智能车辆控制技术 课件 第8章 智能网联车辆协同控制技术

8.1高精度定位技术8.2智能互联技术8.3信息融合技术8.4车路协同技术8.5车辆编队技术8.6案例分析第8章智能网联车辆协同控制技术

随着人工智能、物联网、5G通信等技术的快速发展,智能网联汽车正逐步从概念走向现实。然而,单车的智能化程度再高,也难以应对复杂多变的交通环境。因此,实现车辆之间的协同控制,构建高效、安全、环保的智能交通系统,成为未来发展的重要方向。

本章将介绍高精度定位技术、智能互联技术、信息融合技术、车路协同技术、车辆编队技术等关键车辆协同控制技术,介绍车辆-路侧-云端协同控制的技术框架,为自动驾驶安全运行及交通流优化提供基础支撑。8.1高精度定位技术8.1.1卫星定位技术

卫星定位技术是高精度定位的基础，主要包括中国的北斗卫星导航系统BDS和美国的全球定位系统GPS。BDS自1994年启动以来，经过多年的发展，已成为全球第三个成熟的卫星导航系统。2020年，北斗三号全球卫星导航系统星座部署全面完成，标志着BDS在全球范围内的应用进入新阶段。BDS由空间段、地面段和用户段组成，空间段包括5颗地球静止轨道卫星、3颗倾斜地球同步轨道卫星和27颗中圆地球轨道卫星，确保全球覆盖和高精度定位。

GPS由美国开发，主要由空间部分、地面监控部分和用户部分组成。空间部分包括24颗卫星，分布在6个轨道平面上，确保全球覆盖。GPS的特点在于其高精度定位和全球覆盖能力，民用GPS精度可达数米，通过差分技术可进一步提高精度。GPS信号传播不受天气变化、昼夜交替影响，可以在多数环境中稳定地工作，持续为用户提供可靠的服务。8.1.2差分全球定位系统

差分全球定位系统DGPS是一种高精度定位技术，通过利用已知位置的基准将公共误差估算出来，并通过相关算法削弱或消除部分误差，从而提高定位精度。DGPS主要包括基准站和用户接收机。基准站接收卫星信号计算出与实际位置的偏差并将这些误差信息发送给用户接收机，用户接收机利用误差修正信息定位结果进行修正，得到精确位置。

DGPS主要分为位置差分、伪距差分和载波相位。位置差分系统通过基准站计算位置修正量，发送给用户接收机进行修正，精度一般在米级，适用于粗略导航。伪距差分系统通过基准站计算伪距修正值，发送给用户接收机，精度可达亚米级，适用于智能交通系统。载波相位差分系统通过基准站计算载波相位修正值，发送给用户接收机，精度可达厘米级，适用于自动驾驶。

实时动态定位技术RTK由一个基准站和一个或多个移动站组成。基准站计算出载波相位观测值，并将这些数据发送给移动站，移动站也在接收卫星信号并计算载波相位观测值。移动站结合自身观测值与从基准站接收到的数据得到厘米级甚至毫米级精度的定位结果。8.1.3惯性导航技术

惯性导航系统INS是一种不依赖外部信息、自主式的导航定位系统。惯性导航系统利用惯性元件来测量载体的加速度和角速度，从而确定载体在空间中的位置、速度、姿态等信息。

惯性导航系统主要由3个模块组成：惯性测量单元IMU、信号预处理单元SPU、机械力学编排模块MM。IMU由3个相互正交的单轴加速度计和3个相互正交的单轴陀螺仪组成。陀螺仪用于测量载体的角速度，加速度计用于测量载体的加速度。惯性导航系统的工作原理以牛顿第二定律为基础，利用载体先前的位置、惯性传感器测量的加速度和角速度来确定当前位置。

惯性导航系统的误差分为随机误差和固定误差。随机误差包括传感器白噪声误差、变温误差、传感器随机游动误差、谐波误差和闪烁噪声误差。固定误差包括偏差、尺度因子误差、非线性、尺度因子符号不对称性、死区误差和量化误差。惯性导航系统具有不依赖外部信号、隐蔽性好、短时间内精度高、数据更新率高等优点，但也存在误差累积、设备成本高、初始校准要求高等缺点。8.1.4多传感器融合定位技术

多传感器数据融合是一门新兴技术，它整合不同传感器的环境信息，模拟人脑的信息处理逻辑，将多源信息进行时空互补、冗余优化，形成统一的环境描述，以此提升整套定位系统的工作效能。

