连云港杰瑞电子有限公司
张锋鑫
随着车路协同技术发展“聪明的车、智慧的路”给城市智能交通系统带来了广泛的影响，使得智能交通系统在前端设备感知、前后端信息交互、交通协同指挥控制、精准信息服务等方面发生了较大的变化。
围绕城市智能交通车路协同新型应用场景，以边、云多维度协同为核心，以5G、云原生、大数据、边缘计算、高精地图和高精度融合定位技术为基础，打造基于道路数字化和车、路、云、网协同的城市智能交通综合管控系统，系统能够满足辅助驾驶和自动驾驶多场景的应用需求，具有实时感知、实时决策、实时控制的能力。
(一) 城市智能交通系统架构的演进
传统的智能交通系统更多的是服务于交通管理者的业务系统，系统架构上多采用一个中心融合多套子系统业务的方式设计，系统的数据存储、网络结构以及部署方式采用中心集中式。这种架构存在中心系统对路面设备有一定的控制能力，但实时性不高，不能全域覆盖的问题；系统整体性能受限于中心硬件性能，并存在单点故障和性能瓶颈的问题；系统建设初期投入成本高且扩展困难等问题。
面向车路协同的城市智能交通系统中增加了为网联车辆提供信息服务和对网联车辆实时控制的需求。城市中一段时间内驶入驶出的车辆数量变化巨大，一方面系统为了满足向所有车辆提供信息服务的目标，需要系统具有实时动态扩容能力；另一方面在保证车辆行驶安全的前提下，为了实现将决策控制指令及时、准确的送达网联车辆，需要系统具有强大的实时计算、分析和通信能力。因此在车路协同系统架构中增加了边缘层，其物理形态是在路侧增加了多接入边缘计算设备（MEC），此设备具有成本低、扩展性强、实时性高的特点，并且兼具云、端之间多维度协同载体的功能。车路协同系统就形成了一个云中心多个边缘节点的云-边-端三层融合架构，系统架构如下图1所示。
图 SEQ 图 \* ARABIC 1系统架构图
云端构建于传统的云计算体系之上，包含IAAS、PAAS、SAAS 三层，并增加了DAAS（数据即服务）层。采用云计算是为了满足车路协同场景下更大规模的数据采集、分析需求，IASS层实现了计算资源、网络资源、存储资源的虚拟化，满足动态申请、配置、释放的弹性配置需求；PAAS层包含分布式文件系统、分布式数据库、流式计算、人工智能等中间件服务，可以支持大规模数据的分析和存储；DAAS完成交通数据的ETL，交通数据主题库梳理，交通数据开放共享等数据服务的发布；SAAS层中构建交通综合管控系统的各功能单元，用于支撑开展各项业务。
虚线框出的边云协同逻辑层，该层包含的五类协同（数据协同、智能协同、应用协同、服务协同、管理协同），协同并非仅仅在云与边之间发挥作用，其在边与设备层之间也同样存在多类型的协同，甚至云与设备层之间也会协同工作。
边端采用云原生技术构建位于路侧或者区域性汇聚节点的边端微云，边端微云节点负责指定区域内的路侧设备数据采集、分析、存储，并可以实时与中心云端进行数据、信息、指令的交互。城市中有多个边端微云节点，实现城市大范围的数据分布式采集、分析、存储等任务，也能实现动态调整系统负载功能，并可以在必要时将云端所需的各类信息上传，并担负协同服务的角色。
设备层是服务于智能交通综合管控业务的前端设备设施，包括RSU、道路交通信号机、视频摄像机、检测器、诱导显示屏、执法仪、车载终端设备、交通信号灯、雷视一体机等，这些设备采用物联网协议或者传统的通信协议实时上传设备数据和接受控制指令。
(二) 多种信息技术服务于多维度协同
车路协同系统并不是由全新的技术体系支撑，而是现有信息技术的综合应用，解决系统建设中存在的问题，完成全新一代面向车路协同多业务场景的应用系统建设。
多维度协同围绕云、边、端之间的数据协同、智能（算法）协同、应用协同、服务协同、管理协同五方面开展，通过完善这五方面的协作流程，支撑一个云中心、多个边缘云节点和N个网联车辆以及交通设备设施之间的分布式协同。
车路协同系统存在需求多、场景复杂、应用部署和维护管理困难等问题，例如路侧和车载设备类型多种多样，边端数据采集分析软件一方面需要根据设备类型、通信协议的不同进行定制开发；另一方面需要按照系统需求的变化进行不定期升级和重新部署，但是边端散布在城市的不同地点，如果依靠人工进行升级更新，不仅耗时并且容易出错，甚至会影响系统整体的稳定性。
云原生包括容器化、微服务、DevOps、持续交付等技术，云和云原生技术（见图2）在车路协同云端、边缘侧融合应用如下图所示。中心通过公有云或私有云提供中心平台的横向扩容能力。容器化为路侧性能受限的边缘计算设备提供弹性运行环境，能够大幅提升系统实时扩展性，是数据协同、智能协同、应用协同、服务协同和管理系统的运行载体；微服务技术协助完成系统功能和业务接口的动态发现，并提升系统运行稳定性；DevOps与持续交付将车路协同系统分布式多层架构的软件部署、升级、维护工作简单化、透明化，提供全链路、全周期、全实时、全业务场景的应用支撑。
