2025, Vol. 42扩展功能
文章信息
- 李永福, 黄鑫, 张健, 李深, 余贵珍, 王章宇, 王庞伟, 胡笳, 王江锋, 段续庭, 龚思远, 田野.
- LI Yongfu, HUANG Xin, ZHANG Jian, LI Shen, YU Guizhen, WANG Zhangyu, WANG Pangwei, HU Jia, WANG Jiangfeng, DUAN Xuting, GONG Siyuan, TIAN Ye
- 智慧公路发展与研究大综述(2025): 车路协同自动驾驶
- Comprehensive review on smart highway evolution and research 2025: Autonomous driving enabled by cooperative vehicle-infrastructure
- 公路交通科技, 2025, 42(10): 112-144
- Journal of Highway and Transportation Research and Denelopment, 2025, 42(10): 112-144
- 10.3969/j.issn.1002-0268.2025.10.005
-
文章历史
- 收稿日期: 2025-06-30
引用本文 |
, 2. 东南大学 交通学院, 江苏 南京 211189;
3. 清华大学 土木水利学院, 北京 100084;
4. 北京航空航天大学 交通科学与工程学院, 北京 100191;
5. 北方工业大学 电气与控制工程学院, 北京 100041;
6. 同济大学 交通学院, 上海 200092;
7. 北京交通大学 交通运输学院, 北京 100044;
8. 长安大学 信息工程学院, 陕西 西安 710064
2. School of Transportation, Southeast University, Nanjing, Jiangsu 211189, China;
3. School of Civil Engineering, Tsinghua University, Beijing 100084, China;
4. School of Transportation Science and Engineering, Beihang University, Beijing 100191, China;
5. School of Electrical and Control Engineering, North China University of Technology, Beijing 100041, China;
6. College of Transportation, Tongji University, Shanghai 200092, China;
7. School of Traffic and Transportation, Beijing Jiaotong University, Beijing 100044, China;
8. School of Information Engineering, Chang'an University, Xi'an, Shaanxi 710064, China
当前，新一轮科技革命和产业变革加速演进，汽车产业正从机械驱动向智能化、网联化深度转型。随着人工智能、大数据、高精定位和新一代通信技术的发展，自动驾驶正从依赖单车感知与决策的“单体智能”，迈向“车-路-云”融合的协同智能阶段。智慧公路作为新一代交通基础设施，旨在融合感知、通信、计算等先进技术，构建全域感知、泛在互联、智能协同的道路环境。其搭载的车路协同系统由车端、路侧和云端子系统构成，通过车-车、车-路等信息交互，实现车辆与基础设施间的实时协同与感知补全，为自动驾驶提供安全、高效的外部支持。在此基础上形成的协同式自动驾驶，强调“智慧的路支撑聪明的车”，通过系统级协同提升自动驾驶在复杂交通环境下的安全性、可靠性和运行效率，已成为全球智能交通发展的重要方向。
面对这一技术浪潮，欧美日等发达国家高度重视智能网联汽车与协同式自动驾驶的发展布局，积极抢占全球产业发展制高点。美国自2004年起即启动“车路集成系统”研究，随后发布《自动驾驶汽车综合计划》《智能交通系统战略计划》等多项顶层政策，明确推动网联汽车(Connected Vehicle，CV)与自动驾驶(Automated Vehicle，AV)的融合发展。欧盟则通过ERTICO、C-Roads等项目推动跨国协同与标准统一，并发布《网联、协作和自动化出行路线图》，构建V2X和自动驾驶融合架构。日本在2014年启动“战略性创新创造计划”，将自动驾驶列为国家重点研发方向，强化车路系统联动与实证测试支持。中国作为全球最大的汽车生产国与消费国，同样高度重视该领域发展，陆续出台《智能汽车创新发展战略》《智能网联汽车技术路线图》《交通领域科技创新中长期发展规划纲要(2021—2035年)》等一系列国家战略，明确提出构建协同开放的技术创新体系，推动智能网联汽车与新型基础设施深度融合。目前，L2级辅助驾驶新车渗透率已超50%[1]，开放测试道路总里程超过3.2万km[2]，车路云一体化试点城市不断扩展，为协同式自动驾驶发展奠定坚实基础。
在此背景下，本研究旨在系统梳理智慧公路与协同式自动驾驶的发展路径与关键技术，揭示从“单车智能”向“系统协同”演进过程中所面临的技术挑战与研究趋势。通过综合分析智能基础设施能力、车路云架构演进、协同感知与决策控制机制、测试验证体系及典型应用案例，厘清智慧公路环境下协同式自动驾驶的技术支撑逻辑、系统体系与未来发展方向，为中国智慧公路车路协同系统建设、技术标准制订与工程化落地提供理论依据与实践参考。
论文结构安排如下：第1节从智慧公路的概念出发，介绍其分级体系与关键构成，分析其在感知增强、信息补全、决策协同等方面对自动驾驶的支撑作用，为理解车路协同的基础环境奠定理论基础。第2节聚焦单车自动驾驶技术的发展现状，梳理其在环境感知、安全评估、轨迹规划与控制等方面的关键技术路径，揭示其面临的局限性及协同化转型的必要性。第3节在此基础上，系统探讨协同式自动驾驶的核心支撑技术，包括路侧感知布局、车路通信机制、多源信息融合与协同决策控制方法，强调“车-路-云”一体化架构下的技术演化逻辑。第4节进一步面向工程实践，总结当前协同自动驾驶在仿真测试、封闭场地与开放道路中的多层级测试体系及评价指标，并选取出行、公交、矿区等典型场景，分析其规模化落地的实际路径与挑战。最后，第5节基于前文综述与分析，对协同式自动驾驶的未来发展趋势进行总结，展望关键技术突破、标准体系建设与产业协同推进等方向。
1 智慧公路与自动驾驶智慧公路是交通基础设施智能化转型的重要方向，车路协同则是实现高等级自动驾驶的关键技术路径。本节将介绍智慧公路的发展背景与分级体系，并分析车-路-云一体化架构的基本组成与关键技术，为后续探讨协同自动驾驶提供基础支撑。
1.1 智慧公路分级智慧公路作为交通基础设施智能化转型的重要方向，是推动“交通强国”战略落地的关键抓手。其建设不仅在保障道路安全、提升运行效率和用户出行体验方面成效显著，也对推动绿色发展、缓解环境压力具有重要意义[3]。智慧公路是融合物联网、大数据、云计算、人工智能等前沿技术于一体的现代化道路系统[4]。它不仅具备感知、交互、自适应能力，还集成了先进的材料、通信、能源系统，实现对道路全生命周期的智能化管理与服务。相比传统道路，智慧公路更关注安全、高效、绿色与便捷的系统建设目标[5]。全球多个国家和地区已开展智慧公路建设。例如，欧盟推进C-ITS战略[6]，美国和日本通过车联网和智能设备提升高速公路安全性，中国自2018年以来多个省份相继开展试点，制订地方标准，探索智能化公路建设路径[7-9]。
智慧公路分级有助于控制建设成本，提升部署效率，并实现场景化、分层次的精细化建设。通过分级，可依据道路重要性、交通量、应用场景等因素，按需配置智能系统，避免资源浪费。例如，对交通密集区域部署高等级智慧系统，而偏远地区则可采用简化方案，兼顾效益与经济性[10]。当前国内外已初步形成多种分级标准体系。现阶段国际层面对智慧公路分级研究开展了一些研究，英国是世界上较早开始建设智慧高速公路的国家。智慧高速主要分为3种类型：受控型高速公路(Controlled Motorway，CM), 具有3条以上车道, 设硬路肩和可变限速设施；硬路肩动态管控型高速公路(Dynamic Hard Shoulder Running，DHS)，具有可变限速设施，在低速行驶限制的情况下有选择性地开放硬路肩作为行车道，并且每隔一定间距设置紧急停车区；全车道行驶型高速公路(All Lane Running，ALR)，具有可变限速设施，硬路肩转为永久性行车道使用(即All Lane)，并且每隔一定间距设置紧急停车区。欧洲智能交通协会(ERTICO)在2022年明确提出了支撑自动驾驶的基础设施分级(Infrastructure Support levels for Automated Driving，ISAD)，其中A级代表了最高等级的基础设施支撑水平，E级代表了传统基础设施，不支持自动驾驶，具体分类情况如表 1所示。此外，世界道路协会(PIARC)提出的自动驾驶服务水平(LOSAD)和基础设施支持水平(ISAD)标准为智慧公路的分级建设提供了有效的支撑[11]。LOSAD标准衡量道路基础设施对自动驾驶车辆不同级别的支持能力，它帮助各国评估道路是否能够支持从低级别的自动驾驶到完全自主的高级别自动驾驶车辆的运营。例如，对于低级别的自动驾驶(如L2级别)，基础设施可能仅需要提供简单的信号控制与基础的数据支持，而对于高级别(如L4及L5)，基础设施则必须具备更复杂的功能，如全面的车路协同与实时信息共享，以确保车辆能够在复杂的道路环境中自主运行。而ISAD标准则聚焦于基础设施能否提供车路协同、信息交换和动态管理等支持，以确保道路基础设施与自动驾驶技术的有效对接。
| 分级 | 名称 | 描述 | 提供给自动驾驶车辆的数字化信息 | ||||
| 具有静态道路标识的数字地图 | 可变信息交通标识告警、事故、天气 | 微观交通流 | 引导：车速、车间距、车道建议 | ||||
| 数字化基础设施 | A | 协同驾驶 | 基于车辆行驶的实时信息，基础设施能够引导自动驾驶车辆(单车或编队)从而实现全局交通流优化 | √ | √ | √ | √ |
| B | 协同感知 | 基础设施能够感知微观交通流，并向自动驾驶车辆提供实时数据 | √ | √ | √ | — | |
| C | 动态数字化信息 | 所有动态和静态基础设施信息能够以数字化形式提供给自动驾驶车辆 | √ | √ | — | — | |
| 传统基础设施 | D | 静态数字化信息/地图支持 | 可获取带有静态道路标识的数字化地图数据；地图数据可通过物理参考点补充；交通信号灯、临时道路施工、可变信息交通标识需由自动驾驶车辆识别 | √ | — | — | — |
| E | 传统基础设施/ 不支持自动驾驶 | 无数字化信息的传统基础设施；需由自动驾驶车辆自行识别道路几何形状和交通标识 | — | — | — | — | |
近10年中国也对智慧公路分级进行了深入研究，并制订了一系列关于智慧公路分级的行业标准和地方标准。目前智慧公路分级方法聚焦“需求导向、场景定制”原则[12]，基于建设目标(安全、效率、服务)和路段特征，构建典型应用场景，并设计基础、升级、高级3个建设层级。基础方案满足基本智能化功能；升级方案引入更多技术，提升服务能力；高级方案实现全面智能、创新驱动。此外，按项目类型分为“新建与改扩建项目”和“运营提升项目”，分别制订不同建设策略。例如，交通运输部发布的《公路工程适应自动驾驶附属设施总体技术规范(征求意见稿)》为自动驾驶设施的设计与施工提供了标准[13]，主要对未来智慧公路工程设施中的自动驾驶云控平台、交通感知设施、交通控制与诱导设施、通信设施、定位设施、路侧计算设施、供配电设施和网络安全设施以及技术指标进行了统一，提出智慧公路工程设施提供辅助信息的能力与范围，用以指导目前自动驾驶试验的公路工程的相关设施建设与发展。在川渝区域地方标准《智慧高速公路第2部分：智慧化分级》(DB50/T 10001.2-2001、DB51/T 10001.2-2021)中对智慧高速公路进行了智慧化分级，设定D1至D4级，具体分级详情见表 2所示。在2019年由中国公路学会自动驾驶工作委员会、自动驾驶标准化工作委员会发布的《智能网联道路系统分级定义与解读报告》中，将交通基础设施系统分为6级：I0为无信息化/无智能化/无自动化；I1为初步数字化/初步智能化/初步自动化；I2为部分网联化/部分智能化/部分自动化；I3为基于交通基础设施的有条件自动驾驶/高度网联化；I4为基于交通基础设施的高度自动驾驶；I5为基于交通基础设施的完全自动驾驶。雄安新区基于数字道路感知能力(是否具备全部关键节点和标准路段的路况信息感知)、数字道路通信能力(是否支持区域级或城市级通信网络(包括5G、C-V2X、北斗、光纤等)信号全覆盖)、数字道路计算能力(是否支持道路基础设施边缘计算、城市操作系统CIM计算)和数字道路出行服务能力(是否支持智能公交、行人以及特殊人群的出行优先服务，以及出行方案的自主决策与自动生成服务)，对数字道路进行分级，包括X-I1(静态元素数字化)、X-I2(动态要素数字化)、X-I3(交互联网信息出行)X-I4(引导协作数字出行)和X-I5(情感式出行)5个等级。
| 等级 | 基本条件 | 关键内容 | 能力要求 | |||
| 满足高速公路使用者基本要求 | 建设智慧化的基础条件 | 具有支持智能网联车辆行驶能力 | 可持续、低排放基础设施、支撑抵御恶劣气象和自然灾害能力 | |||
| 事后管控：可变信息标志、视频监控、交通流检测设施 | 主动管控：定位、高精度地图、感知设施 | 协同管控：车路协同系统 | 自动管控：新能源、智慧基础设施 | |||
| D4 | 自主可控、新能源供给，以及D3基本条件 | 准全天候通行、新能源供给、基础设施自诊断和修复，以及D3关键内容 | √ | √ | √ | √ |
| D3 | 车路协同、智能管控，以及D2基本条件 | 云控平台，车路协同主动安全、车道路权分配、货车编队行驶管控，以及D2关键内容 | √ | √ | √ | — |
| D2 | 数字化和信息化基础设施，以及D1基本条件 | 对实施动态监控、健康诊断的桥梁隧道、边坡设施，提供支撑信息服务能力，以及D1关键内容 | √ | √ | — | — |
| D1 | 建设收费、通信、监控等系统、运行控制中心 | 交通流监控、信息查询服务、运行调度 | √ | — | — | — |
| 表注：√为必须满足项。 | ||||||
综上所述，智慧公路依赖一系列技术集群，构建全方位、动态化的系统[14]实现动态监测、信息交互、自我维持3个核心功能。动态监测，整合多源数据(传感器、摄像头、卫星等)，实现道路状况实时掌控；信息交互，通过5G等无线通信技术，实现车-车、车-路、车-人实时信息交换；自我维持，利用太阳能、压电发电等新型能源技术，实现道路的能源自供给，提升系统可持续性。智慧公路未来的发展将呈现2个阶段[15]：智慧公路2.0(系统智能化)，以主动交通管理为核心，结合可变限速与匝道控制等策略，实现高效流量调度与风险预警；智慧公路3.0(自动驾驶支撑)：以车路协同为核心，推动车端与路端的深度融合，实现自动驾驶车辆在智慧公路环境下的最优行驶和调度。未来智慧公路将成为高度互联、智能运行的交通网络基础设施，实现从“管理道路”向“管理交通”再到“管理出行”的转型。智慧公路分级建设过程中，仍面临以下难点[16]：一是技术融合难度大，多种信息技术系统并存，存在信息孤岛和接口不统一问题；二是标准体系缺失，尚未形成全国统一标准，地方标准割裂；三是场景复杂多样，不同地区交通需求差异大，缺乏通用的场景驱动分级模型；四是资金与运维压力，高昂的初始投入与持续运营保障尚无稳定机制。
为有序推进智慧公路建设，应从以下4方面入手：(1)战略规划，明确顶层设计，统一建设理念与方向，避免碎片化发展。(2)业务体系优化，梳理功能结构，强化业务协同与服务整合。(3)技术与设施，构建覆盖全生命周期的信息系统，确保软硬件协同发展。(4)实施与运维机制，构建政策、管理、标准、设备一体化体系，保障项目持续运行。同时，坚持问题导向、需求导向、目标导向、结果导向，以提升智慧公路的系统性与落地性。
1.2 车路云一体化架构车路云一体化(VRCI)是智能网联汽车(ICV)与智慧交通融合的关键路径，其核心是通过车端(V)、路侧(R)、云端(C)三者的数据互通与协同决策，实现自动驾驶的高效性与安全性。欧美国家在VRCI领域起步较早，已形成较成熟的技术体系，如美国的蜂窝车联网(C-V2X)、欧洲的基于DSRC的通信标准(ITS-G5)等。国外主流VRCI架构通常分为3层：车端层, 搭载车载单元(OBU)，支持车-车(V2V)、车-基础设施(V2I)通信; 路侧层，部署路侧单元(RSU)、边缘计算节点(MEC)及传感器；云端层，集中式数据处理与全局优化，如高精地图更新、交通流量预测。目前，该技术架构在美国、欧洲地区和日韩广泛应用，相关标准和法案也相继出台。例如，美国在俄亥俄州33号公路部署300个RSU，实现卡车编队自动驾驶，燃油效率提升10%；福特BlueCruise云平台通过云端实时更新高精地图，支持L3级自动驾驶；宝马D3平台设计了一套云端协同路径规划系统，减少城市拥堵15%(慕尼黑试点数据)。2022年美国政府出台的《自动驾驶法案4.0》要求各州开放路侧设备部署权限。欧盟C-Roads计划在德国、法国等13国统一ITS-G5标准，覆盖5 000 km高速公路，实现跨国车辆数据互通；欧洲电信标准协会(ETSI)制定的《ITS Release 2》规范了路侧设备数据格式。日本2024年在东京奥运会场馆周边部署车路云系统，自动驾驶巴士误判率降低至0.1次/千km。韩国建立了全球最大自动驾驶测试场，模拟复杂城市场景的V2X通信。
近10年中国国内也对车路云一体化架构进行了深入研究，国家主管部门通过统筹规划和加强顶层设计，出台一系列政策推动车路云一体化行业快速落地，并引领试点示范应用与标准服务建设。例如，工业和信息化部2023年11月发布《关于开展智能网联汽车准入和上路通行试点工作的通知》，明确支持L3/L4级自动驾驶车辆在限定区域内开展车路云协同应用，要求试点城市部署路侧单元(RSU)和云端监管平台；住房和城乡建设部和工业和信息化部2024年1月联合发布“智慧城市基础设施与智能网联汽车协同发展试点”第3批名单，明确要求试点城市在2025年前完成至少100 km智能道路改造，并接入国家级云控基础平台；北京市2024年2月发布《车路云一体化新型基础设施建设行动计划》，明确要求2024年底前建成亦庄高级别自动驾驶示范区3.0，覆盖60 km2，部署800个智能路口和5G专网，实现“车-路-云-网-图”全要素打通；工业和信息化部2023年发布《国家车联网产业标准体系建设指南(智能网联汽车)》，新增车路云通信协议(基于5G NR-V2X)、数据安全交互等12项国家标准，明确路侧设备与云端平台的接口规范(如《智能路侧系统与云平台数据交互要求》)。
