智軌電車智能駕駛技術展望

馮江華，胡云卿，肖 磊，袁希文，潘文波，林 軍，劉 悅

（中車株洲電力機車研究所有限公司，湖南 株洲 412001）

0 引言

智軌電車實現了路徑感知、運行軌跡跟蹤控制、前方障礙物檢測、周界雷達防撞及360°環(huán)視等功能，在類軌道運行方面具備自主智能能力，并已成功商業(yè)化應用。隨著傳感器技術、通信技術、控制技術、計算機技術的不斷進步，智軌電車及其快運系統(tǒng)未來將在智能化方面進一步發(fā)展，而智能駕駛技術則是其中的重要發(fā)展方向之一。

智能駕駛是指通過搭載先進的傳感設備，基于專用硬件和先進算法，使車輛具備環(huán)境感知、智能決策、協(xié)同控制及執(zhí)行的能力，最終實現車輛智能、舒適、安全且高效的行駛。在汽車行業(yè)，智能駕駛源于2004年美國國防部高級研究計劃局（DARPA）舉辦的智能車挑戰(zhàn)賽。目前，國內外各大汽車廠商（如豐田、特斯拉、沃爾沃、東風、上汽及吉利等）以及諸多高科技互聯(lián)網公司（如谷歌旗下Waymo）都投入了巨資，主要通過高性能傳感器、先進算法和安全硬件平臺等手段來提升車輛自身的智能化水平，且近年來逐漸開始向基于5G/V2X的網聯(lián)化方向發(fā)展。為促進汽車智能駕駛技術的發(fā)展，我國已在多地（如上海、重慶、武漢、長沙及深圳等）建成了智能駕駛測試示范區(qū)。在軌道交通領域，智能駕駛的技術研究與工程實踐已有近百年歷史，最早可以追溯到1927年在英國倫敦開通運行的10.5 km無人駕駛郵件地鐵。智能駕駛在軌道交通領域的發(fā)展之所以遠早于汽車行業(yè)，一方面，這與軌道交通大運量載客、專屬路權、有導向軌、有計劃、有組織和有預案的基本特征有關；另一方面，是因為其信號系統(tǒng)（這也是軌道交通智能駕駛系統(tǒng)的核心）具有獨有性。時至今日，國內外裝備了基于通信列車控制系統(tǒng)（communication based train control system，CBTC）的地鐵列車均已具備自動駕駛（automatic train operation, ATO）和自動折返能力，按照標準IEC 62290Railway appications- Urban guided transport management and command/control systems，其整體自動化等級處于 GoA2 水平，并且正在向全自動駕駛 GoA4 的目標快速發(fā)展。

智軌電車運行于開放道路環(huán)境，具有類軌道運行特性及軌道交通車輛多編組的特點。這種跨界創(chuàng)新設計不僅需同時滿足汽車和軌道交通車輛的智能駕駛要求，而且還面臨著復雜場景、技術瓶頸、設備安全、法律規(guī)范及社會接納程度等諸多方面的挑戰(zhàn)，因此應綜合考慮多種影響因素，使智軌電車智能駕駛技術穩(wěn)步迭代發(fā)展，最終實現全無人駕駛。本文概述了智軌電車駕駛場景，依此構建出智能駕駛的技術框架，最后重點闡述了其中具有代表性的4大關鍵技術，即環(huán)境感知、決策控制、人機交互及硬件平臺。

