深圳交通中心：智慧交通与车路协同应用实践

上午张处介绍说，交管领域在2017年和2018年有两个关键词，第一个关键词是信号管控+互联网，第二个关键词是交通大脑。在国家层面来说，提出交通管理系统和车路协同要协同发展、融合发展，将智能交通系统建设与自动驾驶列入现代综合交通“十三五”规划。各地纷纷响应了政策，从2017年底开始，北京、上海、重庆、无锡都出台了相关地方政策。深圳在3月份提出了总体指导意见，在2018年5月由深圳市交委、深圳市交警、腾讯和交通中心四方签订了框架协议，发放了首张网联汽车的测试牌照。

分析完政策以后，看一下发展趋势。自动驾驶我们分为5级，目前各车厂商都集中在L2和L3级别，奥迪我认为是在L3，谷歌、腾讯、百度也有大量的投入，绝对是一场资本的盛宴。

交通参与者最关注的道路基础设施。交通基础设施也分为四个级别，从分类型感知到分类和精确个体感知，最终到全息感知，从被动处理、向主动管控、预先管控、到全过程的流程管控。通讯也从原来传统的有线通讯逐渐发展到智能网联，最终希望变成智能化运维。目前各城市交通基础设施基本上在L2和L3之间进行发展。

这条纽带是车路协同，至少包括V2I、V2N、V2P、V2V，V2I正常情况下来说基本单元是车壳和路侧设备进行交互，V2N更加复杂，情况更加多。V2P是传感器，V2V跟我的专业范畴不相关，我放在下面，更多的是与车厂打通的关系。这些车已经武装到牙齿了，所有能用到都武装到一个车上了，自动化程度其实非常之高，而道路建设有很多流程，要过发改，要建设运营，还有一个运营期，是分解的，本来两方面是严重不匹配的。这个也就是我今天提出的一个问题，看看通过车路协同手段尤其在混行交通情况下有没有解决方法。

其实交通中心一直是做规划设计研究的，成立有20多年了，我们认为未来城市是一个“4C”城市，在线可以推演的城市、全息可以感知的城市、地方可以管控的城市、全程可以服务的城市。

前几年做未来城市研究的数据源非常匮乏，但是2016年、2017年大数据给我们提出了很多启示，现在海量数据是非常多的，而且种类繁杂，数据处理速度非常快，可能一秒钟几个T的数据量处理，但是数据价值非常低，需要进行挖掘。

有了数据以后，看一下总体构架。我们构造的也是“云-边-端”，形成面向未来的智慧交通技术支撑体系，边缘要具有边缘分析、边缘运算能力，如交通信号控制设备、路口汇集仓、边缘计算网关等，将所有数据进行汇集、分析、分发。端是传感器、传感设备以及车路协同，因为车路协同某种意义上讲，不管是LP、LV，其实只是一个通讯路径，只是确定从A点到B点。

交通中心经过20多年的发展，发展到现在的动态模型、微观模型，大数据的核心并不在于有多强的处理能力，也不在于有多么炫酷的展现能力，其灵魂在于交通大数据的交通思维。所以我们在搭建过程当中，下面的数据处理和存储层与实际应用层当中构建了一层逻辑层，是经过多年演化出来的。包括20多余种策略融合算法，就不介绍了。把几种思维交织在一起，抓一项、两项合成的时候就可以变成上层的某种形式，重心就放在这几层里面去。

接下来说一下前端部分，像信号控制设备对信号灯进行控制，这是最基本的，除此之外应该有应对未来车路协同发展的能力。同时可以把信息汇集到这个位置上面去，然后向车辆进行推送。

整体来说，实践路径其实非常简单，我们预计在至少5到10年之内，仍然处于一个有人驾驶阶段，都是L1和L2的车辆在路上大量驾驶。这个时候如需要平台提供服务，控制中心主要是两方面，第一是V2N、第二是V2I。在V2N，要实现路径诱导和控制预警，在V2I主要是面向效率提升和安全。

首先讲一下V2N，我们近几年一直在做交通大数据的融合与挖掘，动态数据包括几类，第一部分数据是交通大数据，包括出租车GPS数据、手机导航数据、定期手机信令数据。除此之外，还有非常精确的数据，来自交管部门的数据，如视频检测器的数据，但是要合理的补充。这些数据合在一起，构成一个平行的交通平台，累计了大量的数据类型。

