未来主动交通安全防控需求的关键是要知道道路上每一辆车在干什么

编者按：“未来主动交通安全防控需求的关键，就在于能够知道道路上每一辆车在干什么，通过精确到毫秒级的全域车辆轨迹感知，实现交通管理与控制理论从二维到三维再到多维的跨越。” 

同济大学交通运输工程学院王俊骅教授，在赛文交通网组织的“交通感知新阶段”在线研讨会上，从车辆轨迹的全域感知、视频与毫米波雷达的技术特点、毫米波雷达的认识误区以及相关的研究应用案例等方面，对团队在交通感知领域的经验和技术成果进行了讨论和分享。

传统的交通安全管理与控制方法，一般基于历史事故数据进行分析研判。然而历史事故数据往往存在数据质量差、采集周期久、事故不可逆等缺陷，比如漏报瞒报错报，重点信息遗漏，回溯只能通过监控回放或轨迹鉴定等等，一般情况下很难收集到与事发时或事发前风险状态相关的详细资料。

未来主动交通安全防控需求的关键，就在于能够知道道路上每一辆车在干什么，知道车辆的轨迹、速度以及冲突，并要求数据频率能够达到毫秒级，也就是能获取到车辆每0.1秒的速度和位置等信息。

那么从交通管理上来说，我们还需要原来的流密速模型吗？

传统的交通工程学中，流量密度速度的定义都是二维的抽象概念，例如流量的定义是单位时间内通过某一断面的车辆数；密度是某一时刻单位长度路段上存在的车辆数，和占有率是一个倒数关系。但实际上从人的直观认识角度来看，观察者可以同时获取流量、密度、速度三维交通运行状态数据，仍基于以往的二维交通流模型进行交通管理，是否合理？

如果有了全路域感知，就可以获得路段乃至整个路网上所有车辆的实时轨迹位置，那么传统的交通工程理论模型，也就未必再使用了，交通运行状态的描述也就可以实现从原来的二维集计概念扩展至三维甚至多维。

在应用上，全路域感知得到的三维数据可以用于交通影响事件的检测、交通冲突的预测、交通数据的统计、车路协同等等。例如通过感知获得了精确的轨迹数据，从路侧端向智能网联车辆推送所有在途车辆的位置信息，避免交通的冲突，这也是一个很好的车路协同应用案例。

在交通管理方面，现在的交通仿真预测都是基于模型驱动的方式，例如常用负二项分布模型进行流量到达的模拟，但它并非基于实际的交通状态产生的，只是对交通状态进行了假设，计算结果必然不是车辆的真实位置。如果有了全域车辆的运行轨迹，就可以通过现有的车辆位置情况，去推算将来时间交通运行的状态，交通瓶颈的位置等等，对于将来信号的控制也有很大意义。

随着近年来人工智能技术，尤其是图像处理技术的快速发展，目前视频采集的精确度相比十年前有了很大的提升。视频采集的优势在于采样频率高，精确度高，可以对实际场景进行记录，但无论人工智能技术如何发展，视频采集仍旧存在一些无法弥补的缺陷。

第一，有效范围不足。目前主流的视频检测大多是1080P的分辨率，安装高度是8-10米，甚至可能是5米，它有效的检测范围也就是0-80米左右。经过测试，图像距离超过100米，1080p的视频仅有两三个像素点，很难进行车辆数据的获取，都要依靠后期算法的补偿。未来可能通过视频分辨率升级，调整安装高度或者无人机视频等方式，对检测范围进行提升；

第二，易受天气情况干扰。一般来说，大雾、大风、暴雨或者是冰雪天气都会对视频图像的质量产生严重的影响；

第三，实时性不足。目前通过图像采集数据要基于边缘端进行计算，存在一定的时滞性和延迟性；

第四，坐标标定困难。未来交通安全研究的目标范围可能会达到数公里甚至数十公里，需要获取全域的车辆位置，就需要对图像进行拼接，而视频检测的有效范围不超过100米，要在整条线路上每隔百米设置一套视频检测器显然是不现实的。此外，视频检测的图像坐标与实际的大地坐标相互标定的误差较大，也会导致视频图像的拼接困难。

因为视频检测的局限性，目前很少用视频图像进行连续轨迹的拼接，但它也有一些优点，就是现在硬件设施建设的比较完善，路上已经有了大量的摄像头，完全可以利用起来，与其他检测方式进行联动。

