智能网联汽车关键技术与产业发展路径研究

一、引言

汽车经历了逾百年的发展历程，正站在一场深刻变革的十字路口。以电动化、智能化、网联化为代表的"新四化"浪潮，正从根本上重塑汽车的产品形态、产业格局与出行生态。其中，智能网联汽车作为集环境感知、智能决策、协同控制与车路通信于一体的新一代智能交通工具，不仅被普遍视为缓解交通拥堵、提升行车安全、降低能源消耗与碳排放的重要技术手段，更被多个国家与地区提升为战略性新兴产业予以重点培育。从产业演进的历史高度审视，智能网联汽车有望在相当程度上超越传统汽车"机械与动力"的属性，进化为承载移动智能终端的"新移动空间"，其对未来的智能制造、智慧城市与数字经济都将产生广泛而深远的影响。

智能网联汽车的技术体系极其庞杂且多层交织。就其智能化主线而言，其核心技术路线依托"感知—决策—执行"的闭环逻辑：环境感知层通过摄像头、毫米波雷达、激光雷达与超声波雷达等传感器，获取车辆周围的环境信息；智能决策层借助人工智能算法对感知数据进行融合、理解与预测，进而完成行为规划与路径规划；执行控制层则通过线控转向、线控制动与线控驱动等系统，将规划结果转化为准确、安全的车辆运动。就其网联化主线而言，车辆通过车联网与车路协同、车云一体等技术，实现车与车、车与路、车与云、车与人的多方信息交互，从而突破单车智能在感知范围与协同决策上的固有局限。智能化与网联化相辅相成、互为支撑，共同构成了智能网联汽车的技术内核。

从发展阶段判断，智能网联汽车已走过依托实验室与特定场景进行技术验证的早期阶段，正迈入从演示验证到规模化应用的关键窗口期。一方面，自动驾驶功能已越来越多地进入量产车，L2级辅助驾驶成为中高端车型的普遍配置，L3级有条件自动驾驶乃至更高级别的示范应用在限定区域与特定场景（如自动泊车、城市公开道路示范、封闭园区物流等）不断推进；另一方面，车路云一体化的基础设施建设在多个城市逐步铺开，"聪明的车"与"智慧的路"协同发展的格局初具雏形。然而，智能网联汽车距离真正意义上的大规模、全场景商业化应用仍面临感知可靠性、决策安全性、系统复杂性、以及法规标准与商业模式等多方面的现实挑战。

本文的研究意义在于，通过系统梳理智能网联汽车的关键技术体系、产业基础与演进趋势，为理解这一战略领域的发展全貌提供支撑。在当前技术路线多元、国际竞争激烈、应用场景逐步拓展的背景下，厘清智能网联汽车"有什么关键技术、技术发展到什么水平、规模化落地还缺什么"，对于科研攻关、产业布局与政策制定都具有重要的参考价值。本文力求在技术原理阐释与产业实践分析之间取得平衡，既讲清技术"是什么、为什么"，也讲透产业"走到哪、往哪走"。

围绕上述目标，本文的结构安排如下：第一部分为引言；第二部分综述智能网联汽车关键技术与产业发展的国内外研究现状；第三部分界定智能网联汽车的概念演进与分级体系；第四部分深入分析环境感知与定位关键技术的原理与挑战；第五部分考察决策控制与执行关键技术的现状与演进；第六部分剖析车路云一体化与网联支撑技术及其安全治理问题；第七部分结合国内外实践提出我国智能网联汽车发展的对策建议；第八部分给出结论与展望。

二、文献综述

智能网联汽车的概念源于智能交通系统与高级驾驶辅助系统两大技术潮流的长期演进与融合。早在二十世纪八十年代，美国与欧洲便启动了面向智能车辆与高速公路自动化的相关研究项目，试图通过车辆传感器与基础设施通信提升通行效率与安全水平。此后，随着计算机视觉、机器人与控制理论的进步，以及半导体与传感器产业的成熟，智能驾驶技术逐步从实验室走向道路示范。国际上尤其以美国Waymo、特斯拉等企业的自动驾驶实践为代表，推动了从技术可行性验证到商业运营探索的进程；谷歌旗下多家的自动驾驶公司长期在凤凰城等地区开展RoboTaxi的商业化示范运营，特斯拉则依托量产车辆的海量数据与端到端学习路线持续迭代其辅助驾驶系统，二者分别代表了"高精传感器+规则/学习融合"与"视觉为主+海量数据"两种典型的技术路线。

在我国，智能网联汽车的发展呈现出政策驱动与产业响应紧密结合的鲜明特征。国务院及相关部委先后出台《智能网联汽车技术路线图》等纲领性文件，明确"车路云一体化"作为具有中国特色、符合我国基础设施优势的发展路径；工业和信息化部等部门推动建立多批智能网联汽车测试示范区与先导区，开放测试道路并开展自动驾驶道路测试与示范应用；交通运输部则从智慧公路建设与车路协同应用的角度进行布局。与此同时，以车企、科技公司与通信企业为代表的多元主体积极参与，形成了整车集成、跨界赋能与生态共建并进的产业格局。我国在5G通信、北斗定位、道路基础设施与市场规模等方面的综合优势，为车路云一体化路线提供了独特的条件，也使我国智能网联汽车的发展路径在国际上别具特色。