车路云一体化系统是构建智能交通和自动驾驶体系的核心架构，由车载系统、路侧系统、通信网络和云平台4部分组成。四者协同运作，构建起感知全面、通信高效、决策智能的智慧交通体系。车路云一体化系统结构如图 1所示。车路云一体化是实现智能交通和自动驾驶的核心支撑体系，其关键在于多种技术的深度融合与协同发展。当前的研究重点集中在感知、通信、数据处理、智能控制、计算能力及高精定位等方面，以构建一个高效、实时、可靠的智能交通生态系统。以下6大技术领域构成了车路云一体化系统的关键支撑。
|
| 图 1 车路云一体化系统架构 Fig. 1 Architecture of vehicle-road-cloud integrated system |
| |
(1) 车载传感技术
车载传感器是自动驾驶感知系统的核心，主要包括毫米波雷达[17]、激光雷达[18]、摄像头[19]、IMU[20]和GPS[21]。研究重点在于提升雷达抗干扰能力与分辨率、激光雷达点云精度与成本控制、摄像头图像处理算法的鲁棒性以及IMU和GPS的多传感器融合精度。国内外多家企业如华为、大疆、Velodyne等均在相关领域取得突破，推动感知系统在复杂环境下的可靠性不断提升。
(2) 车联网通信技术
V2X技术(车-车、车-路、车-人、车-云)实现了交通要素的全面互联，是车路协同的基础[22]。目前DSRC和C-V2X为主流技术路径，配合5G通信网络实现低延迟、高带宽的信息传输[23]。研究方向集中在通信协议优化、延迟控制、网络安全及未来6G演进，支撑智能交通系统的信息交互和调度能力。
(3) 数据分析与人工智能
大数据与AI是车路云系统的智能“大脑”，负责对多源交通数据进行处理、融合与预测[24]。研究涵盖机器学习模型训练、交通模式识别、信号优化、路径规划等。国内外公司如百度、滴滴、Waymo等在基于AI的自动驾驶算法与交通管理优化中取得了显著成果，推动交通系统从“响应式”向“预测式”转变[25]。
(4) 智能感知与控制
该领域关注如何基于感知信息进行交通信号优化[26]与自动驾驶控制[27]。V2I与AI算法结合，可实现信号灯动态调控与车流精准引导，同时自动驾驶系统需具备强大的路径规划、自主决策与控制能力。研究重点包括强化学习在信控中的应用、多路口协同优化以及复杂环境下的自适应控制能力。
(5) 云计算与边缘计算
云平台提供强大的数据存储与分析能力[28]，而边缘计算则提升数据处理实时性[29]，二者结合构建高效的数据处理体系。研究聚焦于高效的数据同步机制、边缘节点部署优化及边云协同架构设计。企业如阿里云、腾讯云、英伟达等在交通领域边缘计算的部署和服务落地上已形成较为成熟的应用实践。
(6) 定位与导航技术
高精度地图[30]和差分GPS[31]是确保自动驾驶精确导航的关键技术。当前研究致力于提升地图更新频率、实时性以及DGPS系统的稳定性和融合性，如RTK与IMU集成导航。国内如高德、百度、北斗系统等正推动高精度定位技术商业化落地，为自动驾驶提供厘米级定位保障。
目前中国已建成17个国家级测试示范区、7个车联网先导区、16个“双智”试点(智慧城市基础设施与智能网联汽车协同发展试点)城市、开放测试示范道路32 000 km，各地智能化RSU部署超过8 700套，5G基站突破400万个。正在开展首批20个智能网联汽车“车路云一体化”应用试点城市建设。例如，北京亦庄高级别自动驾驶示范区3.0，包含60 km2全域，覆盖800个智能路口，全区域部署激光雷达、毫米波雷达及5G RSU，支持红绿灯信息实时推送。上海浦东新区“智慧城市+智能网联”试点，覆盖金桥开发区、临港新片区，覆盖150 km开放道路，云端支持实时监控车辆运行状态，全国首个通过地方立法允许无安全员自动驾驶商业化运营。苏州高铁新城车路云一体化示范区覆盖苏州相城区28.9 km2，建成全国最长5G-V2X测试道路(63.4 km)，路侧提供边缘计算节点，时延 < 10 ms，云端提供Momenta“飞轮式”数据闭环训练高精地图服务。武汉经开区智能网联汽车测试场覆盖军山新城40 km2，覆盖无人公交、环卫车等12类场景，路侧支持东风联合中国移动部署C-V2X+北斗三号融合定位，云端支持东风“云驰”平台支持远程接管故障车辆服务。
中国车路云一体化正加速从技术验证迈向规模化商用，呈现6大核心趋势：技术融合(5.5G/北斗/数字孪生协同)、基建规模化(2025年覆盖5 000 km智能道路)、商业化突破(云端服务收费、数据增值等新模式)、政策松绑(无安全员立法与标准统一)、安全升级(量子加密+三级冗余)、生态协同(车-路-云-能多产业闭环)。为实现这些目标，需加强汽车制造企业与信息与通信技术行业的技术整合，推动政府在标准与政策上的支持，并深化学术界与产业界的协同创新，共同打造高效、安全、智能的未来出行生态。
2 单车自动驾驶单车自动驾驶是实现智能驾驶系统自主运行的核心路径，其关键在于车辆对周围环境的精准感知、合理规划与稳定控制。为应对复杂动态的交通场景，单车需具备从感知、决策到执行的完整闭环能力。本节聚焦于感知与安全态势评估、轨迹规划、决策与控制三大核心环节，系统梳理当前主流技术路线与研究进展，为理解和提升单车自动驾驶系统的整体性能奠定基础。
2.1 面向单车自动驾驶的感知与安全态势评估技术在单车自动驾驶领域，感知与安全态势评估技术是实现车辆自主决策和安全行驶的核心。随着智能交通的发展，单车自动驾驶技术逐渐成为研究热点。为了确保自动驾驶系统的安全性与可靠性，车辆需要具备强大的感知能力和准确的安全态势评估机制，以应对复杂多变的道路环境。本研究将从目标检测、车道线检测、风险辨识3个方面对其进行深入分析与总结。
2.1.1 障碍物检测(1) 基于图像的障碍物检测研究现状
图像基础的障碍物检测广泛应用于自动驾驶系统，主要包括2D与3D目标检测。2D检测方法分为两阶段算法(如Faster R-CNN)[32]和一阶段算法(如YOLO系列)[33]，前者精度更高，后者则在实时性方面表现优越，适用于智能车辆快速响应需求。3D目标检测近年来逐步发展，主要通过将图像特征转化为鸟瞰图(BEV)实现三维空间定位。显式BEV方法(如BEVDepth[34])通过深度估计或Transformer架构提升精度与效率；隐式BEV方法(如PETR[35]系列)则通过稀疏查询和多视角投影进行空间信息建模，进一步提升在复杂场景下的检测能力。
(2) 基于激光雷达点云的障碍物检测研究现状
激光雷达因其主动探测特性，具备抗光照干扰的优势，适用于全天候障碍物检测。该类方法包括4种技术路径：直接检测法(如3D FCN)[36]利用3D CNN直接处理点云，保留信息完整但计算成本高；投影方法将点云转换为2D图像(如PIXOR[37])，提升处理效率但可能损失空间信息；基于体素的模型(如PV-RCNN[38])通过划分网格实现结构化点云处理，精度与效率之间需平衡；基于原始点的方法(如PointNet及PointNet++[39])直接操作点云，保留几何结构但面临局部特征表达限制。整体来看，激光雷达方法在结构建模与空间解析方面具有优势，但面临处理复杂性与计算资源约束。
(3) 基于多传感器融合的障碍物检测研究现状
图像和激光雷达各自存在感知局限，融合二者的多模态检测技术逐渐成为主流发展趋势[40]。现有方法包括直接融合(如DeepFusion[41])、基于空间编码的融合(如FUTR3D[42])及基于BEV视角的融合(如BEVFusion[43])。BEV融合方案因其统一空间表达能力，能有效对齐图像与点云信息，减少信息损失并提升检测精度。通过深度估计将图像特征映射至BEV空间，再与LiDAR BEV特征融合，可实现对远距离障碍物的精准检测。未来融合研究将聚焦于提升对异构特征的对齐精度、降低外参误差影响，并提升系统实时性与检测鲁棒性。
2.1.2 车道线检测(1) 基于分割的车道线检测研究现状
基于分割的车道线检测通过语义分割技术实现像素级道路信息识别，是早期车道线检测的主要方法[44]。该类方法分为基于激光雷达点云和基于视觉图像的语义分割。点云分割根据处理方式可分为投影、体素化及直接操作无序点云3类，代表方法包括SqueezeSeg[45]、VoxNet[46]及PointNet[47]，在点云局部特征提取与实时处理方面取得了较大进展，但受限于雷达感知距离，远距离车道识别精度有限。相比之下，图像语义分割由于信息密集、感知距离远，在车道线检测中逐渐占据主导地位。经典方法包括FCN[48]、ERFnet[49]和FPN[50]等，通过结构优化、特征融合和边缘细化不断提升检测精度与效率。SCNN[51]等方法进一步强化了车道结构信息的建模能力，提升了复杂交通场景下的检测表现。
(2) 基于检测的车道线检测研究现状
近年来，基于检测的车道线检测因其整体性建模能力和对遮挡、光照变化的适应性强，逐渐成为主流。2D车道检测方法包括基于分割、行分类、锚点回归和关键点定位4类，代表性方法如CondLaneNet[52]、CLRNet[53]和FOLOLane[54]，在处理密集交叉线、遮挡和非结构化车道中展现出优越性能。为克服2D检测缺乏空间信息的局限，3D车道检测方法迅速发展，主要采用将图像特征投影至BEV视角再进行空间建模。如Garnett[55]引入逆透视变换实现BEV特征构建，Transformer结构和空间注意力机制也被广泛用于提升BEV建模效果。部分研究[56]尝试从3D空间直接检测车道后映射回2D以强化特征聚合。总体来看，基于BEV视角的检测方法兼顾2D与3D车道线信息表达，已成为当前车道线检测的首选路径。
2.1.3 安全态势评估(1) 面对单一目标物的安全态势评估方法
该类方法通过评估主车与单一目标物(如前车或障碍物)发生碰撞的可能性，来判断交通风险，常用于路径预测与风险量化。根据是否考虑运动不确定性，分为确定性评估方法和概率性评估方法。确定性方法采用简化物理模型，通过时间[57]、加速度[58]、距离[59]等指标判断碰撞风险，适用于低计算需求场景，但忽略了交通参与者行为的随机性。概率性方法则引入轨迹预测和碰撞概率建模，能更真实反映复杂交通环境中的不确定性，是目前更具发展潜力的方向[60]。
(2) 基于势场论的安全态势评估方法
势场方法借鉴物理学中斥力场的概念，将车辆、障碍物等交通要素视为具有“风险场强”的物体，对主车产生排斥力，从而表征潜在风险[61]，如图 2所示。该方法最早应用于机器人路径规划，后被引入自动驾驶，通过构建风险势能场，无需显式碰撞检测，即可实现对复杂动态场景的安全态势建模[62]。其优势在于对多目标环境下的风险关系具有更强的整体建模能力，尤其适合动态交通流场中的风险趋势判断与导航决策。
|
| 图 2 势场示意图 Fig. 2 Illustration of artificial potential field |
| |
(3) 基于可达集的安全态势评估方法
可达集方法基于车辆动力学模型，计算在特定时间内车辆可达到的状态集合，以评估潜在的可行驶区域[63]。通过比较车辆在有无干扰(如周围车辆)情况下的可行区域，定义归一化可行域(DNDA)作为风险指标，反映车辆当前状态与理想行驶状态的偏离程度。该方法能够从区域层面评估交通风险，适合多目标、多障碍场景下的全局态势分析，是一种兼具物理约束与空间布局理解的评估框架(图 3)。
|
| 图 3 可达集随可行驶区域大小变化的效果图 Fig. 3 Reachable set varying with drivable area size |
| |
2.2 面向单车自动驾驶的轨迹规划方法
自动驾驶汽车轨迹规划问题通常是设定符合需求的目标函数，如提高安全性能[64]、提高通行效率[65]、提升驾驶舒适性[66]和降低能源消耗[66-67]等，使车辆在当前可控范围内达到目标函数最优值，进而推导最优轨迹[68]。目前最为常用的轨迹规划方法主要有基于搜索的方法、基于优化的方法和基于数据驱动的方法。
基于搜索的方法[69]是将空间域划分为反映障碍物或其他车辆实体的占据栅格图。通过连接相邻时刻的相邻栅格，构建出整体的有向无环图，通过预设规则或者决策算法得到目标终点，再应用Dijkstra、A*等图搜索算法[70]或者快速搜索树[71]等采样搜索算法搜索出符合目标要求的最优或近似最优轨迹规划路径。基于搜索的方法会随着交通场景复杂性提升而增加其搜索时间，尽管Ma[72]对算法性能和效率进行了改进，但仍然难以满足高速公路场景下受各种不确定因素影响的局部轨迹规划性能和实时性要求。
基于优化的方法主要有车辆轨迹预测法和人工势场法。车辆轨迹预测方法用于辨识不同车辆间的潜在冲突，提前采取规避措施。Lee[73]提出一种预测占用图的风险评估方法，根据相对位置、速度和加速度计算车辆间潜在风险，筛选出风险水平最低的安全轨迹。Wang[74]提出一种多时空轨迹优化方法，通过考虑缓冲时间，允许车辆在不同时间段保留相同的空间，优化了跨点资源利用率。人工势场法采用虚拟的斥力与引力建立梯度力场，根据梯度力场矢量方向对车辆运动轨迹进行规划，该算法规划曲线平滑，计算量较小，但易陷入局部最优点[75]。修彩靖[76]建立了考虑障碍物约束和车辆约束的引力目标点函数，引入调节因子，对人工势场法的局部最优问题进行了改进。王安杰[77]提出了融合障碍物运动预测的预测风险场，能描述障碍车风险随时间的变化趋势，并规划出避撞轨迹。基于优化的方法可以进行轨迹预测并规划出满足特定优化目标和约束下的运动轨迹，然而为满足高速状态下轨迹规划实时性要求，需考虑算法复杂性和性能之间的权衡。
随着多源数据可获取性增加、计算机算力增强以及人工智能技术的逐步发展，基于数据驱动的模仿学习和强化学习方法被用于解决轨迹规划问题，这种方法通过提前训练特定场景的行为价值网络来克服单车自动驾驶轨迹规划的计算时耗要求。Sun[78]为实现快速且近似最优的驾驶策略，提出通过神经网络模仿学习专家策略的驱动框架，能有效避免短期轨迹冲突。贺伊琳[79]针对横向换道问题，提出一种基于深度确定性策略梯度(Deterministic Policy Gradient，DDPG)算法的车辆轨迹跟踪算法，此方法能有效减少强化学习时间和横向偏移误差。Peng[80]使用改进的深度Q网络(Dueling double deep Q-network，DDDQN)算法，将融合视频图像和车辆运动信息的状态空间作为神经网络输入，实现端到端的单车自动驾驶。近年来，为了解决强化学习中奖励函数优化设计和模型可解释性，Wu[81]基于最大熵原则的逆强化学习算法通过考虑专家轨迹规划策略的不确定性，直接学习连续域中的奖励函数，有望实现符合人类驾驶习惯的轨迹规划策略。然而，基于数据驱动轨迹规划方法的可解释性和应用场景的泛化能力有待进一步的研究。
2.3 面向单车自动驾驶的决策与控制决策与控制是单车自动驾驶系统的核心环节，决策负责生成未来一段时间或空间的目标状态，控制则根据决策结果精确执行车辆操作[82]。决策主要关注行为模式选择与状态目标设定，控制则需具备高更新频率，以保证车辆在复杂动态交通环境中的安全与稳定性。除传统的分阶段模块化架构外，近年来联合决策与控制的集成方法也成为研究热点，有助于减少误差积累并提升系统整体性能[83]。
(1) 单车自动驾驶决策方法
决策方法根据输入的感知与安全评估信息，生成粗粒度行为(如车道保持、变道、加减速)及细粒度目标(如目标位置、速度等)，其内容因驾驶场景不同而变化[84]。目前主流方法包括5类：基于规则的方法使用有限状态机等逻辑结构构建行为判断流程，适用于明确场景规则[85]；基于可达集的方法分析车辆可达状态空间以判断可行策略[86]；基于优化控制的方法通过构建收益函数优化驾驶目标[87]；基于监督学习的方法通过训练深度模型学习人类驾驶行为[88]；基于强化学习的方法在模拟环境中通过交互学习策略，适用于复杂交互和动态场景下的决策任务[89]。
(2) 单车自动驾驶控制方法
控制方法以运动学或动力学模型为基础，根据轨迹规划结果生成可执行的控制指令。运动学控制主要调整速度和航向，动力学控制则调节油门、刹车、方向盘等执行机构[90]。传统控制方法包括无预测反馈控制(如PID、LQR)[91-92]和带预测反馈控制(如MPC)[93]，前者实时性强，后者预测能力强，适合精细控制需求。近年来，基于监督学习的控制方法通过拟合控制策略网络提升决策效率[94]，而强化学习控制方法通过奖励驱动策略学习，在复杂、高速变化的交通环境中展现出良好的自适应与鲁棒性[95]。
(3) 单车自动驾驶联合决策控制方法
联合方法打破传统模块分离的架构，实现行为决策与控制动作的一体化优化[96]。基于最优控制的联合方法直接以车辆运动模型为系统动态进行全局动作优化，避免模块级延迟与误差，提升控制可行性与全局最优性[97]。基于学习的端到端方法通过深度神经网络直接输出控制信号，避免传统多模块系统中的误差传播与信息丢失，增强系统鲁棒性和综合性能，是当前智能驾驶发展的重要方向[98]。
3 协同式自动驾驶协同式自动驾驶通过车-路-云深度融合，实现多交通要素间的信息共享与协同决策，是实现高级自动驾驶的重要路径。本节围绕协同式自动驾驶的关键支撑展开，重点介绍路侧感知技术、通信技术、信息交互机制及决策与控制方法，系统梳理其核心原理、关键挑战与典型应用，为构建安全、高效、智能的协同自动驾驶系统奠定基础。
3.1 面向协同式自动驾驶的路侧感知技术 3.1.1 常用的路侧感知技术(1) 基于传感器的感知技术
基于传感器的路侧感知技术主要包括视觉、激光雷达、毫米波雷达以及多传感器融合技术[99]。视觉感知技术借助图像识别、语义分割等方法获取环境语义信息[100]，图 4为视频感知技术工作原理。近年来以深度学习为核心的技术显著提升了复杂场景下的识别精度，为协同自动驾驶提供高质量视觉数据支持。
|
| 图 4 视频感知技术工作原理 Fig. 4 Working principle of vision-based perception |
| |
激光雷达感知技术通过高精度点云信息实现对目标的空间识别，具备良好的环境适应性，尤其在低光照条件下优势显著；但其对远距离和遮挡目标的识别存在一定局限，需借助点云融合与特征提取优化提升性能[101]，激光雷达感知技术工作原理如图 5所示。
|
| 图 5 激光雷达感知技术工作原理 Fig. 5 Working principle of LiDAR-based perception |
| |
