导读：智能驾驶这几年是汽车圈里最热的话题之一，智能驾驶系统快速发展到L2级后，受到技术发展、驾驶环境基础设施建设、法律法规等多种因素的影响，似乎撞上了硬墙，以至于业内人士都开始谨慎的审视L3及以上的高阶智能驾驶系统的实现路径。
智能驾驶汽车是第四次工业革命信息化时代中发展最为迅速的新兴产业之一，随着新型传感器技术、信息与通信技术、自动控制技术、计算机技术和人工智能等技术的快速发展，智能驾驶系统也得到了快速的发展。目前，智能驾驶系统最主要的三个技术环节是感知层、决策层和控制执行层。感知层依靠各类传感器对驾驶环境的正确感知是实现智能驾驶的先决条件，是保障后续智能驾驶控制的基础，但由于受传感器技术，环境干扰、感知精度，识别算法，数据融合技术等因素的限制，目前成为实现高阶的智能驾驶的最主要的挑战。
一、驾驶环境感知的现状和面临的挑战
如智能驾驶控制系统架构（图1）所示，智能驾驶控制系统的感知层是利用各种传感器，如视觉传感器（车载摄像头）、雷达传感器（超声波雷达、毫米波雷达、激光雷达等）、定位传感器(地图，卫星定位)等，去探测和识别车辆内部和驾驶环境的各类信息，通过数据处理、数据融合技术，为车辆的驾驶控制行为提供决策的依据，这是实现车辆自动驾驶控制的基础，相当于汽车的眼睛，决定了自动驾驶系统整体的功效以及性能。
图1. 智能驾驶控制系统架构
为了给智能驾驶控制系统提供全面、准确的决策依据，需要感知的驾驶环境信息主要包括以下几类：
道路参数：道路物理参数、路径、车道、道路设施等；
交通参与者：车辆、人、其他物体（动物、道路遗撒物等）；
各类交通行为规则：道路限速、禁行、斑马线、单行、信号灯状态等；
影响车辆操控的自然天气：风、雾、雨、雪等。
其他影响车辆驾驶行为的因素：偶发或临时发生的非正常的交通状况，如：临时的交通管制，驾乘人员的安全检查，须让行消防车辆或者救护车等等。
目前通过各类传感器感知上述的驾驶环境信息，并依靠数据处理和数据融合技术为智能驾驶控制系统决策层提供全面、准确的决策依据面临着非常大的困难和挑战，主要有：
1、传感器的感知精度不足：如通过雷达传感器感知前方车辆的速度、相对距离的数据误差。
2、传感器的感知数据易受自然环境干扰：如雷达受烟尘干扰和雨、雪、雾等恶劣天气条件的干扰，视觉传感器受到光照、视角、尺度、阴影、污损、背景干扰和目标遮挡等诸多不确定因素的影响。
3、有些驾驶环境要素目前无法感知，或者感知的成本非常高：如被前景车辆或者障碍物遮蔽的车辆或者行人无法通过视觉或者雷达传感器感知和识别，或者为提高感知能力采用多目立体视觉技术或者混合固态激光雷达带来感知技术的复杂度和成本的巨大提高。
4、感知数据处理，数据融合技术不成熟，不可靠，不稳定：如通过视觉传感器获取的海量图像信息，需要更先进的数字图像处理技术及更高的计算机硬件算力的支持；另外，在复杂交通环境下，视觉传感器依然存在目标检测困难、图像计算量大、算法难以实现的问题，在应对道路结构复杂、人车混杂的交通环境时感知和解析的信息不可靠和稳定。多传感器感知的驾驶环境信息的数据融合和智能学习算法等技术还不够成熟稳定。
正因为上述的传感器感知精度，数据融合，识别算法，深度学习算法等技术和能力限制，导致为智能驾驶控制系统决策层提供的驾驶环境信息与真实的驾驶环境严重失真，由于驾驶环境感知的不确定性和不准确性导致的智能驾驶的决策的可信度大大降低，如图2所示。这也是智能驾驶由低阶向高阶进步路上遇到的重大障碍之一。
