寫在文前

智能駕駛這幾年是汽車圈里最熱的話題之一，智能駕駛系統快速發展到L2級后，受到技術發展、駕駛環境基礎設施建設、法律法規等多種因素的影響，似乎撞上了硬墻，以至于業內人士都開始謹慎的審視L3及以上的高階智能駕駛系統的實現路徑。作為一個傳統汽車人，本文僅為個人粗淺思考的總結，籍此與業內各位同仁分享和探討。

正文

智能駕駛汽車是第四次工業革命信息化時代中發展最為迅速的新興產業之一，隨著新型傳感器技術、信息與通信技術、自動控制技術、計算機技術和人工智能等技術的快速發展，智能駕駛系統也得到了快速的發展。目前，智能駕駛系統最主要的三個技術環節是感知層、決策層和控制執行層。感知層依靠各類傳感器對駕駛環境的正確感知是實現智能駕駛的先決條件，是保障后續智能駕駛控制的基礎，但由于受傳感器技術，環境干擾、感知精度，識別算法，數據融合技術等因素的限制，目前成為實現高階的智能駕駛的最主要的挑戰，

一、駕駛環境感知的現狀和面臨的挑戰

如智能駕駛控制系統架構（圖1）所示，智能駕駛控制系統的感知層是利用各種傳感器，如視覺傳感器（車載攝像頭）、雷達傳感器（超聲波雷達、毫米波雷達、激光雷達等）、定位傳感器(地圖，衛星定位)等，去探測和識別車輛內部和駕駛環境的各類信息，通過數據處理、數據融合技術，為車輛的駕駛控制行為提供決策的依據，這是實現車輛自動駕駛控制的基礎，相當于汽車的眼睛，決定了自動駕駛系統整體的功效以及性能。

圖1. 智能駕駛控制系統架構

為了給智能駕駛控制系統提供全面、準確的決策依據，需要感知的駕駛環境信息主要包括以下幾類：

道路參數：道路物理參數、路徑、車道、道路設施等；

交通參與者：車輛、人、其他物體（動物、道路遺撒物等）；

各類交通行為規則：道路限速、禁行、斑馬線、單行、信號燈狀態等；

影響車輛操控的自然天氣：風、霧、雨、雪等。

其他影響車輛駕駛行為的因素：偶發或臨時發生的非正常的交通狀況，如：臨時的交通管制，駕乘人員的安全檢查，須讓行消防車輛或者救護車等等。

目前通過各類傳感器感知上述的駕駛環境信息，并依靠數據處理和數據融合技術為智能駕駛控制系統決策層提供全面、準確的決策依據面臨著非常大的困難和挑戰，主要有：

傳感器的感知精度不足：如通過雷達傳感器感知前方車輛的速度、相對距離的數據誤差。

傳感器的感知數據易受自然環境干擾：如雷達受煙塵干擾和雨、雪、霧等惡劣天氣條件的干擾，視覺傳感器受到光照、視角、尺度、陰影、污損、背景干擾和目標遮擋等諸多不確定因素的影響。

有些駕駛環境要素目前無法感知，或者感知的成本非常高：如被前景車輛或者障礙物遮蔽的車輛或者行人無法通過視覺或者雷達傳感器感知和識別，或者為提高感知能力采用多目立體視覺技術或者混合固態激光雷達帶來感知技術的復雜度和成本的巨大提高。

感知數據處理，數據融合技術不成熟，不可靠，不穩定：如通過視覺傳感器獲取的海量圖像信息，需要更先進的數字圖像處理技術及更高的計算機硬件算力的支持；另外，在復雜交通環境下，視覺傳感器依然存在目標檢測困難、圖像計算量大、算法難以實現的問題，在應對道路結構復雜、人車混雜的交通環境時感知和解析的信息不可靠和穩定。多傳感器感知的駕駛環境信息的數據融合和智能學習算法等技術還不夠成熟穩定。

