來源 | 黃浴@知乎

車聯網V2X和智能交通系統ITS對自動駕駛的輔助，舉例幾篇文章如下。

“A Learning-based Framework for Two-Dimensional Vehicle Maneuver Prediction Over V2V Networks“

利用可靠的軌跡預測方法可以大大提高車輛網絡中的形勢覺察（Situational awareness）能力。反過來，更精確的形勢覺察可以顯著提高關鍵安全應用程序的性能，例如前向碰撞預警（FCW）以及舒適應用，如協作自適應巡航控制（CACC）。因此，需要深入研究車輛軌跡預測問題，以便提出安全性應用控制器需要的足夠精確的端到端框架。本文開發了一個基于兩層神經網絡的系統，第一層預測車輛參數的未來值，例如速度、加速度和偏航率，基于第一層的輸出，預測二維（即縱向和橫向）的軌跡點。在安全駕駛模型部署（SPMD，Safety Pilot Model Deployment ）數據集中對實際切入場景提出框架的性能進行了評估。

Remote vehicle trajectory prediction by the host vehicle

The proposed framework schematic

“Enhanced cooperative car-following traffic model with the combination of V2V and V2I communication“

車對車（V2V）和車對基礎設施（V2I）通信是智能交通系統（ITS）的新興組成部分，這樣車輛可以協作駕駛，從而顯著提高交通流量效率。然而，由于車輛高機動性，諸如分組丟失和傳輸延遲之類的不可靠車輛通信會損害協作駕駛系統（CDS，cooperative driving system）的性能。此外，V2I通信中路邊傳感器收集的交通信息可能會引入測量誤差，會影響CDS的性能。本文的目的是彌合交通流建模與通信方法之間的差距，建立更好的協作交通系統（cooperative traffic systems）。為此，考慮V2V和V2I通信（或簡稱為V2X），目標是開發一種增強的協作微觀（跟車）交通模型，并研究車輛通信如何影響車輛的協同駕駛，尤其是在交通干擾情況下。為此，設計了一種基于共識（consensus-based）的CDS車輛控制算法，該算法不僅可以保證本地交通流量的穩定性，而且還可以消除沖擊波動。IEEE 802.11p（事實的車載網絡標準）作為通信協議，部署路邊傳感器收集目標區域的平均速度作為交通參考。具體地說，考慮了車輛通信的不完善以及所測量的信息噪聲。

Cooperative driving with the help of V2X communications

V2X communication topology for the CDS (cooperative driving system)

“SafeRNet: Safe Transportation Routing in the era of Internet of Vehicles and Mobile Crowd Sensing“

全世界道路交通致死率和事故率很高。盡管智能交通系統已經取得了進步，但是很大程度上忽略了安全的運輸路線，即找到最安全的路線。近年來，車輛互聯網和物聯網（IoT）產生了大量交通數據。此外，由于云計算的進步和移動通信技術的普及，現在可以對大量生成的數據進行分析，并將結果實時返回給用戶。本文提出了安全路由計算框架SafeRNet，該框架利用這些技術來分析流交通數據和歷史數據，以有效推斷安全路由并將其實時傳遞回用戶。SafeRNet利用貝葉斯網絡來建立安全路由模型。此外，還提供了一個案例研究來證明使用實際流量數據的有效性。SafeRNet在技術含量高的現代交通系統中提高駕駛員的安全性。

High Level System Architecture Showing Flow of Information

Functional block diagram showing processing of information in various modules of the SafeRNet framework

“Intelligent Traffic Signal Control: Using Reinforcement Learning with Partial Detection“

智能交通系統（ITS）作為緩解交通擁堵的一種方法已經引起了研究人員和公眾的關注。近來，無線技術的成熟能夠通過車輛到基礎設施（V2I）通信來檢測車輛，從而經濟高效的方式實現ITS。在大多數情況下，傳統的ITS算法都假定觀察到每輛車，例如通過攝像頭或環路探測器，但是V2I僅檢測到裝備無線通信功能的車。本文研究了一系列運輸系統，稱其為“部分檢測的智能交通系統”。由于諸如專用短程通信（DSRC，Dedicated Short Range Communications）技術之類的基礎無線技術的逐漸滲透，一個低檢測率下能夠很好工作的算法是期望的。增強學習（RL）的人工智能（AI）技術是找到這種算法的合適工具，因為它利用各種輸入并且不需要對底層系統動力學明確的分析理解或建模。本文報告了一種基于DSRC的可部分觀測ITS的RL算法。在不同的汽車流量、檢測率和道路網絡拓撲下研究了該系統的性能。即使檢測率較低，系統也能夠有效減少交叉路口車輛的平均等待時間。

