智能交通是自動化領(lǐng)域研究的熱點(diǎn)方向之一，小編整理了IEEE/CAA Journal of Automatica Sinica和《自動化學(xué)報》近期發(fā)表的智能交通文章，歡迎閱讀~

1.加拿大滑鐵盧大學(xué)沈?qū)W民（Sherman Shen）教授：車聯(lián)網(wǎng)大數(shù)據(jù)：發(fā)展、支撐與應(yīng)用（Internet of vehicles in big data era）

隨著智能交通向更安全、更高效、自動化、可娛樂的全方位發(fā)展，車載環(huán)境下的信息技術(shù)，包括衛(wèi)星網(wǎng)絡(luò)、高空平臺、無人機(jī)、地面網(wǎng)絡(luò)、車載社交網(wǎng)絡(luò)以及車載傳感器網(wǎng)絡(luò)，近年來都得到發(fā)展，其平臺數(shù)據(jù)的交互與應(yīng)用也逐漸受到通信和控制領(lǐng)域?qū)W者們的關(guān)注。

加拿大滑鐵盧大學(xué)沈?qū)W民 (Xuemin Sherman Shen) 教授等在IEEE/CAA Journal of Automatica Sinica發(fā)表的綜述“Internet of Vehicles in Big Data Era”中，探索與分析了車聯(lián)網(wǎng)與大數(shù)據(jù)之間的關(guān)系。一方面，車聯(lián)網(wǎng)可支持信息平臺中的海量數(shù)據(jù)獲取、傳輸、存儲與計算；另一方面，基于車聯(lián)網(wǎng)大數(shù)據(jù)的分析與挖掘，有助于進(jìn)行更加高效智能的新一代車聯(lián)網(wǎng)架構(gòu)與設(shè)計。

此外，沈?qū)W民教授等還探索了無人駕駛環(huán)境下的大數(shù)據(jù)應(yīng)用，同時展望了未來車聯(lián)網(wǎng)大數(shù)據(jù)的相關(guān)研究方向，包括如何有效設(shè)計車聯(lián)網(wǎng)支持日益增長的數(shù)據(jù)量、如何利用海量的數(shù)據(jù)進(jìn)行分析與發(fā)掘，設(shè)計更智能高效的通信協(xié)議以提高駕駛安全與駕駛體驗(yàn)。

文章導(dǎo)讀

車聯(lián)網(wǎng)與大數(shù)據(jù)的關(guān)系為（圖1）：首先，車聯(lián)網(wǎng)需要支持大數(shù)據(jù)的獲取、傳輸、存儲與計算；同時，通過對大數(shù)據(jù)內(nèi)在價值的有效利用，車聯(lián)網(wǎng)的架構(gòu)與設(shè)計可以進(jìn)一步得到優(yōu)化。

圖1 車聯(lián)網(wǎng)與大數(shù)據(jù)

綜述內(nèi)容如圖2 。在大數(shù)據(jù)支持部分，首先介紹了大數(shù)據(jù)的獲取，分別包括車內(nèi)與車外的數(shù)據(jù)來源。車內(nèi)數(shù)據(jù)源包括車載傳感器監(jiān)控的車輛狀態(tài)信息，如速度、加速度、引擎及剎車狀態(tài)等；乘客智能終端的GPS、加速度傳感器、陀螺儀等感知的運(yùn)動狀態(tài)信息。車外數(shù)據(jù)源包括路側(cè)基礎(chǔ)設(shè)施、高空平臺、無人機(jī)等監(jiān)控的環(huán)境信息，如車流、紅綠燈、天氣等。

大數(shù)據(jù)傳輸部分介紹了應(yīng)用感知的傳輸策略、媒體訪問控制協(xié)議、路由協(xié)議以及空中擴(kuò)展信息平臺。大數(shù)據(jù)存儲部分介紹了存儲類型（車載存儲、路邊存儲、網(wǎng)絡(luò)存儲）、相關(guān)存儲機(jī)制等。大數(shù)據(jù)計算部分介紹了基于車車通信的在線計算以及車載云計算等。