正因為上述的傳感器感知精度，數據融合，識別算法，深度學習算法等技術和能力限制，導致為智能駕駛控制系統決策層提供的駕駛環境信息與真實的駕駛環境嚴重失真，由于駕駛環境感知的不確定性和不準確性導致的智能駕駛的決策的可信度大大降低，如圖2所示。這也是智能駕駛由低階向高階進步路上遇到的重大障礙之一。

圖2.基于失真的駕駛環境數據做出不可信、不可靠的控制決策

而為了提高駕駛環境感知的精度和可靠性，采用的技術路線包括開發精度更高的傳感器，優化識別算法，開發AI智能算法等等帶來不可控的系統的復雜度，系統成本，技術開發和迭代周期的巨大提升，這也是智能駕駛由低階智能駕駛向高階進步路上遇到的另一個重大障礙。

二、基于精準駕駛環境數據信息構建“駕駛環境全息模型”

精準的駕駛環境信息數據輸入是做出準確、可靠的智能駕駛控制決策的基礎，目前由于通過各類傳感器感知和識別的駕駛環境數據的不確定性，不準確性導致無法做出可信、可靠的智能駕駛控制決策。

我們知道，和車輛駕駛相關的駕駛環境數據都準確地、真實地存在于現實世界并被相關的實體掌握和了解，如：

道路管理者：道路物理參數、路徑、車道、道路設施等準確信息；

交通管理者：道路限速、禁行、斑馬線、單行、信號燈狀態等交通規則信息；

交通參與者：如車輛的速度、位置、姿態和航向等車輛實時狀態信息；

氣候監測人：風、霧、雨、雪等影響駕駛環境的氣候信息；

事件當事人：偶發或臨時發生的非正常的交通狀況，如：臨時的交通管制（交 警），須讓行消防車輛或者救護車（特種車輛駕駛人員），交通事故避讓（事故車輛駕駛員）等等。

如果掌握這些駕駛環境數據的實體通過通訊裝置將精準的駕駛環境數據輸入給智能駕駛控制系統的決策層，將很大程度上保證智能駕駛決策的準確性和可靠性，那么在智能駕駛控制系統架構的決策層之前，就需要基于這些精準的駕駛環境數據信息構建精準的駕駛環境全息模型，以此模型為決策層提供精準的決策依據。

圖3. 應用精準的駕駛環境數據構建駕駛環境全息模型

允許智能駕駛的區域，道路的管理者可將道路的詳細的道路類型，路面寬度，車道寬度，車道線類型，車道限速，路徑，地理坐標等詳細信息的靜態精準地理信息通過路側RSU設備傳送給自動駕駛被控車輛用以構建自動駕駛的駕駛環境全息模型。

行駛環境中的其他車輛將本車的外形尺寸、定位、速度、航向、車姿、駕駛意圖（加速，轉向，制動等）等非隱私的車輛駕控信息通過V2V設備以廣播的形式發送，自動駕駛被控車輛接收和監聽這些信息，并根據自身的位置信息、車速、車姿、所屬車道等信息計算和構建自身車輛在駕駛環境全息模型中的動態時空定位（如本車各方位的車輛或者障礙物的相對距離，相對速度），同時也將本車的外形尺寸、定位、速度、航向、車姿、駕駛意圖（加速，轉向，制動等）等非隱私的車輛駕控信息通過V2V設備以廣播的形式發送，用于其他智能駕駛車輛的駕駛環境信息采集。

路側單元RSU還可將實時的環境氣候信息，路口的信號燈狀態信息，路側感知設備感知的行人，非機動車等的動態信息同樣以廣播的形式發送出去，由自動駕駛被控車輛接收和監聽，用以補充智能駕駛車輛駕駛環境模型全要素信息。

同時，駕駛環境內突發或臨時的事件當事人或者駕駛環境的管理維護人可將特情事件通過路側RSU或者V2V廣播，由自動駕駛被控車輛接收和監聽，用于自動駕駛車輛的操控決策輸入。

