面向车路群智协同的运营测试融合体系

吴静媛，孙 亮，杨 树，李 岩

(中国交通信息科技集团有限公司 综合交通运输大数据处理及应用技术交通运输行业研发中心，北京 100035)

0 引言

当前群体智能正在从狭义向广义业态扩展。狭义的群体智能[1-5]思想是，依赖个体简单智能的互动可以使群体表现出超常的智能行为，多用于大型系统中分布式计算与决策问题，形成高鲁棒性、低复杂度的智能控制能力，提高系统运转效率。广义的群体智能继承了狭义群体智能的内涵并扩展了外延，目的是通过泛在的、异质的智能体交互，进一步支撑大规模物联感控、开放的端边云智能协同、情景感知的个性化服务等新模式、新业态在交通、电信、能源等垂直行业应用[6-9]。

车路群智协同是未来的发展趋势。依托5G/C-V2X技术体制，车路协同[10-12]通过车-路-云数据交互与行为交互，在全时空动态交通信息采集与认知，支撑泛在的智能体在不完备信息情形下的多角色交互式决策优化[13]。车路协同需要进行海量的测试，传统单体或设备级别测试平台无法对其中存在通信、计算、感知和控制等多体交互耦合的复杂工程问题进行验证优化，更无法满足包含大规模实体交互的持续测试的需求。群智协同具有去中心化、低复杂度、资源融合开放和高可靠性等特点，可进一步推动车路协同大规模测试。

面向车路群智协同的测试需要重点考虑运营痛点。车路协同测试中存在冲突分布较广、通信交互不确性较高、控制施效手段单一和认知决策难度较大等问题，常使测试中断，严重影响测试效率和效益。究其根本是因为泛在的车路协同要素之间关联耦合带来的多样性和不确定性。因此有必要利用群体智能的相关成果，研究不完备信息情形下的对场景的认知、评价、预测和控制等问题，解决整个体系运营的痛点，实现车路协同的持续运营和持续测试的融合。

1 需求分析及研究目标

鉴于业界尚无成熟的、面向车路群智协同的运营测试体系，针对性地对该体系进行研究。

1.1 车路群智协同的特点

从物理交互上看，车路群智协同的参与要素多元交织。车路群智协同需要处理交通环境中多元的参与要素，包括不同拓扑的道路、不同智能程度的车辆和不同的人员装置等。参与者的出行功能或需求各不相同、交错重叠，不可避免地在某一时空交汇共存，使得潜在协同的群体的规律难以准确认知，又难以有效控制。

从设备交互上看，车路群智协同所需设备丰富。基础设施数字化和智能化[14-15]将在路侧带来功能和体制各异的设备及终端。路侧设备的互联本身需要各种异构网络设备的互联互通，网络链路的不同质量也影响路面设备的表现。因此，车路群智协同所包含的感知、通信、计算的设备或终端构成极为丰富，数据交互还受到通信链路的约束，增加了互联互动的复杂度。

从行为交互上看，车路群智协同中具有智能异质跨层的特点。智能逻辑实体广泛存在于设备层、通信层、平台层和应用层中，智能逻辑实体的智能程度或实现方式各不相同，大量异质智能交互常常面临跨层交互的需求。因此智能体的行为需要具备互操作性，支撑智能体行为上的去中心化的协同。

1.2 车路群智协同运营测试中存在问题

多元混行风险因素多，运行过程中难以集中协调。多元混行的元素包括了普通车、网联车、各种等级的自动驾驶车、路面装置和路面人员等。这些元素在某些情况下相互依赖，例如自动驾驶车在某些测试场景下需要移动道具和现场操作人员配合呈现测试场景；有时候又相互排斥，例如高速环路测试行驶要求车道的独占性，其他车辆人员不得进入车道。由于交通活动的动态性和分散性，风险在交通活动中多元混行状况不可避免，因此风险源头广泛动态存在，相关安全问题难以通过集中式的机制及时发现或消除。