积累数据后，我们要对数据进行挖掘和分析，因为很多数据是不干净的。一是清洗数据，洗干净才能用。二是提取信息作为模型标的。同时采用精细化路网描述，包括路网类型、包括每个车道流向、包括完善的交通基础设施、包括站台、网络和交通管控信息，比如说信号控制信息、信号灯配时等。有了这些数据，再通过交通预测技术，从而打造了一个实实在在的仿真平台。

这是2017年我们与深圳交警一起开发的仿真平台，通过数据来预测未来15分钟的交通情况。这是莲花山周边的路口，左侧是早高峰的情况，右侧是通过无人机拍摄的早高峰的情况，仿真和实际情况不太一样，主要因为统计口径不一样，最终统计出来的结果是实际流量与预测值之间基本准确，达到90%。随着模型不断演化，精确度会不断往上提高。同时导航信息有一个特定的特征，它与浮动车数据息息相关，它们之间的速度差距非常大。也就是说，浮动车的数据会明显的高于路网上承载的车辆速度，而导航的数据有的时候会明显低于路上实际运行的速度。在深圳，百度导航其实是蛮准的，为什么呢？因为百度把数据以每一秒的GPS位置交给交委进行处理，交通部门对这部分重新进行分发，预测道路通行情况，后续我们就发布了二期指数、三期指数。除此之外，我们还根据车速与其它数据融合，比如天气、舆情分析等来建立深圳市道路交通运行指数系统。

上述是车和路之间的协同通讯，我们建议通过V2N的手段。包括4G，5G来解决这种问题，比较容易实现交通拥堵的预警、积水点的预警、路径指引等等。

说完V2N，接下来说V2I。我们构建了道路交通信号控制专用设备，这些设备其实跟传统的设备没有太大差别，也通过了无锡所的检测，也拿到了检测报告。但是它跟传统的设备有很大的差距，为什么呢？第一，有一个额外的分析模块，这个模块与信号控制机原有体系是割裂的，是独立核心，但没有粘性，所有的信号控制策略和信息都会传到割裂的设备上面去，结合各类型的传感设备，可以进行一些功能的演化来支撑工作。

除了现有的设备以外，要有一个边缘计算网关与设备结合在一起，所以我们构建了一个边缘计算网关，包括摄像头、雷达等都可以进行交互，形成前端的融合，同时可以检测垃圾筒等，把它们的信息进行传导收集。有了边缘的计算能力，剩下的是传感设备，比如说全息感知，依托微波雷达和激光雷达可以检测路口交通流量，包括行人。

我们最终搭建了V2I场景，构建3大类12小类的场景，安全放在左侧。安全方面，主要包括闯红灯预警、道路危险状态的警示。道路提升方面，紧急优先、公交优先是放在前面的，还有车速引导、路径引导，最后是信息服务，路网状态信息、路口位置信息等。我们的信息服务，首先是局部高清地图瓦片，其次有路网状态信息、路口位置及范围、车道属性及信号配时信息，除此之外还有控制模式和配时模式。

除了这些信息之外，为了提升效率，还有信号优先控制，主要是紧急优先、特种优先、公交优先。对于这些车辆采用特种优先方式，通过一个相位插入另一个相位进行公共车辆的放行。上午东南大学陆教授分析得非常好，原理基本类似，但我们做了两件比较特殊的事情，第一是要获取公交车的实载率，公交车到底装了多少人，路口优先是否对它产生的交通经济足够大，第二件事情是路口调度是否会产生延误状态，如果它跑得太快，两辆车就并车了，这样优先反而会造成更多的危害，这个时候还需要更多策略可以触发。

关于效率提升，定周期车速引导。包括运行周期、实际状态、已经运行的长度等等，同时结合路口传感器，比如说检测到平均速度，然后为车辆重新规划一个合理的引导车速，并实时改变。

安全出行方面，主要是盲区和转弯预警。冲红灯预警就比较简单了，异常车辆提醒、道路危险状态提醒，可以检测到路面破损、检测到车辆的异常行为和异常状态，但要结合其它手段，要把发生拥堵、发生的位置推送给车辆。

我们在深圳市实现了首次V2I的试验，主要包括两个方面，第一是路口信息的发布，第二是实现优先控制以及特种优先两种模式，最近一段时间主要工作是在智能测试基地和网联测评基地参与更多场景建设和测试工作。

最后，非常感谢大家，谢谢大家！