基于精準數據構建了全要素信息的駕駛環境模型后，智能駕駛控制系統決策層就可以以“上帝視角”觀察自身在駕駛環境中的時空位置，從而做出更精準和可靠的操控決策規劃。

三、基于“駕駛環境全息模型”的智能駕駛技術路線的改變和價值

基于 “駕駛環境全息模型”的智能駕駛技術路線的本質是改變了駕駛環境感知的方式，用更精準的數據構建 “駕駛環境全息模型”，并以“上帝視角”觀察自身在駕駛環境中的時空定位，從而做出更精準和可靠的操控決策規劃。

智能駕駛控制系統架構的這種改變也會帶來行業的商業模式和技術發展的相應變化并促進和加速高階智能駕駛的落地和實現。這種變化以及對智能駕駛技術發展的促進主要體現在：

3.1 降“門檻”，去“壁壘”

智能駕駛是多學科，跨領域的技術綜合體，對高精地圖、高精定位、視覺、雷達、人工智能、數據融合、仿真驗證等多領域等都要求具有很強的綜合技術實力。任何一個領域的短板，都可能造成其開發的智能駕駛控制系統的不可靠性。因此，智能駕駛的行業門檻很高，同時會形成非常高的排他性技術壁壘和行業壟斷性企業，對行業的技術進步和健康發展極為不利。

采用“駕駛環境全息模型”的智能駕駛技術路線的控制系統將V2X設備接收的精準數據作為主輸入，以其他高精地圖、高精定位、視覺、雷達等感知數據為輔來構建控制系統“駕駛環境全息模型”時，對高精地圖、高精定位、視覺、雷達、人工智能、數據融合、仿真驗證等多領域都需要很強的綜合技術實力的要求大大降低，業內企業可以充分發揮各自在某一或者某些領域的技術專長和優勢來開發智能駕駛控制系統，從而為行業營造百花齊放，百家爭鳴的相對公平的發展環境。

3.2 智能駕駛控制系統的安全冗余設計

智能駕駛控制系統是一個安全等級非常高的控制系統，安全冗余設計是安全系統經常采用的保證系統功能安全的技術手段，采用“駕駛環境全息模型”的智能駕駛技術路線的控制系統將V2X設備接收的精準數據作為控制系統構建“駕駛環境全息模型”的主輸入，其他如視覺、雷達等感知方式解析的數據可以作為“駕駛環境全息模型”數據的精度校準、數據備份，安全冗余，從而進一步提高構建的駕駛模型的精度和智能駕駛控制系統的安全性。

如主動避撞功能需要采集前方車輛的外形尺寸、速度（相對速度）、航向、位置信息（相對距離）等數據，前車的這些準確信息通過前車的V2V設備以廣播的形式發送并被自動駕駛被控車輛接收后處理，做出繞行、減速或者緊急制動的控制決策；同時，本車的車載視覺傳感器和雷達傳感器分別感知和識別的前車的外形尺寸、相對速度、航向，相對距離等數據可以與前車的V2V設備廣播的并被自動駕駛被控車輛接收到的這些數據比對，校驗，除了更進一步提高這些數據的精度之外，這兩個通道的數據還可作為V2V數據通道的冗余備份，當某通道數據失效或者缺失時，系統可快速切換采用其他備份通道的數據，從而大大的提高了系統的安全性能。

3.3 系統軟硬件松耦合

以傳統的定位、視覺、雷達等傳感器來感知和識別駕駛環境數據時，由于不同的傳感器技術特性不同，其感知算法，數據融合方法等都有其相對獨特的技術特性，與其適配的智能駕駛決策、控制執行算法耦合的就非常緊密，從而使得智能駕駛駕駛控制系統集成商很難靈活的適配不同的供應商的感知設備（模塊）；同時，某一感知設備（模塊）的供應商要花費大量的精力和成本去適配不同的集成商的智能駕駛控制系統。

基于 “駕駛環境全息模型”的智能駕駛控制系統架構將感知層的架構模塊化，在感知層與決策層之間增加了“駕駛環境全息模型”的分層，傳感器感知模塊只需要按照統一定義的接口定義和數據格式進行數據傳遞即可。

