6月17日，中國智能交通協會在上海舉辦了以“創新·共享·合作”為主題的“2021智能交通科技發展論壇”，十三五科技部國家重點研發專項“綜合交通與智能交通”項目中具有突出成果的北京交通發展研究院、公安部交通管理科學研究所、清華大學、北京航空航天大學、同濟大學、交通部公路科學院、深圳市城市交通規劃設計研究中心、中國民航局第二研究所等8家課題承擔單位在論壇上進行了成果分享。

          8個項目課題中，與智能網聯、車路協同相關的有4個，大多屬于前瞻性研究，主要著眼于未來智能網聯、自動駕駛車輛逐步普及后，對交通管理、交通組織、交通出行等環節的影響。我國在發展無人駕駛汽車技術路徑采用的是協同智能，在這一思路的指導下，政府和產業界都在推動智能網聯汽車與路側智能設施協同發展。

          在常人來看，智能汽車和智能路側設施建設，會有一個“先有蛋還是先有雞”的問題，但在學術研究層面，則是要為這兩者協同推進提出理論和設計落地路徑，并沒有先后之分，實際上，國家推出的政策也有這方面的考量。

          2020年8月，住建部、中央網信辦、科技部、工信部、人保部、商務部、銀保監會等7部委印發了《關于加快推進新型城市基礎設施建設的指導意見》，要求推進新型城市基礎設施建設，其中包括協同發展智慧城市和智能網聯汽車（現在被通稱為“車城網”），今年4月，北京、上海、廣州、武漢、長沙、無錫等6個城市被住建部、工信部等兩部委確定為智慧城市基礎設施與智能網聯汽車協同發展第一批試點城市。

          因此，我們看到重點專項入選項目“城市多模式交通系統協同控制關鍵技術與系統集成”，就是要解決路端交管設備，如各類感知監控設備、信號控制、誘導以及各類交管系統與智能網聯系統的融合交互、協同，實現數據的橫向連接和縱向交互。實際上，國際上也已經提出了“融合感知”的概念，也就是車端和路端所采集到交通數據接入到統一的數據處理單元中，提高車輛對環境的感知能力，從而提升車輛行為決策的能力。當然，該項目更多考慮的是智能網聯新技術環境下，建立大數據交互應用體系，借力智能網聯來提升交通管控系統的效率和能力。

          項目“車路協同環境下車輛群體智能控制理論與測試驗證”主要要解決未來5~10年，車輛、路側設備逐步聯網、平臺建成以后，所面臨的車輛群體控制挑戰，而進行理論探索。未來，傳統的集中、分布式控制就不再適用，要根據不同的應用場景推行泛在分布式系統，考慮效率、安全問題，就要應用情景驅動下的動態集中式交通群體智能決策與協同控制機制，同時要分級實現系統優化、路權分配和軌跡規劃。且要研究不同滲透率對交通特性的不同影響。比如滲透率10%的時候，網聯車要受常規車的影響，當超過50%以后，網聯車可能就會影響傳統車輛的駕駛行為。

          項目“車路協同系統要素耦合機理與協同優化方法研究”則是要充分地利用自動駕駛、網聯汽車帶來的信息優勢和控制優勢進行交通系統的優化。項目在包括交叉口的協同通行、車道資源與信號配時協同，路段的行駛軌跡優化與引導，路網的多車協同通行優化、交通信號自適應協同優化，多路口混行車輛軌跡協同優化等場景，都進行了大量的仿真設計和計算。

          前三個項目，多是從車輛智能控制、交通管理、交通系統優化等方面進行研究，而項目“大規模網聯車輛協同服務技術與應用”更多聚焦于出行，尤其是預約出行，本質是對高峰時段的出行需求在時間和空間上重新分配，將一部分在路上排隊的出行變為在家等待。按需配置交通資源，統籌多種交通方式，按照換乘時刻及當時換乘地的運力實現換乘精準匹配，編制出行時刻表，協調交通系統供需關系。隨著智能網聯汽車的逐步普及，未來每個人、每輛車、每個過程在交通中都應該是高強度信息化，所有出行、所有交通工具都全程信息化之后，預約出行將可能普及。

