1.1.3 智能网联汽车路侧智能感知系统

1.路侧感知功能

路侧感知就是利用摄像机、毫米波雷达、激光雷达等传感器，并结合路侧边缘计算，实现对该路段的交通参与者、路况等的瞬时智能感知。

路侧感知能拓展自动驾驶车辆和驾驶人的感知范围，并通过V2X车路协同技术实现人-车-路-云的一体化运行监测，第一时间发现道路通行异常，实现车路协同、车云协同、区域路云协同等智能应用，满足自动驾驶车辆和社会车辆智能出行需求，同时它能使监管机构变得更加高效灵活，从而建立一个响应速度更快、更加灵活的监管环境。

针对自动驾驶车辆，路侧感知将增强其感知能力，有效弥补单车智能的感知盲点，让自动驾驶由过去的单车智能转变为有组织的高效协同合作。在自动驾驶感知、决策层面技术痛点无法短时间突破的背景下，行业正由单车智能走向协同智能，也将推动自动驾驶产业加速成熟，最终形成低成本的自动驾驶。

针对普通社会车辆，路侧感知将给其赋能先进辅助驾驶功能。通过路侧雷达、摄像头等传感器采集汽车周边、前方较远距离的环境数据，进行静态和动态物体的识别与跟踪，控制系统结合地图数据做出行为决策，使驾驶人觉察可能发生的危险，从而有效提升驾驶安全性与舒适性。社会车辆通过安装车路协同App或者观察道路侧的交通信息指示牌，即可体验部分功能，获取视距范围外的实时路况信息，提前根据需要减速或调整路线，以达到降低交通隐患、舒适出行的目的。

路侧感知数据接入交警数据平台，可将原始数据和本地处理的结果上传云端，通过对海量交通运行数据进行整合处理，形成分析预测模型，运用于交通调度引导、线路规划和车辆管控等方面，推动道路基础设施要素资源全面数字化、“人车客货”互联互通，用数据管理和决策为车辆的运行与监管提供全方位的支持，为提升高速公路的交通效率提供了有效的解决方案。

2.路侧感知常见应用场景

通过对不同类型的路段进行路侧感知会得到相应的应用场景，这些应用场景不但能够保证车辆安全通行的需求，同时还能够满足智能网联车辆的测试需求。立足于不同路段的交通流特点及其延伸出来的痛点分析结果，我们将路侧感知应用场景划分为智慧高速道路和智慧城市交叉路口两个主要的应用板块。

智慧高速解决方案中，路侧感知主要场景见表1-1。

智慧城市解决方案中，路侧感知主要场景见表1-2。

网联化是指通过V2X技术，让所有道路参与者实现路况信息实时共享，实现真正的“人-车-路-云”协同智能。路侧感知是V2X的重要组成部分，通过架设在道路侧的传感器感知实时道路信息和交通信息，并与车辆共享，使车拥有超视距感知能力，为实现更高级别的智能驾驶提供新方向。同时，V2X技术是物联网技术面向应用的概念延伸。通过V2X技术，将路侧传感器与车载传感器等进行互联，也有利于实现单机智能向互联智能，甚至主动智能方向转变。因此，智能网联汽车路侧智能感知离不开交通标志和信号灯的识别技术。

3.交通标志识别系统

在与机动车有关的死亡事故中，一部分是因为发生了与速度有关的碰撞。交通标志识别（TSR）是一种先进驾驶辅助系统，也是一个车辆安全系统。该系统使用先进的前置摄像头，一般安装在风窗玻璃上，靠近后视镜。摄像头处理道路标志的检测，软件对其进行处理，对某些交通标志的含义进行分类。在对交通标志进行分类后，通过仪表板、多媒体或平视显示器将交通标志信息传递给驾驶人，帮助驾驶人了解速度限制和其他道路标志，帮助驾驶人提高安全意识，能够做出更安全的驾驶决定。

交通标志的识别包括两个过程：检测和识别。

检测的目的是去除无效信息对识别的干扰，只对感兴趣的区域处理，减少计算机处理图像的计算量。一般是通过交通标志的色彩或是形状特征以及两者综合的方法检测出所有可能是交通标志的区域，然后将兴趣区域从整个图像中分割，再进行规则化以方便在接下来的识别阶段识别交通标志。检测方法通常分为基于颜色和基于形状检测两类。颜色是交通标志最重要的特征之一，同类交通标志通常具有颜色相同的特征，比如我国交通标志大部分为红、黄、蓝、黑、白几种颜色，并且视角改变时颜色也不会发生改变。而且，根据色彩空间的特征，颜色具有较好的可分离性。通过特征颜色分割，可以达到去除大片非感兴趣区域的目的，这有利于提高系统的实时性。