1 智能駕駛場景分析與技術架構

1.1 駕駛場景分析

智軌電車駕駛場景的主要特征是路徑相對固定（除異常情況外，均按設定線路運行）、環(huán)境相對開放（車輛周圍可能隨時會出現各種車輛或行人）。一方面，在脫離有形鋼軌的物理約束后，智軌電車仍保留了諸多典型的軌道車輛駕駛場景，如列車喚醒、自檢、出庫、站間運行、進站停車、站臺發(fā)車、清客、折返、洗車及休眠等；另一方面，由于行駛在普通道路上，需要適應隨機變化的自然條件(如天氣、光線)、路面狀態(tài) (如交叉路口、小半徑彎道)、交通參與者(包括車輛和行人)、信號指示燈等復雜道路環(huán)境，并應對各種突發(fā)狀況。除此之外，智軌電車還具有許多獨特的駕駛場景。以“虛擬道岔”場景為例，傳統(tǒng)軌道車輛經過道岔時，依靠地面轉轍機完成“剛性”換軌和鎖閉任務；而智軌電車則是根據運行計劃，在道岔處采用高精度感知和定位技術來實現“柔性”線路選擇。再比如，當行駛路徑上存在障礙物或發(fā)生交通事故時，智軌電車可以被授權變道繞行，但由于其長度超30 m、寬度達到2.65 m，決策臨時變道時必須預測其對周界車輛的影響；并且由于其車道的空間裕量遠小于普通公路車輛的，因此必須構建全場景的多軸協(xié)同轉向技術才能實現有限空間的安全及最大化利用。

1.2 智能駕駛技術架構

智軌電車的駕駛場景豐富多樣，復雜多變。為實現與其他車輛混行、網絡化運行，必須構建相適應的智能駕駛技術架構。圖1示出智軌電車智能駕駛技術架構，其涉及車輛端、地面端以及人端。

圖1 智軌電車智能駕駛技術架構Fig.1 Intelligent driving technology architecture for autonomous-rail rapid tram

車輛端的底層為具備線控轉向/牽引/智慧功能的車體，其次是用于運行智能駕駛軟件的CPU/GPU硬件計算平臺，之后是用于探測車輛運行過程中外部環(huán)境的各類先進傳感器，最上層則是核心的傳感器信息處理、駕駛決策、運動規(guī)劃與控制等算法軟件。地面端實現通信系統(tǒng)（包含有線通信系統(tǒng)和基于5G和V2X技術的無線通信系統(tǒng)）、調度指揮系統(tǒng)、信號系統(tǒng)和大數據后端平臺等多個子系統(tǒng)的深度集成，各系統(tǒng)共享數據、高效聯(lián)動。通過車輛端和地面端的配合，使得智軌快運系統(tǒng)兼容專用路權與混合路權運行模式，能夠在各種場景下實現道口信號優(yōu)先、虛擬道岔、移動路權的最優(yōu)配置，使車輛通行效率最大化。此外，架構中還考慮了針對駕駛員的手動駕駛模式（即使車輛達到了高等級的智能駕駛水平，人工介入和駕駛能力仍然是必須保留的），以及針對乘客的多模態(tài)人機交互能力，以提升駕駛及乘坐體驗。

智能駕駛技術架構需要一系列基礎性的智能化技術支撐，其中具有代表性有環(huán)境感知、決策控制、人機交互和硬件平臺這4大關鍵技術。

2 環(huán)境感知技術

近年來，新型傳感器（如激光雷達、毫米波雷達）技術[1-3]及環(huán)境感知算法（如多維異質傳感器信息融合理論）[4-5]發(fā)展迅速，為全天候、全方位的精準智軌電車環(huán)境感知系統(tǒng)進一步發(fā)展奠定了良好基礎。

2.1 新型激光雷達的應用

激光雷達一種是以發(fā)射激光束探測目標的位置、速度等特征量的雷達系統(tǒng)，近幾年其應用從軍用領域逐漸轉入到民用領域，被認為是各行業(yè)的關鍵傳感技術，目前其在機器人、無人駕駛、定位導航、空間測繪、智慧城市等領域充當著推動者的角色。

激光雷達的優(yōu)點是分辨率高、測距精度高、抗有源干擾能力強、探測性能好、不受光線影響、體積小、質量輕。在智能駕駛領域，激光雷達主要以多線數的為主，有多種技術路線，其類型主要分為機械式、微鏡掃描（micro-electro-mechanical system，MEMS）式、光學相位陣列（optical phased array，OPA）式以及Flash式4種。基于激光雷達的環(huán)境檢測流程包括雷達點云融合、噪點濾波、降采樣、點云聚類及目標跟蹤5個步驟（圖2）。