DR航位推算、GNSS、GNSS/DR是自动驾驶基础定位模式，引入地图匹配（MM）后，又衍生出DR/MM、GNSS/MM、GNSS/DRMM三种新模式，系统可根据场景自动切换六种定位方式，提升定位精度与稳定性。

GNSS数据更新频率低、信号易被遮挡，INS虽能高频连续输出定位信息，但存在误差累积问题。将两者融合，可互相弥补短板，再结合高精度地图匹配技术，能够进一步强化定位效果。

GNSS与INS组合主要分为松耦合、紧耦合、深耦合三种架构。松耦合软硬件相互独立，数据汇总后完成修正；紧耦合依托伪距残差解算设备误差；深耦合集成度最高，依靠INS辅助GNSS信号跟踪，是当前主流前沿技术。

按照处理流程，融合技术可分为数据层、特征层、决策层三类。融合定位系统以RTK、惯性导航、地图匹配的数据为输入，经过预处理、配准、融合后，最终输出车辆速度、位置、姿态等关键信息。

高精度定位结合多传感器融合技术，是自动驾驶的重要技术保障，未来也将持续为自动驾驶安全、稳定运行提供支撑。8.1.4多传感器融合定位技术8.2智能互联技术8.2.1汽车的网络互联技术

车载通信四大要求：1.高带宽：支撑雷达、摄像头等传感器及车载娱乐海量数据传输；2.低时延：自动驾驶控制时延要求≤10ms，部分场景≤5ms；3.高可靠：通信可靠性≥99.999%，保障指令准确传输；4.广连接：实现V2N、V2V、V2I、V2P全场景通信。

传统车载网络以CAN、LIN总线为主，架构封闭、速率低，仅可通过OBD-II简易诊断，无法支撑智能网联应用，成为技术发展瓶颈。在传统汽车系统中，车载网络以CAN总线和LIN总线为核心，采用分布式ECU结合低速总线的架构：1.CAN总线：带宽最大1Mbps，主要用于动力域、底盘域的控制指令传输，无法满足高带宽需求；2.LIN总线：带宽最大100kbps，用于车门、灯光等辅助系统的低速数据传输；3.物理隔离：传统IVN与外部环境完全隔离，仅通过OBD-II端口实现有限的诊断功能，无法支持远程控制、车路协同等智能应用。这种架构的局限性日益凸显，低带宽无法承载自动驾驶的传感器数据、高时延无法满足实时控制、封闭性无法实现车与外界的协同，已成为智能网联汽车发展的瓶颈。为突破传统架构的局限，汽车网络互联技术正向车载网络与无线连接两大方向演进。8.2.2汽车的车内网——车载网络

车载网络用于整车ECU数据交互、系统控制与娱乐等功能。横向划分：

智能座舱、智能驾驶、智能动力三大系统2.纵向划分：

底盘、动力系统、硬件拓扑、车载OS、应用生态、车载云车载网络逐步替代传统点对点通信，总线协议与网络架构持续迭代升级8.2.2汽车的车内网——车载网络传统车载总线技术

CAN总线：速率125kb/s~1Mb/s，多用于动力、底盘系统，可靠性高、易维护

LIN总线：速率10~125kb/s，作为CAN补充，服务车门、灯光等低速车身部件

FlexRay总线：速率10Mb/s以上，融合事件触发、时间触发两种模式，带宽利用率高网络架构演变

网关架构：单网关统一管理所有ECU，适用于低阶自动驾驶、少量电控单元8.2.2汽车的车内网——车载网络网络架构演变2.域架构：按功能划分域控制器，同类ECU接入同一域，优化总线布局；设备分散时仍存在布线问题3.区域架构：按车身位置分区部署网关，分为骨干网与接入网，减少线缆、降低成本，对带宽要求更高车载以太网