圖4. 標準化“駕駛環境全息模型”的駕駛環境數據格式和接口定義有利于系統軟硬件松耦合

3.4降成本

采用“駕駛環境全息模型”的智能駕駛技術路線的智能控制系統由于降低了系統的復雜度，除了降低系統的開發、測試驗證（詳見后文介紹）成本外，對傳感器模塊的精度、性能要求降低，也大大降低了智能駕駛控制系統的硬件成本。

由于智能駕駛控制系統架構更為清晰的分層，功能組件模塊化，標準化，對于傳感器模塊的供應商和智能駕駛控制系統集成商來說，采用統一標準的數據接口定義及數據格式，進一步降低了傳感器模塊的適配和系統集成的研發投入。

3.5加速高階智能駕駛系統的實現和落地運行

3.5.1 智能駕駛控制系統研發階段：

因為駕駛環境感知層是決策層和控制執行層的基礎，更為精準和可靠的智能駕駛決策、控制算法的開發受制于視覺、雷達等感知精度、性能等技術困難，采用“駕駛環境全息模型”的智能駕駛控制系統以“駕駛環境全息模型”作為智能駕駛控制系統決策、控制執行層的輸入，可以充分利用數字仿真技術，模擬各種駕駛環境，駕駛場景，為智能駕駛控制系統決策、控制執行層軟件控制算法，邏輯提供精準，全面的控制輸入，縮短智能駕駛控制系統的開發周期。

3.5.2 智能駕駛控制系統測試驗證階段：

智能駕駛系統在上路之前必須進行大量的測試驗證工作，除了在真實駕駛環境中進行的實車測試外，虛擬仿真測試是非常重要的，必不可少的。當前，仿真測試占到了整個測試工作的大部分工作量，特別是復雜環境和極端工況等場景下自動駕駛汽車功能、性能的有效性的測試，虛擬仿真測試是高效的測試手段。但由于如視覺傳感器、雷達傳感器的信號仿真的技術難度很大，一般在智能駕駛控制系統測試驗證階段，將真實的視覺傳感器和雷達傳感器信號接入虛擬仿真測試設備進行虛擬仿真測試驗證，這種情況下創建各種視覺或者實體的駕駛環境和駕駛場景給視覺或雷達傳感器感知輸入又變得非常困難，使得智能駕駛控制系統的測試驗證的效率低下，周期冗長。

采用“駕駛環境全息模型”的智能駕駛控制系統在測試驗證階段可充分利用數字仿真技術，模擬仿真各種駕駛環境，駕駛場景（包括模擬各種復雜環境和極端工況）即“駕駛環境全息模型”用于虛擬仿真測試設備，極大地提高了測試、驗證的效率，加速了控制策略算法成熟落地。

同時，在智能駕駛控制系統實車測試過程中，記錄真實駕駛過程中各種傳感器感知的駕駛環境數據，通過與V2X設備構建的“駕駛環境模型”數據比對校驗，可優化和改進感知算法，進一步提高感知精度。

3.5.3智能駕駛上路運行階段：

智能駕駛車輛全面上路運行面臨的幾個重要問題：

1）智能交通法律法規、基礎設施是逐步建設和完善的過程，在這個實現和建設過程中，智能駕駛車輛的上路運行面臨的車輛運行安全及交通安全的問題。

2）不同智能駕駛等級的車輛與非智能駕駛車輛長期共存，非智能駕駛車輛或者低階智能駕駛車輛的人為駕駛行為的隨機性，不確定性導致的高階自動駕駛車輛運行安全及交通安全問題。

采用了“駕駛環境全息模型”的智能駕駛解決方案的各個智能駕駛等級的車輛，包括存量的非智能駕駛車輛，均可在智能駕駛基礎設施建設和完善程度不同的區域或者道路受控的運營，并且提升了各個層級車輛的安全運行水平。

在智能駕駛基礎設施尚未完善的地區的安全運行

在高等級智能駕駛車輛運行進入到法律法規和道路基礎設施尚未完善，或者不適合高等級自動駕駛車輛運行的區域或者道路時，過去需要人為干預，車輛被動的切換或者降級到低級別的有人駕駛狀態運行。這個被動切換或者駕駛員接管車輛操控的過程，具有很大的不確定性，從而帶來很多車輛運行安全及交通安全的問題。

