Apollo车路协同自动驾驶

百度 Apollo 车路协同自动驾驶在全面满足行业已发布标准的基础上，结合已落地项目开展了大量 V2X 车路协同应用测试验证和先导示范，以下列举出 3 个大类 7 个典型协同感知应用场景。

典型车路协同自动驾驶应用场景举例

1 全量交通要素感知定位

基于 Apollo 车路协同规模化测试验证和示范运营积累，百度在智能道路方面具备对全量交通要素（包括机动车、非机动车、行人、障碍物等）的实时准确感知能力，交通要素感知的准确率、位置精度、端到端全链路时延等指标达到了 C4 级高等级智能道路标准，核心指标符合表 3.2 要求，比如感知定位达到 0.5m（均值）、速度大小精度 1.5m/s（均值）、感知对象漏检率＜2%、路侧对象感知端到端时延≤200ms（99 分位）、数据发送频率 10-20Hz 等。

同时，为了满足与 L4 级自动驾驶车辆进行车路协同感知的要求，实现交通要素对象级位置融合和速度融合，Apollo 车路协同在路侧感知方面专门开展了零速检测准确性优化、速度波动优化、静转动时延的专项优化等一系列专项优化，最终实现了 VICAD 动静态盲区融合感知、车辆超视距融合感知、路边低速车辆检测等一系列高难度复杂场景感知识别。

1.1 动静态盲区/遮挡协同感知

AD 盲区问题描述：

受限于单车智能的传感器感知角度限制，在出现静态障碍物或动态障碍物（如大型车辆）遮挡时，自动驾驶汽车（Autonomous vehicles，AV）主车难以准确获取盲区内的车辆或行人的运动情况。

VICAD 动静态盲区协同感知：

通过路侧多传感器部署，实现对多方位、长距离连续检测识别，并与 AV 主车感知进行融合，实现自动驾驶车辆对盲区内车辆或行人的准确感知识别，车辆可提前做出预判和决策控制，进而降低事故风险。

具体案例：

（1）左转 / 掉头盲区或遮挡协同感知：如图所示，AV 主车（蓝白色）在路口左转或掉头时，有大卡车或公交车（粉色长多边形）产生了动态盲区遮挡住了后面的车辆，通过 VICAD 全量协同感知，AV 主车车辆可以获取盲区车辆的运动情况，避免了车辆急刹或事故的风险。

左转/掉头盲区或遮挡协同感知

（2）大车遮挡协同感知：在 AV 主车直行时，右侧大车遮挡住了横穿的电动车，通过 VICAD 动静态盲区协同感知，车辆可以提前获取盲区车辆、非机动车或行人的运动情况，避免了车辆急刹或事故的风险。如图所示。

动静态盲区非机动车/行人鬼探头协同感知

（3）路口遮挡协同感知：在复杂路口，很容易出现大车遮挡小车，影响车辆感知，通过 VICAD 路口全量感知，车辆可以提前获取路口内全量车辆、非机动车或行人的运动情况，避免了车辆急刹或事故的风险。如图所示。

1.2 车辆超视距协同感知

AD 超视距感知问题描述：

受限于车载传感器的类型、感知范围、分辨率等因素，AV主车对超出车载传感器覆盖范围的交通运行状况、交通参与者或障碍物检测结果不稳定，容易出现类型跳变等问题。

VICAD 超视距协同感知：

通过路侧多传感器部署，实现对多方位、长距离连续检测识别，并与AV主车感知进行融合，实现自动驾驶车辆对超视距范围内车辆或行人的准确感知识别，车辆可提前做出预判和决策控制，进而降低事故风险。

具体案例：

如图所示，两张图片是同一时刻的车端和路侧检测与车融合后的结果。在中，AV主车（蓝白色）很难对较远处的障碍物进行稳定检测（行驶路径上没有障碍物显示），容易造成急刹和事故的风险。在图中，通过VICAD超视距协同感知，车辆可以提前获取前方车辆、非机动车或行人的运动情况（路径附近的粉色筐），避免了车辆急刹或事故的风险。

超视距协同感知

1.3 路边低速车辆检测

AD 超视距感知问题描述：

受车端传感器感知视角及车辆实时运动等因素的影响，AV 主车对路边低速车辆检测的速度估计不准，如路边缓慢倒车、路边车辆驶出等，造成潜在碰撞或急刹风险。

VICAD 超视距协同感知：

通过路侧多传感器部署，实现对道路多方位、长距离连续检测识别，并与 AV 主车感知进行融合，实现自动驾驶车辆对低速车辆或行人的准确感知识别，车辆可提前做出预判和决策控制，进而降低事故风险。