车载以太网优势：提升带宽、优化拓扑、拓展性强。

现有架构为以太网+传统总线混合模式，搭配CAN-FD、DLC诊断接口；时间敏感网络保障低时延、低抖动传输

现存问题：易受电磁干扰、布线复杂，当前速率暂无法满足未来100Gb/s以上传输需求。8.2.3汽车与外界互联——无线连接技术5G在车联网中的优势

低时延高可靠：适配高速车辆实时通信，可灵活优化通信服务；

频谱与能效优化：依托D2D、认知无线电、全双工通信，提升资源利用率、降低能耗。移动通信发展趋势

5G三大应用场景：eMBB、uRLLC、mMTC；目前存在智能化不足、全域连接缺失等问题。

下一代6G进一步降低时延、提升定位精度，国内外已启动研发布局8.2.3汽车与外界互联——无线连接技术1.车联网概述

V2X可实现V2V、V2I、V2P、V2N多类通信，融合多类技术，兼顾行车安全、通行效率、节能减排与车载娱乐，是智能交通核心支撑技术。2.应用需求与现存技术短板

车联网分两类应用：-安全类（V2V/V2I/V2P）：要求毫秒级时延、高可靠性；-娱乐/远程服务（V2N）：对时延不敏感。

传统蜂窝网、DSRC、MANET均无法满足近程高可靠通信要求。

8.2.3汽车与外界互联——无线连接技术3.蜂窝车联网C-V2X-PC5直连通信：短距离、低时延高可靠，支撑行车安全业务，独立于蜂窝网络；-Uu蜂窝通信：广覆盖、大带宽，支撑远程信息服务，依赖基站。其他无线连接技术1.蓝牙技术

主打低功耗近场通信，支持语音、音频传输，拓展功能：-近距离车辆遥控（开关车门、启动空调/车辆）；-车辆故障诊断，便捷传递故障信息；-依托周边设备辅助车辆定位，用于防盗追踪。2.WiFi技术

主打大流量高速传输，应用场景：-车内上网、整车在线升级；-车车、车路临时组网，共享路况；-车辆远程监控、状态管理与防盗管控。8.3信息融合技术8.3.1信息融合技术现状

智能网联汽车（ICV）与信息通信技术深度融合，信息融合技术可提升系统冗余度与容错性，保障决策高效准确，是智能网联汽车发展的必然趋势。

我国智能网联汽车关键技术已实现量产突破，但在车载传感器融合算法、智能决策、仿真平台等系统集成领域仍有短板。

信息交互、V2X、大数据、信息安全等技术已达国际水平，相关云控平台可为大规模网联应用提供协同计算支撑。

国际格局：美国在网联、控制、芯片领域优势明显；日本依托汽车电子产业稳步发展；欧洲L3级自动驾驶车辆已推向市场。8.3.2多传感器信息融合

各类传感器特性对比：-相机：色彩纹理信息丰富，易受光照影响，无深度数据；-激光雷达：三维测距能力强，雨雾环境性能下降、成本高；-毫米波雷达：抗干扰、测速测距稳定，分辨率低，难识别静态目标。

融合多传感器可扬长避短，主要分为三类融合框架：1.数据级融合

在原始数据层面完成整合，完整保留原始信息，多用于同类传感器融合，异构数据融合难度高。2.特征级融合

先提取传感器特征再融合，降低计算量，但存在部分信息损耗，可适配异构数据。3.目标级融合（决策层融合）

各传感器独立完成感知，再对结果融合。灵活性、容错性强，工业应用广泛；计算与带宽开销低，常采用DS证据理论处理不确定性信息。8.3.2多传感器信息融合智能交通系统中多传感器信息融合1.常用传感器-超声波传感器：成本低、使用简便，探测距离可达100m，易受干扰；-视觉传感器：应用广泛，性价比高；-雷达传感器：不受天气、光线影响，抗干扰能力强。2.融合算法：CLARK算法以摄像机、雷达为数据来源，结合卡尔曼滤波消除干扰，搭配矩形模板完成目标识别：该算法常规场景表现良好，图像特征弱、目标占比小时效果有限。8.3.3基于V2X通信的多源车路信息融合

V2X包含DSRC、C-V2X两大技术，依托4G/5G实现端到端通信。系统四大组成部分

交通感知层：采集路侧、车辆数据

网络传输层：LTE-V2X完成数据传输

数据处理层：基于MEC框架实现数据融合，为系统核心

信息服务层：交通管控、信息发布、交通诱导8.3.3基于V2X通信的多源车路信息融合1.

交通感知层由车载端、路侧端、云服务器组成。车辆通过OBU、路侧RSU上传/接收数据，交通状态信息是车路协同的核心数据基础2.

网络传输层-LTE-V-Direct（短程直通）：PC5接口，车辆与周边设备直连，低时延高可靠-LTE-V-Cell（广域蜂窝）：Uu接口，依托蜂窝网络，大带宽、广覆盖8.3.3基于V2X通信的多源车路信息融合3.

