创新研发助力大规模网联车辆协同服务高质量发展

为突破智能网联车辆的弱联网服务现状，针对大规模网联车辆面临的信息融合互通与出行协同互助难题，北京交通发展研究院等单位开展了网联车辆协同服务关键技术研究，创新研发大规模网联车辆协同服务平台，实现大规模网联车辆的信息互通、数据赋能与系统协同，为我国大规模网联车辆安全、生态、高效与智能出行提供科技支撑。

近年来，随着通信、车载终端等技术的突破，智能网联车辆及其服务快速发展。但受限于终端技术、融合计算、平台能力，网联车辆仍处于以位置监测为核心的信息服务阶段。同时，网联车辆“监而不控、联而不通、汇而不聚、运行孤立”的弱联网服务现状，与以互助共享为核心，提升车辆安全、效率和环保为目标的协同网联尚存在较大差距。因此，亟需面向大规模网联车辆协同服务需求，研发突破大规模网联车辆信息融合互通、出行协作互助等关键技术，创新协同服务模式，引领车辆联网联控的分阶段实现。

在国家重点研发计划的支持下，北京交通发展研究院、北京智驾出行科技有限公司、北京航空航天大学等16家单位针对车辆网联、统合、智慧、协同服务的实际需求，开展大规模网联车辆协同服务基础关键技术研究，形成技术理论体系与标准规范，构建大规模网联车辆协同服务平台并示范应用，创新服务范式，推动安全生态、互助共享的网联车辆协同服务，助力网联车辆实现从规模网联到协同网联的跨越式发展。

创新预约出行服务新模式

搭建协同服务理论与技术体系

首创预约出行服务理念和理论体系。项目团队在国内外首次提出了预约出行服务理念，构建预约出行技术理论体系。预约出行利用信息手段将网联车辆在途中的拥堵排队转变为线上排队，实现道路时空资源的合理分配，在不改变出行者到达时间的前提下调节出发时间，实现车辆协同出行，保证系统有序出行。预约出行体系包括构成模式、机制方式、技术体系、实施条件、应用场景5个部分，如图1和图2所示。

预约出行技术体系的3个关键问题包括时空资源编排与优化、资源分配机制与方法、履约核验保障。针对技术难点，项目团队根据帕累托优化原则构建预约策略，创新出行优化模型和算法，实现出行时刻表编制优化。为适应大规模预约出行时刻表优化对算力的要求，研发了瓶颈点排队估计模型，通过数学解析式表达了过饱和交通系统的拥堵排队情况，极大简化了交通仿真计算过程和计算量。

项目团队开发了通用化的预约出行系统，并在多个场景开展了预约验证。例如，地铁预约进站场景的试点结果表明，预约出行可为每位高峰出行者节约3至5分钟的站外限流排队时间；停车场预约场景的测试表明，预约后停车秩序得到明显改善；中关村软件园预约场景的测试应用仿真结果表明，在后厂村路有12%的高峰出行者参与预约时，路段上市民出行平均时间可减少5.09%。

以预约出行为核心的网联车辆协同服务技术得到多方面肯定，荣获2021年度钱学森城市学金奖。交通运输部主要领导曾指出：“北京市积极培育预约出行文化，措施实、力度大、亮点多、效果好，探索出了一条常态化疫情防控背景下推进城市交通高质量发展的新路子。”

研发互助出行服务新技术。当前，网联车辆虽然实现了信息的上传与下发，但更多局限于个体车辆与单一出行服务平台之间的信息传递。针对平台间信息不互通导致协同服务困难的问题，项目团队构建了互助出行服务新体系，研发了面向互助信息感知与投放环节的信息辨识与服务匹配技术，提出了信息“从用户中来、到用户中去”的互助出行服务模式。面向未知出行路径的网联车辆用户，针对路况、事件等覆盖出行全程的连续性互助信息需求，将网联车辆作为基本感知单元，通过移动互联网实现交通信息的群智感知；从个人特征、车辆环境、信息内容3个方面提取特征，构建主观交通互助信息可信度辨识模型，实现信息可靠性的高效、智能化判别，形成准确、可靠、高效的信息源；研发了基于时间卷积网络（TCN）的动态交通信息推荐算法，精准预测用户的需求，实现互助信息的主动、定向、精准投放，并对投放影响进行评估。在保障用户高效获取交通信息的同时，确保新服务模式安全可靠。2019—2021年，项目团队通过滴滴平台在北京、南京、成都等21个城市定向精准投放交通管控、事件、路口安全提示信息，触达500余万用户。对互助效果的问卷调查显示，约有50%的用户积极参与路况信息上报，认为互助信息有帮助的用户高达92%。

