感知模块、5G通信模块、地图模块、决策与规划模块以及控制模块；

感知模块，用于通过传感器(雷达、摄像头或激光雷达)感知周围环境，并获取关键的信息，关键信息包括道路、车辆、行人、障碍物；

5G通信模块，用于负责将车辆感知和控制数据发送到云端进行处理，并接收来自云端的指令和交通信息，使得自动驾驶系统获取最新的交通信息，并与其他车辆和基础设施进行协同合作；

地图模块，用于提供车辆的空间位置和环境信息，环境信息包括道路几何结构、交通标志、交通信号灯、充电桩；

决策与规划模块，用于负责根据感知数据、地图信息和交通规则，生成行驶决策和路径规划，基于感知和地图数据进行场景分析和预测，选择最佳的行驶策略，并生成相应的控制指令，控制指令包括控制车辆的加速、转向和制动；

控制模块，用于将决策与规划模块生成的控制指令转化为具体的车辆动作，车辆动作包括加速、转向、制动，通过电控系统控制车辆的各个执行器，确保车辆按照规划的路径和速度行驶。

实施例2，如图1所示，在实施例1的基础上，本发明提供一种技术方案：优选的，感知模块通过雷达、摄像头或激光雷达感知周围环境，获取关键信息的方式为，

雷达通过向周围发射电磁波并接收反射回来的信号，确定物体的位置、距离和速度信息，利用基于雷达的物体检测和跟踪算法估计物体的位置和运动状态，基于雷达的物体检测和跟踪算法使用滤波器估计物体的位置和运动状态，所选用的滤波器为卡尔曼滤波器，卡尔曼滤波器估计物体的位置和运动状态包含两个步骤，分为预测步和更新步；

预测步包括状态预测和协方差预测，二者的计算公式分别如下：

状态预测：x(k)＝F(k-1)*x(k-1)+B(k-1)*u(k-1)+w(k-1)；

其中，x(k)是当前时刻k的状态估计，F(k-1)是状态转移矩阵，B(k-1)是控制输入矩阵，u(k-1)是控制输入(速度或加速度)，w(k-1)是运动模型噪声；

协方差预测：P(k)＝F(k-1)*P(k-1)*F(k-1)^T+Q(k-1)；

其中，P(k)是当前时刻k的状态估计协方差矩阵，Q(k-1)是运动模型噪声协方差矩阵；

更新步包括计算残差、计算观测残差协方差、计算卡尔曼增益、更新状态估计、更新状态估计和更新协方差估计，其计算公式分别如下：

计算残差：y(k)＝z(k)-H(k)*x(k)；

其中，y(k)是测量残差，z(k)是当前时刻k的观测值，H(k)是观测矩阵；

计算观测残差协方差：S(k)＝H(k)*P(k)*H(k)^T+R(k)；

其中，S(k)是观测残差协方差矩阵，R(k)是观测模型噪声协方差矩阵；

计算卡尔曼增益：K(k)＝P(k)*H(k)^T*S(k)^-1；

其中，K(k)是卡尔曼增益；

更新状态估计：x(k)＝x(k)+K(k)*y(k)；

更新协方差估计：P(k)＝(I-K(k)*H(k))*P(k)；

其中，I是单位矩阵；

摄像头捕捉周围环境的图像或视频，并通过图像处理和计算机视觉算法提取关键信息，使用目标检测函数和物体跟踪算法识别并定位车辆、行人和障碍物，目标检测函数是根据摄像头或激光雷达数据，使用目标检测算法来识别和定位不同类别的物体，基于卷积神经网络(CNN)的目标检测算法(YOLO、SSD)通过以下函数公式实现：

(objects,boundingboxes)＝detectobjects(image)；

其中，image是输入的图像，objects是检测到的物体类别，bounding_boxes是物体的边界框坐标；

物体跟踪算法利用连续的图像帧来跟踪物体的运动，使用卡尔曼滤波器估计物体的位置和速度，其函数公式如下：

(trackpos,trackvel)＝trackobject(imagesequence)；

其中，imagesequence是输入的连续图像帧序列，trackpos是物体的位置估计，track_vel是物体的速度估计；

激光雷达通过发射激光束并测量反射回来的光束的时间和强度，获取物体的三维空间位置和形状信息，利用基于激光雷达的点云处理算法提取道路、车辆、行人和障碍物关键信息，基于激光雷达的点云处理算法包括以下关键步骤：点云预处理、点云分割、目标检测与分类和目标跟踪；

