智能网联汽车云控系统及其实现

汽车工程
Automotive Engineering
2020年(第42卷)第12期2020(Vol.42)No.12 doi：10.19562/j.chinasae.qcgc.2020.12.001
智能网联汽车云控系统及其实现
李克强1,常雪阳「，李家文2,许庆1,高博麟「，潘济安1
(1.清华大学，汽车安全与节能国家重点实验室，北京100084； 2.启迪云控(北京)科技有限公司，北京100084)
［摘要］本文中提岀了基于信息物理系统(cyber-physical system,CPS)理论的智能网联汽车云控系统概念，该系统利用新一代信息与通信技术，将人、车、路、云的物理层、信息层、应用层连为一体，进行融合感知、决策与控制，可实现车辆行驶和交通运行安全、效率等性能的综合提升。

在介绍系统架构、工作原理与关键技术的基础上，研究了边缘云上融合感知技术与时变时延下车辆控制技术,开发了面向真实道路的云控系统。

通过仿真与道路试验，验证了系统的云端计算、融合感知、融合决策与网联控制的性能,展示了系统实际应用的可行性与先进性。

关键词：智能网联汽车；云控系统;信息物理系统;融合感知；网联车辆控制
Cloud Control System for Intelligent and Connected Vehicles and Its Application
Li Keqiang1,Chang Xueyang1,Li Jiawen2,Xu Qing1,Gao Bolin1&Pan Jian1
1.Tsinghua University,State Key厶aboratory of Automotive Safety and Energy,Beijing100084；
2.TUS Cloud Control(Beijing)Technology Co.,Ltd.,Beijing100084
[Abstract]In this paper,the concept of cloud control system for intelligent and connected vehicles is pro­posed based on the theory of cyber-physical system(CPS).The system uses the new generation of information and communication technologies to integrate the physical layer,cyber layer and application layer of human,vehicles, road infrastructures and cloud for integrated perception,decision-making and control to realize comprehensive im­provement of vehicles and traffic safety and efficiency.Based on the introduction of the system architecture,working principle and key technologies,integrated perception technology on edge cloud and vehicle control technology under time-varying delay are studied.Furthermore,a cloud control system for real road is developed.Simulation and field test results verify the performance of cloud computing,integrated perception,decision-making,and connected con­trol of the proposed system,which demonstrates its feasibility and superiority in application.
Keywords:intelligent connected vehicles；cloud control system；cyber-physical system；integrated per­ception；networked vehicle control
前言
自动驾驶是汽车与交通领域的颠覆性技术，正引发学术界和工业界开展广泛且深入的研究。

单车自动驾驶的实现面临不可逾越的技术瓶颈，而基于新一代信息与通信技术的智能网联汽车(intelligent and connected vehicles,ICVs)［l］能有效解决其技术难题，并产生新的汽车交通系统形态。

研发和应用智能网联汽车系统，不仅需要常规车路协同和车联网信息服务技术，还必须探索实现人、车、路、云的深度融合和系统重构，以面向各种场景进行复杂系统的融合感知、决策与控制。

在车路协同领域,有研究实现了路侧设备辅助或车车通信下的高速公路编队自动驾驶与多种辅助驾驶［2-4］，然而这些技术没有考虑云端平台，由于分
*国家重点研发计划项目(2016YFB0100900)和清华大学-阿利昂斯智能岀行联合研究中心资助。

原稿收到日期为2020年5月15日，修改稿收到日期为2020年7月12日。

通信作者:李克强，教授,E-mail：likq@ o
•1596-汽车工程2020年（第42卷）第12期
散架构下路侧设备性能与协作能力的局限，其难以
对全域智能网联汽车的运行进行整体优化。

在车联
网云服务领域,最初关注点为提供管理与信息服务,有基于公共平台⑸与基于自组织网络［6-7］两种主要方式,但未能涉及车辆行驶优化。

近年来，有学者开始探索车路云的结合,侧重面向信息服务的系统架构［8-10］、计算分层结构［11］、系统级的通信技术与队列控制方法［12］、云与边缘控制器的切换方法M、交通信息提示：14_15］、交通流状态估计［16］、边缘计算卸载服务［17］等，但这些研究不具备实现复杂交通场景下融合感知、决策与控制的车路云一体化系统的概念，难以支撑面向不同功能与场景的各类网联自动驾驶应用。