数据处理层依托MEC边缘计算平台，主要完成两类融合处理。-点云与图像数据融合主流组合：激光雷达+高清摄像机。点云预处理→图像去畸变→坐标联合标定→识别框匹配融合。-车路信息融合整合车载、路侧异构数据，车辆与RSU双向交互，RSU可依据融合结果引导车辆行驶。4.信息服务层依托融合数据完成目标识别、路况分析、交通预测、信号控制等工作。逻辑：对比车流量与路口通行能力，动态调整绿灯时长、推荐车速。8.3.4信息融合技术发展趋势1.基于多源信息感知融合能力:强化多源感知融合，搭建全息路口与数字孪生体系，实现交通精细化管理2.基于路口环境与交通要素数字化:推进路口与交通要素数字化，实现全工况动态交通控制3.构建基于多元感知的数字环境:依托路侧感知设备,构建路口全息感知能力4.构建基于AR增强的现实技术:结合AR技术，打造直观的实景交互体系5.构建基于全息智能(HolographicIntelligence)的决策体系:融合AI与AR，构建全息智能决策体系6.构建基于泛在通信(UbiquitousCommunication)的泛在场景:整合5G、星闪、C-V2X、卫星等技术，打造空天地一体化泛在通信网络8.4车路协同技术8.4.1车路协同概念车路协同可为车辆提供“上帝视角”，合理分配道路资源。它整合感知、计算、通信、控制技术，搭建状态感知、实时交互、科学决策-精准执行闭环体系。

车路协同系统具备数据驱动、泛在连接、虚实映射等特征，拥有三大核心优势。1.交通全要素一体化人、车、路、环境形成数字孪生体，实体与虚拟体双向交互，交通运行更高效有序。2.自动驾驶计算、感知、决策、控制一体化AD由单车完成全流程；VICAD可由车、路、云分担算力与功能，突破单车成本与性能上限，拓展自动驾驶运行域。3.跨行业应用一体化以数据为核心，赋能自动驾驶、智能交通、智慧城市等多领域，挖掘数据价值8.4.2车路协同自动驾驶发展阶段各阶段落地现状

信息交互协同：已规模化应用，LTE-V2X直连通信搭载于多款量产车型；2.协同感知：处于快速推广阶段，多地示范区部署多传感器融合系统，解决感知盲区问题；3.协同决策控制：仍在试点验证，依托强化学习、模型预测控制技术开展场景测试。8.4.3车路协同关键技术1.

车路协同通信技术主流技术为DSRC与C-V2X，核心参数对比如下：2.

车路协同仿真技术测试分类：虚拟仿真、封闭场地测试、开放道路实车测试。

主流仿真平台由网络仿真器+交通仿真器组成，结合自动驾驶仿真软件与交通流软件联合使用。VIMS车-路-图协同仿真平台

基于CARLA与ROS架构，采用分布式、松散耦合设计，接入硬件在环设备，可完成多场景算法测试。

平台分为主世界、高精度地图、智能路侧、智能车四大模块，支持多协议数据交互，具备场景生成、数据采集、可视化、测试评价等功能。8.4.3车路协同关键技术3.

道路感知技术

智能道路的核心是基础设施数字化。协同感知路面两大目标：提供安全导航服务、实现设施全生命周期低成本管理。

技术架构与功能-面向车辆：采集环境数据，实现安全辅助、路况预测与路径规划；-面向运维：监测路面状态，预测结构损耗，优化养护与设计方案。

技术体系包含状态感知层、数据处理层，辅以数据传输、能量供给两大配套技术。

状态感知可采集交通环境、路表、路面结构三类参数，结合多算法完成数据处理。8.4.3车路协同关键技术4.

信息安全技术

车路协同系统采集、传输海量车辆、路况、用户数据，数据篡改、泄露会直接威胁行车安全与用户隐私。路侧设备主要安全风险：-设备价值高，存在失窃、算力被非法占用风险；-安装分散、防护薄弱，易被非法接触；-通用软硬件易被入侵操控；-存储大量隐私数据，存在信息泄露、财产被盗隐患。

目前业内已研究身份认证、聚类传输等技术，用于规避安全风险。8.4.4车路协同发展趋势1.近期目标（至2027年）

20个试点城市、主干高速完成C4+智能道路覆盖；L2+自动驾驶新车占比超60%，搭载C-V2X模块车辆占比达30%。2.中期目标（至2030年）

全国省会核心区、国家级高速实现智能道路全覆盖；L3自动驾驶车型量产普及，接入车路云平台车辆超3000万台。3.远期目标（至2045年）

全国公路完成数字化改造；L4级自动驾驶在物流、公交领域渗透率超40%，全域交通效率提升50%以上。

车路协同商业化是循序渐进的过程，需要技术、终端、法规标准同步推进，整体分为三个落地阶段。8.5车辆编队技术8.5.1车辆编队技术现状

车辆编队是指车与车之间保持一定间距，动态组成车队行驶。利用低时延、高可靠的通信技术，编队车辆之间可以实现快速共享驾驶策略和驾驶状态信息，进行同步加速、制动等操作，从而保持预期的编队构型及稳定性。

