0 引言

交通安全问题一直是人类可持续发展过程面临的重要挑战。据世界卫生组织报道，每年约有119万人因道路交通事故丧生，以及2 000~5 000万人受到非致命伤害^[1]。近几年中国相关调查数据表明，每年发生交通事故高达数十万起，年均造成6万人死亡、直接经济损失数十亿元，给个人、家庭及社会带来巨大损失^[2]。2019年中共中央国务院印发《交通强国建设纲要》，提出要全面建成人民满意、保障有力、世界前列的交通强国。截至2024年底，中国公路通车里程达549.04万公里，其中农村公路总里程464.37万公里，占公路总里程的84.6%；高速公路19.07万公里，规模稳居世界第一，但面临更为严峻的交通安全问题^[3]。以2024年交通事故死亡人数为61 703人^[4]，解决公路交通安全问题迫在眉睫。

为应对公路网在交通安全、运行效率、服务水平、管理能力等方面面临的诸多挑战，顺应智慧交通飞速发展趋势，建设智慧公路已成为必然选择^[5]。智慧公路是指综合运用大数据、云计算、物联网、人工智能等信息技术以及智能装备、新材料、新能源等工程技术，具有全域感知、泛在互联、融合计算、自主决策、智能协同、服务触达等能力，实现建设、运营、养护、服务全寿命期智慧化的新一代公路系统^[6]。

智慧公路是未来公路重要发展方向和优先发展领域。为此，世界各国争相开展技术研发与成果应用。美国IntelliDrive项目开发了一套通过建立机动车、道路基础设施及行人携带的无线设备之间的互联通讯机制技术和应用设备，以增强道路交通安全，提升出行便利，减少环境污染。欧洲Easyway项目的首要目标便是提高道路安全水平，通过部署动态车道管理、速度动态控制、匝道控制、硬路肩运行、事故预警、大型货车禁止超车等服务策略提高智慧公路安全水平及通行能力。韩国Smart Highway项目综合考虑道路设施智能化，基于智能信息和通信技术为用户提供个性化出行服务，如实时交通信息、最优路线建议和紧急救援等，最终实现以数据驱动的用户出行体验，有效提高道路安全、通行效率和环境友好性。中国智慧公路建设起步于21世纪初，近年来随着《关于推动交通运输领域新型基础设施建设的指导意见》(2020年)、《关于推进公路数字化转型加快智慧公路建设发展的意见》(2023年)等文件出台，一大批示范项目先后建设落地，标志着中国智慧公路建设进入发展快车道。

不同国家的实践经验表明，融合各种先进感知学习、决策响应技术的智慧公路将使交通更安全、管理更精细、运营更高效、服务更便捷。然而，由于新技术的出现，智慧公路交通系统中人、车、路之间的耦合作用变得更加复杂，自动驾驶技术实现的人机共驾和人机混驾、车路协同技术带来的实时信息交互共享、基础设施数字化产生的海量多源数据等，也使如何更好地利用智慧公路技术保障交通安全成为一大挑战。在此背景下，系统总结和探讨智慧公路交通安全相关理论、方法、技术和应用，对指导智慧公路建设和发展意义重大。

鉴于此，本研究将针对智慧公路，从道路基础设施与交通安全、车路协同与交通安全、以及数智管理与交通安全等方面，评述智慧公路交通安全研究现状、主要问题和发展趋势，以期为智慧公路建设提供借鉴和参考。

1 道路基础设施与交通安全

智慧公路是将信息化与智能化发展贯穿于交通规划、建设、运营、服务、监管等全链条各环节的现代化公路，拥有多功能集成的道路基础设施系统，道路基础设施是城市发展和运营的生命线，直接影响社会经济发展和居民生活质量^[7]。良好的道路基础设施不仅是保障交通顺畅运行的前提，也是减少交通事故、保护道路使用者生命财产安全的关键。因此，将从面向人机共驾/混驾的道路安全设计、道路基础设施智能感知设计和公路基础设施数字化三方面，对国内外研究进行系统整理和分析，以期为智慧公路交通安全研究提供参考。

1.1 面向人机共驾/混驾的道路安全设计

自动驾驶技术不断发展和车辆智能化进程加快使得当前道路交通发展面临严峻考验。一方面，当前车辆智能化水平有限，自动化系统不能完全实现对车辆的全程操控，仍需驾驶人参与，这就致使车辆在主权切换与人机接管方面存在一些问题；另一方面，现有道路基础设施多为满足人类驾驶员需求设计，而自动化系统在信息获取、操纵决策等与自然驾驶人不尽相同，二者之间的差异与冲突已成为威胁交通运行安全的重要因素，因此，开展考虑人机共驾/混驾的道路安全设计具有现实意义，其中人机共驾指驾驶员与智能驾驶系统在同一驾驶任务中同时参与控制，系统提供辅助与修正，而驾驶员保持对驾驶任务的主导权与最终责任，现为以人为中心的协同控制机制，混驾则强调驾驶控制权的动态分配与切换，根据场景复杂度由人或系统灵活主导，实现高层级的任务协同与自主决策。为此，分别从理论、方法、技术3个层面整理国内外相关学者研究如下。

1.1.1 理论

随着传感器技术和计算能力提升，人工智能与机器学习不断发展，人机共驾/混驾^[8]技术日益成熟。智能驾驶技术^[9]一定程度上提高了道路运行效率与安全，但由于驾驶人行为异质性和车辆性能差异，驾驶人和车辆协同系统在接管时机和主权切换等方面存在协同问题和安全隐患。鉴于此，面向人机共驾/混驾的驾驶人风险感知成为接管时正确应激反应和操作的前提，同时，也是交通安全领域的研究重点。

国内外诸多学者从驾驶人行为异质性^[10]、主权切换模式和接管时间等方面开展研究。Wright^[11]研究表明具有自动驾驶经验的驾驶人可以更好地感知周围驾驶环境，具有更好的监控能力、认知准备和接管表现。Korber^[12]通过比较驾驶人对自动驾驶信任度表现，发现信任度高的驾驶人在自动驾驶期间风险感知能力较低，具有较差的驾驶表现和接管绩效。刘佳奇^[13]基于仿真建模发现不同的接管时间会显著影响交通流稳定性和安全性，同时基于SHAP构建混合交通流环境对接管时间的影响分析模型，基于StemGNN算法构建了混合交通流环境下的人机共驾车辆接管时间预测模型，为人机共驾商业化提供理论支撑。

道路适驾性反映道路基础设施对传统车辆、人机共驾/混驾车辆、自动驾驶车辆等适应性^[14]，旨在评估道路几何线形设计、标志标线和交通环境等对车辆运行的影响^[15-16]，提升车辆运行安全性。鉴于交通智能化进程加快，传统道路交通系统难以满足人机共驾/混驾车辆和自动驾驶车辆等智能车辆运行需求。2017年，英国皇家汽车俱乐部基金会^[17]首次提出面向智能网联汽车的道路网络适驾性，内容包括路面、路面状况、交通标线、车道宽度、道路布局、人行道、减速带、路缘、停车场和自行车道，定性分析道路基础设施维护、更新和配置要求。2021年，世界道路协会^[18]发布《智能道路分类》(Smart Roads Classification)，提出考虑自动驾驶服务水平和基础设施数字化水平的智能道路分类。同年，Othman^[19]阐述了自动驾驶汽车对基础设施结构安全设计的影响，由于自动驾驶汽车感知反应时间缩短，所需停车视距降低，道路线形设计会更宽容。Tengilimoglu^[20]研究了道路线形、横断面、路面性能和交通标线设计对于自动驾驶汽车安全的影响，提出了自动驾驶汽车可能带来的道路设计、运营和维护问题。Khoury^[21]在2019年推算了道路平曲线、竖曲线设计指标，开启了面向自动驾驶的道路适驾性定量化研究。学者们针对不同等级自动化驾驶和车道宽度进行定量化实车测试，García^[22]选取平均车道宽度为2.7 m的城市主干道直线段开展实车测试试验，以测试期间内自动化系统横向控制功能参与度作为被测车道对试验车辆行驶适应性指标，结果表明自然驾驶人与自动化系统控制权发生被动切换的临界车道宽度为2.72 m。Shladover^[23]开展面向公共交通专用车道场景(车道宽度为3.7 m)研究发现，高等级智能驾驶(L4)车道宽度需求为3 m。可见，智能车辆对于道路几何指标要求会随智能化程度提高呈现降低趋势，即高等级智能驾驶车辆可降低对道路宽度的需求，而低等级智能驾驶车辆对于道路宽度的需求与现状差别较小。

1.1.2 方法

尽管自动化系统与自然驾驶人在驾驶功能层面的主要内容保持一致，即仍为感知层、决策层和控制层，但二者在实现手段、运行模式和功能表现等方面存在明显差异。如驾驶人依靠人眼、耳朵等感觉器官完成对周遭环境的感知，而自动化系统则是利用摄像头、毫米波雷达与激光雷达等传感器接收来自外界环境的相关信息。此外，现阶段智能驾驶常见的人机共驾/混驾模式中，驾驶人还需应对可能需要被动及时接管车辆操纵控制权的关键场景。由此可见，减少自然驾驶人与自动化系统在驾驶功能层中可能存在的实现手段、运行模式与功能表现的人机功能差异具有重要现实意义。

国内外诸多学者主要从驾驶人行为拟合、改进基础设施建设和优化线形设计等方面对此问题进行深入研究。美国国家公路合作研究计划^[24]中指出“应主动积极地改造建设面向智能网联车辆的道路基础设施，避免在智能网联技术实际部署时被动应对”，并将修缮道路线形、道路标线等令智能车辆“看得见路”与“简化道路线形”以支持智能车辆实际部署作为提升道路工程适应性的两项主要工作内容。Wang^[25]建立了交叉口交角、过街距离和设计速度与自动驾驶感知能力的关系，并将交叉口速度范围内所需的检测角度和距离定义为操作设计域，并基于实车试验得出不同的道路设计速度和交叉角变化都会影响自动驾驶车辆的视距，同时提出交叉口设计时应将自动驾驶车辆检测角度、距离和时间间隔纳入交叉口设计标准内。人机主权切换时机是人机共驾/混驾面临的一大难题，如何平衡不同驾驶人特性与不同等级自动驾驶系统间的关系受到学者们关注。喻凯^[26]基于线性最优二次型方法建立了典型驾驶意图下的驾驶操纵序贯链优化目标函数，并结合运动学CA模型提出了驾驶操纵行为短时预测模型，最终通过实车试验验证了模型准确性，为人机协同驾驶中主权切换模式与方法提供依据。邓宏^[27]基于仿真软件SILAB搭建了人机共驾模式下的驾驶人接管环境，基于D-Lab人因同步研究系统实现人-车-路数据同步采集分析，建立了考虑多维度风险的驾驶人接管风险评估模型。高镇海^[28]提出一种人机共驾环境下基于动态时间规整算法的驾驶行为数据滤波方法，通过仿真分析和实车测试对比了不同约束条件下的数据滤波方法，研究表明基于Sakoe-Chiba约束条件的滤波方法可自动滤除53.15%无效数据，为人机共驾环境道路安全研究提供数据支撑。

针对道路线形与车道设置对人机共驾/混驾安全性的影响，诸多学者从建立优化模型、配置实施方案等角度开展道路安全研究。He^[29]提出一种通用的级联方法，开发了3个模型扩展，即转弯机动(TM)、车辆动力学(VD)和加速约束(AC)，以拓展任何以加速函数为调整的微观模型，通过用以模拟自适应巡航控制(ACC)的微观自由流动模型证明其有效性，以期能够更好地描述智能车辆受周围行驶车辆影响在道路曲线、坡道线形条件下的跟驰行驶特征。陈志勇^[30]考虑混合交通场景下可能的自动驾驶专用车道不同设置方案，分析自动驾驶车辆渗透率、车辆跟驰模式差异等因素对道路通行能力的影响，分别提出了混合交通流路段通行能力函数模型与基于模糊软集合的混合交通流阻抗函数模型，有助于在混合交通状况下制订出合理的专用车道方案。尚庆鹏^[31]在车辆横向控制上从自动驾驶车渗透率角度提出车道配置模型以优化交叉口进口车道功能与属性，并基于车路协同环境下车路双向通信功能提出信号配时参数与车辆轨迹协同优化流程，以期为人机混合驾驶环境下的交叉口交通信号问题提出新方案。刘卓^[32]依据网联自动驾驶与人工驾驶车辆特点，针对人机混驾交通环境，基于通行锁法和可插车间隙理论建立交叉口车辆通行控制策略，对智能网联自动驾驶环境下的交叉口组织优化与管理提供参考。

1.1.3 技术

传统道路基础设施与自动驾驶存在诸多适配问题，在“人、车、路、环境”组成的道路交通系统中，传统自动驾驶技术研究通常只关注自动驾驶功能安全，较少研究道路基础设施和道路环境对自动驾驶汽车运行安全的重要性。具体而言，现役道路基础设施以自然驾驶人和传统人工驾驶车辆构成的主体作为主要服务对象，其设计与建设则以驾驶人特性及操控能力作为主要依据。随着智能车辆出现，新兴自动化系统合并甚至取代原本能独立完成车辆操控的驾驶人，这致使原本只考虑自然驾驶人需求的传统道路不能满足智能车辆需求，因此需重新审视道路与智能车辆间的耦合关系，一些新兴的道路线形设计、标志标牌和控制管理策略应运而生。

