ECASS：基于边缘计算的自动驾驶车辆辅助感知系统

摘要

自动驾驶汽车结合了汽车与自动驾驶系统，能够实现智能且安全的驾驶。通过使用全球定位系统（GPS）、雷达和惯性测量单元（IMU），自动驾驶汽车可实现精确的自动导航、轨迹跟踪和自动超车。其中，超车是避免过长等待时间并提高交通效率的关键环节。当跟随大型卡车或公交车时，由于雷达和摄像头的视距（LOS）范围被遮挡，自动驾驶汽车无法准确感知周围环境，因而难以确保安全超车。通常采用的应对措施是以较低速度跟随卡车或公交车，但这会降低交通效率并加剧交通拥堵。为缓解这一问题，本文提出一种基于边缘计算的辅助感知系统ECASS，用于帮助自动驾驶车辆定位周边车辆。具体而言，利用沿道路部署的基础设施（如服务器），根据GPS以及无线网络（WiFi）或专用短程通信（DSRC）等无线信息，对车辆进行精确定位。随后，服务器将附近车辆的定位信息传输给自动驾驶车辆，使其即使在存在遮挡的情况下，也能判断下一时刻的驾驶状态。大量仿真结果表明，基于ECASS的轨迹比GPS轨迹更接近实际轨迹。特别是当GPS误差设定在10米以内时，ECASS可将平均绝对定位误差从7米以上降低至约3米。

关键词

自动驾驶系统，自动驾驶车辆，轨迹，全球定位系统

1. 引言

近年来，自动驾驶汽车因其安全性和行车效率而受到工业界和学术界的广泛关注[1, 2,3]。特别是随着车辆数量的增加，交通事故中的受伤人数和死亡人数也在上升。作为未来车辆的关键技术，自动驾驶技术能够显著减少由人为因素引起的交通事故，从而提升行车安全。基于自动驾驶技术的交通共享可有效缓解交通拥堵和污染问题[4, 5]。

研究人员基于图像和信号处理设计了各种检测算法，以准确感知自动驾驶车辆周围的环境。自动驾驶车辆随后将根据获取的环境信息，确定下一时刻的驾驶状态，例如超车、加速/减速或以原始速度行驶。

与加速/减速或以原始速度行驶相比，自动驾驶汽车执行超车操作要复杂得多。它主要包括三个步骤：首先，自动驾驶车辆根据规划轨迹变换车道；其次，它在规定的横向距离下沿被超越车辆行驶；最后，它将返回到被超越车辆前方的原始车道。目前关于该问题的大多数研究工作都集中在超车轨迹的规划或预测上[9, 11, 12]。

现有文献在规划超车轨迹时，均假设自动驾驶车辆中集成的雷达或摄像头能够在没有公交车或卡车干扰的情况下检测并跟踪障碍物。然而，在某些特殊情况下，前方或后方的卡车或公交车可能会遮挡摄像头和雷达，导致自动驾驶车辆对其周围环境部分甚至完全无法感知。因此，它只能选择跟随卡车或公交车减速行驶[13]。显然，这种方法会导致时间消耗增加和交通拥堵。

然而，基于GPS的定位误差可能高达10米，即使基于地图匹配的GPS定位误差也存在5米[14, 15]。如此大的定位误差可能导致自动驾驶汽车采用错误的驾驶状态，危及交通安全。因此，开发了一种名为ECASS的辅助感知系统，以在自动驾驶车辆无法仅依靠摄像头和雷达准确识别附近车辆时，基于边缘计算提供车辆周边精确的车辆定位信息。

特别是当自动驾驶车辆由于遮挡而无法准确感知周围环境时，它将向附近的服务器发送请求，以便通知这些服务器获取靠近自动驾驶车辆的当前车辆定位。在这些服务器中，设计了一种针对无线信号和全球定位系统的信息融合算法，用于估计靠近自动驾驶车辆的其他车辆的位置。最后，每个靠近自动驾驶车辆的车辆位置将被传输给该自动驾驶车辆。尽管存在遮挡，自动驾驶车辆仍根据获得的定位信息确定下一时刻的驾驶状态。本文中的驾驶状态包括超车、变道、加速、减速、制动以及以原始速度行驶。