基于“駕駛環境全息模型”的智能駕駛技術路線通過路側單元傳輸給智能駕駛車輛的道路模型數據中可標識出允許自動駕駛響應道路和區域，在駛離該區域前，主動提示駕駛員接管車輛操控，在車輛未被接管時，自動駕駛系統主動控制車輛降速行駛直至停止至安全區域。進入交通基礎設施不完善或者不適合自動駕駛，或者法律法規不允許自動駕駛的道路和區域，自動駕駛系統的決策控制層的自動駕駛功能軟件將被禁止或者限制執行。

高階智能駕駛車輛和非智能駕駛車輛共存的駕駛環境的安全運行

不同智能駕駛等級的車輛與非智能駕駛車輛在很長一段時期內會和高階智能駕駛的車輛共同運行，非智能駕駛車輛或者低階智能駕駛車輛的人為駕駛行為的隨機性，不確定性帶來許多高階自動駕駛車輛運行安全及交通安全的問題。

通過在存量的低階或者非智能駕駛車輛上后裝符合“駕駛環境全息模型”數據格式要求的V2X裝置不但可以提高高階智能駕駛車輛的運行安全水平，還可低成本的提升非智能駕駛或者低階智能駕駛車輛的智能駕駛能力水平及運行安全，這個技術路線帶來的利益也為存量的低階或者非智能駕駛車輛后裝這種V2X設備提供了消費動力，間接的促進了整個智能駕駛基礎設施、環境的建設步伐。

對于高階智能駕駛車輛，低階或者非智能駕駛車輛通過后裝符合“駕駛環境全息模型”數據格式要求的V2X裝置將本車的物理尺寸，行駛位置、速度、駕駛意圖（轉向，制動等）等信息通過V2X設備傳輸給高階智能駕駛車輛，提升其智能駕駛的安全水平。

圖5.基于“駕駛環境全息模型”的智能駕駛技術路線提升智能駕駛運行安全

對于低階智能駕駛車輛，可通過更新其智能駕駛系統軟件的方式使其智能駕駛控制系統的駕駛環境數據由原來通過地圖、視覺、雷達等傳感器的感知方式切換到應用 V2X精準數據構建“駕駛環境全息模型“的方式，。而不用更換和升級更先進的視覺、雷達等傳感器硬件就可以提升其智能駕駛能力水平和運行的可靠性。

對于非智能駕駛車輛，通過后裝符合“駕駛環境全息模型”數據格式要求的V2X裝置，將本車的物理尺寸，行駛位置、速度、駕駛意圖（轉向，制動等）等信息通過V2X設備廣播給其他車輛的同時，接收其他V2X設備廣播的其他車輛的物理尺寸，行駛位置、速度、駕駛意圖（轉向，制動等）等信息，通過軟件模式低成本的實現低階的智能駕駛功能，如碰撞預警，車道偏離預警等。

圖6.非智能或者低階智能駕駛車輛通過后裝V2X設備提升智能駕駛能力和運行安全水平

3.6促進汽車軟件收費的商業模式實現

由于基于“駕駛環境全息模型”的智能駕駛技術路線對雷達，視覺等傳感器的性能依賴程度大大降低，因此智能駕駛控制功能的升級，主要依賴軟件功能的實現，對車輛固件的升級依賴程度大大降低，可隨著智能駕駛環境的基礎設施的不斷完善，智能駕駛功能的不斷成熟，分階段發布和升級低階到高階的智能駕駛功能軟件，使得汽車的商業模式由硬件消費向軟件消費的真正轉變。

