當(dāng)前，我國(guó)依托跨行業(yè)協(xié)同機(jī)制、基礎(chǔ)設(shè)施建設(shè)及信息通信技術(shù)優(yōu)勢(shì)，通過"車路云一體化"推動(dòng)輔助駕駛技術(shù)發(fā)展。截至2025年，全國(guó)累計(jì)開放測(cè)試道路超22,000公里，發(fā)放測(cè)試牌照5,200余張，道路測(cè)試總里程達(dá)8,800萬(wàn)公里。政策層面，2018年工信部推動(dòng)《車聯(lián)網(wǎng)(智能網(wǎng)聯(lián)汽車)產(chǎn)業(yè)發(fā)展行動(dòng)計(jì)劃》，2021年住建部與工信部聯(lián)合開展"雙智"城市試點(diǎn)，2024年五部委啟動(dòng)"車路云一體化"應(yīng)用試點(diǎn)，標(biāo)志著技術(shù)驗(yàn)證進(jìn)入商業(yè)化階段。

2025年7月22日，武漢理工大學(xué)郭圓副研究員在2025第八屆智能輔助駕駛大會(huì)上表示：動(dòng)態(tài)認(rèn)知地圖以靜態(tài)高精地圖為基準(zhǔn)，整合車端與路側(cè)端多觀測(cè)節(jié)點(diǎn)的動(dòng)態(tài)信息，實(shí)現(xiàn)動(dòng)靜態(tài)交通信息的一致表達(dá)與場(chǎng)景理解，可顯著提升輔助駕駛系統(tǒng)的安全性、節(jié)能性及道路適應(yīng)能力，有效解決高級(jí)別輔助駕駛發(fā)展瓶頸。

郭圓 | 武漢理工大學(xué)副研究員

以下為演講內(nèi)容整理：

研究背景與核心問題

我國(guó)車路云一體化技術(shù)已實(shí)現(xiàn)從概念驗(yàn)證到商業(yè)落地的跨越式發(fā)展。截至2025年，累計(jì)開放測(cè)試道路22,000+公里覆蓋全國(guó)16個(gè)省份，發(fā)放測(cè)試牌照5,200+張涵蓋乘用車/商用車多品類，道路測(cè)試總里程8,800萬(wàn)公里相當(dāng)于繞地球2,200圈。政策驅(qū)動(dòng)方面，2018年工信部《車聯(lián)網(wǎng)產(chǎn)業(yè)發(fā)展行動(dòng)計(jì)劃》建立技術(shù)標(biāo)準(zhǔn)體系；2021年"雙智"城市試點(diǎn)推動(dòng)基礎(chǔ)設(shè)施智能化改造；2024年五部委"車路云一體化"應(yīng)用試點(diǎn)首次將車路協(xié)同納入國(guó)家新基建范疇，標(biāo)志著技術(shù)正式進(jìn)入商業(yè)化部署階段。通過動(dòng)態(tài)認(rèn)知地圖技術(shù)，實(shí)現(xiàn)物理道路空間與車端動(dòng)態(tài)信息的實(shí)時(shí)耦合，為輔助駕駛系統(tǒng)提供更快、更準(zhǔn)、更全面的環(huán)境認(rèn)知能力，致力于實(shí)現(xiàn)安全、節(jié)能、高效運(yùn)行的目標(biāo)。

圖源：演講嘉賓素材

高精地圖作為實(shí)現(xiàn)物理空間到信息空間抽象的核心載體，在傳統(tǒng)導(dǎo)航電子地圖基礎(chǔ)上通過對(duì)道路地理要素的幾何、屬性和關(guān)系信息進(jìn)行精準(zhǔn)刻畫，其抽象過程體現(xiàn)為將實(shí)體道路轉(zhuǎn)化為結(jié)構(gòu)化數(shù)據(jù)模型，例如武漢大學(xué)研發(fā)的四層一體化模型。然而現(xiàn)有主流格式包括Shapefile、Occupancy Grid、OpenDrive等仍存在顯著局限：一方面過度聚焦靜態(tài)道路信息，對(duì)車輛軌跡、交通事件等動(dòng)態(tài)要素缺乏有效刻畫；另一方面模型結(jié)構(gòu)復(fù)雜導(dǎo)致采集成本居高不下，且難以支持實(shí)時(shí)更新需求，嚴(yán)重制約輔助駕駛系統(tǒng)在復(fù)雜場(chǎng)景中的實(shí)時(shí)響應(yīng)能力。