          我們來具體看下這四個項目的研究進展：

          項目一、城市多模式交通系統協同控制關鍵技術與系統集成

          城市多模式交通系統協同控制關鍵技術與系統集成專項，就是圍繞多模系統網聯交互與數據賦能環境下，智慧交通管控如何提升的問題。

          項目負責人之一、公安部交通管理科學研究所副所長劉東波表示，該課題的主要研究內容，是如何用新技術、新思維賦能交通智能管控，如何實現道路交通組織與控制精細協同，如何用AI提升管控智能化，如何用大數據支撐解決方案與協同服務。

          有了大數據平臺，如何協同各應用系統？這是課題創新具體的實踐點。

          項目主要成果與應用

          課題到目前已經初步凝練幾個方面的成果：

          1、三套應用體系。

          （1）構建以交通管控為核的多模交通系統網聯大數據規范交互體系，實現多模交通系統與管控平臺間信息交互；

          （2）構建“智慧大腦”+“手腳”智能體的協同管控應用架構體系，明晰公安交管大腦的實施路徑。

          （3）形成場景化的交通協同靶向優化方法治理體系，實現對復雜交通問題的精準刻畫與有效治理。

          2、一大協同平臺。基于“智能腦+執行體”的交通協同管控平臺，也就是“大腦”和“手腳”的結合。

          3、四類場景應用。

          信號實時優化控制系統、無專用道公交優先系統、擁堵熱點主動調控系統、可變車道動態控制系統。

          4、兩項核心設備。

          AI智能視頻感知設備和邊緣計算設備（多元物聯信息交互設備），從而實現感知數據與信號控制特征參數實時關聯匹配。

七個方面的代表性成果

          一是，實現路口/路側前端設備的互聯互通，行業內、外中心系統的共享交互。劉東波表示，以往交管系統的數據基本上是縱向發展，很多系統都是煙囪式，一股腦朝前走，從來沒有做橫向的事，現在要做橫向互通，難度很大，從而投入了很大的精力來解決前端感知和信號機通信協議標準、邊緣計算和路側設施相連的數據標準等的統一規范問題，希望未來能將橫向與縱向數據匯聚起來。

          二是實現網聯數據匯聚支撐。

          這些年各種新技術、新概念太多，落地卻很少，劉東波認為，主要是因為缺數據匯聚支撐框架、缺標準體系。比如如何做好交通數據在多場景應用，如何讓警力發揮作用，信號控制不可能解決所有的問題。同時，如何借助網聯車進行智能分析判斷，“大腦”不是萬能的，更多是在做診斷和評估，給信號配時中心再做一個支撐。

          三，場景化交通協同優化方法。

          有了數據匯聚支撐，有大數據平臺，就要做好研判、診斷和評估。針對這三個環節，要想做好優化，得先把三個環節所需要的指標體系清晰地、精準地列出來，然后研究算法，形成算法庫，集成為算法層，服務于診斷、評估，有了這些后，就可以形成很多針對具體場景的優化治理方法，以案例指南為向導，得出可能最優方案模型。

          四，感控一體化路側邊緣控制成套設備。

          一是對視頻設備智能化進行提升，除了車牌、速度、流量等進行識別分析外，還要更智能，比如不同車輛、天氣條件下，排隊的車間距以及總體的排隊長度都不一樣，而交通信號控制的感應控制或者自適應控制，需要有路口前車輛排隊時時的車頭時距，圖形化動態展示，從而更好的反饋給信控系統。

          二是邊緣計算單元。通過邊緣計算單元，一是更好的感知整個路口的交通環境和交通變化（全息路口），二是通過該計算單元實現信號聯網管控，全國有20多萬信號控制機，不可能為了集中管控而拆掉大部分，有了邊緣計算單元，讓不同廠家不同型號的信號機都可以接入中心平臺，加上之前的數據分析，還可以更好提升信號控制機的智能化程度。

          交通需求與通行效率導向。

          此前，路口通行效率低與信號智能化程度低，相位切換精準度、智能化程度低，需要研發信號實時優化控制系統。怎么做？感知端采集的交通狀態和信號機參數結合，采用動態貝葉斯網絡建模，然后采用機器學習，學習信號特征參數，進行迭代學習控制。

          面向高峰交通擁堵場景。

          首先是要做擁堵溯源，通過卡口等數據實現；其次是優化控制策略，溯源后對上游路口進行流量調控，或者利用高德百度以及情報板誘導引流，減少擁堵；再就是采用精細化管理，比如借道左轉、潮汐車道、可變車道等來調整交通流。