本文的贡献如下：
- 我们提出了一种基于边缘计算的框架，以在自动驾驶汽车无法准确感知周围环境时，协助其对附近车辆进行精确的定位与跟踪。
- 在路边服务器中，开发了一种与全球定位系统和无线信号信息相关的融合算法，用于测量靠近自动驾驶车辆的车辆位置。根据获取到的定位信息，即使在部分或完全遮挡的情况下，自动驾驶车辆也能确定下一时刻的驾驶状态。
- 进行了广泛的仿真以证明ECASS的高效率。与GPS相比，基于ECASS的定位更接近车辆的真实位置，尤其是在基于GPS的定位误差变大时。

本文的结构如下：第2节介绍了关于自动驾驶汽车的相关文献。第3节介绍了预备知识，包括动机和问题陈述。然后，第4节介绍了系统概述、算法设计以及服务器的选择策略，并在第5节中进行了性能评估。最后，我们在第6节对本文进行总结。

2. 相关工作

目前，关于自动驾驶技术已有大量相关研究工作，包括检测雷达和摄像头等硬件设计、基于这些硬件的信息融合算法设计，以及行驶过程中的轨迹规划[16, 17, 18]。

硬件

硬件是自动驾驶的基础。高质量的硬件能够更准确地感知周围信息[19, 20]。例如，梅赛德斯-奔驰在S级S 500智能驾驶车型上配备了接近量产的传感器硬件。特别是结合数字地图使用的视觉和雷达传感器，用于感知周围的交通状况[21]，该系统已在德国从曼海姆到普福尔茨海姆的路段上进行了自动驾驶测试。作为一种有前景的技术，激光雷达也能像雷达一样感知环境。由于其波长更短，高分辨率和可靠性使其成为未来无人驾驶汽车的必要技术[2]。然而，当前一代激光雷达传感器的尺寸、复杂性和成本阻碍了其商业化进程。因此，学术界和产业界研究已广泛开展，致力于使激光雷达传感器更小、更易于制造且更便宜[6, 22]。

信息融合算法

在获取周围环境的信息后，如何处理这些海量信息对于自动驾驶汽车至关重要[23, 24]。基于立体相机系统，弗兰克等人[25]提出了用于目标识别与跟踪、自由空间分析、交通灯识别、车道识别以及自定位的视觉算法。此外，为了实现对复杂城市街道场景的精确视觉理解，引入了一个名为Cityscapes的基准测试套件和大规模数据集，用于训练和测试像素级和实例级语义标注。基于该基准已开展了详细的分析和性能评估。与基于摄像头的检测不同，一种基于雷达的信号处理算法被设计用于估计车辆的速度和尺寸[26]。最后，一些研究工作提出构建一个融合雷达和视觉数据的车辆检测系统[27]。

轨迹规划算法

根据对周围环境的准确理解，自动驾驶汽车可以确定下一时刻的驾驶状态[28, 29]，例如制动、加速、变道或超车。其中，超车是最复杂的过程。为实现安全超车，米兰内斯等人[30]开发了一种基于模糊逻辑的控制器，用于控制车辆的横向运动和纵向运动。同时，采用立体视觉系统检测前方车辆，并触发自主超车操作。此外，在[9]中提出了一种用于自主超车操作的数学模型和自适应控制器。特别地，设计了一种自适应控制方案，以实现对被超越车辆未知速度情况下的期望轨迹跟踪，相较于先前的工作具有优势。文献[31]的作者提出了一种适用于复杂环境下的自动驾驶汽车路径规划方案。该方案主要由三部分组成，分别为新型路径表示、碰撞检测和路径修正。最后，在[12]中构建了多目标强化学习框架，以应对超车过程中的多准则问题。仿真结果表明所提策略具有高效率。