毫米波雷达适用于高速公路、城市主干道、一般城市道路路段等交通场景，它有几个优点：第一，车道级的广域检测，检测范围可以达到350米，并且通过我们的测试，确定它的精度可以达到10-15厘米左右；第二，全天候检测，不会像视频检测一样受到雾雨风冰雪天气的影响；第三，精确的坐标标定，在路上确定车辆位置需要两种坐标，一种是笛卡尔坐标，也就是经纬度坐标，另一种是桩号坐标，可以每0.1秒确定车辆在哪个车道上，以及纵向的坐标位置。

当然毫米波雷达也有它天生的不足，首先，它对于低速移动物体并不适用，如果行人或者车辆停在路上，雷达的反射波就会丢失，例如对于车辆排队停车的情况，就需要依靠算法进行补偿，车辆在哪里停下，用算法将车辆的图像补上；车辆启动，再把静止的车辆去掉。这种轨迹外延算法误差可能会比较大，导致车辆停车时会产生位置漂移等问题。

第二就是毫米波雷达的反射干扰比较大，尤其是在隧道里，因为隧道壁会对毫米波进行多次反射，严重影响到车辆轨迹的检测精度。对于毫米波之间的相互干扰，我认为可以通过编码控制毫米波发射的波长，从发射端解决这个问题。例如同济大学周边的路段有很多无人驾驶网络系统，基本上都使用77GHz的频率，在硬件发射毫米波之前进行编码，就可以很好地解决这个问题，所以没有相互干扰的问题。

第三就是无法检测物体大小。现在大多数的毫米波探头不能进行物体大小的感知，在路上很仅通过毫米波雷达很难感知到是大车还是小车。

下面是我们团队从2018年起在毫米波雷达检测技术上的一些突破。

第一个，毫米波雷达图像的拼接。进行全域检测，就需要毫米波雷达和毫米波雷达之间的握手，可以对路上所有车辆进行检测。

第二个就是与地图的匹配问题。在设备调试配置时往往需要耗费大量时间，因此我们在开发阶段就考虑到了这方面的问题。我们通过车辆的轨迹计算出车道位置和道路线形，而不是根据雷达安装位置结算到地图上再去判断车辆与雷达间的位置关系，将数据体系和地图形式分开去做，避免地图的匹配误差。

第三个，经纬度检测误差。我们经过测试，在车辆上装配了一套RTK系统用于判断车辆的经纬度坐标，再与毫米波雷达的车辆位置坐标进行比对，得到的毫米波雷达的经纬度误差在20厘米以内。

第四个，隧道反射问题。隧道的反射干扰问题主要也是通过轨迹解算进行处理的，与路段相比不同之处就是隧道的毫米波雷达布设要更近一点，握手的范围长一点。

第五个，分布式计算。车辆的位置计算是在边缘侧计算，在远程实现轨迹数据的拼接处理。

第六个，卡口系统融合。由于毫米波雷达的数据不包含车辆的尺寸，无法判断是哪辆车，所以我们与卡口系统进行融合，通过卡口系统去获取车辆的牌照和尺寸等要素。

对于研究来说，数据的输出采用NG SIM格式，目前的交通仿真软件的数据标定都是选用这种格式，包括桩号坐标数据，经纬度坐标数据，车牌、车型、前后车距离等数据。我们在 NG SIM数据格式的基础上，又添加了我们所需要的其他数据，实现了毫米级的全域车辆数据感知并记录。

对于前面提到的，毫米波雷达坐标与经纬度坐标的比较，我们在港珠澳大桥上选择了一段三车道路段，用一辆装有GPS RTK设备的车进行蛇形行驶，将轨迹数据记录下来。通过毫米波雷达解算的经纬度坐标和实际坐标进行对比，得到的最大经度误差大概是70厘米，最大纬度误差是27厘米，平均误差在20厘米左右，速度误差大约是0.35m/s，相对来说还是比较精准的。

目前毫米波雷达开发有几个主要误区。首先，第一个误区就是认为毫米波雷达的感知距离越远越好。根据我们的研究经验，毫米波雷达350米以上的检测范围没有意义，最佳布设方案大概是间距500米设置。假设安装高度在六米，如下图所示，250米外存在一辆高4.2米的大货车，那超出300米范围的路段都会由于大车的阻挡而无法检测，产生了检测的盲区。在高等级路面上大型车辆是交通流的主要组成之一，所以检测距离再远，在实际应用上也是没有意义的。同样，假设500米远处有一辆1.8米高的小轿车，那么雷达对小汽车的波面检测角度仅仅为0.0036 rad，角分辨率过小，对小汽车等目标的识别效果也会很差。另外，探测距离还会受到雷达本身功率的限制，从多个角度来说，一般认为500米就是雷达布设间距的极限了，再大就没有意义了。