圖2 綜述內(nèi)容

支持大數(shù)據(jù)傳輸?shù)能嚶?lián)網(wǎng)框架（圖3）包括：1) 基于DSRC和LTE-V通信協(xié)議的地面通信，例如，車輛與車輛（V2V）通信、車輛與行人（V2P）通信、車輛與路側(cè)基礎(chǔ)設(shè)施（V2R）通信等； 2) 衛(wèi)星、高空平臺、無人機(jī)等空間平臺與地面車輛的空間地面通信；3) 衛(wèi)星、高空平臺、無人機(jī)之間的空間通信等。

在這些通信模式中，基于車載應(yīng)用，作者綜述了應(yīng)用感知的傳輸策略、媒體訪問控制協(xié)議、路由協(xié)議以及空間傳輸協(xié)議的設(shè)計。例如，在媒體訪問控制層 (MAC)中，目前用于車聯(lián)網(wǎng)的MAC層協(xié)議根據(jù)訪問無線網(wǎng)絡(luò)資源的方式不同主要有兩類 ：

1) 基于競爭 (contention-based)的MAC, 即當(dāng)節(jié)點(diǎn)有數(shù)據(jù)要傳輸需要訪問無線信道時，它首先會監(jiān)聽信道是否空閑，當(dāng)信道空閑時立即發(fā)送數(shù)據(jù)，在發(fā)送數(shù)據(jù)的同時監(jiān)聽是否有沖突產(chǎn)生，若產(chǎn)生沖突則立即停止數(shù)據(jù)發(fā)送，等待一段隨機(jī)時間，再重嘗試發(fā)送；

2) 非競爭 (contention-free) MAC, 即信道按照某種預(yù)先規(guī)定的機(jī)制進(jìn)行劃分比如時分復(fù)用 (TDMA: Time Division Multiple Access)、空間復(fù)用 (SDMA: Space Division Multiple Access)、碼分復(fù)用 (CDMA: Code Division Multiple Access),每個節(jié)點(diǎn)被分配唯一的無線資源以減少沖突。

作者對兩類MAC協(xié)議設(shè)計的研究現(xiàn)狀都進(jìn)行了綜述。此外，支持大數(shù)據(jù)存儲介紹了存儲類型（車載存儲、路邊存儲、網(wǎng)絡(luò)存儲）、存儲機(jī)制等。最后，支持大數(shù)據(jù)計算介紹了基于車車通信的在線計算以及車載云計算。

圖3 車聯(lián)網(wǎng)支持大數(shù)據(jù)傳輸框架

雖然不斷增長的數(shù)據(jù)量給車聯(lián)網(wǎng)帶來挑戰(zhàn)，但是通過分析與挖掘大數(shù)據(jù)，高效智能的新一代車聯(lián)網(wǎng)架構(gòu)與設(shè)計也會得到優(yōu)化與發(fā)展。

主要從三方面介紹了車聯(lián)網(wǎng)大數(shù)據(jù)的應(yīng)用方向：

1) 基于大數(shù)據(jù)的網(wǎng)絡(luò)特征刻畫與驗(yàn)證

節(jié)點(diǎn)的高速移動造成車載網(wǎng)絡(luò)連接的時變性，且變化難以預(yù)測。即使為所有節(jié)點(diǎn)動態(tài)分配好無線帶寬資源，節(jié)點(diǎn)發(fā)送出去的消息也可能因?yàn)殒溌焚|(zhì)量問題而不能被鄰近節(jié)點(diǎn)成功接收?；谡鎸?shí)場景下的大量通信數(shù)據(jù)，結(jié)合車輛的狀態(tài)和周圍環(huán)境信息，可進(jìn)行定量分析，即通信質(zhì)量與運(yùn)動速度、距離、高度、環(huán)境等因素之間的關(guān)系，分析結(jié)果將對不同應(yīng)用需求的通信場景起到指導(dǎo)作用。