在自动驾驶专用道设计与交通流管理优化方面，Gouda^[33]在实际道路激光点云数据基础上，视感知传感器视场为截头锥体，利用计算机辅助技术，分别基于八叉树技术和基于体素射线投射技术对高速公路上的自动驾驶感知能力进行评估，结果表明，两种方法均可应用于现有高速公路，以识别在自动驾驶车辆广泛部署前的潜在安全隐患区域。贺勇^[34]基于全景摄像头、定位系统和惯性导航系统，引入数据库管理系统，期望能够将完整的标志标线信息上传至高精度地图。SHEN^[35]将一组联网车辆的位置与数字地图进行匹配，结合组网车辆的低成本全球导航卫星系统GNSS测量来提高定位精度，以期利用网联技术将标志标线信息直接转化为数字化信息的先验知识，跳过感知步骤，从源头解决现役道路上标志标线的适应性问题。

在自动驾驶专用道设计与交通流管理优化方面，李青扬^[36]提出一种高速公路自动驾驶车辆专用道入口交织区的场景设置方案，通过基于Python语言的微观数值仿真平台对所构建自动驾驶车辆专用道入口交织区场景、适用于交织区场景的车辆微观控制模型和基于深度Q网络算法的入口匝道信号控制模型进行模型及算法试验验证，最终得出该方案可有效缓解主线的局部拥堵，同时提高自动驾驶车辆换道至专用道的成功率。董长印^[37]根据自动驾驶车辆跟驰特征和换道模型，对自动驾驶车辆驶离主线场景进行仿真分析，提出高速公路自动驾驶车辆驶出主线进入出口匝道的路径控制策略。于斌^[38]提出面向自动驾驶车辆的道路几何线形设计方法。印顺超^[39]通过对车联网、自动驾驶汽车及其相关功能的分析，研究了自动驾驶汽车的应用场景及系统架构，并通过理论分析与计算，确定了自动驾驶高速公路设计速度及行车视距等设计控制要素，提出了符合自动驾驶车辆交通特性的几何设计指标推荐值。

在自动驾驶与智能网联环境下的交通设施与路网优化设计方面，杜瑞^[40]考虑到城市路网中存在公交专用道利用不充分的情况，结合公交车和智能网联自动驾驶汽车(Connected Autonomous Vehicle，CAV)对专用道的需求，以网联环境下混合交通流为研究对象，提出CAV与公交车联合专用道，并提出其微观布设条件和宏观布设方法。吴晓东^[41]提出一种离散交通网络出行设计，通过拓宽道路和布设CAV专用道来最小化出行成本。孙玲^[42]分析了自动驾驶集卡编队在高速公路全过程运行路径中的出入口、经过互通(枢纽)路段、基本路段等3类典型区域的交通运行状态，发现自动驾驶与普通车辆交织数量与自动驾驶专用车道经过互通(枢纽)数量有关。刘佳乐^[43]通过PreScan场景建模与Simulink联合仿真得到自动驾驶车辆识别标志牌的反应速度、反应时间等指标，通过随机森林算法对交通标志图像RGB色彩、HOG特征值、纹理及尺寸等指标进行决策，结果可为自动驾驶专用车道交通标志设计提供参考。孙玲^[44]提出自动驾驶专用车道定义，并将自动驾驶专用车道起点区域划分为警告区、上游过渡区和缓冲区，设计了车路协同环境下自动驾驶专用车道入口区域交安设施和传感通信控制设施布置方案，以解决入口交织区的交通瓶颈问题。

可见，在人机共驾和人车交互行为领域已有大量研究。考虑到安全性和可行性，既有研究多采用驾驶模拟方法开展人机共驾环境下的驾驶人接管行为分析等，对于人机共驾环境影响方面，多采用建立数学模型的分析方式。部分学者基于自动驾驶车辆结构特点提出与传统道路几何设计指标不同的自动驾驶道路指标，该类道路相比于传统道路具有更好的宽容性。

1.2 道路基础设施智能感知设计

智慧公路是中国高速公路未来重要发展趋势，在发挥其智能化与信息化优势的同时，也对公路系统发展提出了更高要求，如何不断提升高速公路运营能力、服务水平等级以及综合管理效率，实现以路为主导的人、车、路协同发展成为未来研究重点方向。公路基础设施信息作为人、车、路协同的智慧高速公路关键信息，是保障公路正常运营的前提条件，更是实现车辆自动驾驶的基础。对路面、桥梁、隧道及边坡等公路基础设施信息采集和感知，建立高速公路基础设施信息综合管理平台，是实现对车辆进行指挥控制的基础。

1.2.1 理论

随着互联网、云计算、大数据等信息技术发展，对交通基础设施智能化的需求更加迫切。以服务未来智慧交通为目标的智能道路基础设施成为当代交通领域发展的重要方向，其中，智能感知是智能道路基础设施研究方向的基础和前沿。智能感知道路是通过特定的感应通讯、数据网络和材料结构系统设计，实现具有主动感应、自动辨析、自主调节和动态指示等服务功能的道路基础设施。智能感知道路对路面环境、力学、交通等状态的感知研究，可为评价道路服役状态，降低安全风险提供保障；对路面诊断修复的研究，可为延长道路使用寿命，降低养护成本提供依据；对路域能量转换与采集研究，可为交通能源融合发展，实现节能减排战略目标提供借鉴。智能感知道路研究对于国家道路基础设施服务水平本质提升和交通强国建设与发展具有重要意义。

高速公路基础设施包括路基、桥梁、隧道和边坡等，常需结合多种传感器设备进行综合监测、采集与处理。其中，路基监测目标包括路面沉陷、面层裂缝以及平整度、道路通行量监测等。桥梁监测目标包括桥梁变形、桥型整体受力、车桥耦合振动、桥面交通运营量监测等。隧道监测目标包括隧道拱顶变形、围岩稳定性、隧道周围岩体水压力监测等。边坡监测目标包括地区气象、边坡位移、边坡稳定性、土体含水量监测等。通过不同目标的数据采集与整合，以达到对整个高速公路建设系统的实时监测预警。

1.2.2 方法

近年来，众多学者在道路铺装结构的智能感知设计、路面状态感知、路侧感知和隧道状况感知等方面取得了丰富成果，为提高国家道路基础设施智能感知水平和加快交通基础设施智能化发展提供了理论指导和技术支持。

实现道路基础设施智能化的关键是对复杂多变的路域路况、结构状态及交通荷载等信息精确感知^[45]，道路铺装作为与行车荷载直接接触的结构载体及道路结构体系的核心组成部分^[46]，对其深度赋予智能感知特性，使之具备结构服役状态精准感知和路域环境自动辨析等内、外部各类状态信息感知能力^[47]，对实现道路基础设施的智能化具有重要意义。目前国内外主要借助感知元器件实现感知特性，通过在铺装结构内部或路侧设置各类智能感知器件，实时采集荷载、环境、使用性能以及力学响应等目标信息，分析道路铺装结构在荷载与环境作用下的行为机制和性能演化规律，如美国NCAT试验环道^[48]、Wes Track环道^[49]、交通运输部公路科学研究院足尺路面加速加载试验环道RIOH Track^[50]和鹤岗-大连高速、北京绕城高速(六环)等^[51]。道路基础设施智能化是当前的热点和前沿，也是国家战略发展的需要，道路铺装作为道路基础设施重要组成，深度赋予感知特性是实现其智能化的重要手段。

关于路面状态智能感知的研究，覃志华^[52]针对公路路面状态采集需人工巡查、铺设成本高、功能单一等问题，采用“终端感知-通信控制-数据处理-应用”表现4层系统设计架构，充分发挥NB-IoT广覆盖、高速率、低功耗、低成本、大链接等特点，详细设计了基于NB-IoT的公路路面状态感知系统，并实时采集和处理公路路况、气象和突发事件信息，以提高民众出行安全系数和公路运营效率。邱实^[53]提出一种融合虚拟背景建模和深度学习的方法对路面全域伤损状态进行自动化感知，建立面向路面全域的伤损状态感知模型，实现对路面伤损状态的全局动态表征。黄立红^[54]建立一种沥青路面状态视觉感知模型，通过车路信息通信技术及时向周边智能网联汽车共享路面积水状态与预警信息，以准确辨识路面积水状态。李虹^[55]针对基于机器视觉的路面状态识别的关键技术与方法进行研究，研制出摄像型路面状态传感器，为高速公路路面环境提供安全保障。

路域环境是影响人车安全和交通效率的重要因素，主要包括路面温度、降雨、降雪、冰雹、风速风向、能见度等信息。蒋方胜^[56]基于ARM自动气象站，实现了对高速公路地面情况、能见度和降水量等多要素气象数据的采集、处理、存储和传输。Riehm^[57]研究道路气象站霜冻预测的不确定性影响，通过提升霜冻预警的准确性，提高冬季道路养护效率。魏海斌^[58]为解决道路冰雪的问题，研制了智能感知道路主动除冰雪系统，实现低电压下快速融雪。Guo^[59]利用车载摄像头和毫米波雷达识别前车尾灯信号，提出道路能见度检测新方法。

基于物联网、云计算、移动互联网等先进技术，Kim^[60]基于车辆感知各种驾驶环境信息和高精度地图中获得的道路环境信息，提出一种基于道路和车辆信息共享的安全驾驶方法，为车辆提供交通安全信息预报；Cao^[61]基于车路协同技术建立了以时间、位置、速度、车距、制动距离为参数的车辆预警模型，并在多场景驾驶模拟中进行应用。在制动预警方面，李海舰^[62]基于驾驶模拟技术设计了车路协同环境下前车紧急制动场景，使用车载人机交互设备及时提供制动预警。荣文^[63]提出一种基于DBSCAN聚类的高速公路路段划分方法和基于遗传算法的路测设备优化布设方法，在保证多元感知设备满足感知性能的同时，服从布设成本约束条件并在高速公路合理布设。

公路边坡是在路基两侧筑成的具有一定坡度的斜面，对路基稳定和防水、排水具有重要作用。由于应力状态、湿度状况变化，边坡在运营期内可能会产生不同程度变形，并在一定条件下失稳，引发破坏性较强的滑坡、崩塌等灾害。边坡失稳产生机制复杂，影响因素众多，发展规律多变，难以通过统一数学模型对其进行准确描述和预估。此外，边坡失稳亦受边坡岩土体材料特性和所处水文、地质、环境因素影响，导致其发生时间、地点、强度和影响范围具有不确定性，精准预测难度较大。因此，吴锋^[64]提出一种基于FPGA解算高精度激光基准的光电图像式变形测量监测方法，以满足在役公路高危边坡对稳定性监测的高精度、实时性、远程需求。王秀美^[65]利用数字化近景摄影测量系统，采用虚拟照片法和摄影法提高边坡监测精度。董秀军^[66]使用三维激光扫描仪对边坡工程进行监测，扫描得到的数据拼接、坐标转换、消噪后生成DEM模型。

在隧道智能感知设计方面，张美莲^[67]基于物联网技术基本原理和组成结构，进行隧道式智能监控系统感知层和传输层技术方案设计；王亚琼^[68]采用物联网基础理论与技术，分析了物联网技术与隧道施工之间的契合度关系，利用现有物联网技术体系所拥有的全面感知，可靠传输与智能辅助技术，提出基于物联网的隧道施工监控量测技术。钱超^[69]设计并开发一套基于物联网和云计算的公路隧道环境感知系统。黄文彬^[70]基于隧道行车安全环境建设应用要求，提出将多元融合感知技术应用于高速公路隧道信息化建设，实现高速公路隧道全目标、全要素、全天候、高精度全息立体感知，并利用数字孪生技术刻画隧道运行动态肖像，结合隧道行车安全管理策略，实现隧道精细化管理，提升隧道防灾减灾能力。李贵文^[71]提出一种基于温湿度感知的隧道火灾监测系统，实现火灾预测和隧道空气质量调控，提高监测系统运行和处理能力。

1.2.3 技术

道路基础设施智能感知设计是一项综合性技术，通过集成多种监测、通信和数据处理技术，旨在提高道路安全效率和智能化水平，涉及数据采集、交通监控、环境监测、路面状况分析等多方面，以期实现对道路状况实时监控和管理。

数据采集方面，智能感知设计利用传感器、摄像头、雷达等设备收集关于交通流量、车辆类型、速度等信息，为交通规划管理提供实时准确的信息源。交通监控系统则利用这些数据实时监控交通状况，包括车辆密度、事故检测和特殊事件响应等，以便及时采取相应措施。环境监测是智能感知设计的重要组成部分，天气条件、光照强度、空气质量等环境因素都可能影响道路使用和行车安全。路面状况分析则评估路面物理状况，如破损、裂缝、积水和积雪等，以便及时进行维护和修复。

智能交通信号控制是智能感知设计的核心应用之一，根据实时交通流量数据自动调整信号灯时序，优化交通流并减少拥堵。车辆通信系统则支持车辆与基础设施、其他车辆以及行人之间的通信，对于提高行车安全和交通效率至关重要。

数据分析与处理是智能感知设计的另一关键环节。通过大数据和人工智能技术，可以对收集到的大量数据进行深入分析，从而预测交通趋势、识别潜在问题，并为道路管理和维护提供决策支持。