图2.基于失真的驾驶环境数据做出不可信、不可靠的控制决策
而为了提高驾驶环境感知的精度和可靠性，采用的技术路线包括开发精度更高的传感器，优化识别算法，开发AI智能算法等等带来不可控的系统的复杂度，系统成本，技术开发和迭代周期的巨大提升，这也是智能驾驶由低阶智能驾驶向高阶进步路上遇到的另一个重大障碍。
二、基于精准驾驶环境数据信息构建“驾驶环境全息模型”
精准的驾驶环境信息数据输入是做出准确、可靠的智能驾驶控制决策的基础，目前由于通过各类传感器感知和识别的驾驶环境数据的不确定性，不准确性导致无法做出可信、可靠的智能驾驶控制决策。
我们知道，和车辆驾驶相关的驾驶环境数据都准确地、真实地存在于现实世界并被相关的实体掌握和了解，如：
道路管理者：道路物理参数、路径、车道、道路设施等准确信息；
交通管理者：道路限速、禁行、斑马线、单行、信号灯状态等交通规则信息；
交通参与者：如车辆的速度、位置、姿态和航向等车辆实时状态信息；
气候监测人：风、雾、雨、雪等影响驾驶环境的气候信息；
事件当事人：偶发或临时发生的非正常的交通状况，如：临时的交通管制（交 警），须让行消防车辆或者救护车（特种车辆驾驶人员），交通事故避让（事故车辆驾驶员）等等。
如果掌握这些驾驶环境数据的实体通过通讯装置将精准的驾驶环境数据输入给智能驾驶控制系统的决策层，将很大程度上保证智能驾驶决策的准确性和可靠性，那么在智能驾驶控制系统架构的决策层之前，就需要基于这些精准的驾驶环境数据信息构建精准的驾驶环境全息模型，以此模型为决策层提供精准的决策依据。
图3. 应用精准的驾驶环境数据构建驾驶环境全息模型
允许智能驾驶的区域，道路的管理者可将道路的详细的道路类型，路面宽度，车道宽度，车道线类型，车道限速，路径，地理坐标等详细信息的静态精准地理信息通过路侧RSU设备传送给自动驾驶被控车辆用以构建自动驾驶的驾驶环境全息模型。
行驶环境中的其他车辆将本车的外形尺寸、定位、速度、航向、车姿、驾驶意图（加速，转向，制动等）等非隐私的车辆驾控信息通过V2V设备以广播的形式发送，自动驾驶被控车辆接收和监听这些信息，并根据自身的位置信息、车速、车姿、所属车道等信息计算和构建自身车辆在驾驶环境全息模型中的动态时空定位（如本车各方位的车辆或者障碍物的相对距离，相对速度），同时也将本车的外形尺寸、定位、速度、航向、车姿、驾驶意图（加速，转向，制动等）等非隐私的车辆驾控信息通过V2V设备以广播的形式发送，用于其他智能驾驶车辆的驾驶环境信息采集。
路侧单元RSU还可将实时的环境气候信息，路口的信号灯状态信息，路侧感知设备感知的行人，非机动车等的动态信息同样以广播的形式发送出去，由自动驾驶被控车辆接收和监听，用以补充智能驾驶车辆驾驶环境模型全要素信息。
同时，驾驶环境内突发或临时的事件当事人或者驾驶环境的管理维护人可将特情事件通过路侧RSU或者V2V广播，由自动驾驶被控车辆接收和监听，用于自动驾驶车辆的操控决策输入。
基于精准数据构建了全要素信息的驾驶环境模型后，智能驾驶控制系统决策层就可以以“上帝视角”观察自身在驾驶环境中的时空位置，从而做出更精准和可靠的操控决策规划。
三、基于“驾驶环境全息模型”的智能驾驶技术路线的改变和价值