2) 情景感知的通信范式設(shè)計

由于節(jié)點(diǎn)移動速度和路線都在異態(tài)變化，導(dǎo)致局部網(wǎng)絡(luò)拓?fù)淇梢园l(fā)生十分劇烈的改變。此外，宏觀車流、人流密度的變化，進(jìn)一步加劇了網(wǎng)絡(luò)拓?fù)涞母邉討B(tài)性，基于運(yùn)動狀態(tài)，環(huán)境監(jiān)測數(shù)據(jù)，可設(shè)計情景感知的通信協(xié)議，可最大化網(wǎng)絡(luò)性能的同時最小化網(wǎng)絡(luò)開銷。

3) 大數(shù)據(jù)支撐的無人駕駛

無人駕駛場景下數(shù)據(jù)來源包括車傳感器、GPS、攝像頭、激光雷達(dá)、用戶體驗(yàn)數(shù)據(jù)（游戲數(shù)據(jù)）、邊緣數(shù)據(jù)、眾包數(shù)據(jù)等，結(jié)合網(wǎng)絡(luò)傳輸共享、本地及云平臺的計算能力提供基于高精地圖的安全應(yīng)用、導(dǎo)航、無人駕駛、車載社交網(wǎng)絡(luò)、娛樂休閑等應(yīng)用。

圖4 大數(shù)據(jù)支撐的無人駕駛

2.平行駕駛：基于信息物理社會系統(tǒng)（CPSS）的交通自動化與汽車智能化統(tǒng)一融合框架

Parallel Driving in CPSS:

A Unified Approach forTransport Automation and Vehicle Intelligence

文章導(dǎo)讀：

智能網(wǎng)聯(lián)汽車的迅速發(fā)展為當(dāng)前的車輛控制和交通系統(tǒng)提出嚴(yán)峻的挑戰(zhàn)。本文提出智能網(wǎng)聯(lián)汽車的一種全新的基于云端化的信息物理社會系統(tǒng)（CPSS）解決方案，平行駕駛。

本文首先介紹CPSS定義和基于人工社會(Artificial societies)、計算實(shí)驗(yàn)(Computational experiments)和平行執(zhí)行(Parallel execution)智能機(jī)器系統(tǒng)。隨后，提出了基于CPSS的平行駕駛框架，融合物理世界、精神世界和人工世界，并詳細(xì)論述了平行測試、平行學(xué)習(xí)以及平行增強(qiáng)學(xué)習(xí)等方法，它們在智能網(wǎng)聯(lián)汽車的感知、決策與規(guī)劃和控制等關(guān)鍵模塊中都有巨大的應(yīng)用潛力。

受到平行系統(tǒng)思想的啟發(fā)，在智能視界及其應(yīng)用實(shí)例的基礎(chǔ)上，本文提出了平行視界的概念。平行駕駛旨在為涵蓋不同自動化層級的智能網(wǎng)聯(lián)汽車系統(tǒng)和未來智能交通提供一套智能融合解決方案及框架。

圖1 CPSS的定義以及信息、物理和社會系統(tǒng)之間的相互聯(lián)系

圖2 基于ACP方法的智能機(jī)器系統(tǒng)框架. A：人工社會，C：計算實(shí)驗(yàn)，P：平行執(zhí)行

圖3基于CPSS的平行駕駛框架. RD：實(shí)際駕駛，DC：駕駛員識別，CPSS包含三大組成部分：人（社會維度），位置信息（地理維度）和技術(shù)（傳感器、物聯(lián)網(wǎng)等）. HD：人類駕駛員，RV：實(shí)際車輛，ADAV：人工駕駛員和人工車輛，SA：態(tài)勢感知

圖4 平行學(xué)習(xí)框架，主要包含數(shù)據(jù)處理和行動學(xué)習(xí)兩大階段

圖5 平行測試的實(shí)現(xiàn)過程和一個實(shí)例

圖6 平行增強(qiáng)學(xué)習(xí)理論框架. 主要包括數(shù)據(jù)收集及生成過程、數(shù)據(jù)處理及最優(yōu)策略的計算過程、特定知識的應(yīng)用過程

圖7 平行視界框架，主要包括三大模塊：1）駕駛風(fēng)格識別模塊，2）短期速度預(yù)測模塊，3）基于周期視界的長期速度預(yù)測模塊

3.