毫米波雷达感知技术则因其高分辨率、强抗干扰能力及低成本等优势广泛用于复杂环境下目标检测，当前通过深度神经网络进一步提高其稀疏点云数据的处理效率和识别精度。多传感器融合感知技术结合不同传感器的优势，采用数据层、特征层和决策层等多层级融合方式，有效提升目标识别准确性与鲁棒性，多传感器融合感知方法优缺点如表 3所示。深度学习技术广泛应用于融合算法设计，在特征提取、数据匹配及信息融合等方面表现出显著优势，为实现高效、可靠的多模态感知提供支撑[102]。
| 融合方法 | 优点 | 缺点 | 方法 |
| 数据层融合 | 数据信息丰富、信息完整度高、融合精度高 | 数据处理耗时长、运算量大、实时性差、数据存在噪声或缺失 | 小波变换、代数法、主成分分析变换等 |
| 特征层融合 | 干扰数据少、数据处理速度较快、精度较高 | 特征处理和特征提取算法需要单独设计，准确性受特征提取模型影响较大 | D-S证据理论、贝叶斯方法、聚类分析法、加权平均法、神经网络等 |
| 决策层融合 | 所需通信量小、容错能力强 | 精度较低、难以考虑原始数据特征、误判概率大 | 贝叶斯估计法、神经网络法、模糊集理论、可靠性理论等 |
(2) 基于车路云融合的感知技术
车路云融合感知技术以“云-路-车”一体化为核心架构，通过边缘云、区域云与中心云的分层协同，实现从车辆到全局交通的多维度感知整合，车路云融合感知技术工作原理如图 6所示。系统以边缘云提供实时协同服务，区域云支持准实时交通调控，中心云承载数据汇总与非实时分析，构建交通全要素的动态数字映射。在此基础上，融合路侧基础设施、网联车辆和通信网络，实现多源感知数据的实时同步与共享，支撑交通状态评估、路径优化、信号控制等任务[103]。车路云协同不仅提升了系统的响应速度与可靠性，还通过云控平台实现车辆与交通基础设施的协同感知、融合决策与联合控制，助力构建更安全、高效的智能交通运行体系。
|
| 图 6 车路云融合感知技术工作原理 Fig. 6 Working principle of vehicle-road-cloud cooperative perception |
| |
3.1.2 路侧感知设备布局方法
路侧感知设备的合理布局对智慧公路的信息采集精度和服务性能起到关键作用。然而，当前我国存在设备种类单一、数量不足、布局不合理等问题，亟需优化布局策略。路侧感知设备具备高成本、高能耗特性，且部署受制于网络拓扑、交通流特性与经济约束。因此，优化布局不仅可降低建设与运维成本，还能提升通信性能与服务效率，已成为智慧交通研究的重点。
现有研究多从单目标优化角度出发，常以最小化部署成本或最大化覆盖效果为目标，分别关注设备数量、能耗、通信覆盖率、传输时延与网络吞吐量等指标。例如，有研究通过贪婪算法实现高速公路覆盖最小化成本部署[104]，也有通过节能调度或车辆位置预测降低能耗的方法[105]。部分学者基于最大覆盖问题进一步优化RSU覆盖范围[106]、提升吞吐量或降低通信延迟[107]。然而，单一目标优化难以兼顾整体网络效益。
为此，研究开始向多目标优化模型拓展，兼顾部署成本与覆盖性能，通过构建多目标函数实现折中最优布局，表 4展示了不同感知设备部署多目标优化方案间的比较。例如，有研究分析自动驾驶渗透率和交通密度对部署策略的影响，或在V2V与V2I共存场景下优化部署方案[109]。一些模型还将隧道、匝道等特殊路段的高风险因素纳入考虑，但整体仍缺乏对交通流、事故风险、道路特性与成本性能之间的系统整合[110-111]。为提升部署科学性，需从交通适应性角度出发，构建融合多维因素(经济、服务、道路需求差异等)的综合优化模型，以实现智慧公路高效、经济、可靠的感知设备布局[112]。
3.1.3 典型路侧感知技术应用案例
(1) 百度Apollo Air计划
Apollo Air计划通过纯路侧感知技术支持L4级自动驾驶，创新性地在关闭车端感知的条件下，实现高精度协同驾驶[113]。截至2022年4月，其闭环测试里程已达3万km，交叉口通过成功率达99%。该技术主要应用于4类典型场景：①车道线变更，通过路侧设备识别车道线变化，实时更新地图信息并通过C-V2X传输至车辆，辅助自动驾驶车辆安全通过复杂交叉口。②信号灯融合感知，对复杂信号灯场景(如倒计时、异形灯)进行远程识别，提前将信号信息下发车辆，提升决策及时性与行驶安全性。③盲区协同感知，路侧设备弥补车端传感器感知盲区，通过多源融合感知识别被遮挡目标，提升车辆对行人与其他车辆的认知能力。④低矮障碍物识别，针对自动驾驶难以识别的低矮物体，路侧设备实现持续监测并提前预警，帮助车辆安全变道避让，有效降低事故风险。
(2) 华为路网自动化服务
华为路网自动化服务依托车路云协同技术，实现交通参与者间的全要素信息共享与实时联动，支持智慧公路的感知、响应和调控一体化。系统利用LTE-V/5G、高精度定位与云计算，集成路侧与车载数据，提供如下核心功能[114]。①实时交通感知与事件发布，快速采集分析路网交通流数据，实现低时延交通事件检测与信息广播。②边缘智能分析与云端协同，通过边缘计算对视频与点云数据进行本地处理，分析结果上传云端进一步研判后快速返回车辆。③弱势交通参与者预警, 联合视频与毫米波感知设备，实时监控交叉口的行人与非机动车，提前预警，保障通行安全。该系统全面提升了道路的数字化、智能化水平，为自动驾驶提供可靠的协同感知与智慧运营支撑。
综上所述，路侧感知技术的发展需从标准体系建设、高性能感知能力提升和高质量数据集构建3方面同步推进。首先，应加快制订统一的技术标准和设备互通协议，提升多源异构感知数据的融合效率和系统兼容性。其次，需加强基于视觉、激光、毫米波等多模态信息融合的高鲁棒性协同感知系统研发，提升其在复杂环境下的实时处理与适应能力。最后，构建覆盖多种极端场景和特殊环境的大规模高质量路侧感知数据集，弥补现有数据资源的不足，为协同感知算法训练与迭代提供坚实支撑，推动协同式自动驾驶技术向实用化、规模化发展。
3.2 面向协同式自动驾驶的通信技术随着交通压力加剧，协同式自动驾驶凭借传感器与人工智能等技术的发展，在提升道路安全、缓解拥堵、降低污染等方面展现出巨大潜力。然而，其发展仍面临通信延迟高、可靠性不足、资源分配不均和信息安全等挑战。为此，本研究系统综述了面向协同式自动驾驶的关键通信技术研究进展，包括协作组网、移动边缘计算、传输与资源优化以及安全与隐私保护，深入分析其原理、应用与难点，旨在为未来高效、稳定、安全的自动驾驶通信体系提供理论支持与实践指导，并激发更多研究关注与技术突破。
3.2.1 协作组网(1) 协作组网概念与结构
协作组网是实现协同式自动驾驶的核心网络架构，强调车辆、路侧基础设施和云端平台之间的紧密协同与资源共享，提升系统整体效率与行车安全。其结构由自动驾驶车辆、路侧感知设备和云端平台等多个智能节点构成，各节点具备自治与智能能力，能根据系统需求动态调整策略。通过集中或分布式协调机制，协作组网实现信息流通和资源共享，是构建高效、稳定自动驾驶系统的基础。
(2) 通信接口
通信接口支撑车、路、云之间的高效协同。车端接口包括V2V(车-车通信)、V2I/V2e(车与路侧单元通信)、V2N(车与云通信)和V2P(车与行人通信)，实现车辆感知、规划、控制等数据的实时交互。路侧设备(如RSU)通过e2V，e2N，e2MEC等接口与车辆、云端和边缘计算节点通信，用于道路感知和事件分析；云端则通过N2V，N2e，N2P等路径与车辆、路侧单元和行人通信，负责信息融合、服务分发和远程管理，从而支撑自动驾驶的协同决策和应用服务。
(3) 通信技术
当前协同式自动驾驶通信技术主要包括两大技术路线：基于蜂窝网络的C-V2X(包括LTE-V2X与5G NR-V2X)和基于IEEE 802.11p的DSRC[115]。C-V2X是在蜂窝通信技术基础上发展而来的车载无线通信技术，其中LTE-V2X标准自2015年开始制订，并于2017年在3GPP Rel-14中发布；基于5G的NR-V2X标准则于2020年在3GPP Rel-16阶段发布[116]。DSRC(也称ITS-G5)工作在5.9 GHz频段，是专为汽车应用设计的短距离无线通信技术，可在无需蜂窝网络支持的前提下实现车辆与周边道路使用者之间的直接通信[117]。该技术具有低时延和较强的抗干扰能力，适用于高密度交通场景，但其覆盖范围和可用频谱受到限制。
全球范围内，车联网通信标准化存在DSRC与C-V2X两大竞争路线[118]。美国已于2020年底由FCC决定将原划归给DSRC的5.9 GHz频段重新规划，其中30 MHz用于C-V2X；欧洲也对5.9 GHz频段进行了技术中立的调整，将其频率范围扩展至5 875~5 925 MHz，用于ITS安全应用。与此同时，中国企业大力推动LTE-V2X技术，美国运营商和福特等车企明确支持C-V2X，而欧洲主流车企如奥迪、宝马、标致雪铁龙等也逐步转向对C-V2X技术的支持。
综上，无论是IEEE主导的802.11p技术还是3GPP定义的LTE-V2X方案，目前2种方案的技术标准化工作已基本完成，相关研究趋于成熟。C-V2X目前在中美等主要汽车产业国获得广泛支持，逐步成为主流发展方向。在实际部署中，可根据不同场景需求灵活选择相应技术，或在特定场景下实现两种技术协同工作，以共同推动车路协同通信体系的构建与完善。
3.2.2 移动边缘计算(1) 协同式自动驾驶中ECN类型
在协同式自动驾驶中，边缘计算节点(ECN)分为固定型和移动型两类。固定型部署在RSU等基础设施中，分为边缘用户节点和服务提供商节点，分别负责本地实时处理和大规模数据计算。移动型节点包括车辆、无人机和卫星，具备高灵活性、低延迟、抗干扰和强适应性等优势，适用于复杂场景和动态部署。但其连接稳定性差、跟踪难度大等问题仍是应用中的挑战。
(2) 边缘计算在协同式自动驾驶中的应用
边缘计算通过将计算资源部署于靠近数据源的节点，极大提升了自动驾驶系统的响应速度与处理效率。车载边缘计算系统广泛用于支持车辆自身或其他车辆/设备的任务卸载，分为面向车载应用(如任务协同处理、感知增强、资源分配优化等)[119]与面向非车载应用(如服务其他移动终端、支撑城市级实时计算等)[120]两大类。其采用合同理论、深度学习、优化算法等多种技术实现高效调度、资源共享与安全保障。
(3) 面临的挑战
尽管车载边缘计算展现出显著优势，但在协同式自动驾驶中仍面临集中管理难、连接易断、数据传输延迟高以及安全隐私保护等问题。特别是在高速移动环境下，集中调度系统响应滞后，需发展分布式算法；同时，车辆间中继意愿不足及连接中断风险增加任务丢失可能。为保障数据安全与隐私，亟需开发轻量级、高效能的加密与认证机制，以实现边缘计算在自动驾驶中的稳健应用。
3.2.3 协同式自动驾驶中的传输与资源优化(1) 传输优化
协同式自动驾驶对通信系统提出了更高的要求，需具备低延迟、高可靠性和高带宽等特点。当前研究聚焦于低延迟通信技术的开发[121]、传输协议的优化[122]、资源分配与调度算法的设计，以及多路径传输机制的应用。在通信协议方面，研究提出了多种自适应机制，如Who2com[123]、When2com[124]等，以在带宽受限条件下实现高效通信。资源调度方面，结合边缘计算与深度强化学习算法，尽管存在高计算复杂度问题[125]，仍然提升了感知任务分配与执行效率。多路径传输则借助AI与域对齐等技术提升传输灵活性和鲁棒性，但部署难度仍较高[126]。整体来看，传输优化已取得显著成果，但在动态交通环境中的实用性与稳定性仍需进一步验证。
(2) 通信与计算资源耦合优化
在协同自动驾驶系统中，实现通信与计算资源的协同管理成为关键。联合优化模型通过深度强化学习、非正交多址接入(NOMA)[127]等方法，在保障任务延迟、能效和系统稳定性之间取得平衡。优化策略不断向集成感知、通信与计算的方向演进，以适应高动态环境和多任务协作需求。与此同时，多种优化算法被提出用于提升系统的资源利用率和服务能力，如捕获域防碰撞机制[128]、基于网络功能虚拟化的边缘计算方案[129]以及支持多服务卸载的分布式调度策略。尽管这些技术在理论上具有良好性能，但其在复杂场景下的可扩展性、鲁棒性和实际部署效果仍需深入研究与验证。
3.2.4 安全与隐私保护(1) 通信安全技术
协同式自动驾驶中，通信安全是保障系统稳定运行和防止恶意攻击的关键。当前研究集中于加密技术(如AES、RSA)[130]、认证机制(如PKI、数字签名)[131]和访问控制策略的应用，以保障通信数据的完整性、保密性和访问权限的合规性。此外，针对无人机辅助通信、微型自动驾驶车辆等场景，研究提出了时分多址[132]、防篡改广播(TRBS)[133]、椭圆曲线加密[134]等技术以增强通信安全。新兴方案如联邦学习与量子通信结合，通过局部差分隐私和同态加密增强模型训练过程中的安全性[135]。同时，通过模拟攻击(如DoS、MitM)进行安全性测试，验证检测机制的有效性，为构建更加安全的通信环境提供支撑[136]。
(2)数据隐私保护
在自动驾驶中，保护用户数据隐私至关重要。主流技术包括差分隐私、匿名化、多方安全计算(MPC)和区块链[130]。差分隐私通过添加噪声避免用户数据泄露，匿名化技术通过去标识处理增强数据安全性，区块链结合智能合约和声誉机制，实现安全、透明的数据共享，适用于异构网络和车云协同环境[134]。研究[137]还结合联邦学习构建隐私保护的分布式学习系统，提升数据共享效率的同时确保隐私安全。结合博弈论设计的激励机制能鼓励高质量数据贡献，提升学习精度。此外，通过分布式入侵检测系统和身份认证协议等手段，进一步强化协同自动驾驶系统的隐私保护能力[138]。
综上所述，尽管协同式自动驾驶通信技术前景广阔，但仍面临诸多挑战，如：高速移动环境下网络拓扑频繁变化带来通信稳定性问题；无人机与车辆通信易受环境因素干扰；大规模数据收集与处理过程中存在用户隐私泄露风险；现有加密与认证机制在面对复杂网络攻击时保护能力有限；标准化和系统互操作性不足造成兼容性障碍等，这些问题亟需通过技术优化和行业协作共同破解。
3.3 面向协同式自动驾驶的信息交互技术信息交互技术是协同式自动驾驶的核心技术之一，自动驾驶车辆通过信息交互能够实时获取周围车辆、行人、基础设施等的信息，从而准确感知并预测潜在的危险，减少交通事故和拥堵，缩短出行时间，提高出行效率。
协同式自动驾驶中的信息交互技术涵盖了V2X通信技术、高精度地图与定位技术、传感器融合技术、云计算与大数据技术以及安全通信协议与加密技术等多个方面。交互的信息主要包括车辆通过传感器获得的感知信息、车辆在道路网络中的位置和姿态信息、车辆的运动状态和行为意图、道路的交通状态信息等。在信息交互的过程中，信息安全尤为重要，特别是在面向协同式自动驾驶系统中，车辆之间的通信和协作使得系统更容易受到恶意攻击。由于车路协同系统涉及多个实体之间的信息交互和共享，一旦某个环节出现安全问题，可能导致整个交通系统受到影响，甚至引发严重交通事故。目前协同式自动驾驶系统主要面临着数据安全、通信安全以及控制安全，攻击者可以通过篡改车辆传感器数据来误导系统的决策，也可以截取和篡改车辆之间的通信数据，也可以远程控制车辆进行危险操作。
3.3.1 身份认证当恶意车辆节点或设备接入到车内网或者车际网中, 可能会监听其他车辆的隐私数据或者通过发送恶意信息来攻击整个车网系统。因此在整个协同式自动驾驶架构中，需要关注身份认证以及隐私的保护。常见的方法包括基于PKI的身份认证和隐私保护、基于身份的加密认证与隐私保护、基于假名的身份认证和隐私保护、基于组签名的身份认证和隐私保护、基于区块链的身份认证和隐私保护。例如孙昕[139]研究了基于“端-管-云”的网络安全架构，构建智能路侧设备安全管控体系，研究了基于证书认证的车路协同可信交互机制；王超[140]提出基于身份认证的车路协同安全信任系统；黄明浩[141]基于商用密码技术构建了车联网路侧系统信息安全机制；Ali[142]提出了一种基于区块链的公钥签名方案并应用于V2I通信，使用双线性配对实现隐私保护，这种方案是无证书的，减少了证书撤销方面的开销。
3.3.2 数据加密在通信过程以及云端数据储存中使用加密方法，可以确保车联网中的数据的机密性，保证敏感信息和隐私不会泄露。Rafique[143]利用区块链提供了一种分布式和防篡改的技术，区块链通过利用网络中可信节点的计算能力，消除了攻击者的对抗性影响，并提供了一个安全框架；Castiglione[144]提出了一种将加密算法应用于车载控制器局域网络总线的方法, 以解CAN总线未加密通信的问题, 从而防止对单个或多个车辆进行有针对性的多次攻击。王庞伟[145]提出一种基于“端-边-云”信息交互架构的车辆道路协同数据补全方法，应用异常数据辨识与插补方法对原始数据进行修正构成有效数据集；Li[146]将高级加密标准(AES)算法应用与远程无钥匙进入车辆防盗和电子车费敏感信息的传输问题，提高系统的安全性；He[147]提出了一种基于Wasserstein距离的组合生成对抗网络(WCGAN)，可以预测结果实施相应的策略，控制节点的访问权限，从而有效地保证信息资源的安全。
3.3.3 入侵检测入侵检测是主动对数据、通信报文等进行检测来寻找可能的恶意攻击和入侵，以便及时采取适当措施防止此类活动造成的损害，例如阻止恶意节点访问网络来防止其造成的进一步的损害。从检测方法可以分为基于签名的入侵检测系统(Intrusion Detection System, IDS)和基于异常的IDS。基于签名的IDS是通过先验知识设定规则，形成各种入侵的签名数据库，检测时通过将输入模型的信息与数据库中的入侵规则信息进行匹配来实现检测；基于异常的IDS是将某一时刻的活动信息与系统正常的信息进行比较，如果发现偏离正常的行为，则视为恶意入侵。俞建业[148]提出了一种基于Spark的车联网分布式组合深度学习入侵检测方法，将深度学习卷积神经网络和长短期记忆网络组合，进行车联网入侵特征提取和数据检测，从而发现异常行为；Ullah[149]提出了一种用于车联网攻击检测的混合深度学习(DL)模型，该模型基于LSTM和门控递归单元(GRU)，该模型对于拒绝服务攻击检测效率高达99.5%。
信息安全受到了整个汽车行业前所未有的重视，国内外展开了多方面、宽领域的技术研究工作，从产业和方法2个层面出发进行车联网信息安全防护，也取得了长足的进展。但车联网信息安全的发展不能只依靠技术的进步加以推动, 也需要相关政策法规的强力支撑。
3.4 面向协同式自动驾驶的决策与控制技术目前，自动驾驶领域对协同式自动驾驶决策与控制技术的需求正日益提升。协同式自动驾驶的决策与控制涵盖车辆路权仲裁与调度、人机协同决策、多车协同控制等多范畴研究。其核心理念在于，通过路侧或协作车辆的感知信息共享实现超视距/非视距感知，为车辆或驾驶员提供“上帝视角”。协同式自动驾驶的决策与控制分为2部分。其中，协同决策技术旨在根据实时动态信息制定合理的驾驶策略，并规划下一步动作；控制技术则关注车辆的运动控制，确保车辆能够按照预定的决策与规划平稳、安全地行驶。本部分将面向协同式自动驾驶过程中对决策与控制技术的迫切需求，围绕协同决策与规划技术、协同控制技术两个方面进行论述。
3.4.1 面向自动驾驶的协同决策与规划技术(1) 协同决策技术
