二维激光雷达数据角点特征的提取

为增强无人车识别行驶环境中角点特征的鲁棒性, 并提高角点特征的识别速度, 基于观测点的二变量正态概率密度映射之间的相对差值, 提出了一种角点特征提取方法; 将观测数据组映射到二变量正态概率密度空间, 获得每个观测点的映射; 对映射结果进行归一化, 消除协方差引起的数值差异; 在映射数值曲线中寻找波峰与波谷的位置, 波峰对应的观测点最接近均值点, 波谷对应的观测点最接近拐点; 利用波峰和波谷的相对高度判定该组观测数据是否符合角点特征的边长要求; 用波谷对应的原始观测数据点坐标作为角点特征, 构建环境特征地图。试验结果表明: 提取方法能够处理观测点数大于63, 观测点角度分辨率大于1°的稀疏观测数据, 在大尺寸室外环境和室内环境中, 提取方法都能够稳定识别大型角点; 对小于180个点的观测数据, 最大处理时间小于5ms, 平均处理时间小于1.9ms, 提取方法减少了构建环境特征地图的时间; 提取方法依据观测数据的二变量正态概率密度提取角点特征, 对观测误差和角点特征的尺度与形状不敏感, 能够有效提高角点特征的识别鲁棒性。      

考虑车车与车路通讯并存的路侧单元优化布设方法

路侧单元(Road Side Unit,RSU)作为车路协同系统(Cooperative Vehicle Infrastructure System,CVIS)中路侧感知控制网与网联化车辆自组网的重要节点，其布设方案对车路交互效能、系统建设成本与协同服务水平均产生较大影响。现有RSU优化布设研究主要基于车路(Vehicle to Infrastructure,V2I)通讯，忽视了车车(Vehicle to Vehicle,V2V)通讯的转发和中继作用，也缺乏对RSU设备及线网布设成本的相关考量。针对上述问题，面向V2V和V2I通讯并存环境，考虑信息覆盖正向收益与设备/线网布设负向收益，构建面向综合收益最优的RSU布设方案优化模型。首先结合信息流-交通流耦合模型获取传播时间矩阵，提出权重约束可达性算法，构建布设方案与信息覆盖正向收益之间的关系方程。然后针对动态最优布设方案条件下的最优线网布设问题，提出改进的最小生成树模型，并以此设计综合收益最优的RSU优化布设模型。最后，基于井字形算例路网，进行模型验证和关键系数敏感性分析；并基于Sioux Falls路网，将所提出的模型与现有未考虑信息流-交通流耦合特性的RSU优化布设模型进行对比。研究结果表明：所构建的布设方法可较好地反映实际信息流传播状态，覆盖率误差在5%以内；RSU最优布设方案与交通流运行状态密切相关，交叉口及路段中节点均有成为最优节点的可能；RSU布设方案将受线网/设备布设成本和信息生命周期的直接影响；对比现有模型，在Sioux Falls路网和所给定参数的条件下，所提方法在信息覆盖率和布设后的综合收益方面相较现有方法均提升了30%以上。     

混行环境下网联信号交叉口车路协同控制方法

为了提高网联信号交叉口车路协同控制对真实交通环境的适应性,以智能网联汽车与网联人工驾驶汽车混行的典型交通应用场景为研究对象,通过构建八相位网联信号交叉口,研究了混行环境下的交通信号和网联车辆轨迹车路协同优化控制方法;在对场景中的网联车辆运动学特性和跟驰行为进行建模的基础上,构建了一种混行车辆编队方法;基于混行车队模型、安全约束与燃油消耗模型,建立了基于滚动优化的交通信号-车辆轨迹协同优化控制方法;基于异步分层优化思路,将该协同控制问题分解为上层交通信号优化与下层车辆轨迹优化两方面,以交叉口车辆行驶延误时间和燃油消耗量为优化目标,利用遗传算法和“三段式”轨迹优化法分别对交通信号优化问题与车辆轨迹优化问题进行求解;对不同稳态车速与智能网联汽车渗透率下构建的混行交通流的稳定性进行了验证,并通过仿真测试分析了所提出的协同优化控制方法的控制效能与关键参数对控制效能的影响。分析结果表明:在不同交通流量与智能网联汽车渗透率下,提出的控制方法均可有效提升交叉口通行效率与燃油经济性;在完全渗透环境下,较固定配时交通信号控制方法最高可分别提升57.3%和13.3%;随着智能网联汽车渗透率的增加,其控制效能不断提高,较无渗透条件最高可分别提升42.0%和14.2%;即使智能网联汽车渗透率仅达到20%,较无渗透条件也可以在交通效率方面实现20.4%的显著改善;较长的交通信号周期与较短的网联人工驾驶汽车驾驶人反应时间有助于协同控制效能的提升。      

