路侧感知设备必须在性能和成本上进行突破

赛文交通网 智能交通 毫米波雷达 路侧感知设备

编者按：9月6日，在赛文交通网和交通安全行为科学实验室联合主办的“雷达（雷视）实战应用效果”线上交流会上，南京慧尔视智能科技有限公司副总工程师陈俊德作了《雷达赋能数智道路新底座》主题报告。

陈俊德重点分析了雷视融合产品的需求来源、技术要点和适用场景，并详细介绍了慧尔视交通雷达产品的研发过程和在信控感知、高快速公路和车路协同中的应用技术开发。陈俊德认为，在智能网联汽车高速发展的当下，打造智慧之路的任务比较紧迫，路侧感知设备必须在性能和成本上进行突破，才能更好地适应市场需求。

一、交通雷达的应用发展

雷达在智能交通领域应用一直在发展，从早期1D单纯提供速度信息，到后来能够提供二维测速+测距的信息，再到近几年3D在测速+测距+测角的基础上能够形成平面定位，能对多个目标进行跟踪检测。发展到现在，4D检测能够在原先测速、测距特点的基础上对车辆的高度、角度信息进行分辨。下面介绍几个典型的设备代表。

1、机动车雷达测速仪

机动车雷达测速仪固定安装于道路上，可对监测车道内机动车行驶速度进行实时、自动测量，同时拍摄超出该车道限速范围行驶的机动车辆图像，自动记录该车道内机动车行驶时的速度值、日期、时间、地点等相关信息的监测系统。

路侧安装方式可覆盖多条车道的单个断面，实现机动车速度检测及超速目标触发抓拍功能。卡口系统模式采用车道正上方安装方式，可覆盖单车道单个断面，实现机动车卡口触发及速度检测功能。

机动车雷达测速仪属于短距离检测，因此对速度精度、触发位置要求比较高，短距离测速，基本为24G频段。

2、断面微波检测器

后来在智能交通领域，断面微波用的越来越多，它更多是装在道路路侧来测量横断面的交通流。断面微波检测器固定安装于路侧杆件，对道路断面实现流量检测功能，输出流量、平均速度、时间占有率、车头时距等交通指标，为交通诱导、交通规划提供了有效支撑。

发展过程中也出现了单雷达和双雷达，技术原理是类似的，本质上都是显现断面交通流的监测，双雷达速度精度相对较高。

断面微波检测器对流量精度要求比较高，短距离检测，基本为24G频段。

3、路侧广域毫米波雷达

路侧广域毫米波雷达对道路进行长距离多车道广域覆盖，对区域内多个机动车目标实时跟踪检测，可输出轨迹数据、过车数据、排队数据、区域数据、统计数据、评价数据及交通事件，对交通状态进行实时广域检测，为信号控制、事件检测、车路协同、安全预警等应用提供感知支撑，可支撑多场景应用。需要在长距离范围内，实现持续高精度定位跟踪检测，基本为80G频段。

雷达的优势在于全天候长距离的跟踪定位，对目标特征识别相对较弱。视频的优势在特征识别，检测距离和环境适应性较差。但二者都是面检测，有非常强的互补性，雷视融合孕育而生，发挥视频近距离的特征识别优势，发挥雷达全天候长距离的跟踪定位优势，实现多元交通数据输出，提升感知系统鲁棒性。

4、4D成像感知雷达

近几年，在原来3D的基础上，高速公路对于雷达检测的需求也越来越高。对于雷达来说，不仅仅是检测距离能否达到500米的问题，更重要的是在500米这个位置对于目标水平角度检测是否准确，是否能对目标进行精准定位。从跟踪定位的角度来说，不能将500米位置的多个目标识别成一个目标，或是将原本在二车道的目标识别到三车道、一车道、绿化带，这难以满足交通管理的需求。

因此目前发展了4D成像感知雷达。它可以分为两个方面，一是4D检测，在原来速度、距离以及水平角的检测基础上，增加了垂直角的检测，对目标有垂直高度的识别；二是成像，其点云数量更密集，角度分辨率更高，使远距离检测精度能够达到实际使用要求。

5、交通雷达物理指标

雷达指标可分为物理指标和检测指标。检测指标包括流量精度、事件检测精度等。物理指标包括频段、带宽、发射功率、水平辐射角度、垂直辐射角度、距离检测精度、距离分辨率，角度检测精度、角度分辨率、速度检测精度以及速度分辨率等。

下面用一张图表示各个指标相应的影响，以角度分辨率为例，位置越远，所占的弧度越大，这也表明在检测时如果角度分辨率不高，就难以对目标检测实现精准的车道级定位。距离分辨率也是如此，天线的带宽、频段以及发射功率都对其都有一定影响。