基于 “驾驶环境全息模型”的智能驾驶技术路线的本质是改变了驾驶环境感知的方式，用更精准的数据构建 “驾驶环境全息模型”，并以“上帝视角”观察自身在驾驶环境中的时空定位，从而做出更精准和可靠的操控决策规划。
智能驾驶控制系统架构的这种改变也会带来行业的商业模式和技术发展的相应变化并促进和加速高阶智能驾驶的落地和实现。
这种变化以及对智能驾驶技术发展的促进主要体现在：
3.1 降“门槛”，去“壁垒”
智能驾驶是多学科，跨领域的技术综合体，对高精地图、高精定位、视觉、雷达、人工智能、数据融合、仿真验证等多领域等都要求具有很强的综合技术实力。任何一个领域的短板，都可能造成其开发的智能驾驶控制系统的不可靠性。因此，智能驾驶的行业门槛很高，同时会形成非常高的排他性技术壁垒和行业垄断性企业，对行业的技术进步和健康发展极为不利。
采用“驾驶环境全息模型”的智能驾驶技术路线的控制系统将V2X设备接收的精准数据作为主输入，以其他高精地图、高精定位、视觉、雷达等感知数据为辅来构建控制系统“驾驶环境全息模型”时，对高精地图、高精定位、视觉、雷达、人工智能、数据融合、仿真验证等多领域都需要很强的综合技术实力的要求大大降低，业内企业可以充分发挥各自在某一或者某些领域的技术专长和优势来开发智能驾驶控制系统，从而为行业营造百花齐放，百家争鸣的相对公平的发展环境。
3.2 智能驾驶控制系统的安全冗余设计
智能驾驶控制系统是一个安全等级非常高的控制系统，安全冗余设计是安全系统经常采用的保证系统功能安全的技术手段，采用“驾驶环境全息模型”的智能驾驶技术路线的控制系统将V2X设备接收的精准数据作为控制系统构建“驾驶环境全息模型”的主输入，其他如视觉、雷达等感知方式解析的数据可以作为“驾驶环境全息模型”数据的精度校准、数据备份，安全冗余，从而进一步提高构建的驾驶模型的精度和智能驾驶控制系统的安全性。
如主动避撞功能需要采集前方车辆的外形尺寸、速度（相对速度）、航向、位置信息（相对距离）等数据，前车的这些准确信息通过前车的V2V设备以广播的形式发送并被自动驾驶被控车辆接收后处理，做出绕行、减速或者紧急制动的控制决策；同时，本车的车载视觉传感器和雷达传感器分别感知和识别的前车的外形尺寸、相对速度、航向，相对距离等数据可以与前车的V2V设备广播的并被自动驾驶被控车辆接收到的这些数据比对，校验，除了更进一步提高这些数据的精度之外，这两个通道的数据还可作为V2V数据通道的冗余备份，当某通道数据失效或者缺失时，系统可快速切换采用其他备份通道的数据，从而大大的提高了系统的安全性能。
3.3 系统软硬件松耦合
以传统的定位、视觉、雷达等传感器来感知和识别驾驶环境数据时，由于不同的传感器技术特性不同，其感知算法，数据融合方法等都有其相对独特的技术特性，与其适配的智能驾驶决策、控制执行算法耦合的就非常紧密，从而使得智能驾驶驾驶控制系统集成商很难灵活的适配不同的供应商的感知设备（模块）；同时，某一感知设备（模块）的供应商要花费大量的精力和成本去适配不同的集成商的智能驾驶控制系统。
基于 “驾驶环境全息模型”的智能驾驶控制系统架构将感知层的架构模块化，在感知层与决策层之间增加了“驾驶环境全息模型”的分层，传感器感知模块只需要按照统一定义的接口定义和数据格式进行数据传递即可。
图4. 标准化“驾驶环境全息模型”的驾驶环境数据格式和接口定义有利于系统软硬件松耦合
