想象一下，你要教一群自动驾驶汽车如何一起跳舞，而且还不互相踩到对方的脚。在现实世界中，你需要一个巨大的停车场、昂贵的汽车和巨额的预算来进行测试。但如果能把整个城市缩小到咖啡桌大小呢？
这正是韩国科学技术院（KAIST）的研究人员所做的事情。他们构建了 CIVAT（协同智能车联网自主测试平台），这是一个按 1:15 比例缩小的微型“城市”。把它想象成一个高科技版的自动驾驶玩具火车模型，但带有一个非常聪明的升级版。
以下是它的工作原理，分为几个简单的部分：
1. 舞台：微型城市
他们没有建造一个枯燥的平面，而是制作了一个 6 米乘以 5.5 米的地图，看起来就像一个真实的城市路口。它有车道、汇合点，甚至还有一个环绕中心的“高速公路”环线。表面使用了特殊材料进行打印，使其具有真实沥青的感觉，以便这些微型汽车能像全尺寸汽车一样抓地。
2. 玩家：智能微型车
该测试平台使用的微型汽车（大约有一个大鞋盒那么大）拥有惊人的复杂程度。
- 大脑： 每辆车内部都有一台强大的计算机（Jetson Orin NX），类似于现实中自动驾驶汽车所使用的计算机，只是体积更小。
- 感官： 它们拥有摄像头和运动传感器，用以“看见”自己所处的位置。
- 声音： 它们拥有 Wi-Fi 天线，可以让它们彼此交谈，并与“交通控制塔”进行沟通。
3. 导演：“智能”交通杆
这是该论文最大的创新点。在大多数玩具测试平台中，汽车被留给它们自己去解决问题。而在 CIVAT 中，路口中央立着一根智能基础设施杆。
- 眼睛： 这根杆子配备了一个 3D 激光扫描仪（LiDAR），充当了一双超级精准的眼睛，从上方俯瞰整个路口。
- 大脑： 它拥有一台强大的计算机（带有高性能显卡），处理数据的速度比微型汽车快得多。
- 角色： 它不仅仅是静静地站着；它积极地管理交通。它能看到所有人，识别出谁是谁，并告诉汽车何时加速或减速以避免碰撞。
4. 对话：它们如何交流
汽车和交通杆通过标准的 Wi-Fi 网络进行对话，就像一个群聊。
- 车对车 (V2V)： 汽车告诉彼此：“我在这里，正朝这个方向行驶。”
- 车对杆 (V2I)： 交通杆倾听汽车的信息，同时也加入自己的视角。它会说：“我看到左边有一辆车正在驶来，你可能还没看到它。请减速！”
大考：路口挑战
为了证明该系统有效，研究人员进行了一项特定的实验：管理一个繁忙且无信号灯控制的路口，其中混合了两类驾驶者：
- 联网车辆 (CAVs)： 这些是会说话的智能微型车。
- 人工驾驶车辆 (HVs)： 在实验中，这些是“幽灵”车，它们没有 Wi-Fi。它们无法交流，只是在行驶。
系统如何处理这种混合情况：
- 发现“幽灵”： 智能交通杆利用其激光扫描仪来寻找那些无法通信的“幽灵”车。它必须根据这些车的运动轨迹来推测它们的行驶意图。
- 交通警察： 交通杆充当了裁判的角色。如果一辆“幽灵”车进入路口，交通杆会给予它最高的优先级（就像对待 VIP 一样）。然后，它会告诉所有智能车等待或减速，以便让“幽灵”车安全通过。
- 结果： 系统成功协调了车辆，使其即使在部分车辆无法通信的情况下也没有发生碰撞。这证明了拥有一个“智能杆”可以帮助汽车处理它们无法独自解决的情况。
为什么这很重要
该论文认为，建造全尺寸的测试城市成本太高且占用空间太大，而计算机模拟往往过于完美，无法捕捉到现实世界的故障。
CIVAT 提供了一个“金发姑娘原则”（恰到好处）的解决方案：它足够小、成本足够低，可以在实验室中构建；但它又足够真实，可以测试自动驾驶汽车与智能基础设施如何协同工作。这是一个训练场，让汽车在真正驶上街头之前，先学会如何协作。
技术摘要：CIVAT —— 用于验证多智能体协同自动驾驶的微缩测试平台
问题陈述
尽管自动驾驶技术已取得显著进展，但大多数研究仍侧重于单车智能。协同自动驾驶依赖于车辆与智能路侧基础设施之间的实时协作，这仍然是一个需要严格验证的挑战性问题。现有的验证方法面临着两难境地：
- 全尺寸测试场（如 M-City、K-City）提供了真实的物理环境，但需要巨额投资、广阔的空间，且在测试涉及智能基础设施的多智能体交互时，物流管理极其复杂。
- 仿真系统（如 CARLA）成本效益高，但在复制车辆动力学、传感器特性以及通信问题等物理现实方面表现不佳。
- 现有的微缩测试平台通常缺乏配备感知、边缘计算和通信能力的智能基础设施，或者过度依赖外部运动捕捉系统而非车载或基于基础设施的感知。
目前存在一个关键的技术空白，即需要一个成本低廉、可扩展的平台，能够将自动驾驶车辆与智能基础设施（感知、计算、通信）集成，从而在受控且真实的设置中验证协同驾驶算法。
方法论：CIVAT 测试平台
作者提出了 CIVAT（Cooperative Intelligent V2X Autonomous Testbed，协同智能 V2X 自动驾驶测试平台），这是一个 1:15 比例的微缩测试平台，旨在弥合全尺寸设施与仿真系统之间的鸿沟。该系统基于 Buckingham π 定理的缩放定律构建，确保了缩放后的车辆行为与全尺寸车辆相似。
1. 物理设计
- 地图： 一个 6 m × 5.5 m 的城市地图（由 90 m × 82.5 m 的真实世界路口缩放而来），包含一个无信号灯的四路交叉口、分流岛以及周围的环路。路面采用额定值为 60 BPN 的材料以模拟沥青摩擦力。