面向自动驾驶的多车协同决策技术主要包括集中式和分布式方法[150]。集中式方法通过中央控制器获取全局最优解，但在多车场景下计算代价高昂[151]；分布式方法则具备良好的扩展性，常基于强化学习和博弈论，尽管较易实现，但难以收敛至全局最优[152]。目前常见决策策略包括基于规则、优化和启发式搜索3类方法。规则类方法如FIFO、FCFS[153]因其简单高效被广泛应用，但灵活性和通行效率有限；优化类方法如合整数线性规划模型[154]适用于通行顺序和时间的精细化控制，精度高但计算负担重；启发式搜索方法(如MCTS[155])可提升决策效率，适应性更强。随着智能网联环境的发展，博弈论因其对多智能体交互行为的建模优势被广泛采用，主要包括滚动时域博弈、微分博弈和马尔可夫博弈等，强化了对交通参与者动态互动关系的建模能力[156]。此外，多车决策方法的有效性需借助虚拟仿真、人机混合仿真与实车测试进行系统评估，当前测试体系尚待进一步完善。
(2) 协同规划技术
多车协同规划聚焦于路径、速度等行驶要素的综合安排，提升整体交通流通行效率。基于优化的协同轨迹规划模型适用于自由空间场景，通过数值方法优化车辆路径与速度，但不适合含参考路径的复杂场景[157]。启发式搜索算法如MCTS[155]可在动态环境中快速规划冲突区通行时间，减少延误。相比之下，博弈论在规划任务中展现出更强的多智能体交互建模能力，能有效应对空间资源竞争和动态变化带来的不确定性[156]。未来的协同规划研究需要更紧密结合真实场景，兼顾实时性与全局性，同时提升模型对不确定环境与人类驾驶行为的适应能力。
3.4.2 面向自动驾驶的协同控制技术(1) 完全智能网联环境下的协同控制技术
在完全智能网联环境中，协同控制技术通过车辆间高效的信息交互显著提升交通效率与安全性。车辆编队作为关键技术之一，依托ICV实现稳定、高效的跟车控制，并通过编队稳定、合并与分裂操作提升通行能力与燃油效率[158]。匝道汇入/汇出方面，研究分为集中式和分布式控制。集中式方法依赖中央控制器实现全局最优，重视燃油经济性和舒适度；而分布式方法则强调车辆自主决策能力，增强系统的鲁棒性[159]。协同换道方面，单阶段方法适合自由换道，强调换道效率[160]；两阶段方法则通过预先调整间距，适用于强制换道场景，提升安全性与可行性[161]。整体而言，这些技术在充分联网的环境下大幅增强了控制精度与系统协调性。
(2) 混合交通环境下的协同控制技术
在ICV与人工驾驶车辆(Human-Driven Vehicle, HDV)共存的混合交通环境中，协同控制技术面临更大挑战。车辆编队研究发现，适当的ICV渗透率(如25%以上)可显著提升道路容量与交通稳定性[162]，采用强化学习[163]、MPC[164]等方法能进一步优化燃油经济性与行驶效率。匝道汇入汇出方面，多智能体强化学习[165]、分层控制策略[166]及事件触发机制[167]等技术被广泛应用于提升ICV在混合环境下的合流效率与安全性，且考虑了V2I通信延迟带来的性能影响。研究普遍显示，混合车队协同控制策略不仅提升了通过效率，也在燃料经济与排放控制方面具有积极作用。
(3) 协同驾驶通信-控制一体化方法
在车联网条件下，通信不稳定(如时延、丢包等)对协同控制系统稳定性造成显著影响，促使通信-控制一体化研究成为热点。分布式控制方法通过V2V通信实现局部决策，具有较强鲁棒性[168]，研究集中在构建抗时延、抗丢包的控制模型[169]，提高系统安全与舒适性。集中式控制方法依赖中央控制器调度全局行为[170]，常结合数字孪生[171]、事件触发机制[172]及参数空间优化[173]等方法应对通信不稳定，保障控制系统在高负载或网络拥堵下仍能稳定运行。当前研究强调通过多层次事件触发与自适应机制，实现在通信资源受限条件下的高性能协同控制。
综上所述，面向协同式自动驾驶的决策与控制技术正朝着更高的人机协同水平、更公平的协同决策机制以及更广泛的社会接受度方向持续演进，并与大语言模型、多车协同与混合交通控制等新兴技术深度融合。大语言模型在语音交互、交通信息分析以及驾驶员情感识别方面展现出巨大潜力，助力实现更自然、高效、安全的人机交互，但同时也面临数据隐私、可解释性和对抗攻击等挑战。多车协同决策与规划通过实时信息共享，提升整体交通系统的智能化和效率，推动智慧交通建设。多车协同控制方面，在人工驾驶与智能车辆共存的混合交通环境中，如何实现高效、安全的横纵向轨迹协同控制，兼顾系统效率与公平性，成为核心挑战。未来，协同控制将依赖车路云一体化、多目标优化控制、通信与计算协同以及数字孪生等关键技术，实现混合交通环境下更精确的行为预测与调控，推动交通系统向更智能、高效、可持续的方向发展。
4 测试与应用随着自动驾驶技术从试验验证迈向规模化应用，构建科学完备的测试体系与探索多元落地场景成为推动其发展的关键路径。本节首先系统梳理了当前自动驾驶测试的主流技术体系与评价方法，涵盖仿真、封闭与开放道路测试，以及车路协同条件下的新型验证手段；随后结合典型应用案例，介绍自动驾驶技术在出行、物流与矿业等领域的实际部署与商业化进展，展示其广泛应用潜力与面临的现实挑战。
4.1 自动驾驶测试技术随着自动驾驶技术的快速发展和自动化水平的不断提升，传统基于软件工程[174]或单一功能模块的测试方法已难以满足复杂多变、多要素耦合的测试需求，亟需构建基于真实交通场景的综合测试体系；同时，由于单个自动驾驶车辆存在视野受限、其他交通参与者难以预测等固有缺陷[175－177]，当前自动驾驶技术正在经历从单车自动驾驶向协同式自动驾驶的转变过程，其旨在通过车辆与其周边环境(如路侧单元、配备智能设备的行人等)交换互补信息来提升驾驶性能，并对测试方法提出了全新挑战。当前，自动驾驶测试主要依托“三支柱”架构[178](如图 7所示)：仿真测试[179]、封闭场地测试[180]和开放道路测试[181]，通过多层级验证确保系统安全性与可靠性。同时，这一体系不仅关注单车性能，更着重评估V2V、V2I以及V2X之间的协同决策能力，在复杂交通环境中实现全局优化。
|
| 图 7 “三支柱”测试方法 Fig. 7 Three-Pillar testing framework |
| |
协同式自动驾驶测试主要涵盖车路协同、V2X通信、多主体协作以及安全性与应急响应等数个方面，其不仅需要关注自动驾驶车辆自身的表现，更需要关注自动驾驶车辆与其他交通参与者之间的协作互动过程，测试其是否能够与其他交通参与者协作实现平稳的交通流动以及自动驾驶系统在复杂交通环境中是否能够安全、稳定地运行。其主要的测试过程可以概括为以下的数个阶段：首先通过仿真平台构建多车协同的交通场景进行初步验证；之后在封闭的道路或测试场地中进行实际测试，模拟复杂的交通情景，以评估自动驾驶系统的行为反应、信息交换能力及多车辆协作效果；最终在开放的实际道路上进行测试，模拟真实交通环境，测试车辆在与其他车辆、行人及基础设施协作时的表现和适应性。此外，还需要对测试数据进行收集与分析，设计构建评价指标与量化方法，以评估自动驾驶系统的感知精度、决策能力和响应时间，确保系统在不同场景下的安全性和可靠性。具体各个阶段测试技术的发展现状如下所示。
(1) 自动驾驶仿真测试技术
仿真测试因其高性价比成为自动驾驶测试的重要手段，研究重点在于构建高保真、实时性强的车辆动力学模型和背景车驾驶人模型，以及生成高覆盖率的仿真交通场景。在车辆模型构建方面，主流方法包括基于多刚体动力学的建模[182]与深度学习驱动的驾驶行为模拟[183]；在场景生成方面，主要通过重要性抽样与自适应算法搜索关键场景[184]，以及基于大数据和深度学习的生成模型[185]，显著提升测试效率和有效性。如Liu[186]设计开发的仿真测试平台V2Xverse，该平台实现了从协同感知到驾驶控制的端到端测试闭环，通过在虚拟环境中构建RSU的通信网络，生成大规模车路协同数据集，并完成闭环驾驶性能评估，将协同感知方法嵌入完整驾驶系统进行测试，突破了现有协同感知方法只能“看”不能“控制”的局限性。
(2)自动驾驶封闭场地测试技术
封闭场地测试可复现特定复杂场景，是上路前的重要步骤，其中，工业和信息化部、公安部、交通运输部于2018年4月联合发布《智能网联汽车道路测试管理规范(试行)》[187]，该规范指出封闭场地测试是自动驾驶车辆正式部署上路前不可缺少的测试环节。中国和国外均建有标准化测试基地。欧美各标准化测试实验场的建设情况如表 5所示。同时，国内针对封闭场地测试出台了相应的规范和政策，并搭建了具有不同侧重点的封闭测试场地。交通运输部于2018年7月正式发布《自动驾驶封闭场地建设技术指南(暂行)》[188]，同期认定了北京(交通运输部公路交通试验场)、重庆(重庆机动车强检试验场)、西安(长安大学车联网与智能汽车试验场)建设的3个自动驾驶测试基地；此外武汉智能网联汽车封闭测试场融合T5级场景与F2赛道，覆盖十大复杂测试场景并支持5G、边缘计算等技术验证；长春北方示范区依托一汽集团，突出冰雪气候测试能力；上海临港智能网联汽车综合测试示范区则依托区位优势，提供集港口与机场，产业区与城市生活区，高速公路与城市道路、乡村道路于一体的测试与示范运营场景。
| 名称 | 国家 | 建成时间 | 测试功能 | 特点 |
| Mcity | 美国 | 2015 | 自动驾驶技术、V2X技术 | 强化试验，柔性化设计 |
| Asta Zero[190] | 瑞典 | 2014 | 车辆动力学、驾驶人行为、V2X技术 | ADAS场景测试与模拟设备，具备完整的测试功能 |
| Smart Road[191] | 美国 | 20世纪80年代 | 自动驾驶技术、智能交通系统、V2X技术 | 天气模拟系统、照明和能见度检测系统 |
| City Circuit | 英国 | — | 传统汽车、智能交通系统、智能网联汽车测试 | 网联汽车测试设备、跟踪定位与监控设备 |
| Gomentum Station[192] | 美国 | 2014 | 自动驾驶技术、V2X技术 | 2条真实的隧道，测试面积大 |
| Castle Air Force Base | 美国 | 2011 | 自动驾驶技术 | — |
| Willow Run | 美国 | 2018 | 自动驾驶技术、V2X技术 | 天然坑洞与3层立交桥 |
(3) 自动驾驶开放场地测试技术
开放道路测试贴近实际环境，通过在复杂的城市交通环境中测试并收集实际路测数据，能够发现封闭场地测试中无法预见的问题并促进感知、决策、控制等技术的快速迭代和优化，是最终验证的重要环节，但面临安全和政策约束。其中，日本在2017年出台无人驾驶道路许可标准，要求测试主体在封闭场地内充分验证“行人突然冲出”等危险场景后，才能在警察监督下进行公路测试。欧洲各国则呈现出多样化监管特点，其中德国沿用传统汽车强制认证体系，要求第三方技术机构独立检验，并根据道路类型分级审批；英国则特别关注弱势道路使用者的保护，要求自动驾驶系统必须对所有道路使用者(包括残疾人、骑行者、儿童等)作出合适响应，并强制配备10 Hz以上频率的数据记录装置。美国采用事前评估与过程监管相结合的模式，要求企业在公共道路测试前需完成15个维度的安全评估，涵盖数据记录、隐私保护、系统安全、网络安全、人机交互等关键领域。在测试方法上，强制要求包含仿真测试、封闭场地测试和上路测试的完整链条，并鼓励与国际汽车工程学会(SAE)、美国国家标准与技术研究院(NIST)等标准组织合作开发新测试方法，但在各州与联邦之间存在政策和制度差异。中国三部委联合发布的《智能网联汽车道路测试管理规范(试行)》中明确规定道路测试活动应在指定路段进行，并要求测试车辆具备切换至人工驾驶的能力；目前全国已建成多个国家级智能网联汽车测试区，开放测试道路总长度超过3.2万km，发放测试牌照超过7 700张，测试里程累计超过1.2亿km，北京、上海、广州、深圳、成都等20个城市被列为“车路云一体化”应用试点城市，推动车路协同技术的应用。
除上述三支柱测试体系外，还应当结合硬件在环测试技术(HiL)以提升最终测试效果。硬件在环测试作为连接虚拟仿真与实际道路测试的关键环节，涵盖了车载传感器模拟、整车级系统平台构建和数字孪生测试三大层面[178]。传感器模拟提升感知测试的真实性[193]，整车级平台通过试验台或封闭场地进行虚实结合测试[194]，数字孪生则融合仿真与现实，构建多维测试系统，推动测试精度、效率和可控性不断提升。例如赵祥模[194]基于长安大学的CAVTest平台，结合具有三自由度的可转向滚筒试验台以虚实结合的方式开展整车在环仿真测试。同时结合数字孪生技术和端-边-云平台模拟复杂交通场景，助力测试体系完善。针对高速公路测试场景，目前主要基于用端-边-云一体化的测试平台对高速公路交通场景进行开放道路测试，例如冷丙波[195]基于TOGAF提出了汽车制造系统架构，赵祥模[14]提出了IntelliWay智慧高速变耦合模块化总体架构，对高速公路交通场景存在的问题和发展方向进行了详细的分析与论述。
(4) 自动驾驶测试评价指标
自动驾驶测试评价指标是用于衡量和评估自动驾驶系统在各个方面的性能、安全性和可靠性等方面的评价标准。自动驾驶系统结构复杂，同时为应对动态多变、具有多要素耦合的交通驾驶环境，自动驾驶系统具有复杂的功能，因此自动驾驶系统测试的评价指标也具有诸多不同的类型和与之适应的场景。从自动驾驶系统的整体结构和运行流程的角度，可以将评价指标分成多个部分：一部分是对输入自动驾驶车辆的测试场景的复杂度进行评价；另一部分则是对自动驾驶车辆输出的性能表现进行综合评价，包括对其自动驾驶能力、性能等进行评估的行驶自洽性指标和评价自动驾驶车辆社会合作性的相应指标。总的来讲，对自动驾驶系统的评估和测试，就是从诸多不同的方面来对自动驾驶车辆是否能够在没有人工干预的情况下安全有效地运行，完成驾驶任务进行综合评估。
如表 6所示，表中给出了不同类型的评价指标包含的评价标准以及相应的研究成果。对于测试场景的复杂度，目前主流的研究手段通过从车外的第三方视角来获取数据对测试场景的复杂度进行评估；对于行驶自洽性指标而言，安全性是自动驾驶测试首先考虑的评估方向，此外舒适性、高效性等自动驾驶能力的评价指标也不可或缺；对于社会合作性评价指标，则主要关注被测自动驾驶车辆行驶过程中，其驾驶行为对交通场景中的其他参与者的交互影响情况，包括不同的评价维度和评价视角。
| 来源 | 场景复杂度 | 行驶自洽性 | 社会合作性 | |||||||||
| 数据获取视角 | 天气环境 | 动态参与者 | 自车驾驶属性 | 安全性 | 舒适性 | 高效性 | 燃油消耗 | 通行时间 | ||||
| 车外 | 自身 | |||||||||||
| AHP[196], *1 | √ | — | √ | √ | √ | — | — | — | — | — | ||
| SVR[197], *2 | √ | — | √ | √ | √ | — | — | — | — | — | ||
| Survey[198], *2 | √ | √ | √ | √ | √ | — | — | — | — | — | ||
| Chen[199] | — | — | — | — | — | √ | — | — | — | — | ||
| Meng[200] | — | — | — | — | — | — | √ | — | — | — | ||
| Pan[201] | — | — | — | — | — | √ | — | √ | — | — | ||
| Li[202] | — | — | — | — | — | √ | √ | √ | — | — | ||
| Wei[203]*3 | — | — | — | — | — | √ | √ | — | √ | — | ||
| Letter[204]*4 | — | — | — | — | — | — | — | — | — | √ | ||
| Ntousakis[205]*5 | — | — | — | — | — | — | √ | — | — | — | ||
| 注：*1: 基于场景内部构成描述并量化复杂度；*2: 基于场景外部观测定义并量化复杂度；*3: 对自动驾驶策略进行评估；*4: 对车道合并时的驾驶策略进行评估；*5: 对纵向轨迹规划结果进行评估。 | ||||||||||||
4.2 自动驾驶应用案例
自动驾驶作为现代科技领域的前沿技术，正以前所未有的速度在各个应用场景中崭露头角，引领着交通、物流、矿业乃至更多行业的深刻变革。这一技术的广泛应用，不仅极大地提升了作业效率与安全性，还为人类社会的可持续发展开辟了新的路径。下面列举了一些自动驾驶技术的典型应用场景案例。
(1)自动驾驶出租车
自动驾驶出租车已率先在国内外实现商业化落地，目前主流的商业公司包括美国的Waymo和Cruise，欧洲的Mobileye和Oxbotica这4家公司，具体商业化对比与挑战如表 7所示。作为Alphabet的子公司，Waymo One服务自2018年起在凤凰城投入运营，用户可以通过手机应用预约自动驾驶出租车，运营范围180平方英里，覆盖机场、商业区等场景，日均订单量超5 000单，至今已累计行驶数百万英里且未发生重大事故[206]。2024年Waymo One与Uber合作在凤凰城提供网约车服务，抽成比例15%~20%(传统网约车25%~30%)，单车成本约$20万，需5年收回成本(Waymo 2023年报)；Cruise则是通用汽车的自动驾驶子公司，其自动驾驶出租车服务已在2022年10月获加州首个无人驾驶收费许可，夜间运营(22：00~6：00)，2023年10月因撞人事故被吊销牌照，2024年3月重启测试(限速25 mi/h+安全员)，并致力于降低运营成本[207]。Mobileye则是英特尔旗下的自动驾驶子公司，2023年在慕尼黑启动10辆车的试点，服务宝马总部员工，日均完成200次通勤(12英里固定路线)，计划2024年底与G7出租车公司在巴黎合作投放50辆车。Oxbotica是由牛津大学孕育的自动驾驶子公司，2024年2月在格林威治试点6辆Robotaxi，限速(约等于32.2 km/h)，乘客需提前1 h预约，目前商业化模式按里程订阅制，目标2025年覆盖英国5个城市。
| 公司 | 国家 | 车辆规模 | 票价/成本 | 关键进展 | 主要挑战 |
| Waymo | 美国 | 700+辆 | ＄2.5/mi | 首个取消安全员的收费服务 | 高成本，扩张速度慢 |
| Cruise | 美国 | 400+辆 | ＄1.5/mi(暂停中) | 首个7×24 h许可 | 安全事件导致信任危机 |
| Mobileye | 德国 | 10辆(试点) | ＄1.2/mi | 与传统车企深度合作 | 政策限制(需安全员) |
| Oxbotica | 英国 | 6辆(试点) | ＄0.3/mi | 纯视觉低成本方案 | 技术可靠性待验证 |