3.4 降成本
采用“驾驶环境全息模型”的智能驾驶技术路线的智能控制系统由于降低了系统的复杂度，除了降低系统的开发、测试验证（详见后文介绍）成本外，对传感器模块的精度、性能要求降低，也大大降低了智能驾驶控制系统的硬件成本。
由于智能驾驶控制系统架构更为清晰的分层，功能组件模块化，标准化，对于传感器模块的供应商和智能驾驶控制系统集成商来说，采用统一标准的数据接口定义及数据格式，进一步降低了传感器模块的适配和系统集成的研发投入。
3.5 加速高阶智能驾驶系统的实现和落地运行
3.5.1 智能驾驶控制系统研发阶段
因为驾驶环境感知层是决策层和控制执行层的基础，更为精准和可靠的智能驾驶决策、控制算法的开发受制于视觉、雷达等感知精度、性能等技术困难，采用“驾驶环境全息模型”的智能驾驶控制系统以“驾驶环境全息模型”作为智能驾驶控制系统决策、控制执行层的输入，可以充分利用数字仿真技术，模拟各种驾驶环境，驾驶场景，为智能驾驶控制系统决策、控制执行层软件控制算法，逻辑提供精准，全面的控制输入，缩短智能驾驶控制系统的开发周期。
3.5.2 智能驾驶控制系统测试验证阶段
智能驾驶系统在上路之前必须进行大量的测试验证工作，除了在真实驾驶环境中进行的实车测试外，虚拟仿真测试是非常重要的，必不可少的。当前，仿真测试占到了整个测试工作的大部分工作量，特别是复杂环境和极端工况等场景下自动驾驶汽车功能、性能的有效性的测试，虚拟仿真测试是高效的测试手段。但由于如视觉传感器、雷达传感器的信号仿真的技术难度很大，一般在智能驾驶控制系统测试验证阶段，将真实的视觉传感器和雷达传感器信号接入虚拟仿真测试设备进行虚拟仿真测试验证，这种情况下创建各种视觉或者实体的驾驶环境和驾驶场景给视觉或雷达传感器感知输入又变得非常困难，使得智能驾驶控制系统的测试验证的效率低下，周期冗长。
采用“驾驶环境全息模型”的智能驾驶控制系统在测试验证阶段可充分利用数字仿真技术，模拟仿真各种驾驶环境，驾驶场景（包括模拟各种复杂环境和极端工况）即“驾驶环境全息模型”用于虚拟仿真测试设备，极大地提高了测试、验证的效率，加速了控制策略算法成熟落地。
同时，在智能驾驶控制系统实车测试过程中，记录真实驾驶过程中各种传感器感知的驾驶环境数据，通过与V2X设备构建的“驾驶环境模型”数据比对校验，可优化和改进感知算法，进一步提高感知精度。
3.5.3智能驾驶上路运行阶段
智能驾驶车辆全面上路运行面临的几个重要问题：
1）智能交通法律法规、基础设施是逐步建设和完善的过程，在这个实现和建设过程中，智能驾驶车辆的上路运行面临的车辆运行安全及交通安全的问题。
2）不同智能驾驶等级的车辆与非智能驾驶车辆长期共存，非智能驾驶车辆或者低阶智能驾驶车辆的人为驾驶行为的随机性，不确定性导致的高阶自动驾驶车辆运行安全及交通安全问题。
采用了“驾驶环境全息模型”的智能驾驶解决方案的各个智能驾驶等级的车辆，包括存量的非智能驾驶车辆，均可在智能驾驶基础设施建设和完善程度不同的区域或者道路受控的运营，并且提升了各个层级车辆的安全运行水平。
在智能驾驶基础设施尚未完善的地区的安全运行。
在高等级智能驾驶车辆运行进入到法律法规和道路基础设施尚未完善，或者不适合高等级自动驾驶车辆运行的区域或者道路时，过去需要人为干预，车辆被动的切换或者降级到低级别的有人驾驶状态运行。这个被动切换或者驾驶员接管车辆操控的过程，具有很大的不确定性，从而带来很多车辆运行安全及交通安全的问题。