识别就是进一步判定分割出的交通标志内核区域的含义。在完成检测到交通标志并把非交通标志的区域设为背景后，还要经过将分割出的图像进行归一化以及预处理操作，如消除噪声、拍摄抖动、光照等的影响，而后对其内核内容进行识别，通常使用支持向量机进行分类。该方法是一种基于对大量样本学习的优化分类模型，原理是根据统计学的结构风险最小化原理，其结构简单泛化能力强，在颜色分割的基础上，以目标区域的边界距离为特征训练线性支持向量分类检测交通标志，然后以交通标志的全部像素为特征训练非线性支持向量分类机来对标志进行分类理解。该算法不足之处是以标志的全部像素为特征，特征空间较大，网络复杂；分类时需要高维映射，计算量较大。

交通标志检测并不是在所有情况下都能发挥作用，当道路标志损坏、缺失或相隔距离较远时，就更明显了。由于识别道路标志的固有问题，一些车辆使用TSR和全球定位系统（GPS）数据的组合来驱动其当前的速度限制显示。将不同来源的数据结合起来，可以获得更好的知情驾驶体验。

目前的技术还不能确定所有的交通标志，也不能在所有条件下运行。TSR系统的性能受以下几种情况限制：前照灯脏污或调整不当；风窗玻璃脏污、起雾或堵塞；翘曲、扭曲或弯曲的标志；轮胎或车轮状况异常；由于重物或修改悬架而导致的车辆倾斜。虽然TSR和类似的车辆传感技术在迈向完全自主驾驶方面很有帮助，但距离仍然很大，驾驶人不能完全依赖任何ADAS来替他们驾驶。

4.交通信号灯识别系统

交通信号灯识别系统同样包括检测和识别两个基本环节。首先是定位交通信号灯，通过摄像头从复杂的城市道路交通环境中获取图像，根据交通信号灯的颜色、几何特征等信息，准确定位其位置，获取候选区域。然后是识别交通信号灯，通过检测算法获取交通信号灯的候选区域，通过对其分析及特征提取运用分类算法，实现对其分类识别。

（1）系统组成

交通信号灯有各种识别系统，主要由图像采集模块、图像预处理模块、检测模块、识别模块、跟踪模块和通信模块等组成。

1）图像采集模块。摄像头的成像质量好坏将影响后续识别和跟踪的效果，一般采用彩色摄像头，其中镜头焦距、曝光时间、增益、白水平等参数的选择都对摄像头成像效果和后续处理有重要影响。

2）图像预处理模块。图像预处理模块包括彩色空间选择和转换，彩色空间各分量的统计分析基于彩色分析的彩色图像分割、噪声去除以及基于区域生长聚类的区域标记，通过图像预处理后得到交通信号灯的候选区域。

3）检测模块。检测模块包括离线训练和在线监测两部分。离线训练通过交通信号灯的样本和背景样本的统计学习得到分类器，利用得到的分类器完成交通信号灯的检测。

4）识别模块。通过检测模块在图像中的检测定位，结合图像预处理得出信号灯色彩结果、交通信号灯发光单元面积大小和位置等先验知识，从而实现交通信号灯的识别功能。

5）跟踪模块。通过识别模块得到的结果可以得到跟踪目标，利用基于彩色的跟踪算法可以对目标进行跟踪，有效提高目标识别的实时性和稳定性。运动目标跟踪办法可分为四类，分别是基于区域的跟踪办法、基于特征的跟踪办法、基于主动轮廓线的跟踪办法和基于模型的跟踪办法。

6）通信模块。该模块是联系环境感知模块、规划决策模块与车辆底层控制模块的桥梁，通过制订的通信协议完成各系统的通信，实现信息共享。

（2）识别方法

交通信号灯的识别方法主要有基于颜色特征的识别算法和基于形状特征的识别算法。

1）基于颜色特征的识别算法。基于颜色特征的交通信号灯识别算法主要是选取某个色彩空间对交通信号灯的红、黄、绿3种颜色进行描述。在这些算法中，依据对色彩空间的不同，主要分为基于RGB颜色空间的识别算法、基于HIS颜色空间的识别算法和基于HSV颜色空间的识别算法。

2）基于形状特征的识别算法。基于形状特征的识别算法主要是利用交通信号灯和它的相关支撑物之间的几何信息。这一识别算法的主要优势在于交通信号灯的形状信息一般不会受到光学变化和天气变化的影响。此外，也可以将交通信号灯的颜色特征和形状特征结合起来，以减少单独利用某一特征所带来的影响。