車路協(xié)同，即利用5G等車載網(wǎng)絡(luò)傳感器與高精度地圖的緊密配合獲知路況，全方位實(shí)時車車、車路動態(tài)實(shí)時信息交互，并在全時空動態(tài)交通信息采集與融合的基礎(chǔ)上開展車輛主動安全控制和道路協(xié)同管理，充分實(shí)現(xiàn)人車路的有效協(xié)同，保證交通安全，提高通行效率，從而形成安全、高效和環(huán)保的道路交通系統(tǒng)，車路協(xié)同已經(jīng)成為智慧交通規(guī)劃中的重要組成部分。

與傳統(tǒng)的單車端系統(tǒng)或者單路側(cè)系統(tǒng)相比，車路協(xié)同系統(tǒng)更加側(cè)重路端、云端與車輛的交互，是囊括車端感應(yīng)、路端感應(yīng)、通信技術(shù)與云控技術(shù)的整體解決方案。車路協(xié)同主要包括四大關(guān)鍵技術(shù)：智能車載技術(shù)、智能路側(cè)技術(shù)、通信技術(shù)、云控技術(shù)。智能車載指安裝在車輛終端，是拓寬駕駛員視野、增加駕駛員對行車環(huán)境和車輛運(yùn)行狀態(tài)的感知、加強(qiáng)行車安全的單元；智能路側(cè)即采集道路狀況、交通狀況，通過通訊網(wǎng)絡(luò)將信息傳遞至指揮中心或路側(cè)處理單元處理，通過網(wǎng)絡(luò)傳遞至有信息請求的車載端；通信技術(shù)指車載端與路側(cè)端之間的通信，用于車與路信息采集、路況信息采集，以及車與車之間的通信中繼；云控技術(shù)即具備數(shù)據(jù)存儲、計算、決策的云端技術(shù)。要全面實(shí)現(xiàn)車路協(xié)同，人工智能技術(shù)在其中發(fā)揮關(guān)鍵作用。通過車路云圖全面打通車路協(xié)同，如下圖中所示，人工智能技術(shù)在車路協(xié)同中的應(yīng)用場景及飛槳在車路協(xié)同3D感知中的應(yīng)用效果。

圖2：車路云圖四維一體全面打通車路協(xié)同

車路協(xié)同一些典型應(yīng)用場景及效果如下圖所示：

圖3：車路協(xié)同典型應(yīng)用場景

圖4：北京亦莊車路協(xié)同3D感知

在車路協(xié)同領(lǐng)域，百度率先提出車路協(xié)同方案，是車路協(xié)同方案的堅(jiān)定探索者和推動者。在2018年年底正式開源Apollo車路協(xié)同技術(shù)方案，向業(yè)界開放車路協(xié)同領(lǐng)域的技術(shù)和服務(wù)。通過在平臺化、生態(tài)化、商業(yè)化等各個領(lǐng)域深耕實(shí)踐，經(jīng)歷4年發(fā)展歷程，百度積累了涵蓋車、路、云、圖一體化的解決方案。百度始終保持對于技術(shù)和方案全面開放的態(tài)度以及對行業(yè)的生態(tài)促進(jìn)的理念，在百度飛槳深度學(xué)習(xí)開源開放平臺上開源開放了眾多技術(shù)能力，從而支持企業(yè)車路協(xié)同場景的開發(fā)和構(gòu)建，主旨在于幫助企業(yè)建設(shè)多元化和規(guī)范化的智能道路基礎(chǔ)設(shè)施，降低開發(fā)者開發(fā)成本，豐富車路協(xié)同產(chǎn)業(yè)生態(tài)，為行業(yè)的健康發(fā)展貢獻(xiàn)百度力量。如下圖所示，飛槳全面支持車路協(xié)同場景構(gòu)建全景和基于飛槳的百度Apollo車路協(xié)同開放平臺及長沙高新區(qū)智慧交通車路協(xié)同應(yīng)用展示。

圖5：百度飛槳全面支持車路協(xié)同場景構(gòu)建

圖6：基于飛槳的百度Apollo車路協(xié)同開放平臺

圖7：長沙高新區(qū)智慧交通-車路協(xié)同賦能智能信控

場景應(yīng)用

場景一

視覺3D道路障礙物檢測

3D道路障礙物檢測旨在定位出車輛及道路障礙物在三維空間中的位置、大小和方向，并識別出物體的類別屬性。作為車路協(xié)同和自動駕駛感知系統(tǒng)中的重要模塊，3D障礙物檢測任務(wù)存在設(shè)計復(fù)雜、開發(fā)繁瑣、精度和速度要求高等痛點(diǎn)和難點(diǎn)問題。飛槳與Apollo聯(lián)合打造的Paddle3D深度學(xué)習(xí)3D感知套件聚合圖像的單目、BEV檢測模型、基于點(diǎn)云的稀疏三維卷積等多種前沿和特色三維目標(biāo)檢測模型，靈活設(shè)計開發(fā)框架，涵蓋精度調(diào)優(yōu)策略、極致優(yōu)化模型的性能，助力開發(fā)者便捷地完成障礙物檢測從訓(xùn)練到部署的全流程應(yīng)用。

場景二

車牌識別

車牌識別廣泛應(yīng)用于車輛出入場識別和車路協(xié)同車輛識別等場景中，在實(shí)際的使用過程中，存在圖像質(zhì)量參差不齊、角度傾斜、光照不足、車牌在圖像中尺寸差異大和使用設(shè)備算力有限等問題和難點(diǎn)。針對上述難點(diǎn)問題，通過使用飛槳PaddleOCR開發(fā)套件提供的自研PP系列模型PP-OCRv3，結(jié)合飛槳深度學(xué)習(xí)模型壓縮工具庫PaddleSlim完成車牌識別模型的訓(xùn)練和量化，在CCPD新能源數(shù)據(jù)集達(dá)到99%的檢測精度和94%的識別精度，模型大小為12.8M（檢測2.5M+識別10.3M），量化后模型體積進(jìn)一步壓縮到5.8M（檢測1M+識別4.8M）,推理速度提升25%。

場景三眾包建圖方案保持地圖高鮮度

眾包建圖旨在利用大規(guī)模的量產(chǎn)車輛對高精地圖進(jìn)行更新，實(shí)現(xiàn)低成本高效的地圖更新工作。眾包建圖對于環(huán)境的感知通常采用全景分割來實(shí)現(xiàn)。在實(shí)際業(yè)務(wù)中，依賴人工來完成全景分割模型訓(xùn)練所需數(shù)據(jù)標(biāo)注，時間及標(biāo)注成本高昂。針對以上問題，采用飛槳PaddleSeg交互式分割技術(shù)，通過少量交互信息便能高效完成復(fù)雜道路場景分割標(biāo)注，有效降低標(biāo)注成本，提升標(biāo)注精度，極大加速全景分割模型訓(xùn)練并提升最終模型效果。

審核編輯：郭婷