3. 预备知识

在本节中，我们介绍ECASS背后的动机以及问题陈述。

3.1. 动机

如今，大城市的交通状况变得越来越复杂。因此，自动驾驶车辆在应对各种交通场景时面临着若干关键挑战。例如，如图1所示，自动驾驶汽车可能被前方或后方的卡车或公交车轻易阻挡，当自动驾驶汽车行驶在卡车后方时，安装在其顶部的雷达或摄像头由于被前方的卡车遮挡，无法检测和定位区域1中的任何障碍物。

因此，自动驾驶车辆无法确定下一时刻的行驶状态，因为它无法准确感知周围环境。自动驾驶汽车采用的传统策略是以较低的速度跟随前面的卡车或公交车。因此，该机制将耗费更多时间并加剧交通拥堵，从而导致更多的污染。

3.2. 问题描述

近年来，与基于数据中心的计算[32]相比，边缘计算被提出以通过集成网络、计算、存储和应用的开放平台，在靠近设备或数据源的位置提供更快的网络响应和更强的安全保证。本文将自动驾驶汽车与边缘计算相结合，以在发生遮挡的情况下精确定位自驾驶车辆附近的其他车辆。

在自动驾驶汽车中，一秒被划分为 n个时隙。对于每个时隙，自动驾驶车辆将执行来自车辆控制器的指令，以确保行车安全。假设在时间 t，自动驾驶车辆等待下一时刻的驾驶状态指令——t+1/n。然后，车辆控制器将根据获取的定位信息确定下一时刻的行驶状态。

如图1所示，自动驾驶车辆（称为车辆 a）被前方的卡车遮挡。尽管配备了摄像头和雷达，该自动驾驶车辆仍无法检测和定位卡车左侧的车辆 b和 c。建议利用路侧基础设施（如服务器）协助车辆 a通过信息交互来检测和定位车辆 b和 c。根据获取到的这些信息，自动驾驶车辆 a可确定下一时刻的驾驶状态。

为了准确定位自动驾驶汽车附近的车辆，将把来自车辆的GPS定位信息和无线信号发送到附近服务器。根据无线信号信息，服务器可以获得相对于车辆[33]的到达角（AOA）。在存在遮挡的情况下，可基于GPS定位与AOA信息的融合，开发一种用于自动驾驶汽车的精确车辆定位算法。假设车辆 b的真实位置为b t,x和 b t, y，测量位置为 b m,x和 b m, y

基于设计的车辆定位算法应满足以下公式。
$$
\min(\sqrt{(b_{t,x} - b_{m,x})^2 + (b_{t,y} - b_{m,y})^2}). \tag{1}
$$

4. 系统设计

ECASS 的框架如图2所示。在本节中，首先介绍了 ECASS 的工作流程，然后介绍了车辆定位算法。最后，我们提出了靠近自动驾驶车辆的服务器选择方案。

4.1. 系统概述

在所提出的系统中，每辆自动驾驶车辆都集成了全球定位系统和一种无线天线，例如Wi-Fi天线或DSRC天线。车辆的GPS定位信息通过无线通信传输到附近服务器。车辆中的无线天线 a被称为 Ana。Ana将选择两个附近服务器进行通信，以精确定位车辆 a。ECASS的工作流程如下所示，如图3所示。如果自动驾驶车辆能够根据摄像头、雷达和惯性测量单元获取的交通状况准确感知周围环境，

然后根据决策算法规划驾驶状态。否则，它将向路侧服务器发送请求以获取附近车辆位置。随后，这些附近服务器将使用设计的信息融合算法估计靠近自动驾驶车辆的车辆位置。自动驾驶车辆将从这些服务器接收附近车辆的位置信息。最后，可以根据获得的定位信息确定是否超车、减速或加速。