此外，智能感知设计还包括紧急事件响应、智能导航与路线规划、能源管理、用户交互以及安全与隐私保护等方面。

总之，道路基础设施智能感知设计通过集成多种先进技术，不仅提高了道路安全性和效率，还为实现智慧城市和自动驾驶技术发展提供了重要支持。随着技术的不断进步，智能感知设计将在未来交通系统中发挥越来越重要的作用。但目前关于智慧道路设施方面的研究尚存在一些缺陷，首先多数研究对于道路或路侧设施或道路场景与智能车辆交互假设太过理想化，研究和试验规模常处于起步阶段，现有研究结果难以直接指导道路基础设施设计布设；其次受限于数据采集条件，既有研究多采用仿真手段，不同研究间的道路设施参数、结构等难以进行横向对比。

1.3 公路基础设施数字化

公路基础设施作为连接不同城市和地区的复杂系统，不仅承载着城市间的要素流动，也是城市网络形成的物质基础与必要前提^[72]。近几年随着数字化技术迅速发展，使得道路自我感知、恢复、调节以及供能成为可能^[73-74]。目前，中国正进入智慧公路建设时期，2024年5月，《关于支持引导公路交通运输基础设施数字转型升级的通知》，要求推进交通基础设施数字化、网联化，利用新技术赋能交通基础设施发展，加强既有交通基础设施提质升级，提高设施利用效率和服务水平，至2035年交通基础设施数字化率应达到90%^[75-76]。基础设施经历从低等级公路到高速公路，再到数字化、智能化公路的演化历程，未来更将向着超性能与绿色公路目标而奋进^[74]。道路基础设施数字化不仅能有效提高道路管理、维护和运营效率，也为道路使用者提供更加舒适、安全的出行环境。因此，深入研究公路基础设施数字化的相关理论、方法和技术，对于构建智能交通系统、提升交通安全具有重要意义。

1.3.1 理论

随着智慧城市发展，物联网、云计算、人工智能和数字孪生等技术已广泛应用于各行各业。交通是智慧城市建设的重要组成部分之一，道路基础设施建设是智慧城市建设的基本环节，其中道路基础设施数字化核心在于将先进数字技术与基础设施建设深度融合，对道路基础设施进行全生命周期、全要素信息感知，在此基础上，通过数据存储、传输、可视化等多种方式对道路数字化新建或改造过程进行集成处理，从而对道路基础设施中物理信息、性能信息、状态信息、行为信息进行全方位监控，以期更好依托工程规划设计建模平台、项目建设协同管理平台、运维管养综合分析平台，为进一步实现道路基础设施的优化设计、智能建造、性能仿真与预测、科学管理与决策提供技术支持，从而提高道路系统综合性能和管理效率^[74]。

1.3.2 方法

公路基础设施数字化涉及数据采集感知层、信息集成处理层和业务应用层，3层结构协同作用确保整个交通系统高效运转和信息间及时准确传递^[74]。

(1) 数据采集感知层

数据采集感知层为公路基础设施数字化管理系统提供数据支撑，重点解决公路基础设施领域的数据采集和事件记录问题。数据采集设备主要包括固定式数据采集终端、移动式数据采集设备和基于智能终端众筹式综合传感设备3类。通过数据采集设备获取丰富的周边环境信息，比如结构化、半结构化、非结构化数据，并通过定位追踪、传输接入、信号转换、监控处理，实现实时动态感知识别管理项目现场情况，为管理系统提供准确高效的决策支撑^[74]。

(2) 信息集成处理层

从数据采集感知层获取的数据具有多源异构性、海量性、时空相关性和实时性等特点，且通过大数据和云计算管理技术可构建高度可用、可扩展的分布式数据存储系统，因此，使用信息集成处理层不仅能够整合和管理大量异构数据，而且还能提供实时数据分析和决策支持。信息集成处理层是公路基础设施数字化的核心，功能模块包括数据预处理、数据存储管理、数据多网传输通信等。数据预处理模块综合运用大数据汇集、清洗技术，对异常样本数据的筛选、数据降维、数据整合进行处理，以确保数据的准确性、可靠性和有效性；数据存储管理模块是集成处理层的业务数据中心，业务数据具体包括基础公共数据信息、道路基础设施综合数据库，依托道路全生命周期过程中采集、存储和处理的各类数据资源以及公用基础编码体系；而数据存储管理综合运用大数据转换、存储技术，将需要实时调用的数据存储于集成数据库中，实现对道路工程业务数据、模型数据、空间数据和公用基础数据的综合管理^[74]。

(3) 业务应用层

业务应用层也是道路基础设施数字化的核心，可实现各业务功能模块及集成信息的统一展示，确保信息有效利用和管理。具体包括建立人、车、路和环境信息系统，通过实现车与路的实时信息互动，为用户提供最优交通出行规划方案^[74]。

1.3.3 技术

公路基础设施数字化涵盖多种创新技术应用，主要包括物联网技术、地理信息系统、建筑信息模型、信息物理系统、数字孪生、大数据驱动等技术手段^[74]。

(1) 物联网技术(IoT)

物联网是互联网的一部分，也是一种新型信息网络。它集成和组合了许多智能通信“事物”，通常由异构智能设备和传感器组成，这些设备和传感器以无线方式连接，无需人工干预即可进行交互。物联网通过互联网协议连接将虚拟环境与物理对象互连，其重点技术包括电子传感器、射频识别、嵌入式和网络通信技术4部分。异构对象与其环境之间的可扩展性、承诺性、可扩展性和互操作性是物联网关键要求。物联网网络由4层传感层组成，其中感知层由传感器和智能设备等硬件组成，用于收集周围数据；网络层提供用于支持事物间无线或有线连接的基础设施；服务层使用收集的数据创建和提供服务；接口层用于开发用户和应用程序之间的信息交互^[77-78]。泛在互联、协作感知、信息聚合和身份相关服务是物联网四大服务。在基础设施项目中，物联网技术是智能管理、能效管理与运维管理的重要支撑^[79]，通过物联网技术将项目中的人员、机器、原料、方法、环境有机聚合起来，进行信息交换和通信从而实现实时的管理控制和传导执行。在人工智能技术的触发下，物联网技术具有多元智能特征，从而实现工程项目各环节智能决策。

(2) 地理信息系统(GIS)

地理信息系统通过对地理空间数据采集、存储、管理、查询、综合分析和显示，实现对基础设施和交通系统全面管理，是地理信息采集、处理及显示的关键性技术，能有效从所有自然资源分布资料中筛选并给出反馈。GIS一般使用数据集组合建立分析综合信息，并将现有数字信息转换成满足用户需要的形式。另外，GIS还提供了拓扑(地理参考)数据，允许三维分析、空间分析和查询，如计算两点间距离、计算旅行路线和定义最佳位置。GIS优势在于数据空间信息负载，以及高效的空间信息处理, 准确的空间定位、多维度空间查询，强大的可视化表达、过程历史演化模拟及在此基础上的决策支持等。

(3) 建筑信息模型(BIM)

建筑信息模型以三维数字技术为基础，集成建筑项目各种相关产品信息模型，是对工程项目设施实体与功能特性的数字化表达。行业从业者常借助BIM技术开展工程领域数字化转型，在明确用户需求的第一时间同步构建信息模型，降低成本的同时缩短交付时间、提高生产质量和服务水平^[80]。它是一种数字化工程建设技术，通过精细、海量的模型数据完成对工程项目全过程信息化、智能化管理，主要具有优化性强、模拟性好、协调性高、三维可视化效果好的特点，能够贯穿工程数字化全生命周期中。BIM具有完善的内部信息，但缺少整体定位信息，而GIS是在宏观方面专门管理空间地理信息的技术，两者能形成互补，充分利用各类数据优势，实现更加完整和全面的信息管理^[80-81]。

随着大数据、物联网、云计算、人工智能的发展迭代，BIM技术在道路基础设施领域应用正在增加。在国外，美国近50%的道路基础设施项目深度使用BIM技术，极大解决了传统基础设施建设的不足。澳大利亚将BIM技术应用于道路工程项目的成本、时间和质量控制方面，取得显著成效^[82]。欧洲基础设施中BIM采用率显著增长，基础设施项目BIM实施率从20%提高到52%^[83]。英国BIM技术应用范围广泛，约73%被调查者使用BIM^[84]。而在中国，近年来BIM技术也被深度应用于基础设施领域，如管理平台构建、工程应用以及道路设施养护等方面^[85]。

(4) 数字孪生(Digital Twin)

信息物理系统是通过集成先进的感知、计算、通信、控制等信息技术和自动控制技术，构建物理空间和信息空间交互复杂系统^[86]。数字孪生技术作为信息物理系统最重要的应用交互技术之一，可通过及时更新信息空间对应的虚拟模型中的数字孪生要素(如高保真模型、融合数据、按需服务)，进一步增强基于CPS的信息物理集成^[87]。数字孪生技术包括物理空间与虚拟空间的虚实动态融合，虚拟实体与物理实体操作的双向映射，以及全生命周期的实时精准比对与配合^[88]。其核心是将物理道路、基础设施和交通目标转换为具有特征信息的数字，进而转换为机器自动读取和识别的语言。在此前提下，可获取道路和车辆全生命周期状态过程，直接将包括位置、速度、角度、轮廓、类型在内的交通参与目标提供给计算单元进行读取，并自动确定目标行为。与传统视频监控不同，数字孪生技术多维度呈现不受光线条件的影响，可提供最直观全面的实时交通状态。此外，可以灵活切换任意视角从路网交通状况到微型车辆行为，快速检查交通事故发生与否。

在交通基础设施“建管养运”各阶段，利用BIM、物联网等技术构建数字孪生模型，实现全生命周期设施信息管理和智能运维。规划阶段使用数字孪生模型进行方案比较和投资估算，以选出最佳方案从顶层降低成本；设计阶段通过数字孪生模型的设计交底和碰撞检测来提前发现设计不足，优化设计方案；施工阶段通过数字孪生模型的施工模拟仿真和进度计划预览，合理优化工期，控制施工进度，满足项目施工时间要求；养护运营阶段利用物联监测设施增强数字孪生的感知与反馈控制能力，实现重要设施的实时监测、主动预警、虚拟巡检和远程运维。数字孪生技术有助于提高交通基础设施的精准感知、精确分析、精细管理和精心服务能力^[89]。

(5) 大数据驱动(Big Data-driven)

大数据是指从多样化来源持续生成的大量结构化、半结构化或非结构化数据，具有体量巨大、处理快速、模态多样、真假共存、价值丰富和可视化等特征^[90]。而数据是道路基础设施数字化实现高质量发展的核心生产要素，且道路基础设施数字化涉及的数据种类多、体量大、来源复杂，数据结构、格式也不统一^[91]。因此，应以数据为核心，以建设数据中心为基础，构建全生命周期静、动态数据中心架构，更大程度释放数字化应用价值，进一步加深在道路基础设施监测和运维管理过程中的应用前景。

综上所述，尽管近年来人工智能、物联网等新一代数字化基础设施应用于交通领域并取得一定突破，但实际上道路基础设施数字化发展仍在探索阶段，相关运营管理手段、服务方式仍需完善。此外，数字化道路基础设施技术迭代较快，现阶段道路基础设施数字化发展仍关注于单一的计数功能模块，而较少考虑发展技术集成体系，难以形成统一标准。从业务角度看，数字化实施方案应用价值较低，数据间缺乏紧密的关联性，导致数据化资源的应用深度和广度受到极大限制，导致时效性低、协同困难等问题。

2 车路协同与交通安全 2.1 智能路侧系统与交通安全 2.1.1 智能路侧感知系统

路侧感知作为车路协同重要组成部分，目前广泛使用的路侧感知设备主要有激光雷达、毫米波雷达、摄像头等。

视频检测设备凭借其日益增强的数据采集和事件识别能力，已成为道路风险防控体系中的关键组成部分。当前事故识别多基于事故特征，包括事故外观特征(如事故车辆形变，行人摔倒等)与运动特征。基于事故特征提取方式可将其分为两类技术路线：运动特征检测法和特征融合检测法^[92]。运动特征检测法利用背景差分法、帧间差分法、光流法、深度学习(如卷积神经网络、YOLO目标检测算法)等方法，通过视频识别并跟踪各交通目标一段时间内的交通运行状态(如加速度、位置、方向等)，基于提取的交通运行状态信息设定事故判别规则，实现对事故的自动检测，但其检测精度有限。特征融合检测法融合车辆事故发生前后车辆运动特征和外观特征，目前正成为主流，可显著提升事故识别精度^[93]。