綜上所述可以看到，基于“駕駛環境全息模型”的智能駕駛技術路線，通過改變駕駛環境數據感知的方式，以通訊的方式廣播和采集精準的駕駛環境數據來構建“駕駛環境全息模型”，為智能駕駛控制系統決策、控制執行提供可靠的數據輸入。這種方式保證了智能駕駛控制系統決策、控制執行層數據輸入的全面性和高精度的要求，提升了智能駕駛控制決策的可靠性和安全性，促進了智能駕駛控制系統技術發展，降低了智能駕駛控制系統的硬件和研發成本，縮短了研發和上市周期。同時解決了高階智能駕駛車輛在智能駕駛基礎設施逐步建設和完善以及與存量的非智能駕駛車輛及各個等級智能駕駛車輛同時在路運行的長期過程中的運行以及運行安全的問題，在提升智能駕駛車輛本身的智能駕駛水平的同時，還提升了存量的非智能駕駛車輛，低等級智能駕駛車輛的駕駛安全水平。

四、基于“駕駛環境全息模型”的智能駕駛技術路線的關鍵技術

4.1 道路模型與高精度地圖

基于“駕駛環境全息模型”的智能駕駛技術路線的道路模型聚焦與車輛行駛的道路的各種要素信息，如道路的類型（柏油，水泥，石子，橋梁，隧道等）；路面的寬度；車道的數量、寬度、位置，車道線的類型；道路的行駛條件（限速，限行等）；路側隔離帶的類型（剛性，柔性，無物理實體隔離等）。不涉及與車輛行駛無關的道路周邊設施的數據，如路側建筑物的名稱、位置等地理信息。

道路模型的道路信息比高精地圖更為精準，地理定位信息可設定為基于定位基點的相對位置信息，不必采用絕對的高精度經緯度信息。如道路模型坐標數據屬性可設計為“G3高速”、“上行”、360.26Km”、”第二車道”等，這樣的設計對國家地理信息數據安全非常有利。

發布道路模型的區域即為允許智能駕駛車輛運行的區域，在一些敏感區域或者不被允許智能駕駛的區域不發布道路模型數據，即為禁止智能駕駛車輛運行的區域，在這些區域具有智能駕駛功能的車輛必須被駕駛員接管操控，控制系統無法采集到該區域的道路地理信息，有利于這些敏感區域的地理信息數據安全，也有利于智能駕駛車輛在這些區域的運行安全及道路交通安全。

智能駕駛基礎設施是逐步建設和完善的過程，在這個過程中，智能駕駛車輛可開放運行在已建設完善的區域，智能駕駛基礎設施一邊建設，一邊即可產生效益，一般消費者可提早享受智能駕駛帶來的駕乘體驗，從而激發智能駕駛車輛的市場消費需求，從市場的角度促進智能駕駛車輛的技術發展和進步。

另外，高精地圖的供應商為為數不多的具有地圖發布資質的企業，高精地圖的道路信息采集、制作、發布的周期長、成本高，更新和維護不及時，還存在地理信息數據安全的隱患；而道路模型的發布者為國家的道路或者交通管理部門的專門機構，道路信息的獲取和制作，發布，更新更為及時和準確，同時，國家地理信息數據掌握在國家機關，而非商業機構；且道路模型的發布可受控地、在授權下發布，且僅能發布允許被發布的道路模型，這樣對國家地理信息數據的保密和安全也非常有利。

在一些特定的區域，如在集裝箱港區碼頭，如在衛星導航信號或者無線通訊信號無法覆蓋的地下車庫，還可低成本實現港區車輛智能無人運營或者無人智慧停車場這類非高精地圖企業業務范圍的創新應用。港區碼頭或者地下車庫的道路模型的制作、更新和維護可由有資質的技術服務公司在業主的授權下實施。

4.2 V2X設備的通訊模式

車載V2X設備對外周期性、廣播式發送自身的車輛幾何尺寸，行駛速度，位置信息，轉向、制動等行駛意圖，故障、特定駕駛狀況等非專屬公共信息。同時，車載V2X設備接收其他節點（如：車輛，路側單元等）的廣播信息，構建本車的“駕駛環境全息模型“。