针对上述问题，本文中首先提出智能网联汽车云控系统（简称“云控系统”）的概念。

系统利用新一代信息与通信技术,将人、车、路、云的物理层、信息层、应用层连为一体,进行融合感知、决策与控制,可实现车辆行驶、交通运行安全和效率等性能的综合提升。

系统由云控平台、路侧基础设施、网联式智能汽车、通信网与资源平台组成。

云控平台通过网联式智能汽车、路侧基础设施与资源平台的融合感知,形成物理交通系统的实时数字映射，进而进行分层融合决策，并对网联式智能汽车与路侧基础设施实施融合控制,实现车辆行驶与交通信号的实时调节，以优化车辆与交通运行的安全、效率等性能。

基于提出的智能网联汽车云控系统概念，本文中设计了系统的车路云融合架构、基于CPS理论的工作原理和5方面的关键技术体系；随后,针对系统实际应用的技术要求，研究边缘云上的车路融合感知技术与时变时延下车辆控制技术，并搭建用于提升真实道路混合交通性能的云控系统;最后,通过算法仿真与道路试验，验证系统的车路融合感知与网联车辆控制的性能，并展示系统应用于真实交通环境的可行性与先进性。

1智能网联汽车云控系统架构
本文中提出的智能网联汽车云控系统是以云控平台为核心、面向智能网联汽车与交通的一体化优化系统。

云控系统由云控平台、路侧基础设施、网联式智能汽车、通信网与资源平台组成,其基本架构如图1所示。

通信网连接人车路云各节点，网联式智能汽车、路侧基础设施和资源平台与云控平台相连。

（1）云控平台
非实时应用
⑤资源平台
昌X
地图定位
交管气象
①云控平台
④网联式智能汽车
图1智能网联汽车云控系统基本架构
云控平台是构建车路云标准通信与实时计算环境、实时融合车路云数据、进而统一协调运行智能网联驾驶与智能交通应用（简称“协同应用”）、支撑云控系统进行车辆及其交通运行性能优化的云平台，由云控基础平台与协同应用组成。

云控基础平台为协同应用提供通信链路、交通全要素实时数据与应用实时运行环境。

云控平台根据车辆与交通运行优化需求，对云控基础平台和协同应用进行统一调控与管理。

为更好支撑对实时性和服务力度有不同要求的协同应用,云控基础平台具有边缘云、区域云与中心云3级架构，逻辑统一，物理分散，实现协同应用的按需动态运行。

边缘云（含边缘计算节点）通常服务街或区，主要运行实时协同应用；区域云通常服务市或省,主要运行准实时协同应用；中心云服务全国，运行非实时应用。

上一级云协调下一级云，其服务实时性逐级降低，服务力度依次增大。

设计云控平台的总体技术架构如图2所示，重点针对以下4方面问题。

为打破目前车路云形成信息孤岛的困境，云控系统使用统一的标准化机制进行车路云通信，以实现高效广泛互联与高性能传输。

云控平台利用软件定义网络与网络功能虚拟化等先进技术,对通信需求与网络状态进行实时监控与预测，实现云控平台与通信网上通信过程的动态调控，以提升通信效率与可靠性。

为满足各类协同应用对各交通要素数据的共性
2020(Vol.42)No.l2李克强，等:智能网联汽车云控系统及其实现•1597•
图2云控平台总体技术架构
需求，云控平台统一利用网联式智能汽车与路侧基础设施的感知能力和资源平台的数据，通过各级云上的实时感知信息分级融合，构建全域交通全要素的高精度实时数字映射即数字孪生digital twin,以高精度动态地图形式，为广泛的协同应用提供运行所需的各类实时数据。

为应对高并发下协同应用所调控物理对象的行为相互冲突的问题，云控平台构建多目标多任务协同的应用整体编排框架，对协同应用运行方式与行为进行整体规划，保障其性能的充分利用,提升云控系统，优化车辆与交通运行的性能。

为协调高并发下协同应用争抢计算资源的问题，云控平台建立统一计算编排框架，根据协同应用与场景，基于虚拟化、容器与微服务等技术,对系统计算资源使用进行统一优化配置，实现协同应用高并发地按需实时运行，保障协同应用服务于车辆与交通运行优化的安全性与预期性能。