我们关注基于从车辆传输的全球定位系统和无线信号信息融合的服务器端车辆位置测量。因此，由于车辆位置估计在服务器端执行，时间开销也可以降低。本文中，我们将其称为车辆定位算法。

4.2 车辆检测算法的设计

为了在遮挡区域中准确定位自动驾驶车辆，利用基于路侧基础设施的边缘计算。如图4(a)所示，车辆上的无线天线 Anb与两个附近服务器 b和 B同时通信。车辆 C将其自身的GPS定位信息发送到附近服务器 b和 B。具体而言，服务器可利用接收到的无线信号来提取到达角 C。在服务器端，位置[34]和到达角信息可根据设计的定位算法进行融合，以提高车辆的定位精度。同时，服务器会将它们自身的位置信息和ID发送至车辆 b，车辆据此实现对附近服务器的选择。

为便于理解，图4(a)可抽象为图4(b)。在图4(b)中，点 B和 C分别表示服务器 B和 C。无线天线 Anb放置在点 D处。将点B与点C之间的连线设为Y轴，将垂直于该连线的直线设为X轴。 bx和 by分别表示天线 Anb的横坐标和纵坐标。这些定位信息可通过车辆内置的全球定位系统获取。同时，服务器 B的坐标记为bB,x和bB,y，而bC,x和bC,y是服务器 C的坐标。两个服务器之间的距离设为 d。

我们考虑无线天线与两个进行通信的场景。具体而言， Anb将GPS定位信息bx和 by传输到服务器 B和 C。因此，可以建立一个几何三角形 4BCD，如图4(b)所示。假设根据接收到的无线信号，从 D到 B的到达角为 α，从 D到 C的到达角为 θ，则可以建立以下方程。
$$
d_{BD} \times \sin(\pi - \alpha) = d_{CD} \times \sin(\theta), \tag{2}
$$
其中 dBD表示线段 BD的长度， dCD表示线段 CD的长度。该方程可表述如下。
$$
\sqrt{(b_x - b_{B,x})^2 + (b_y - b_{B,y})^2} \times \sin(\pi - \alpha) = \sqrt{(b_x - b_{C,x})^2 + (b_y - b_{C,y})^2} \times \sin(\theta). \tag{3}
$$
同时，根据余弦定理也可以建立以下方程。
$$
2 \times \cos(\alpha - \theta) \times \sqrt{(b_x - b_{B,x})^2 + (b_y - b_{B,y})^2} \times \sqrt{(b_x - b_{C,x})^2 + (b_y - b_{C,y})^2} = (b_x - b_{B,x})^2 + (b_y - b_{B,y})^2 + (b_x - b_{C,x})^2 + (b_y - b_{C,y})^2 - d^2. \tag{4}
$$
最后，我们还可以得到另一个方程：线段 BE的长度与线段 CE的长度之和等于线段 BC的长度，可以表示为：
$$
\sqrt{(b_x - b_{C,x})^2 + (b_y - b_{bC, y})^2} \times \cos(\theta) + \sqrt{(b_x - b_{B,x})^2 + (b_y - b_{B, y})^2} \times \cos(\pi - \alpha) = d. \tag{5}
$$
当基于GPS的定位和到达角（AOAs）准确时，这些方程成立。然而，如上所述，即使是基于地图匹配的GPS定位也存在数米的误差。测量得到的到达角（AOAs）误差在几度的水平。因此，线段 BC的长度与线段 BE和线段 CE长度之和之间存在差距。ECASS中设计的定位算法的目标是最小化差距 p 介于这两个值之间，可以表示为
$$
\min\left(\sqrt{(b_x - b_{bC,x})^2 + (b_y - b_{C,y})^2} \times \cos(\theta) + \sqrt{(b_x - b_{B,x})^2 + (b_y - b_{B,y})^2} \times \cos(\pi - \alpha) - d\right). \tag{6}
$$
优化问题存在一些约束条件。首先，方程3和4应同时满足。其次， θ应大于0，但小于 π/2。总之，该优化与安装在车辆Anb上的天线 b相关，且该优化问题可转化为：
$$
\min\left(\sqrt{(b_x - b_{B,x})^2 + (b_y - b_{B,y})^2} \times \cos(\pi - \alpha) + \sqrt{(b_x - b_{C,x})^2 + (b_y - b_{C,y})^2} \times \cos(\theta) - d\right),
$$
s.t.
$$
2 \times \cos(\alpha - \theta) \times \sqrt{(b_x - b_{bB,x})^2 + (b_y - b_{B,y})^2} \times \sqrt{(b_x - b_{C,x})^2 + (b_y - b_{C,y})^2} = (b_x - b_{B,x})^2 + (b_y - b_{B,y})^2 + (b_x - b_{C,x})^2 + (b_y - b_{C,y})^2 - d^2,
$$
$$
\sqrt{(b_x - b_{B,x})^2 + (b_y - b_{B,y})^2} \times \sin(\pi - \alpha) = \sqrt{(b_x - b_{C,x})^2 + (b_y - b_{C,y})^2} \times \sin(\theta),
$$
$$
0 \leq \alpha - \theta \leq \pi,
$$
$$
\pi/2 \leq \alpha \leq \pi,
$$
$$
0 \leq \theta \leq \pi/2,
$$
$$
d_{L,S} \leq b_x \leq d_{L,s} + B_w,
$$
$$
0 \leq b_y,
$$
其中 B w表示道路宽度， d L,S表示服务器与道路之间的距离。对于每个请求，优化操作在服务器端执行一次，然后将估计的车辆位置发送给自动驾驶车辆。