圖2 激光雷達環(huán)境檢測流程Fig.2 Lidar environmental detection process

根據圖2所示步驟檢測，不僅可準確獲取智軌電車前方每個目標的位置、速度及尺寸等信息，對障礙物進行持續(xù)跟蹤，而且還可以配合慣導系統(tǒng)建立基于激光雷達高精度點云的離線地圖，并根據實時點云數據進行匹配，實現車輛橫向和縱向的精確定位，用于車輛實時導航以及進出站定點定位。采用激光雷達感知車輛前方障礙物信息，其可視化的檢測結果如圖3所示。

圖3 激光雷達障礙物檢測效果Fig.3 Lidar obstacle detection effect

2.2 遠距離毫米波雷達定制化

毫米波雷達是一種用于測量被測物體相對距離、相對速度和方位的高精度傳感器。與激光雷達類似，毫米波雷達早期被應用于軍事領域，近幾年才開始被應用于汽車電子、無人機及智能交通等領域。

由于現有商業(yè)化雷達的性能難以滿足軌道車輛運行的安全需求，因此需要對雷達進行定制化開發(fā)。定制化的遠距離毫米波雷達能對車輛前方界限內的異物進行全天時、全天候地監(jiān)測，實現長距離（最大探測距離可達400 m）、高分辨（距離分辨率可達 0.2 m、方位角分辨率可達0.3°）的檢測并告警。毫米波雷達檢測效果如圖4所示，其中紅框1所示為遠離的人，紅框2所示為遠離的汽車。

圖4 遠距離毫米波雷達檢測效果Fig.4 Long-range millimeter wave radar detection effect

2.3 激光雷達的建圖與定位

基于激光雷達的同時建圖與定位（simultaneous localization and mapping，SLAM）[1-2]是當前智能駕駛領域技術熱點，但是該技術僅適用于空間較小且運行線路閉合的場景（地下車庫、車間等），適于智軌電車進站停車場景下應用。

目前基于激光雷達建立離線地圖的方案主要分為兩類：一類是網格化地圖，如基于OctoMap和MVOG等構建的地圖，見圖5 (a)；另一類則直接以三維激光點云構建高精度地圖，見圖5(b)。地圖網格化會帶來點云精度的損失；而直接以三維激光點云構建地圖方法其精度高，但會帶來運算量的增加。目前基于離線地圖的匹配定位算法主要分為基于動靜態(tài)濾波模型的融合定位算法、基于高斯混合模型地圖的融合定位算法以及基于特征地物地圖的融合定位算法?；趧屿o模型的定位方法其點云匹配精度低；基于高斯混合模型地圖的定位方法只有在建圖與定位過程中使用同樣的激光掃描儀才能發(fā)揮較好效果；基于特征地物地圖的融合定位方法計算量大，需要采取各種措施來減少運算量。

圖5 離線地圖Fig.5 Of fl ine map

在智軌電車的環(huán)境感知系統(tǒng)中，為了獲取更高的定位精度，建立基于三維點云的高精度地圖，更加適合采用基于特征地物地圖的融合定位算法，其具體匹配定位流程如圖6所示。首先通過高精度激光掃描設備對智軌電車運行路線環(huán)境進行數據采集并通過離線數據處理的方式構建結構化的高精度點云地圖；其次在車輛上安裝商用激光雷達，在運行過程中通過實時獲取的激光雷達點云進行特征提??；最后將實時提取的特征與離線的高精度點云地圖進行匹配。

圖6 基于特征地物地圖的融合定位算法Fig.6 Fusion localization algorithm fl ow based on object feature map