(2)路侧基础设施
路侧基础设施是布置在道路附近的实现人车路互联互通、融合感知、局部辅助定位等功能的设备集合。

通过优化设计而布置的路侧传感器支撑云控系统对混合交通的融合感知。

路侧通信设备增强云控系统的通信覆盖范围与可靠性，构建前端的闭环反馈链路。

(3)通信网
云控系统集成异构通信网络，基于标准化通信机制,实现系统中人、车、路、云的广泛互联通信，利用5G、软件定义网络等先进通信技术实现高性能与高可控性。

(4)网联式智能汽车
网联式智能汽车连接云控基础平台、路侧基础设施与其他车辆，共享车端数据，接收协同应用的输出并做出响应。

网联式智能汽车是云控系统的数据源与受控对象。

云控系统不仅直接提升网联式智能汽车的行驶性能，还利用网联式智能汽车对其所处混合交通的行为进行优化。

(5)资源平台
资源平台是提供协同应用运行所需其他数据的专业平台，涉及高精地图、地基增强定位、气象、交通管理、公安等。

智能网联汽车云控系统的工作原理源于信息物理系统理论，如图3所示。

云控系统基于标准化通
物理系统层
应用整体编排
通信网
路侧设备
网联式智能汽车
混合交通
图3智能网联汽车云控系统工作原理示意图
云控平台
•1598-汽车工程2020年(第42卷)第12期
信与实时数字映射构建信息映射层，标准化通信实现物理空间与信息空间之间的通信链路与反馈控制闭环,实时数字映射构建物理空间的人(驾乘人员、行人、车辆与交通管理者等)、网联式智能汽车、道路网、信息网、感知网等对象在信息空间的模型与实时状态;基于对系统计算资源与协同应用的统一编排而构建融合应用层，实现智能网联驾驶与智能交通相关应用在信息空间中高并发地按需实时运行;将协同应用的输出反馈到物理空间的车辆与交通信号上，进行全域车辆与交通运行的分层优化，实现安全、效率等性能的综合提升。

云控系统融合了车辆、路侧基础设施与云平台的能力，以网联调控方式优化车辆行驶与交通运行，因此智能网联汽车云控系统也可被称为车路云融合控制系统。

2系统特征与关键技术
2.1系统特征
根据工作原理，云控系统同时具备如下核心特征,使其区别于现有车联网与车路协同系统。

(1)车路云泛在互联：云控系统全域范围内车路云各异构节点，通过标准化通信机制进行广泛互联通信，打通信息孤岛，构建起用于支持融合控制的闭环通信链路。

(2)交通全要素数字映射:云控系统通过对从车路云实时获取的各交通要素数据进行分级融合,构建物理世界在信息空间的实时数字映射，统一为不同协同应用提供运行所需的交通要素实时数据,破解混合交通感知难题。

(3)全局性能优化：云控系统通过对协同应用运行方式与行为进行统一编排，消解应用间行为冲突，利用各应用的优势性能，进一步提升系统优化车辆与交通运行的性能。

(4)高效计算调度：云控系统基于协同应用动态运行要求，通过对计算资源使用的整体动态优化调度，确保系统资源的高效利用，实现全域协同应用实时运行的高并发性，保障所服务车辆与交通的运行安全与性能。

(5)系统运行高可靠：云控系统通过对感知、计算、应用实例等方面的可靠性动态需求分析与多重备份等方式，实现系统的车辆与交通运行优化的高可靠性。

2.2关键技术
为支撑智能网联汽车云控系统的上述5大特征，基于总体技术架构，在通信、感知、计算、应用、可靠性等5个方面，设计云控系统以下关键技术及其参考架构。

(1)车路云标准化通信技术
车路云标准化通信技术以标准化机制构建云控系统的车、路、云的广泛互联,实现高并发通信的高性能、安全性与可定制性。

具体关键技术有异构通信、标准通信协议与应用协议管理、高性能消息中间件、通信性能全局动态优化、信息安全动态保障等。

其参考架构如图4所示。

图4车路云标准化通信技术参考架构
(2)车路云融合感知技术
车路云融合感知技术将云控平台获取的车路云感知信息，在边缘云上进行目标级感知融合，在区域云上进行交通级感知融合,形成交通全要素实时数字映射，并在中心云上构建数据集。