通过收集来自附近服务器的这些定位信息，自动驾驶车辆可以基于这些信息确定其驾驶状态决策策略。

4.3. 附近服务器的选择

所提出的系统假设使用附近服务器来协助自动驾驶车辆实现车辆检测和定位，并且它们之间可以相互通信。如第4.2小节中所设计的，选择同侧最近的两个服务器作为辅助基础设施，以精确定位车辆。这是因为距离车辆越近，服务器接收到的来自车辆的无线信号越强。此外，这有助于更精确的到达角估计。

如框架所示，位于自动驾驶汽车通信覆盖范围内的服务器会向自动驾驶车辆发送其信息，包括ID和定位。随后，自动驾驶车辆将选择同侧最近的两个服务器以协助实现精确的车辆定位。

如图5所示，当自动驾驶车辆位于位置1时，天线 Ana将选择服务器 B和 C，因为它们是距离最近的两个服务器。一段时间后，当车辆位于位置2时，则选择服务器 C和 D。服务器选择的详细算法见算法1。

算法1：服务器选择算法

输入: (xv,a,yv,a)：车辆 a 的位置； S：服务器集合，这些服务器是在车辆 a 的通信范围内； N：集合 S 中的服务器数量； Si:服务器 i；(xs,i,ys,i):服务器 i 的位置
输出: Spre:通信基站集合

1. dmin ← √((xv,a - x(s,1))^2 + (yv,a - y(s,1))^2);
2. Spre ← ∅;
3. m ← 0;
4. k ← 0;
5. 当 (j < N) 时执行
6. d ← √((xv,a - x(s,j))^2 + (yv,a - y(s,j))^2);
7. 如果 (d < dmin) 那么
8. dmin ← d;
9. k ← m;
10. m ← j;
11. j ← j+1;
12. Spre ← Spre ∪ Sm;
13. Spre ← Spre ∪ Sk;
14. 返回 Spre；

5. 性能评估

进行了大量仿真以验证 ECASS 的高效率。

5.1. 仿真设置

仿真由MATLAB开发。如图6所示，同方向有两条车道。每条车道宽度设置为3米。沿道路相邻两个服务器之间的距离设置为200米。服务器到最近车道的距离设置为10米。车辆沿X轴行驶。因此，第一个服务器的坐标可设为(0,0)，第二个服务器的坐标可设为(200,0)。