研发多型智能车载终端

数据赋能安全生态驾驶

研发智能车载终端，提升车辆交互与服务能力。针对网联车辆的应用服务需求，为解决传统车载终端数据采集、交互能力弱等问题，项目团队研制了包括车机智能车载终端、新能源T-BOX等在内的5类新型智能车载终端，实现了多维数据采集、全场景车辆覆盖、数据端云处理、终端实时交互等功能。终端分为车厂预置的前装以及可自行安装的后装设备，兼顾了汽油车、柴油车和新能源车，能够满足私家车和全部营运车辆的使用场景，在保证基础运行数据的同时，兼顾了能耗、工况和图像环境数据。终端从硬件性能、数据模型、机器学习、图像识别、用户交互和端云融合6个方面实现技术突破，软硬件与平台技术相结合，使终端的数据采集、分析、驾驶行为辨识、预警与交互能力得到全面提升。

构建网联车辆驾驶风险评估及危险预警技术。项目团队聚焦智能网联车辆的安全驾驶场景，研发了同时考虑动态时序特性和静态分类特征的驾驶行为辨识方法，以及考虑明显危险和潜在风险的多维度危险估计方法，实现了基于驾驶员状态和周围交通环境信息的驾驶风险评估和危险预警，可实现危险行为辨识、安全驾驶评分、多维安全指标评价和驾驶行为反馈等功能。此外，研发了基于功率分布图谱的重型车超载识别方法（见图3）。该方法通过机器学习模式，实现实时快速在线识别车辆的载重状态，填补了国内外在线货车超载识别技术空白，有效解决了传统“治超”以固定泵站称重为主及其建设成本高、维护复杂、路网覆盖率低的问题。项目团队开发的货车超载识别系统在山东、河南等多地开展了示范应用。截至项目完成，为企业提供超载预警逾2万次，识别超载里程400万公里，实现了公路、桥梁、急转弯、长大下坡、重点区域、雨雪雾天气等分级分类（驾驶人、运营企业）的协同管控，减少了公路、桥梁、车辆、人员等因超载引起的安全、养护等损失，延长了公路桥梁设施寿命，提升了交通安全综合治理能力。

建立网联车辆生态驾驶行为控制优化技术。项目团队构建了针对个体的全场景生态驾驶行为快速评价技术（见图4），实现了生态驾驶评分、运行数据统计、生态驾驶行为分布、平均能耗变化和生态行为反馈等功能。依托大规模的数据基础，构建了可刻画道路类型、车型、载重、速度等因素影响的覆盖各种驾驶模式场景的功率分布图谱库，提出适应复杂现实环境的生态驾驶行为量化评估方法。该方法凭借巨量图谱集合，能够克服由复杂交通环境干扰导致的评估缺陷，提高生态驾驶行为评估的精度与可靠度。项目团队提出了用于驾驶行为评估的油耗基准线和最优能耗线的概念，为复杂交通流条件下的生态驾驶评估提供了判断基准与能耗最低边界，从而克服多种变量因素的干扰。此外，搭建了生态驾驶行为优化控制系统，建立可靠快速的生态驾驶行为评分规则，并采取反馈、互助出行等方案针对驾驶员进行个性化的能耗优化控制。