然而，考虑到交通事故检测具有一定的滞后性，为实现事故风险的及早发现与主动预防，部分学者使用交通冲突作为交通安全评价指标^[94]。通过检测车辆轨迹、车辆运动学等特征参数，采用人工或机器学习算法标定交通冲突。视频检测技术最早应用于车辆识别、轨迹跟踪，可实现交通冲突识别^[95]，但其检测性能易受环境影响。相比而言，雷达感知技术能够准确获取目标空间信息，且受环境影响较小。目前应用较多的为激光雷达和毫米波雷达。Tarko^[96]研发了路侧激光雷达系统TScan，用于收集交叉口每个道路使用者的轨迹数据。Gelso^[97]研究表明路侧激光雷达检测的道路使用者轨迹数据是冲突识别的良好数据源。但激光雷达在浓烟、浓雾等条件或恶劣天气下衰减加剧，其检测距离和精度受限，毫米波雷达则可弥补其这一缺陷，在路侧车辆轨迹跟踪领域优势显著^[98]。李立^[99]基于路侧毫米波雷达，采用无迹卡尔曼滤波和线性高斯混合概率假设密度融合算法实现对群体车辆的识别与跟踪。王俊骅^[100]提出一种基于毫米波雷达的全域轨迹跟踪技术，通过布设在道路沿线的毫米波雷达获取原始车辆轨迹，通过数据处理及轨迹拼接，实现全天候高精度连续车辆轨迹精准感知。

由于路侧环境的复杂性，单传感器或同质传感器无法完全感知周围交通环境，多传感器信息融合成为重要发展趋势。雷视一体机作为近年来新兴的交通数据采集设备，融合了视频和雷达技术，具有优异的环境适应性，且能获得高精度轨迹数据，可为道路交通安全风险分析提供数据支撑，但面临如何高效整合视频监控和雷达大量异构数据的技术难题。目前常用的融合感知策略分为数据级、特征级和目标级融合。Chen^[101]提出了多视图3D网络数据级融合框架，可将雷达点云与视频图像RGB数据进行融合。张炳力^[102]采用目标级融合策略，基于毫米波雷达和视频图像数据提取有效目标，运用目标检测交并比和全局最近邻数据关联算法实现多传感器数据融合，实现车辆检测与跟踪。李勇滔^[103]针对雷达追踪目标问题，采用决策级融合策略，提出一种改进的遗忘自适应卡尔曼滤波算法追踪目标；对于视觉检测目标算法，则采用改进的YOLOv5视觉检测算法，并将雷达追踪目标与视觉检测ROI进行决策级融合。

2.1.2 智能路侧交通控制系统

受益于车路协同路侧单元感知能力的提升，路侧交通控制系统逐步从被动适应向主动引导转变，应用场景也趋于丰富。

交通控制模式方面，随着不同等级智能网联车辆渗透率增加，交通系统控制模式逐步从传统的交通流宏观控制向车道级交通控制过渡^[104]。传统交通流控制多采用道路断面式控制设备如交通标志、信号灯、可变情报板等，通过匝道控制^[105]、可变限速^[106]、匝道与可变限速协同控制^[107]方式调整车辆运行状态。该类控制模式需根据车流状态变化调整控制方案，主动性较差。随着网联车辆与路侧单元交互能力增加，网联车辆速度引导可直接作用于车辆，通过路侧可变情报板和车载显示器为驾驶员提供速度建议，使得交通控制实现从被动适应到主动引导转变^[108]。但该控制方式会受网联车辆自主决策不确定性以及操作滞后性影响，使得路侧控制指令与车端执行之间存在较大差异。车道级交通控制成为近年来研究热点，借助全球定位系统或北斗导航系统、地图数据、路侧单元对全域交通状态车道级感知信息，包括车道数、车道宽度以及交通标志标线等，利用网联自动驾驶车辆轨迹的高度可控性，实现车路协同环境下新型混合交通流车道级感知和精准控制。Ghiasi^[109]针对高速公路混合流提出车辆速度协调模型，通过网联车辆轨迹间接控制协调交通流周围车辆行为。

研究范围方面，研究者针对主线路段、分合流区、隧道、施工作业区、弯道路段、异常天气多发路段等场景开展了控制策略和系统研发^[110-111]。邬岚^[112]针对快速路合流区通行效率低的问题，利用车路协同环境下实时信息采集与交互技术，建立了主线可变限速控制方法和模型。Ma^[113]为降低高速公路隧道段事故率，提高隧道段安全系数，从安全角度出发，提出一种隧道出入口可变限速控制方案，结果表明，在隧道群段实施变速控制可显著降低行车速度分散性，有利于提高交通安全和运营效率。过秀成^[114]为提升车联网环境下高速公路施工区运行效率及安全水平，提出一种基于强化学习的可变限速控制方法，结果表明，所提可变限速控制方法在不同智能网联车辆渗漏率条件下均有较好效果。Yuan^[115]针对高速公路施工区因车道封闭造成的通行效率和行车安全问题，提出一种基于车道的信号合流动态控制系统，通过车道标志或可变情报板发布信息，为不同车道驾驶员提供工作区通行权引导。

2.1.3 智能路侧预警系统

车路协同环境下的智能路侧预警系统通过路侧感知系统实时采集道路交通状态信息，根据交通情况，利用路侧设备和车载终端，以听觉、视觉方式对高风险驾驶员或风险驾驶行为进行预警，以避免事故发生。

在路侧预警方式方面，Bella ^[116]指出听觉和视觉预警是最常用的两种预警方式，采用模拟驾驶试验方法研究了方向性视觉和听觉预警信号对车辆响应潜在冲突事件的影响，发现方向性听觉预警方式在提高驾驶人响应潜在冲突事件的及时性方面效果更优。针对声音预警信息对驾驶行为的影响，Zhang^[117]研究表明声音预警信号能给驾驶人提供更多反应时间，以采取更合适的制动行为。视觉预警主要通过道路交通危险警示灯和电子标志牌方式警示交通参与者注意安全。樊兆董^[118]基于驾驶员操控行为，发现交叉口设置黄闪灯后车辆平均速度降低，安全舒适性及可预见性明显提高。针对不同警示灯色的作用差异，相关研究发现闪烁的蓝色灯光夜间安全警示效果较好，而红色灯光在白天对速度的影响最为显著^[119]。针对电子标志牌对驾驶人的警示作用，Thapa^[120]对比了静态施工区标志与电子标识对驾驶人警示作用效果，发现驾驶人更易快速识别限速及可变信息标志等电子标识。

在预警信息交互发布方面，一般场景下，车与路之间通过V2I (Vehicle-to-Infrastructure)通信方式进行信息交互，通过安装于路侧节点的路侧单元(Road Side Unit, RSU)与智能网联车辆的车载单元(On-Board Unit, OBU)共同作用，实现交通信息采集、交互及预警信息发布^[121]。杨澜^[122]基于4G和专用短程通信技术(Dedicated Short Range Communication，DSRC)通信技术构建车载单元与高速公路路侧单元通信网络，建立车辆追尾与侧向碰撞预警模型，并将预警结果以消息广播形式发送给协同车辆。赵睿^[123]面向交通事故高发的无信号交叉口场景，提出一种基于V2I通信的车辆碰撞预警方法，以保障行车安全。由于V2I技术需要在道路基础设施上安装数据采集设备，需要大量投资建设。目前国内主流车路协同技术以3GPP主导标准化的蜂窝车联网(C-V2X)技术为主，该技术主要包括LTE-V2X和NR-V2X，可实现车辆与路侧单元、车辆与交通参与者、车辆与云端之间的信息交互^[124]。

基于多元预警方式作用机制，依托车路协同环境下OBU与RSU信息交互，研究者开展了系列车辆避撞与危险预警系统研究。谢瑞^[125]设计研发了一款山区公路弯道盲区交通情报预警系统，在弯道入弯和出弯两侧安装一体式LED警示屏，使交通参与者提前通过情报屏获知前方道路盲区是否有来车；在夜晚或低能见度条件下，通过LED频闪转弯标志和弯道诱导标志预警增加弯道盲区行车安全性。王东柱^[126]针对合流区潜在的事故隐患，设计了基于车路协同的合流区安全预警系统。Chang^[127]设计了车辆-基础设施协同的雾天预警系统，通过情报板和声音预警方式为驾驶员提供雾区信息，对驾驶员速度调整行为和安全性均有正面影响。

2.1.4 智能路侧诱导系统

智能路侧诱导系统基于路侧交通标志标线等终端设备，根据实时交通状况和环境变化，对车辆进行有效的速度引导和行驶警示。

传统道路标志标线利用图形形状、字符、颜色等为道路使用者传递交通信息，其自身物理属性、信息内容、布设位置等都会对驾驶行为以及交通安全产生重要影响^[128]。但在车路协同环境下传统的交通标志标线对于自动驾驶车辆具有难以识别、标识提供信息单一、更新不及时等问题。为适应车路协同技术发展，智能数字交通标志、新型道路标识载体等数字化、智能化道路标识应运而生。可变信息标志(VMS)能通过图文方式实时动态展示诱导信息，是智能路侧诱导系统的重要组成设备。荆迪菲^[129]分析了VMS前置距离对驾驶人方向盘操控、换道、减速行为的影响，发现当前置距离过长时会增加驾驶负荷，影响行车安全。Yan^[130]基于驾驶模拟试验分析了VMS对驾驶行为的影响，发现VMS采用文本、图形、文本加图形的形式，以及布设距离均对驾驶行为具有显著影响。王建军^[131]针对VMS选址布设问题，提出利用路段脆弱度指标进行潜在瓶颈路段识别，明确VMS选址路段候选集合，以信息利用最大化、绕行效益最大化和路网总行程时间最小化为优化目标，建立VMS选址优化模型。

智能路侧诱导系统对于保障行车安全具有重要意义。尤其在大雾、大雨等低能见度天气下，没有诱导装置的道路极容易发生交通事故。Li^[132]提出一种基于V2I与V2V通信的雾天预警系统，由VMS、雾天检测器及诱导雾灯组成，可通过调整车辆减速行为提高驾驶安全性。Liu^[133]设计一种基于LoRa技术的智能交通诱导系统，能实时监测大气能见度，自动判断并进行相应的诱导控制。隧道行车环境复杂，良好的视觉环境是保障隧道行车安全的关键。隧道视线诱导系统由路面标线、突起路标、线形诱导标、轮廓带等组成^[134]，能够显著提高车辆行车安全性，降低隧道事故率。文竞舟^[135]通过分析隧道入口视觉环境，提出一种增设警示型线形诱导标，为提高公路隧道入口接近段交通安全及视线诱导系统优化研究提供参考。视线诱导系统也被应用于高速公路避险车道警示诱导^[136]和山区公路弯道线形引导^[137]。当前研究主要集中于通过路侧诱导设备显示信息实现在途车辆引导，这类引导通常是被动的。随着车路协同技术的不断发展进步，未来路侧单元如何有效与车辆通信，实现车路协同主动交互引导，将是值得研究的重点方向之一。

2.2 智能车载系统与交通安全 2.2.1 智能车载系统定义功能

智能车载系统是汽车智能化的重要组成部分，是一种结合先进传感技术、人工智能算法和网络通信技术的综合系统，旨在提高驾驶体验安全性，为未来出行方式和交通系统带来变革。

智能车载系统通常由感知、定位、决策、控制、通信和用户交互模块组成，各模块利用先进技术及软硬件设备，模块之间协调配合，最终用于支持各项功能实现。针对感知模块，利用计算机视觉、雷达、激光雷达、超声波、图像处理、目标识别、环境感知等技术，用于感知车辆周围的环境信息，检测道路、障碍物、行人和其他车辆位置、速度等数据，是实现单车智能的关键。定位模块主要利用全球定位系统、地图数据、路径规划、实时定位算法实现智能导航功能。针对决策和控制模块，利用人工智能、机器学习、深度学习、模糊逻辑、PID控制、路径规划算法等技术，根据感知信息和导航指引做出决策，控制车辆行驶，实现自动驾驶功能。通信模块利用车联网、无线通信、V2X通信、数据传输协议(如CAN和Ethernet)等技术，实现车辆间通信、车辆与基础设施通信、远程控制和数据传输，支持驾驶辅助和远程服务。用户交互模块利用语音识别、人机交互界面、触摸屏、虚拟助手技术，为驾驶员提供智能、友好的交互界面，包括语音控制、触摸屏操作、信息展示等。

2.2.2 通信技术稳定性与安全性

通信系统是智能车载系统的重要组成部分，可划分为车内和车外通信两大类。车内通信是指汽车内部的网络通信，主要通过有线通信技术完成，例如CAN，LIN，FlexRay，MOST等。车外通信主要通过无线通信技术(V2X)实现车与云平台、车与车、车与路和车与人之间的信息传输与交换，与不同通信对象进行信息传输所使用的通信技术汇总如表 1所示。

目前国际上有两种主流V2X通信技术。一种为基于蜂窝网络的车载无线通信技术(Cellular Vehicle to Everything，C-V2X)，该技术将蜂窝通信网络的优势发挥到智能网联系统中，并且支持以蜂窝移动通信网络(4G/5G)为基础进行创新设计^[138]，为网联车辆提供低时延、大带宽的通信能力，并可应用于自动驾驶、编队行驶、紧急避让等关键交通安全场景中^[139-140]。另一种为基于IEEE 802.11p标准的DSRC技术，该技术主要利用车载单元和路侧单元之间无线通信实现小范围内车辆与其他设备的互联互通^[141]。两种V2X通信技术各有优势^[142]在多种道路安全和交通效率现实场景中均有研究与应用。