6、雷视融合

雷视融合是近年来行业内比较火的名词，为什么会出现雷视融合这个概念呢？又为什么要做雷视一体机呢？

可以发现雷达和视频这两个技术在某种程度上有很大的相似性，也有很大的差异。这两个技术都能够实现大范围内的跟踪检测。雷达的优势在于全天候、长距离、跟踪定位检测，但雷达对于目标的特征属性检测较弱。视频的优势更多在于特征识别，如车牌、车辆类型、车身颜色、车牌颜色等，目前视频在AI加持下有较大的进步。

我们早期在探索将这两个技术进行融合时希望将它们的优势结合，弥补劣势。因此在做雷视一体机时，更多是将视频做成一个模组来发挥它的监控作用。比如雷达在做信控感知时，更多安装在信号灯杆件上，这时交管业务里就缺少实际的监控画面，而枪机球机大多安装在电警杆件上面再去看对面、斜向的进口道时，由于涉及到检测视角或照射角度问题，清晰度较差。

因此早期更多给到交管业务的是在信号灯杆件位置照射对象进口道的监控画面。但完成后发现，雷视一体机对视频的功能发挥得非常弱，仅提供了监控作用。

因此我们也在尝试进行更深度的雷视融合，但我们在实际操作过程中面临一个问题，也就是在做雷视融合时各自要发挥什么样的作用？

雷达的先天优势在于全天候、长距离、跟踪定位检测，它的不足是特征，而特征又是视频的强项，这时我们更多是将视频对于目标的特征识别结合进来去做雷视融合，使雷达检测的信息变得更加丰富，不仅是原来的位置速度以及行驶方向等信息，还有目标的具体类型，如车辆的车型、车牌、车身颜色等。

但在做数据统计时，如流量、排队长度、交通事件，更多还是以雷达跟踪检测的轨迹为基础，这样才能更好地发挥雷达全天候、长距离、跟踪定位检测的优势，同时也发挥了视频的特征化识别能力。

在做雷视一体机时，更多以单目为主。在实际使用过程中，像快速路或高速公路等应用场景，在近距离范围内，将雷达的检测目标和视频的检测特征拟合完成后，更多发挥雷达长距离的跟踪检测，将目标的特征持续下去。

而双目、三目，都增加了视频模组数量，硬件的成本必然有所增加的。在算力成本上也是有所增加的，这也是雷达和视频的一个不同点，雷达输出的是目标的结构化数据，相对比较精简，在做各种各样的处理时，它的计算也是比较简单。

但视频输出的是一个很密集的画面，在做分析时，对算力的要求较高，越多的视频路数，算力要求就越高。采用长短焦组合的多目，远距离画面无法实现有效的检测，不是真正的发挥雷达与视频的优势互补，而是在视频上做文章。

另外一个角度来说，现在的业务场景很多，无论是城市交叉口、还是快速路、高速路，都有很多监控摄像头，不管是枪机还是球机都有很多。这时包括抓拍等业务逻辑，更多还是使用枪机，它比模组化视频更有优势。所以在很多应用场景上，也是采用雷达和视频分体的方式，结合枪机的车牌识别精度，做雷枪的拟合，且算力要求没那么高。

在高速公路或快速路场景做事件监测时，可能检测的事件是在500米以外的位置，这时即使使用长短焦镜头进行覆盖，假设长焦覆盖200米到500米的范围，那么必然200米位置的车和500米位置的车在画面中的大小是不一样的，成像的清晰度也是不一样的。

这时唯一能解决这个问题的就是球机，球机可以进行旋转、变焦，将成像的画面定位到车上，从而更好地识别图像。因此我们更为推荐雷球联动，雷达在大范围内进行跟踪检测，对目标事件进行定位，然后控制球机PTZ定位到目标本身，对目标进行抓拍或者特征提取，完成完整的业务链。

二、交通雷达城市信控感知实战

1、前端感知差异化建设科学体现“一路一策”

大多数情况下，一个城市在做信控感知建设时提出来的需求都是一样的，但不同的路口有大小、不同信号机、不同控制需求等差异，这时如果采用相同的工程方案很难做到效果的统一。因为交通场景本身就是场景化的，不是所有的交通产品都是理想的交通环境，也不是所有的城市或者路口的交通流环境都是一样的。

因此我们提出“一路一策”的差异化建设方案，即根据实际的道路环境、控制方式来设计工程方案，包括雷视感知使用情况。 

在搞明白雷达和雷视本质的区别是在特征上进行了提升后，我们的建设也就有了明确的方向。

如果交通组织做的比较好，或者相对来说没有机动车或行人在和机动车混行的道路前景下，雷达就能够满足现有的感知需求。但如果机动车、行人和非机动车都混杂在一起，这时仅靠雷达去解决这个场景下的感知需求难度是非常大的。