          七，大數據支撐/系統協同。

           交通大腦、交通大數據平臺能干什么？研判、診斷、預警、預案優化、評估、指揮調度，這是平臺的功能。而傳統交通管控平臺開放程度低，數據交換能力有限。在課題示范城市，交警和高德相互開放數據，相互對接，交警把信號配時、交通管制信息給高德，高德計算后，把可能造成擁堵的車輛盡可能誘導換路，這就是導航疏堵。車路協同也是這樣的應用架構，項目圍繞應用場景在推進。

          下一步，將在五個示范城市選取代表性的場景進行落地，做好各項功能系統應用的測試驗證，以及效果的測評工作。未來能夠讓大數據可獲取、可用，能夠讓AI有用武之地，讓感控更加智能化，讓協同更接地氣。

          項目二：車路協同環境下車輛群體智能控制理論與測試驗證

           該項目面向未來車路協同環境下人車路異構交通主體構成的新型混合交通系統，針對其自組織、網絡化、非線性、強耦合、泛隨機和異粒度等特征，以車路協同環境為基礎平臺，以交通管理控制為應用對象，以仿真分析和實車測試為驗證手段，重點研究復雜混合交通群體智能決策機理與協同控制理論，攻克車輛群體智能協同控制關鍵技術。 

           項目負責人之一、清華大學張毅教授表示，該項目就是要解決未來10年后，所有的車輛、路側設備聯網，平臺建設以后，所面臨的車輛群體控制挑戰，進行理論探索。

          項目研究第一部分，車路協同與群體智能。

          現在人、車、路等交通要素通過各種通信方式連起來，使得傳統的交通系統發生了根本性的變化，從而使得獲得每一輛車的動靜態信息，了解每一個人的出行行為成為了可能。因此，傳統交通系統存在，但我們沒有發現、或者無法發現的特性出來了：

          （1）所有車輛都是自組織，但此前研究交通系統的時候忽略了這個，因為沒有辦法研究每一輛汽車的自組織特性問題；

          （2）所有的車輛實現網聯，在傳統交通系統下沒辦法獲得，也只能忽略掉。

          （3）交通的隨機性。每個出行者需求每天不一樣，于是造成交通系統里的復雜特性凸顯，這些原來不是沒有，而是因為此前技術手段不夠，信息拿不到，即便知道了，也無從下手分析。

          現在可以對每一輛車的運行狀態、行為，甚至決策都能夠了解，那么對于交通的整體控制和調控，將會發生一些革命性的變化。

          此外，隨著智能網聯車輛甚至無人駕駛車輛逐步上路，道路交通將進入到混雜狀態，這對交通控制也是一個巨大挑戰。

          第二部分，協同決策與智能控制。

          針對新的交通情況，傳統的集中、分布式控制就不再適用，就要根據不同的應用場景推行泛在分布式系統，考慮效率、安全問題，就要應用情景驅動下的動態集中式交通群體智能決策與協同控制機制，同時要分級實現系統優化、路權分配和軌跡規劃。

          如何實現？我們提出了體系框架，基于三層智能決策與協同控制機制的泛在分布式和動態集中式適用場景，和交通具體應用結合。第一個層次，構建大的體制；第二個層次，要把交通控制的安全、能效、排放的具體需求和決策結合起來；第三個層次，進行系統的局部優化和交通控制中的路權分配，路權分配確定以后，實現車輛的軌跡優化。

          用這三個層次的分級，把復雜系統有機地結合起來，再結合具體的應用，解決特定場景的問題，比如說匝道、路口、路段，所有復雜的場景還可以結合起來，集成起來，綜合起來。這樣的情況下，找到具有普適性情況下的科學求解方法，使得理論研究的落地和交通系統結合起來。這里面最主要、最復雜、最難實現的是路權分配問題，路權分配的求解方法也是項目中非常重要的創新點。所以要考慮到普適模型怎么求解，怎么把行駛安全、通行效率和能耗排放三因素嵌入進去。安全考慮，要把它放到路權分配里，也需要放到軌跡規劃里，于是構建了集中式和分布式的普適模型。包括群體決策，要把群體決策智能約束放到模型里，讓抽象、復雜的問題具體化，用模型求解。這就涉及到超高維的計算問題，項目要突破狀態重構問題，要解決時空關系中帶來超高維的決策計算問題，之后，再和具體的問題結合。比如路權分配怎么做？可以探索用人工智能、機器學習，探討最好的一種解決方案。