安全性是智能车载系统通信技术的核心关注点^[143]。信息安全问题、信息安全逻辑架构、测试评价技术和安全对策是学者们研究的重点。Chen^[144]围绕车载通信漏洞、攻击和对策等开创性工作，分析了针对恶意攻击的先进安全对策，包括消息认证、数据加密、入侵检测以及蜜罐、防火墙等，并强调了车载通信安全的新挑战。Hakeem^[145]针对5G-V2X安全性方面，分析了存在的问题和安全结构，并提出认证服务器功能(AUSF)、安全锚函数(SEAF)等新的安全功能。Weerasinghe^[146]提出一种基于阈值加密的密钥交换协议，满足V2X数据共享和隐私的关键需求，包括快速建立信任、维护车辆匿名性和提供安全消息。通过定制测试平台发现拟定协议为V2X网络中的安全和隐私问题提供了潜在的解决方案。Twardokus^[147]开发两种隐蔽的拒绝服务(DoS)攻击来暴露5G C-V2X物理层属性和分散MAC层调度算法中的漏洞，并针对每种攻击开发了检测和缓解技术。考虑到基于区块链的存储中安全收集和存储数据对于不变性和透明度的需要，对此，Rao^[148]讨论了物联网、V2X和区块链技术的融合，以及各种安全挑战和对策。

通信系统是连接车路云的重要桥梁，随着5G通信技术发展，应用于车载通信系统是必然趋势。目前，在应用5G技术基础上，学者们重点研究如何提高通信技术的稳定性，旨在从可靠性、抗干扰性和降低时延等方面提高通信的稳定性；同时强调安全性是智能车载系统通信技术的核心，并从安全结构、加密协议等多维度研究如何提高车载通信安全，通过不断的技术创新和安全策略改进，为智能车载系统提供更加稳定和安全的通信保障。

2.2.3 车辆主动安全防撞预警系统应用

车辆主动安全防撞预警系统是基于智能车载终端设备作为开发载体，依托于单车智能或车路协同技术实现的重要智能交通技术。单车智能是指每辆车自身具备的传感和处理能力，能够独立完成环境感知、决策和执行任务。随着传感器技术、人工智能和通信技术的发展，车辆能够通过搭载的各种传感器(如摄像头、毫米波、激光雷达等)实时感知周围环境，并通过车载计算系统进行数据处理和分析，实现对潜在危险的预警和自主决策。这些传感器和系统使车辆能够识别道路、车辆、行人等，进而实现自动紧急制动、车道保持等功能。车路协同技术^[149]则依赖于车辆和道路基础设施之间的通信，通过车与车(V2V)、车与路(V2I)、车与行人(V2P)等通信协议，实现信息共享和协同决策。车路协同系统不仅能提供单车智能无法获取的更广泛和精确的环境信息，如前方路况、交通信号灯状态、施工区域等，还能协调多辆车的行动，避免交通拥堵和减少交通事故。可知，基于单车智能和车路协同技术的实现方法各有优势。单车智能侧重于车辆自身感知和决策能力，而车路协同则通过信息共享和协同决策提供更广泛和准确的预警信息。两者结合能提供更全面可靠的安全保障，改善驾驶行为，减少交通事故的发生，提高道路交通安全性和效率。

当前，已有大量学者从驾驶行为、交通流、预测评估维度对基于车载智能终端设备开发的车辆主动安全防撞预警系统应用效果展开研究。碰撞预警是车辆主动安全防撞预警系统的典型代表。Yue^[150]开展驾驶模拟试验比较了高速公路、主干道和十字路口场景3种碰撞前场景下前向碰撞预警的效果，结果表明在交叉口困境区有减速迹象，预警系统支持驾驶人采取更积极的应对策略。Ali^[151]基于CARRS-Q高级驾驶模拟器模拟网联环境，发现在完美通信场景下，驾驶人跟车过程及对行人保持较大的TTC。车辆主动安全防撞预警系统在雾天中的应用同样受到关注。Guan^[152]研究发现网联车辆雾预警系统能显著降低行车速度，减少车辆横向偏差，提高车辆横向行驶安全性。胡敦利^[153]分析车路系统雾预警系统对驾驶人视觉特性的影响，网联预警系统会导致驾驶人注视数据波动频次增加且幅度更剧烈，驾驶人视觉分心占比明显上升，对道路交通安全产生一定的负面影响。另外，其他主动预警技术也被充分探究。李海舰^[154]研究发现有车载预警信息时，面对紧急制动事件时驾驶人速度控制强度更低，通过曲率指标得出速度调整强度降低39.4%。Yu^[155]认为高密度交通中行驶ADAS显著增加紧急制动可能性。Li^[156]提出一种基于视觉道路环境图式的碰撞预警系统，以增强对驾驶人视觉容易忽略的物体和区域潜在危险的规避支持，结果表明与传统碰撞预警系统相比，新型碰撞预警系统能更早发现潜在危险，缩短反应时间，提高车辆横向稳定性。

此外，也有学者针对交通流安全性、通行效率、生态性等方面开展相关研究。在交通流安全性研究层面，许甜^[157]研究预警系统对风险状态下车辆交互行为特征的影响机理，结果表明跟驰、超车换道2类事件的车头时距均值分别增加0.37 s和0.34 s，预警系统开闭状态对车头时距有显著影响，跟驰、超车换道事件频数分别下降16.0%和23.7%。Yang^[158]建立了自动紧急制动行人系统仿真模型，结果表明，该预警模型可根据实际工况变化灵活分配预警和制动时间，减少行人碰撞事故发生。在交通流通行效率研究层面，Zhu^[159]基于上海自然驾驶数据探究前方碰撞预警系统对车辆跟车行为和交通流的影响，结果表明预警系统使驾驶人跟车距离更加紧密，可在不降低安全性前提下提高交通效率和稳定性。Jeong^[160]使用VISSIM模拟高速公路交通流并分析车辆机动数据发现，追尾和变道冲突分别减少78.8%和17.3%，平均延误时间减少55.5%。在交通流生态性研究层面，伍毅平^[161]指出3种车路协同雾天预警系统均能显著降低车辆整体能耗与排放。Namazi^[162]探究智能交通系统对改善交通拥堵的效用，利用SUMO软件和实际数据，开发了两种控制速度控制策略，仿真结果表明，所提方案能够显著减少等待时间、油耗和排放。

在此基础上，车路协同背景下的车辆主动安全预警系统通过实时信息共享和协同控制，基于实时数据和大数据分析可实现预测评估功能，进一步提升交通系统安全性和生态性。安全性预测评估是车辆主动安全预警技术研究的焦点。Yuan^[163]为提高车辆自适应巡航控制系统安全性，基于主车与前车间距以及前车横纵向速度，建立了基于隐马尔可夫模型的前车变道机动预测方法，结果表明，该模型能准确预测前方车辆变道和保持车道行为。Lee^[164]聚焦于自适应巡航控制中其他交通参与者意图驾驶操作不确定性问题，利用图形化建模和无监督学习技术提出可推断周围车辆中驾驶人意图模型。研究结果显示所提推理框架可用于更快检测车道变化，有助于提高安全性和乘坐舒适性。Deng^[165]提出一种基于隐马尔可夫模型的人类驾驶行为预测方法，将左/右变道和车道保持建模为HMM隐藏状态。通过与其他方法比较，证明了驾驶行为预测的有效性。Kazemi^[166]提出一种基于神经网络的切入检测和轨迹预测方案，并使用安全试点模型部署的真实驾驶场景对其性能进行评估。在生态性预测评估层面，Jones^[167]提出一种综合协作式自适应巡航控制和交通灯辅助特性的模型预测控制器。仿真结果表明该模型预测控制器与普通驾驶人相比，节能高达25%。Pu^[168]提出一种针对插电式混合动力车辆跟随场景的随机模型预测控制策略，结果表明该策略对给定的行驶工况有效，具有良好的燃油经济性和车辆跟车性能。Dahmane^[169]开发了ACC机动系统，以期保持车辆间距确保行车安全，通过生成平滑的速度曲线提供乘客舒适度，提出一种优化功率分配的随机模型预测控制方法，结果表明能耗平均降低13%左右。Qi^[170]设计一种考虑人为驾驶误差的互联协同生态驾驶系统，并利用电动汽车能耗模型对其进行评价，仿真和数值分析表明，考虑人为驾驶人误差的生态驾驶系统平均节能12%。

综上，车路协同背景下以智能车载终端设备为载体的车辆主动安全防撞预警系统通过实时信息共享和协同控制，显著提升了驾驶行为规范性和安全性。未来随着技术的进一步发展和普及，这一系统将在智能交通系统中发挥越来越重要的作用，推动交通管理和驾驶体验全面升级。同时，基于实时数据和大数据分析预测评估功能，将为交通规划和管理提供科学依据，进一步提升交通系统效率和安全性。

2.3 智能网联系统与交通安全

近年来，各国意识到智能网联和自动驾驶技术在汽车产业的发展应用前景，纷纷加快战略部署，通过发布国家战略规划、出台优惠政策、鼓励技术研发等方式促进智能网联汽车(Intelligent & Connected Vehicles，ICV)技术及产业快速发展。目前，智能网联汽车已成为全球汽车产业转型升级的重要战略方向之一。

从技术角度看，智能网联技术分为智能化和网联化两方面：一方面，通过搭载先进车载传感器、控制器、执行器等装置，结合图像识别、点云识别以及人工智能等算法可实现对交通环境的感知与场景理解，并基于此评估行驶风险、规划安全路线，在复杂交通场景中实现“单车智能”，车辆智能化共分为5个等级^[171]，从低到高包含辅助驾驶功能到完全自动驾驶，智能化程度越高，驾驶员所承担的任务比例越低。另一方面，ICV融合现代通信技术、车-车、车-路以及车-云通信网络，与其他车辆或路侧设备传递共享行驶环境感知信息和驾驶行为决策，结合自车感知信息从而实现协同决策，车辆网联化能力从低到高包含网联辅助信息交互、网络协同感知以及网联协同决策与控制3个等级，网联化等级越高，车辆接收其他交通参与者的信息种类和数量越多。

2.3.1 智能网联行车环境感知

按照具备感知能力的主体数量和多主体之间是否存在互联互通，智能网联汽车的环境感知分为单车感知与协同感知两大类。

根据传感器种类和数量的不同，单车环境感知可以分为两类：单传感器和多传感器融合感知。单传感器感知包括基于相机或雷达的目标检测。在基于相机的目标检测研究中，卷积神经网络是最常用的深度学习算法模型^[172]，可以从单目相机图像中实现目标识别，获取二维或三维包围框。Manhardt^[173]采用两阶段模型处理相机图像，第1阶段从图像中标出2D框，在第2阶段利用ROIs(Regions of Interests)获取3D数据。但单目图像景深难以准确判断，为更好确定遮挡物深度信息估计，一些研究使用双目相机来解决这一问题，Chen^[174]利用一对图像通过不同的特征函数确定距离、密度、自由度等信息，最终得到目标三维信息。Hu^[175]提出一种基于相机协同的3D检测框架，在充分协同情况下，相机会在某些场景中超越LiDAR，这使得多相机协同在一定程度上取代LiDAR具备了可能性。基于雷达的点云数据与相机RGB图像不同，三维点云数据更加稀疏，斯坦福大学Charles等最早将卷积神经网络应用于点云数据，提出了PointNet算法^[176]，利用端对端方式直接实现数据有效处理与特征提取。由于点云数据的无序性、可旋转性等特点，常规卷积网络应用效果不佳，研究学者在PointNet算法基础上提出一系列改进算法。VoxelNet网络^[177]模型将点云数据体素化，计算不同体素间的差异并提取特征，利用3D多卷积层和全连接层组合从稀疏张量中提取有效信息。

多传感器融合感知技术是单传感器的有效提升与补充，多传感器包含相机、激光雷达和毫米波雷达等车载或路侧设备，雷达点云可以提供更好的位置与结构信息，相机RGB图像可以提供很好的语义信息，将点云与图像数据优势融合是此方法的初衷。此外，由于雾霾、光照等因素，相机图像数据会受到影响，而雷达数据则是很好的补充。根据信息源所处层次，多源数据融合可分类为数据层、特征层以及决策层融合。目前主流多源数据融合算法包括贝叶斯理论、卡尔曼滤波算法以及证据理论等。针对现有多源异构融合算法存在融合效率低，雷达信息表达不充分等问题，刘振东^[178]提出一种点云膨胀算法用来增强毫米波雷达数据的特征表达能力，且加入多模态信息数据级融合功能，增强毫米波雷达与摄像头之间的信息交互能力，以提升数据融合效果。

受传感器安装位置、探测距离、遮挡、天气状况等因素影响，同时考虑车载感知设备成本与数量，单车感知存在有较大盲区和精度问题^[179-180]，严重影响自动驾驶安全性和可靠性。在网联环境下，多个车辆与路侧基础设施均搭载有环境感知设备^[181]，并通过通信网络实现信息共享，一定程度上拓展了感知范围，提高了感知精度，为自动驾驶系统或驾驶员行驶风险评估提供更为有效的数据信息^[182]。因此，网联环境下车路协同环境感知是交通安全重要研究方向之一。与多源数据融合技术类似，根据传输信息的层次，协同感知可分为早期、中期与后期协同。早期协同是在多目标间(车辆或路侧设备)传输传感器获取原始信息^[183]，如摄像头图像和雷达点云数据，智能网联汽车对其他目标发送的信息以及自车感知信息进行处理、分析和决策^[184]。但在早期协同中大规模数据传输会给车载网络带来较大通信压力，如何合理协调多目标间的数据收发，提高通信效率、可靠性与安全性，是协同感知的关键技术^[185]。中期协同^[186]考虑了传输数据量影响，各目标间仅传输本地处理后的特征信息，一定程度上降低了通信压力和时延，满足自动驾驶系统对数据实时性的依赖。后期协同也称为结果级协同^[187]，目标间传输各自的感知结果，如其他目标属性、位置等信息，进一步减少数据通信压力。基于协同感知，可更安全实现前向碰撞预警、超车/变道辅助以及自动避撞等辅助驾驶功能^[188]。

