當(dāng)前，我國依托跨行業(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，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，全國累計(jì)開放測試道路超 22,000 公里，發(fā)放測試牌照 5,200 余張，道路測試總里程達(dá) 8,800 萬公里。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)開放測試道路 22,000+ 公里覆蓋全國 16 個(gè)省份，發(fā)放測試牌照 5,200+ 張涵蓋乘用車 / 商用車多品類，道路測試總里程 8,800 萬公里相當(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)雜場景中的實(shí)時(shí)響應(yīng)能力。

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)行行為預(yù)測，生成未來 5 秒的軌跡概率分布；認(rèn)知圖譜層通過視覺語言模型解析交通場景語義，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)勢預(yù)測、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)。

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)勢預(yù)測采用注意力機(jī)制融合歷史軌跡與實(shí)時(shí)位置，預(yù)測未來 5 秒內(nèi)交通流變化，軌跡預(yù)測誤差≤ 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，對雨霧冰雪等天氣識(shí)別；車車 / 車人碰撞預(yù)警通過相對運(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 - 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)可靠車道級定位、秒級響應(yīng)的全場景支持能力。

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)集測試中，該算法目標(biāo)檢測 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)檢測魯棒性。

同步開發(fā)的 MIM 模型（Map-incorporated Multi-view）針對多視圖圖像與高精地圖的語義尺度差異，采用分層語義解析技術(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)對齊，最終在 nuScenes 測試中目標(biāo)檢測 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)。

地圖匹配領(lǐng)域，基于橫向位移估計(jì)模型實(shí)現(xiàn)車道級定位，橫向誤差≤ 0.3 米，滿足輔助駕駛系統(tǒng)對車道保持的厘米級需求；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，為動(dòng)態(tài)認(rèn)知地圖提供時(shí)空基準(zhǔn)保障。

未來挑戰(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)對齊時(shí)存在毫秒級同步誤差，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景下，小目標(biāo)識(shí)別檢測困難使超視距連續(xù)跟蹤精度降至 65%，尤其對非機(jī)動(dòng)車盲區(qū)軌跡預(yù)測失效風(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。

未來重點(diǎn)攻關(guān)方向包括：混合交通場景多源信息耦合技術(shù)、輕量化動(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)雜城市路況場景適應(yīng)性提升至 99.5% 可靠度。

（以上內(nèi)容來自于武漢理工大學(xué)郭圓副研究員于 2025 年 7 月 22 日在 2025 第八屆智能輔助駕駛大會(huì)上進(jìn)行的發(fā)表的《車路云一體化動(dòng)態(tài)認(rèn)知地圖構(gòu)建關(guān)鍵技術(shù)研究》主題演講。）