基于“驾驶环境全息模型”的智能驾驶技术路线通过路侧单元传输给智能驾驶车辆的道路模型数据中可标识出允许自动驾驶响应道路和区域，在驶离该区域前，主动提示驾驶员接管车辆操控，在车辆未被接管时，自动驾驶系统主动控制车辆降速行驶直至停止至安全区域。进入交通基础设施不完善或者不适合自动驾驶，或者法律法规不允许自动驾驶的道路和区域，自动驾驶系统的决策控制层的自动驾驶功能软件将被禁止或者限制执行。
高阶智能驾驶车辆和非智能驾驶车辆共存的驾驶环境的安全运行。
不同智能驾驶等级的车辆与非智能驾驶车辆在很长一段时期内会和高阶智能驾驶的车辆共同运行，非智能驾驶车辆或者低阶智能驾驶车辆的人为驾驶行为的随机性，不确定性带来许多高阶自动驾驶车辆运行安全及交通安全的问题。
通过在存量的低阶或者非智能驾驶车辆上后装符合“驾驶环境全息模型”数据格式要求的V2X装置不但可以提高高阶智能驾驶车辆的运行安全水平，还可低成本的提升非智能驾驶或者低阶智能驾驶车辆的智能驾驶能力水平及运行安全，这个技术路线带来的利益也为存量的低阶或者非智能驾驶车辆后装这种V2X设备提供了消费动力，间接的促进了整个智能驾驶基础设施、环境的建设步伐。
对于高阶智能驾驶车辆，低阶或者非智能驾驶车辆通过后装符合“驾驶环境全息模型”数据格式要求的V2X装置将本车的物理尺寸，行驶位置、速度、驾驶意图（转向，制动等）等信息通过V2X设备传输给高阶智能驾驶车辆，提升其智能驾驶的安全水平。
图5.基于“驾驶环境全息模型”的智能驾驶技术路线提升智能驾驶运行安全
对于低阶智能驾驶车辆，可通过更新其智能驾驶系统软件的方式使其智能驾驶控制系统的驾驶环境数据由原来通过地图、视觉、雷达等传感器的感知方式切换到应用 V2X精准数据构建“驾驶环境全息模型“的方式，。而不用更换和升级更先进的视觉、雷达等传感器硬件就可以提升其智能驾驶能力水平和运行的可靠性。
对于非智能驾驶车辆，通过后装符合“驾驶环境全息模型”数据格式要求的V2X装置，将本车的物理尺寸，行驶位置、速度、驾驶意图（转向，制动等）等信息通过V2X设备广播给其他车辆的同时，接收其他V2X设备广播的其他车辆的物理尺寸，行驶位置、速度、驾驶意图（转向，制动等）等信息，通过软件模式低成本的实现低阶的智能驾驶功能，如碰撞预警，车道偏离预警等。
图6.非智能或者低阶智能驾驶车辆通过后装V2X设备提升智能驾驶能力和运行安全水平
3.6 促进汽车软件收费的商业模式实现
由于基于“驾驶环境全息模型”的智能驾驶技术路线对雷达，视觉等传感器的性能依赖程度大大降低，因此智能驾驶控制功能的升级，主要依赖软件功能的实现，对车辆固件的升级依赖程度大大降低，可随着智能驾驶环境的基础设施的不断完善，智能驾驶功能的不断成熟，分阶段发布和升级低阶到高阶的智能驾驶功能软件，使得汽车的商业模式由硬件消费向软件消费的真正转变。