路云通信具有不确定性，场景呈现的可靠性难以提高。车路协同的车-路交互的确定性可通过5G解决，但对于路-云交互的确定性保障方法还没有形成成熟的方法。5G/C-V2X从空口通信协议触发，解决的车辆到路侧的接入问题，可以保障车路交互的实时性和可靠性。车路群智协同不仅需要用移动通信网络从车辆等移动终端收发信息，也需要用固定网络从路侧各类设备收发信息[16-17]。现有的传统固定网络并不能保证路-云交互的实时性和可靠性。因此，测试过程中的贯穿“端-路-云-路-端”的通信质量不能确定，测试场景呈现的可靠性难以提高。

多元混行导致调控应变能力差，场地运营测试的效率难以提升。由于多元混行的原因，调控引导措施往往无法有效触达各种元素。例如，手机App可以对人员进行引导，路侧情报板可以对普通车司机进行引导，5G/C-V2X技术可以对网联车发送调控信息。各种元素对于调控信息的响应情况也不尽相同，有的接受调控，有的不愿接受，有的可能因为现场特殊情况而无法执行。多元混行带来不确定性使各种力量无法达成统一协调应变，运营和测试中的通行效率始终无法实现预定的优化。

1.3 研究目标

运营和测试融合的车路群智协同具备物理参与要素多、设备交互丰富和异质智能跨层交互的特点，从而带来了冲突分布较广、通信不确性较高和控制应变能力差等问题。其根本是因为泛在的感知、施效、控制等智能体的关联耦合带来的多样性和不确定性。传统的集中式协调架构不能很好地应对其所带来的海量通信和计算负载，因此有必要基于去中心化的群体智能的架构的相关成果，研究不完备信息情形下的车路群智协同体系，以泛在的“群智”应对车路协同环境中的种种挑战。

具体分为以下4个研究目标：

边云协同的多模态感知体系，支撑持续泛在感知。研究云端-边缘的算力支持的AI感知模型，对视频图像、雷达点云和声音序列等进行解析识别，获取高密度结构化信息。同时支持在云端智能的深度解析或在边缘智能实时解析。边云协同形成数据闭环，支持智能体的持续训练提升。

对混行现象进行智能体联合量化认知，利用规律重点管控。对混行现象采用解构建模方法进行研究，通过智能体一致性计算，实现对静态画像和动态模型相结合的混行交通态势认知分析，掌握群体演化规律，支撑测试和运营优化。

对交通对象联动式引导控制，提升实施效果。通过群体智能对交通流、数据流和操作流进行联合优化，对不同情景下交通智能体差异化引导方法进行研究，研究资源协同控制、服务协同控制、车路协同控制和人车协同控制等，形成情景化、层次化和模块化的施效体系。

通信不确定性感知的服务交互优化，保障服务可靠性。考虑车-路、路-云交互中多种智能体之间存在通信不确定因素，对车路群智协同可靠服务选择与提供机制进行研究，完成可靠性约束下的智能体交互服务。

2 面向车路群智协同的运营测试体系

2.1 体系架构

业界已有的车联网群体智能的体系架构[6]如图1所示，它从群体智能出发，理清了群体协同的个体模型和群体模型、计算空间和物理空间的关系，具备较强借鉴意义。

图1 面向群智计算的车联网体系架构 Fig.1 Architecture of Internet of Vehicles for swarm intelligence computing

本文基于该体系架构提出了图2所示的面向车路群智协同的运营测试融合体系。在泛在智能的趋势下，体系中的设备层、通信层、平台层和运营测试层均有智能存在，智能交互层为这些异质智能体提供跨层交互平台，以群智协同的方式满足运营测试中的风险消解、效率提升和可靠性提升等需求。

图2 面向车路群智协同的运营测试融合体系Fig.2 Operation and test integrated architecture for vehicle-road swarm intelligence coordination

2.1.1 设备层

设备层为车路群智协同运营测试提供智能的设备环境。主要包括终端设备、网络设备及主机存储设备，实现系统中感知、接入、计算和存储等能力。终端设备主要包括感知类设备和引导控制类设备。感知设备主要包括高清摄像头、激光雷达、毫米波雷达和小型气象站等智能终端；引导控制类设备包括路侧情报板、车载OBU、路侧可变标志、交通信号灯、道钉，以及移动手机等可对驾驶员与乘客进行多媒体信息引导的终端。