A1、点云预处理的目标是对原始点云进行去噪滤波和坐标转换操作，以提高后续处理的准确性和效率，其具体实施措施为：

点云滤波：通过使用滤波算法(高斯滤波、中值滤波)对点云数据进行去噪，消除噪声和异常点；

坐标转换：将点云转换到适合后续处理的坐标系统，将点云从车体坐标系转换到世界坐标系；

A2、点云分割的目标是将点云中的不同对象(道路、车辆、行人和障碍物)分离开来，其具体实施措施为：

地面提取：采用地面分割算法，将地面部分从点云中分离出来，使用基于拟合平面或颜色特征的算法；

点云聚类：使用聚类算法(基于相邻性的聚类或基于特征的聚类)将非地面点云分组，并标记为不同的物体；

A3、目标检测与分类的目标是识别和分类不同的目标(车辆、行人和障碍物)，其具体实施措施为：

特征提取：对每个聚类得到的目标点云提取相关特征，点云形状特征、点云密度特征、颜色特征；

目标检测：使用目标检测算法对提取的特征进行分析和判断，确定点云中存在的目标，并为每个目标分配一个边界框或多边形表示其位置；

目标分类：对检测到的目标进行分类，将其归为预定义的类别(车辆、行人、障碍物)；

A4、目标跟踪的目标是在连续的点云帧之间追踪目标的运动状态，预测目标位置、速度和加速度，其具体实施措施为：

运动估计：使用运动估计算法对目标在连续帧之间的运动进行建模和估计，使用卡尔曼滤波器或扩展卡尔曼滤波器进行预测；

数据关联：将当前帧中的目标与前一帧中的目标进行关联，确定目标的标识和一致性；

目标状态更新：根据运动模型和测量数据，更新目标的位置、速度和其他状态参数。

实施例3，如图1所示，在实施例1-2的基础上，本发明提供一种技术方案：优选的，5G通信模块将车辆感知和控制数据发送到云端进行处理，接收来自云端的指令和交通信息，具体包括以下步骤：

B1、数据发送到云端，通过5G通信模块将车辆感知和控制数据(传感器数据、车辆状态、行驶路径)发送到云端进行处理，其具体实施措施为：

数据封装：将车辆数据封装成符合5G通信协议的数据包，包括头部信息、数据内容和校验；

数据传输：使用5G通信协议进行数据传输，通过车载的5G通信设备连接到云端服务器，使用无线网络信道进行数据的传输；

数据传输优化：采用可靠性增强技术(自适应调制与编码、信道编码和重传机制)提高数据传输的可靠性和抗干扰能力，提高数据传输效率和稳定性；

B2、接收来自云端的指令和交通信息，利用5G通信模块接收来自云端的指令和交通信息，实现远程监控、车辆控制和交通优化功能，其具体实施措施为：

数据接收和解析：5G通信模块接收来自云端的数据包，并解析其中的指令和交通信息，控制指令、路况信息；

数据处理：通过将接收到的数据传递给车辆等其他系统进行处理，实现相应的控制和操作，自动驾驶控制、路径规划；

反馈与确认：5G通信模块将处理结果反馈给云端，确认指令的执行情况和传输状态，同时发送车辆的状态信息和实时数据给云端进行监控和分析；

决策与规划模块，根据感知数据、地图信息和交通规则，生成行驶决策和路径规划，具体包括以下步骤：

C1、场景分析与目标设定：基于感知数据和地图信息，对当前场景进行分析，包括识别道路标志、交通信号、障碍物，根据预先设置的目标(导航终点、交通规则)，确定行驶目标和约束条件；

C2、路径规划：根据当前车辆的位置、目的地和场景分析的结果，进行路径规划，生成车辆行驶的最优路径，采用A*算法、Dijkstra算法、RRT算法中任意一种，路径规划的目标是确保车辆安全、高效地到达目的地，并考虑交通规则和道路限制；

