智能交通(智能交通技术是干什么的)

LPR连续两个月按兵不动。

中国人民银行授权全国银行间同业拆借中心公布，2022年7月20日贷款市场报价利率（LPR）为：1年期贷款市场报价利率（LPR）为3.7%，5年期LPR为4.45%，均与上月持平。

全国银行间同业拆借中心

LPR保持不变符合市场预期。

在7月的中期借贷便利操作中，作为中期政策利率的MLF利率并未发生变化，7月15日，央行等额等价续做了1年期中期借贷便利（MLF）操作。

今年以来，1年期LPR和5年期LPR累计分别下降10个基点和20个基点，其中，1月1年期LPR下降10个基点，5年期以上LPR下降5个基点，5月5年期以上LPR下调15个基点。企业综合融资成本也随之下降，6月份，新发放企业贷款利率为4.16%，比上年同期低34个基点。

在上周举行的2022年上半年金融统计数据新闻发布会上，央行货币政策司司长邹澜在回应下半年LPR是否还有继续下调空间时表示，下一阶段，人民银行将继续深化利率市场化改革，持续释放LPR改革效能，发挥存款利率市场化调整机制作用，充分发挥利率自律机制作用，维护市场良好竞争秩序，推动继续降低实际贷款利率，让广大市场主体切身感受到综合融资成本实实在在的下降。

0 前言

当前对智能驾驶汽车预期功能安全研究尚处于起步阶段，主要集中在讨论研究范畴及对内涵的理解。欧宝汽车提出了L2和L3已有的功能安全标准并不能涵盖所有的安全问题，引起产学各界对预期功能安全研究的重视。ISO/PAS 21448中对预期功能安全基本实现思路及流程进行了规范，并在2018年的ISO/TC22/SC32/WG8功能安全工作组会议讨论了ISO 21448将引入机器学习、路径规划、人员响应HMI、先进测试方法等。我国学者毛向阳等分析了预期功能安全、功能安全及信息安全的关系。Mirko Conrad等也对比了功能安全与预期功能安全之间关系并在SAE 2018自动驾驶安全技术论坛作相关报告。IOTG研究了预期功能安全、网络安全以及责任敏感性安全等智能驾驶不同方面的安全性考虑及相互关系。ZENUITY公司通过分析ADAS与HAD的不同提出了SOTIF在两者中应用的区别。HORIBA MIRA分析了SOTIF及其应对的挑战，提出了相应的需求并建立了风险评估的框架，利用SOTIF风险评估等分析了解决预期行为方面问题的预期功能安全框架。

上述研究主要集中于预期功能安全的定义和描述，对其开展理论和定性定量的研究涉及很少。尚世亮和李波对比功能安全与信息安全技术的差异给出了预期功能安全的技术路线，同时对车辆电控系统预期功能安全技术进行了研究，并提出相应评估方法与改进方法。BOSCH公司基于V模型两侧内容将SOTIF用于ADAS系统开发过程和自动驾驶，并利用性能故障树从标称性能角度分析DA/AD系统。TNO提出了一种基于场景、数据驱动、用于构建和维护真实场景数据库的StreetWise方法，为*驾驶辅助系统和(连接的)自动驾驶系统的开发和评估提供了真实的场景和测试用例。Bev Littlewood等研究了对于安全关键软件操作测试的一些保守停止规则，提出了一些新的贝叶斯停止规则，为SOTIF适用系统的确认过程提供了一些测试方法的借鉴。Scott A.Shappell等研发的HFACS系统可推导SOTIF误用情景中的人为因素分析中。德州仪器公司就混合信号半导体的失效模式影响及诊断分析（FMEDA）提出了一套功能安全分析的思路。蔡天富等人以耗散结构的维持与演化作为安全系统运行机制的理论基础,在探讨过程中提出了安全熵是反映安全系统本身的混乱程度的概念，并提出安全熵简单数学表达和在人-机-环境三大要素组成系统中的分析。车天伟等人结合信息论有关知识引入安全熵的概念，针对访问控制模型的安全性分析与证明问题,提出了基于安全熵的量化分析方法。袁黎等人为评估无信号控制路段行人过街安全性,本文考虑行人过街的不确定性及混乱性,提出安全熵概念,建立基于安全熵的无信号控制路段行人过街风险评估模型。这些安全熵相关的研究可借鉴于预期功能安全的定量评估分析中。

