面向車路群智協(xié)同的運營測試融合體系

吳靜媛，孫 亮，楊 樹，李 巖

(中國交通信息科技集團有限公司 綜合交通運輸大數(shù)據(jù)處理及應(yīng)用技術(shù)交通運輸行業(yè)研發(fā)中心，北京 100035)

0 引言

當前群體智能正在從狹義向廣義業(yè)態(tài)擴展。狹義的群體智能[1-5]思想是，依賴個體簡單智能的互動可以使群體表現(xiàn)出超常的智能行為，多用于大型系統(tǒng)中分布式計算與決策問題，形成高魯棒性、低復(fù)雜度的智能控制能力，提高系統(tǒng)運轉(zhuǎn)效率。廣義的群體智能繼承了狹義群體智能的內(nèi)涵并擴展了外延，目的是通過泛在的、異質(zhì)的智能體交互，進一步支撐大規(guī)模物聯(lián)感控、開放的端邊云智能協(xié)同、情景感知的個性化服務(wù)等新模式、新業(yè)態(tài)在交通、電信、能源等垂直行業(yè)應(yīng)用[6-9]。

車路群智協(xié)同是未來的發(fā)展趨勢。依托5G/C-V2X技術(shù)體制，車路協(xié)同[10-12]通過車-路-云數(shù)據(jù)交互與行為交互，在全時空動態(tài)交通信息采集與認知，支撐泛在的智能體在不完備信息情形下的多角色交互式?jīng)Q策優(yōu)化[13]。車路協(xié)同需要進行海量的測試，傳統(tǒng)單體或設(shè)備級別測試平臺無法對其中存在通信、計算、感知和控制等多體交互耦合的復(fù)雜工程問題進行驗證優(yōu)化，更無法滿足包含大規(guī)模實體交互的持續(xù)測試的需求。群智協(xié)同具有去中心化、低復(fù)雜度、資源融合開放和高可靠性等特點，可進一步推動車路協(xié)同大規(guī)模測試。

面向車路群智協(xié)同的測試需要重點考慮運營痛點。車路協(xié)同測試中存在沖突分布較廣、通信交互不確性較高、控制施效手段單一和認知決策難度較大等問題，常使測試中斷，嚴重影響測試效率和效益。究其根本是因為泛在的車路協(xié)同要素之間關(guān)聯(lián)耦合帶來的多樣性和不確定性。因此有必要利用群體智能的相關(guān)成果，研究不完備信息情形下的對場景的認知、評價、預(yù)測和控制等問題，解決整個體系運營的痛點，實現(xiàn)車路協(xié)同的持續(xù)運營和持續(xù)測試的融合。

1 需求分析及研究目標

鑒于業(yè)界尚無成熟的、面向車路群智協(xié)同的運營測試體系，針對性地對該體系進行研究。

1.1 車路群智協(xié)同的特點

從物理交互上看，車路群智協(xié)同的參與要素多元交織。車路群智協(xié)同需要處理交通環(huán)境中多元的參與要素，包括不同拓撲的道路、不同智能程度的車輛和不同的人員裝置等。參與者的出行功能或需求各不相同、交錯重疊，不可避免地在某一時空交匯共存，使得潛在協(xié)同的群體的規(guī)律難以準確認知，又難以有效控制。

從設(shè)備交互上看，車路群智協(xié)同所需設(shè)備豐富?；A(chǔ)設(shè)施數(shù)字化和智能化[14-15]將在路側(cè)帶來功能和體制各異的設(shè)備及終端。路側(cè)設(shè)備的互聯(lián)本身需要各種異構(gòu)網(wǎng)絡(luò)設(shè)備的互聯(lián)互通，網(wǎng)絡(luò)鏈路的不同質(zhì)量也影響路面設(shè)備的表現(xiàn)。因此，車路群智協(xié)同所包含的感知、通信、計算的設(shè)備或終端構(gòu)成極為豐富，數(shù)據(jù)交互還受到通信鏈路的約束，增加了互聯(lián)互動的復(fù)雜度。

從行為交互上看，車路群智協(xié)同中具有智能異質(zhì)跨層的特點。智能邏輯實體廣泛存在于設(shè)備層、通信層、平臺層和應(yīng)用層中，智能邏輯實體的智能程度或?qū)崿F(xiàn)方式各不相同，大量異質(zhì)智能交互常常面臨跨層交互的需求。因此智能體的行為需要具備互操作性，支撐智能體行為上的去中心化的協(xié)同。