- 车辆： 基于 ZD RACING 底盘、采用阿克曼转向结构的 1:15 比例自动驾驶车辆。
- 硬件： 配备 Jetson Orin NX（计算单元）、RealSense D435（深度相机）、myAHRS+ IMU 以及 NUCLEO-G431KB MCU。
- 成本： 每台约 1,507 美元。
- 运动学： 使用无侧滑假设的自行车模型进行建模，用于轨迹预测。
- 智能基础设施： 一个 1 米高的中心杆，配备：
- 感知： Ouster OS-Dome 3D LiDAR。
- 计算： ASUS PE6000 工作站（Intel i9-12900E CPU，NVIDIA RTX 4090 GPU）。
- 角色： 作为具有专用感知和计算资源的“主动智能体”，区别于被动基础设施（交通灯/标志）。
2. 通信架构
- 网络： 利用 IEEE 802.11ax (Wi-Fi 6) 连接所有车辆与基础设施。
- 协议： 实现 ROS2 发布-订阅框架以模拟 V2X 消息传递。
- V2V： 限制在 3 米范围内以模拟现实约束。
- V2I： 覆盖整个交叉口区域。
- 标准： 符合 SAE J3216 Class B 车辆消息标准，并以 SAE J2735 为基准，同时包含针对基础设施元数据的自定义扩展。
3. 软件架构
- CAV 模块： 通过引入协同规划来扩展标准的自动驾驶流水线。车辆接收来自邻近车辆和基础设施的消息，并利用智能驾驶模型 (IDM) 调整速度和轨迹。
- 基础设施模块：
- 感知： 运行 PointPillars 算法，实现基于 LiDAR 数据的实时 3D 物体检测。
- HV 识别： 通过将 LiDAR 检测结果与 CAV 广播消息及时间记忆进行交叉比对，建立三步走流程，以区分人工驾驶车辆 (HV)、联网自动驾驶车辆 (CAV) 及误报目标。
- 交叉口管理： 一种基于优先级的算法，用于协调车辆速度。
- 全 CAV 场景： 使用先到先服务 (FIFS) 规则结合运动学预测来解决冲突。
- 混合交通场景： 为识别出的 HV 分配最高优先级，通过预测其占据的区域来调整 CAV 的速度以实现避让。
核心贡献
- 创新的测试平台设计： 设计并实现了 CIVAT，这是首个将智能基础设施（配备专用 3D LiDAR 和边缘计算）与自动驾驶车辆集成的微缩测试平台。
- 硬件集成： 开发了一个低成本、可扩展的车辆平台，具备车载传感器，并配备了一个能够处理复杂感知与规划的高性能基础设施节点。
- 混合交通验证： 通过案例研究展示了以基础设施为中心的交叉口管理，该系统结合 V2I 通信与基于基础设施的感知，成功协调了 CAV 与非联网 HV 的行驶。
实验结果
系统通过基础设施感知和交叉口管理实验进行了验证。
1. 基础设施感知
- 数据集： 构建了 CIVAT-SI 数据集，包含 3,888 个训练帧和 1,120 个验证帧，最多包含五辆车。
- 准确率： PointPillars 模型实现了 0.984 AP@0.3 和 0.972 AP@0.5。
- 局限性： 在遮挡区域、点云稀疏区域或车辆距离过近时（导致误报/漏报），检测精度会有所下降。
2. 交叉口管理
- 全 CAV 场景： 使用 FIFS 优先级成功协调了五辆 CAV，在调整速度的同时防止碰撞并维持交通流。
- 混合交通场景： 成功管理了一个包含四辆 CAV 和一辆 HV 的场景。
- 系统通过 LiDAR 和消息过滤识别出了缺乏通信能力的 HV。
- CAV 自动向 HV 让行。
- 鲁棒性： 系统证明了 V2I 通信可以补偿感知误差（例如，利用消息数据过滤掉误报），而基础设施感知则补偿了 HV 缺乏通信的问题。
3. 实时性能
- 在 10 Hz 周期（100 ms）内，交叉口管理框架的总平均计算时间为 31.79 ms（最大 40.39 ms）。
- 瓶颈： 物体检测占用了 99.3% 的运行时间（平均 31.58 ms）。协调模块（HV 识别与管理）的耗时极低（最大 < 1.2 ms），证实了该系统在实时应用中的可行性。
重要性与主张
论文声称 CIVAT 提供了一个成本低廉且可扩展的平台，用于验证协同驾驶算法，解决了昂贵的全尺寸测试场和不完美的仿真系统所面临的局限性。
- 主动基础设施： 它证明了将基础设施视为具有自身感知和计算能力的主动智能体的可行性，而非仅仅是被动引导者。
- 混合交通现实： 该测试平台支持对 CAV 与 HV 混合交通场景下的算法验证，这是在全连接尚未实现的近未来部署阶段进行验证的关键需求。
- 教育用途： 该平台已应用于 KAIST Mobility Challenge，作为一种教学型测试平台。
作者总结道，虽然目前的系统仍依赖运动捕捉进行定位，但未来的工作将集成基于车载传感器的定位（SLAM），并模拟 V2X 损伤（延迟、抖动、丢包）以进一步增强真实感。
每周获取最佳 computer science 论文。
受到斯坦福、剑桥和法国科学院研究人员的信赖。
请查收邮箱确认订阅。
出了点问题，再试一次？
无垃圾邮件，随时退订。