5.2. 仿真结果

在仿真部分，我们通过不同的速度、不同的GPS误差以及不同数量的车辆对ECASS进行评估。

5.2.1. 不同速度下的仿真

首先，我们模拟仅有一辆车辆以10米/秒的恒定速度行驶的场景。该车辆沿车道1的直线移动。全球定位系统定位误差设定在2米以内，基于无线信号的角度估计误差设定在 5° 以内。根据速度，天线相对于两个附近服务器的实际到达角值分别等于 arctan(11.5/10t) 和 π − arctan(11.5/(200 − 10t))，如图7(a)和7(b)所示。

轨迹跟踪的仿真结果如图8(a)所示。显然，基于ECASS的轨迹跟踪比基于GPS的轨迹更接近车辆真实轨迹。

基于ECASS的车辆位置与真实位置之间的绝对误差等于 $\sqrt{(b_{t,x} - b_{m,x})^2 + (b_{t,y} - b_{m,y})^2}$，其中车辆为 b，而GPS位置与真实位置之间的绝对误差等于 $\sqrt{(b_{t,x} - b_x)^2 + (b_{t,y} - b_y)^2}$。这两种绝对误差分别称为 $E_{ECASS-Real}$ 和 $E_{GPS-Real}$。轨迹上 $E_{ECASS-Real}$ 和 $E_{GPS-Real}$ 的累积分布函数在图8(b)中绘制。从该图可以看出，基于ECASS的绝对定位误差小于基于GPS的定位误差。当GPS定位误差设定在2米以内时，基于ECASS的位置与真实位置之间的平均绝对误差约为1米，比基于GPS的位置与真实位置之间的平均绝对误差小0.4米。因此，验证了提出的算法具有高定位精度。

关于角度估计，仿真结果分别如图9(a)和图9(b)所示，其中图9(a)表示车辆与后方服务器之间的到达角，图9(b)表示车辆与前方服务器之间的到达角。两幅图均验证了基于ECASS的角度比基于无线信号估计的角度更接近真实角度，并且更加稳定。

同时，我们还研究了车辆在行驶过程中经过一个服务器时基于服务器选择方案的角度值。仿真结果如图10(a)和图10(b)所示。结果明显表明，与基于无线信号的角度相比，基于ECASS的测量角度能够更准确地跟踪轨迹上的实际角度。即使车辆仅经过一个服务器，基于ECASS的角度估计仍然更加准确。

上述仿真基于恒定速度，但在大多数实际场景中这一条件无法满足。因此，我们研究了车辆速度随时间变化的场景。设定的速度分别如图11(a)和图11(b)所示，其中车辆的最高速度限制为20 米/秒。如左图所示，车辆遵循匀加速运动，而右图中的速度变化不规则，更接近真实场景。

仿真结果如图12(a)和图12(b)所示。基于ECASS的车辆轨迹在轨迹跟踪和绝对误差方面均表现出优于基于全球定位系统信息的性能。同时，基于ECASS的平均绝对误差比基于全球定位系统的低约0.4米。

角度估计如图13(a)和图13(b)所示。我们可以观察到，基于ECASS的角度测量值与真实角度几乎一致，而基于无线信号估计的角度则在较大范围内波动。

最后，我们基于图11(b)中的速度设置进行仿真。图14(a)和图14(b)所示的仿真结果验证了即使在车辆速度不规则的情况下，基于ECASS的轨迹也比基于 GPS的轨迹更准确。

因此，可以得出结论：当GPS定位误差设定在2米以内时，无论车辆速度如何变化，基于ECASS的轨迹跟踪相比基于GPS的轨迹都表现出优越性能。

5.2.2. 不同GPS误差下的仿真

上述仿真在GPS定位误差设置为2米的条件下进行。在本小节中，我们将探讨具有不同GPS定位误差的仿真场景，其中由于GPS定位精度可能受到不同因素的影响，因此考虑不同的GPS定位误差，例如电离层引起的折射效应和多径效应。