1.2 車路群智協(xié)同運營測試中存在問題

多元混行風險因素多，運行過程中難以集中協(xié)調(diào)。多元混行的元素包括了普通車、網(wǎng)聯(lián)車、各種等級的自動駕駛車、路面裝置和路面人員等。這些元素在某些情況下相互依賴，例如自動駕駛車在某些測試場景下需要移動道具和現(xiàn)場操作人員配合呈現(xiàn)測試場景；有時候又相互排斥，例如高速環(huán)路測試行駛要求車道的獨占性，其他車輛人員不得進入車道。由于交通活動的動態(tài)性和分散性，風險在交通活動中多元混行狀況不可避免，因此風險源頭廣泛動態(tài)存在，相關(guān)安全問題難以通過集中式的機制及時發(fā)現(xiàn)或消除。

路云通信具有不確定性，場景呈現(xiàn)的可靠性難以提高。車路協(xié)同的車-路交互的確定性可通過5G解決，但對于路-云交互的確定性保障方法還沒有形成成熟的方法。5G/C-V2X從空口通信協(xié)議觸發(fā)，解決的車輛到路側(cè)的接入問題，可以保障車路交互的實時性和可靠性。車路群智協(xié)同不僅需要用移動通信網(wǎng)絡(luò)從車輛等移動終端收發(fā)信息，也需要用固定網(wǎng)絡(luò)從路側(cè)各類設(shè)備收發(fā)信息[16-17]?，F(xiàn)有的傳統(tǒng)固定網(wǎng)絡(luò)并不能保證路-云交互的實時性和可靠性。因此，測試過程中的貫穿“端-路-云-路-端”的通信質(zhì)量不能確定，測試場景呈現(xiàn)的可靠性難以提高。

多元混行導致調(diào)控應(yīng)變能力差，場地運營測試的效率難以提升。由于多元混行的原因，調(diào)控引導措施往往無法有效觸達各種元素。例如，手機App可以對人員進行引導，路側(cè)情報板可以對普通車司機進行引導，5G/C-V2X技術(shù)可以對網(wǎng)聯(lián)車發(fā)送調(diào)控信息。各種元素對于調(diào)控信息的響應(yīng)情況也不盡相同，有的接受調(diào)控，有的不愿接受，有的可能因為現(xiàn)場特殊情況而無法執(zhí)行。多元混行帶來不確定性使各種力量無法達成統(tǒng)一協(xié)調(diào)應(yīng)變，運營和測試中的通行效率始終無法實現(xiàn)預(yù)定的優(yōu)化。

1.3 研究目標

運營和測試融合的車路群智協(xié)同具備物理參與要素多、設(shè)備交互豐富和異質(zhì)智能跨層交互的特點，從而帶來了沖突分布較廣、通信不確性較高和控制應(yīng)變能力差等問題。其根本是因為泛在的感知、施效、控制等智能體的關(guān)聯(lián)耦合帶來的多樣性和不確定性。傳統(tǒng)的集中式協(xié)調(diào)架構(gòu)不能很好地應(yīng)對其所帶來的海量通信和計算負載，因此有必要基于去中心化的群體智能的架構(gòu)的相關(guān)成果，研究不完備信息情形下的車路群智協(xié)同體系，以泛在的“群智”應(yīng)對車路協(xié)同環(huán)境中的種種挑戰(zhàn)。

具體分為以下4個研究目標：

邊云協(xié)同的多模態(tài)感知體系，支撐持續(xù)泛在感知。研究云端-邊緣的算力支持的AI感知模型，對視頻圖像、雷達點云和聲音序列等進行解析識別，獲取高密度結(jié)構(gòu)化信息。同時支持在云端智能的深度解析或在邊緣智能實時解析。邊云協(xié)同形成數(shù)據(jù)閉環(huán)，支持智能體的持續(xù)訓練提升。

對混行現(xiàn)象進行智能體聯(lián)合量化認知，利用規(guī)律重點管控。對混行現(xiàn)象采用解構(gòu)建模方法進行研究，通過智能體一致性計算，實現(xiàn)對靜態(tài)畫像和動態(tài)模型相結(jié)合的混行交通態(tài)勢認知分析，掌握群體演化規(guī)律，支撐測試和運營優(yōu)化。