智能汽车预期功能安全研究的另一个重要内容就是对于场景的理解。Thomason等将场景提出了一种场景树作为场景表示，其中它们将场景分解成更简单的元素并将这些元素排列成分层结构；Maurer从观察者的观点来看：“物理对象的空间—时间排列定义了一个场景”。Geyer等人使用剧院的比喻来定义：“场景由风景，动态元素和可选的驾驶指令定义。场景从前一场景结束开始，或者在第一场景的情况下开始—具有预定义的起始场景。在这个起始场景中，定义了所有元素及其行为，并设定了自我车辆的位置”。通过研究和总结前人的成果，Simon Ulbrich等人定义场景为环境的快照，包括风景（地理空间静止元素）和动态元素（移动或具有移动能力），以及所有行动者和观察者的自我表征，以及这些实体之间的关系。

智能驾驶的预期功能安全问题，从智能驾驶的三个层面（图1）：感知识别、决策规划、控制执行，分析产生预期功能安全问题的场景因素、算法因素和部件软硬件因素，基于SCSTSV的概念建立智能驾驶安全性预警区、识别区和防护区，提出定量度量预期功能安全的“安全熵”理论，构建安全性试验场景和试验用例。

（1）L4级的智能汽车要求扩展预期功能安全的研究内涵

目前ISO/PAS 21448标准主要是针对L2级ADAS的预期功能安全研究，聚焦于人与智能车的交互安全，随着智能驾驶系统从辅助驾驶功能朝着无人驾驶的发展，人类的角色由专业驾驶员逐渐过渡为一般非专业化乘员，最终从驾驶任务中解放。智能汽车预期功能安全的不确定性因素大大增加。因此，应从智能驾驶的“感知、决策、执行”各个层面系统性研究预期功能安全的内涵。

（2）人工智能算法给智能汽车安全带来新的不确定性

人工智能算法在汽车领域的应用极大地推动了智能驾驶的发展，但由于算法本质上是统计概率的范畴，在模型的训练与测试过程中所涉及到的样本库质量，算法选择等，不能覆盖汽车行驶的所有场景。导致系统在实际使用过程中可能在无故障的情况下出现漏检、误检，从而危害行车安全。因此，有必要在预期功能安全范畴内，对人工智能算法给智能汽车安全带来的风险进行评估。

（3）预期功能安全领域缺乏定量表示

ISO/PAS 21448标准以本车的车载系统功能为中心，从环境关联的角度研究如何提高本车预期功能安全性的问题，提出系统功能与环境关联安全的重要性，提供了一种安全分析的全局观，但尚缺乏汽车智能系统预期功能安全的定量表示。熵是衡量系统混乱程度的有效手段，本文拟引入熵反映智能汽车在某状态下智能驾驶系统的不确定性，代表智能汽车的预期功能安全概率，实现预期功能安全的定量表示。

图1 智能汽车预期功能安全

1 驾驶感知的安全建模

智能车是智能交通系统的重要组成部分，但车载传感器的探测范围与精度受硬件和算法的制约，同时在特定极端恶劣环境下，系统的鲁棒性也面临挑战。由此给智能驾驶感知的安全带来不确定性。目前主流的解决方法是将多种传感信息融合，依靠系统冗余从而提高整个系统的可靠性和安全性。

Chen等人首先将雷达输入的3D点云投影到前视图和鸟瞰图，然后用鸟瞰图通过卷积网络以及3D bounding-box回归之后生成低精度的3D proposal，然后将此3D proposal投影到前视图、鸟瞰图、单目图像，通过一个融合网络，最后将其通过多任务损失函数进行训练，得到车辆的三维检测。Ku等人输入RGB图像以及BEV图(点云的鸟瞰图)，利用FPN网络得到二者全分辨率的特征图，将两者的特征图作为RPN的输入，通过crop&resize提取两个feature map对应的feature crop，按元素取均值的操作进行融合，最后挑选出3D proposal以实现3D物体检测。Banerjee等人首先通过对激光雷达和相机的外部校准，得到激光雷达点云坐标系与相机坐标系的变换矩阵，将激光雷达点云通过变换矩阵变换到相机坐标系，再投影到图像平面上，得到深度稀疏的RGB-D图像，将融合后的图像送入目标检测网络。Liang等人首先分别在图像流和点云流(BEV)使用ResNet18提取特征，然后将图像特征进行多尺度融合并利用PCCN将其“投影”到BEV map上(类似于插值过程)，融合了图像特征以及空间位置信息，最后与点云流特征进一步融合并实现3D检测。Qi等人输入RGB-D数据，先通过Mask RCNN在RGB图像上找到2D区域建议，结合激光雷达点云，将2D边界框提升到定义该对象的3D搜索空间的视锥建议，接着，在该视锥中使用PointNet++进行3D实例分割（进一步缩小建议的3D空间），最后，利用T-Net对坐标归一，并再次使用PointNet++，回归出物体3D边界框的相关参数。