首先，我们将GPS定位误差设置在6米以内。图15(a)和图15(b)展示了定位精度方面的仿真结果。基于ECASS的轨迹比基于GPS的轨迹更接近实际轨迹。其平均绝对误差比基于GPS的减少2米。

角度测量如图16(a)和图16(b)所示。在整个仿真时间内，基于ECASS的两种到达角与基于无线信号估计的到达角相比，表现出更精确的估计和更稳定的表现。

最后，图17(a)和图17(b)绘制了当GPS定位误差设置在10米以内时的跟踪轨迹。基于ECASS的车辆轨迹比基于全球定位系统的轨迹表现出更好的性能。基于设计的算法的平均绝对误差约为3米，比基于全球定位系统的误差低4.1米。

最后观察到，基于ECASS的精度提升在GPS定位误差较大时能够得到增强。尽管当GPS误差设定在10米以内时，基于设计的算法的平均绝对误差约为3米。我们可以看到，这种相对较大的误差主要由X轴上的定位误差引起。按照惯例，相邻车辆之间应保持较大的安全距离。因此，与安全距离相比，这些较小的误差对驾驶状态判断影响较小。然而，较大的GPS定位误差将导致错误的判断。我们可以得出结论：当GPS误差增大时，ECASS能够更高效地工作。

5.2.3. 两车辆仿真

在本小节中，我们将部署两辆车辆来展示ECASS的高效性和鲁棒性。这两辆车辆设定的速度如图11(a)和图11(b)所示。为了模拟更复杂的场景，车辆1将在10秒时变道，初始位置设置在第2车道，而车辆2将在第4秒变道。车辆1的初始位置设置为(0,0)，车辆2的初始位置设置为(20,0)。

车辆1的仿真结果如图18(a)和图18(b)所示。显然，基于ECASS的轨迹比基于GPS的轨迹表现更好。可以看出，即使在行驶过程中车辆变道，该轨迹仍能准确跟踪实际轨迹。

两种车辆场景下估计角度值的仿真结果如图19(a)和图19(b)所示。验证了即使车辆变道，ECASS也能实现高精度的到达角估计。

6. 结论与未来工作

随着自动驾驶技术的快速发展，自动驾驶汽车已引起工业界和学术界的广泛关注。现有的大多数文献集中在车载雷达和摄像头等硬件设计、与信息融合相关的算法设计以及车辆轨迹规划方面。然而，大多数轨迹规划算法都基于雷达、摄像头和惯性测量单元能够感知环境这一假设。

自动驾驶车辆周围的环境。然而，在实际交通场景中，车辆可能被前方或后方的卡车或公交车遮挡，车辆内部集成的雷达或摄像头无法准确感知周围环境。此外，基于GPS的定位精度无法确保自动驾驶的安全性。

因此，我们将自动驾驶车辆与边缘计算相结合，以在自动驾驶车辆被卡车或公交车部分甚至完全遮挡时实现邻近车辆的检测与定位。通过利用路侧基础设施，可实现靠近自动驾驶车辆的精准车辆定位。这些信息将被传递给自动驾驶车辆，使其能够确定下一时刻的驾驶状态。大量仿真结果验证了所提出系统的高效性。

尽管我们提出了一种利用路侧基础设施来定位自动驾驶车辆附近车辆的新颖框架，但仍存在一些不足，如下所列。
- 高效通信策略对于减少传输时间消耗是必要的，因为时间成本在自动驾驶系统反应中起着至关重要的作用。
- 在未来的工作中，应结合轨迹规划来设计车辆定位算法，以应对各种交通状况。
- 应进行真实轨迹实验而非仿真，以在实际场景中测试所设计的方案。