保障端网云架构下网联车辆信息安全

实现隐私保护机制下的信息融合

构建端-网-云架构下大规模网联车辆信息安全保障。目前，网联车辆信息传输存在较大的安全威胁。终端业务数据并发量大且现有检测方法难以嵌入终端，检测种类也难以全面覆盖。为保障网联车辆信息安全，项目团队通过构建轻量级信息安全单元和安全知识库动态更新的方法，实现信息安全威胁准确检测。一方面，提出可嵌入系统环境的轻量级网络安全威胁检测。针对已知的伪造、虚假、重放、篡改、洪泛、阻断等安全威胁，项目团队利用基于统计特征的异常行为检测方法，进行实车攻击测试实验；基于语义特征的异常行为检测方法，利用标签传播算法（LPA）半监督学习检测器完成离线训练。提出的可嵌入的轻量级网络安全威胁检测探针，可在各类终端环境中实现轻量级部署。另一方面，构建了基于深度学习的自适应安全漏洞库更新方法。基于卷积神经网络（CNN）分类算法的网络异常行为特征学习，综合利用历史漏洞特征与新漏洞特征进行融合训练，实现可随安全威胁检测变化不断更新的安全漏洞库。此外，为保障平台的信息安全，项目团队研发了信息安全监测子系统，从系统层、环境层、应用层和资源层4个层面，为预警系统提供了9种主要安全威胁监测。

研发大规模网联车辆信息融合技术。针对跨平台数据权属与隐私无法直接共享等问题，项目团队研发了基于联邦学习的分布式训练和预测模型聚合方案。通过云端服务器向各个分平台下发局部模型，分平台利用自身数据进行迭代并聚合，提高模型准确度。整个训练过程以及参数传递是加密的，保障了各个平台对数据隐私安全的要求。应用于跨平台事件互助、路侧多节点信息融合、车辆出行轨迹预测、充电预测定向推送、停车信息推送等多个协同服务应用场景。针对海量、多源、异构的网联车辆数据，制定了大规模异质终端数据采集的标准化方法，形成企业标准；针对多源数据关联性差、数据异构、数据缺失、特征参数互相关联难以准确提取等特点，提出时空数据多尺度全维度解析与关联分析技术，通过特征过滤、特征组合、特征嵌入建立特征筛选流程，通过主成分分析、线性判别分析、流行学习实现对大量特征的降维，从而有效支持互助出行服务。

搭建大规模网联车辆协同服务平台

助力数据赋能与系统协同

攻关平台构建技术，构建知识图谱分析体系。面向网联车辆运行大数据分析与协同服务平台的场景需求，项目团队研发了大规模高扩展异构数据存储技术并设计平台数据存储方案，实现扩展性、可靠性、并发性等要求；搭建了面向大规模车辆数据处理、知识挖掘、协同服务的逻辑框架和物理架构。并建立了面向协同服务需求的知识图谱分析技术体系。通过网联车辆跨平台数据的融合计算，建立了基于网联车辆大数据的交通需求、态势、生态等类别的知识图谱。

搭建网联车辆大数据分析与协同服务平台。项目团队搭建了包含终端层、监测平台层、跨平台接口层、大数据层、协同服务层5个层次的大数据分析与协同服务平台，实现了平台多源数据接入、质量评估、融合校验，图谱关联分析、知识库、系统间服务任务分发、运行监测与决策支持7种功能。以协同服务平台为核心完成覆盖17个省份、24个城市，涵盖综合应用以及安全驾驶、生态驾驶、货车超载、预约出行、互助出行、信息安全、智能路侧信息融合、路侧停车等专项的示范应用。

大规模网联车辆协同服务不仅是发展协同智能交通系统的重要内容，也是推动汽车、交通等产业变革的关键。大规模网联车辆协同服务平台的研发与创新有力促进了网联车辆协同服务朝着高效安全、生态智能、互助共享方向快速发展，有望推动网联车辆实现规模网联到协同网联的跨越式发展，助力交通强国建设。

致谢：感谢国家重点研发计划“大规模网联车辆协同服务平台”项目（项目编号：2018YFB1600700）的支持。

本文刊登于IEEE Spectrum中文版《科技纵览》2023年10月刊。

专家简介

郭继孚：北京交通发展研究院院长，教授级高级工程师。

张建波：北京交通发展研究院高级工程师。

孙建平：北京交通发展研究院智能交通所所长，教授级高级工程师。

郭镜霞：北京交通发展研究院科研助理。