Han等人通过对激光雷达点云数据投影过后的二维深度图像上采样，得到与图像像素一一对应的深度信息，将彩色图像和深度图像两个数据特征训练adaboost分类器，最后通过CRF调整输出结果。Liu等人提出了一种基于共点映射的方法融合激光雷达和图像数据，其认为激光点云信息到像素信息类似于共线中的双射，通过此方法将激光雷达与图像边缘点相对应，提出了4种特征判断车辆可行驶区域，最后将结果送入贝叶斯网络得到概率图模型。Xiao等人为了克服复杂多变的道路场景，天气变化和光线变化，将激光雷达点云数据与图像数据标定对齐，将两种传感器数据同时通过CRF输出对应道路区域概率，可以在较大程度上消除两种传感器带来的缺点，比如激光雷达点云数据拥有精确的3D距离信息，而缺乏图像数据的颜色、纹理、梯度等特征。Xiao还通过一种新颖的鸟瞰图变换将激光雷达数据和图像数据对齐，弥补两个传感器各自的缺点，最后通过CRF给出道路区域概率。

Hu等分别在激光雷达和图像数据中提取道路路面，激光雷达通过提取道路边界点和路面点，在图像数据中提取道路特征，最后将其使用概率图模型输出道路概率。Couprie等提出了一种基于二维和三维视觉融合的道路检测系统，利用二维图像通过分水岭生成簇，然后对每个簇的二维和三维特征进行融合并送入人工神经网络（ANN）进行分类。Dosovitskiy等提出映射雷达点到图像平面，然后分析点之间的局部空间关系，得到障碍物，并通过多自由空间检测来估计道路。由此看出，目前的研究主要集中于多感知的融合算法，但对于感知的错检、漏检，以及错觉场景的风险评估研究涉及较少。

2 智能驾驶决策的安全建模

对于人-车-环境为一体的现代化道路交通，环境感知信息的不完整、高度动态变化、甚至不一致等特点，对自动驾驶车辆的认知与决策模型在准确性、实时性、鲁棒性等方面提出了严峻挑战。目前，自动驾驶汽车决策行为的研究主要包括行为决策、路径规划及行车安全三个方面，但研究内容对于影响行为决策、路径规划以及行车安全的各种因素考虑不全，对由此产生的风险概率评估不足。

在行为决策方面，卡耐基梅隆大学的BOSS使用行为推理方法进行决策，按照规定的知识及规则实时推理出相应的驾驶行为。但由于真实的交通场景中不可避免的存在不确定性，并不能完全保证决策的安全准确性。Wei J等人将传感器噪声、感知约束及周围车辆行为作为属性加以决策，使用Markov模型进行决策，增强了自动驾驶汽车在单车道内行驶的稳定性。同样，Chen J等人采用多属性决策方法来选择自动驾驶汽车的*策略。

在路径规划方面，目前最常用的方法为启发式搜索算法，包括A*和Field D*等算法，这类算法通常搜索速度较快，但其求解过程不够稳定，容易出现重新规划的现象。丛岩峰提出基于预测控制理论，基于滚动的方法借助反馈进行实时规划。上述算法都未考虑到车辆动力学的问题，规划出的轨迹不适合车辆行驶；且算法的普适性及实时性无法满足智能驾驶的安全需求。

在行车安全方面，大多数现有的行车安全模型都是基于车辆动力学理论来建立的，考虑了车辆状态信息和相对运动信息。这类行车安全模型忽略了“人-车-路”闭环系统各要素对行车安全的影响，无法体现影响行车安全的各因素的相互作用。我国李德毅院士等发明了一种智能车辆利用变粒度路权雷达图进行信息融合的方法，采用变粒度路权雷达图的形式，融合各类传感器的环境感知信息，并显示车辆拥有的路权空间及其变化趋势，实现辅助驾驶和无人驾驶。汤传业等人提出了一种基于交规约束的无人车行驶路权规划方法，通过对道路环境图像的处理最终得到了栅格状的路权态势图，使得无人车在规则化道路中在遵守交通法规的前提下安全行驶。刘健在其博士论文中提出了一种基于障碍物特性建模的路权时空态势图的构建方法，反映无人车局部环境中的碰撞风险。我国学者王建强提出了“行车风险场”概念，考虑了人-车-路组成闭环系统中各交通要素对行车风险的影响，为车辆智能安全技术的研究提供了一种新的思路和方法。