          第三部分，決策控制與應用實現。

          新型混合交通場景下城市道路智能協同控制實現。現在可以通過車路協同車載終端，融合信號配時與車輛速度引導，為公交、特殊車輛提供信號優先服務，協同控制的最高境界是信號配時變化信息能實時交互給車輛，甚至可以不用信號控制實現路口通行效率的最大化。但網聯化不是一步到位的，智能化設備裝車率不是一下就到100%，所以還要研究不同滲透率對交通特性的不同影響。比如滲透率10%的時候，網聯車要受常規車的影響，當超過50%以后，網聯車可能就會影響傳統車輛的駕駛行為。

          863重大科技專項-車路協同的項目里，列出15個典型的應用場景，我們希望再生成20個場景，這20個場景對車路協同的未來發展再引領5-10年。

          比如車輛與交通信號控制系統交互，信號系統根據上游匯集來的車隊調整配時，讓路口通行效率最大化，甚至可以對綠波帶進行升級，比如相位差是固定不變的，由于車路協同可以隨時獲得兩個路口之間所有車流量數據，從而讓相位差動態調整，使得通行效率提高。

           更遙遠的未來，高速、快速上的車輛，系統可以根據車輛類型、運行狀態，自主形成一個個車隊。比如1000輛汽車，每個車隊10輛車，就有100個車隊在高速、快速路上行駛，同一個車隊保持相同的運行狀態，當然就會出現車隊之間也會有換道，也會有超車。

          項目三、車路協同系統要素耦合機理與協同優化方法

          該項目重點解決混行車路協同環境下駕駛人風險認知與反應特性、車輛交互運動耦合機理、網絡交通流演變規律、時空資源和系統狀態協同優化等關鍵科學問題，突破駕駛意圖識別、車輛交互運動軌跡優化、交通瓶頸識別與可靠性預測、車道資源-車輛軌跡-交通信號協同優化、車路環境模擬與交通流一體化仿真等關鍵技術。

          項目負責人之一、北京航空航天大學教授魯光泉表示，要充分地利用自動駕駛、網聯汽車帶來的信息優勢和控制優勢進行交通系統的優化。

          研究方向和內容

          一是研究人車耦合關系。人和車之間到底是什么關系？這種關系在未來的智能網聯環境下有什么樣的變化趨勢？這些變化對未來的交通控制優化有什么樣的影響？二是車和車之間的關系。三是車和路之間的耦合關系。四是在前三個研究的基礎上，探討在智能網聯環境下，對節點、交叉口、干道兩個交叉口之間，用什么樣的方法來優化車的軌跡，優化道路渠化，優化信號控制。五是希望提出的理論方法得到印證。

          一、人車耦合關系。

          項目組嘗試建立一種通用的駕駛人仿真模型，不管是人開車還是機器開車，都有一個駕駛模型，在信息感知、處理、決策和操作上，有通用的特征。在這一模型下，來研究人開車在認知操作、駕駛反應等方面有什么樣的特征、什么樣的差異，在智能網聯環境下，不同的信息來了以后，不同人的操控特性會有什么樣的變化。

          項目組構建了通用仿真模型，建立了駕駛員的四個屬性：生理屬性、感知屬性、決策屬性、操作屬性，由屬性層、表征層、認知層等組成，并用138個參數表示駕駛過程，將來實現自動駕駛，車也可以作為特殊的人，只不過感知屬性、決策屬性可控。

          隨著場景數量增長、爆炸，仿真模型也在不斷地爆炸、膨脹，基于這個，如何統一地描述人們的感知、決策？可以用統一的描述來表示不同交通要素對車輛運動決策的影響。

          項目組分析了駕駛人認知與操作特性。開展了無/有車路協同信息的駕駛模擬器換道實驗，結果表明：提供車路協同信息的環境下，平均換道意圖時窗(4.95s)顯著長于傳統環境(2.75s)，換道時自車與障礙車距離更長，后視鏡注視次數(2.68)顯著高于傳統環境(1.55)；后視鏡注視時間也相對較高。車輛方向盤轉角速率更加平穩，橫向加速度更加集中且值相對較小。另外，還分析了駕駛人可接受換道間隙和換道持續時間，結果表明：駕駛人傾向于在與前車交互時保留較大空間，與后車交互時接受較小空間；前車越快，駕駛人換道持續時間越短，而后車越快會使持續時間更長。