Partially Detected Intelligent Transportation System

One possible system design for the scheme

The deployment scheme

Control logic of RL based decision making unit

“Providentia - A Large Scale Sensing System for the Assistance of Autonomous Vehicles“

自主車輛對環境的感知不僅受到物理傳感器范圍和算法性能的限制，而且遮擋也會降低其對當前交通狀況的理解。這對安全構成了巨大威脅，限制了它們的行駛速度，并可能導致不方便的操作，從而降低了接受度。智能交通系統ITS可以幫助減輕這些問題。通過世界數字模型（即數字雙胞胎）的形式向自動駕駛汽車提供有關當前交通的詳細信息，智能交通系統（ITS）可以填補車輛感知（perception）方面的空白并擴大其視野。然而，缺乏對這種系統實現的詳細描述以及證明可行性的工作原型。這項工作提出了一種硬件和軟件架構來構建這種可靠的智能交通系統。該系統能夠創建精確數字雙胞胎。

To build the system, equipped two gantry bridges with a distance of approximately 440m with sensors and computing hardware

To achieve a high perception robustness, use sensors of different measurement modalities and cover the whole stretch between measurement points redundantly

Platform architecture of the Providentia system

It recreates the scene with generalized 3D models for different vehicle types for visualization purposes

During operation, all information is sent to the autonomous vehicle in form of an object list.

An autonomous vehicle driving through our Providentia system

The system detects vehicles even under harsh weather conditions

“Deep Learning for Reliable Mobile Edge Analytics in Intelligent Transportation Systems“

智能交通系統（ITS）將成為未來智慧城市（smart cities）的主要組成部分。但是，要實現ITS的真正潛力，就需要超低延遲和可靠的數據分析解決方案，這些解決方案可以實時地結合來自ITS網絡及其環境的異構數據組合。此類傳統的以云為中心的數據處理技術無法提供此類數據分析功能，這些技術的通信和計算延遲可能很高。相反，必須開發針對獨特ITS環境的以邊緣為中心的解決方案（edge-centric solutions）。本文介紹了ITS的邊緣分析體系結構，其中在車輛或路邊智能傳感器處理數據，克服ITS延遲和可靠性方面的挑戰。借助乘客移動設備和車載處理器的能力，這種分布式邊緣計算（edge computing ）架構可以利用深度學習技術在ITS中實現可靠的移動感知（mobile sensing）。在這種情況下，研究了與異構數據、自主控制、車輛組隊控制和網絡物理安全有關的ITS移動邊緣分析（mobile edge analytics）挑戰。針對此類挑戰，本文提出了不同的深度學習解決方案。這些深度學習解決方案為ITS設備賦予強大的計算機視覺和信號處理功能，從而實現ITS邊緣分析。初步結果表明，所提出的邊緣分析架構與深度學習算法的強大功能相結合，可以提供可靠，安全且真正智能的交通環境。

The proposed ITS edge analytics architecture and components

An ITS that incorporates the various proposed edge analytics and deep learning methods

Deep learning architecture for mobile sensing in ITS

“Traffic Danger Recognition With Surveillance Cameras Without Training Data“

本文提出了一種交通危險識別模型，該模型可與交通監控攝像頭配合使用，以識別和預測車禍。基于道路平面的3D重建和軌跡的預測，開發了一種模型，通過監控攝像機預測和識別車禍。對于正常交通，它支持對車輛之間的速度和距離進行實時的主動安全檢查，以提供有關可能的高風險區域。無需使用任何帶標簽的事故訓練數據就可以很好地預測和識別車禍。

3D bounding box: tangent lines of contour and intersections (top left), derived lines and intersections (top right), final (bottom left), vehicles in other angles of view (bottom right).

Danger recognition: four vehicles in a sample prediction of the road plane, with vehicle IDs at the bottom right and speeds at the top left. Distances are shown for nearing vehicles, and danger map is shown in black at the overlap of vehicle 7 and 10.