车联网和智能交通方面的几篇文章

来源 | 黄浴@知乎

车联网V2X和智能交通系统ITS对自动驾驶的辅助，举例几篇文章如下。

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

利用可靠的轨迹预测方法可以大大提高车辆网络中的形势觉察（Situational awareness）能力。反过来，更精确的形势觉察可以显着提高关键安全应用程序的性能，例如前向碰撞预警（FCW）以及舒适应用，如协作自适应巡航控制（CACC）。因此，需要深入研究车辆轨迹预测问题，以便提出安全性应用控制器需要的足够精确的端到端框架。本文开发了一个基于两层神经网络的系统，第一层预测车辆参数的未来值，例如速度、加速度和偏航率，基于第一层的输出，预测二维（即纵向和横向）的轨迹点。在安全驾驶模型部署（SPMD，Safety Pilot Model Deployment ）数据集中对实际切入场景提出框架的性能进行了评估。

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“

车对车（V2V）和车对基础设施（V2I）通信是智能交通系统（ITS）的新兴组成部分，这样车辆可以协作驾驶，从而显着提高交通流量效率。然而，由于车辆高机动性，诸如分组丢失和传输延迟之类的不可靠车辆通信会损害协作驾驶系统（CDS，cooperative driving system）的性能。此外，V2I通信中路边传感器收集的交通信息可能会引入测量误差，会影响CDS的性能。本文的目的是弥合交通流建模与通信方法之间的差距，建立更好的协作交通系统（cooperative traffic systems）。为此，考虑V2V和V2I通信（或简称为V2X），目标是开发一种增强的协作微观（跟车）交通模型，并研究车辆通信如何影响车辆的协同驾驶，尤其是在交通干扰情况下。为此，设计了一种基于共识（consensus-based）的CDS车辆控制算法，该算法不仅可以保证本地交通流量的稳定性，而且还可以消除冲击波动。IEEE 802.11p（事实的车载网络标准）作为通信协议，部署路边传感器收集目标区域的平均速度作为交通参考。具体地说，考虑了车辆通信的不完善以及所测量的信息噪声。

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。尽管智能交通系统已经取得了进步，但是很大程度上忽略了安全的运输路线，即找到最安全的路线。近年来，车辆互联网和物联网（IoT）产生了大量交通数据。此外，由于云计算的进步和移动通信技术的普及，现在可以对大量生成的数据进行分析，并将结果实时返回给用户。本文提出了安全路由计算框架SafeRNet，该框架利用这些技术来分析流交通数据和历史数据，以有效推断安全路由并将其实时传递回用户。SafeRNet利用贝叶斯网络来建立安全路由模型。此外，还提供了一个案例研究来证明使用实际流量数据的有效性。SafeRNet在技术含量高的现代交通系统中提高驾驶员的安全性。

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“

智能交通系统（ITS）作为缓解交通拥堵的一种方法已经引起了研究人员和公众的关注。近来，无线技术的成熟能够通过车辆到基础设施（V2I）通信来检测车辆，从而经济高效的方式实现ITS。在大多数情况下，传统的ITS算法都假定观察到每辆车，例如通过摄像头或环路探测器，但是V2I仅检测到装备无线通信功能的车。本文研究了一系列运输系统，称其为“部分检测的智能交通系统”。由于诸如专用短程通信（DSRC，Dedicated Short Range Communications）技术之类的基础无线技术的逐渐渗透，一个低检测率下能够很好工作的算法是期望的。增强学习（RL）的人工智能（AI）技术是找到这种算法的合适工具，因为它利用各种输入并且不需要对底层系统动力学明确的分析理解或建模。本文报告了一种基于DSRC的可部分观测ITS的RL算法。在不同的汽车流量、检测率和道路网络拓扑下研究了该系统的性能。即使检测率较低，系统也能够有效减少交叉路口车辆的平均等待时间。

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“

自主车辆对环境的感知不仅受到物理传感器范围和算法性能的限制，而且遮挡也会降低其对当前交通状况的理解。这对安全构成了巨大威胁，限制了它们的行驶速度，并可能导致不方便的操作，从而降低了接受度。智能交通系统ITS可以帮助减轻这些问题。通过世界数字模型（即数字双胞胎）的形式向自动驾驶汽车提供有关当前交通的详细信息，智能交通系统（ITS）可以填补车辆感知（perception）方面的空白并扩大其视野。然而，缺乏对这种系统实现的详细描述以及证明可行性的工作原型。这项工作提出了一种硬件和软件架构来构建这种可靠的智能交通系统。该系统能够创建精确数字双胞胎。

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“

智能交通系统（ITS）将成为未来智慧城市（smart cities）的主要组成部分。但是，要实现ITS的真正潜力，就需要超低延迟和可靠的数据分析解决方案，这些解决方案可以实时地结合来自ITS网络及其环境的异构数据组合。此类传统的以云为中心的数据处理技术无法提供此类数据分析功能，这些技术的通信和计算延迟可能很高。相反，必须开发针对独特ITS环境的以边缘为中心的解决方案（edge-centric solutions）。本文介绍了ITS的边缘分析体系结构，其中在车辆或路边智能传感器处理数据，克服ITS延迟和可靠性方面的挑战。借助乘客移动设备和车载处理器的能力，这种分布式边缘计算（edge computing ）架构可以利用深度学习技术在ITS中实现可靠的移动感知（mobile sensing）。在这种情况下，研究了与异构数据、自主控制、车辆组队控制和网络物理安全有关的ITS移动边缘分析（mobile edge analytics）挑战。针对此类挑战，本文提出了不同的深度学习解决方案。这些深度学习解决方案为ITS设备赋予强大的计算机视觉和信号处理功能，从而实现ITS边缘分析。初步结果表明，所提出的边缘分析架构与深度学习算法的强大功能相结合，可以提供可靠，安全且真正智能的交通环境。

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“

本文提出了一种交通危险识别模型，该模型可与交通监控摄像头配合使用，以识别和预测车祸。基于道路平面的3D重建和轨迹的预测，开发了一种模型，通过监控摄像机预测和识别车祸。对于正常交通，它支持对车辆之间的速度和距离进行实时的主动安全检查，以提供有关可能的高风险区域。无需使用任何带标签的事故训练数据就可以很好地预测和识别车祸。

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.