每个边缘云与区域云与相邻的同级云进行信息同步与共享，以提升响应与可靠性。

其参考架构如图5所示。

图5车路云融合感知技术参考架构
(3)
应用整体编排技术
2020(Vol.42)No.l2李克强，等:智能网联汽车云控系统及其实现•1599•应用整体编排技术将协同应用按服务对象与功
能在云控平台进行分级部署。

区域云考虑交通整体
性能,进行集中式应用编排,规划协同应用整体的生
命周期与行为。

随后，区域云与边缘云考虑个体需
求对每个协同应用进行动态调控，以消解应用间行
为冲突，最大化系统总体优化性能。

其参考架构如
图6所示。

图6应用整体编排技术参考架构
(4)统一计算编排技术
统一计算编排技术根据协同应用的计算要求与应用整体编排的规划，由区域云进行集中式优化,确定协同应用的部署与运行方式及算力配置，以最大化系统当前状态下可靠运行的协同应用的总效用,由区域云与边缘云进行各应用的计算与运行调度。

其参考架构如图7所示。

|应用赞编排|
............................”......尊.......
1「一$统一#材规划］1 1［计算与么行调度］|计算与逹行调度］|计算与运行调度］［L………-話……-…［………㊈…………………-连…-……」|边缘拆算资源］［云计黛资源］|云计盒资源］
'-------------边缘云-----------------1区域云
'--------------------------云控平台---------------------------1
图7统一计算编排技术参考架构
(5)运行保障技术
运行保障技术通过节点与链路的动态备份提升云控平台的可靠性,通过车端自动驾驶与协同应用的协作来克服系统运行工况波动的影响。

车端还部署安全模式应用,以在极端工况下安全地切换到单车自主控制。

其参考架构如图8所示。

图8运行保障技术参考架构
感知
运行
保障
3云控系统应用
云控系统是复杂的网联控制系统，需要解决众多系统要素的状态观测与融合问题，需要克服网联控制链路时变时延对控制性能的影响。

因此，有必要基于前述关键技术参考架构,研究边缘云车路融合感知方法与时变时延下网联车辆控制方法。

3・1边缘云车路融合感知
车路融合感知用以提高云控系统感知交通与环境状态的范围与性能。

针对多源传感器信息融合这一核心问题，提出边缘云上融合不同通信链路的车路融合感知技术架构，如图9所示。

感
知
融
合
务
服
云
边
感
知
融
合
缘
点
边
节
图9边缘云车路融合感知技术架构
实现上述技术架构，可采用如下具体方法。

首先，采用恒角速度与加速度运动模型对目标轨迹状态进行预测。

接着，分别采用全局最近邻域法与联合概率数据关联法等方法,进行不同类型传感器量测与目标轨迹的数据关联。

然后，根据数据关联结果,利用扩展卡尔曼滤波对目标状态进行融合更新。

最后,基于证据理论对目标轨迹生命周期进行管理,
• 1600 •汽 车 工 程2020年(第42卷)第12期
处理轨迹状态的不确定性。

定义S track" N, M, D, T }为轨迹生命周期管理
辨识框架,其元素分别表示新生、成熟、干扰、终止4
种轨迹生命状态。

对于砂track 中每个非空子集4 G
砂track ,由Yager 合成法则计算得到的基本信任分
配为［18］
m 豈rack (A)二
Y m
f track (A 1) x m f track (A 2) (1)41门彳2二A
m L({ f t rack })二 m f track ({ f t rack }) + 12 (2)K 12 二
Y m f track (A 1) x m f
track (A 2)
(3)
a 1aa
2
= 0
式中:m f
track (A 1)和m f
track ( A 2)分别为上一时刻轨迹
预测所得轨迹和当前时刻数据关联所得轨迹的生命
状态的基本信任分配。