3 智能驾驶执行器的安全建模

智能驾驶执行器是作为智能驾驶系统决策输出目标控制量的最终执行者，其执行效果直接影响无人车整体性能，它所承接的系统决策命令综合了车辆外部交通环境状与车内乘客的高不确定性，故建立执行器安全模型是实现智能驾驶的关键技术之一。目前的研究对于乘员在环的误操作以及带来的风险没有系统的评估策略和安全建模。

执行器的预期功能安全主要考虑人机交互过程中乘客的不确定性与执行器自身的响应特性。首先，多因素可造成乘客错用或者误用驾驶功能，而不同自动驾驶功能触发时乘客的接受度和响应时间直接决定了该过程中车辆行驶的安全性。且乘客的个人差异（如年龄、驾驶履历、心理负荷、操作感觉反馈、自动驾驶功能的理解程度等）在人机交互环节可能威胁车辆行驶安全。目前，控制权切换绩效的评价尚无统一的方法，但是其中一些因素已经取得了一些研究进展。Damböck等人研究了在自动驾驶过程中，通过给定一个切换任务来研究驾驶人对任务的响应实时性。Zeebk等采用仿真实验分析了智能辅助驾驶系统切换时间与切换提示之间的相互影响关系，并在此基础上对不同驾驶风格驾驶人切换反应能力进行了统计分析。Nilsson等通过融合驾驶人的控制能力和车辆当前状态构建由自动驾驶切换到手动驾驶的安全评估模型。

在现阶段，预期功能安全的研究对象主要是L2级别的自动驾驶系统，驾驶员在环是其重要特征。对驾驶员状态的检测一般包括以下3种方法：

（1）驾驶员生理信号检测法；

（2）驾驶员面部表情检测法；

（3）驾驶员驾驶行为检测法。

如浙江大学开发了一套基于灰度积分投影的人眼快速定位法，利用图像垂直灰度和水平灰度投影曲线来确定人脸边界及人眼位置，最后确定人眼阈值进而检测驾驶人员眼睛的闭合时间及闭合频率；西安交通大学对基于驾驶行为的驾驶员疲劳状态进行了研究，通过分析驾驶员转向盘转角的转向特征，进行小波包的分解并建立能谱熵，对驾驶员疲劳状态和正常状态时的小波能谱熵值进行比较，以能谱熵值区分驾驶员状态。

另一个角度来讲，执行器模型描述着期望指令和实际通过执行器实现的指令之间的关系，执行器的精度、响应时间、预设工况与工作状态、工作范围等许多待确定的特性参数，选取这些参数十分繁琐，郭景华把执行器建模视为灰箱辨识问题来确定执行器的数学模型。智能车在运动过程中利用车辆运动学与碰撞学对车辆运行结果进行安全评价。吉德志采用蒙特卡洛方法来计算车辆间的碰撞概率，并对传统的蒙特卡洛方法加以改进以提高碰撞概率的计算速度，提出了几何蒙特卡洛和矩阵蒙特卡洛方法，实时计算车辆间的碰撞概率，完成车辆的碰撞预测。Laugier C等在考虑道路几何拓扑环境的基础上，通过隐马尔可夫模型结合GPS进行碰撞识别，直观的进行碰撞风险估计。Jang J A提出了一种协同路口碰撞预警系统模型CICWS（Cooperative Intersection Collision Warning System），应用固定的交通传感器在无信号路口为驾驶员实时提供预警信息。文中使用交通冲突技术TCT（Traffic Conflict Technique）估计交叉口的可能碰撞，并扩展概念应用于实时信息通讯，用于识别与车辆建设相关的安全问题。

还有一些对于车辆横向控制的研究：清华大学的张德兆等针对乘用车设计了一种基于风险状态预估的弯道防侧滑超速预警系统，根据驾驶员预估时间构造风险状态预估函数，提前判断车辆进入弯道时的安全状态，并对驾驶员分级报警提示，从而使其提前对车辆进行操作，保证车辆弯道行驶的安全性。Gerhard等建立车辆线性动力学模型，利用主动差速和主动侧倾控制系统设计了横摆角控制器，简单但鲁棒性强，在时变参数空间内确定车辆稳定的边界条件，通过控制车轮转向角和车辆纵向速度以避免车辆发生侧翻等危险。