郭洪艷,曹東璞,陳虹等：車輛行駛狀態(tài)研究現(xiàn)狀及展望

來自吉林大學(xué)、加拿大滑鐵盧大學(xué)、英國克蘭菲爾德大學(xué)的郭洪艷、曹東璞、陳虹教授等發(fā)表在IEEE/CAA Journal of Automatica Sinica 2018年第2期的綜述“Vehicle Dynamic State Estimation: State of the Art Schemes and Perspectives”中，針對下一代汽車控制及未來自動駕駛汽車需要的車輛行駛狀態(tài)信息，系統(tǒng)地回顧了研究進(jìn)展并對未來車輛行駛狀態(tài)估計亟待解決問題進(jìn)行展望。首先給出車輛行駛狀態(tài)的分類并總結(jié)了車輛行駛狀態(tài)估計所采用的結(jié)構(gòu)。其次，系統(tǒng)地介紹了車輛速度、質(zhì)心側(cè)偏角、橫擺角速度及側(cè)傾角估計的傳感器配置方案；再次，總結(jié)了車輛行駛狀態(tài)估計中所使用的典型方法及車輛模型；最后，討論了未來車輛行駛狀態(tài)估計中亟待解決的問題。

文章導(dǎo)讀

隨著自動駕駛、平行無人系統(tǒng)、控制與計算機(jī)科學(xué)、智能交通系統(tǒng)(ITS)、駕駛輔助系統(tǒng)(ADAS)等的快速發(fā)展，消費(fèi)者對車輛操縱穩(wěn)定性和主動安全性要求日益提高。各種ADAS和車輛穩(wěn)定性控制系統(tǒng)也應(yīng)運(yùn)而生，如基于車輛縱向控制的防抱死制動系統(tǒng)(ABS)、自適應(yīng)巡航系統(tǒng)和牽引控制系統(tǒng)；涉及側(cè)向穩(wěn)定性的電子穩(wěn)定程序(ESP)和主動前轉(zhuǎn)向(AFS); 強(qiáng)調(diào)車輛垂向控制主動懸架控制(ASC)等。在這些系統(tǒng)的幫助下，車輛的操縱穩(wěn)定性和主動安全性得到了有效的改善，因此，車輛的行駛變得更加安全，致命事故的數(shù)量也減少了。

然而，這些汽車穩(wěn)定控制系統(tǒng)的實(shí)現(xiàn)，特別是智能網(wǎng)聯(lián)車輛和自動駕駛車輛，依賴于精確的車輛動態(tài)狀態(tài)信息。傳統(tǒng)上，車輛動態(tài)狀態(tài)信息是由車載傳感器直接測量的。然而，由于運(yùn)行條件極其復(fù)雜，這些傳感器的精度相對較低，不滿足車輛主動安全控制系統(tǒng)的要求。若加裝高精度傳感器，其成本又過于昂貴，不適于在量產(chǎn)車輛上使用。因此，現(xiàn)有車載傳感器的低精度問題和一些傳感器的高昂價格已經(jīng)成為獲取精確、完整的車輛動態(tài)狀態(tài)信息的瓶頸，并極大地限制了ADAS和車輛主動安全系統(tǒng)的發(fā)展?；诖?，車輛行駛狀態(tài)估計應(yīng)運(yùn)而生，并可以為ADAS、主動穩(wěn)定控制和車輛故障診斷系統(tǒng)獲得更準(zhǔn)確、更可靠的車輛行駛狀態(tài)信息。因此，對于車輛動態(tài)狀態(tài)估計的研究很有必要并且國內(nèi)外相關(guān)的文獻(xiàn)越來越多。

因此，本文回顧了車輛行駛狀態(tài)估計的最新研究進(jìn)展，并給出了車輛行駛狀態(tài)估計問題的分類。然后，總結(jié)了車輛行駛狀態(tài)估計中所使用的典型方法及車輛模型。最后，討論了未來研究中車輛動態(tài)狀態(tài)估計亟待解決的問題，以及在智能駕駛以及大數(shù)據(jù)、云計算的大背景下車輛行駛狀態(tài)估計的研究展望。