2.4 多源感知融合技術

多源傳感器融合可以彌補單一傳感器的不足，取長補短，達到較好的綜合感知效果[3-4]。針對障礙物檢測，國內外比較常用的傳感器融合方式有激光雷達與機器視覺的融合、毫米波雷達與機器視覺的融合、毫米波雷達與超聲波雷達及機器視覺三者間的融合等。圖7為未來擬采用的多傳感器及其布置示意；圖8為多源融合流程，主要包括數據的采集、配準、關聯(lián)及融合等，最終得到置信度高的目標特征和狀態(tài)信息。

圖7 智軌電車傳感器布置示意Fig.7 Sensor layout for autonomous-rail rapid tram

圖8 智軌電車多源融合流程Fig.8 Multi-source fusion process for autonomous-rail rapid tram

3 決策控制技術

決策控制是環(huán)境感知的后續(xù)環(huán)節(jié)，其涉及駕駛行為決策、局部行駛軌跡規(guī)劃、列車行駛縱向車速規(guī)劃及滾動時域優(yōu)化控制等問題。其中，行為決策和運動規(guī)劃系統(tǒng)作為整個系統(tǒng)的核心模塊，直接影響駕駛安全性、舒適性以及運行效率。運動規(guī)劃不僅需要結合全局規(guī)劃的引導信息和行為決策信息，而且還需實時地考慮環(huán)境避障約束、車輛模型約束和控制輸入約束等問題。

3.1 駕駛行為決策

駕駛行為決策在整個智能駕駛過程中扮演著“副駕駛”的角色[6]。它實時地利用環(huán)境感知、導航定位、全局任務等信息進行判斷和決策，得到車輛在特定場景下的行為決策命令（如自由行駛命令、跟車命令等），保證車輛運行安全。典型的決策場景包括橫向決策場景和縱向決策場景，其中橫向決策場景可分為本車道限界內避讓和臨時跨車道外借道行駛等，縱向決策場景可分為自由行駛、跟車行駛、路口通行、等待、碰撞防護、進站、出站及定點停車等。

3.2 橫向運動規(guī)劃與控制

雖然智軌電車在固定線路運行時無需進行全局路徑規(guī)劃，但智能駕駛領域中的全局路徑規(guī)劃技術（特別是其曲線平滑技術）可指導數字軌道標線的設計，滿足車道限界及曲率連續(xù)等約束，從而確保橫向控制精度。此外，還需考慮車道邊緣存在障礙物和車道內占道等場景，并規(guī)劃車道內避讓和車道外借道臨時避免碰撞的局部路徑，以保證行車安全。當車輛偏離全局路徑較大時，需要規(guī)劃從車輛當前位置到全局路徑上的光滑局部路徑；當列車經過主線路與支線分道岔點時，需要平滑完成“變軌”動作。因此，未來智軌電車將借用全局路徑規(guī)劃技術來補缺局部軌跡規(guī)劃功能。

局部軌跡規(guī)劃的目的是生成車輛后續(xù)有限時域內的可執(zhí)行軌跡，保證車輛沿著參考路徑行駛，同時考慮避障約束、上層行為規(guī)劃命令等[7]。針對運行的結構化道路環(huán)境，擬采用基于狀態(tài)采樣的軌跡規(guī)劃算法，考慮道路幾何形狀、車輛運動學、靜態(tài)障礙物和動態(tài)物體避障等約束，利用激光雷達、攝像頭和RTK-GPS/IMU定位3種模式的導航信息，結合地面調度信息完成局部軌跡規(guī)劃（圖9），其車輛坐標系下局部軌跡規(guī)劃的軌跡線方程如下：

式中：a0,a1,a2,a3,a4——五次多項式系數。

圖9 智軌電車局部軌跡規(guī)劃Fig.9 Local trajectory planning for autonomous-rail rapid tram

隨著智軌電車逐步向全自動化發(fā)展，未來還將研究虛擬道岔技術（圖10），以兼顧道口、出入庫等場景。

圖10 智軌電車虛擬道岔Fig.10 Virtual switch for autonomous-rail rapid tram

3.3 縱向運動規(guī)劃與控制

縱向速度規(guī)劃考慮車輛準點運行約束、道路條件約束和車輛動力學約束，規(guī)劃從運行起點到運行終點的速度曲線，保證乘坐舒適性、準點運行及燃油經濟性等目標的實現。綜合考慮障礙物信息和站點信息，并根據列車行駛路徑和駕駛決策，將速度規(guī)劃問題轉化為帶約束非線性最優(yōu)控制問題[8]：