具体案例：

AV 主车直行时，有 VICAD 协同感知的情况下，对路边缓慢驶出车辆可以进行稳定检测，准确获取车辆速度、位置等信息，发送到 AV 主车进行融合感知定位，进而避免了 AV 主车急刹或事故的风险。如图所示。

 路边低速车辆协同感知

2 道路交通事件感知定位

自动驾驶车辆需要对各类交通事件（如违章停车、“死车”、排队、施工、遗撒等）进行实时准确感知识别，但是交通事件往往具有一定的复杂性、实时性，仅依靠车辆很难进行准确全面的识别定位，车端由于观察的角度、视距时长受限，面对违章占道停车、“死车”等场景，难以对交通态势进行及时的语义判断，使得车辆刹车或变道距离短，容易造成急刹。百度 Apollo 车路协同通过 C4 级智能道路对背景建模实现交通态势的语义判断，进行交通事件实时感知，为 L4 级自动驾驶车辆提供交通事件协同感知服务，让车辆提前进行预判和决策控制，如变道绕行、停车，避免急刹或事故等风险，保障自动驾驶车辆安全。

具体案例：

（1）违章停车、“死车”等交通事件识别：AV 主车前方有大车“死车”并停占两个车道，临近路口 AV 主车无法判断前方信息而停滞不前。通过 VICAD 交通事件协同感知，可以长时间对道路车辆进行跟踪和预测，及时将死车事件播发给AV 主车，AV 主车可以及时做出变道等决策。如图所示。

 大车“死车”交通事件协同感知识别

（2）排队交通事件识别：跟车状态下，前方路口红灯，直行车辆出现排队现象；而 AV 主车此时因为无法判断前车停止原因（排队中），因此会选择往左侧（左转车道）并线超车 ；然而临近路口时，却因为车道中的排队车辆而无法再并线回原车道。

通过 VICAD 交通事件协同感知，及时发现前方排队事件，并将排队事件及时发送给 AV 主车，AV 主车根据排队信息做出不变道超车并在车道内排队等候的决策。如图所示。

（3）道路遗撒（施工锥筒、货物等）事件识别：AD 车辆的感知视角有限，对低矮障碍物的准确检测需要较近距离才能实现，容易造成车辆急刹，如图 4.12 所示。通过 VICAD 交通事件协同感知，可对道路遗撒低矮障碍物进行有效检测，并通过 V2X 远距离提前发送给车辆，提前进行预判和车辆决策控制，如变道绕行。如图所示。

 仅依靠AD车端感知无法在远距离对遗撒交通场景精确识别

基于VICAD协同感知的遗撒交通事件识别

3 路侧信号灯融合感知

通过 VICAD 协同信号灯感知识别，将信号灯灯色和倒计时数据实时发送到车端，路侧识别信号灯灯色和倒计时数据的准确率、端到端时延等满足 C4 级道路指标要求，如表 3.2 所示，核心指标如路侧信号灯灯色倒计数识别准确率不低于99.9999%，信号灯端到端时延低于 200ms，数据发送频率不低于 8Hz。

具体案例：

AD 信号灯感知问题描述 ：信号灯数据获取是自动驾驶必须解决的问题，单车智能主要通过视觉 AI 获取，但仍存在很多不足 ：

（1）识别信号灯能力有限，异形信号灯无法识别；  

（2）车端视角限制，容易被前车遮挡；

（3）容易受外界环境限制，尤其是逆光、雾天、扬尘、夜晚等环境；  

（4）识别的数据维度有限，倒计时信息识别不准。

VICAD 超视距 / 遮挡信号灯协同感知：VICAD 协同感知主要是通过 IoT 信号灯数据接入、路侧多视觉融合感知等技术获取信号灯灯色和倒计时信息，经数据融合处理后，通过 V2X 发给自动驾驶车辆。VICAD 信号灯协同感知的优势：

（1）获取方式不受灯的外观、环境影响；

（2）获取到的数据内容丰富（包括灯色、倒计时）；

（3）车辆可在很远的距离提前获取信息，提前进行决策控制。

具体案例：

前方大车遮挡信号灯时（如图 4.14 所示），可通过 VICAD 信号灯协同感知实时获取准确的路口信号灯灯色和倒计时数据，以便车辆提前做出预判和决策控制，避免出现闯红灯或者急刹。

 信号灯遮挡场景