与传感器量测关联成功的轨
迹状态将趋向于稳定,趋向于成熟状态的轨迹将被 作为融合感知结果输出。

3.2时变时延下车辆控制
云控系统的车辆融合控制需克服通信、计算等
环节时变时延的影响。

针对时变时延下车辆控制稳
定性这一关键问题，提出边缘云上适用于多种融合 控制场景的网联车辆控制技术架构，如图10所示。

协同应用
:辆参数」
控制器求解
I 时延参数
控制
边缘云检制—
目吵
时延预测 「预测时迫时延下控制器
八、
丿
X ——___
网联式
智能汽车
通信时延|自动驾驶控制
图10网联车辆控制技术架构
建立如下适用于多种场景的车辆控制系统:
x (k +1)二 Ax (k ) +Bu (k) + G v (k )
(4)
式中：x ( k )为状态向量;A 为系统矩阵;u (k )为控制
向量;B 为控制输入矩阵;v (k )为控制目标向量;G 为控制目标输入矩阵。

假设传感器、控制器与执行 器采样周期相等，最大时延持续周期数为N ,设计时
变时延下状态反馈控制器:
{ u
( k)= -K x
( k - t
( k ) ) ,T (k)= 0,…，N
］x(k)二 0
(k ) ,k = -",••• ,0
式中:K 为控制器增益；t ( k )为时变时延周期数;
O (k )为初始条件。

通过将式(5)的控制器应用于式
(4)的系统，建模网联车辆控制系统：
x (k +1)二 Ax ( k )-B K x (k -t ( k))+ G v ( k ) (6)
将时变时延t ( k )建模为马尔可夫过程,服从给 定状态转移概率。

架构中控制器求解模块与时延下控制器模块采
用团队研究的控制器设计方法及对数量化切换控制
器［19］。

具体地，式(6)可转化为如下增广系统：
0旳
01x ra
0旳1A
aug
B a ug 二［00，1，0,…，
产隔(k+1) =久用和k )+B a/( k ) ⑺1乙隔仏)二［x (k ),u ( k -1),…，u (k -N) ］ T
A /1B
/2
B …“N-1B B n B
0 0
1
0 (00)
(1)
I K x1
式中氏为控制器参数丿二0,…,N 。

控制器采用根据 时延切换的对数量化控制器，控制器参数通过求解
系统参数相关的线性矩阵不等式［19］确定。

00
°1"
4云控系统验证
为验证云控系统应用的先进性与实现的可行
性。

进行云控关键感知、规划与控制技术的仿真试
验。

搭建服务真实道路的云控系统,开展云端计算
与路侧融合感知试验，进行车路云融合下协同应用
道路试验。

4.1融合感知仿真
为验证云控系统的车路融合感知对比车端感知
与路侧感知的性能优势，进行了基于SUMO 仿真平
台的道路上感知仿真。

对感知与融合过程进行简化
建模,不考虑感知目标相互遮挡,假设量测的位置误
差与目标距离呈线性关系。

在表1参数的混合交通
场景(示意图见图11)下进行仿真,仿真结果见图12
与图13。

表1道路上感知仿真参数
参数
取值参数取值
道路长度/m 300车道数
3车道来车概率/%
20,20,10
来车时长/s
50
ICV 渗透率/%10
ICV 感知范围/m 80RIS 位置/m
150RIS 感知范围/m
100最小误差
1
最大误差
10
2020(Vol.42)No.l2李克强， 等: 智能网联汽车云控系统及其实现• 1601 •
图11道路上感知场景示意
图12显示了不同技术下道路上车辆在不同时
刻被感知的数量比例,可见车路融合感知具有最大
的感知空间范围，道路上被感知车辆比例相比车端 感知平均提升18%,相比路侧感知平均提升21%。

图13表明了车路融合感知能减小车辆位置测量的 最小误差,相比车端感知最多减小43%,相比路侧感
知最多减少83%。

控系统统一调度交通信号、ICV 行驶路线与多车编
队，提升车辆与交通的运行效率。

仿真场景为图14
所示路网,采用图15所示交通信号相位分类。

交通
工况为主路流量720 ~ 3 600辆/h,ICV 渗透率为
20%〜100%,辅路参数为主路的60%。

对比方法为
交通信号协同优化。

%、十皑專蛋录頤檸
10
20
30 40 50 60 70
时间/s
(b)融合感知的提升
'r-'1.J
.J
■1 “”•““i —
-融令感知
r
01020(a)路段30
40
时间/s
上车辆感列50 60 70
1比例
.1
C
••“相比三 一相比品£端就知 各侧感知
: :: 厲
/ g • r ; t
h
1』
by
融合规划结果如图16所示，性能如图17所示。