對交通對象聯(lián)動式引導控制，提升實施效果。通過群體智能對交通流、數(shù)據(jù)流和操作流進行聯(lián)合優(yōu)化，對不同情景下交通智能體差異化引導方法進行研究，研究資源協(xié)同控制、服務(wù)協(xié)同控制、車路協(xié)同控制和人車協(xié)同控制等，形成情景化、層次化和模塊化的施效體系。

通信不確定性感知的服務(wù)交互優(yōu)化，保障服務(wù)可靠性?？紤]車-路、路-云交互中多種智能體之間存在通信不確定因素，對車路群智協(xié)同可靠服務(wù)選擇與提供機制進行研究，完成可靠性約束下的智能體交互服務(wù)。

2 面向車路群智協(xié)同的運營測試體系

2.1 體系架構(gòu)

業(yè)界已有的車聯(lián)網(wǎng)群體智能的體系架構(gòu)[6]如圖1所示，它從群體智能出發(fā)，理清了群體協(xié)同的個體模型和群體模型、計算空間和物理空間的關(guān)系，具備較強借鑒意義。

圖1 面向群智計算的車聯(lián)網(wǎng)體系架構(gòu) Fig.1 Architecture of Internet of Vehicles for swarm intelligence computing

本文基于該體系架構(gòu)提出了圖2所示的面向車路群智協(xié)同的運營測試融合體系。在泛在智能的趨勢下，體系中的設(shè)備層、通信層、平臺層和運營測試層均有智能存在，智能交互層為這些異質(zhì)智能體提供跨層交互平臺，以群智協(xié)同的方式滿足運營測試中的風險消解、效率提升和可靠性提升等需求。

圖2 面向車路群智協(xié)同的運營測試融合體系Fig.2 Operation and test integrated architecture for vehicle-road swarm intelligence coordination

2.1.1 設(shè)備層

設(shè)備層為車路群智協(xié)同運營測試提供智能的設(shè)備環(huán)境。主要包括終端設(shè)備、網(wǎng)絡(luò)設(shè)備及主機存儲設(shè)備，實現(xiàn)系統(tǒng)中感知、接入、計算和存儲等能力。終端設(shè)備主要包括感知類設(shè)備和引導控制類設(shè)備。感知設(shè)備主要包括高清攝像頭、激光雷達、毫米波雷達和小型氣象站等智能終端；引導控制類設(shè)備包括路側(cè)情報板、車載OBU、路側(cè)可變標志、交通信號燈、道釘，以及移動手機等可對駕駛員與乘客進行多媒體信息引導的終端。

2.1.2 通信層

通信層為車路群智協(xié)同運營測試提供智能的通信管道。主要包括5G，4G-LTE，C-V2X，DSRC，TSN等有線或無線的網(wǎng)絡(luò)，用以支撐信息滿足業(yè)務(wù)需求的通信傳輸，包含終端-路側(cè)通信傳輸和路側(cè)-云端的通信傳輸。通信層中，智能體可能以代碼或者人類操縱的形式存于通信設(shè)備中，提供智能柔性的網(wǎng)絡(luò)配置或網(wǎng)絡(luò)傳輸能力。

2.1.3 平臺層

平臺層為車路群智協(xié)同運營測試提供智能數(shù)據(jù)處理服務(wù)，提供包括數(shù)據(jù)匯聚、融合、監(jiān)測、分析和預(yù)測等相關(guān)功能。運行監(jiān)測模塊取用路側(cè)設(shè)備、移動終端的感知數(shù)據(jù)，計算交通指標、態(tài)勢，并可通過模式識別自動偵測事件。分析預(yù)測模塊通過特定主題的數(shù)據(jù)積累挖掘，形成對目標的完整刻畫，發(fā)現(xiàn)車輛行駛、路面態(tài)勢和設(shè)備壽命等規(guī)律。施效觸達模塊對物理場景進行重建，對場景的態(tài)勢進行預(yù)測推演預(yù)判重大事故事件，支撐后續(xù)控制決策。處置施效模塊根據(jù)場景的復(fù)雜度，生成合適的施效策略和施效途徑，使決策觸達執(zhí)行器。

2.1.4 智能交互層

智能交互模塊為運營測試中各種智能提供交互平臺，通過智能體交互總線技術(shù)，將設(shè)備層、通信層、平臺層和應(yīng)用層中的機器或人類智能映射至智能交互層，實現(xiàn)將跨層的智能體統(tǒng)一納入交互平臺管理，支撐智能體之間邏輯上的通信與交互，最終實現(xiàn)群體智能去中心化的自主協(xié)同?？梢蕴峁┲悄荏w辨識和標記功能，提供基礎(chǔ)的身份管理、行為畫像、沖突消解和反饋學習等智能體交互基礎(chǔ)服務(wù)，實現(xiàn)整個環(huán)境中智能體邏輯上的通信與交互。反饋學習模塊使用人工評價或自動評價體系，對智能體在某次任務(wù)中的響應(yīng)度和成本、魯棒性等進行評估，并根據(jù)評估結(jié)果反向優(yōu)化決策器，支撐整個運營測試系統(tǒng)不斷學習升級。