式中：t為時間變量；x(t)為系統(tǒng)的狀態(tài)向量；x(u)為控制向量；p為輸入參數向量；t0為初始時刻；tf為終止時刻；x0為t0時刻狀態(tài)向量值；ul為控制向量下界值；uu為控制向量上界值；pl為輸入參數向量下界值；pu為輸入參數向量上界值；J為目標函數（包含終端項Φ0[x(tf),p]和積分項）；x(t0)=x0為狀態(tài)向量初始值等式約束；為第i個約束的終值泛函；Li為第i個約束的過程泛函；i=1, 2, …,m1為m1個等式約束；為m2個不等式約束，i=m1+1,m1+2, …,m1+m2；ul≤u(t)≤uu為控制向量上、下界不等式約束；pl≤p≤pu為輸入參數向量上、下界不等式約束；t0≤t≤tf為時間變量上、下界不等式約束。

列車縱向速度規(guī)劃將預先在仿真環(huán)境中進行定性和定量研究，以分析碰撞避免、列車行駛穩(wěn)定性和乘坐舒適性等關鍵因素對局部行駛軌跡規(guī)劃和駕駛決策的影響。圖11示出智軌電車縱向速度規(guī)劃示意。

圖11 智軌電車縱向速度規(guī)劃Fig.11 Longitudinal velocity planning for autonomous-rail rapid tram

智軌電車采用滾動時域優(yōu)化控制方法[9]進行縱向速度跟蹤（圖12），其考慮多變量約束，輸出期望加速度或者減速度，然后再根據逆向動力學模型將期望加速度轉換為可被驅動牽引、制動控制系統(tǒng)執(zhí)行的牽引或制動級位，從而實現對列車縱向車速的控制。

圖12 滾動時域優(yōu)化控制原理Fig.12 Optimal control principle of rolling time domain

3.4 多學科仿真

智軌電車智能駕駛涉及車輛動力學、控制、圖像、雷達等多學科仿真。在決策控制開發(fā)模式方面，未來將對運動規(guī)劃和運動控制模塊引入成熟先進的V型正向開發(fā)流程。首先進行系統(tǒng)功能設計，通過模型在環(huán)(MIL)驗證算法的可行性；然后進行目標代碼生成軟件在環(huán)(SIL)和處理器在環(huán)（PIL），驗證代碼質量；最后再采用硬件在環(huán)（HIL）仿真驗證實際控制器/箱。采用上述V型開發(fā)流程，可縮短產品研發(fā)周期，在開發(fā)早期減少/消除可能的錯誤及缺陷，節(jié)省開支，提高對新需求的響應與適應性等。

快速控制原型（RCP）將采用Speedgoat實時目標機模擬控制器，提供從Matlab和Simulink離線仿真到自動生成代碼并下載，實現對軟件的快速測試和調整，其測試原理如圖13所示。

圖13 快速控制原型（RCP）測試原理Fig.13 RCP test principle

HIL分為4部分（圖14），其中Nuvo 6108GC軟件用于運行感知和決策，Speedgoat軟件用于運動控制，dSPACE用于進行車輛動力學實時仿真，Prescan/VTD用于模擬道路場景以及傳感器，如圖14所示。

圖14 HIL測試平臺Fig.14 HIL testing platform

4 人機交互技術

目前，智軌電車主要圍繞顯示器和智能人機交互硬件計算平臺開展圖像和語音交互技術的研究。

4.1 圖像交互技術

針對駕駛員的行為規(guī)范、疲勞狀態(tài)、身份驗證等圖像識別需求，依托智能人機交互硬件計算平臺，自主研發(fā)基于深度學習的疲勞監(jiān)測、人臉識別、抽煙和打電話行為檢測等功能[10-11]，各種環(huán)境下的綜合準確率大于90%，達到國內先進水平。圖15示出司機疲勞監(jiān)測顯示界面。未來，智軌電車的圖像交互技術將從傳感器、算法二個維度進行提升，拓展應用場景。