圖源：演講嘉賓素材

動(dòng)態(tài)認(rèn)知地圖模型構(gòu)建

動(dòng)態(tài)認(rèn)知地圖以靜態(tài)高精地圖為空間基準(zhǔn)，通過整合車端傳感器與路側(cè)單元的實(shí)時(shí)感知數(shù)據(jù)，構(gòu)建包含三層架構(gòu)的協(xié)同認(rèn)知模型：底層靜態(tài)層繼承高精地圖的車道級(jí)拓?fù)渚W(wǎng)絡(luò)，為動(dòng)態(tài)信息提供統(tǒng)一時(shí)空參考；動(dòng)態(tài)融合層實(shí)時(shí)處理多源交通要素的運(yùn)動(dòng)狀態(tài)并基于注意力機(jī)制進(jìn)行行為，生成未來(lái)5秒的軌跡概率分布；認(rèn)知圖譜層通過視覺語(yǔ)言模型解析交通場(chǎng)景語(yǔ)義，結(jié)合圖神經(jīng)網(wǎng)絡(luò)構(gòu)建路側(cè)單元從屬區(qū)域的分層動(dòng)態(tài)圖譜，實(shí)現(xiàn)交通態(tài)勢(shì)的可解釋性推理。該架構(gòu)支持六大核心功能：交通事件感知實(shí)現(xiàn)事故識(shí)別、時(shí)空態(tài)勢(shì)預(yù)測(cè)、環(huán)境天氣感知、車車/車人碰撞預(yù)警響應(yīng)、信號(hào)燈相位同步、盲區(qū)預(yù)警，最終形成"靜態(tài)打底、動(dòng)態(tài)疊層、認(rèn)知驅(qū)動(dòng)"的輔助駕駛決策閉環(huán)。

圖源：演講嘉賓素材

動(dòng)態(tài)認(rèn)知地圖模型通過多源時(shí)空數(shù)據(jù)融合機(jī)制，實(shí)現(xiàn)對(duì)六大核心功能的精準(zhǔn)支撐：交通事件感知基于路側(cè)雷達(dá)與車載傳感器多源信息時(shí)空關(guān)聯(lián)，可快速識(shí)別交通事故、道路施工等事件；時(shí)空態(tài)勢(shì)預(yù)測(cè)采用注意力機(jī)制融合歷史軌跡與實(shí)時(shí)位置，預(yù)測(cè)未來(lái)5秒內(nèi)交通流變化，軌跡預(yù)測(cè)誤差≤0.8米；環(huán)境天氣感知結(jié)合毫米波雷達(dá)回波與視覺圖像分析，對(duì)雨霧冰雪等天氣識(shí)別；車車/車人碰撞預(yù)警通過相對(duì)運(yùn)動(dòng)學(xué)模型計(jì)算碰撞時(shí)間，實(shí)現(xiàn)碰撞預(yù)警；信號(hào)燈相位提醒實(shí)現(xiàn)車端與路側(cè)信號(hào)機(jī)毫秒級(jí)同步；盲區(qū)預(yù)警與車速誘導(dǎo)利用V2X通信覆蓋視覺死角。該功能體系突破傳統(tǒng)靜態(tài)地圖局限，構(gòu)建"感知-預(yù)測(cè)-決策-控制"的動(dòng)靜態(tài)協(xié)同閉環(huán)，為輔助駕駛系統(tǒng)提供連續(xù)可靠車道級(jí)定位、秒級(jí)響應(yīng)的全場(chǎng)景支持能力。

