物聯網（IoT）的發展提出了許多新穎的技術，其中的應用場景不僅限于用戶級別（例如，個人消費者或私有公司），而且還可以應用于系統級別（例如，商業或工業領域）。數字孿生是物聯網的新興代表，最近引起了越來越多的關注。數字孿生被評為2019年十大戰略技術趨勢之一，其中包括自動駕駛事物（例如，自動駕駛汽車），沉浸式技術（例如，虛擬現實和增強現實）以及量子計算。

*本文來自本實驗室李王睿的研究成果和學習筆記

盡管數字孿生的定義在不同的研究中有所不同，但基本思想非常相似：數字孿生是物理域中實體的數字域中的數字副本。數字孿生技術得益于物理網絡連接和網絡物理系統（CPS）元素，為實時監控和與虛擬對等實體同步實時活動開辟了道路。數字孿生概念最早是在航空領域誕生的，當時美國國家航空航天局（NASA）將其作為其2010年技術路線圖的關鍵要素。在過去十年中，隨著其在不同領域的快速發展，包括航空和航天，機器人技術，制造業和信息學，數字孿生在運輸領域也具有巨大潛力。自從在過去的十年中出現以來，數字孿生概念已經在汽車行業中被松散地定義和采用，部分原因是它與CPS和IoT等其他技術的相似性和聯系。

在本文中，我們提出了一種使用車輛到云（V2C）通信的互聯車輛的數字孿生框架。針對高級駕駛員輔助系統（ADAS）開發了一種數字孿生模型，比如由云計算的參考速度顯示在車輛車載駕駛員接口（DVI）設備上，因此駕駛員可以在駕駛中更智慧地控制車輛。此外，還進行了協作式匝道并線的案例研究，其中在三輛乘用車上的真實交通中的現場實施驗證了所提出的數字孿生框架的有效性。

智能網聯汽車的數字孿生系統的總體框架

從上圖可以看出，我們為具有兩層框架的互聯車輛開發了數字孿生系統。下層代表物理域，而上層代表數字域。此外，通信模塊在此系統框架中起著至關重要的作用，它是將兩層緊密連接在一起的紐帶。

數字孿生框架的物理層隨時間在世界坐標上定義，可能包含所有物理實體及其相互作用，包括車輛和零部件，駕駛員和乘客，道路基礎設施，氣象學，其他道路使用者等。該層中的兩個關鍵模塊是傳感器和執行器。傳感器可以檢測物理實體的動態狀態，操作過程中的變化或事件發生（例如車速，駕駛員的視線和交通燈狀態），并以不同的解決方案匯總測量結果。信息通過通信模塊傳輸到數字域，以進行進一步處理。

另一方面，（再次通過通信模塊）接收到來自數字域的處理結果，并將其用作物理域中實體或過程的駕駛指示。物理域中的智能網聯車輛可以是部分或完全自動化的（即聯網和自動化的車輛），也可以由具有某些ADAS功能的人類駕駛員來駕駛。數字域發送的駕駛指示將建議智能網聯車輛的自動控制器或人工駕駛員進行協作/智能操作，進而在安全性，機動性和環境可持續性方面受益于運輸系統。

數字孿生框架內的數字域處理了此兩層框架中的所有計算工作。它不僅包含物理域的摘要（即物理實體和過程的數字副本），而且還執行一些關鍵功能。首先，對來自物理域的感知數據進行清理（例如異常檢測和刪除，丟失數據歸因）并進行融合（包括時間同步）。然后，預處理的數據可以存儲在數據庫中（例如，用于數字可追溯性）或發送到數據挖掘和知識發現模塊以進行進一步探索

使用先進的計算技術（例如機器學習），從數據挖掘和知識發現模塊中提取的信息可用于為知識庫做出貢獻或構建物理域的模型。出于可視化目的，可以將模擬工具（例如車輛模擬器，駕駛模擬器和交通模擬器）集成到建模模塊中。知識庫位于數字域的中心，建立在歷史信息之上，并隨著新信息的涌入而不斷更新。可以提取知識以進行預測分析（與建模/仿真工具結合使用）并找到最佳信息支持決策過程的策略。混合動作（通過通信模塊）傳輸回物理域中的執行器，以提高整體系統性能。

基于V2C的ADAS架構

在本節中，我們在數字孿生框架內開發了基于V2C通信的ADAS，其目的是為駕駛員提供參考速度信息。下圖中顯示了專門用于此ADAS的系統架構圖。下面將討論此基于V2C的ADAS中不同組件的特征。

物理域

在現實世界中，聯網車輛由蜂窩熱點（可選），全球導航衛星系統（GNSS），DVI設備和人類駕駛員組成。由于計算得出的速度指南是通過V2C通信從數字域發送的，因此在物理域中不需要車載計算機。