在傳感技術方面，將引入遠紅外熱成像、3D雙目攝像頭等先進傳感器，在傳統(tǒng)二維光學圖像基礎上，獲取場景深度、溫度等信息，為司乘人員生理狀態(tài)監(jiān)測提供新的依據，為復雜場景語義理解提供額外的輔助信息。

在算法方面，跟蹤最新的3D目標檢測[12]、像素級的目標跟蹤、姿勢識別[13]、視頻序列行為識別等先進深度學習圖像識別算法[14]，提升光線多變、識別目標遮擋、可視環(huán)境退化等挑戰(zhàn)情景下算法的魯棒性和準確率，為實際場景的算法落地打下基礎。

圖15 司機疲勞監(jiān)測Fig.15 Driver fatigue monitoring

4.2 語音交互技術

語音交互是近年來新興的人機交互技術。目前在智軌電車上已初步實現語音喚醒、語音識別和語音合成的全流程語音交互功能（圖16）。在語音喚醒階段，車載顯示設備在工作狀態(tài)下全程監(jiān)測司機聲音，一旦檢測到設定喚醒詞，即刻讓設備直接進入等待識別狀態(tài)，開啟語音交互第一步。在語音識別和合成階段，司機對顯示設備說出操作指令（即“命令詞”），設備隨即做出相應的反饋；與此同時，語音合成功能也給顯示器配上了“嘴巴”，它能提供多種特色的人聲發(fā)音供選擇，其合成音在音色、自然度等方面的表現均接近人聲。該語音交互系統(tǒng)為司機提供良好的交互體驗，車載環(huán)境下其綜合識別率不小于85%，達到目前國內領先水平。

圖16 語音人機交互功能組成Fig.16 Function composition of human-computer voice interaction

未來，智軌電車的語音交互技術將會向語音降噪、語義理解和聲紋識別等方向發(fā)展。語音降噪方面，將結合司機室及乘客區(qū)域實際噪聲環(huán)境特征，開發(fā)具有多噪聲環(huán)境下魯棒性的分布式語音降噪軟硬件模塊，為語音識別提供品質良好的音頻信息輸入信息。語義理解方面，將結合司機室及乘客區(qū)域的語音交互需求，例如導航、通信、影音娛樂等，提供更加豐富、靈活、自適應能力強的語義表達及對話策略；并配合使用語音識別及合成技術，達到更加自然流暢的人機對話體驗效果[15-16]。聲紋識別方面，將結合其他生物識別方式進行司機身份驗證，通過抽取說話人語音中的聲紋特征與已登記的聲紋模型進行比較，對司機進行身份校驗和鑒別，實現“一對一驗證”，從而提高身份識別的準確性。

4.3 多模態(tài)交互技術

針對智軌電車，其人機交互技術目前主要研究圖像交互和語音交互；未來，智能人機交互系統(tǒng)將打通車載平臺、邊緣計算、深度學習等關鍵環(huán)節(jié)，實現人機交互技術的車地聯(lián)通化和標準化。在交互方式上，人機交互技術將向多模態(tài)交互方式演進，通過文字、語音、視覺、動作、環(huán)境等進行多感官融合發(fā)展。因此，在圖像和語音識別技術基礎上，引入智能穿戴（手環(huán)、VR眼鏡、降噪耳麥等），實現多維度的生理狀態(tài)監(jiān)測、手勢交互[17-18]、增強現實互動、裸眼3D顯示等多模態(tài)交互技術，如圖17所示。