结果显示,云控系统的融合规划相比交通信号优化,
能在不同交通流量与ICV 渗透率下进一步提升通行
1.0
锻
菽0.5
-----路径1-4-8
.....路径3-4-5—
—路径2-5-9—
—路径4-5-6 %
、*<>揪兆鋼起<<
图12路段车辆被感知数量比例
0 5 10
15 20
车辆编号
2040
60
图13融合感知位置测量最小误差减小量
时间/s
(a) ICV 行驶路线规划
时间/s
(b)路口交通信号规划
4.2路网车辆与交通融合规划仿真
为验证云控系统优化路网范围车辆与交通运行
的能力，进行了路网车辆与交通融合规划仿真。

云
图16部分融合规划结果
o
•1602-汽车工程2020年(第42卷)第12期
效率,性能提升量基本与渗透率正相关,这体现了云
控系统车路云融合的优势。

10一-LQR控制器
—
—切换控制器-
50100150
时间/s
(a)距离误差
T
S
.
U
I
)
/
糊
兆
翌
数
4.3时变时延下控制仿真
为验证云控系统实施网联车辆控制的可行性,进行了时变时延下网联跟车控制仿真。

控制器中采用文献［20］的跟车系统模型。

时变时延由马尔可夫模型生成，最大时延250ms。

选取LQR(linear quadratic regulator)控制器作为对比，基于Simulink
图18网联跟车速度跟踪
图19网联跟车控制误差
图20云控系统组成
5
仿真中最大时延占比约88%,控制结果见图18与图19。

在速度跟踪上，本控制器总体上优于LQR 控制器，速度控制平滑，平均调整时间更短，而LQR 控制器在减速时速度控制出现振荡。

在跟踪误差上，本控制器整体误差更小,且误差变化更平顺。

可见，云控系统能使用考虑时延的控制器在时变时延下进行有效的网联车辆控制。

4.4云控系统搭建
为验证智能网联汽车云控系统实际应用的可行
性，搭建了面向城市道路与高速公路的云控系统，如图20与图21所示，实现了异构通信、路侧融合感知、协同应用按需运行等功能。

图21路侧基础设施布置
4.5云控基础平台性能试验
为验证云控基础平台实现协同应用实时运行的
2020(Vol.42)No.l2李克强，等:智能网联汽车云控系统及其实现• 1603 -
能力，进行了路侧感知数据并发输入下云控基础平 台底层处理耗时试验。

计时包括的环节有通信接 口、数据包解析、消息中间件、消息生成等。

使用4
台服务器物理机，配置为32核处理器，128 GB 内
存,1 000 MB 网卡。

输入数据为路侧基础设施感知
数据回放。

测试工况为50套路侧基础设施数据并 发输入，每套设施的数据产生频率为10 Hz,试验中
数据输入总量9 128万条。

试验所得耗时分布如图 22所示。

平均耗时6. 3 ms, 10 ms 及以下耗时占比 99.58%,最大耗时102 ms,出现1次。

测试中物理
机处理器占用小于16%,内存使用小于25 GB 。

网
联协同控制应用工作频率为10 Hz 量级，考虑通信
时延与算法耗时，试验结果表明了云控基础平台已
图22云控基础平台底层耗时分布
4.6路侧融合感知试验
为验证云控系统路侧融合感知技术支撑网联式
自动驾驶的可行性,进行了感知精度试验,结果如图 23和图24所示。

位置测量精度基本与目标距离正
相关,速度测量精度受距离影响不显著。

参数测量 精度达到了部分网联式自动驾驶场景的要求，可支
撑云控系统实施相应协同应用。

4.7路口让行协同决策道路试验
为验证云控系统在混合交通中进行车辆运行优 化的可行性，开展了路口让行协同决策道路试验。

场景为T 型交叉路口，如图25所示。

云控系统对路 侧感知识别的主路直行车与支路将右转网联车的运
动进行预测，针对路口通行冲突为右转车规划让行
驾驶策略，减少其停车让行直行车的情况,消解通行
冲突，提高行车效率与舒适性。

图26的道路试验结
果显示，系统正确预测了通行冲突，合理提示了驾驶
策略,使右转车成功减速让行了直行车，提升了其行
车效率。

A
图23路侧融合感知结果
图25
路口让行场景。