2.1.2 通信层

通信层为车路群智协同运营测试提供智能的通信管道。主要包括5G，4G-LTE，C-V2X，DSRC，TSN等有线或无线的网络，用以支撑信息满足业务需求的通信传输，包含终端-路侧通信传输和路侧-云端的通信传输。通信层中，智能体可能以代码或者人类操纵的形式存于通信设备中，提供智能柔性的网络配置或网络传输能力。

2.1.3 平台层

平台层为车路群智协同运营测试提供智能数据处理服务，提供包括数据汇聚、融合、监测、分析和预测等相关功能。运行监测模块取用路侧设备、移动终端的感知数据，计算交通指标、态势，并可通过模式识别自动侦测事件。分析预测模块通过特定主题的数据积累挖掘，形成对目标的完整刻画，发现车辆行驶、路面态势和设备寿命等规律。施效触达模块对物理场景进行重建，对场景的态势进行预测推演预判重大事故事件，支撑后续控制决策。处置施效模块根据场景的复杂度，生成合适的施效策略和施效途径，使决策触达执行器。

2.1.4 智能交互层

智能交互模块为运营测试中各种智能提供交互平台，通过智能体交互总线技术，将设备层、通信层、平台层和应用层中的机器或人类智能映射至智能交互层，实现将跨层的智能体统一纳入交互平台管理，支撑智能体之间逻辑上的通信与交互，最终实现群体智能去中心化的自主协同。可以提供智能体辨识和标记功能，提供基础的身份管理、行为画像、冲突消解和反馈学习等智能体交互基础服务，实现整个环境中智能体逻辑上的通信与交互。反馈学习模块使用人工评价或自动评价体系，对智能体在某次任务中的响应度和成本、鲁棒性等进行评估，并根据评估结果反向优化决策器，支撑整个运营测试系统不断学习升级。

2.1.5 运营测试层

运营测试层基于智能交互层提供的群体协同认知、决策、协调等智能能力，适配具体业务逻辑，通过二次开发输出车路协同运营测试的服务矩阵，可提供路面紧急事件提醒及响应、交通流协调疏导、行车安全管控、事故协同救援和环境协同感知等同运营测试场景，实现“运测融合，以用代测”。

2.2 关键技术

2.2.1 基于动态知识图谱的测试与运营评价

车路协同相关测试可根据技术阶段大致分为技术研发测试、产品研发测试和成套测试；技术研发测试是对车路协同中单个技术进行独立测试，主要用于验证技术可行性；产品研发测试是对车路协同中某个系统进行完整的功能性能测试，主要用于验证产品在期望环境中的可用性；成套测试从整个系统运行的角度，对所用到的各个组件、各个层面功能所组成的整体功能性能进行使用和问题反馈。测试内容可包括微观车车安全交互、中观超视距车道引导、宏观交通流引导等一系列涉及的场景。这种情况下，所关心的主要测试指标也从单个设备或单体系统指标扩展到整个交通系统的指标。不同层面的车路群智协同测试所关心的评价指标如表1所示。

表1 车路群智协同测试评价指标举例

由于车路群智协同具有动态性、复杂性和泛在性等特点，使用传统的逐层抽取计算的方法来获取评价指标将带来处理效率低、数据不一致和数据不完备等问题，基于群体的协作完成对整个环境的融合认知和评价是更合适的方法。该方法使智能体将局部获取的历史信息形成局部知识图谱，建立知识图谱的动静态数据分离、增量更新的机制。再对局部融合后全局知识图谱的分析挖掘，得到合适的评价指标。

车路群智协同测试指标，是对上述全局图谱信息进行采集和认知，计算得出的表征整个体系测试有效性及效率的指标。其中包括场景覆盖率、场景呈现率、群体配合准确度、测试场景链连续度、群体测试吞吐量、系统漏洞收敛度等新型指标。这些指标越好，说明车路群智协同的测试越有效。