近年来国内自动驾驶出租车业务规模也持续扩大，目前主流的商业公司包括萝卜快跑、小马智行和AutoX(安途)等公司。“萝卜快跑”是百度旗下的自动驾驶子公司，其自动驾驶出租车服务首个全无人商业化试点在北京亦庄2023年11月获批，运营面积60 km2，覆盖地铁站、商场等场景，日均订单量超2 000单；2024年在上海嘉定扩展至300辆Robotaxi，提供24小时服务(夜间限速40 km/h)；根据相关报道，2023年在武汉落地全国最大规模车队(500辆)，单程票价20~30元(比网约车低30%)。小马智行是一家自动驾驶出行服务的公司，成立于2016年，2023年在广州南沙获批无安全员运营，覆盖800 km2，日均订单量1 500多单；与首汽约车合作，在北京亦庄提供“无人网约车”服务，票价较传统网约车低20%；2024年Q1在深圳开通前海片区，支持手机APP预约。AutoX(安途)是中国无人驾驶品牌，总部位于深圳，2023年在坪山区开展全无人商业化运营，车辆无安全员，限速40 km/h；2024年上海嘉定区试点，与高德地图合作接入打车平台。尽管技术持续突破，自动驾驶出租车仍面临复杂道路环境和公众接受度等挑战，需政策引导、公众教育与产业协同共同推动其大规模普及，具体列举的3家公司的商业化对比与挑战如表 8所示。
| 企业 | 运营城市 | 车队规模/辆 | 票价/(元·km-1) | 商业化阶段 | 核心挑战 |
| 百度Apollo | 北京、上海、武汉 | ＞1 000 | 2.5~3.0 | 规模化收费 | 极端天气性能 |
| 小马智行 | 广州、北京、深圳 | >500 | 3.0~3.5 | 无安全员试点 | 跨区域政策限制 |
| AutoX | 深圳、上海 | >200 | >3.0 | 全无人激进测试 | 安全风险 |
(2) 自动驾驶小巴
自动驾驶小巴(Robobus)是智能交通的重要组成部分，主要应用于园区接驳、微循环公交、景区游览等场景。目前国外自动驾驶小巴主流的商业公司包括Navya、EasyMile和May Mobility等公司，3家公司具体的商业化与挑战对比如表 9所示。法国Navya研发的Navya Autonom Shuttle车辆(载客15人)，2020—2023年与Keolis合作运营，服务美国拉斯维加斯(2020—2023)市中心-会展中心路线，累计载客超25万人次；2024年在法国巴黎的拉德芳斯商务区部署5辆小巴，日均载客量800多人次；2023年在日本东京的羽田机场试运行，提供航站楼间接驳。EasyMile(法国)研发的EZ10无人小巴2023年在新加坡的Sentosa岛运营3辆EZ10，服务旅游接驳，日均载客量500多人次；2020年在德国柏林的Charité医院园区提供员工通勤，全程1.5 km，免费乘坐。美国May Mobility利用丰田Sienna改装小巴，2023年在美国密歇根州Ann Arbor运营10辆小巴，覆盖大学城-市中心路线，票价1.5$/次；2024年与马自达合作，在日本广岛市中心试运行无人微循环公交。
| 企业 | 运营城市 | 车型 | 票价模式 | 商业化进展 | 核心挑战 |
| Navya | Autonom Shuttle | 5辆(巴黎) | 车辆销售+运营分成 | 成熟L4技术 | 高成本导致破产重组 |
| EasyMile | EZ10 | 3辆(新加坡) | 政府补贴+园区合作 | 车路协同能力强 | 低速场景限制 |
| May Mobility | 丰田Sienna改装 | 10辆(密歇根) | 按里程订阅 | 复杂路口通过率高 | 政策要求安全员 |
目前中国自动驾驶小巴主流的商业公司包括百度Apollo、文远知行和轻舟智航等公司，3家公司具体的商业化与挑战对比如表 10所示。百度Apollo自动驾驶小巴2021年在北京首钢园落地，提供园区接驳服务，日均载客量超500人次；2023年在广州黄埔区扩展至10辆小巴，覆盖地铁站-写字楼微循环线路，票价2元/次；2024年在雄安新区启动“智能公交”试点，与市政公交系统融合。文远知行与宇通客车合作开发无人小巴(文远小巴)，2022年在广州生物岛运营，覆盖6 km环线，免费接驳，日均载客量超800人次；2023年在郑州郑东新区落地20辆小巴，票价1元，与市政公交一卡通打通；2024年在南京江宁开发区试运行，服务企业通勤。轻舟智航是世界前沿的自动驾驶通用解决方案公司，目前基于L4级Driven-by-QCraft系统研发的无人驾驶小巴2021年在苏州高铁新城首发“龙舟ONE”小巴，覆盖10 km微循环线路，票价1元；2023年在深圳坪山开通3条线路，日均载客量1 200人次；2024年与东风合作，在武汉经济技术开发区部署Robobus接驳车。
| 企业 | 运营城市 | 车型 | 票价模式/(元·次-1) | 商业化进展 | 核心挑战 |
| 百度Apollo | 北京、广州、雄安 | 阿波罗(无方向盘) | 2 | 政府订单+B端园区合作 | 低速场景限制 |
| 文远知行 | 广州、郑州、南京 | 文远小巴(宇通) | 1~2 | 量产降本+海外拓展 | 部分城市需安全员 |
| 轻舟智航 | 苏州、深圳、武汉 | 龙舟ONE | 1 | 政府智慧交通项目中标 | 载客量小 |
(3) 无人驾驶矿卡
无人驾驶矿卡是全球矿业自动化的重要方向，主要应用于露天矿山运输场景，可显著降低人力成本、提高作业效率。目前主流的企业包括Caterpillar、Komatsu和Hitachi 3家公司[208-210]，具体商业化与挑战对比如表 11所示。Caterpillar基于Cat © MineStarTMCommand自动驾驶系统，2023年在澳大利亚Fortescue Metals Group铁矿区部署120辆Cat 794 AC无人矿卡，实现24/7无人化运输，日均运量提升20%；2024年在智利Codelco铜矿区启动30辆无人矿卡试点，替代传统柴油车队。Komatsu基于FrontRunner AHS(Autonomous Haulage System)自动驾驶系统，2018年起在Rio Tinto西澳大利亚矿区运营100+辆无人矿卡，累计运输超20亿吨矿石，事故率为0%；2023年在加拿大Suncor油砂矿区部署50辆无人矿卡，减少30%人力成本。Hitachi搭载AI Dispatching动态调度系统，2024年在秘鲁Antamina铜矿区启动15辆无人矿卡试运行，目标替代50%传统车队；2023年在南非Anglo American铂矿区完成极端天气(沙尘暴)测试，可用率超95%。
| 企业 | 代表车型 | 运营规模 | 商业化模式 | 核心优势 | 主要挑战 |
| Caterpillar | Cat 794 AC | 120多辆(澳洲) | 设备租赁+软件订阅 | 燃油效率优化15% | 高海拔适应性 |
| Komatsu | 小松930E | 100多辆(全球) | 合资运营+按吨收费 | 多品牌兼容 | 数据接口标准化 |
| Hitachi | EH4000AC-3 | 15辆(秘鲁) | 技术授权+维护服务 | 矿石品位实时分析 | 高湿度环境维护 |
中国在政策推动下，踏歌智行、慧拓智能等企业加快布局，已在内蒙古、新疆等地广泛开展测试运营。目前主流的商业公司包括徐工集团工程机械股份有限公司(以下简称徐工机械)、三一重工股份有限公司(以下简称三一重工)、内蒙古北方重型汽车股份有限公司(以下简称北方股份)、航天重型工程装备有限公司(以下简称航天重工)4家公司[208-210]，具体商业化与挑战对比如表 12所示。徐工机械研发的XDE120纯电动无人矿卡，搭载“X-Mining”自动驾驶系统，2023年国家能源集团在内蒙古鄂尔多斯落地全球最大纯电动无人矿卡车队(30辆)，替代传统柴油车，日均运量提升18%；2024年在新疆准东煤矿启动10辆XDE120试运行，实现24小时无人化运输。三一重工研发的SET150S无人矿卡，2022年中国中煤能源集团有限公司在山西平朔煤矿部署20辆SET150S，累计运输矿石超500万t，事故率为0；2024年江西钢业集团有限公司在江西铜矿启动5辆无人矿卡试点，测试复杂地形适应性。北方股份研发的NTE200无人驾驶矿卡，2023年包头钢铁(集团)有限责任公司在内蒙古白云鄂博铁矿投入15辆NTE200，实现铁矿运输全流程无人化；2024年云天化股份有限公司在云南磷矿计划部署10辆，应对高原矿区挑战。航天重工研发的HT3363无人矿卡，2024年在陕西煤业化工集团有限责任公司榆林煤矿：2024年落地8辆HT3363，日均运量达1.2万t；2023年出口2辆至青山控股集团印尼镍矿，测试热带气候适应性。面对复杂多变的矿区环境，实现无人矿卡的高适应性与智能调度是关键方向。未来将持续推进“场景化定制”与“因地制宜”，加快矿山作业智能化转型。
| 企业 | 代表车型 | 运营规模 | 商业化模式 | 核心优势 | 主要挑战 |
| 徐工集团 | 电动XDE120 | 30辆(鄂尔多斯) | 整车销售+运营服务 | 纯电动零排放 | 极寒电池性能 |
| 三一重工 | SET150S | 20辆(山西) | 定制化解决方案 | 多传感器融合可靠性 | 多车协同调度 |
| 北方股份 | NTE200 | 15辆(内蒙古) | 政府补贴+矿山合作 | 中国最大吨位 | 高原动力稳定性 |
| 航天重工 | HT3363 | 8辆(陕西) | 军民融合+海外拓展 | 军工级高精度 | 国际市场竞争 |
5 总结与展望
自动驾驶技术作为智能交通和未来出行的重要方向，正从单车智能逐步迈向车路协同的系统融合阶段。在“智慧公路”基础设施支撑下，车、路、云的深度协同显著提升了自动驾驶的感知精度、决策效率与运行安全性，加速了其在出行、物流、矿山等多个场景的落地进程。
本研究系统梳理了智慧公路分级体系与车路云一体化架构，回顾了单车自动驾驶与协同式自动驾驶在感知、决策、控制、通信等核心技术方面的研究进展，并进一步探讨了多层级测试体系及典型应用案例。可以看出，未来自动驾驶的发展不仅依赖于感知、通信、计算与决策等技术的集成突破，更离不开道路基础设施、标准体系、场景测试、监管机制等系统层面的支撑。从整体架构来看，智慧公路车路协同自动驾驶面临的挑战可归纳为以下4个方面。
(1) 智慧公路与自动驾驶融合面临系统性挑战
智慧公路作为车路协同的基础平台，其分级分类建设在推进过程中面临多方面挑战，主要体现在以下3个方面：一是技术融合的复杂性高。智慧公路建设依赖5G、物联网、边缘计算、BIM、GIS等多种异构技术的深度集成，但不同路段和系统在建设时序、通信协议、厂商选型等方面存在差异，导致系统间数据接口不统一、兼容性差，易形成“信息孤岛”，严重影响跨路段的数据融合与统一调度效率。二是标准体系尚不完善。目前全国尚未形成统一的智慧公路建设标准，普遍采取“一地一策”或“一路一策”的模式，虽可结合地方实际，但也带来了功能定义不统一、技术选型差异大、设备接口不兼容等问题，制约了智慧公路等级体系的标准化落地和规模化扩展。三是场景驱动机制尚不健全。不同地区在交通条件、路网结构和使用需求等方面存在显著差异，然而现有分级分类设计尚缺乏系统性、科学性框架，难以实现从实际需求出发的精准匹配与动态演进，影响了资源配置效率和技术适配能力。
(2) 单车自动驾驶仍面临关键技术瓶颈
尽管单车智能在感知、决策、控制等关键技术上取得了显著进展，但在复杂环境适应能力、资源利用效率和大规模部署可行性方面仍存在明显短板，具体体现在以下3个方面：一是感知系统的鲁棒性不足。当前多传感器融合方案(如摄像头、激光雷达、毫米波雷达等)在提升环境感知精度方面效果显著，但在遮挡、低照度及恶劣天气条件下仍易出现识别误差。同时，不同类型传感器的数据在时间同步、空间配准等方面要求高，融合算法复杂且对计算资源消耗大，影响系统的实时性与稳定性。二是智能算法的泛化能力有限。现有AI模型在应对标准化道路环境下表现较优，但在非结构化场景、突发障碍物或复杂交通行为面前，其泛化与应变能力仍显不足，存在潜在的安全风险。此外，算法的高计算复杂度也限制了其在边缘设备上的高效部署。三是高精定位与高精地图的普及受限。尽管差分GPS、RTK等高精度定位技术，以及高精地图可显著提升导航和路径规划的准确性，但其建设成本高、更新频率低，难以适配快速变化的城市路网与动态交通场景，限制了其在大范围场景下的推广应用，从而影响单车自动驾驶的规模化落地能力。
(3) 协同式自动驾驶技术发展受制于多点协同与标准缺位
协同式自动驾驶以V2V，V2I，V2N之间的实时通信与联合决策为核心，在多源数据融合、通信稳定性、协同决策效率与系统安全性等方面面临多重挑战。一是通信系统的可靠性问题。在协同自动驾驶场景中，高速移动所引发的网络拓扑频繁变化，使现有V2X与5G通信技术在复杂地形和极端环境下难以持续保障低延迟与高稳定性。尽管无人机通信与边缘计算节点能够在通信盲区提供一定补充，但其部署成本高、易受环境干扰，难以支撑大规模应用。二是多车协同控制与混合交通流建模仍不成熟。当前在横向换道策略、HDV与ICV共存下的行为建模方面研究不足，导致系统调控精度和交通安全性面临挑战。三是智能决策技术尚需优化。诸如大语言模型等新兴AI技术虽在情绪识别、自然交互等方面展现潜力，但在自动驾驶场景中的可解释性、安全性及资源消耗问题尚未解决，限制了其大规模应用。四是协同感知基础仍不健全。路侧感知系统尚未形成统一的设备标准与数据协议，存在设备精度不一、接口不兼容、多源数据融合困难等问题。同时，现有路侧感知数据集在覆盖极端天气、特殊路况及突发事件等复杂场景方面严重不足，制约了模型训练与算法泛化能力的提升。
(4) 测试验证体系与场景适配能力仍待完善
自动驾驶与智慧交通系统的可靠部署高度依赖完善的测试验证体系。然而，现阶段的测试实践在多方面仍显不足，主要体现在以下3个方面：一是测试体系的覆盖面与代表性不足。当前公开数据集多以车载感知为主，覆盖场景相对单一，缺乏包含隧道、桥梁、雨雪雾天等复杂工况的高质量路侧感知数据。这限制了深度感知模型对极端环境下行为的训练与验证能力。二是测试手段的时效性与现实适配性不强。尽管仿真测试具有灵活性与低成本优势，但其对现实复杂交通场景的还原度仍有限。现实场景测试则面临高成本、周期长的问题，难以适应自动驾驶算法快速迭代与系统功能持续演进的需求。三是工程化应用的机制支撑不完善。当前在法规政策、经济评估、跨部门协同等方面存在明显短板，缺乏统一的测试标准、责任划分和流程机制，制约了项目从研发到大规模推广的路径畅通。如何构建“研发-测试-示范-推广”一体化闭环，建设跨区域、跨系统的协同测试环境，已成为推动协同式自动驾驶规模化落地的关键突破口。
未来应坚持系统化发展路径，推动“车-路-云-图-网”多要素协同，强化产业协同与政策支持，加快技术标准、法规体系和应用生态的协同建设，构建高安全、高效率、可持续的智能交通系统，为实现真正意义上的高级别自动驾驶奠定坚实基础。
| [1] |
每日经济新闻. 中国L2级辅助驾驶渗透率超50% AI成竞争关键变量[EB/OL]. (2025-07-17)[2025-08-22]. https://www.stcn.com/article/detail/2620848.html. National Business Daily. China's L2 autonomous driving penetration rate exceeds 50%, AI becomes a key competitive factor[EB/OL]. (2025-07-17)[2025-08-22]. https://www.stcn.com/article/detail/2620848.html. |
| [2] |
新华社. 公安机关已累计发放自动驾驶汽车测试号牌1.6万张[EB/OL]. (2024-08-01)[2025-08-22]. https://www.gov.cn/lianbo/bumen/202408/content_6970854.htm. Xinhua News Agency. Public security authorities have issued a total of 16, 000 test license plates for autonomous vehicles[EB/OL]. (2024-08-01)[2025-08-22]. https://www.gov.cn/lianbo/bumen/202408/content_6970854.htm. |
| [3] |
吴建清, 宋修广. 智慧公路关键技术发展综述[J]. 山东大学学报(工学版), 2020, 50(4): 52-69. WU Jianqing, SONG Xiuguang. Review on smart highways critical technology[J]. Journal of Shandong University (Engineering Science), 2020, 50(4): 52-69. |
| [4] |
赵祥模, 高赢, 徐志刚, 等. IntelliWay-变耦合模块化智慧高速公路系统一体化架构及测评体系[J]. 中国公路学报, 2023, 36(1): 176-201. ZHAO Xiangmo, GAO Ying, XU Zhigang, et al. IntelliWay: An integrated architecture and testing methodology for intelligent highway using varied coupling modularization[J]. China Journal of Highway and Transport, 2023, 36(1): 176-201. |
| [5] |
MAO G Q, HUI Y L, REN X J, et al. The internet of things for smart roads: A road map from present to future road infrastructure[J].
IEEE Intelligent Transportation Systems Magazine, 2022, 14(6): 66-76.
DOI:10.1109/MITS.2021.3115126 |
| [6] |
SARWATT D S, LIN Y J, DING J G, et al. Metaverse for intelligent transportation systems (ITS): A comprehensive review of technologies, applications, implications, challenges and future directions[J].
IEEE Transactions on Intelligent Transportation Systems, 2024, 25(7): 6290-6308.