圖17 多模態(tài)交互方式Fig.17 Multi-mode interaction

5 硬件平臺技術

智軌電車目前直接采用符合軌道交通標準的嵌入式觸摸屏顯示器以及G300系列機箱作為硬件計算平臺。

5.1 大屏顯示

一體化大屏已成為當前高端車輛的主流顯示交互平臺。針對智軌電車，專門設計了雙屏融合的一體化大屏（圖18），系統(tǒng)具備雙冗余功能，通過自診斷和互診斷技術，使兩套系統(tǒng)獨立工作、互不干擾。同時，采用支持雙屏獨立顯示的大尺寸、條形液晶面板和電容觸摸屏，其分辨率可達2 560×1 024，畫面清晰，交互靈敏，可滿足多樣化的應用需求。

圖18 雙屏融合的一體化大屏Fig.18 Integrated large screen with dual-screen

未來，智軌電車將采用三屏融合的一體化大屏（圖19）顯示代替?zhèn)鹘y(tǒng)的三屏（網絡屏幕、信號屏幕、監(jiān)控屏幕）獨立顯示，讓司機控制臺更加簡潔、美觀；同時也將搭配語音交互及圖像處理功能，實現“能聽會說、能看會認”，大幅提升了用戶體驗。

圖19 未來智軌電車司機控制臺Fig.19 Driver, s console for future autonomous-rail rapid tram

5.2 HUD顯示

抬頭顯示器(head up display, HUD)是一種將信息投射在駕駛員前方玻璃上的顯示技術，于20世紀80年初開始從航空領域被引入應用到汽車領域，其可改變“抬頭看路、低頭看屏”的駕駛現狀，極大地提升司機駕駛安全性。智軌電車車體長、行車環(huán)境復雜、駕駛難度大，因此HUD的應用非常有意義。

目前在汽車領域，批量裝車的HUD產品（圖20）主要是針對轎車應用而開發(fā)的，主要有C（組合鏡）型和W（風擋）型兩種，且大多采用薄膜晶體管（thin fi lm transistor, TFT）技術，支持關鍵行車信息、導航信息和部分多媒體功能的顯示，虛像成像距離大約在司機前方3~5 m，圖像尺寸較小；而基于數字光處理(digital light procession, DLP)技術，HUD可實現更大的視場角和更遠的虛像成像距離。針對智軌電車，將基于DLP技術研制W型HUD，實現智軌電車HUD從無到有的突破；而開展新的光學方案研究設計，則需解決風擋玻璃角度大、玻璃厚、安裝位置遠以及重影等與小轎車有差異的光學設計難題。

圖20 HUD顯示Fig.20 HUD Display

5.3 計算平臺

計算平臺一直向著更高性能處理器、更大內存、更快內部通信速度的方向發(fā)展。面向智軌電車智能駕駛設計的計算平臺分為模塊式和機箱式兩種。

模塊式計算平臺（圖21）采用模塊化設計，外形小巧，穩(wěn)定性好，主要用于圖像和語音等的智能識別。該平臺支持Nvidia Jetson Xavier模塊和Nvidia Jetson TX2模塊，整機通過以太網通信、USB通信、視頻通信、音頻通信、存儲單元、無線通信、4G擴展及藍牙等接口，實現數據的采集、處理及交互。

圖21 模塊式計算平臺Fig.21 Modular computing platform

機箱式智能計算平臺（圖22）采用具有智能融合特征的“車腦系統(tǒng)”作為列車控制平臺，平臺基于人工智能、5G、時間敏感網絡(TSN)等新型的信息通信技術，實現對現有分散控制系統(tǒng)的融合。

圖22 機箱式計算平臺Fig.22 Box-type computing platform

6 結語

本文基于智能化新技術快速發(fā)展的現狀，概述了以智軌電車為基礎、同時兼顧車輛端和地面端的智能駕駛技術框架，并重點闡述了環(huán)境感知、決策控制、人機交互以及硬件平臺4大關鍵技術的發(fā)展和應用趨勢，為智軌電車的車型研發(fā)與改進提供了參考依據。