因为仅仅从雷达信号中识别人和非机动车，很难进行精准区分，这时雷视一体机就能够发挥它的价值，将目标的特征提取出来，避免行人和非机动车对于机动车的流量造成一定的干扰。

2、多款交通雷达引领回归信控本质

在此基础上，我们以交叉口交通管理需求、控制需求、数据需求为核心，研发了不同的产品类型。现在全系列对应的型号里面都会有对应的雷达和雷视一体机，以满足不同场景、不同控制方式的感知需求。

我们在检测距离上也进行了细分，有单点检测雷达A09、溢出检测雷达A08，相对来说性价比较高，但功能比较单一。另外也有中距离区域检测雷达D19系列，可满足中距离的检测需求。如果是大型路口有长距离跟踪检测的需求，我们有长距离区域检测雷达D29/D39系列。以上型号可满足不同场景不同检测距离的需求，更好地服务于不同的城市、不同的交通环境。

3、城市交通感知建设理念

慧尔视在技术方案方面也有自己的思考。我们希望以城市交叉口治理为核心，以“智能信控+交通优化”为抓手，建立“感知-优化-评价”闭环三要素。

在交叉口环境下，感知、控制和优化是天然的合作伙伴，但实际上我们和感知控制结合相对比较紧密，因为数据是直接输入信号机，信号机基于感知数据进行实时控制。

但我们与优化团队接触较少，合作较分散，从实际情况来说，雷达感知的数据更多在思考信号机的要求，而忽略了平台优化的要求。因此在做了这么多年城市信控业务后，我们也在反思如何在交叉口场景下让感知、控制和优化形成闭环。

不仅只是将数据输入信号机，让信号机进行实时控制就结束，因为在大部分情况下，基础配置方案对控制效果影响也非常大。因此将数据提取出来并给到给优化团队，优化基础配时方案，对整体的控制效果也会有较大提升。

4、“智能信控+数据赋能”闭环方案

慧尔视一直致力于打造感知控制和优化的闭环解决方案，将雷达感知到的数据不仅提供给信号控制，还能够给到优化团队，形成这样一个闭环解决方案。通过将雷达感知到的流量、排队、评价等数据给到信号机，信号机可以基于流量数据和实际的动态排列数据达到优化的实时控制效果。

同时慧尔视打造了雷达交通微观大数据平台，可将前端感知到的数据全部存储下来，并与信号机的相位数据进行结合，基于以上数据进行深度的分析和挖掘，形成各种各样的交通指标给到优化团队；优化团队基于感知到的数据和路口的实际状况，可以快速高效的做出基础方案的优化，可更好地为交叉口提供优化整体效果的保障。

5、雷达数据深度挖掘助力交通管理决策

我们在打造RTP雷达交通微观大数    据平台时，一方面涉及设备管理，另一方面是数据管理。数据管理要求能够真正有效地支撑各个业务团队，包括指挥中心、秩序大队、配时中心等，形成各种各样的新方案，如可变车道、辖区车道、车道左转等。

6、典型案例

下面分享慧尔视信控感知的相关业务案例。下图是我们在北京做的信控感知业务，这里面包括我们的雷达和雷视产品，同时我们也对接了不同的信号机厂家。当时北京市交管局也提出了明确的需求，不能仅通过一个设备做道路交通状态的感知，给信号机提供数据去支撑优化，还要做交通信息采集系统，真正将雷达产生的存量数据采集下来进行深度的优化分析，形成各种各样的指标，更好地为交叉口的管理业务赋能。

三、交通雷达高/快速路感知实战

下面分享一下交通雷达在高速路和快速路的感知实战。将这两个放在一起是因为虽然二者在场景、管理有些差别，但在技术方案上是有一定的相似性。

1、高/快速路感知现状分析

目前高速和快速路场景的感知现状是球机和枪机使用相对较多，这类产品的感知方案对道路管理发挥了很大的作用。但也面临环境适应性这一问题，即雨雪雾天气或者夜间的可视范围小等。

2、高/快速路感知需求分析

因此在这种场景下，更需要大范围的跟踪检测、稳定的轨迹跟踪、高精度的测量和高可靠性的工作，能准确地分类车辆类型以及事件检测。

3、打造高/快速路数智底座

对于业主的路段流量检测、分析是最基础的需求，而目前更多的是事件检测，如何能做到事件的快处快撤，尤其是在快速路，很多城市快速路的早晚高峰由于雨雪等雾天气影响，经常会发生小的剐蹭事故，导致快速路不快，产生拥堵。