DOI:10.1109/TITS.2023.3347280 |
| [7] |
冉斌, 陈祥辉, 张健. 智慧高速公路理论与实践总论[M]. 北京: 人民交通出版社, 2015. RAN Bin, CHEN Xianghui, ZHANG Jian. Introduction to theory and practice of smart expressway[M]. Beijing: China Communications Press, 2015. |
| [8] |
杜豫川, 都州扬, 师钰鹏, 等. 路侧感知车辆轨迹数据质量智能评估方法[J]. 中国公路学报, 2021, 34(7): 164-176. DU Yuchuan, DU Zhouyang, SHI Yupeng, et al. An intelligent quality assessment method for vehicle trajectory from roadside perception[J]. China Journal of Highway and Transport, 2021, 34(7): 164-176. |
| [9] |
卢春房, 马成贤, 江媛, 等. 中国车路协同产业研究与发展对策建议[J]. 中国公路学报, 2023, 36(3): 225-233. LU Chunfang, MA Chengxian, JIANG Yuan, et al. Countermeasure suggestions of development and research for vehicle infrastructure cooperation industry in China[J]. China Journal of Highway and Transport, 2023, 36(3): 225-233. |
| [10] |
卢春房, 张航, 陈明玉. 新时代背景下的交通运输高质量发展[J]. 中国公路学报, 2021, 34(6): 1-9. LU Chunfang, ZHANG Hang, CHEN Mingyu. Realization of high-quality development of transportation in the new era[J]. China Journal of Highway and Transport, 2021, 34(6): 1-9. |
| [11] |
吴伟令, 王超, 徐润. 智慧高速公路分级分类建设方案研究[J]. 中国交通信息化, 2024(增1): 31-33. WU Weiling, WANG Chao, XU Run. Research on classified construction scheme of smart expressway[J]. China ITS Journal, 2024(S1): 31-33. |
| [12] |
杨超, 曹更永, 杨松, 等. 智慧高速公路评价指标体系研究[J]. 综合运输, 2023, 45(8): 47-51. YANG Chao, CAO Gengyong, YANG Song, et al. The evaluation idicators system of smart motorways[J]. China Transportation Review, 2023, 45(8): 47-51. |
| [13] |
郭王虎. 我国首个自动驾驶公路技术规范将出台[J]. 智能网联汽车, 2020(3): 8-9. GUO Wanghu. China's first technical specification for self-driving highway will be issued[J]. Intelligent Connected Vehicles, 2020(3): 8-9. |
| [14] |
赵祥模, 高赢, 徐志刚, 等. IntelliWay\|变耦合模块化智慧高速公路系统一体化架构及测评体系[J]. 中国公路学报, 2023, 36(1): 176-201. ZHAO Xiangmo, GAO Ying, XU Zhigang, et al. IntelliWay: An integrated architecture and testing methodology for intelligent highway using varied coupling modularization[J]. China Journal of Highway and Transport, 2023, 36(1): 176-201. |
| [15] |
罗曦, 孙超, 张永捷, 等. 智慧高速公路差异化建设策略研究[J]. 城市交通, 2023, 21(3): 77-81. LUO Xi, SUN Chao, ZHANG Yongjie, et al. Differentiated construction strategies for smart highways[J]. Urban Transport of China, 2023, 21(3): 77-81. |
| [16] |
朱学军, 杨曼. 智慧公路分级建设探究[J]. 中国交通信息化, 2024(8): 30-32. ZHU Xuejun, YANG Man. Exploring a graded approach framework for smart highway development[J]. China ITS Journal, 2024(8): 30-32. |
| [17] |
SOUMYA A, KRISHNA MOHAN C, CENKERAMADDI L R. Recent advances in mmwave-radar-based sensing, its applications, and machine learning techniques: A review[J/OL]. Sensors, 2023, 23(21): 8901. (2023-11-01)[2025-06-29]. https://doi.org/10.3390/s23218901.
|
| [18] |
ROYO S, BALLESTA-GARCIA M. An overview of LiDAR imaging systems for autonomous vehicles[J/OL]. Applied Sciences, 2019, 9(19): 4093. (2019-09-30)[2025-06-29]. https://doi.org/10.3390/app9194093.
|
| [19] |
WANG C Y, WANG X N, HU H, et al. On the application of cameras used in autonomous vehicles[J].
Archives of Computational Methods in Engineering, 2022, 29(6): 4319-4339.
DOI:10.1007/s11831-022-09741-8 |
| [20] |
BILIK I. Comparative analysis of radar and LiDAR technologies for automotive applications[J].
IEEE Intelligent Transportation Systems Magazine, 2023, 15(1): 244-269.
DOI:10.1109/MITS.2022.3162886 |
| [21] |
STEPHENSON S. Automotive applications of high precision GNSS[D]. Nottingham: University of Nottingham, 2016.
|
| [22] |
HASAN M, MOHAN S B, SHIMIZU T, et al. Securing vehicle-to-everything (V2X) communication platforms[J].
IEEE Transactions on Intelligent Vehicles, 2020, 5(4): 693-713.
DOI:10.1109/TIV.2020.2987430 |
| [23] |
NOOR-A-RAHIM M, LIU Z L, LEE H, et al. 6G for vehicle-to-everything (V2X) communications: Enabling technologies, challenges, and opportunities[J].
Proceedings of the IEEE, 2022, 110(6): 712-734.
DOI:10.1109/JPROC.2022.3173031 |
| [24] |
ZHU L, YU F R, WANG Y G, et al. Big data analytics in intelligent transportation systems: A survey[J].
IEEE Transactions on Intelligent Transportation Systems, 2019, 20(1): 383-398.
DOI:10.1109/TITS.2018.2815678 |
| [25] |
GRIGORESCU S, TRASNEA B, COCIAS T, et al. A survey of deep learning techniques for autonomous driving[J].
Journal of Field Robotics, 2020, 37(3): 362-386.
DOI:10.1002/rob.21918 |
| [26] |
GE Y M, LIU X M, TANG L B, et al. Smart transportation in China and the United States[J].
Center for Technology Innovation, 2017, 20.
|
| [27] |
YAQOOB I, KHAN L U, AHSAN KAZMI S M, et al. Autonomous driving cars in smart cities: Recent advances, requirements, and challenges[J].
IEEE Network, 2019, 34(1): 174-181.
|
| [28] |
ARTHURS P, GILLAM L, KRAUSE P, et al. A taxonomy and survey of edge cloud computing for intelligent transportation systems and connected vehicles[J].
IEEE Transactions on Intelligent Transportation Systems, 2022, 23(7): 6206-6221.
DOI:10.1109/TITS.2021.3084396 |
| [29] |
LIU S S, LIU L K, TANG J, et al. Edge computing for autonomous driving: Opportunities and challenges[J].
Proceedings of the IEEE, 2019, 107(8): 1697-1716.
DOI:10.1109/JPROC.2019.2915983 |
| [30] |
HAM S, IM J, KIM M, et al. Construction and verification of a high-precision base map for an autonomous vehicle monitoring system[J]. ISPRS International Journal of Geo-Information, 2019, 8(11): 501. (2019-11-06)[2025-06-29]. https://doi.org/10.3390/ijgi8110501.
|
| [31] |
XIA X, QIN H L, LU H. High-precision time synchronization of kinematic navigation system using GNSS RTK differential carrier phase time transfer[J/OL]. Measurement, 2021, 176: 109132. (2021-02-10)[2025-06-29]. https://doi.org/10.1016/j.measurement.2021.109132.
|
| [32] |
PEI S C, LEE T Y. Nighttime haze removal using color transfer pre-processing and dark channel prior[C]//Proceedings of 201219th IEEE International Conference on Image Processing. New York: IEEE, 2012: 957-960.
|
| [33] |
WANG W H, WANG A N, LIU C. Variational single nighttime image haze removal with a gray haze-line prior[J].
IEEE Transactions on Image Processing, 2022, 31: 1349-1363.
DOI:10.1109/TIP.2022.3141252 |
| [34] |
LI Y H, GE Z, YU G Y, et al. BEVDepth: Acquisition of reliable depth for multi-view 3D object detection[J].
Proceedings of the AAAI Conference on Artificial Intelligence, 2023, 37(2): 1477-1485.
DOI:10.1609/aaai.v37i2.25233 |
| [35] |
LIU Y F, WANG T C, ZHANG X Y, et al. PETR: Position embedding transformation for multi-view 3D object detection[M].
Computer Vision-ECCV 2022, Cham: Springer, 2022: 531-548.
|
| [36] |
MATURANA D, SCHERER S. 3D convolutional neural networks for landing zone detection from LiDAR[C]//Proceedings of 2015 IEEE International Conference on Robotics and Automation (ICRA). New York: IEEE, 2015: 3471-3478.
|
| [37] |
YANG B, LUO W J, URTASUN R. PIXOR: Real-time 3D object detection from point clouds[C]//Proceedings of 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. New York: IEEE, 2018: 7652-7660.
|
| [38] |
SHI S S, GUO C X, JIANG L, et al. PV-RCNN: Point-voxel feature set abstraction for 3D object detection[C]//Proceedings of 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). New York: IEEE, 2020: 10526-10535.
|
| [39] |
QI C R, YI L, SU H, et al. PointNet++: Deep hierarchical feature learning on point sets in a metric space[C]//Proceedings of 31st Conference on Neural Information Processing Systems (NIPS 2017). New York: Curran Associates, Inc. 2017: 5105-5114.
|
| [40] |
BORSE S, KLINGNER M, KUMAR V R, et al. X-Align: Cross-modal cross-view alignment for bird's-eye-view segmentation[C]//Proceedings of 2023 IEEE/CVF Winter Conference on Applications of Computer Vision (WACV). New York: IEEE, 2023: 3286-3296.
|
| [41] |
LI Y W, YU A W, MENG T J, et al. DeepFusion: LiDAR-camera deep fusion for multi-modal 3D object detection[C]//Proceedings of 2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). New York: IEEE, 2022: 17161-17170.
|
| [42] |
CHEN X Y, ZHANG T Y, WANG Y, et al. FUTR3D: A unified sensor fusion framework for 3D detection[C]//Proceedings of 2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW). New York: IEEE, 2023: 172-181.
|
| [43] |
LIU Z J, TANG H T, AMINI A, et al. BEVFusion: Multi-task multi-sensor fusion with unified bird's-eye view representation[C]//Proceedings of 2023 IEEE International Conference on Robotics and Automation (ICRA). New York: IEEE, 2023: 2774-2781.
|
| [44] |
Milioto A, Vizzo I, Chley J, et al. RangeNet++: Fast and Accurate LiDAR Semantic Segmentation[C]//Proceedings of 2019 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS). New York: IEEE, 2019: 4213-4220.
|
| [45] |
WU B C, WAN A, YUE X Y, et al. SqueezeSeg: Convolutional neural nets with recurrent CRF for real-time road-object segmentation from 3D LiDAR point cloud[C]//Proceedings of 2018 IEEE International Conference on Robotics and Automation (ICRA). New York: IEEE, 2018: 1887-1893.
|
| [46] |
MATURANA D, SCHERER S. VoxNet: A 3D convolutional neural network for real-time object recognition[C]//Proceedings of 2015 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS). New York: IEEE, 2015: 922-928.
|
| [47] |
CHARLES R Q, HAO S, MO K C, et al. PointNet: Deep learning on point sets for 3D classification and segmentation[C]//Proceedings of 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). New York: IEEE, 2017: 77-85.
|
| [48] |
SHELHAMER E, LONG J, DARRELL T. Fully convolutional networks for semantic segmentation[J].
IEEE Transactions on Pattern Analysis and Machine Intelligence, 2017, 39(4): 640-651.
DOI:10.1109/TPAMI.2016.2572683 |
| [49] |
ROMERA E, ÁLVAREZ J M, BERGASA L M, et al. ERFNet: Efficient residual factorized convnet for real-time semantic segmentation[J].
IEEE Transactions on Intelligent Transportation Systems, 2018, 19(1): 263-272.
DOI:10.1109/TITS.2017.2750080 |
| [50] |
KIRILLOV A, GIRSHICK R, HE K M, et al. Panoptic feature pyramid networks[C]//Proceedings of 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). New York: IEEE, 2019: 6392-6401.
|
| [51] |
ZHENG T, FANG H, ZHANG Y, et al. RESA: Recurrent feature-shift aggregator for lane detection[J].
The Thirty-Fifth AAAI Conference on Artificial Intelligence (AAAI-21), 2021, 35(4): 3547-3554.
DOI:10.1609/aaai.v35i4.16469 |
| [52] |
LIU L Z, CHEN X H, ZHU S Y, et al. CondLaneNet: A top-to-down lane detection framework based on conditional convolution[C]//Proceedings of 2021 IEEE/CVF International Conference on Computer Vision (ICCV). New York: IEEE, 2021: 3753-3762.
|
| [53] |
ZHENG T, HUANG Y F, LIU Y, et al. CLRNet: Cross layer refinement network for lane detection[C]//Proceedings of 2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). New York: IEEE, 2022: 888-897.
|
| [54] |
QU Z, JIN H, ZHOU Y, et al. Focus on Local: Detecting Lane marker from bottom up via key point[C]//Proceedings of 2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). New York: IEEE, 2021: 14117-14125.
|
| [55] |
GARNETT N, COHEN R, PE'ER T, et al. 3D-LaneNet: End-to-end 3D multiple lane detection[C]//Proceedings of 2019 IEEE/CVF International Conference on Computer Vision (ICCV). New York: IEEE, 2019: 2921-2930.
|
| [56] |
HUANG S F, SHEN Z W, HUANG Z H, et al. Anchor3DLane: Learning to regress 3D anchors for monocular 3D lane detection[C]//Proceedings of 2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). New York: IEEE, 2023: 17451-17460.
|
| [57] |
COELINGH E, EIDEHALL A, BENGTSSON M. Collision warning with full auto brake and pedestrian detection: A practical example of automatic emergency braking[C]//Proceedings of the 13th International IEEE Conference on Intelligent Transportation Systems. New York: IEEE, 2010: 155-160.
|
| [58] |
NILSSON J, ÖDBLOM A C E, FREDRIKSSON J. Worst-case analysis of automotive collision avoidance systems[J].
IEEE Transactions on Vehicular Technology, 2016, 65(4): 1899-1911.
DOI:10.1109/TVT.2015.2419196 |
| [59] |
CHANG T H, CHOU C J. Rear-end collision warning system on account of a rear-end monitoring camera[C]//Proceedings of 2009 IEEE Intelligent Vehicles Symposium. New York: IEEE, 2009: 913-917.
|
| [60] |
ANNELL S, GRATNER A, SVENSSON L. Probabilistic collision estimation system for autonomous vehicles[C]//Proceedings of 2016 IEEE 19th International Conference on Intelligent Transportation Systems (ITSC). New York: IEEE, 2016: 473-478.
|
| [61] |
RASEKHIPOUR Y, KHAJEPOUR A, CHEN S K, et al. A potential field-based model predictive path-planning controller for autonomous road vehicles[J].
IEEE Transactions on Intelligent Transportation Systems, 2017, 18(5): 1255-1267.
DOI:10.1109/TITS.2016.2604240 |
| [62] |
ZHU Q D, YAN Y J, XING Z Y. Robot path planning based on artificial potential field approach with simulated annealing[C]//Proceedings of Sixth International Conference on Intelligent Systems Design and Applications. New York: IEEE, 2006: 622-627.
|
| [63] |
KHATTAR V, ESKANDARIAN A. Stochastic reachable set threat assessment for autonomous vehiclesusing trust-based driver behavior prediction[J].
SAE International Journal of Connected and Automated Vehicles, 2022, 6(2): 123-137.
DOI:10.4271/12-06-02-0008 |
| [64] |
KATRAKAZAS C, QUDDUS M, CHEN W H, et al. Real-time motion planning methods for autonomous on-road driving: State-of-the-art and future research directions[J].
Transportation Research Part C: Emerging Technologies, 2015, 60: 416-442.
DOI:10.1016/j.trc.2015.09.011 |
| [65] |
CHEN D J, AHN S, CHITTURI M, et al. Towards vehicle automation: Roadway capacity formulation for traffic mixed with regular and automated vehicles[J].
Transportation Research Part B: Methodological, 2017, 100: 196-221.
DOI:10.1016/j.trb.2017.01.017 |
| [66] |
YAN S Y, LIU C L, CAO J. Comfort-based trajectory and velocity planning for automated vehicles considering road conditions[J].
International Journal of Automotive Technology, 2021, 22(4): 883-893.
DOI:10.1007/s12239-021-0080-9 |
| [67] |
WANG P W, DENG H, ZHANG J, et al. Model predictive control for connected vehicle platoon under switching communication topology[J].
IEEE Transactions on Intelligent Transportation Systems, 2022, 23(7): 7817-7830.
DOI:10.1109/TITS.2021.3073012 |
| [68] |
侯凯文. 基于虚拟轨道的自动驾驶车辆管控方法和系统研究[D]. 北京: 北京交通大学. 2020. HOU Kaiwen. Research on control methods and systems for autonomous vehicles based on virtual trajectories[D]. Beijing: Beijing Jiaotong University. 2020. |
| [69] |
黄鹏程, 裴晓飞, 周洪龙, 等. 基于多指标耦合的自动驾驶汽车实时轨迹规划算法[J]. 汽车安全与节能学报, 2023, 14(4): 480-487. HUANG Pengcheng, PEI Xiaofei, ZHOU Honglong, et al. Trajectory planning algorithm of autonomous vehicle based on multi-index coupling[J]. Journal of Automotive Safety and Energy, 2023, 14(4): 480-487. |
| [70] |
陈慧岩, 熊光明, 龚建伟. 无人驾驶车辆理论与设计[M]. 北京: 北京理工大学出版社, 2018: 90-103. CHEN Huiyan, XIONG Guangming, GONG Jianwei. Theory and design of unmanned ground vehicle[M]. Beijing: Beijing Insititute of Technology Press, 2018: 90-103. |
| [71] |
KUWATA Y, TEO J, FIORE G, et al. Real-time motion planning with applications to autonomous urban driving[J].
IEEE Transactions on Control Systems Technology, 2009, 17(5): 1105-1118.
DOI:10.1109/TCST.2008.2012116 |
| [72] |
MA L, XUE J R, KAWABATA K, et al. Efficient sampling-based motion planning for on-road autonomous driving[J].
IEEE Transactions on Intelligent Transportation Systems, 2015, 16(4): 1961-1976.
DOI:10.1109/TITS.2015.2389215 |
| [73] |
LEE K, KUM D. Collision avoidance/mitigation system: motion planning of autonomous vehicle via predictive occupancy map[J].
IEEE Access, 2019, 7: 52846-52857.
DOI:10.1109/ACCESS.2019.2912067 |
| [74] |
WANG P W, WANG Y F, DENG H, et al. Multilane spatiotemporal trajectory optimization method (msttom) for connected vehicles[J/OL]. Journal of Advanced Transportation, 2020, 2020(1): 8819911. (2020-12-15)[2025-06-29]. https://doi.org/10.1155/2020/8819911.
|
| [75] |
袁朝春, 翁烁丰, 何友国, 等. 基于改进人工势场法的路径规划决策一体化算法研究[J]. 农业机械学报, 2019, 50(9): 394-403. YUAN Chaochun, WENG Shuofeng, HE Youguo, et al. Integration algorithm of path planning and decision-making based on improved artificial potential field[J]. Transactions of the Chinese Society for Agricultural Machinery, 2019, 50(9): 394-403. |
| [76] |
修彩靖, 陈慧. 基于改进人工势场法的无人驾驶车辆局部路径规划的研究[J]. 汽车工程, 2013, 35(9): 808-811. XIU Caijing, CHEN Hui. A research on local path planning for autonomous vehicles based on improved APF method[J]. Automotive Engineering, 2013, 35(9): 808-811. |
| [77] |
王安杰, 郑玲, 李以农, 等. 基于预测风险场的智能汽车主动避撞运动规划[J]. 汽车工程, 2021, 43(7): 1096-1104. WANG Anjie, ZHENG Ling, LI Yinong, et al. Motion planning for active collision avoidance of intelligent vehicles based on predictive risk field[J]. Automotive Engineering, 2021, 43(7): 1096-1104. |
| [78] |
SUN L, CHENG P, TOMIZUKA M, et al. A fast integrated planning and control framework for autonomous driving via imitation learning[C]//Proceedings of the ASME 2018 Dynamic Systems and Control Conference. New York: ASME, 2018: 1-11.
|
| [79] |
贺伊琳, 宋若旸, 马建. 基于强化学习DDPG的智能车辆轨迹跟踪控制[J]. 中国公路学报, 2021, 34(11): 335-348. HE Yilin, SONG Ruoyang, MA Jian. Trajectory tracking control of intelligent vehicle based on DDPG method of reinforcement learning[J]. China Journal of Highway and Transport, 2021, 34(11): 335-348. |
| [80] |
PENG B Y, SUN Q, LI S E, et al. End-to-end autonomous driving through dueling double deep q-network[J].
Automotive Innovation, 2021, 4(3): 328-337.
DOI:10.1007/s42154-021-00151-3 |
| [81] |
WU Z, SUN L T, ZHAN W, et al. Efficient sampling-based maximum entropy inverse reinforcement learning with application to autonomous driving[J].
IEEE Robotics and Automation Letters, 2020, 5(4): 5355-5362.
DOI:10.1109/LRA.2020.3005126 |
| [82] |
VERES S M, MOLNAR L, LINCOLN N K, et al. Autonomous vehicle control systems: A review of decision making[J].
Proceedings of the Institution of Mechanical Engineers, Part Ⅰ: Journal of Systems and Control Engineering, 2011, 225(2): 155-195.
|
| [83] |
OMEIZA D, WEBB H, JIROTKA M, et al. Explanations in autonomous driving: A survey[J].