2.1.5 運營測試層

運營測試層基于智能交互層提供的群體協(xié)同認知、決策、協(xié)調(diào)等智能能力，適配具體業(yè)務(wù)邏輯，通過二次開發(fā)輸出車路協(xié)同運營測試的服務(wù)矩陣，可提供路面緊急事件提醒及響應(yīng)、交通流協(xié)調(diào)疏導、行車安全管控、事故協(xié)同救援和環(huán)境協(xié)同感知等同運營測試場景，實現(xiàn)“運測融合，以用代測”。

2.2 關(guān)鍵技術(shù)

2.2.1 基于動態(tài)知識圖譜的測試與運營評價

車路協(xié)同相關(guān)測試可根據(jù)技術(shù)階段大致分為技術(shù)研發(fā)測試、產(chǎn)品研發(fā)測試和成套測試；技術(shù)研發(fā)測試是對車路協(xié)同中單個技術(shù)進行獨立測試，主要用于驗證技術(shù)可行性；產(chǎn)品研發(fā)測試是對車路協(xié)同中某個系統(tǒng)進行完整的功能性能測試，主要用于驗證產(chǎn)品在期望環(huán)境中的可用性；成套測試從整個系統(tǒng)運行的角度，對所用到的各個組件、各個層面功能所組成的整體功能性能進行使用和問題反饋。測試內(nèi)容可包括微觀車車安全交互、中觀超視距車道引導、宏觀交通流引導等一系列涉及的場景。這種情況下，所關(guān)心的主要測試指標也從單個設(shè)備或單體系統(tǒng)指標擴展到整個交通系統(tǒng)的指標。不同層面的車路群智協(xié)同測試所關(guān)心的評價指標如表1所示。

表1 車路群智協(xié)同測試評價指標舉例

由于車路群智協(xié)同具有動態(tài)性、復(fù)雜性和泛在性等特點，使用傳統(tǒng)的逐層抽取計算的方法來獲取評價指標將帶來處理效率低、數(shù)據(jù)不一致和數(shù)據(jù)不完備等問題，基于群體的協(xié)作完成對整個環(huán)境的融合認知和評價是更合適的方法。該方法使智能體將局部獲取的歷史信息形成局部知識圖譜，建立知識圖譜的動靜態(tài)數(shù)據(jù)分離、增量更新的機制。再對局部融合后全局知識圖譜的分析挖掘，得到合適的評價指標。

車路群智協(xié)同測試指標，是對上述全局圖譜信息進行采集和認知，計算得出的表征整個體系測試有效性及效率的指標。其中包括場景覆蓋率、場景呈現(xiàn)率、群體配合準確度、測試場景鏈連續(xù)度、群體測試吞吐量、系統(tǒng)漏洞收斂度等新型指標。這些指標越好，說明車路群智協(xié)同的測試越有效。

車路群智協(xié)同運營指標，是對上述全局圖譜信息進行采集和認知，計算得出的表征整個體系運行的健壯度的指標。其中包括群體沖突預(yù)消解率、群體事件自恢復(fù)率、群體的時空均衡度和群體環(huán)境信息完整度等。這些指標越好，說明車路群智協(xié)同的運行越穩(wěn)定越有效。二者的組合情況如表2所示。

表2 車路群智協(xié)同中運營與測試指標組合及其含義

當車路群智協(xié)同運營指標較好但測試指標較差時，說明當前測試工作的廣度、深度和強度不夠。當車路群智協(xié)同測試指標較好但運營指標較差時，說明當前配套的后勤運營體系無法支撐測試體系高效工作，測試效率受到運營效率的制約。敏感健壯的評價方法可以反映各智能體的協(xié)同程度、運營與測試的能力匹配程度，是推動車路群智協(xié)同突破當前技術(shù)階段的關(guān)鍵技術(shù)。

2.2.2 融合通信與計算情景感知提供可靠服務(wù)