          構建了駕駛行為感知與意圖識別模型。根據網聯環境下換道意圖階段和車道保持階段的差異性特征，基于AT-BiLSTM（基于注意力機制的雙向長短時記憶網絡）建立了換道意圖識別模型，模型在車輛換道前0.5s的識別精度能夠達到98.46%；提出了ARIMA-OGD-Bi-LSTM混合模型，實現了對轉向行為短期準確預測：通行多車道路口中，在行為開始前1s的平均識別率達96.4%，前2s的平均識別率為84.8%。

          二、車車耦合關系。

          在路上，車與車一般有兩種耦合行為，一種是跟車走，第二個是換道、超車，在路口就復雜些，交叉口車與車之間的耦合關系更加復雜。項目組從不同角度分別構建了不同的風險場模型。構建了基于駕駛人主觀風險量化的跟馳和換道模型，從NGSIM中選取典型案例，能夠有效擬合自然駕駛數據。構建了道路環境風險場，在典型低風險換道測試場景下，縱向軌跡重構誤差為0.8%，橫向軌跡重構誤差為1.3%；在高風險加速換道測試場景下，縱向偏移誤差為2.8%，橫向偏移誤差為1.9%。并基于道路環境風險構建了超車模型，基于風險場地圖搜索風險值最小的路徑，每隔t時刻生成車輛的參考軌跡。綜合現有測試場景，縱向偏移誤差為1.6%，橫向偏移誤差為1.8%。

          交叉口車與車耦合關系研究方面，項目組構建了基于勢能場的交叉口通行模型，選取長春市某交叉口進行高空攝像調查，結果顯示，直行案例軌跡重構平均誤差為4.6%；左轉案例軌跡重構平均誤差為6.3%；右轉案例軌跡重構平均誤差為6.7%。從而對交叉口混行車輛隊列跟馳行為進行仿真，仿真了兩種類型AV車輛的交叉口通行行為，結果表明：AV隊列穩定性和速度波動性會嚴重影響交叉口通行效率；仿真并計算了MV&AV混行時排隊車輛的損失時間，結果表明：AV在隊列中位置越靠前，越有利于減少排隊損失時間；AV數量增多一定會減小排隊損失時間；AV數量有限時，AV分散分布更有利于降低排隊損失時間。

          三、車路耦合關系。

          如果路網里摻雜不同比例的智能網聯汽車，宏觀基本圖、道路基本圖有什么變化，如何計算通行能力？對交通流密度和速度關系有什么樣的影響？怎么計算出行時間可靠性，如何發現路網的瓶頸？如果將來要把基本通行能力提高10%，反推回去，智能網聯汽車的性能需要達到什么程度？

          項目組構建了混行單車道交通基本圖模型，并基于單車道流速密關系，構建了基本圖參數與路段限速和CAV滲透率的解析式；給定限速條件下，低CAV滲透率下(0%~33.3%)，滲透率增加，通行能力提升33%；高CAV滲透率下(66.7%~100%)，通行能力提升83%。通過SUMO仿真各CAV滲透率下的單車道混行路段；不同CAV滲透率下仿真數據點與理論曲線基本貼合；隨著CAV滲透率提升，混行單車道的通行能力上升，相同密度下車道的平均速度上升。

          構建了混行多車道路段元胞傳輸的交通基本圖模型；瓶頸路段，CAV零滲透率下，道路通行能力為950~1350PCU/小時/車道，66.7%CAV滲透率下，道路通行能力為2200~2400PCU/小時/車道。仿真測試表明：低滲透率下自由流受換道影響，無法保持最大速度；高滲透率下換道對路段交通流影響減弱。