圖源：演講嘉賓素材

動(dòng)態(tài)認(rèn)知地圖關(guān)鍵技術(shù)突破

在感知技術(shù)創(chuàng)新層面，研究團(tuán)隊(duì)提出MENet算法，通過構(gòu)建高精地圖時(shí)空統(tǒng)一基準(zhǔn)下的激光點(diǎn)云駕駛場(chǎng)景感知框架，將高精地圖的幾何結(jié)構(gòu)特征（如車道曲率、路緣石拓?fù)洌┡c激光點(diǎn)云深度信息融合，解決車載感知與局部地圖的尺度不一致問題。在公開數(shù)據(jù)集測(cè)試中，該算法目標(biāo)檢測(cè)mAP達(dá)56.9%，較常用的部署基線CenterPoint提升4.2%，其中卡車識(shí)別精度52.3%、公交車66.2%，顯著優(yōu)化交叉口多目標(biāo)檢測(cè)魯棒性。

圖源：演講嘉賓素材

同步開發(fā)的MIM模型（Map-incorporated Multi-view）針對(duì)多視圖圖像與高精地圖的語(yǔ)義尺度差異，采用分層語(yǔ)義解析技術(shù)：首先通過掩碼增強(qiáng)（Mask Augmentation）提取地圖中的車道標(biāo)線、交通標(biāo)志等結(jié)構(gòu)化特征，再結(jié)合交叉注意力機(jī)制實(shí)現(xiàn)圖像像素特征與地圖矢量化特征的跨模態(tài)對(duì)齊，最終在nuScenes測(cè)試中目標(biāo)檢測(cè)mAP達(dá)40.9%，尤其將交叉口車輛定位誤差降低至0.3米內(nèi)。

圖源：演講嘉賓素材

地圖匹配領(lǐng)域，基于橫向位移估計(jì)模型實(shí)現(xiàn)車道級(jí)定位，橫向誤差≤0.3米，滿足輔助駕駛系統(tǒng)對(duì)車道保持的厘米級(jí)需求；大尺度點(diǎn)云配準(zhǔn)技術(shù)RoCalib則通過提取高精地圖中的燈桿、標(biāo)志牌等桿狀物特征點(diǎn)云，與路側(cè)雷達(dá)掃描數(shù)據(jù)進(jìn)行特征匹配，解決路側(cè)設(shè)備位姿漂移問題，時(shí)間同步精度達(dá)毫秒級(jí)，為動(dòng)態(tài)認(rèn)知地圖提供時(shí)空基準(zhǔn)保障。

圖源：演講嘉賓素材

未來(lái)挑戰(zhàn)與發(fā)展方向

當(dāng)前技術(shù)面臨三大核心挑戰(zhàn)：感知融合難表現(xiàn)為多源異構(gòu)數(shù)據(jù)在時(shí)空基準(zhǔn)對(duì)齊時(shí)存在毫秒級(jí)同步誤差，多模態(tài)信息融合復(fù)雜性導(dǎo)致動(dòng)態(tài)目標(biāo)識(shí)別偏差率最高達(dá)15%；動(dòng)態(tài)跟蹤難集中于低滲透率場(chǎng)景下，小目標(biāo)識(shí)別檢測(cè)困難使超視距連續(xù)跟蹤精度降至65%，尤其對(duì)非機(jī)動(dòng)車盲區(qū)軌跡預(yù)測(cè)失效風(fēng)險(xiǎn)顯著；表達(dá)優(yōu)化難源于動(dòng)態(tài)信息數(shù)據(jù)量激增，模型訓(xùn)練數(shù)據(jù)不平衡導(dǎo)致地圖信息精準(zhǔn)表達(dá)受限。

未來(lái)重點(diǎn)攻關(guān)方向包括：混合交通場(chǎng)景多源信息耦合技術(shù)、動(dòng)態(tài)地圖表達(dá)模型、基于普通導(dǎo)航電子地圖的動(dòng)態(tài)認(rèn)知架構(gòu)遷移，以及低滲透環(huán)境超視距跟蹤算法優(yōu)化。研究驗(yàn)證表明，這些突破可使輔助駕駛系統(tǒng)成本降低60%，復(fù)雜城市路況場(chǎng)景適應(yīng)性提升至99.5%可靠度。