第十三届交通运输研究(上海)论坛┆智能网联汽车技术现状与研究实践

0.简介

交通运输研究（上海）论坛（简称为TRF）是按照国际会议的组织原则，为综合交通运输领域学者们构建的良好合作交流平台。交通运输研究（上海）论坛已经成功举办了十二届，凝聚了全国百余家交通类学科专业的高等院校、科研院所、社会组织和交通企业等单位参会交流，已成为一个面向全国的交通运输工程学科高水平学术交流平台。第十三届交通运输研究（上海）论坛年会定于2024年11月1-2日在上海举行（11月1日进行理事会会议，11月2日进行正式会议），由上海理工大学承办。本届论坛年会主题：智驭交通•新质强国。

本公众号推出第十三届交通运输研究(上海)论坛报告解读系列文章，方便读者了解交通运输研究的前沿。本文解读的是武汉理工大学吴超仲教授所做的主题报告《智能网联汽车技术现状与研究实践》。

本推文由邱雪撰写，审校为许东舟和黄星宇。

1.报告人简介

吴超仲，武汉理工大学教授，副校长。长期从事交通安全、智能交通、车路协同、智能网联汽车等方面的研究。主持国家重点研发专项课题，国家863重点课题、国家自然科学基金等国家及省部级项目10多项；发表学术论文50余篇，获得授权专利20余项，软件著作权10余项；科研成果获省部级及行业奖励5项。兼任中国交通运输协会青年科技工作者工作委员会主任、中国智能交通协会常务理事、中国人工智能学会智能交通专业委员会秘书长、全国智能运输系统标准化委员会委员等。

2.背景现状

智能网联汽车产业正处于快速发展的关键阶段，全球汽车保有量的持续增长推动了智能网联和自动驾驶技术的普及。政府通过政策支持和先导示范项目，促进了技术进步和市场推广。在学术研究方面，智能网联汽车已成为研究热点，相关论文数量逐年上升，研究涉及环境感知、决策规划、优化控制等核心领域，特别是目标识别、感知融合、强化学习等技术的应用，旨在提升系统在复杂环境中的感知与决策能力。

产业层面，各大科技企业积极布局，推出了百度Apollo、华为ADS、特斯拉Cybertruck等自动驾驶解决方案，已经在物流运输、矿区作业和共享出行等场景中实现了商业化应用，推动了智能网联汽车的实际落地。

尽管取得了显著进展，智能网联汽车仍面临多重挑战。在技术方面，自动驾驶在极端或非典型场景下的“长尾问题”仍然带来安全隐患，系统的鲁棒性需要进一步提升。同时，社会接纳度、法律法规和伦理问题等也是普及的重要障碍。此外，行业内部缺乏统一的技术标准，导致数据接口和硬件规格不一致，限制了不同平台之间的协同与互联互通。这些问题亟待解决，以确保智能网联汽车的安全性、可靠性和可持续发展。

3.研究实践

在智能网联汽车和自动驾驶领域，研究团队经过十余年的探索，完成了多项国家级、省部级科研项目，并与高校及企业合作，构建了多个自动驾驶测试平台，成功落地了多项应用。在实际研究中，团队对L3有条件自动驾驶和L5完全自动驾驶的技术路径进行了深入探索，采用人机共融与生成式学习等方式，以应对在极端场景下的长尾问题，并在越野、地下空间等复杂环境中优化算法性能。

1.智能车辆人机共融驾驶决策控制

针对人机共融驾驶的实际需求，团队研究了人机协作中的驾驶权动态分配问题。在曲率适应性和速度适应性实验中，团队测试了多种驾驶模式，分析了人机共融对提升舒适性和跟踪精度的效果。基于强化学习的动态分配策略，研究人员提出了DDPG算法的改进方法，以减少人机冲突，优化车辆性能。实验结果显示，该方法在训练时间、角度偏差和跟踪精度方面表现优异，显著提高了车辆在复杂环境中的驾驶稳定性和舒适性。图1为人机共融驾驶的框架图。

图1 人机共融驾驶的框架图

2.地下空间自动驾驶关键技术

在特殊环境下的自动驾驶研究中，地下矿区场景具备独特的挑战，团队针对极端环境、越野场景和地下空间进行了深入的技术探索。由于地下空间的复杂性，包括空间环境的动态变化、卫星信号不稳定以及非结构化道路的决策控制难度，团队专注于解决这些在传统路况下不常见的问题。尤其是在低光照和复杂地形条件下，智能矿卡的精确定位和路径规划成为技术突破的关键。

（1）环境感知

为应对地下环境中的低光照、多雾和黑暗等情况，团队提出了自适应卷积神经网络的图像增强方法，以提升传感器的视觉感知能力。通过对图像进行去雾处理和亮度增强，系统在夜间或低能见度条件下的表现显著提高。实验结果显示，该方法的图像清晰度和识别准确率相比传统方法分别提高了71.35%和5.67%，为地下自动驾驶提供了更加可靠的感知支持。具体的方法和实验结果如图2、3、4所示。

图2 基于边缘增强的循环对抗生成网络图像去雾方法

图3 基于双分支通道注意力机制融合的井下矿区可行驶区域检测方法

图4 实验结果

（2）融合定位

在地下矿区缺乏卫星信号的环境中，传统GPS导航难以实现，团队研发了基于因子图优化的多传感器融合定位方法。该方法结合了IMU、雷达等多种传感器数据，通过ISAM2算法实现了高精度的定位能力。在实际矿区测试中，该方案在复杂隧道环境下的定位误差小于15厘米，确保了车辆在多变环境中的稳定运行。具体的地下矿区融合定位方法和实验结果如图5、6所示。

图5 基于因子图优化的地下矿区融合定位方法

图6 实验结果

（3）决策规划

针对地下狭窄通道的路径规划需求，团队开发了一种基于路径边界约束的扫描优化模型。该模型能够快速适应转弯、上下坡等特殊路况，并基于分段多项式的量化路径规划方法，提高了空间利用率。在实验中，该路径规划方法在典型场景下的成功率提升了12.5%，空间利用率提高了15.5%，有效支持了矿区自动驾驶的高效、安全运行。具体决策规划和实验结果如图7、8所示。

图7 基于扫掠优化的狭束巷道转向路径规划方法

图8 实验结果

通过在湖北两个地下矿区的三年测试应用，团队验证了这一系列技术的实际效果，实现了1000公里以上的连续安全行驶，为地下空间的无人驾驶技术应用积累了宝贵经验。具体应用如图9所示。

图9 湖北两个地下磷矿开展的近三年的测试应用

4.总结展望

在全球智能网联汽车领域的持续突破下，中国即将主办的“世界智能网联汽车大会”标志着全球化协作的新高峰。当前，智能网联汽车在技术融合、车辆-云数据闭环、中央计算架构、底盘控制、法规研究等方面均取得显著进展，尤其在L3级及以上自动驾驶研发中，加速迈向大规模产业化的步伐。尽管已取得显著成果，但面向L5级完全自动驾驶的道路依然漫长，需要在技术创新、法律框架以及社会认可度方面继续努力。

未来的发展聚焦于以下几个方向：引领前沿科技研究，包括精准控制与传感器技术；多学科的融合协作，加强智能网联系统的综合研究；完善标准和法律，推动智能驾驶技术的法规体系；通过创新人才培育，打造跨学科高端人才队伍；强化国际协作与实验平台，加速智能网联汽车的全球合作，推进自动驾驶的整体发展。