2.3.2 网联环境风险评估与协同避撞

网联环境为车辆实时环境感知、风险评估、协调管控提供了必要支撑，可有效提高交通系统运行效率，减少交通事故发生率，提升交通安全水平。智能网联环境交通安全保障技术发展与应用成为当前研究的一个热点。

基于较强的网联环境感知能力，车辆可更精确感知其他车辆行驶状态，甚至具备精确预测其驾驶意图和行为的能力^[189-190]，为网联车辆提供更加可靠的碰撞风险评估依据。根据是否考虑未来时刻其他车辆意图和行为不确定性，行驶风险评估可分为确定性和概率性方法。确定性方法^[191]主要依靠对场景内其他车辆行驶状态的感知，结合较为简单的车辆运动学模型，如恒定速度、恒定加速度等预测所有车辆的轨迹，并以此计算碰撞相关指标，如碰撞时间^[192]、停止时间、车头时距等。该方法得益于较低的模型复杂度和计算量，可在单车道场景下评估行驶风险，集成于低等级辅助驾驶系统中自适应巡航功能和主动刹车功能^[193-194]。但由于忽视道路因素和驾驶行为不确定性，确定性方法对复杂场景适用性不高^[195]。而概率性方法是在确定性方法基础上，利用网联环境更精确全面的感知数据，对场景内其他车辆驾驶意图和行为进行预测，根据预测结果利用曲线方程生成潜在行驶轨迹，并根据轨迹间的冲突判断碰撞可能性^[196-197]。此外，网联环境车路协同感知也提供了车辆对道路线形、信号灯状态、交通流状态^[198]关键信息的获取途经，进一步提升了风险评估科学性和有效性。王江锋^[199]构建了基于LET-V的V2V环境，并对4种典型驾驶意图在特定区域内共享，基于复杂信息感知提出碰撞预警模型，有效降低了单车感知情况下因信息获取不充分导致误警率和漏警率。

传统单车防撞避让决策与控制只关注于自车局部碰撞风险，未考虑场景内其他车辆，由此做出的避让行为可能带来其他冲突或全局碰撞风险^[200]。协同防撞系统更侧重于多车和车路间的交互关系，利用V2X技术实现车辆协同感知与控制，综合考虑多方面因素，可为车辆提供更有效的避撞方案，进一步提升交通安全。Patel^[201]提出针对智能网联汽车协同避撞策略，在传统避撞控制基础上增加了一个控制单元，确保单车避撞控制不会对场景内的其他车辆造成影响，从而提高协同避撞科学性。此外，智能网联汽车协同避撞技术可看作是多智能体协作的全局优化问题，通过网联功能在车辆间分享潜在行驶轨迹或意图，在碰撞或成本约束条件下计算每辆车最优化路径^[202-203]。Zhou^[204]基于博弈理论，利用收益函数考虑周围车辆运动轨迹，计算不同策略下的驾驶安全和空间收益，基于马尔科夫博弈模型得到最优无碰撞轨迹。Xu^[205]将交叉路口二维车辆集群通过旋转投影转化为一维虚拟队列，根据虚拟车队几何结构特点设计线性反馈控制器模型，减少了交叉路口交通冲突。目前，网联环境下的协同碰撞研究多集中于交叉路口^[206]和合流区^[207]等交通冲突较多的场景。

3 数智管理与交通安全 3.1 多源数据驱动的安全态势智慧感知与推演

智慧高速公路需将车辆、道路机电设备、物联网设备、信号控制设备、传感器等进行互联互通，同时还需满足低延时、大带宽、高可靠性要求。这就决定了智慧高速公路网络具有网络结构复杂性高、接入设备量大、通信协议种类繁多、网络流量大等特点^[208]。因此，智慧高速公路发展过程中，充分挖掘通过信息化设备采集到的多源数据，并使用这些数据深入分析其事故风险规律以进一步推演其风险态势，进而提高智慧高速公路安全建设成为关键研究问题之一。

根据研究目的不同，多源数据驱动的安全态势智慧感知与推演相关研究可划分为智慧高速公路多源数据、安全态势智慧感知方法和智慧推演方法3方面。其中，安全态势智慧感知在于辨识出导致事故发生的关键风险致因；安全态势智慧推演在厘清致因间影响机理基础上，呈现事故风险传播过程，从时空维度刻画出致因风险特性，有助于事故风险规律挖掘。

3.1.1 智慧高速公路多源数据

智慧高速公路系统通过集成传感器、摄像头和实时数据收集工具(见图 1)，监控交通状况，并收集天气和道路信息，促进车辆与基础设施间的通信。这些系统采用物联网、云计算和大数据分析等技术，实现数据实时传输和共享^[209]。传感器网络实时监测交通流量、车速、车距、路况和天气信息；物联网技术连接这些设备，确保数据实时传输；云计算提供大规模数据存储和处理平台；大数据分析则用于挖掘交通数据模式和趋势，支持交通管理决策，从而优化交通流量，预测并主动缓解拥堵，提升安全协议执行效果，最终提高整体运输效率和公路基础设施使用效能。

智慧化交通安全监管有效消除一大批源头隐患。数据表明智慧高速公路建设和安全保障中大数据挖掘和分析至关重要，通过充分利用多源海量数据信息，大数据分析可实时监控交通模式，支持开发交通事故预测模型，并支持对事故或恶劣天气的快速响应。通过快速自主报警、高效网联级联动预警和合理有效的分级诱导，实现紧急事件快速处理与应急响应，能使事故应急响应时间缩短50%。而智慧高速各类交通信息全时域采集可实现对“两客一危”车辆驾驶行为风险主动防范和矫正率超过80%，货运车辆事故发生率降低30%以上，有效保障货运畅通和高效通行^[210]。刘博^[211]分析了多源大数据融合分析在河北道路运输企业交通安全监管中的应用，通过接入每日动态车辆卫星定位数据纳入监管道路运输企业发生事故起数减少486起、死亡人数减少187人，伤人数减少683人，分别下降17.1%，21.1%，35.5%。通过实时监测交通流量、车速、拥堵情况等信息，结合云计算等技术，可提高高速公路智慧化水平，有助于打造更加高效、安全的交通体系。目前国内外学者研究智慧化高速公路安全问题使用的主要数据类型如表 2所示。

3.1.2 多源数据驱动的高速公路安全态势智慧感知方法

高速公路安全态势是指在特定时间段内，高速公路整体运行安全状况及其发展趋势，涉及交通事故频率、交通秩序、道路基础设施安全、驾驶员行为、网络收费系统安全管理措施有效性等方面，反映了高速公路在确保通行效率的同时，维护交通安全的能力和状态，具体而言是指车辆在途风险感知与精准识别，表 3列举了多种行车风险感知识别模型算法。

高速公路安全态势分析是一个涉及多维度、多因素的复杂体系，旨在通过集成多源数据提升对交通安全风险的全面理解和精准管理。这一过程涵盖了交通事故频率、交通秩序维护、道路及附属设施安全性、驾驶员行为监管，以及网络收费系统管理等多个层面，核心在于车辆行驶风险的高效感知与识别。近年来，随着信息技术飞跃，诸如GPS轨迹、视频监控、路侧传感器(包括全向毫米波雷达等先进设备)所提供的海量数据被广泛应用于此领域，显著增强了数据时空覆盖能力和分析精度。

此外，路侧交通状态感知设备是支撑高速公路交通运营管理的重要信息化基础设施。随着传感器和信息处理技术的迅速发展，如全向毫米波雷达、毫米波雷达-视频一体机等新型路侧交通状态感知设备。这些设备能有效检测上百米半径范围、多条车道数百个车辆目标，并实时获取精确的车辆轨迹数据。这些设备工作性能稳定，有效弥补了以往传统设备检测范围小、无法追踪个体目标、病损率高等不足^[212]。

针对车辆在行驶途中的风险感知与识别问题。王长君^[213]基于道路交通历史事故数据探究事故影响因素对于认识事故的影响因素，利用泊松模型和负二项模型寻找事故致因。郭璘^[214]通过采集手机APP方法采集大量交通事故数据，使用改进的K-means算法对研究范围内的交通事故黑点进行识别及分析。陆欢^[215]利用采集的典型高原山区历史公路事故数据，结合logistic模型从道路交通环境、道路交通设施与车辆类型等角度分析事故致因。为对道路交通事故黑点进行准确的识别与排序，田准和张生瑞^[216]选取交叉口事故数据结合优化经验贝叶斯方法进行交通黑点识别，并对黑点进行量化排序。Zheng^[217]使用混合效应模型结合大量历史事故数据进行事故致因分析。

针对基于机器学习的事故预测与风险评估方面，Lin和Li^[218]通过使用与交通事故相关的众包数据，对比分析了随机森林、支持向量机和神经网络3种机器学习的算法对交通事故的影响范围和持续时间进行预测分析。郑世博^[219]通过调研收集货车事故数据作为样本，建立人为因素分析与分类系统模型详细分析了事故致因因素。蔡晓禹^[220]基于车辆OBD驾驶行为数据及信息熵理论，使用K-means聚类方法提出一种道路交通安全风险等级评估方法。Ma^[221]在大量历史交通事故数据基础上，通过使用SSAE深度学习框架进行造成交通事故严重程度致因分析，并使用Catboost算法结合Shapley值进行影响因素重要性和依赖性分析。结合大量历史交通事故数据，袁振洲^[222]使用改进的Apriori算法分别从时间、道路、环境等方面对其高速公路事故进行致因分析。为识别道路潜在的危险路段，Wu^[223]基于大量历史交通事故数据，使用XGBoost算法结合SHAP值对交通事故热点区域进行高精度识别。

在交通安全风险预警与车辆管理技术方面，林培群^[224]建立一种基于高速公路收费数据的货车运输风险画像模型，运用K-means++聚类与熵权法识别货车运行风险等级，为车辆精准管理与安全监管提供依据。Luo^[225]提出一种基于ETC大数据的超视距潜在安全威胁车辆识别方法，采用wlp-XGBoost模型预测车速、DR-HMM模型精准定位车辆及多信息融合识别潜在威胁车辆，有效提升高速公路远距离安全预警能力。汤海天^[226]利用ETC门技术提升精准度和实时性采用的硬件配置包括TGAM脑电信号处理芯片与BlueCore4-Ext蓝牙通信，软件层面则构建ETC门数据分析中心并设计算法，以6 h行驶无休息为疲劳判定标准，通过情报板和警示提示，测试证明系统有效，平均准确度高，强化了驾驶预警能力，对降低高速公路安全风险有积极影响。

针对复杂网络与多维因素的事故致因分析，张键源和马社强^[227]使用基于HFACS改进的DTEL-HFACS法对重特大交通事故致因进行分析，计算出各致因因素相互影响，并辨识出交通事故的关键影响因素。Zhu^[228]通过特征交叉算法提高样本的丰富性，使用特征选择算法降低数据的维数，并结合随机森林、LightGBM、XGBoost以及CatBoost算法进行组合使用进行交通事故的致因分析。唐智慧^[229]基于复杂网络理论构建了高速公路交通事故致因网络模型，通过风险传播机制分析致因间的动态演化，提出一种风险动态演化模型，旨在深入理解及预测事故风险规律，优化风险防控策略，提升道路安全管理水平。庄焱^[230]综合考虑交通事故在不同交通环境和路网特征下的差异影响，基于改进网络核密度和负二项回归模型结合历史交通事故数据进行事故黑点鉴别，且该方法相教传统方法有较大提升。在对交通事故数据进行清洗后，王建宇^[231]分别从人员、路面、车辆、环境和时间特征探究影响事故严重程度因素，并结合CatBoost与SHAP值分析影响因素之间的作用机理。胡立伟^[232]通过改进BiLSTM-AT模型分类交通事故文本风险，使用CNN-LSTM预测风险时空分布，以实现高速公路行车风险的精准识别与管理，提升道路安全管控效率。

通过收集大量历史数据，包含车辆轨迹、视频监测、交通事故数据等，并运用各种分析方法，学者们致力于理解交通事故的发生频次、严重程度和时空分布特征规律。相关研究不仅聚焦于单一数据源深入挖掘，更强调跨数据类型融合分析，如结合车辆动力学数据、历史事故记录、手机APP采集信息、OBD驾驶行为数据、ETC大数据及脑电波信号等，形成综合性更强的安全评估体系。通过多源数据融合，运用车辆动力学仿真模拟、深度学习等技术手段，不仅能更精确地识别事故黑点和风险热点区域，还能深入揭示事故发生的内在机理与风险传播规律，为制订预防策略和即时干预措施提供科学依据。而融合物联网与数字孪生技术，则能实现实时监控与动态决策支持，增强对高速公路运营安全管理效能。