综上所述可以看到，基于“驾驶环境全息模型”的智能驾驶技术路线，通过改变驾驶环境数据感知的方式，以通讯的方式广播和采集精准的驾驶环境数据来构建“驾驶环境全息模型”，为智能驾驶控制系统决策、控制执行提供可靠的数据输入。这种方式保证了智能驾驶控制系统决策、控制执行层数据输入的全面性和高精度的要求，提升了智能驾驶控制决策的可靠性和安全性，促进了智能驾驶控制系统技术发展，降低了智能驾驶控制系统的硬件和研发成本，缩短了研发和上市周期。同时解决了高阶智能驾驶车辆在智能驾驶基础设施逐步建设和完善以及与存量的非智能驾驶车辆及各个等级智能驾驶车辆同时在路运行的长期过程中的运行以及运行安全的问题，在提升智能驾驶车辆本身的智能驾驶水平的同时，还提升了存量的非智能驾驶车辆，低等级智能驾驶车辆的驾驶安全水平。
四、基于“驾驶环境全息模型”的智能驾驶技术路线的关键技术
4.1 道路模型与高精度地图
基于“驾驶环境全息模型”的智能驾驶技术路线的道路模型聚焦与车辆行驶的道路的各种要素信息，如道路的类型（柏油，水泥，石子，桥梁，隧道等）；路面的宽度；车道的数量、宽度、位置，车道线的类型；道路的行驶条件（限速，限行等）；路侧隔离带的类型（刚性，柔性，无物理实体隔离等）。不涉及与车辆行驶无关的道路周边设施的数据，如路侧建筑物的名称、位置等地理信息。
道路模型的道路信息比高精地图更为精准，地理定位信息可设定为基于定位基点的相对位置信息，不必采用绝对的高精度经纬度信息。如道路模型坐标数据属性可设计为“G3高速”、“上行”、360.26Km”、”第二车道”等，这样的设计对国家地理信息数据安全非常有利。
发布道路模型的区域即为允许智能驾驶车辆运行的区域，在一些敏感区域或者不被允许智能驾驶的区域不发布道路模型数据，即为禁止智能驾驶车辆运行的区域，在这些区域具有智能驾驶功能的车辆必须被驾驶员接管操控，控制系统无法采集到该区域的道路地理信息，有利于这些敏感区域的地理信息数据安全，也有利于智能驾驶车辆在这些区域的运行安全及道路交通安全。
智能驾驶基础设施是逐步建设和完善的过程，在这个过程中，智能驾驶车辆可开放运行在已建设完善的区域，智能驾驶基础设施一边建设，一边即可产生效益，一般消费者可提早享受智能驾驶带来的驾乘体验，从而激发智能驾驶车辆的市场消费需求，从市场的角度促进智能驾驶车辆的技术发展和进步。
另外，高精地图的供应商为为数不多的具有地图发布资质的企业，高精地图的道路信息采集、制作、发布的周期长、成本高，更新和维护不及时，还存在地理信息数据安全的隐患；而道路模型的发布者为国家的道路或者交通管理部门的专门机构，道路信息的获取和制作，发布，更新更为及时和准确，同时，国家地理信息数据掌握在国家机关，而非商业机构；且道路模型的发布可受控地、在授权下发布，且仅能发布允许被发布的道路模型，这样对国家地理信息数据的保密和安全也非常有利。
在一些特定的区域，如在集装箱港区码头，如在卫星导航信号或者无线通讯信号无法覆盖的地下车库，还可低成本实现港区车辆智能无人运营或者无人智慧停车场这类非高精地图企业业务范围的创新应用。港区码头或者地下车库的道路模型的制作、更新和维护可由有资质的技术服务公司在业主的授权下实施。
4.2 V2X设备的通讯模式
车载V2X设备对外周期性、广播式发送自身的车辆几何尺寸，行驶速度，位置信息，转向、制动等行驶意图，故障、特定驾驶状况等非专属公共信息。同时，车载V2X设备接收其他节点（如：车辆，路侧单元等）的广播信息，构建本车的“驾驶环境全息模型“。