1）蜂窩熱點：此模塊提供對DVI設備的蜂窩訪問，因此可以在此數字孿生模型中進行V2C通信。Wi-Fi熱點可能配備有4G LTE（可能是5G）sim卡，并具有“共享熱點”功能。但是，如果DVI設備（例如手機或平板電腦）已經配備了SIM卡，則此蜂窩熱點不是必需的。

2）GNSS：車輛上裝有此模塊，用于測量其實時原始位置（緯度和經度）和速度信息，并通過微型USB電纜將其發送到DVI設備。

3）DVI設備：此模塊向駕駛員顯示建議信息（通過V2C通訊）以進行協作/智能操作。在DVI上顯示的信息（圖中顯示了一個示例）可能包括當前速度（左側數字），參考速度（右側數字）和其他一些其他消息（例如，語言指導，緯度和經度，IP地址） 。

4）駕駛員：配備的車輛的駕駛員可以通過踩下加速/制動踏板，根據DVI來調整車速。由于駕駛員不可能完美地保持參考速度，因此在云服務器上運行了人類行為模型來預測加速/制動錯誤并實時補償指導以提高系統性能。

數字域

該基于V2C的ADAS的所有計算都在云服務器上進行，在云服務器中，在數字域中創建物理實體（例如，車輛，駕駛員，道路）和相關功能模塊的數字副本。以下列出了ADAS的主要數字模塊的細分：

1）地圖匹配：對于地圖匹配模塊，云服務器上提供了測試場的預制地圖，其中包含諸如道路類型，道路長度，道路ID和方向，道路速度限制，合并區域和影響區。地圖匹配模塊的主要功能是位置同步和地理圍欄。為了進行位置同步，可以通過建議的地圖匹配算法將從GNSS接收到的車輛坐標（即經度，緯度和高度）與預先構建的地圖進行匹配，以更新其在數字域中的當前位置。對于地理圍欄，定義標志以檢查每個時間戳中車輛的位置和狀況，因此可以相應地執行相關的操作。

2）駕駛計劃和運動控制：此模塊生成本車輛的參考速度。該模塊的輸入是所有相關車輛的速度和車道高度位置，其中駕駛計劃器生成本車輛的預計駕駛軌跡，而運動控制器計算參考速度以實現該期望軌跡。

3）人為行為模型：此模塊預測駕駛員產生的速度跟隨錯誤，并實時補償原始參考速度。該模型的輸出是發送到物理域的參考速度，該速度已經考慮了駕駛員產生的速度誤差。

4）數字孿生可視化：此模塊演示了數字域中車輛的數字復制。它從人類行為模型接收參考速度，并從地圖匹配模塊接收位置和車輛速度。該界面根據GNSS模塊測量的位置在預制地圖上顯示所有車輛的實時運動。它還顯示一些附加信息，例如服務器IP地址，車輛的緯度和經度和所配備車輛中DVI的簡化版本。

5）能效評估：能效評估模塊實時分析數據。可以在云服務器上分析速度，加速度，能耗，標準污染物排放和許多其他感興趣的性能指標，并將其結果發送回物理域或顯示在DVI上。

案例研究：協作式匝道并線

為了證明根據ADAS的數字孿生框架在現實世界中的有效性，我們進行了協作式匝道并線的案例研究。所提出的方法如圖所示，其中每個合并的車輛都假定已啟用V2C通信并由駕駛員駕駛。任何兩個車輛之間的合并操作都被簡化為一個跟車問題，在先前的研究中，我們采用了“虛擬車輛”的想法：將在另一條合并車道上創建真實車輛的虛擬車輛，共享與真實車輛相同的縱向速度和距離。

基于當前速度和合并距離，可以由云服務器上的駕駛計劃器計算合并時間的估計值。然后可以通過對所有估計的合并時間值進行排序來確定所有相關車輛的合并順序。從圖中可以看出，虛擬車輛被投影在另一個合并車道上，因此其后續車輛（具有一個較大的序列ID號）可以基于云服務器上的運動控制器進行跟車操作。

基于我們先前的研究，運動控制器采用了基于查表的共識算法。基本上，本車輛i從云服務器檢索其（虛擬）領先車輛j（j = i?1）的信息，包括其長度，縱向速度和橫向合并距離。然后，共識算法將這些輸入以及來自本車輛i的車輛動力學數據，并通過以下算法計算本車輛i的參考加速度：

這項研究的未來主要方向是將該數字孿生模型應用于其他車輛用例，例如并非所有車輛都具有V2C連接的混合交通場景，并驗證所提出的數字孿生框架的有效性。此外，與其他通信方法相比，需要在此數字孿生框架內提出和實現更多服務模塊，以最大程度地發揮V2C通信的優勢。

fqj