車路協(xié)同的感知渠道已經(jīng)從依賴單一模態(tài)的感知(如視頻攝像頭、雷達等)轉(zhuǎn)變?yōu)橐蕾嚫鼜V泛的無線信號(如 5G，V2X，GPS，RFID 信號等)和手機終端的交互信息，從更多維度實現(xiàn)對車輛和人的感知。將感知的簡單屬性(如目標位置、移動軌跡和通信質(zhì)量等)轉(zhuǎn)變?yōu)楦扒榫盎钡奶卣骱鸵蛩?，通過情景推理引擎實現(xiàn)對人車、交通和通信的復(fù)雜情境推理，生成當前復(fù)雜情景下云控平臺的響應(yīng)模式和服務(wù)策略。

在復(fù)雜情景中，需要重點關(guān)注通信和計算情景。傳統(tǒng)情景感知主要面向純信息空間的“情景”，包含對周圍車輛、天氣、行人等系統(tǒng)“外部元素”的表征。但車路協(xié)同群智服務(wù)平臺是一個信息世界和物理世界融合的系統(tǒng)[18-19]，感知、計算和通信等任務(wù)均需要遵從物理規(guī)則約束。因此情景還需要包含系統(tǒng)“內(nèi)生元素”，即系統(tǒng)中量化的計算和通信資源。因此，融合通信與計算情景感知可以提高服務(wù)的可靠性。

基于情景推理結(jié)果，建立對不同物理約束、不同引導難度和不同特征顯著性的區(qū)別服務(wù)策略。從云端服務(wù)策略出發(fā)，為交通參與者提供滿足其不確定性要求的服務(wù)，或在不確定降級時及時告知參與者，提升服務(wù)可靠性。從邊緣服務(wù)施效出發(fā)，協(xié)調(diào)5G基站、V2X設(shè)備、路側(cè)情報板、車道指示器、紅綠燈、車載終端、手機App、等多途徑擇優(yōu)施效，提升服務(wù)可靠性。

2.2.3 基于博弈強化學習的分布式態(tài)勢推演

全局態(tài)勢預(yù)測推演可以支撐預(yù)判聚集、滯留、特殊事件對整個交通環(huán)境產(chǎn)生的重大影響，對于場地的安全與效率管理極為重要。車路協(xié)同中包含人車混行、多代際車混行和群體博弈的復(fù)雜預(yù)測問題，無法通過良好的數(shù)學解析模型定義，也不能簡單地由規(guī)則表征其中的“人”的決策行為。需要建立離散的交通態(tài)勢模型，并融合人類決策行為的博弈模型，通過博弈強化學習[20-21]對整個交通環(huán)境中的重要態(tài)勢和重要參與者的行為模式進行學習。

首先需要建立離散化的交通態(tài)勢表征模型?？捎嬎懵肪W(wǎng)模型基于交通語義的關(guān)系表達和交通態(tài)勢數(shù)值表達，將所有的交通設(shè)施、規(guī)則、控制策略都被數(shù)字化、信息化，并以能夠為計算機所理解的形式計算、查閱、存儲，對混行對象的機動狀態(tài)進行建模提供基礎(chǔ)支撐。在此基礎(chǔ)上，使用粒子群等概率模型表征車輛或人員的運動，并將運動映射到可計算路網(wǎng)模型中。可計算的道路交通網(wǎng)絡(luò)模型能夠滿足對交通路網(wǎng)精細化表征的需求和大規(guī)模粒子持續(xù)推演的需求。

然后使用博弈原則對推演和預(yù)測進行剪枝。對滿足條件的智能體在歷史態(tài)勢回顧、虛擬態(tài)勢推演中學習態(tài)勢的變化規(guī)律，形成對混行現(xiàn)象的量化評估方法。隨著交通態(tài)勢歷史數(shù)據(jù)的積累和分布各處的智能體推演次數(shù)的增加，智能體可對下列情形進行分布式推演：日常測試排期下交通態(tài)勢的變化、交通流引導管制措施下交通態(tài)勢的變化、特殊情況下可能發(fā)生的重大聚集滯留等復(fù)雜態(tài)勢和事件。

3 結(jié)論

面向車路群智協(xié)同的運營測試融合體系將逐步推動車路協(xié)同的適應(yīng)性、安全性、靈活性和可擴展性，這些提升將幫助車路協(xié)同從測試場、港口、園區(qū)等封閉區(qū)域進入高速公路、城市道路等開放環(huán)境，使車路群智協(xié)同平臺成為交通行業(yè)的必要構(gòu)件。