          構建了路網宏觀基本圖，借助CAV實施動態控制管理策略獲得了更穩定、形狀更好的宏觀基本圖。

          實現了路網出行時間可靠性預測。傳統的出行時間可靠性計算里采用智能圖像處理方法，但由于維度的增加，比如交通小區數量增加，就會帶來維度災難的問題，矩陣越來越大，算不下去，但用圖卷積神經網絡的方法可以解決這個問題。項目組從路網交通狀態與出行時間可靠性關聯關系出發，提出基于路網拓撲結構的“交通特征-交通狀態演化-網絡出行時間可靠性”兩層學習機制，并利用圖卷積神經網絡GCN挖掘路網交通狀態與出行時間可靠性映射規律。結果表明，在多個不同的預測時間步長下，模型平均預測精度為85.95%。

          四、系統協同優化。

          在前面幾個耦合關系研究基礎上，項目組計劃提出一套算法，來充分利用智能網聯汽車、自動駕駛汽車的優勢，控制優勢來使得交通系統更優化。

          比如在單交叉路口的協同通行方面，通過描述典型交叉口環境下不同行駛方向車流間的沖突關系，提出了多車協同避撞條件及協同通行準則。考慮CV車輛的不確定性，提出了CV/CAV混行的多車協同通行方法；仿真了同一交叉口流量水平下混行滲透率變化對通行效率的影響，結果表明：滲透率增加，CV車輛對群體車輛通行的影響下降，車輛平均延誤和延誤車輛比例也隨之降低。

          在路段行駛軌跡優化與引導方面，確定了車輛在路段上的起始和終止條件，根據最優控制理論建立了CAV車輛軌跡優化模型，在不同的交通流量下，平均燃料消耗降低約15%；根據軌跡預測控制的思想來確定最優引導指令，指導駕駛人合理操縱CV車輛。仿真實驗表明，系統相鄰兩次發出指令的時間間隔較小時，引導效果較好。

          在路網多車協同通行優化方面，選擇典型路網進行仿真實驗，結果表明：群體決策出行明顯優于最短路線出行，能降低路網車輛平均延誤，提升路網交通服務均衡性。

          在單交叉口混行車道資源與信號配時協同優化方面，針對自動駕駛專用道問題，構建了一套混合整數線性規劃模型，給定交叉口幾何條件、網聯自動車輛和人工駕駛車輛交通需求，優化混合行駛環境下交叉口渠化方案和信號方案，從而最大化交叉口通行能力。計算了四向三車道，四向四車道和四向五車道三組算例，結果表明，通行能力提升了15%。

          在混行路網交通信號自適應協同優化方面，提出了分散反饋-全局協同的混行路網自適應交通信號控制策略，仿真結果表明：網聯車占比20%時，路口平均車輛排隊減小40%，路口平均車輛延誤減小40%。

          在多路口混行車輛軌跡協同優化方面，基于生態駕駛模型和最優控制理論，建立多目標CAV軌跡優化模型，實現了低滲透率網聯軌跡優化與混行交通流集群生態駕駛，基于VISSIM仿真混行車流，結果表明，平均行車能耗（/車/路口）節省了12%-24%。

          五、仿真與實地測試。

          為實現自動駕駛與人工駕駛的混行測試，項目組研發了多車模擬駕駛與交通仿真相結合的混行交通實驗系統。能模擬人工與自動駕駛系統感知、決策、操作特性，并與多臺駕駛模擬器在同一場景中交互。

           目前項目組已在交通部試驗場完成2個交叉口C-V2X的智能路側單元安裝（可寫入算法）、2個交叉口交通信號控系統的基礎布設、試驗車1+2 輛、智能車載終端2套（可寫入算法）

          在仿真測試方面，構建了面向交通管控的車路協同策略有效性測試原型系統，定義了測試場景目標與功能，與仿真工具解耦，實現了車輛駕駛行為控制，滿足MV+CV混入模式下的不同仿真測試需求。

           項目四、大規模網聯車輛協同服務技術與應用

           該項目的研究方向是針對網聯車輛協同運行的迫切需求，重點突破大規模網聯車輛信息感知、融合互通、出行互助協作、時空協同服務等關鍵技術，建立大規模網聯車輛協同服務平臺，實現網聯車輛從位置監管信息服務到安全生態、互助共享的協同服務。

           項目負責人、北京交通發展研究院院長郭繼孚表示，該項目圍繞終端信息網聯、網絡信息統合、云端出行協同三條主線，突破大規模網聯車輛的信息融合互通與出行時空協同優化關鍵科學問題，并從云邊端以及端云協同四個方向開展研究與實踐。