4 结束语

综上所述，预期功能安全属于智能汽车的新型发展方向，国内外研究多数停留于定义和概念阶段，尚缺乏全面系统的基础理论支撑。少数探索性研究主要针对特定技术方面，决定了预期功能安全目前存在着很大的挑战。

（1）在智能驾驶预期功能安全方面，由于安全评估必须依靠场景的支撑，需要研究智能驾驶场景的建模，驾驶碰撞是由于智能汽车的现有路权和驾驶意图的期望路权之间的冲突，研究基于路权语义的场景建模，并提出预期功能安全熵的概念，表示该智能系统的安全度。

（2）智能驾驶感知的安全建模任务中，可靠的环境感知能力对自主巡航控制、碰撞预警和路径规划起到至关重要的作用，直接影响其决策的准确性。环境感知是多种传感器数据融合后的结果，如何学习、融合多源异构传感数据，是研究感知的首要问题。在面对多态性环境和错觉场景，需建立有效的风险评估策略和干预措施。此外，如何提高感知准确率，针对漏解和误解情况构建鲁棒的概率模型，也是亟待探索的重要问题。

（3）在智能驾驶决策的安全建模方面，对行为决策及路径规划算法的安全性进行风险评估,研究道路交通法规和未知危险造成事故的可能性等因素，开展基于风险概率冲突及严重程度冲突的风险预测模型的构建，设计决策安全监测系统，同步监测及验证决策逻辑，建立基于决策层面的预期功能安全模型与计算方法。

（4）在智能驾驶执行器的安全建模方面，执行器的输入有智能系统和乘客行为，由于存在执行器响应延迟与工作范围限制，乘员对功能理解不充分状态下的功能误用以及系统触发时与乘员预期不同所产生的心理负荷等因素，对行车安全造成影响。故未来应提出综合乘客不确定因素与执行器响应特性要素，从车辆动力学失稳与运动学碰撞风险角度，建立智能驾驶执行层面的预期功能安全熵模型与计算方法。

声明：偶尔转载的文章出于非商业性的教育和科研目的，并不意味着支持其观点或证实其内容的实行，欢迎大家评论发表自己的意见。版权归原作者所有，如转载稿涉及版权等问题，请立即联系我们，我们会予以更改或删除相关文章，保障您的权利！

作为数字经济与实体经济深度融合，加速传统行业数字化升级的有效手段，“新基建”被多次写入各地2022年政府工作报告中，成为打造新经济增长引擎的重要抓手。

今年前4个月，我国新建5G基站超19万个，千兆网络端口新增165.3万个，总量达到954万个，国家枢纽节点数据中心规模机架数超54万个标准机架。放眼全国，一批批新基建项目加速落地。

5月10日，“东数西算”国家一体化大数据中心成渝枢纽节点样板工程成都智算中心正式上线；6月21日，河南郑州集中开工281个基础设施项目，总投资598亿元，涵盖新基建、交通、能源、水利、市政设施等领域；二季度，贵州省集中开工重大项目360个，总投资2058.69亿元，涉及多个科技创新和新型基础设施项目……

国家发展改革委政策研究室副主任孟玮表示：“新型基础设施建设投资保持稳定增长，发展韧性十足，支撑疫情防控、复工复产和保持产业链、供应链稳定的作用更加凸显。”

随着我国“新基建”的大力推进，自动驾驶和智能驾驶行业也迎来前所未有的机遇。一方面，自动驾驶早日实现商业化和大规模落地应用，为交通出行、城市服务和物流运输提供更安全、高效、智能的解决方案；另一方面，自动驾驶也将助力发挥新基建的“乘数效应”，带动产业链发展，推动高质量投资与就业，促进“双碳”目标实现，成为智慧城市、智能交通的核心技术构成。

自动驾驶产业格局初具雏形

2020年3月，工业和信息化部发布《汽车驾驶自动化分级》推荐性国家标准报批公示，向社会各界征求意见，标志着中国正式拥有自己的自动驾驶汽车分级标准。而围绕自动驾驶，业内认为有两条路线，一是单车智能，二是车路协同。

卡耐基梅隆大学ArgoLab人工智能无人驾驶研究中心首席科学家约翰·多兰认为：“自动驾驶在底层架构和技术上已经解决了大部分问题，但剩下5%的长尾问题却难以攻克，包括零碎场景、极端情况和无法预测的人类行为。”

