《智能汽车创新发展战略》、《交通强国建设纲要》、《车联网（智能网联汽车）产业发展行动计划》等国家重磅文件的陆续出台，车路协同更加火了起来。
各地建设呼声越来越强烈，全国至今已经有超过60个车路协同试点项目，应用场景越来越全，但建设的成效及价值离当初的预期有较大差距。
从试点项目建设场景分析，多集中在安全类盲区监测预警、异常车辆预警等，效率类信号灯状态实时推送、紧急车辆信号优先权等，以及服务类电子支付、信息发布等。
与传统的智能交通应用相比，似乎就是延时低了点，展示内容丰富了点，并未出现让人眼睛一亮的特殊之处。
导致部分试点项目建成后即终止，大多成为对外宣传、展示的工具，不能实现常态化的运营或测试，不能给交通参与者带来实实在在的价值体验。
“聪明的车，透明的路”到底该如何做，车路协同，该协同什么，如何协同，仍是普遍存在的困惑。
车路协同概念很大，范围很广，各有各的观点，一提到车路协同，似乎就离不开RSU、OBU、各种场景化应用。
但从实际情况来看，我们离应用的产业化落地还相差甚远，一些基础的难题、核心技术并未攻克，通过场景化的应用突破各个层级的核心技术，把技术路线走通，再规划应用，可能更切合当下的实际情况。
1、 全天候多源感知与融合
道路环境的精准感知是车路协同的基础，目前的感知手段主要包括视频、毫米波雷达、超声波雷达、激光雷达，单一的传感器很难实现对道路环境的全天候感知。
深度学习技术在视频中的应用，可以实现对道路特征（车道线、标志标牌等）道路参与主体（机动车、非机动车、人等）、道路事件（拥堵、占道施工、违章等）的智能识别，视频感知内容的丰富性及对目标的准确分类是其独特优势。
但视频在全天候检测（夜晚、雨雪雾天等）、目标测距、测速等方面要明显弱于雷达感知设备。
由于视频感知的不可替代性，视频传感器的创新及优化一直没有停止过，要实现全天候的感知，红外热成像将成为重要的探索方向，未来红外热成像能够实现对目标的智能识别，并逐渐降低传感器建设成本，在车路协同的目标全天候感知中将发挥越来越重要的作用。
毫米波雷达是工作在毫米波波段探测的雷达，能分辨识别很小的目标，而且能同时识别多个目标，具有成像能力强、体积小、机动性和隐蔽性好的特点。
毫米波雷达的探测距离、精度、速度和环境实用性等性能均非常出色，机动车探测距离可以达到200米甚至更高，非机动车行人也能有100米左右的探测距离，而且随着技术的不断进步，芯片成本的降低，毫米波雷达成本也具备了大规模普及的条件。
毫米波雷达在防碰撞预警，紧急制动等领域均有巨大应用前景，是目前除视频外应用最广泛的传感器。
超声波雷达具有成本低、运用灵活的特点，在短距离低速度运行上有自己独特的地方，主要用在倒车和油感等方面，具有精度高，可以达到厘米级，短距离是非常理想的传感类型。
激光雷达可以区分真实移动的行人、车辆目标及环境信息，在三维立体的空间中建模、检测静态物体及精确测距。
激光雷达通过发射激光束来探测目标位置和速度，分辨率高，检测精度高，检测速度快，隐蔽性好，定向性好，抗干扰能力较强，但激光雷达成本高，另外在雨雪天气对检测准确率有一定影响。
为了获取车辆自身信息和周围环境信息，仅靠单一的传感器存在较大瓶颈，基于对各种传感器性能、价格等对比分析，基于毫米波雷达与红外热成像的融合感知极有可能是车辆标配的最优选择。
当然，毫米波雷达要广泛应用，需要解决车与车毫米波雷达的相互干扰，车载毫米波雷达与路侧毫米波雷达间的相互干扰，毫米波雷达静态目标检测等，在此基础上与红外热成像的数据融合。
2、 车路感知目标统一空间关系建立
车辆与路侧设备协同的前提条件是感知目标空间坐标系的统一，统一的标准即世界坐标系。
那么问题就来了，路侧感知设备本身的位置可以通过人工标定、集成高精度定位芯片等方式获取到，但车路协同的内容并非传感器，而是传感器感知的目标对象，就衍生出了一个难题，如何实时、精准获取感知目标在世界坐标系下的经纬度。
毫米波雷达对外发送的是电磁波信号，激光雷达发送的是激光光束，二者传输速度均很快，所以在测速、测距及获取感知目标的经纬度相对要准很多。
视频是车路协同目前应用最广泛的传感器，而视频具有典型的非线性特征，不同位置同样一个像素对应的距离、高程可能会较大，都对最终的经纬度转换有影响，因此，获取视频画面中目标经纬度难度要比雷达高很多。
如下图所示，获取摄像机高度、经纬度、目标到摄像机中心的角度，视频画面中一组参照点经纬度，通过视频坐标系与世界坐标系的转换规则计算目标点的经纬度，实测数据50米范围内精度可以达到不超过1米的误差。
对于一些高程相对差距较大的场景，误差会增大，摄像机本身经纬度、参照点经纬度误差也直接影响着视频感知目标经纬度的转换误差。
另外一个重要的影响因素是延时，感知的目标是运动的，而摄像机从采集到出图、图像压缩、目标检测的延时目前超过110ms，以车速80km/h计算，110ms延时对应的的距离达到2.4米，再考虑到摄像机感知目标的传输延时，造成的实际误差会更大。