C3、运动规划：根据生成的路径，进行运动规划，确定车辆行驶的具体轨迹，运动规划考虑车辆的动力学特性、行驶约束和安全性要求，以生成平滑、可执行的车辆轨迹，采用的方法包括曲线拟合、样条插值以及基于优化的轨迹生成方法；

C4、行驶决策：基于场景分析、路径规划和运动规划的结果，生成车辆的行驶决策，包括车辆速度、转向、加减速决策，行驶决策的主要目标是保证安全性、合规性和效率，采用的方法包括规则库、状态机、决策树、强化学习；

C5、控制指令生成：根据行驶决策，将决策转化为具体的车辆控制指令，包括油门、制动、方向盘转角；

控制模块将决策与规划模块生成的控制指令转化为具体的车辆动作，具体包括以下步骤：

D1、控制指令传递：决策与规划模块生成的控制指令通过数据总线(CAN总线)传递给车辆的ECU，控制指令包括油门开度、制动压力、方向盘转角；

D2、数据解析与处理：车辆的ECU接收和解析控制指令，根据车辆的状态和反馈信息进行处理，包括读取车辆的当前速度、方向盘位置、刹车状态，ECU考虑车辆的动力学特性、传感器的误差因素；

D3、控制策略实施：基于解析和处理后的数据，ECU执行相应的控制策略，控制策略包括速度控制、方向控制和制动控制，使用PID控制器调节油门开度以控制车辆的速度，使用转向控制器实现方向盘转角的调整，使用制动控制器调节刹车压力；

D4、控制信号输出：控制策略经过计算后产生相应的控制信号，信号通过ECU与车辆的执行器进行通信，包括有控制发动机的油门执行器、刹车系统的制动执行器和转向系统的转向执行器，控制信号的输出使得车辆动作得以实施。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (8)

1.一种基于5G车路协同的自动驾驶系统，其特征在于：包括感知模块、5G通信模块、地图模块、决策与规划模块以及控制模块；

所述感知模块，用于通过传感器(雷达、摄像头或激光雷达)感知周围环境，并获取关键的信息，关键信息包括道路、车辆、行人、障碍物；

所述5G通信模块，用于负责将车辆感知和控制数据发送到云端进行处理，并接收来自云端的指令和交通信息，使得自动驾驶系统获取最新的交通信息，并与其他车辆和基础设施进行协同合作；

所述地图模块，用于提供车辆的空间位置和环境信息，环境信息包括道路几何结构、交通标志、交通信号灯、充电桩；

所述决策与规划模块，用于负责根据感知数据、地图信息和交通规则，生成行驶决策和路径规划，基于感知和地图数据进行场景分析和预测，选择最佳的行驶策略，并生成相应的控制指令，控制指令包括控制车辆的加速、转向和制动；

所述控制模块，用于将决策与规划模块生成的控制指令转化为具体的车辆动作，车辆动作包括加速、转向、制动，通过电控系统控制车辆的各个执行器，确保车辆按照规划的路径和速度行驶。

2.根据权利要求1所述的一种基于5G车路协同的自动驾驶系统，其特征在于：所述感知模块通过雷达、摄像头或激光雷达感知周围环境，获取关键信息的方式为，

所述雷达通过向周围发射电磁波并接收反射回来的信号，确定物体的位置、距离和速度信息，利用基于雷达的物体检测和跟踪算法估计物体的位置和运动状态；

所述摄像头捕捉周围环境的图像或视频，并通过图像处理和计算机视觉算法提取关键信息，使用目标检测函数和物体跟踪算法识别并定位车辆、行人和障碍物；

所述激光雷达通过发射激光束并测量反射回来的光束的时间和强度，获取物体的三维空间位置和形状信息，利用基于激光雷达的点云处理算法提取道路、车辆、行人和障碍物关键信息。

3.根据权利要求2所述的一种基于5G车路协同的自动驾驶系统，其特征在于：所述基于雷达的物体检测和跟踪算法使用滤波器估计物体的位置和运动状态，所选用的滤波器为卡尔曼滤波器，卡尔曼滤波器估计物体的位置和运动状态包含两个步骤，分为预测步和更新步；