4.訓(xùn)練數(shù)據(jù)，激發(fā)潛能：利用虛擬圖像訓(xùn)練和測試目標(biāo)檢測器

針對目標(biāo)檢測模型建立過程中，真實(shí)數(shù)據(jù)可控性差和多樣性不足的問題，王飛躍教授團(tuán)隊(duì)提出了通過創(chuàng)建虛擬數(shù)據(jù)來對模型進(jìn)行訓(xùn)練和測試的思路。在公開數(shù)據(jù)集PASCAL VOC、MS COCO和KITTI上進(jìn)行了實(shí)驗(yàn)，證明了虛擬數(shù)據(jù)在提升目標(biāo)檢測模型性能和對模型進(jìn)行有針對性測試方面的有效性。

文章導(dǎo)讀

目標(biāo)檢測技術(shù)是計算機(jī)視覺領(lǐng)域的研究熱點(diǎn)之一，在安防、智能交通等領(lǐng)域有著廣泛應(yīng)用。隨著機(jī)器學(xué)習(xí)的興起，基于傳統(tǒng)機(jī)器學(xué)習(xí)算法和深度神經(jīng)網(wǎng)絡(luò)模型來構(gòu)建目標(biāo)檢測器獲得了諸多進(jìn)展，也對訓(xùn)練和測試數(shù)據(jù)提出了更多要求。尤其是在像智能交通這樣的復(fù)雜場景中，依靠單一樣本訓(xùn)練的模型往往難以在實(shí)際中取得成功，同時，沒有經(jīng)過多樣化測試數(shù)據(jù)充分測試的模型，在應(yīng)用中也存在著巨大的安全隱患。

由于真實(shí)世界的不可控性，收集大規(guī)模、多樣化的真實(shí)數(shù)據(jù)存在著較多困難，數(shù)據(jù)收集工作處于較為被動的地位，在很多時候，無法得到令人滿意的結(jié)果。此外，數(shù)據(jù)標(biāo)注也是一件費(fèi)時費(fèi)力的工作，尤其是對海量數(shù)據(jù)進(jìn)行多種信息的標(biāo)注，在耗費(fèi)巨大人力物力的情況下，也時常無法保證標(biāo)注的精確性。

近些年，伴隨著計算機(jī)圖形學(xué)、虛擬現(xiàn)實(shí)等技術(shù)的發(fā)展，通過游戲開發(fā)引擎等工具來搭建逼真的虛擬場景，進(jìn)而展開各種科學(xué)研究逐漸引起人們的重視。相比于真實(shí)世界，虛擬場景在可控性方面有著巨大優(yōu)勢。我們可以借助計算機(jī)圖形學(xué)軟件提供的指令和接口對場景參數(shù)進(jìn)行改變，來滿足個性化的需求。此外，由于虛擬場景的生成建立在數(shù)學(xué)模型的基礎(chǔ)上，因此可以利用圖形學(xué)機(jī)理來對感興趣信息進(jìn)行獲取，從而解決像數(shù)據(jù)標(biāo)注這樣的棘手問題。

本文對虛擬數(shù)據(jù)集創(chuàng)建方法進(jìn)行了研究，面向目標(biāo)檢測任務(wù)，對虛擬數(shù)據(jù)在訓(xùn)練和測試中的有效性進(jìn)行了驗(yàn)證。首先借助OpenStreetMap、CityEngine和Unity3D等軟件，搭建了虛擬城市交通場景，并通過改變場景參數(shù)，收集了不同天氣、不同光照條件下，具有不同遮擋程度和目標(biāo)大小等特點(diǎn)的多樣化數(shù)據(jù)集；然后，通過結(jié)合虛擬數(shù)據(jù)和真實(shí)數(shù)據(jù)對目標(biāo)檢測模型進(jìn)行了訓(xùn)練，提升了目標(biāo)檢測模型的性能；最后，利用定制的虛擬數(shù)據(jù)，對訓(xùn)練好的模型進(jìn)行了測試，探索了虛擬數(shù)據(jù)在對模型進(jìn)行精細(xì)化測試方面的潛能。

虛擬數(shù)據(jù)集建立及模型訓(xùn)練和測試流程