车路协同条件下智能网联高速公路通行效率信息自适应分发协议:NRT-V2X

车路协同技术是解决自动驾驶中单车智能现存缺陷的关键技术。而智能网联高速公路的出现为车路协同技术真正应用于实际提供了良好的平台，其中，路侧单元（Road Side Unit，RSU）如何将路侧传感器信息或交通监控中心发布消息传递给路上车辆，是车路协同技术的一个关键环节。为此，提出一种基于V2V（Vehicle to Vehicle）和V2I（Vehicle to Infrastructure）融合的自适应数据分发协议（Adaptive Network and Road Traffic Data Dissemination for V2X，NRT-V2X）。NRT-V2X协议在影响通行效率事件的车流上游为RSU定义了一段服务区域（ROI，Region of Interest）。RSU通过感知服务区域中车辆的无线通信网络状况和路面交通状况来自适应调整其信息发送间隔，从而在保证ROI中车辆信息全覆盖的前提下，降低RSU发送信息开销，抑制ROI内车辆的接收信息冗余。基于创建的2个场景和2个车路协同应用，利用双向耦合车联网仿真平台进行性能评估。试验结果表明：采用NRT-V2X协议的车路协同技术可使高速公路的通行效率提高28%以上；与RSU固定发送间隔协议和典型V2X协议ATB相比，NRT-V2X的信息覆盖率稳定在100%，发送信息开销降低了至少30%，接收信息冗余下降了20%以上；NRT-V2X能够将智能网联高速公路通行效率相关信息高效地由RSU分发到其定义的ROI中的所有车辆，从而保证所有车辆预先接收到相关信息，选择最优行车路线，提高通行效率。     

基于场景的自动驾驶汽车虚拟测试研究进展

随着自动驾驶等级的提高，面向传统汽车的测试工具与测试方法已不能满足自动驾驶汽车测试的需要。基于场景的虚拟测试方法在测试效率、测试成本等方面具有巨大的技术优势，是未来自动驾驶汽车测试验证的重要手段，已成为当前的研究热点。通过对大量相关文献的系统梳理，综述了基于场景的自动驾驶汽车虚拟测试研究进展。对比分析了自动驾驶测试场景的不同定义方式，明确了测试场景的内涵，归纳了测试场景的要素种类，概述了测试场景的数据来源，总结了场景数据的处理方法。在此基础上，对自动驾驶汽车虚拟测试方法进行了总结，分析了典型的测试方式、测试平台和虚拟测试的技术要点，梳理了软件在环、硬件在环和车辆在环测试方案及其关键技术。针对自动驾驶汽车测试效率问题，研究了基于场景的加速测试技术，概述了典型的测试场景随机生成方法和危险场景强化生成方法。最后，对基于场景的自动驾驶汽车虚拟测试所面临的问题及未来发展趋势进行了分析和展望。研究结果表明：基于场景的虚拟测试是推动自动驾驶技术发展和产业落地的必由之路，未来研究应着力突破基于解构与自动重构的测试场景数据库、人-车-环境系统一体化高置信度建模、自动驾驶汽车虚拟测试标准工具链、不同自动驾驶汽车渗透率下的混合交通模拟与测试、测试案例动态自适应随机生成机制等核心共性技术，建立自动驾驶汽车虚拟测试标准体系。     

基于封闭测试场的DSRC与LTE-V通信性能测试研究

针对专用短程通信(DSRC)和LTE-V技术的性能测试需求,在封闭测试场搭建了静态、动态条件下的5种场景,构建了面向智能网联交通应用的模块化测试平台,并设计了一种通信性能测试系统及方法,以数据包投递率和时延为评价指标,通过测试对比分析了通信距离、遮蔽物、车速等因素对DSRC和LTE-V通信性能的影响。结果表明:通信距离和遮蔽物是影响DSRC与LTE-V通信性能的重要因素,但LTE-V较DSRC有更广的通信范围,在同一范围内有更可靠的性能;车速对二者通信性能影响较小,但在高速场景下,两车距离较近时,LTE-V出现时延突增现象,DSRC较LTE-V有更佳的性能。     