目前最保险的方案就是每隔500米设置一个雷达杆，每组雷达的探测距离大概是350米，其中有150米的重叠区，通过算法补偿将道路上的车辆轨迹拼接起来，同时在雷达杆上安装近距离补偿雷达，避免出现感知“灯下黑”的情况。

第二个误区，就是有关雷视融合的问题。如果从底层做轨迹上的相互校核，我觉得是没有意义的，正如之前所说，想要将视频图像通过单目测量方法进行精准的坐标计算是很困难的。在几个可能的应用场景，例如对于信号控制，可能对轨迹检测的精度要求没有那么高，只要数个车辆数，那没有问题；或者是进行交通事件的相互校核，例如视频刚好可以弥补雷达无法检测静止车辆的缺陷；抑或是抛锚车辆的启动检测，车辆尺寸牌照的检测等内容，雷视融合应该都是很好的解决方案。

我认为精确轨迹的检测，它的融合不应该是雷视融合，而是进行雷雷融合，也就是毫米波雷达和激光雷达的融合，通过相互弥补各自缺陷，雷雷融合将是未来的发展趋势，是更好的解决方案。

下面展示我们做过的几个典型的应用案例。

第一个案例是在润扬大桥的施工区路段，通过设置毫米波雷达进行施工养护作业区的车辆闯入风险预警。如果雷达检测到有车辆接近或者闯入了养护作业区的缓冲区，可能会对工人造成伤害，就会通过配套的可穿戴设备向工人发起预警，提醒工人及时规避风险。

第二个案例是在山西五盂的智慧高速路段，由同济大学与山西交科院共同牵头，进行了16公里的全域车辆轨迹检测。我们在路段上进行了毫米波雷达和卡口视频的融合，利用视频检测把每辆车的牌照提取出来，再通过雷达对运行轨迹和变道行为进行检测，完成全域跟踪，同时还可以将慢行车辆等高风险车辆标定在可视化运行图上，根据车辆的轨迹特征，形成整条路段的全域车道级控制方案。

第三个案例就是在港珠澳大桥，包括桥梁、道路以及隧道，全线安装毫米波雷达。今年上半年已经完成了主桥部分的安装。同样是通过图像和雷达的融合，实现了车辆在桥上的轨迹跟踪。像前文提到的，通过这样的实验与RTK得到的数据进行比较，判断雷达监测的精度究竟如何。

第四个案例是在上海的临港滴水湖，与之前展示的毫米波雷达与毫米波雷达不同，我们认为在交叉口区域更适合使用激光雷达，所以在滴水湖区域城市道路，我们在路段部分使用毫米波雷达检测，在交叉口区域使用激光雷达检测，在城市道路上尝试了激光雷达和毫米波雷达的融合，将二者的检测轨迹通过算法拼接起来，最终实现从道路到交叉口全域的车辆运行轨迹检测。还有例如上海北横通道，利用毫米波雷达对隧道内部进行全域检测，以及济南绕城高速的出入口，利用轨迹检测判断车辆的流向等。

最后简单谈一下激光雷达。激光雷达目前的应用范围也非常广，面向各类交通使用者，可提供纵深维度（距离）数据，全天候实时提供超高精度轨迹，由于计算量大，目前造价相对高，尤其适用高速及城市道路复杂路段，以及城市交叉口场景。它的主要优势在于：

1.超高的精确度，激光雷达的精度非常高。

2.对多类别目标的识别能力优秀，无论是汽车，自行车还是行人，都可以通过扫描目标的轨迹点云，实现对目标的尺寸、轨迹以及外观特征的采集。

3.检测范围为面状范围，适用于交叉口区域。

4.检测对象的物体形状大小可视。

激光雷达也有它天生的缺点，很容易受到天气的影响，可能中雨天气就会严重影响激光雷达的感知。目前常用的激光雷达一般是64线的机械式激光雷达，有效检测范围在1000米左右，在500米范围内比较精准，未来可能会采用国产的固态激光雷达，比如大疆已经发布了相关的产品。我们也在进行固态激光雷达在路段上的应用研究，利用毫米波雷达可以全天候运行的优势，弥补激光雷达的固有缺陷，将毫米波雷达和固态激光雷达从底层轨迹层面进行融合，可能是未来雷达检测领域的发展趋势。

今天跟大家就交流到这里，感谢。