所述预测步包括状态预测和协方差预测，二者的计算公式分别如下：

状态预测：x(k)＝F(k-1)*x(k-1)+B(k-1)*u(k-1)+w(k-1)；

其中，x(k)是当前时刻k的状态估计，F(k-1)是状态转移矩阵，B(k-1)是控制输入矩阵，u(k-1)是控制输入(速度或加速度)，w(k-1)是运动模型噪声；

协方差预测：P(k)＝F(k-1)*P(k-1)*F(k-1)^T+Q(k-1)；

其中，P(k)是当前时刻k的状态估计协方差矩阵，Q(k-1)是运动模型噪声协方差矩阵；

所述更新步包括计算残差、计算观测残差协方差、计算卡尔曼增益、更新状态估计、更新状态估计和更新协方差估计，其计算公式分别如下：

计算残差：y(k)＝z(k)-H(k)*x(k)；

其中，y(k)是测量残差，z(k)是当前时刻k的观测值，H(k)是观测矩阵；

计算观测残差协方差：S(k)＝H(k)*P(k)*H(k)^T+R(k)；

其中，S(k)是观测残差协方差矩阵，R(k)是观测模型噪声协方差矩阵；

计算卡尔曼增益：K(k)＝P(k)*H(k)^T*S(k)^-1；

其中，K(k)是卡尔曼增益；

更新状态估计：x(k)＝x(k)+K(k)*y(k)；

更新协方差估计：P(k)＝(I-K(k)*H(k))*P(k)；

其中，I是单位矩阵。

4.根据权利要求2所述的一种基于5G车路协同的自动驾驶系统，其特征在于：所述目标检测函数是根据摄像头或激光雷达数据，使用目标检测算法来识别和定位不同类别的物体，基于卷积神经网络(CNN)的目标检测算法(YOLO、SSD)通过以下函数公式实现：

(objects,boundingboxes)＝detectobjects(image)；

其中，image是输入的图像，objects是检测到的物体类别，

bounding_boxes是物体的边界框坐标；

所述物体跟踪算法利用连续的图像帧来跟踪物体的运动，使用卡尔曼滤波器估计物体的位置和速度，其函数公式如下：

(trackpos,trackvel)＝trackobject(imagesequence)；

其中，imagesequence是输入的连续图像帧序列，trackpos是物体的位置估计，track_vel是物体的速度估计。

5.根据权利要求2所述的一种基于5G车路协同的自动驾驶系统，其特征在于：所述基于激光雷达的点云处理算法包括以下关键步骤：点云预处理、点云分割、目标检测与分类和目标跟踪；

A1、所述点云预处理的目标是对原始点云进行去噪滤波和坐标转换操作，以提高后续处理的准确性和效率，其具体实施措施为：

点云滤波：通过使用滤波算法(高斯滤波、中值滤波)对点云数据进行去噪，消除噪声和异常点；

坐标转换：将点云转换到适合后续处理的坐标系统，将点云从车体坐标系转换到世界坐标系；

A2、点云分割的目标是将点云中的不同对象(道路、车辆、行人和障碍物)分离开来，其具体实施措施为：

地面提取：采用地面分割算法，将地面部分从点云中分离出来，使用基于拟合平面或颜色特征的算法；

点云聚类：使用聚类算法(基于相邻性的聚类或基于特征的聚类)将非地面点云分组，并标记为不同的物体；

A3、目标检测与分类的目标是识别和分类不同的目标(车辆、行人和障碍物)，其具体实施措施为：

特征提取：对每个聚类得到的目标点云提取相关特征，点云形状特征、点云密度特征、颜色特征；

目标检测：使用目标检测算法对提取的特征进行分析和判断，确定点云中存在的目标，并为每个目标分配一个边界框或多边形表示其位置；

目标分类：对检测到的目标进行分类，将其归为预定义的类别(车辆、行人、障碍物)；

A4、目标跟踪的目标是在连续的点云帧之间追踪目标的运动状态，预测目标位置、速度和加速度，其具体实施措施为：

运动估计：使用运动估计算法对目标在连续帧之间的运动进行建模和估计，使用卡尔曼滤波器或扩展卡尔曼滤波器进行预测；

数据关联：将当前帧中的目标与前一帧中的目标进行关联，确定目标的标识和一致性；

目标状态更新：根据运动模型和测量数据，更新目标的位置、速度和其他状态参数。

6.根据权利要求1所述的一种基于5G车路协同的自动驾驶系统，其特征在于：所述5G通信模块将车辆感知和控制数据发送到云端进行处理，接收来自云端的指令和交通信息，具体包括以下步骤：