3.1.3 智慧高速交通安全态势推演方法

智慧高速交通安全态势推演方法是利用物联网、大数据、云计算等先进算法和得到的多源数据，实时监测分析高速公路行车风险状态演变过程，比如行车风险从安全状态逐渐向潜在危险甚至事故状态演变，进而预测可能的交通安全事件及其影响。目前高速公路交通事故研究集中于致因评价，缺乏风险动态演化研究。对智慧高速公路行车风险演化过程进行研究有利于掌握事故产生机理及演变规律，能够客观量化影响行车安全的风险因素，以便通过智能化手段提升交通管理水平，减少事故发生，保障道路安全。在厘清车辆安全风险感知问题基础上，利用多源数据进一步挖掘事故风险演变规律，研究事故风险的传播过程，从宏中微视角可以总结为事故链风险研判、风险传播机制、实时风险推演3个方面。

(1) 事故链风险研判

为了系统分析道路风险演变全过程，识别关键环节和影响因素，帮助交通管理部门全面了解事故成因和演化规律，国内外学者在事故链理论的领域不断探索，从关注特定事故成因到利用多源大数据实现动态反映系统变化，事故链理论在行车风险研判中发挥着重要作用。目前国内外在行车风险研判中使用的事故链相关理论如表 4所示。

实际应用中，熊晓夏^[233]从行车过程中的时间序列层面提出“道路交通事故链”(或“事故态-道路交通事件链”)定义，并对行车风险状态划分方法进行研究，通过结合行车风险状态划分区间，利用马尔可夫链基本理论对行车过程中的具体风险演化状态进行分析。白一尚^[234]引入博德事故因果连锁理论，建立了基于行为安全管理理论和事故致因理论的安全隐患治理模型，构建了行为安全观察-管理系统改善-行为安全观察的良性循环系统。

单一事故链理论易受理论限定的风险演化过程约束，多种理论模型相结合及机器学习与理论模型相结合可进一步提高风险演变规律的研判准确度。田振中^[235]基于2010—2021年间中国道路交通事故发生数量及影响因素统计数据分析，提出一种融合随机森林与优化多变量灰色模型的交通事故预测模型，研判中国未来几年的道路交通事故发生数量趋势。潘翱翀^[236]基于GM和OSDGM模型建立最优加权组合模型，并借助灰色模型精度评价指标对预测结果进行检验，提高了交通事故数据预测准确度。陈龙^[237]以美国100-Car自然驾驶试验数据为基础，研究道路交通事故链的生成和演变规律，在贝叶斯网络模型基础上引入事故因果链理论，利用有向无环网络中简单路径搜索算法生成事故链集合，并采用信息增益特征选择方法识别关键事故链。

(2) 风险传播机制

交通安全状态分析预测为交通管理部门提供了科学的安全管理依据。国内外学者通过对系统演化过程的深入挖掘，致力于研究行驶风险到事故发生传播机理。研究表明交通安全风险表现为极其复杂的非线性耦合过程^[238]，近年来，突变理论在解决复杂非线性系统问题方面的应用证明，基于突变理论的多准则评价方法不仅能客观分析事故相关因素，还可以定性分析事故发生机理，并定量分析系统从量变到质变的边界条件。

突变理论在交通事故研究中多用于分析系统在小幅度连续变化时突然发生巨大变化的现象，揭示交通事故发生的突变机制。尽管突变理论在解释非线性和复杂系统行为方面具有独特优势，但突变理论主要用于解释突发性变化，适用于特定类型的事故，对具体突变点的解释力有限，模型的定量分析和实际应用存在差距。因此，部分国内外学者使用复杂网络融合来自不同来源的数据，系统性分析交通系统中各组成部分的关系。交通是由人、车、路、环境及管理等多因素耦合形成的复杂系统，而复杂网络是研究复杂系统的有效方法，有研究将复杂网络应用到交通事故风险动态演化之中，通过网络结构揭示风险传播路径和机制，识别关键节点和路径。唐智慧^[229]通过挖掘高速公路交通事故的规律信息，从风险结构与风险模式两方面定义了风险传播机制，最终基于复杂网络理论提出了高速公路交通事故致因网络的构建方法，并建立了高速公路交通事故风险演化模型。

(3) 实时风险推演

由于行车风险演化的时序属性，研究者往往在实时风险状态评估的基础上，通过时间序列模型^[239]或机器学习方法来捕捉行车风险的时间依赖性，从而刻画从正常行车状态到潜在危险直至事故发生的风险演变过程，并揭示行车风险诱因及交互作用机制。

关于时间序列模型Cheng^[240]提出一种集成风险场和时间序列生成对抗网络的风险评估框架，用于预测不同交通风险及其叠加情况下的时间演化，实现大型事件中车队产生意外交通拥堵风险的高精度预测。李秀珍^[239]通过对历史交通流量和事故检测器数据进行分析，对事故风险进行实时预测，实现高速公路交通事故风险识别。吕能超^[241]基于自然驾驶数据参数标定提出一种基于车辆运动学和风险感知特性的综合预警算法——客观风险感知算法，以适应复杂风险环境下的风险辨识，用于高级驾驶辅助系统风险辨识。Cheng^[242]提出一种集成GARCH-VaR模型，实现了对实时碰撞风险和拥堵风险趋势的叠加风险评估。

时间序列模型可有效捕捉行车风险成因与时间的关联作用，但对多种数据源的复杂非线性关系捕捉能力较差，因此，国内外学者逐渐将机器学习模型引入到交通事故行车风险实时推演中。林琳^[243]采用灰色加权马尔可夫链对行车风险状态进行预测，构建了高速公路追尾事故链风险演化模型。吴建清^[244]利用车辆惯导、眼动仪及心理数据记录仪采集车辆运行、眼动及心电等多模态驾驶数据构建驾驶数据集，采用随机森林模型等多种模型建立了危险驾驶行为识别算法。黄小磊^[245]提出一种基于视频技术的实时监测系统，可及时发现和预警交通异常情况，提升事故预警能力。

综上所述，以往的研究在行车风险动态推演方面已取得一些进展，但仍有一些问题需要解决。以往研究主要针对常规交通情景下的单一风险评估，对高危情景下多源交通风险的叠加评估和推演较少。首先，常规研究往往只研究车辆行车状态及空间因素，而忽略场景中的静态风险因素动态变化带来的影响，忽略了如天气、路面条件等因素与行车风险的耦合交互关系。其次，常规研究较少综合考虑微观车辆运动与场景中的宏观交通状态间的联系，缺乏针对不同高危场景下行车风险演化机理探究。

3.2 交通安全风险动态评估与主动管理

动态交通控制技术是实现智慧公路交通运行状态调控的重要手段，已成为交通运行主动安全防控的重要途径。如何解析道路交通运行状态与交通事故风险关系、并有效消解事故风险是构建动态交通控制系统面临的核心问题。目前，中国部分城市如北京、上海、重庆以及国家高等级道路已实现视频或雷达监控高度覆盖，高精度车辆轨迹检测与追踪技术也已在学界和业界取得长足发展，为道路交通运行状态与实时事故风险关系研究提供了坚实基础。此外，近年来，能提供全息感知能力的道路交通管控系统已逐渐成为常态，可进一步丰富相关研究数据来源，有望实现其精准解析。与此同时，除了路侧管控设施，越来越多的车载管控终端投入使用，为基于车辆行为管控的交通事故风险主动干预提供契机。

(1) 交通运行状态与事故碰撞形态和严重程度关联规律

该方向研究考虑事故发生前的交通流特征，关注交通流特征对交通事故碰撞形态和严重程度的影响，对比分析不同碰撞形态和不同严重程度交通事故发生前的交通流特征，构建交通事故碰撞形态和严重程度判别模型。由于这些研究只考虑了交通事故发生前的交通流特征，无法区分交通事故发生前交通流特征和正常交通流特征，只能回答当前交通流条件下若发生交通事故，其为追尾事故或人员伤亡事故的概率。因而，这些研究无法根据高精度交通流数据实时计算交通事故发生概率。

(2) 交通运行状态对实时事故风险的影响规律

该方向研究同时利用事故发生前和正常状态下交通流特征开展研究，配对病例-对照方法和非配对病例-对照方法是最常采用的两种数据分析方法。

配对病例-对照方法根据指定的混杂因素(例如时间、地点、天气状况等)来抽取正常交通流数据，保证正常交通流数据与事故发生前交通流数据的混杂因素相匹配，以消除混杂因素(例如道路和天气因素)对研究结果的影响。配对病例-对照方法采用条件逻辑回归以消除有偏抽样导致的样本偏差，虽然在样本提取阶段就能够控制混杂因素的影响，但采用配对病例-对照方法构建的实时事故风险模型无法反映道路特征和天气信息对事故风险的影响，适用于道路特征较为相同的路段以及晴天条件下的事故风险预测。

非配对病例-对照方法通过完全随机方式抽取非事故数据，通过适当的统计分析方法，后者同样能够消除混杂因素对研究结果的影响，但与配对病例-对照研究方法不同的是非配对病例-对照方法直接用天气特征和道路特征变量作为模型的解释变量。非配对病例-对照方法可以利用传统逻辑回归构建实时事故风险模型，但由于实际样本的非事故样本与事故样本比例与真实总体的差异，需要采用位移变量修正逻辑回归的估计结果。

近年来，机器学习方法开始广泛应用于交通事故风险预测方面的研究，机器学习方法通过松弛对模型结构的假定，构建更加泛化的内在函数关系，从而提高事故风险的预测精准度。概率神经网络、多层感知机、支持向量机，都被用于实时事故风险预测，展示了比传统统计模型更好的拟合、预测性能。从交通安全实践角度来看，预测准确性应成为评价实时事故风险预测方法最重要的指标之一。因此，机器学习方法在该领域具有良好应用前景。

(3) 高精度车辆轨迹数据驱动的交通运行风险解析

随着交通数据采集手段日益丰富，毫米波、激光雷达等获取的高精度轨迹数据为交通运行状态和风险时空演化研究提供了重要数据支撑。结合ETC系统大规模网联数据，为路域时空范围层面、触达微观运动状态的交通运行特征解析提供了数据基础，为采集“微观-中观-宏观”全粒度的交通运行状态以及交通运行风险全维度指标提供了关键支撑。高精度路域范围的轨迹数据，辅以基于机器学习的数据挖掘技术，由此进一步解构风险演化与交通运行状态的动态响应关系，为揭示交通运行状态与实时事故风险关联规律及风险预防机制提供了技术途径。

(4) 交通事故风险主动管理技术

根据交通运行状态与实时事故风险的关联规律，消除交通事故风险的主要途经包括：在车队内部消解、通过交通流状态进行事故风险调控、通过交通管控技术干预交通运行状态。

目前不少文献研究通过外部干预交通运行状态消除事故风险，主要干预技术包括：交通流管控、车辆主动避让、风险提示等。车道级、全域覆盖交通管控技术的普及应用，为交通事故风险精细化干预与阻断提供必要的硬件支撑；此外，高精度全域覆盖的交通流信息和路域超视距感知技术，结合车路协同环境下车辆自主编队、协同感知、协作式避碰、队列拆分等车辆主动控制技术，为交通事故风险消解提供了时空连续控制方式。围绕交通管控与风险干预问题，仍需突破面向细粒度交通运行状态和风险演化状态感知的路域管控系统布设方法，以及针对不同风险场景与风险消散阶段的管控技术。

3.3 应急救援响应与调度

公路交通事故容易造成较大人员伤亡和经济损失，影响社会可持续发展。公路发生交通事故后，由于事故车辆缺乏必要的救援资源和医疗救助，救援部门需携带应急资源及时前往事故现场，保障道路畅通，降低人员伤亡和财产损失。根据交通部门数据统计，交通事故重伤人员若在30 min内得到恰当救护，存活率在80%左右，60 min内得到恰当救护，存活率40%左右，事故发生后90 min内救护，存活率不足10%。调查显示，交通事故中约有2/3的重伤人员由于未能及时得到救援而丧生，只有15%的伤员乘坐救护车就医。虽然世界范围内已开展多种事故风险监测预警与预测研究，但仍无法准确预测事故发生时间与地点，因此，深入开展高速公路应急救援响应与调度研究，能大幅降低高速公路交通事故所造成的损失。针对道路交通事故应急救援问题，揭示了突发事件和路面灾害实时检测感知机理，整理分析了应急响应与救援决策方法，收集提出了区域路网协调联动智慧调度技术，为缩短公路应急救援响应时间与资源有效调度提供有力的理论指导和可行的应用方法。

3.3.1 路面异常实时检测感知

随着智能交通系统和自动驾驶技术的迅速发展，对于高精度、高效率道路监测技术的需求日益增长。其中，实时监测路面状况，尤其是对突发事件和路面异常的检测与识别，对于预防交通事故、指导交通管理、优化道路维护策略等方面具有重大意义。通过三维重建、视觉识别和移动感知，准确检测感知公路路面的损毁状态，提取灾变动力响应，以在灾害发生的第一时刻高效准确地提供预警支持。

