當前，我國依托跨行業協同機制、基礎設施建設及信息通信技術優勢，通過"車路云一體化"推動輔助駕駛技術發展。截至2025年，全國累計開放測試道路超22,000公里，發放測試牌照5,200余張，道路測試總里程達8,800萬公里。政策層面，2018年工信部推動《車聯網(智能網聯汽車)產業發展行動計劃》，2021年住建部與工信部聯合開展"雙智"城市試點，2024年五部委啟動"車路云一體化"應用試點，標志著技術驗證進入商業化階段。

2025年7月22日，武漢理工大學郭圓副研究員在2025第八屆智能輔助駕駛大會上表示：動態認知地圖以靜態高精地圖為基準，整合車端與路側端多觀測節點的動態信息，實現動靜態交通信息的一致表達與場景理解，可顯著提升輔助駕駛系統的安全性、節能性及道路適應能力，有效解決高級別輔助駕駛發展瓶頸。

郭圓 | 武漢理工大學副研究員

以下為演講內容整理：

研究背景與核心問題

我國車路云一體化技術已實現從概念驗證到商業落地的跨越式發展。截至2025年，累計開放測試道路22,000+公里覆蓋全國16個省份，發放測試牌照5,200+張涵蓋乘用車/商用車多品類，道路測試總里程8,800萬公里相當于繞地球2,200圈。政策驅動方面，2018年工信部《車聯網產業發展行動計劃》建立技術標準體系；2021年"雙智"城市試點推動基礎設施智能化改造；2024年五部委"車路云一體化"應用試點首次將車路協同納入國家新基建范疇，標志著技術正式進入商業化部署階段。通過動態認知地圖技術，實現物理道路空間與車端動態信息的實時耦合，為輔助駕駛系統提供更快、更準、更全面的環境認知能力，致力于實現安全、節能、高效運行的目標。

圖源：演講嘉賓素材

高精地圖作為實現物理空間到信息空間抽象的核心載體，在傳統導航電子地圖基礎上通過對道路地理要素的幾何、屬性和關系信息進行精準刻畫，其抽象過程體現為將實體道路轉化為結構化數據模型，例如武漢大學研發的四層一體化模型。然而現有主流格式包括Shapefile、Occupancy Grid、OpenDrive等仍存在顯著局限：一方面過度聚焦靜態道路信息，對車輛軌跡、交通事件等動態要素缺乏有效刻畫；另一方面模型結構復雜導致采集成本居高不下，且難以支持實時更新需求，嚴重制約輔助駕駛系統在復雜場景中的實時響應能力。

圖源：演講嘉賓素材

動態認知地圖模型構建

動態認知地圖以靜態高精地圖為空間基準，通過整合車端傳感器與路側單元的實時感知數據，構建包含三層架構的協同認知模型：底層靜態層繼承高精地圖的車道級拓撲網絡，為動態信息提供統一時空參考；動態融合層實時處理多源交通要素的運動狀態并基于注意力機制進行行為，生成未來5秒的軌跡概率分布；認知圖譜層通過視覺語言模型解析交通場景語義，結合圖神經網絡構建路側單元從屬區域的分層動態圖譜，實現交通態勢的可解釋性推理。該架構支持六大核心功能：交通事件感知實現事故識別、時空態勢預測、環境天氣感知、車車/車人碰撞預警響應、信號燈相位同步、盲區預警，最終形成"靜態打底、動態疊層、認知驅動"的輔助駕駛決策閉環。

圖源：演講嘉賓素材

動態認知地圖模型通過多源時空數據融合機制，實現對六大核心功能的精準支撐：交通事件感知基于路側雷達與車載傳感器多源信息時空關聯，可快速識別交通事故、道路施工等事件；時空態勢預測采用注意力機制融合歷史軌跡與實時位置，預測未來5秒內交通流變化，軌跡預測誤差≤0.8米；環境天氣感知結合毫米波雷達回波與視覺圖像分析，對雨霧冰雪等天氣識別；車車/車人碰撞預警通過相對運動學模型計算碰撞時間，實現碰撞預警；信號燈相位提醒實現車端與路側信號機毫秒級同步；盲區預警與車速誘導利用V2X通信覆蓋視覺死角。該功能體系突破傳統靜態地圖局限，構建"感知-預測-決策-控制"的動靜態協同閉環，為輔助駕駛系統提供連續可靠車道級定位、秒級響應的全場景支持能力。

圖源：演講嘉賓素材

動態認知地圖關鍵技術突破

在感知技術創新層面，研究團隊提出MENet算法，通過構建高精地圖時空統一基準下的激光點云駕駛場景感知框架，將高精地圖的幾何結構特征（如車道曲率、路緣石拓撲）與激光點云深度信息融合，解決車載感知與局部地圖的尺度不一致問題。在公開數據集測試中，該算法目標檢測mAP達56.9%，較常用的部署基線CenterPoint提升4.2%，其中卡車識別精度52.3%、公交車66.2%，顯著優化交叉口多目標檢測魯棒性。

圖源：演講嘉賓素材

同步開發的MIM模型（Map-incorporated Multi-view）針對多視圖圖像與高精地圖的語義尺度差異，采用分層語義解析技術：首先通過掩碼增強（Mask Augmentation）提取地圖中的車道標線、交通標志等結構化特征，再結合交叉注意力機制實現圖像像素特征與地圖矢量化特征的跨模態對齊，最終在nuScenes測試中目標檢測mAP達40.9%，尤其將交叉口車輛定位誤差降低至0.3米內。

圖源：演講嘉賓素材

地圖匹配領域，基于橫向位移估計模型實現車道級定位，橫向誤差≤0.3米，滿足輔助駕駛系統對車道保持的厘米級需求；大尺度點云配準技術RoCalib則通過提取高精地圖中的燈桿、標志牌等桿狀物特征點云，與路側雷達掃描數據進行特征匹配，解決路側設備位姿漂移問題，時間同步精度達毫秒級，為動態認知地圖提供時空基準保障。

圖源：演講嘉賓素材

未來挑戰與發展方向

當前技術面臨三大核心挑戰：感知融合難表現為多源異構數據在時空基準對齊時存在毫秒級同步誤差，多模態信息融合復雜性導致動態目標識別偏差率最高達15%；動態跟蹤難集中于低滲透率場景下，小目標識別檢測困難使超視距連續跟蹤精度降至65%，尤其對非機動車盲區軌跡預測失效風險顯著；表達優化難源于動態信息數據量激增，模型訓練數據不平衡導致地圖信息精準表達受限。

未來重點攻關方向包括：混合交通場景多源信息耦合技術、動態地圖表達模型、基于普通導航電子地圖的動態認知架構遷移，以及低滲透環境超視距跟蹤算法優化。研究驗證表明，這些突破可使輔助駕駛系統成本降低60%，復雜城市路況場景適應性提升至99.5%可靠度。