B1、数据发送到云端，通过5G通信模块将车辆感知和控制数据(传感器数据、车辆状态、行驶路径)发送到云端进行处理，其具体实施措施为：

数据封装：将车辆数据封装成符合5G通信协议的数据包，包括头部信息、数据内容和校验；

数据传输：使用5G通信协议进行数据传输，通过车载的5G通信设备连接到云端服务器，使用无线网络信道进行数据的传输；

数据传输优化：采用可靠性增强技术(自适应调制与编码、信道编码和重传机制)提高数据传输的可靠性和抗干扰能力，提高数据传输效率和稳定性；

B2、接收来自云端的指令和交通信息，利用5G通信模块接收来自云端的指令和交通信息，实现远程监控、车辆控制和交通优化功能，其具体实施措施为：

数据接收和解析：5G通信模块接收来自云端的数据包，并解析其中的指令和交通信息，控制指令、路况信息；

数据处理：通过将接收到的数据传递给车辆等其他系统进行处理，实现相应的控制和操作，自动驾驶控制、路径规划；

反馈与确认：5G通信模块将处理结果反馈给云端，确认指令的执行情况和传输状态，同时发送车辆的状态信息和实时数据给云端进行监控和分析。

7.根据权利要求1所述的一种基于5G车路协同的自动驾驶系统，其特征在于：所述决策与规划模块，根据感知数据、地图信息和交通规则，生成行驶决策和路径规划，具体包括以下步骤：

C1、场景分析与目标设定：基于感知数据和地图信息，对当前场景进行分析，包括识别道路标志、交通信号、障碍物，根据预先设置的目标(导航终点、交通规则)，确定行驶目标和约束条件；

C2、路径规划：根据当前车辆的位置、目的地和场景分析的结果，进行路径规划，生成车辆行驶的最优路径，采用A*算法、Dijkstra算法、RRT算法中任意一种，路径规划的目标是确保车辆安全、高效地到达目的地，并考虑交通规则和道路限制；

C3、运动规划：根据生成的路径，进行运动规划，确定车辆行驶的具体轨迹，运动规划考虑车辆的动力学特性、行驶约束和安全性要求，以生成平滑、可执行的车辆轨迹，采用的方法包括曲线拟合、样条插值以及基于优化的轨迹生成方法；

C4、行驶决策：基于场景分析、路径规划和运动规划的结果，生成车辆的行驶决策，包括车辆速度、转向、加减速决策，行驶决策的主要目标是保证安全性、合规性和效率，采用的方法包括规则库、状态机、决策树、强化学习；

C5、控制指令生成：根据行驶决策，将决策转化为具体的车辆控制指令，包括油门、制动、方向盘转角。

8.根据权利要求1所述的一种基于5G车路协同的自动驾驶系统，其特征在于：所述控制模块将决策与规划模块生成的控制指令转化为具体的车辆动作，具体包括以下步骤：

D1、控制指令传递：决策与规划模块生成的控制指令通过数据总线(CAN总线)传递给车辆的ECU，控制指令包括油门开度、制动压力、方向盘转角；

D2、数据解析与处理：车辆的ECU接收和解析控制指令，根据车辆的状态和反馈信息进行处理，包括读取车辆的当前速度、方向盘位置、刹车状态，ECU考虑车辆的动力学特性、传感器的误差因素；

D3、控制策略实施：基于解析和处理后的数据，ECU执行相应的控制策略，控制策略包括速度控制、方向控制和制动控制，使用PID控制器调节油门开度以控制车辆的速度，使用转向控制器实现方向盘转角的调整，使用制动控制器调节刹车压力；

D4、控制信号输出：控制策略经过计算后产生相应的控制信号，信号通过ECU与车辆的执行器进行通信，包括有控制发动机的油门执行器、刹车系统的制动执行器和转向系统的转向执行器，控制信号的输出使得车辆动作得以实施。