IEEE Transactions on Intelligent Transportation Systems, 2022, 23(8): 10142-10162.
DOI:10.1109/TITS.2021.3122865 |
| [84] |
HU J, LEI M Y, WANG H R, et al. Lane-level navigation based eco-approach[J].
IEEE Transactions on Intelligent Vehicles, 2023, 8(4): 2786-2796.
DOI:10.1109/TIV.2023.3239386 |
| [85] |
MONTEMERLO M, BECKER J, BHAT S, et al. Junior: The Stanford entry in the urban challenge[J].
Journal of Field Robotics, 2008, 25(9): 569-597.
DOI:10.1002/rob.20258 |
| [86] |
AHN H, BERNTORP K, INANI P, et al. Reachability-based decision-making for autonomous driving: Theory and experiments[J].
IEEE Transactions on Control Systems Technology, 2021, 29(5): 1907-1921.
DOI:10.1109/TCST.2020.3022721 |
| [87] |
HANG P, HUANG C, HU Z X, et al. Decision making of connected automated vehicles at an unsignalized roundabout considering personalized driving behaviours[J].
IEEE Transactions on Vehicular Technology, 2021, 70(5): 4051-4064.
DOI:10.1109/TVT.2021.3072676 |
| [88] |
LI L Z, OTA K, DONG M X. Humanlike driving: Empirical decision-making system for autonomous vehicles[J].
IEEE Transactions on Vehicular Technology, 2018, 67(8): 6814-6823.
DOI:10.1109/TVT.2018.2822762 |
| [89] |
HOEL C J, DRIGGS-CAMPBELL K, WOLFF K, et al. Combining planning and deep reinforcement learning in tactical decision making for autonomous driving[J].
IEEE Transactions on Intelligent Vehicles, 2020, 5(2): 294-305.
DOI:10.1109/TIV.2019.2955905 |
| [90] |
RAJAMANI R. Vehicle dynamics and control[M].
New York: Springer, 2011.
|
| [91] |
LIU W, HUA M, DENG Z Y, et al. A systematic survey of control techniques and applications in connected and automated vehicles[J].
IEEE Internet of Things Journal, 2023, 10(24): 21892-21916.
DOI:10.1109/JIOT.2023.3307002 |
| [92] |
CHEN J Y, ZHAN W, TOMIZUKA M. Autonomous driving motion planning with constrained iterative LQR[J].
IEEE Transactions on Intelligent Vehicles, 2019, 4(2): 244-254.
DOI:10.1109/TIV.2019.2904385 |
| [93] |
CHOWDHRI N, FERRANTI L, IRIBARREN F S, et al. Integrated nonlinear model predictive control for automated driving[J/OL]. Control Engineering Practice, 2021, 106: 104654. (2020-10-28)[2025-06-29]. https://doi.org/10.1016/j.conengprac.2020.104654.
|
| [94] |
YANG D, ZHU L L, LIU Y L, et al. A novel car-following control model combining machine learning and kinematics models for automated vehicles[J].
IEEE Transactions on Intelligent Transportation Systems, 2019, 20(6): 1991-2000.
DOI:10.1109/TITS.2018.2854827 |
| [95] |
GANGOPADHYAY B, SOORA H, DASGUPTA P. Hierarchical program-triggered reinforcement learning agents for automated driving[J].
IEEE Transactions on Intelligent Transportation Systems, 2022, 23(8): 10902-10911.
DOI:10.1109/TITS.2021.3096998 |
| [96] |
BACHUTE M R, SUBHEDAR J M. Autonomous driving architectures: insights of machine learning and deep learning algorithms[J/OL]. Machine Learning with Applications, 2021, 6: 100164. (2021-12-15)[2025-06-29]. https://doi.org/10.1016/j.mlwa.2021.100164.
|
| [97] |
ZHANG Z H, YAN X R, WANG H, et al. No more road bullying: An integrated behavioral and motion planner with proactive right-of-way acquisition capability[J/OL]. Transportation Research Part C: Emerging Technologies, 2023, 156: 104363. (2023-10-07)[2025-06-29]. https://doi.org/10.1016/j.trc.2023.104363.
|
| [98] |
CHEN L Q, HE Y, WANG Q, et al. Joint optimization of sensing, decision-making and motion-controlling for autonomous vehicles: A deep reinforcement learning approach[J].
IEEE Transactions on Vehicular Technology, 2022, 71(5): 4642-4654.
DOI:10.1109/TVT.2022.3150793 |
| [99] |
伊笑莹, 芮一康, 冉斌, 等. 车路协同感知技术研究进展及展望[J]. 中国工程科学, 2024, 26(1): 178-189. YI Xiaoying, RUI Yikang, RAN Bin, et al. Vehicle-infrastructure cooperative sensing: Progress and prospect[J]. Strategic Study of CAE, 2024, 26(1): 178-189. |
| [100] |
张新钰, 卢毅果, 高鑫, 等. 面向智能网联汽车的车路协同感知技术及发展趋势[J]. 自动化学报, 2025, 51(2): 233-248. ZHANG Xinyu, LU Yiguo, GAO Xin, et al. Vehicle-road collaborative perception technology and development trend for intelligent connected vehicles[J]. Acta Automatica Sinica, 2025, 51(2): 233-248. |
| [101] |
QIAO D H, ZULKERNINE F. Adaptive feature fusion for cooperative perception using LiDAR point clouds[C]//Proceedings of 2023 IEEE/CVF Winter Conference on Applications of Computer Vision (WACV). New York: IEEE, 2023: 1186-1195.
|
| [102] |
ZHANG M J, LIANG H W, ZHOU P F. UGV-UAV cooperative 3D multi-object tracking based on multi-source data fusion[C]//Proceedings of 2023 IEEE International Conference on Unmanned Systems (ICUS). New York: IEEE, 2023: 853-858.
|
| [103] |
丁飞, 张楠, 李升波, 等. 智能网联车路云协同系统架构与关键技术研究综述[J]. 自动化学报, 2022, 48(12): 2863-2885. DING Fei, ZHANG Nan, LI Shengbo, et al. A survey of architecture and key technologies of intelligent connected vehicle-road-cloud cooperation system[J]. Acta Automatica Sinica, 2022, 48(12): 2863-2885. |
| [104] |
DEGRANDE T, VAN DEN EYNDE S, VANNIEUWENBORG F, et al. C-ITS road-side unit deployment on highways with its road-side systems: A Techno-economic approach[J].
IET Intelligent Transport Systems, 2021, 15(7): 863-874.
DOI:10.1049/itr2.12065 |
| [105] |
HAMMAD A A, TODD T D, KARAKOSTAS G, et al. Downlink traffic scheduling in green vehicular roadside infrastructure[J].
IEEE Transactions on Vehicular Technology, 2013, 62(3): 1289-1302.
DOI:10.1109/TVT.2012.2227071 |
| [106] |
TRULLOLS O, FIORE M, CASETTI C, et al. Planning roadside infrastructure for information dissemination in intelligent transportation systems[J].
Computer Communications, 2010, 33(4): 432-442.
DOI:10.1016/j.comcom.2009.11.021 |
| [107] |
LIANG Y Y, ZHANG S, WANG Y H. Data-driven road side unit location optimization for connected-autonomous-vehicle-based intersection control[J/OL]. Transportation Research Part C: Emerging Technologies, 2021, 128: 103169. (2021-05-28)[2025-06-29]. https://doi.org/10.1016/j.trc.2021.103169.
|
| [108] |
OLIA A, ABDELGAWAD H, ABDULHAI B, et al. Optimizing the number and locations of freeway roadside equipment units for travel time estimation in a connected vehicle environment[J].
Journal of Intelligent Transportation Systems, 2017, 21(4): 296-309.
DOI:10.1080/15472450.2017.1332524 |
| [109] |
WANG P, LU Y F, CHEN N, et al. Research on the optimal deployment of expressway roadside units under the fusion perception of intelligent connected vehicles[J/OL]. Applied Sciences-Basel, 2023, 13(15): 8878. (2023-08-01)[2025-06-29]. https://doi.org/10.3390/app13158878.
|
| [110] |
MEHAR S, SENOUCI S M, KIES A, et al. An optimized roadside units (RSU) placement for delay-sensitive applications in vehicular networks[C]//Proceedings of the 12th Annual IEEE Consumer Communications and Networking Conference (CCNC). New York: IEEE, 2015: 121-127.
|
| [111] |
ZHANG L Y, WANG L, ZHANG L L, et al. An RSU deployment scheme for vehicle-infrastructure cooperated autonomous driving[J/OL]. Sustainability, 2023, 15(4): 3847. (2023-02-20)[2025-06-29]. https://doi.org/10.3390/su15043847.
|
| [112] |
CHEN L, WANG J F, WANG J, et al. A wireless localization algorithm with BPNN-MEA-QPSO for connected vehicle[J].
IEEE Intelligent Transportation Systems Magazine, 2019, 11(2): 96-109.
DOI:10.1109/MITS.2019.2903433 |
| [113] |
清华大学智能产业研究院, 百度Apollo. 面向自动驾驶的车路协同关键技术与展望2.0[ EB/OL]. (2022-12-23)[2025-06-29]. https://www.apollo.auto/apollo-air. Tsinghua University Intelligent Industry Research Institute, Baidu Apollo. Key technologies and developing prospect of vehicle infrastructure cooperated autonomous driving (VICAD)2.0[EB/OL]. (2022-12-23)[2025-06-29]. https://www.apollo.auto/apollo-air. |
| [114] |
华为. 什么是路网数字化服务[EB/OL]. (2025-06-30)[2025-08-22]. https://support.huawei.com/enterprise/zh/doc/EDOC1100297194/51b5f946. Huawei. Road network automation services[EB/OL]. (2025-06-30)[2025-08-22]. https://support.huawei.com/enterprise/zh/doc/EDOC1100297194/51b5f946. |
| [115] |
GHAFOOR K Z, GUIZANI M, KONG L H, et al. Enabling efficient coexistence of DSRC and C-V2X in vehicular networks[J].
IEEE Wireless Communications, 2020, 27(2): 134-140.
DOI:10.1109/MWC.001.1900219 |
| [116] |
GANESAN K, LOHR J, MALLICK P B, et al. NR sidelink design overview for advanced V2X service[J].
IEEE Internet of Things Magazine, 2020, 3(1): 26-30.
DOI:10.1109/IOTM.0001.1900071 |
| [117] |
ABBOUD K, OMAR H A, ZHUANG W H. Interworking of DSRC and cellular network technologies for V2X communications: A Survey[J].
IEEE Transactions on Vehicular Technology, 2016, 65(12): 9457-9470.
DOI:10.1109/TVT.2016.2591558 |
| [118] |
中国信息通信研究院. C-V2X车联网技术发展与产业实践白皮书[R/OL]. (2022-12-11)[2025-06-29]. https://www.china-cic.cn/upload/202212/11/336cb372567c4013964be4ef7d639d6b.pdf. China Academy of Information and Communications Technology. White paper on the development and industry practices of C-V2X technology[R/OL]. (2022-12-11)[2025-06-29]. https://www.china-cic.cn/upload/202212/11/336cb372567c4013964be4ef7d639d6b.pdf. |
| [119] |
NING Z L, DONG P R, WANG X J, et al. Deep reinforcement learning for intelligent internet of vehicles: An energy-efficient computational offloading scheme[J].
IEEE Transactions on Cognitive Communications and Networking, 2019, 5(4): 1060-1072.
DOI:10.1109/TCCN.2019.2930521 |
| [120] |
TANG C G, WEI X L, ZHU C S, et al. Mobile vehicles as fog nodes for latency optimization in smart cities[J].
IEEE Transactions on Vehicular Technology, 2020, 69(9): 9364-9375.
DOI:10.1109/TVT.2020.2970763 |
| [121] |
JIA D Y, NGODUY D. Enhanced cooperative car-following traffic model with the combination of V2V and V2I communication[J].
Transportation Research Part B: Methodological, 2016, 90: 172-191.
DOI:10.1016/j.trb.2016.03.008 |
| [122] |
SUN K K, WU J, PAN Q Q, et al. Leveraging digital twin and DRL for collaborative context offloading in C-V2X autonomous driving[J].
IEEE Transactions on Vehicular Technology, 2024, 73(4): 5020-5035.
DOI:10.1109/TVT.2023.3333243 |
| [123] |
LIU Y C, TIAN J J, MA C Y, et al. Who2com: Collaborative perception via learnable handshake communication[C]//Proceedings of 2020 IEEE International Conference on Robotics and Automation (ICRA). New York: IEEE, 2020: 6876-6883.
|
| [124] |
LIU Y C, TIAN J J, GLASER N, et al. When2com: Multi-agent perception via communication graph grouping[C]//Proceedings of 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). New York: IEEE, 2020: 4105-4114.
|
| [125] |
DONG J Y, GAO S T, LU H J, et al. Joint optimization of resource allocation and tasks scheduling in network slicing enabled internet of vehicles[C]//Proceedings of 2022 IEEE 8th International Conference on Computer and Communications (ICCC). New York: IEEE, 2022: 552-556.
|
| [126] |
SONG C X, HAN B, JIN X L, et al. AI-driven multipath transmission: Empowering UAV-based live streaming[J].
IEEE Network, 2024, 38(2): 202-210.
DOI:10.1109/MNET.2023.3321521 |
| [127] |
LIN Z J, LIN Y H, YANG J J, et al. Energy-efficient joint resource allocation and computation offloading in NOMA-enabled vehicular fog computing[J].
Mobile Networks and Applications, 2024, 29(5): 1564-1576.
DOI:10.1007/s11036-023-02265-w |
| [128] |
SHAO C X, CHENG F X, XIAO J Z, et al. Vehicular intelligent collaborative intersection driving decision algorithm in internet of vehicles[J].
Future Generation Computer Systems, 2023, 145: 384-395.
DOI:10.1016/j.future.2023.03.038 |
| [129] |
IBN-KHEDHER H, LAROUI M, MOUNGLA H, et al. Next-generation edge computing assisted autonomous driving based artificial intelligence algorithms[J].
IEEE Access, 2022, 10: 53987-54001.
DOI:10.1109/ACCESS.2022.3174548 |
| [130] |
GAO C, WANG G, SHI W, et al. Autonomous driving security: State of the art and challenges[J].
IEEE Internet of Things Journal, 2021, 9(10): 7572-7595.
|
| [131] |
QIU H, QIU M, LU R. Secure V2X communication network based on intelligent PKI and edge computing[J].
IEEE Network, 2019, 34(2): 172-178.
|
| [132] |
TAMBAWAL A B, NOOR R M, SALLEH R, et al. Time division multiple access scheduling strategies for emerging vehicular ad hoc network medium access control protocols: A survey[J].
Telecommunication Systems, 2019, 70(4): 595-616.
DOI:10.1007/s11235-018-00542-8 |
| [133] |
SUN J F, TAO J Y, ZHANG H, et al. A tamper-resistant broadcasting scheme for secure communication in internet of autonomous vehicles[J].
IEEE Transactions on Intelligent Transportation Systems, 2024, 25(3): 2837-2846.
DOI:10.1109/TITS.2023.3265403 |
| [134] |
XIAO J E, LIU Y, ZOU Y, et al. An efficient elliptic curve cryptography-based secure communication with privacy preserving for autonomous vehicle[J/OL]. Journal of Advanced Transportation, 2024, 2024(1): 5808088. (2024-06-06)[2025-06-29]. https://doi.org/10.1155/2024/5808088.
|
| [135] |
XU Q C, ZHAO L F, SU Z, et al. Secure federated learning in quantum autonomous vehicular networks[J].
IEEE Network, 2023, 37(6): 240-247.
DOI:10.1109/MNET.134.2200619 |
| [136] |
YANG C Y, CHEN Y T, TIAN H, et al. Bevformer v2: Adapting modern image backbones to bird's-eye-view recognition via perspective supervision[C]//Proceedings of 2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). New York: IEEE, 2023: 17830-17839.
|
| [137] |
FU Y C, LI C L, YU F R, et al. An incentive mechanism of incorporating supervision game for federated learning in autonomous driving[J].
IEEE Transactions on Intelligent Transportation Systems, 2023, 24(12): 14800-14812.
DOI:10.1109/TITS.2023.3297996 |
| [138] |
AL-HAWAWREH M, HOSSAIN M S. Federated learning-assisted distributed intrusion detection using mesh satellite nets for autonomous vehicle protection[J].
IEEE Transactions on Consumer Electronics, 2024, 70(1): 854-862.
DOI:10.1109/TCE.2023.3318727 |
| [139] |
孙昕, 齐志峰. 车路协同网络安全浅析[J]. 公路交通科技, 2020, 37(增1): 142-146. SUN Xin, QI Zhifeng. Analysis on cyber security of vehicle-infrastructure cooperation[J]. Journal of Highway and Transportation Research and Development, 2020, 37(S1): 142-146. |
| [140] |
王超, 李强. 基于身份认证的车路协同安全信任系统[J]. 智能建筑与智慧城市, 2022(7): 6-8. WANG Chao, LI Qiang. Vehicle road cooperative security trust system based on identity authentication[J]. Intelligent Building & Smart City, 2022(7): 6-8. |
| [141] |
黄明浩, 王雍, 李强, 等. 车联网路侧系统信息安全机制与技术[J]. 通信技术, 2023, 56(1): 82-88. HUANG Minghao, WANG Yong, LI Qiang, et al. Information security mechanism and technology of roadside system in internet of vehicles[J]. Communications Technology, 2023, 56(1): 82-88. |
| [142] |
ALI I, GERVAIS M, AHENE E, et al. A blockchain-based certificateless public key signature scheme for vehicle-to-infrastructure communication in VANETs [J/OL]. Journal of Systems Architecture, 2019, 99: 101636. (2019-08-21)[2025-06-29]. https://doi.org/10.1016/j.sysarc.2019.101636.
|
| [143] |
RAFIQUE W, KHAN M, ZHAO X, et al. A blockchain-based framework for information security in intelligent transportation systems[C]//Proceedings of Intelligent Technologies and Applications. Singapore: Springer, 2020: 53-66.
|
| [144] |
CASTIGLIONE A, PALMIERI F, COLACE F, et al. Securing the internet of vehicles through lightweight block ciphers[J].
Pattern Recognition Letters, 2020, 135: 264-270.
DOI:10.1016/j.patrec.2020.04.038 |
| [145] |
王庞伟, 何昕泽, 张龙, 等. 智能网联环境下城市道路多源交通数据补全方法[J]. 中国公路学报, 2025, 38(1): 281-293. WANG Pangwei, HE Xinze, ZHANG Long, et al. Multisource traffic data completion method for urban roads in intelligent connected scenarios[J]. China Journal of Highway and Transport, 2025, 38(1): 281-293. |
| [146] |
LI Q, BAO Y, LI Y N. Research on vehicle information security based on AES algorithm[J].
Scientific Journal of Intelligent Systems Research, 2023, 5(4): 108-114.
|
| [147] |
HE Y J, KONG M L, DU C S, et al. Communication security analysis of intelligent transportation system using 5G internet of things from the perspective of big data[J].