图 SEQ 图 \* ARABIC 2云、云原生技术
视频在智能交通系统中应用广泛，传统的交通系统将路面视频通过网络传输回中心，中心部署GPU用于分析视频并应用。这种方式对中心网络带宽需求很高、存储资源需求大，中心系统横向扩展时存在受网络带宽容量和一次性投入成本限制强等问题，因此传统系统只能将部分关键路口或者路段视频进行挖掘分析。
对于车路协同系统除了需要处理传统球机和枪机视频以外还需要融合分析车载视频和无人机视频，并对视频分析输出结果的实时性和准确性提出了更高要求。传统视频分析架构已经不能够满足车路协同系统视频应用的要求，需要借助多接入边缘计算设备（MEC）在路侧完成视频流采集、存储、分析以及交通事件预警等功能，并将分析完成的结构化数据和图片传输到中心大数据平台，进一步开展全域数据关联挖掘。多接入边缘计算设备可以灵活部署，通过增加路侧MEC可以满足海量视频源的接入和分析应用，这样就大大提升了系统横向扩容能力。大数据与边缘计算技术在视频分析这一典型应用场景中多维度协同如下图3所示。
图 SEQ 图 \* ARABIC 3大数据、边缘计算技术
(三) 协同感知和协同决策是关键
协同感知和协同决策是车路协同系统中面向网联车辆提供基础信息服务和安全协控能力。协同感知是不依赖于车载摄像头、雷达等感知设备，通过提升路侧设施感知能力实现车路协同。高级别的协同感知具有感知设备多样、道路全面覆盖、检测识别准确率高、定位精度高等特点，能够服务于高级别的自动驾驶。协同感知数据流如下图4所示。
图 4协同感知数据流图
在保障安全的前提下，以协同感知为基础，道路具备协同决策和控制的能力。协同决策一般分为有条件的协同决策控制和完全协同决策控制，有条件协同决策是在专用车道或者封闭区域实现，可以实现诸如协作式换道、无信号路口协同通行、紧急车辆优先控制、自动泊车等功能；完全协同决策是在任何时间、任何道路和交通环境下都可实现车路全面协同控制，此类场景落地还存在较多的技术和安全问题，协同决策主要流程如下图5所示。
图 5协同控制流程图
(四) 基础设施数字化与融合定位方法
基础设施数字化是车路协同的基础，交通设备和设施可分为有源和无源两大类，有源设备可以通过物联网技术，采用多网络、多协议实现全域、全量数字信息采集；无源设备设施借助视频、RFID、二维码等手段实现数字化。多接入边缘计算设备是基础设施数字化的中心，通过北向、南向的多语言接口协议支撑车路协同各种类型的业务，基础设施数字化如下图6所示。
图 6基础设施数字化
传统采用卫星加地基增强基站的定位方法已经无法满足车路协同应用场景中的定位需求。车路协同系统需要融合激光雷达、微波雷达、视频分析以及互联网高精位置服务商提供的高精位置信息，再结合高精地图数据即可实现诸如编队行驶、路段超速预警、绿波通行等车路协同业务场景，融合高精定位及业务场景如下图7所示。
图 7融合高精定位及业务场景
(五) 安全是系统建设的重点
传统系统的交通设备和设施一般运行于公安内网，公安内网通过物理隔离的方法保障系统整体安全风险可控。车路协同多数业务场景是在互联网或者半开放网络中开展应用，为了保证感知和控制的实时性，需要将处于公安视频专网中的感知信息和数据实时转发到互联网或者半开放网络中的多接入边缘计算主机（MEC），因此对数据传输链路、数据本身、数据存储、应用访问等方面有较高的安全要求，网络安全组成如下图8所示。
图 8车路协同系统网络及安全组成
(六) 杰瑞打造云、边、端产品和服务体系
通过深入研究车路协同的典型应用场景，杰瑞按照云、边、端三位一体的框架体系，开发了服务于车路协同的系列化产品。
云端平台构建了通用的车路协同数据湖平台，依托可视化的数据治理工具和标准化的数据共享体系，开发了面向车路协同综合管控的云管控平台；面向特殊车辆和公众出行的交通出行服务平台；以及用于城市交通数字孪生展示和建模仿真的车路协同数字孪生系统，云端平台产品如下图9所示：
图 9云端平台产品
边缘设备研发了系列化的智能信号控制机、路侧单元、物联网控制盒、视频分析主机等边缘产品，即将推出融合型多接入边缘计算（MEC）设备，边缘设备如下图10所示：
图10边缘设备
感知设备开发了种类丰富的道路感知产品，拥有服务于特殊车辆的车载单元（OBU）和车载特勤平板；满足单类型交通状态感知的视频检测器、物联网信号灯；以及满足多源融合感知的雷视一体机产品，感知设备如下图11所示：
随着车路协同自动驾驶技术的成熟，城市智能交通系统正迈向新的发展阶段，它并不仅仅是面向交通管理者的业务系统，更是一套拥有全息、全域数据融合感知，智能化决策，多维度协同控制的城市交通信息服务平台。