          項目主要成果與應用

          端側，開展了終端設備研制與安全生態評價，包括研發基于環境感知、危險預警與交互服務關鍵技術的一體化智能車載終端、駕駛風險評估及危險預警系統、生態駕駛行為控制優化系統等；

          路側，研發了智能路側信息融合原型系統，包括實現基于邊緣計算的路側激光雷達與攝像頭融合監測模型，可支持路口交通信息感知、盲區監測等場景應用。

          云平臺方面，研發形成大規模網聯車輛協同服務平臺,進行大數據分析與知識挖掘，包括網聯車輛畫像、異常特征辨識、貨車超載識別、道路停車監測、信息安全監測、協同服務等；

          端云協同方面，以預約和互助服務技術為核心，實現網聯車輛運行的時空協同。包括網聯車輛集群互助影響模擬、定向互助服務信息精準投放、實時需求響應與精準調控、超級時刻表編制技術，試點網聯車輛預約與互助出行服務等。

           幾個重點應用。

          一是預約。本質是對高峰時段的出行需求在時間和空間上重新分配，將一部分在路上排隊的出行變為在家等待。調節后，用戶仍可按照以往時刻通過，而無須排隊等待。同時，按需配置交通資源，統籌多種交通方式，按照換乘時刻及當時換乘地的運力實現換乘精準匹配，編制出行時刻表，協調交通系統供需關系。項目組在地鐵進站排隊進行了試點，通過手機端口供地鐵出行者預約排隊，15分鐘一個時間段，到該時間段到地鐵站可以經專用通道進入，允許前后十分鐘誤差，超過則無效。試點效果很好，地鐵沙河站日均預約進站量4400人，人均節約排隊時間5分鐘，日節約排隊時間221小時。此外，項目組還在北京市回龍觀北橋路段試點預約通行，回龍觀西大街是雙向六車道的主干路，在單向三車道向一車道變化路段形成了交通瓶頸，常年擁堵。試點結果表明，用戶每一次錯峰出行為自己平均減少17到39分鐘的擁堵時間，同時這一次錯峰出行為整個系統減少76到97分鐘的擁堵時間。

           二是平臺。第一個是大規模網聯車輛智能化綜合監測與大數據分析平臺。比如“天秤”系統，基于大規模網聯車輛及發動機運行數據，針對不同車型、速度、載重、坡度、道路類型等影響因素，建立了2.4萬組高分辨率的車輛和發動機工況圖譜庫，研發了車輛載重自學習人工智能算法與平臺系統，車輛發動機啟動并上路運行15分鐘后，系統就能判斷該車輛是否涉嫌超載，從而改變治超管控的模式。

          第二個是基于網聯車輛視頻數據的道路停車秩序監測平臺。基于動態數據和靜態數據，結合圖像和視頻識別、GPS數據比對、GIS等技術手段，實現對違法停車信息的采集、識別以及評價結果的工程計算。北京計劃建立一個停車指數，各個區的停車管理做得怎樣實現對各區、各街道的實時考核，可以具體到每一個路段，這些都是基于網聯車輛視頻大數據來實現。該平臺以北京市西城區月壇街道作為試點區域，包含74條評價道路，監測平臺于2020年12月23日正式上線。

          展望

          一是，具有交互服務能力的智能終端將大規模普及。未來每個人、每輛車、每個過程、每個時段都應該是高強度信息化，所有出行、所有交通工具都全程信息化之后，將各交通運輸方式協同起來，可以按需提供運輸方式，一個人打車，兩個人拼車，多人合乘，十幾人提供大巴，幾百上千人開一個專列，深夜還可以調度網約車、出租車、大巴來疏導。

           二是，預約應用場景逐步擴大。其實、可以創造一個不堵車的城市，以前不能是缺乏預約系統，缺乏保障的信用機制。為什么不能把一個車道拿出來做成預約通行車道？比如大部分的公交專用道利用率很低的，怎么辦？預約，一部分車輛預約之后就可以走公交專用道。我們有序地為每個出行者安排時序，可以造成一個不堵車的系統，這是網聯的功效。

          預約對提升道路通行效率有用嗎？這就像醫院掛號有用嗎？能解決醫療資源緊張嗎？當然解決不了，但是顯然可以解決無效排隊的問題。預約出行也就可以緩解擁堵的問題