IEEE Transactions on Intelligent Transportation Systems, 2023, 24(2): 2199-2207.
|
| [148] |
俞建业, 戚湧, 王宝茁. 基于Spark的车联网分布式组合深度学习入侵检测方法[J]. 计算机科学, 2021, 48(增1): 518-523. YU Jianye, QI Yong, WANG Baozhuo. Distributed combination deep learning intrusion detection method for internet of vehicles based on spark[J]. Computer Science, 2021, 48(S1): 518-523. |
| [149] |
ULLAH S, KHAN M A, AHMAD J, et al. HDL-IDS: A hybrid deep learning architecture for intrusion detection in the internet of vehicles[J/OL]. Sensors, 2022, 22(4): 1340. (2022-02-08)[2025-06-29]. https://doi.org/10.3390/s22041340.
|
| [150] |
ZHAO Z Q, WANG Z R, HAN K, et al. Personalized car following for autonomous driving with inverse reinforcement learning[C]//Proceedings of 2022 International Conference on Robotics and Automation (ICRA). New York: IEEE, 2022: 2891-2897.
|
| [151] |
孔国杰, 冯时, 于会龙, 等. 无人集群系统协同运动规划技术综述[J]. 兵工学报, 2023, 44(1): 11-26. KONG Guojie, FENG Shi, YU Huilong, et al. A review on cooperative motion planning of unmanned vehicles[J]. Acta Armamentarii, 2023, 44(1): 11-26. |
| [152] |
YUAN M F, SHAN J J, MI K. Deep reinforcement learning based game-theoretic decision-making for autonomous vehicles[J].
IEEE Robotics and Automation Letters, 2022, 7(2): 818-825.
DOI:10.1109/LRA.2021.3134249 |
| [153] |
FAJARDO D, AU T C, WALLER S T, et al. Automated intersection control[J].
Transportation Research Record: Journal of the Transportation Research Board, 2011, 2259(1): 223-232.
DOI:10.3141/2259-21 |
| [154] |
FAYAZI S A, VAHIDI A. Mixed-integer linear programming for optimal scheduling of autonomous vehicle intersection crossing[J].
IEEE Transactions on Intelligent Vehicles, 2018, 3(3): 287-299.
DOI:10.1109/TIV.2018.2843163 |
| [155] |
XU H L, ZHANG Y, LI L, et al. Cooperative driving at unsignalized intersections using tree search[J].
IEEE Transactions on Intelligent Transportation Systems, 2020, 21(11): 4563-4571.
DOI:10.1109/TITS.2019.2940641 |
| [156] |
刘坤, 郑晓帅, 林业茗, 等. 基于微分博弈的追逃问题最优策略设计[J]. 自动化学报, 2021, 47(8): 1840-1854. LIU Kun, ZHENG Xiaoshuai, LIN Yeming, et al. Design of optimal strategies for the pursuit-evasion problem based on differential game[J]. Acta Automatica Sinica, 2021, 47(8): 1840-1854. |
| [157] |
LI J C, RAN M P, XIE L H. Efficient trajectory planning for multiple non-holonomic mobile robots via prioritized trajectory optimization[J].
IEEE Robotics and Automation Letters, 2021, 6(2): 405-412.
DOI:10.1109/LRA.2020.3044834 |
| [158] |
QU X B, WANG S A. Communications in transportation research: Vision and scope[J/OL]. Communications in Transportation Research, 2021, 1: 100001. (2021-08-23)[2025-06-29]. https://doi.org/10.1016/j.commtr.2021.100001.
|
| [159] |
MALIKOPOULOS A A, CASSANDRAS C G, ZHANG Y J. A decentralized energy-optimal control framework for connected automated vehicles at signal-free intersections[J].
Automatica, 2018, 93: 244-256.
DOI:10.1016/j.automatica.2018.03.056 |
| [160] |
WANG Z, ZHAO X M, CHEN Z W, et al. A dynamic cooperative lane-changing model for connected and autonomous vehicles with possible accelerations of a preceding vehicle[J]. Expert Systems with Applications, 2021, 173: 114675. (2021-07-01)[2025-06-29]. https://doi.org/10.1016/j.eswa.2021.114675.
|
| [161] |
柏海舰, 申剑峰, 卫立阳. 无人车"三阶段" 换道轨迹规划过程分析[J]. 合肥工业大学学报(自然科学版), 2019, 42(5): 577-584, 676. BAI Haijian, SHEN Jianfeng, WEI Liyang. Three-stage lane-changing trajectory planning method for automated vehicles[J]. Journal of Hefei University of Technology (Natural Science), 2019, 42(5): 577-584, 676. |
| [162] |
ORIOL L, MARTÍNEZ-DÍAZ M, MOODE S N, et al. Platooning of connected automated vehicles on freeways: A microsimulation approach[J/OL]. Transportmetrica B: Transport Dynamics, 2024, 12(1): 2360543. (2024-06-03)[2025-06-29]. https://doi.org/10.1080/21680566.2024.2360543.
|
| [163] |
GAO H, YEN C C, ZHANG M. DRL based platooning control with traffic signal synchronization for delay and fuel optimization[J/OL]. Transportation Research Part C: Emerging Technologies, 2024, 163: 104655. (2024-05-17)[2025-06-29]. https://doi.org/10.1016/j.trc.2024.104655.
|
| [164] |
ZHANG P Y, TIAN D X, ZHOU J S, et al. Efficient robust control of mixed platoon for improving fuel economy and ride comfort[J].
IEEE Transactions on Vehicular Technology, 2024, 73(9): 12542-12555.
DOI:10.1109/TVT.2024.3390224 |
| [165] |
CHEN D, HAJIDAVALLOO M R, LI Z J, et al. Deep multi-agent reinforcement learning for highway on-ramp merging in mixed traffic[J].
IEEE Transactions on Intelligent Transportation Systems, 2023, 24(11): 11623-11638.
DOI:10.1109/TITS.2023.3285442 |
| [166] |
LIU H J, ZHUANG W C, YIN G D, et al. Safety-critical and flexible cooperative on-ramp merging control of connected and automated vehicles in mixed traffic[J].
IEEE Transactions on Intelligent Transportation Systems, 2023, 24(3): 2920-2934.
DOI:10.1109/TITS.2022.3224592 |
| [167] |
SHI J, LI K Q, CHEN C Y, et al. Cooperative merging strategy in mixed traffic based on optimal final-state phase diagram with flexible highway merging points[J].
IEEE Transactions on Intelligent Transportation Systems, 2023, 24(10): 11185-11197.
DOI:10.1109/TITS.2023.3274583 |
| [168] |
HÄFNER B, BAJPAI V, OTT J, et al. A survey on cooperative architectures and maneuvers for connected and automated vehicles[J].
IEEE Communications Surveys & Tutorials, 2022, 24(1): 380-403.
|
| [169] |
ZHAI C J, CHEN C Q, ZHENG X L, et al. Ecological cooperative adaptive cruise control for heterogenous vehicle platoons subject to time delays and input saturations[J].
IEEE Transactions on Intelligent Transportation Systems, 2023, 24(3): 2862-2873.
DOI:10.1109/TITS.2022.3222324 |
| [170] |
ALMEIDA GODINHO D, ALVES NETO A, MOZELLI L A, et al. A strategy for traffic safety of vehicular platoons under connection loss and time-delay[J].
IEEE Transactions on Intelligent Transportation Systems, 2023, 24(6): 6627-6638.
DOI:10.1109/TITS.2023.3258633 |
| [171] |
WANG Z R, HAN K, TIWARI P. Digital twin-assisted cooperative driving at non-signalized intersections[J].
IEEE Transactions on Intelligent Vehicles, 2022, 7(2): 198-209.
DOI:10.1109/TIV.2021.3100465 |
| [172] |
WANG J W, MA F W, YANG Y, et al. Adaptive event-triggered platoon control under unreliable communication links[J].
IEEE Transactions on Intelligent Transportation Systems, 2022, 23(3): 1924-1935.
DOI:10.1109/TITS.2020.3030016 |
| [173] |
WANG J W, MA F W, WU L, et al. Hybrid adaptive event-triggered platoon control with package dropout[J].
Automotive Innovation, 2022, 5(4): 347-358.
DOI:10.1007/s42154-022-00193-1 |
| [174] |
CHANDRASEKARAN J, LEI Y, KACKER R, et al. A combinatorial approach to testing deep neural network-based autonomous driving systems[C]//Proceedings of 2021 IEEE International Conference on Software Testing, Verification and Validation Workshops (ICSTW). New York: IEEE, 2021: 57-66.
|
| [175] |
CHITTA K, PRAKASH A, JAEGER B, et al. TransFuser: Imitation with transformer-based sensor fusion for autonomous driving[J].
IEEE Transactions on Pattern Analysis and Machine Intelligence, 2023, 45(11): 12878-12895.
DOI:10.1109/TPAMI.2022.3200245 |
| [176] |
SHAO H, WANG L T, CHEN R B, et al. Safety-enhanced autonomous driving using interpretable sensor fusion transformer[C]//Proceedings of the 6th Conference on Robot Learning (CoRL 2022). New York: MLResearch Press, 2023: 726-737.
|
| [177] |
WU P, JIA X, CHEN L, et al. Trajectory-guided control prediction for end-to-end autonomous driving: A simple yet strong baseline[J].
Advances in Neural Information Processing Systems, 2022, 35: 6119-6132.
|
| [178] |
赵祥模国家重点研发计划团队. 自动驾驶测试与评价技术研究进展[J]. 交通运输工程学报, 2023, 23(6): 10-77. ZHAO Xiangmo's team supported by the national key research and development program of China. Research progress in testing and evaluation technologies for autonomous driving[J]. Journal of Traffic and Transportation Engineering, 2023, 23(6): 10-77. |
| [179] |
GAO F, DUAN J L, HAN Z D, et al. Automatic virtual test technology for intelligent driving systems considering both coverage and efficiency[J].
IEEE Transactions on Vehicular Technology, 2020, 69(12): 14365-14376.
DOI:10.1109/TVT.2020.3033565 |
| [180] |
邓晓峰, 王润民, 徐志刚, 等. 我国智能网联汽车测试及示范基地发展现状[J]. 汽车工业研究, 2019(1): 6-13. DENG Xiaofeng, WANG Runmin, XU Zhigang, et al. Development status of intelligent networked automobile testing and demonstration base in China[J]. Auto Industry Research, 2019(1): 6-13. |
| [181] |
孙航, 李志军, 张琳琳, 等. 基于OEDR和ODC的自动驾驶汽车实际道路测试评价技术研究[J]. 汽车工程, 2022, 44(6): 842-850. SUN Hang, LI Zhijun, ZHANG Linlin, et al. Research on the test and evaluation technique of real roads for automated driving vehicles based on OEDR and ODC[J]. Automotive Engineering, 2022, 44(6): 842-850. |
| [182] |
JIN T, GONG Y Q, WEI C Y. Vehicle dynamics modeling based on vortex[J].
Applied Mechanics and Materials, 2014, 624: 289-292.
DOI:10.4028/www.scientific.net/AMM.624.289 |
| [183] |
LI G F, QIU Y F, YANG Y F, et al. Lane change strategies for autonomous vehicles: A deep reinforcement learning approach based on transformer[J].
IEEE Transactions on Intelligent Vehicles, 2023, 8(3): 2197-2211.
DOI:10.1109/TIV.2022.3227921 |
| [184] |
FENG S, FENG Y H, SUN H W, et al. Testing scenario library generation for connected and automated vehicles, Part Ⅱ: Case studies[J].
IEEE Transactions on Intelligent Transportation Systems, 2021, 22(9): 5635-5647.
DOI:10.1109/TITS.2020.2988309 |
| [185] |
FENG S, YAN X T, SUN H W, et al. Intelligent driving intelligence test for autonomous vehicles with naturalistic and adversarial environment[J/OL]. Nature Communications, 2021, 12: 748. (2021-02-02)[2025-06-29]. https://doi.org/10.1038/s41467-021-21007-8.
|
| [186] |
LIU G J, HU Y, XU C X, et al. Toward collaborative autonomous driving: Simulation platform and end-to-end system[J].
IEEE Transactions on Pattern Analysis and Machine Intelligence, 2025, 47(8): 6566-6584.
DOI:10.1109/TPAMI.2025.3560327 |
| [187] |
中华人民共和国工业和信息化部, 中华人民共和国公安部, 中华人民共和国交通运输部. 智能网联汽车道路测试管理规范(试行)[Z]. 2018-04-03. Ministry of Industry and Information Technology of the People's Republic of China, Ministry of Public Security of the People's Republic of China. Ministry of Transport of the People's Republic of China. Specification for road measurement management of intelligent connected vehicles (Trial)[Z]. 2018-04-03. |
| [188] |
中华人民共和国交通运输部办公厅. 自动驾驶封闭测试场地建设技术指南(暂行)[S]. 2018-05-22. General Office of the Ministry of Transport of the People's Republic of China. Technical guide for the construction of automatic driving closed test site (Provisional)[S]. 2018-05-22. |
| [189] |
刘天洋, 余卓平, 熊璐, 等. 智能网联汽车试验场发展现状与建设建议[J]. 汽车技术, 2017(1): 7-11, 32. LIU Tianyang, YU Zhuoping, XIONG Lu, et al. Current development status and construction advice for proving ground of intelligent and connected vehicles[J]. Automobile Technology, 2017(1): 7-11, 32. |
| [190] |
DU Z B, XIE H, WEI W Y. System architecture and key technologies of internet of vehicles pilot area[C]//Proceedings of 2022 IEEE International Conference on Real-time Computing and Robotics (RCAR). New York: IEEE, 2022: 462-468.
|
| [191] |
GIBSON T. Virginia's smart road: Where researchers make the extreme weather[J].
Weatherwise, 2015, 68(4): 20-27.
DOI:10.1080/00431672.2015.1045367 |
| [192] |
HARRIS M. Documents confirm Apple is building self-driving car[J].
The Guardian, 2015, 14(8): 1-3.
|
| [193] |
于洪峰, 王裕鹏, 华典, 等. 基于摄像头在环的HIL仿真测试与研究[J]. 汽车电器, 2019(12): 4-7. YU Hongfeng, WANG Yupeng, HUA Dian, et al. Camera ADAS HIL simulationand study[J]. Auto Electric Parts, 2019(12): 4-7. |
| [194] |
赵祥模, 承靖钧, 徐志刚, 等. 基于整车在环仿真的自动驾驶汽车室内快速测试平台[J]. 中国公路学报, 2019, 32(6): 124-136. ZHAO Xiangmo, CHENG Jingjun, XU Zhigang, et al. An indoor rapid-testing platform for autonomous vehicle based on vehicle-in-the-loop simulation[J]. China Journal of Highway and Transport, 2019, 32(6): 124-136. |
| [195] |
冷丙波. 基于EA的汽车制造行业信息系统集成应用研究[D]. 沈阳: 沈阳师范大学, 2013. LENG Bingbo. The automobile manufacturing industry information system integration application research based on EA[D]. Shenyang: Shenyang Normal University, 2013. |
| [196] |
XIA Q, DUAN J L, GAO F, et al. Test scenario design for intelligent driving system ensuring coverage and effectiveness[J].
International Journal of Automotive Technology, 2018, 19(4): 751-758.
DOI:10.1007/s12239-018-0072-6 |
| [197] |
LIU Y K, HANSEN J H L. Towards complexity level classification of driving scenarios using environmental information[C]//Proceedings of 2019 IEEE Intelligent Transportation Systems Conference (ITSC). New York: IEEE, 2019: 810-815.
|
| [198] |
COVER T M, THOMAS J A. Elements of information theory[M].
New York: John Wiley & Sons, 2005.
|
| [199] |
CHEN B M, CHEN X, WU Q, et al. Adversarial evaluation of autonomous vehicles in lane-change scenarios[J].
IEEE Transactions on Intelligent Transportation Systems, 2022, 23(8): 10333-10342.
DOI:10.1109/TITS.2021.3091477 |
| [200] |
蒙昊蓝, 陈君毅, 邢星宇, 等. 汽车乘员不舒适感的客观表征研究[J]. 同济大学学报(自然科学版), 2019, 47(增1): 54-63. MENG Haolan, CHEN Junyi, XING Xingyu, et al. Study on objective representation of passenger discomfort[J]. Journal of Tongji University (Natural Science), 2019, 47(S1): 54-63. |
| [201] |
PAN A, ZHANG X, IRYO-ASANO M, et al. Efficiency and safety evaluation of left-turn vehicles and crossing pedestrians in signalized intersections under the autonomous vehicle mixed flow condition[J].
International Journal of Intelligent Transportation Systems Research, 2022, 20(1): 103-116.
DOI:10.1007/s13177-021-00276-z |
| [202] |
LI L, HUANG W L, LIU Y H, et al. Intelligence testing for autonomous vehicles: A new approach[J].
IEEE Transactions on Intelligent Vehicles, 2016, 1(2): 158-166.
DOI:10.1109/TIV.2016.2608003 |
| [203] |
WEI J Q, DOLAN J M, LITKOUHI B. Autonomous vehicle social behavior for highway entrance ramp management[C]//Proceedings of 2013 IEEE Intelligent Vehicles Symposium (IV). New York: IEEE, 2013: 201-207.
|
| [204] |
LETTER C, ELEFTERIADOU L. Efficient control of fully automated connected vehicles at freeway merge segments[J].
Tran sportation Research Part C: Emerging Technologies, 2017, 80: 190-205.
DOI:10.1016/j.trc.2017.04.015 |
| [205] |
NTOUSAKIS I A, NIKOLOS I K, PAPAGEORGIOU M. Optimal vehicle trajectory planning in the context of cooperative merging on highways[J].
Transportation Research Part C: Emerging Technologies, 2016, 71: 464-488.
DOI:10.1016/j.trc.2016.08.007 |
| [206] |
胡逸.无人驾驶出租车: 技术创新与社会挑战并行[EB/OL].(2023-09-12)[2025-06-29].https://news.sciencenet.cn/htmlnews/2023/9/508326.shtm. HU Yi. Driverless taxis: Technological innovation and social challenges in parallel[EB/OL]. (2023-09-12)[2025-06-29]. https://news.sciencenet.cn/htmlnews/2023/9/508326.shtm. |
| [207] |
杨萌萌, 栾楚禹, 申杨柳, 等. 美国自动驾驶车辆运营实践及政策研究[J]. 汽车与配件, 2025(20): 37-39. YANG Mengmeng, LUAN Chuyu, SHEN Yangliu, et al. Research on the deployment and governance of automated vehicles in the United States[J]. Automobile & Parts, 2025(20): 37-39. |
| [208] |
冯聪, 付鹏月, 尹诗龙, 等. 露天矿无人驾驶矿卡发展现状及展望[J]. 重型汽车, 2023(5): 45-46. FENG Cong, FU Pengyue, YIN Shilong, et al. Development status and prospect of unmanned mine card in open pit mine[J]. Heavy Truck, 2023(5): 45-46. |
| [209] |
张伦, 高振飞, 白仁喜. 露天煤矿矿卡无人驾驶系统安全技术方法研究[J]. 工矿自动化, 2023, 49(增2): 115-117, 121. ZHANG Lun, GAO Zhenfei, BAI Renxi. Research on safety technology method of mine truck unmanned driving system in open-pit coal mine[J]. Industry and Mine Automation, 2023, 49(S2): 115-117, 121. |
| [210] |
于海旭, 杜志勇, 魏志丹, 等. 我国矿区无人驾驶技术现状与发展趋势分析[J]. 工矿自动化, 2022, 48(增2): 82-87. YU Haixu, DU Zhiyong, WEI Zhidan, et al. Analysis on the current situation and development trend of unmanned driving technology in mining areas in China[J]. Industry and Mine Automation, 2022, 48(S2): 82-87. |
| [211] |
王旭. 浅谈"5G+MEC无人驾驶矿车" 工业互联网应用案例[J]. 长江信息通信, 2024, 37(5): 22-24. WANG Xu. Briefly introduce industrial internet application case of "5G+MEC pilotless mining vehicle"[J]. Changjiang Information & Communications, 2024, 37(5): 22-24. |