“车链网”创新应用场景！基于数字孪生的车路协同虚拟仿真平台研究

C2出行 碳足迹移动能源车链网

“区块链+车联网”重要碳达峰、碳中和应用示范场景平台

 项目场景介绍

“区块链+车联网”重要碳达峰、碳中和应用车链网低碳出行示范场景平台是由中国能源互联网课题组能源云实验室联合CHEE绿色数字经济产业链基地、车链网络有限公司、碳足迹科技有限公司等共同研发打造的高端智能新能源汽车创新应用出行示范平台，旨在打造差异化、数字化电动汽车出行品牌，将整合各类资产和技术，包括但不限于电动车车型技术、区块链+云计算车联网数据安全模型、能源互联网智能进化体验架构，三电技术、供应链体系建设、资产数字化和数字资产化领域应用及用户生态建设等。

移动能源车链网系统平台是低碳出行碳足迹创新应用示范场景，平台通过车载智能硬件终端数据节点收集沙盒（“沙盒碳原子”）及智能交通领域解决方案将电动汽车数字化、互动充电桩数字化、数据区块链化、网联化、共享化多维模型和融合数据为驱动，通过实时数据连接、映射、分析、交互来刻画、仿真、预测、优化实现碳足迹数据确权链上资产数字化和数字资产化，通过智能合约实现自动化、智能化的使用和交易，将数据、虚拟商品、权益凭证等各类资产上链，实现数字资产低成本、高效率的确权和流转。

释放数字资产流动性价值的同时，让数据的内在价值得以被市场发现，推动数据生产要素的高效配置，并推动数字资产真正落地，支撑数字经济发展。使物理系统的全要素、全过程、全价值链达到最大限度的优化。

【摘  要】智能仿真平台作为车路协同技术测试的重要手段，具有低门槛、高效率、高安全等优势，逐渐成为行业的主流研究方向。基于数字孪生的信息空间数字化模型映射技术，提出一种基于数字孪生的交通仿真平台研究方法，完成人-车-路-网的全息仿真映射，构造可配置的场景案例串联测试方式；同时在安全、环保、效率等维度设计评估优化方法，实现车路协同平台感知、决策、控制的闭环仿真测试，为车路协同方案落地提供借鉴和参考。

【关键词】数字孪生；车路协同；仿真平台

0   引言

随着数十个国家级智能网联汽车测试示范区的批复，我国智能网联测试建设已形成初步规模，推动我国智能网联产业迅猛发展^[1]。但作为新兴产业，基于车路协同技术仍有大量问题需要克服，如驾驶算法的稳定性、极端环境的安全性、网络传输的可靠性等^[2]。为解决上述问题，大规模验证环节势在必行。

现阶段，采用路测来优化车路协同系统不仅时间与经济成本过于昂贵，同时还面临着法律法规合规性、涵盖测试案例局限性以及极端场景与危险工况测试安全性等多方面的限制，难以承载大规模的测试任务^[3]。在软件仿真方向，目前市面上尚无具有代表性的通用车路协同仿真平台，但在车辆动力学、交通流、场景库、硬件在环各个环节中均有较为成熟的仿真工具^[4]，其仿真的案例复杂度有限，和真实场景区别较大，难以完全满足车路协同仿真测试需求。

数据孪生作为一种实现物理系统向信息空间数字化模型映射的关键技术，能近乎实时地呈现物理实体的实际情况^[5]，可以完成交通道路的高精度还原，能实现光照、天气、复杂交通流等交通要素的逼真模拟，为车路协同仿真平台的研发提供了新思路^[6]。本文结合数字孪生技术，实现了一套车路协同仿真测试平台，其总体架构如图1所示。其首先基于真实世界采集的点云数据，通过地表提取、语义转换、孪生构建等步骤，塑造真实可靠的高精地图；其次搭建动静态场景库，仿真传感器数字信号，进而构造孪生可视的数字场景；然后在系统性能仿真场景和干扰共存仿真场景下，验证自动驾驶算法可靠性；最后基于仿真平台，以孪生场景为依托，以仿真车辆为载体，以融合评估为导向，完成车路协同一体化全息仿真、测试和优化。

1   孪生地图研究

真实道路与场景要素的高精度还原，是构建车路协同孪生仿真场景的前提。与传统导航电子地图相比，高精地图不仅地理位置的坐标精度更高，而且承载更丰富和细致的地图要素信息，是车路协同仿真的主要载体^[7]。高精地图制作是以预处理后的点云投影为基础，标注出道路要素信息以及对应的属性与连接关系，最终输出自动驾驶系统可运行的应用地图。高精地图的数据组成部分如表1所示，包括道路网、车道网、交通基础设施与定位图层四个模块。其制作过程如图2所示，包含点云采集、地表提取、语义转换和道路孪生四个步骤。

1.1  点云采集

无论是封闭园区还是城市开放路段的高精地图制作，首先都需要采集车多轮实地道路采测。采集车主要依靠激光雷达、摄像头、GPS（高精度无线电导航的定位系统）和惯性传感器完成原始点云采集。其中激光雷达主要基于ToF（Time of Flight，飞行时间技术）原理来采集周围环境的三维点云数据，其帧率一般设置为10FPS，在建图过程中，一方面它可以基于匹配的定位算法帮助确定自身位置，另一方面它可以描述外界环境的情况，是建图的最原始数据。差分GPS用来接收卫星信号，帧率一般也设置为10FPS，主要基于三角定位原理来确定车辆的位置。惯性传感器则主要采集惯性数据，如加速度、角速度，主要用于短时运动推断。

各类传感器数据采集完成后，还要经过数据预处理工作。若在硬件层未实现传感器时钟同步，首先需要在软件层进行时钟对齐；然后对惯性传感器的原始数据进行预积分处理，对激光雷达点云进行点云对齐（去畸变）处理，为后续点云提取提供数据保障。

预处理完成后，通过经典的定位与建图算法完成点云提取。其中激光雷达点云注册算法和惯性传感器一起提供了里程计约束，GPS提供了车辆姿态的直接观测约束，点云的回环检测算法提供了回环约束。将以上约束综合在一起就可以融合多种传感器的信息得到精确的车辆行驶轨迹，再将处理后的激光点云与优化后的轨迹进行叠加，就完成了一个精准三维点云地图的构建。

高精地图点云采集流程如图3所示：

1.2  地表提取

数字孪生地图模型是基于点云地图构建开发的。但原始稠密点云地图数据量太大，不利于后续的数据处理。因此首先要对原始点云数据进行适当降采样处理，然后通过切割点云文件和渐进形态滤波来完成地表模型的提取^[9]，实现模型构建与处理效率的平衡。

1.3  语义标注

语义标注是指将地图中关键的元素标注出来，以获取这些元素的位置信息。其中车路协同场景关注的元素有路牌、交通标志牌、灯杆、建筑等信息。针对地表提取的点云地图，需要标注出关注元素的关键点，以方便后续实体模型的对齐。下文以路灯标注为例介绍语义标注的主要流程，图4（a）为带地面的路灯模型，绿色的点为路灯模型的点，红色的点则为地面点；图4（b）为经过标注关键点后的带地面点的路灯模型，其关键点有两个，分别为路灯竖直杆上的最高点以及灯泡位置上的一个点，前者既可确定路灯的位置，又可配合地表模型（即地面高度）确定灯杆高度，两点结合起来则可确定路灯的朝向。

上一篇：CHEE 创新基地：嘟嘟科技新品车充发布会亮相第三届中国出行产业发展论坛

下一篇：没有了！