对于车载的应用场景，车辆本身处于运动过程中，车辆本身的定位精度、定位信号输出频率、卫星信号强弱、车辆行驶的环境等均对坐标转换的精度有着直接影响，可以通过惯导优化卫星信号弱或者无卫星信号的车辆定位，通过RTK优化车辆本身定位精度，但车辆自身的运动对各个环节均会产生较大影响，最终导致感知目标经纬度误差的放大。
3、 车路感知目标统一时间关系建立
车载感知设备与路侧设备的时间统一是车路协同的又一前提条件，在感知目标统一空间关系建立中提到延时对目标经纬度转换精度的影响，而时间的同步又是计算延时的前提，也是另一大突出的难题。
单纯的路侧设备的校时，可以采用统一的校时源，如直接通过北斗/GPS校时，或者通过公网平台提供的高精度授时服务校时。单纯的车辆校时，可以直接通过车载定位设备与北斗/GPS卫星校时。
单纯的路侧设备或者单纯的车载设备校时源统一，误差相对好评估，而车与路需要协同时，就需要解决车载设备与路侧设备的时间同步，即车与路感知设备的统一校时问题。
从目前的现状来看，路侧设备与车载设备统一校时还没有好的方案，通过公网平台的高精度授时服务器提供的校时服务，给出的延时误差±50ms，而该误差还会受网络环境、累计误差等的影响，已经是较大的问题。
而车载设备与路侧设备不是统一校时源，导致无法相对准确的获取两者间的误差数值，导致最终校时精度无法相对准确的评测。校时示意图如下图所示。
若能够获取到稳定的校时误差，即可通过时间补偿的方式来优化延时对经纬度转换的影响，如已知延时时间可收敛到T，那么在感知设备采集图像时，记录实时时间戳t1，输出检测结果时记录时间戳t2，为了保证转换经纬度的精度，t2用t2-T，或者t1+T，会相对较好的减小最终输出误差。
延时时间除了感知设备在采集、图像编解码、目标检测及跟踪的延时外，还有传输的延时，比如路侧感知设备检测的目标传输到RSU延时，RSU将检测目标通过PC5传输至车辆延时，通过UU传输至基站或者V2X平台延时，车与车的PC5通信延时，车辆与基站或V2X间UU通信延时，如图所示。
5G的高速度、高带宽、低延时优势是减少传输延时对车路协同效果的影响的最优选择。
从业内给出的数据，PC5延时理论值目前可以做到10-20ms，未来随着地基增强系统基站的加密，低轨卫星互联网覆盖密度的增加，或许可以优化到2ms以内。Uu延时暂时还没有准确的定论，由于5G建设进度的影响，目前难以通过大量的数据测试回归到具体的值，预估在5ms以内。
4、 基于统一时空的车辆碰撞风险计算及决策控制
业内不少专家、学者将车路协同定位为辅助驾驶到无人驾驶的过渡阶段，那么车路协同若不能实现基于统一时空的精准感知及车辆决策控制，就谈不上车路协同，也起不到向无人驾驶的过渡作用。
车辆决策控制最典型的应用即AEBS，紧急事故驾驶员未采取任何措施，可以通过AEBS减少交通事故发生概率或者降低交通事故严重程度。
ECE R131规定了AEBS的技术条件，EU 347/2012要求欧盟2013年新型式认证的商用车应配置AEBS，2015年新生产的商用车应装备AEBS，韩国2016年通过法规强制商用车安装AEBS，日本、美国等均出台相关政策法规支持AEBS在商用车的推广应用。
据研究机构统计，AEBS可以减少38%的追尾碰撞和降低追尾碰撞中44%的致死率。
博世通过对1103起追尾事故数据分析，AEBS可以避免38%-72%的追尾事故，在事故无法避免时，碰撞速度可以降低25%-55%。
AEBS前提是统一时空目标精准感知与车辆自身状态的精准感知。车辆在运行过程中，如何实时获取本车的状态，结合路侧设备检测的目标并上传目标姿态信息判断是否存在碰撞风险，是降低交通事故的关键环节。
通过各类传感器获取车辆状态数据包括位置、速度、加速度、刹车、方向盘转角、车辆尺寸、故障信息、主光灯、左转向灯、右转向灯、双跳灯等，基于本车的状态，结合路侧感知设备广播上传检测到的目标姿态如经纬度、速度、运动方向等，判断是否存在碰撞风险及预测的碰撞点/碰撞时间，输出控制决策并与车辆控制系统联动，有效减少追尾事故，缓解碰撞严重程度。
5、 结语
车路协同是一个复杂的巨系统，我们在看应用的同时，更应该看到应用背后所需要攻克的基础性核心技术难题，也需要持续的研究投入，不断改进。
只有这些难题逐个解决了，车路协同的应用才能更快的普及开来，真正实现从感知到车辆控制、信号调优、辅助决策等的应用闭环，不再停留在概念满天飞的阶段，不再只是更低延时的可视化展示。
技术的发展没有上限，目标全天候精准感知、传感器干扰优化，时空的统一、感知目标的经纬度精度提升，传输时延降低，大数据平台架构，网络安全等等都是重点研究对象。
在对技术的钻研过程中，或许会碰到越来越多的关联难题，或许某一天，能将这些难题串联起来，我们对车路协同的认识会更加深刻，更加系统化，再回过头来看现在所谓的多少类应用，会有不一样的视角。
也会出现越来越多的关联技术及产品，最终实现交通系统与要素信息透明，以此构建人、车、路、平台之间全新的协同模式，进而提升交通系统安全、效率与服务水平，并为自动驾驶实现奠定坚实的基础。