(1) 基于三维重建的路面异常检测与识别机理

三维重建的路面异常检测与识别方法理论主要基于高精度三维测量技术、图像预处理、特征提取、模式识别与机器学习算法等。三维重建可进一步分为三维激光方法、立体视觉方法和Kinect传感器3种方法，主要采用3D激光扫描仪、探底雷达、双目立体相以及Kinect传感器等专业设备来获取路面信息。在三维激光方法中，惠冰^[246]利用3D激光扫描仪扫描路面，通过不规则三角网插值方式重构异常路面三维模型，结合等高线识别路面异常，并得到异常面积、体积等详细信息。Gui^[247]利用高精度三维激光扫描仪得到路面场景信息，提出了3D路面部件分解模型，将3D路面轮廓分解为可用来描述路面异常的稀疏部件和确定路面变形的低频部件，从而识别路面异常。Roberts^[248]利用无人机斜交摄影采集道路图像，重建道路三维模型，并从中自动检测出路面异常及相应的尺寸范围。在立体视觉方法中，Ravi^[249]使用配备LiDAR的映射系统获取路面3D点云数据，提出一种沿路面映射坑洼的立体视觉方法，该方法在车辆的移动映射系统上使用超高精度激光雷达进行路面映射，通过加工LiDAR点云来检测并报告异常位置和严重程度。Fan^[250]提出一种基于立体视觉的坑洞检测系统，通过比较实际视差图和模型视差图之间的差异确定路面异常。Kamal^[251]使用Kinect传感器收集分析路面深度图像，识别路面异常且计算得到异常的近似体积。

(2) 基于视觉识别的路面异常检测与识别机理

目前多数学者研究关于视觉的路面异常检测与识别方法主要涉及深度学习技术，特别是卷积神经网络和目标检测算法如YOLO系列模型。这些方法利用计算机视觉技术来分析路面图像或视频，以自动识别和分类路面上的裂缝、坑洞等异常状况。这些方法不仅提高了路面异常检测的准确性和效率，还为路面维护和安全性评估提供有力的技术支持。Thumm ^[252]通过结合视频数据和加速度传感器数据来检测路面异常，通过加速度数据检测出有可能存在异常的视频序列，然后通过人工方式确定短视频序列中存在的异常，并在图像中标记相应区域。Ji-Won^[253]将RGB图像数据转换为灰度图，使用对象检测算法检测除异常之外的其他物体，将被检测到的对象移除并分配像素为255将其处理为背景，为提取路面异常特征，通过边缘检测提取异常轮廓，最后通过YOLO算法检测出路面异常并识别其异常类型。Bibi^[254]提出一种基于边缘人工智能和车辆自组织网络的自动道路异常检测机制。该机制使用摄像头拍摄道路图像，并在车辆中部署经过训练的道路异常检测模型，从而实现路面异常的自动检测。

(3) 基于移动感知数据的路面异常检测与识别机理

目前多数基于移动感知数据的路面异常检测与识别方法的理论研究主要涉及路面特征提取、路面异常识别与分类等关键步骤，并利用机器学习算法进行数据分析和处理。基于移动感知数据的路面异常检测与识别方法依托于先进的数据处理和模式识别技术，可以有效地实现对路面异常的实时检测与识别。这类方法以配备多传感器的单片机或智能手机为载体，采集路面移动感知数据并分析路面具体状况。Bello-Salau^[255]基于正常差分方程，提出一种Z差分正方形方法对Z轴加速度传感器信号进行统计分析，通过选取合适的阈值来检测路面异常。Alam ^[256]通过智能手机所内置的加速度传感器和陀螺仪采集数据，采用三维物体旋转技术来自动定位加速度传感器，使用线性回归算法自动调整用于检测路面异常的阈值，并使用基于决策树的分类器检测路面异常，使用K-medoid聚类算法对异常区域进行地理定位。Astarita^[257]利用基于阈值方法，探索了采用智能手机内置的加速度计传感器检测减速带和坑洼的有效性。Li^[258]提出一种增强的移动感知解决方案，利用移动感知数据来检测路面异常。通过连续小波变换对数据进行分析，检测出路面异常并估计了异常尺寸，利用空间聚类方法对检测结果进行优化。

综上所述，基于三维重建的方法具有较高的检测精度和识别准确率，然而由于数据采集需要专业的人员和设备，导致其检测成本高且效率低下。基于视觉的方法获取数据成本较低，来源较为广泛，然而图像数据处理过程较繁琐且需要大量资源，同时此类方法在检测路面异常时易受天气、光照等环境因素影响，具有一定的局限性。基于移动感知数据的方法，以智能手机等移动设备作为采集数据的载体，降低了人工成本，数据来源广泛，且时效性较强。与其他两种方法相比，具有低成本、高效率等优势，拥有广阔的应用前景。

3.3.2 应急响应与救援决策方法

公路应急救援是当前发展快速且应用范围广的专业救援类型。研究者们致力于开发和优化系列分析工具和方法，包括高级数据分析技术、仿真模型、预测算法以及人工智能应用，以支持高效的道路应急响应与救援决策。

在技术层面，创新的监测设备、通信技术和自动化系统正不断被引入到道路应急响应与救援决策过程中。无人机和机器人技术的运用为事故现场侦察和搜救提供了新的可能。物联网技术使得车辆和其他设备能够实现智能互联，优化资源管理和控制。此外，云计算和大数据技术的应用使得处理大量复杂数据成为可能，为决策提供强大的计算支持。虚拟现实和增强现实技术则在救援人员训练和模拟演练中显示出巨大潜力。此外，自动驾驶汽车研发进展也为道路应急响应带来新机遇。车辆能够自主导航至事故现场，并及时提供情报信息。增强现实技术运用也可提升现场作业效率，如通过AR眼镜向救援人员提供实时信息指导。另外，随着5G通信技术普及，其高速率和低延迟特点使得远程协作成为可能，这对于协调多方力量共同应对紧急情况尤为重要。最后，随着生物技术和医疗技术发展，现场急救和伤员救治方法也在不断进步，提高了救援决策成功率。

在评估维度与指标设置研究研究方面，应急救援是包含从前期准备、预警、应急处置以及善后处理等环节的综合过程，对于应急救援应从不同维度进行综合考评。刘洪昌^[259]将公路事故应急处置作为独立的评估环节，以应急联通、应急路配、应急资源配备、应急救援、应急恢复能力为指标。Lawson^[260]根据国际道路评估组织提供的评估方法将公路道路安全风险分类为设施风险、驾驶风险、事故救援、组织架构等方面，对公路建设开展安全风险评估。

3.3.3 区域路网协调联动智慧调度

公路区域路网协调联动智慧调度在理论层面研究现状体现在多学科交叉融合，涉及交通工程、系统工程、控制理论、信息论和计算机科学等领域。交通流理论作为研究基础，通过流体动力学和车辆跟驰模型等描述和预测交通状态，为智慧调度提供依据。网络几何学和复杂网络理论被用于分析路网拓扑结构和功能性，识别关键节点和链路，优化路网布局。系统工程理论中的协同学和博弈论被引入研究不同用户和不同区域路网间的互动与合作机制。控制理论在设计反馈控制策略和实时调整信号配时中发挥作用，以响应动态变化的交通条件。信息论则指导如何高效处理和传输交通数据，确保信息的准确和实时性。计算机科学中的算法设计和人工智能技术为智慧调度提供了高效计算和数据处理能力，尤其是在机器学习和深度学习方面的应用，使得交通预测和行为分析更加精准。这些理论研究相互补充，共同推动公路区域路网协调联动智慧调度的理论进展，为实际问题的解决提供了多样化视角和方法。

区域路网协调联动智慧调度方法包括交通预测模型、优化算法设计、交通模拟与仿真，以及基于大数据的决策支持系统开发和应用。罗轩^[261]提出一种基于配电网-路网融合的移动储能车(MESV)多场景时空协同优化调度策略。

区域路网协调联动智慧调度深度依赖于一系列先进技术，包括信息技术、数据通信与处理技术，以及人工智能和机器学习算法。智慧调度系统通常建立在集成车联网通信平台上，利用各种车载传感器、摄像头和GPS等设备来收集实时交通数据，并借助4G/5G网络、Wi-Fi、蓝牙等无线通信技术实现数据的快速传递和交换。云计算和边缘计算技术为处理大规模交通数据提供强大支持，使得对交通状况的监控、分析和预测变得更加高效和精确。此外，人工智能技术，尤其是深度学习和强化学习的应用，显著提升系统的决策能力和调度策略的智能化水平，使得系统能够处理更复杂和动态的交通管理任务。为确保系统安全性和可靠性，还采用多种加密技术和安全协议来保护数据安全和用户隐私。总的来说，技术层面研究正推动智慧调度向更高协同性、自适应性和智能化方向发展，以应对日益复杂的交通需求和挑战。

交通事故发生后，区域内设施点应急关键资源储备不足，需要应急关键资源重分配，具备动态性和不确定性。区域路网智慧调度侧重于应急关键资源重分配，以实现资源动态流转，通常考虑资源需求的不确定性。此外，实时可靠计算是智慧调度的关键，可持续发展绩效是新的优化目标^[262-263]。目前，学者们多从需求不确定、考虑二次事故的应急关键资源配置及动态求解算法等开展研究。Yan^[264]提出一种融合环境信息的动态资源配置模型，使用基于自适应编码的遗传算法进行求解，结果表明动态资源配置模型可以解决交通流不确定性问题，但计算时间不稳定。Bouyahia^[265]提出一种两阶段交通资源配置方案，第1阶段使用马尔可夫随机场模拟和预测道路上的交通拥堵，第2阶段根据拥堵传播预测结果，自动配置应急关键资源。

智慧公路建设作为基础建设中的重要一环，其发展模式已不仅局限于技术迭代累加与功能不断复杂化。对公路交通突发事件、路面灾害实时监测感知进行研究，通过识别及分析增加预测准确度，完善预警模型和决策方法，优化区域路网协调联动智慧调度技术，能够有效消除突发事件产生的危害，为公路交通安全发展提供重要支撑。

4 总结与展望

交通安全是智慧公路发展过程中的核心和根本。本研究从道路基础设施、车路协同、数智管理等多维度探讨，可看到在智慧公路交通安全领域已取得一定的理论方法创新及技术突破和应用。

(1) 道路基础设施与交通安全方面，面向人机混驾的道路安全设计、数字化交通标志标线及全生命周期数字化管理方法逐步成熟，基于物联网和数字孪生的智能感知技术显著提升道路状态监测能力。面向自动驾驶的道路线形优化设计(如车道宽度阈值)、数字化交通标志及基于BIM的全生命周期管理，可显著提升道路适驾性。物联网与数字孪生技术的结合，可实现桥隧等关键设施健康状态实时监测与预警。

(2) 车路协同与交通安全研究聚焦智能路侧、车载及网联系统，智能路侧系统通过多传感器融合实现交通冲突识别与预警，车载系统依托通信技术与主动安全防撞技术提升实时风险应对能力，而智能网联环境下的协同避撞与风险评估为研究热点。智能路侧系统通过雷视融合技术实现车道级感知，毫米波雷达与视频协同的交通冲突识别精度达90%以上。车载通信技术(C-V2X与DSRC)稳定性提升与安全加密协议设计，为车辆主动避撞和网联协同决策奠定基础。

(3) 数智管理与交通安全层面，多源数据驱动的安全态势感知与推演技术、动态风险评估模型、三维重建与移动感知技术、应急救援智慧调度系统的发展，有助于精准识别事故黑点，应急救援调度系统响应时间可缩短50%，提高区域路网资源调配效率，为交通安全提供全链条解决方案。

随着人工智能、物联网、大数据、云计算等智慧公路核心技术的发展，未来智慧公路交通安全相关理论、方法、技术、应用也将面临新的挑战。

(1) 面向新型混合交通流的智慧公路交通安全分析理论

针对人工驾驶、自动驾驶及网联车辆共存场景，需建立异构交通流耦合模型，揭示渗透率、通信延迟与交通稳定性的动态关系，发展基于博弈论的多智能体协同决策算法，解决混驾环境下车辆换道、分合流等交通冲突问题。

(2) 基于数字孪生的智慧公路全生命周期安全管理方法

构建“物理-虚拟”双向映射公路数字孪生体，集成高精度地图、实时传感器数据与交通仿真模型，实现风险预测-评估-干预闭环管理，探索区块链技术在交通数据确权与共享应用，确保孪生模型数据可信性与跨平台兼容性。

(3) 智慧公路交通安全自主防控技术

研发低时延边缘计算架构，支持车载系统毫秒级风险响应，强化AI算法可解释性，通过因果推理模型揭示事故致因链，避免“黑箱”决策导致系统性风险。

(4) 韧性交通系统建设应用

发展极端天气与突发事件下的自适应交通管控技术，如雾区智能诱导系统与冰雪路面自融雪材料联合应用，构建基于强化学习的动态应急资源调度模型，优化无人机-救护车-清障车多模态救援路径，大幅提升重伤员存活率。

(5) 伦理与标准化挑战

制定人机共驾责任认定框架，明确系统故障与人为失误边界，推动相关法律法规完善。建立统一的V2X通信协议与数据接口标准，破解“信息孤岛”难题，促进跨区域及平台协同。

智慧公路交通安全发展需以技术创新赋能基础设施升级，以数据驱动重构管理体系，最终实现“零伤亡愿景”。随着6G通信、量子计算等前沿技术突破，未来交通系统将更加安全、高效与人性化，为全球可持续交通发展提供中国方案。