廣播傳輸的數據為車輛的非專屬公共信息，即用于構建駕駛環境模型的開放信息，不包括車輛車牌號等可能涉及隱私的個人信息。有利于駕駛人個人信息安全。廣播而非交互式的數據傳輸方式，有利于車輛的信息安全和功能安全。車輛只接收標準格式的廣播數據，對于非標準格式的數據，車輛不予接收和處理。通過物理隔離的方式避免車輛信息被篡改或者車輛被挾持。

V2X的數據通訊是以廣播的形式發送，依據V2X設備的通訊協議和信號發射功率，廣播的數據被信號發射功率覆蓋的范圍內（如半徑500m）的其他節點接收和解析，用以構建智能駕駛的“駕駛環境全息模型”。信號的覆蓋范圍首先能夠保證當前智能駕駛車輛所需的駕駛環境全要素信息都能夠被接收和采集到；其次，能夠增加非法獲取和追蹤車輛數據的難度，保證車輛信息安全。

V2X設備的數據通訊以廣播的形式發送，在一定距離范圍內被其他節點接收和解析，使得處于同一特定區域內的智能駕駛車輛數據通訊不受衛星信號或者基站轉發信號不良或者屏蔽的影響，如隧道、地下車庫等特殊區域，通過這種V2X設備的數據通訊方式，結合車輛慣性導航系統的定位技術仍然可以構建精準的“駕駛環境全息模型”，從而實現精準的智能駕駛。

圖7. V2X設備在特定區域內的廣播數據用以構建“駕駛環境全息模型”

車載V2X設備對外廣播送自身車輛的幾何尺寸，行駛速度，位置信息，轉向、制動等行駛意圖， 故障、特定駕駛狀況等非專屬公共信息，在一些偶發或臨時發生的非正常的交通狀況，如：臨時的交通管制，駕乘人員的安全檢查，或者如消防車輛或者救護車等特種車輛作業時，或者車輛故障、道路事故等情景下，通過系統內置特殊狀態下的車輛數據快速設置安全圍欄或者避讓區域。

圖8. V2X設備通過廣播特定數據設置安全圍欄

V2X的數據通訊是以廣播的形式發送，廣播的數據被其他節點接收和解析有距離范圍的限制，通常情況下，這個距離范圍，這些數據僅被接收并用于和滿足智能駕駛車輛的控制需求，但一些特殊情況下的數據，如上述的特殊情況下設置的安全區域，甚至包括一些V2X無法表達的數據，而是配合智能駕駛車輛視覺或者雷達等感知系統識別和標識的駕駛環境數據，如：道路遺撒物體，通過V2X的通訊協議和報文格式的設計，由首先標識該數據的車輛通過V2X設備廣播發送出去，由其他節點接收并轉發，為其他智能駕駛車輛提供更早或者更遠的預警時間和距離。

五、總結

智能駕駛控制系統是一個復雜的大系統，基于 “駕駛環境全息模型”的智能駕駛技術路線，依靠V2X等設備傳輸精準的駕駛環境數據來構建精準的“駕駛環境全息模型”，為智能駕駛控制系統提供精準的決策依據，解決了傳統駕駛環境感知層由于受傳感器技術、環境干擾、感知精度、識別算法、數據融合技術等因素的限制帶來的駕駛環境數據的不確定性和不準確性導致的智能駕駛的決策的不可靠和不可信的問題，促進了高階智能駕駛系統技術發展、進步、實現和落地。

另外，“駕駛環境全息模型”是一個生態平臺，這個生態平臺充分考慮了智能駕駛環境（技術環境和社會環境）參與各方的關切，智能駕駛環境的參與方包括智能駕駛系統的開發、測試、驗證的技術研發部門，系統零部件供應商，整車生產制造廠，智能駕駛基礎設施的建設管理部門，交通管理部門，智能駕駛車輛以及共存的非智能駕駛車輛等其他車輛的用戶等等。智能駕駛環境的參與各方的權益在生態平臺基本上都可以得到相對均衡的體現，其關切的問題也都能找到合適的解決方案。因此，生態平臺的參與各方可充分發揮各自的技術、能力特長，為推動智能駕駛環境的建設、發展進步貢獻各自的力量。

審核編輯 ：李倩