广播传输的数据为车辆的非专属公共信息，即用于构建驾驶环境模型的开放信息，不包括车辆车牌号等可能涉及隐私的个人信息。有利于驾驶人个人信息安全。广播而非交互式的数据传输方式，有利于车辆的信息安全和功能安全。车辆只接收标准格式的广播数据，对于非标准格式的数据，车辆不予接收和处理。通过物理隔离的方式避免车辆信息被篡改或者车辆被挟持。
V2X的数据通讯是以广播的形式发送，依据V2X设备的通讯协议和信号发射功率，广播的数据被信号发射功率覆盖的范围内（如半径500m）的其他节点接收和解析，用以构建智能驾驶的“驾驶环境全息模型”。信号的覆盖范围首先能够保证当前智能驾驶车辆所需的驾驶环境全要素信息都能够被接收和采集到；其次，能够增加非法获取和追踪车辆数据的难度，保证车辆信息安全。
V2X设备的数据通讯以广播的形式发送，在一定距离范围内被其他节点接收和解析，使得处于同一特定区域内的智能驾驶车辆数据通讯不受卫星信号或者基站转发信号不良或者屏蔽的影响，如隧道、地下车库等特殊区域，通过这种V2X设备的数据通讯方式，结合车辆惯性导航系统的定位技术仍然可以构建精准的“驾驶环境全息模型”，从而实现精准的智能驾驶。
图7. V2X设备在特定区域内的广播数据用以构建“驾驶环境全息模型”
车载V2X设备对外广播送自身车辆的几何尺寸，行驶速度，位置信息，转向、制动等行驶意图， 故障、特定驾驶状况等非专属公共信息，在一些偶发或临时发生的非正常的交通状况，如：临时的交通管制，驾乘人员的安全检查，或者如消防车辆或者救护车等特种车辆作业时，或者车辆故障、道路事故等情景下，通过系统内置特殊状态下的车辆数据快速设置安全围栏或者避让区域。
图8. V2X设备通过广播特定数据设置安全围栏
V2X的数据通讯是以广播的形式发送，广播的数据被其他节点接收和解析有距离范围的限制，通常情况下，这个距离范围，这些数据仅被接收并用于和满足智能驾驶车辆的控制需求，但一些特殊情况下的数据，如上述的特殊情况下设置的安全区域，甚至包括一些V2X无法表达的数据，而是配合智能驾驶车辆视觉或者雷达等感知系统识别和标识的驾驶环境数据，如：道路遗撒物体，通过V2X的通讯协议和报文格式的设计，由首先标识该数据的车辆通过V2X设备广播发送出去，由其他节点接收并转发，为其他智能驾驶车辆提供更早或者更远的预警时间和距离。
智能驾驶控制系统是一个复杂的大系统，基于 “驾驶环境全息模型”的智能驾驶技术路线，依靠V2X等设备传输精准的驾驶环境数据来构建精准的“驾驶环境全息模型”，为智能驾驶控制系统提供精准的决策依据，解决了传统驾驶环境感知层由于受传感器技术、环境干扰、感知精度、识别算法、数据融合技术等因素的限制带来的驾驶环境数据的不确定性和不准确性导致的智能驾驶的决策的不可靠和不可信的问题，促进了高阶智能驾驶系统技术发展、进步、实现和落地。
另外，“驾驶环境全息模型”是一个生态平台，这个生态平台充分考虑了智能驾驶环境（技术环境和社会环境）参与各方的关切，智能驾驶环境的参与方包括智能驾驶系统的开发、测试、验证的技术研发部门，系统零部件供应商，整车生产制造厂，智能驾驶基础设施的建设管理部门，交通管理部门，智能驾驶车辆以及共存的非智能驾驶车辆等其他车辆的用户等等。智能驾驶环境的参与各方的权益在生态平台基本上都可以得到相对均衡的体现，其关切的问题也都能找到合适的解决方案。因此，生态平台的参与各方可充分发挥各自的技术、能力特长，为推动智能驾驶环境的建设、发展进步贡献各自的力量。
来源：汽车电子与软件，作者陈永钢