例如，摄像头在雨中难以采集数据，导致反应不及时而无法紧急制动。黑夜场景里，单车视觉感知范围严重缩小，雷达也因缺少摄像头的反馈无法识别障碍物。

业内人士普遍认为，“单车智能+车路协同”突破了单车智能的固有技术限制，超视距、多维度的全局感知能力，确保交通运行及自动驾驶的安全性和可靠性，实现全局协同安全和效率*化。

同时，智能物联时代一个重要变化是从功能驱动走向场景驱动，这需要基于场景的云边端全栈式技术融合创新。通过车路协同一体化发展，让成本较高的部分车载功能由“智慧的路”来代替。在大规模降低成本的同时，实现车辆与整个道路之间的信息交互，提升自动驾驶的安全性和通行效率。

作为自动驾驶全栈技术与运营服务提供商，蘑菇车联基于“单车智能+车路协同”的自动驾驶技术路线，创造了“车路云一体化”技术方案。

业内人士认为，聪明的车、智慧的路与强大的云协同，不仅将推动自动驾驶技术大规模落地，更将带动市政道路、5G通信、人工智能、大数据中心、工业互联网、新能源汽车充电桩等新型基础设施以及相关智能产业升级，构建起*的新基建落地样本。

车路云一体化打造新基建标杆

在促进地方经济社会高质量发展以及稳就业、促低碳等领域，“车路云一体化”方案正发挥全方位积极作用。

2021年3月，蘑菇车联与湖南省衡阳市政府达成战略合作，双方在车辆智能化、道路智能化、自动驾驶、车路协同、AI云等领域开展合作，以衡州大道、蔡伦大道为主体辐射周边，建设“智慧数字道路”，建立可靠高效稳定的智慧交通运行体系；大规模落地并商业化运营自动驾驶在城市公交、清扫巡逻等公共出行和公共服务场景中的应用，构建智能网联汽车产业生态高地。

首先是提升交通安全与城市共领域服务效率。当前，城市环卫、治安巡检、物流配送等公共服务面临着高度依赖人工运营、固定排班、效率偏低、怠速运行等问题，人力运营成本高企，低速怠速作业产生的环境污染问题也越发突出。

自动驾驶车辆环卫车、巡检车等作业车辆能错峰自动上路，*优化任务路径，不仅节省人力成本，更极大减少了因高峰拥堵和车辆怠速产生的污染，是发展循环经济、助力双碳目标的重要探索。

车辆（包括自动驾驶车辆与普通车辆）及用户通过智慧交通AI云及时了解全面信息，及时处理决策，能减少交通事故，提高出行效率与安全性，高效匹配出行计划，*优化出行路径，系统提高交通体系车辆运行效率，进一步达到节能减排效果。

其次是带动新基建多个细分领域建设。蘑菇车联相关负责人告诉

最后，规模化的自动驾驶车辆升级与运营，还有望带动智能网联汽车及智慧道路的装备制造、电子信息、路政工程、整车制造、软件及云服务等产业并进，带动城市整套智能网联汽车产业链升级，构建智能网联汽车生态。

据悉，目前衡阳智慧交通项目已完成一期道路智能化工程落地，自动驾驶城市公共服务已批量试运营。蘑菇车联“车路云一体化”方案已经在北京、江苏、湖南、河南、四川、云南等地推行。

“车路云一体化”自动驾驶的优势，不仅能解决单车智能的安全和成本难题，还承载着实现智慧交通的使命。在“新基建”推动下，智慧交通已经成为中国交通发展的新方向，是成为国家打造交通强国的重要环节。未来，中国有望通过车路协同实现自动驾驶领域的“弯道超车”。

中青报·中青网见习

中国青年报·出行周刊

今天的内容先分享到这里了，读完本文《智能交通》之后，是否是您想找的答案呢？想要了解更多智能交通、一年期贷款利率2022*相关的财经新闻请继续关注本站，是给小编*的鼓励。

免责声明
           本站所有信息均来自互联网搜集
1.与产品相关信息的真实性准确性均由发布单位及个人负责，
2.拒绝任何人以任何形式在本站发表与中华人民共和国法律相抵触的言论
3.请大家仔细辨认！并不代表本站观点,本站对此不承担任何相关法律责任！
4.如果发现本网站有任何文章侵犯你的权益,请立刻联系本站站长[QQ:775191930]，通知给予删除