智能公路发展现状与关键技术（双语出版）

借鉴美国自动公路系统（Automated Highway Systems，AHS）技术框架，系统回顾了初级应用、通信技术、绿色能源技术、自动驾驶技术等不同因素驱动下智能公路的概念演化、技术发展和未来变革。根据当前信息技术的发展趋势，在AHS的研究基础上延伸和扩展了智能公路的概念和技术框架，提出了未来智能公路系统的演化方向以及包含信息管理层、网络通信层和感应控制层的智能公路体系架构。同时，瞄准当前主流技术和未来科技发展方向，总结了泛在无线通信、高精度定位与导航、车辆队列控制、无线充电、道路智能材料、道路主动安全控制、面向出行即服务的车路信息交互、基于基础设施的智能决策规划等驱动智能公路快速发展的新兴技术研究现状，并基于这8项关键技术的自身发展特点，提出了未来智能公路技术应用和推广的建议措施；分析了车路协同一体化、智能平行系统、人工智能、交通信息安全、自动驾驶等新兴技术将对未来智能公路发展带来的冲击和影响；系统性地预测了智能公路技术的商业化推广路线以及未来智能公路的应用将进一步降低自动驾驶的技术设备成本，为自动驾驶提供了一个更安全、更稳定和高效的交通环境。研究成果将对当前和未来智能公路的技术研发和工程应用具有一定指导意义。     

智能网联汽车协同生态驾驶策略综述

为了跟踪近年来智能网联汽车(CAV)协同生态驾驶策略的研究进展, 分析了车辆、驾驶行为、交通网络和社会这4类因素对CAV能耗的影响程度, 以车辆、基础设施和旅行者为对象对目前CAV生态研究进行分类, 重点分析了信号交叉口生态驶入与离开、生态协同自适应巡航控制、匝道合流区生态协同驾驶、生态协同换道轨迹规划和生态路由5种典型车辆协同生态驾驶应用场景的研究现状。分析结果表明: 相比人类驾驶方式, 在任何交通流量CAV 100%渗透率的条件下和低交通流量CAV部分渗透率的条件下, CAV油耗节省效果显著, 最高可达63%, 而具有部分智能化和网联化等级的CAV油耗可至少节省7%;现有研究较少考虑人机共驾情况下, 驾驶人反应延迟和自动控制器传输延迟导致的轨迹跟踪偏离; 现有研究将车车通信/车路通信假定为理想数据交互过程, 未考虑通信拓扑、传输时延、通信失效与基站切换等因素对CAV生态协同驾驶策略的影响; 现有研究较少探讨多车道、交叉口转向-直行共用车道和U型车道等交通场景, 以及不同智能网联等级CAV与人类驾驶汽车、行人、自行车等共存的混合交通条件下的生态驾驶策略; 受限于自动驾驶技术和基础设施尚未成熟和完善, 真实交通场景下的测试验证工作尚未开展; 车辆控制、车车通信、多车协同、混合交通流场景、半实物仿真测试和真实交通场景测试等方面将是CAV协同生态驾驶策略的进一步发展方向。      

降雨条件对车载激光雷达性能影响的试验研究

激光雷达是自动驾驶车辆最为关键的传感器之一，被广泛用于车辆定位、目标检测与跟踪等任务。然而，激光雷达的点云数据会受到恶劣天气（如雨、雾、雪等）的严重影响，致使自动驾驶全天候行驶仍然面临着巨大挑战。为了量化评估恶劣天气对激光雷达性能的影响，分析了降雨环境下激光雷达的性能，基于构建的场地降雨模拟系统控制降雨量，通过多视角的静、动态试验定性与定量分析激光雷达测距精度、典型目标点密度、有效检测距离等性能参数与降雨量之间的关系。试验结果表明：车辆作为目标物时，目标物上的激光点云受降雨的影响最大，相较于无雨环境，中雨时打在汽车上的激光点数降低幅度超过了60%，检测距离下降了69%，并且随着降雨量的增大激光雷达对目标的有效检测距离持续下降；试验方法和结果对于测试评价自动驾驶性能及提升降雨环境下的激光感知能力具有重要意义。