车路群智协同运营指标，是对上述全局图谱信息进行采集和认知，计算得出的表征整个体系运行的健壮度的指标。其中包括群体冲突预消解率、群体事件自恢复率、群体的时空均衡度和群体环境信息完整度等。这些指标越好，说明车路群智协同的运行越稳定越有效。二者的组合情况如表2所示。

表2 车路群智协同中运营与测试指标组合及其含义

当车路群智协同运营指标较好但测试指标较差时，说明当前测试工作的广度、深度和强度不够。当车路群智协同测试指标较好但运营指标较差时，说明当前配套的后勤运营体系无法支撑测试体系高效工作，测试效率受到运营效率的制约。敏感健壮的评价方法可以反映各智能体的协同程度、运营与测试的能力匹配程度，是推动车路群智协同突破当前技术阶段的关键技术。

2.2.2 融合通信与计算情景感知提供可靠服务

车路协同的感知渠道已经从依赖单一模态的感知(如视频摄像头、雷达等)转变为依赖更广泛的无线信号(如 5G，V2X，GPS，RFID 信号等)和手机终端的交互信息，从更多维度实现对车辆和人的感知。将感知的简单属性(如目标位置、移动轨迹和通信质量等)转变为更“情景化”的特征和因素，通过情景推理引擎实现对人车、交通和通信的复杂情境推理，生成当前复杂情景下云控平台的响应模式和服务策略。

在复杂情景中，需要重点关注通信和计算情景。传统情景感知主要面向纯信息空间的“情景”，包含对周围车辆、天气、行人等系统“外部元素”的表征。但车路协同群智服务平台是一个信息世界和物理世界融合的系统[18-19]，感知、计算和通信等任务均需要遵从物理规则约束。因此情景还需要包含系统“内生元素”，即系统中量化的计算和通信资源。因此，融合通信与计算情景感知可以提高服务的可靠性。

基于情景推理结果，建立对不同物理约束、不同引导难度和不同特征显著性的区别服务策略。从云端服务策略出发，为交通参与者提供满足其不确定性要求的服务，或在不确定降级时及时告知参与者，提升服务可靠性。从边缘服务施效出发，协调5G基站、V2X设备、路侧情报板、车道指示器、红绿灯、车载终端、手机App、等多途径择优施效，提升服务可靠性。

2.2.3 基于博弈强化学习的分布式态势推演

全局态势预测推演可以支撑预判聚集、滞留、特殊事件对整个交通环境产生的重大影响，对于场地的安全与效率管理极为重要。车路协同中包含人车混行、多代际车混行和群体博弈的复杂预测问题，无法通过良好的数学解析模型定义，也不能简单地由规则表征其中的“人”的决策行为。需要建立离散的交通态势模型，并融合人类决策行为的博弈模型，通过博弈强化学习[20-21]对整个交通环境中的重要态势和重要参与者的行为模式进行学习。

首先需要建立离散化的交通态势表征模型。可计算路网模型基于交通语义的关系表达和交通态势数值表达，将所有的交通设施、规则、控制策略都被数字化、信息化，并以能够为计算机所理解的形式计算、查阅、存储，对混行对象的机动状态进行建模提供基础支撑。在此基础上，使用粒子群等概率模型表征车辆或人员的运动，并将运动映射到可计算路网模型中。可计算的道路交通网络模型能够满足对交通路网精细化表征的需求和大规模粒子持续推演的需求。

然后使用博弈原则对推演和预测进行剪枝。对满足条件的智能体在历史态势回顾、虚拟态势推演中学习态势的变化规律，形成对混行现象的量化评估方法。随着交通态势历史数据的积累和分布各处的智能体推演次数的增加，智能体可对下列情形进行分布式推演：日常测试排期下交通态势的变化、交通流引导管制措施下交通态势的变化、特殊情况下可能发生的重大聚集滞留等复杂态势和事件。

3 结论

面向车路群智协同的运营测试融合体系将逐步推动车路协同的适应性、安全性、灵活性和可扩展性，这些提升将帮助车路协同从测试场、港口、园区等封闭区域进入高速公路、城市道路等开放环境，使车路群智协同平台成为交通行业的必要构件。