如何通过感知手段实现事件的快速发现、快速处理、快速撤离现场，不因小事故造成大面积拥堵，也是业主方面的业务需求。所以雷达更多是对事件进行检测，并将信息给到管理团队。目前我们更多的建设方案是基于雷达和现有的枪机、球机进行联动，进行事件的快速检测、快速处置、快速撤离。

4、应用——高/快速路重点路段监测

应用方面，核心包括三部分内容，第一个是路段的数字孪生，能够对整个道路进行物理还原，以上帝视角实时观察道路的实际运营情况以及各种指标。

5、应用——高/快速路事件感知联动

第二个是快处快撤，当雷达发现检测事件后，可以立即联动周边的球机、枪机，对事件进行抓拍，并将相关情况反馈到指挥中心，根据现场情况进行快速处置、快速撤离。

6、应用——高/快速路安全风险预警评估

第三个是安全风险预警评估。在交通管理业务中，以往可能更多是根据地方发生的交通事故情况绘制出道路安全的画像。在事故易发路段通过标志牌来进行警示工作，但实际很难做到事件的提前预警。

目前通过雷达感知手段可实时检测道路上目标的行驶轨迹，通过相互之间的密集程度以及轨迹的异常程度进行风险评估。如果频繁出现超速、变道、加塞等驾驶行为，道路的安全性就会降低，但不一定会发生交通事故。

因此我们现在也做了道路安全的风险预警评估，能够更好地将雷达的检测数据功能发挥出来，为交管业务提供更多的管控手段，下图是高/快速路智能化衍生应用的相关场景业务。

高/快速路智能化衍生应用-相关场景业务

7、典型案例

下面分享我们在张家港快速路的建设案例。张家港市快速路实现事件监测、分析、联动、处理闭环运用，先后多次接待各地业主参观考察。其核心业务还是上文提到的数字孪生系统、事件检测、快处快撤以及风险安全的评估。

四、交通雷达车路协同感知实战

车路协同是近几年的新兴领域，其核心可分为三方面，一是协同安全，二是协同控制，三是协同规划。目前协同控制还处于起步阶段，协同规划更遥远，现在的核心工作还是在交通安全上，那么如何提高道路安全性呢？

1、“智慧的路”对路侧感知的需求

首先需要对安全视觉盲区里的目标进行检测，并判断未来它有没有发生碰撞的风险，这必然对目标的定位精度以及速度精度要求较高，而且仅仅依靠某一个检测器或某一项技术，很难满足车路协同的要求。

目前更多是综合解决方案，即雷视融合，这就对感知设备提出了比其他场景更高的要求，比如时间的准确性，数据传输的低时延、空间定位的准确性，时空统一，这样才能够更好地进行安全预警工作。

2、路侧毫米波雷达的数据应用路径

在数据层面，将底层的典型数据提供给边缘计算系统来支撑它做更丰富的应用，包括目标的数据，交通事件的数据，与其他传感器进行融合计算，进行更高层场景的应用支撑。 

3、时间/空间统一校准

在车路协同融合感知时，必然要求时间和空间上的统一，时间上的解决手段比较丰富，可以通过多种校时方式，不断提升校时精度。

早期在做流量检测或信控感知检测时，只需手动校时即可，只要时间误差不超过秒级就没有太大影响，但车路协同的时间误差要求在毫秒级以内，需要计算未来有没有发生碰撞的危险，对于时间的精度要求就更高，包括PTP授时、GNSS校时方式，来提高本身设备的时间精度。同时相关系统也有调整，使数据输出时延变得更低，来满足时间上的统一性。

在空间上，早期研究较为困难，雷达和视频需要分别去标定再融合。目前则有一套对于浮动车的快速标定方式，这种方式的好处在于大批量的设备交付时，可以用标准车在区域里跑一趟，使所有的设备都能够对雷达和视频的空间统一性做出标定。

同时在维护角度，由于大风或晃动等影响，雷视融合的参数需要进行调整，但正常情况下在交付项目实施过程中厂家会进行调试。且在后期维护中浮动车标定很有必要性，一方面是验证雷视融合的相关参数是否在精度上能够达到要求，如果未达到要求，如何通过标准车的数据对雷视融合的参数进行标定。

4、典型案例

百度Apollo作为百度AI的战略重点，百度智能交通业务快速增长。Apollo智能交通在广州、重庆、南京、阳泉等地实现车路协同落地建设，慧尔视雷达提供全息的交通数据，助力Apollo车路协同路侧智慧感知，加强新基建合作，大力推进车路协同系统的建设。