根据车辆的不同职责，可分为领航车和跟随车；根据车队成员是否变化，分为管理过程、控制过程。1.管理过程：领航车负责车辆加入、离开、车队解散等工作；2.控制过程：车队成员固定，完成匀速、加减速、紧急制动等行驶行为。8.5.1车辆编队技术现状国外主流组织：3GPP、ISO、SAE等；国内主流组织：CCSA、CSAE、C-ITS。3GPP：研究编队C-V2X通信，明确场景与通信指标；ISO：制定独立于通信技术的应用、交互、测试标准；SAE：区分CACC与编队，定义适配美国道路的消息集；国内标准：聚焦应用层交互、通信、数据需求，适配国内道路场景。8.5.1车辆编队技术现状

YD/T3977-2021规定增强V2X业务应用架构，包含A1~A12共12类接口，可实现车、路、行人、边缘平台、云端之间的信息交互，全面支撑各类V2X业务。8.5.2车辆编队控制系统数学模型：

智能车辆队列搭载自动驾驶设备与传感、通信装置，后车跟随前车行驶，车队整体协同控制，可提升车速、缩短车距、提高通行效率。

设第i辆车与前车间距为Δxi，理想跟随距离为常数D。车辆运动方程组模型控制目标

车辆加速度趋近于0

理想车距差值趋近于0

相邻车辆相对速度趋近于0

首车稳速后，被控车加速度变化率为0控制方法：

车辆队列分为集中式与分布式两类方式：

集中式：所有数据汇总至中央控制器统一规划，理论效果最优，但带宽、算力要求高，易出现控制滞后，适用场景有限；

分布式：无中央控制器，车辆仅获取周边车辆信息，带宽需求低、响应快，是高速车辆队列的主流选择。主流分布式控制技术ACC（车辆自适应巡航控制）：依靠测距传感器，自动调节车速与车距；CACC（协同自适应巡航控制）：在ACC基础上增加车车通信，可获取更多路况信息，进一步缩短车距。8.5.2车辆编队控制系统系统结构：

距离传感器：毫米波雷达、激光雷达、热辐射传感器等；

执行器：节气门、制动、变速器控制单元；

车车通信模块：支持Wi-Fi、DSRC、ZigBee、RFID等无线方式；

定位模块：GPS、北斗模块；

人机交互模块：车载终端、显示屏、报警器等；

车身总线：CAN总线、LIN总线；

机器视觉：识别道路标线、交通标识。8.5.3车辆编队行驶条件车辆行驶安全性条件：

编队车辆可缩小跟车距离，但必须满足安全要求，距离过近系统会自动增距避撞。

车辆最大制动减速度：常规3～4m/s²，紧急工况7.5～8.5m/s²，极限不超8.5m/s²。

最小制动距离

安全车距

实际车距

理想车距差值

控制目标：理想车距差值无限趋近于0。8.5.3车辆编队行驶条件车辆队列稳定性条件：队列稳定性：车辆状态扰动不会向后放大，随队列延长扰动逐步衰减。基于理想车距差值构建传递函数，判定条件：传递函数范数≤1：衍生判定公式：该特性可保证单车状态变化不会引发整个车队失控。8.5.4车辆编队基础模型编队车辆运动学模型编队车辆采用阿克曼转向，工程中简化为两轮自行车模型。定义参数：质心、转向半径、航向角、前轮转角等。

8.5.4车辆编队基础模型编队车辆动力学模型分为横向动力学、纵向动力学，是车辆底层控制的理论基础。横向动力学模型：建模假设：刚性车身、轮胎线性侧偏、忽略垂直运动等。纵向动力学模型车辆行驶阻力：空气阻力Fw​、滚动阻力Fr​、加减速阻力Fj​、坡度阻力Fs​。阻力计算公式：不同工况：匀速工况加速工况驱动扭矩计算制动工况8.6案例分析案例背景2024年4月，北京亦庄经济技术开发区部署了基于车路协同的城市路口自动驾驶决策系统，覆盖荣华中路与科创五街交叉路口。

该路口为典型的城市主干道交叉口，日均车流量约1.2万辆，包含行人、非机动车、社会车辆及L4级自动驾驶测试车辆混行场景，存在建筑遮挡、交通参与者行为随机等复杂因素。

本案例的核心技术目标是通过多传感器融合与车路协同技术，解决自动驾驶车辆在路口的“感知盲区”和“决策滞后”问题，将路口通行效率提升20%，同时实现自动驾驶车辆无保护左转的接管率降至0.1次/千公里。8.6案例分析8.6案例分析核