从关键技术研究层面看，环境感知是智能驾驶的基础性技术，其研究的核心在于如何通过多种传感器的互补融合，在复杂、动态、光照与天气多变的现实交通环境中获得准确、可靠、鲁棒的环境理解。基于深度学习的物体检测与语义分割在图像与点云处理上已取得显著进展，多传感器融合（尤其视觉与毫米波雷达、激光雷达的融合）通过取长补短，在降低单一传感器局限性的同时提升了整体感知的可靠性。高精度地图与高精度定位则为自动驾驶提供了先验的环境结构与精确的自身位姿，其与感知结果的融合对于复杂场景下的安全驾驶不可或缺，围绕地图的动态更新与实时定位的挑战，学界与业界展开了大量探索。

在决策规划层面，行为预测与运动规划是连接感知与执行的枢纽。研究经历了从基于规则的方法向基于学习的规划方法的演进，深度强化学习、模仿学习与端到端驾驶等方法被广泛探索。在控制执行层面，线控底盘与冗余设计成为保障自动驾驶安全执行的关键，软件的可靠性与功能安全验证也随之成为研究热点。与此同时，车联网（V2X）通信、车路云一体化架构与自动驾驶数据闭环，正推动智能网联汽车从"单车智能"向"系统智能"演进，相关标准与互操作性问题日益受到重视。综合既有研究可以发现，智能网联汽车正处于"技术快速成熟、路线逐步收敛、产业加速整合"的阶段，各国在技术路线、法规标准与商业模式上的探索各有侧重，但都指向规模化落地这一共同目标，本文正是在这一背景下对关键技术体系与产业路径进行系统梳理。

三、智能网联汽车的概念演进与分级体系

智能网联汽车的内涵经历了持续的演化与扩展。早期语境下的"自动驾驶汽车"主要强调车辆自身在无需人为干预条件下完成驾驶任务的能力，其技术焦点集中于单车智能；随着通信技术、云计算与车路协同理念的发展，"网联"维度被纳入，车辆不再是被动执行驾驶任务的孤立个体，而是深度嵌入交通系统与云端生态的智能节点，能够通过车与车、车与路、车与云的信息交互获得更广阔的感知视野与更协同的决策依据。因此，现代意义上的智能网联汽车被定义为搭载先进的车载传感器、控制器、执行器等装置，并融合现代通信与网络技术，实现车与人、车与车、车与路、车与云端智能信息交换与共享，具备复杂环境感知、智能决策、协同控制等能力，可实现'安全、高效、舒适、节能'行驶的新一代汽车。这一定义将"智能"与"网联"有机统一，也决定了其技术体系必然涵盖感知、决策、执行、通信与云计算等多维度的综合集成。

为规范技术与产业交流，国际上对自动驾驶的分级体系形成了具有共识的框架。以国际自动机工程师学会（SAE）J3016标准为代表的分级体系，将驾驶自动化程度划分为L0至L5共六个等级：L0为无自动化；L1为驾驶辅助，系统可在特定情况辅助转向或加减速；L2为部分自动驾驶，系统可同时辅助转向与加减速但驾驶员仍须全程监督；L3为有条件自动驾驶，系统在限定条件下可完成全部驾驶任务但需驾驶员在必要时接管；L4为高度自动驾驶，系统在限定场景内无需驾驶员介入；L5则为完全自动驾驶，系统在任何场景下均可自主完成驾驶。我国在借鉴国际经验的基础上，亦制定了相应的分级规范，并对各级别下的人机共驾关系、责任界定与技术要求作出了本土化的规定。

理解分级体系对于把握智能网联汽车的技术与产业化路径具有基础性意义。分级并非简单的技术难度刻度，更隐含了安全责任、法规许可与商业模式的分界：L2及以下仍以驾驶员为最终责任主体，其大规模量产相对容易推进；而从L3开始，系统在特定条件下承接驾驶责任，带来"人机共驾"的责任转移、接管机制与认证难题，这也正是L3级自动驾驶在量产与应用上进展较为审慎的重要原因；L4与L5则需在限定或全部场景中实现系统的自主安全，其对感知可靠性、决策安全性与冗余设计提出了极为严苛的要求。从产业发展趋势看，当前量产车以L2及L2+为主流，L3级有条件自动驾驶在部分法规许可地区逐步开启试点，L4级在封闭园区、港口、矿区与特定城市公开道路等限定场景中加快示范，这一"由易到难、由限定到通用"的渐进路线，构成了智能网联汽车技术与产业演进的总体脉络。

四、环境感知与高精度定位技术分析

环境感知是智能网联汽车实现安全驾驶的"眼睛"，其目标是在各种复杂、动态、光照与天气多变的现实条件下，准确、可靠、鲁棒地获取车辆周围的道路、交通参与者、交通标志与信号、障碍物及可通行区域等信息。感知系统在硬件上以多类传感器协同为基本形态：摄像头提供丰富的视觉纹理与颜色信息，擅长物体类别识别与交通标志读取，但对光照与恶劣天气较为敏感；毫米波雷达在雨雾天条件下具有较强穿透力且测距测速可靠，成为汽车感知的重要补充但分辨率相对有限；激光雷达通过密集点云实现高精度的三维环境三维建模，是许多高阶自动驾驶方案中实现可靠物体检测与定位的关键传感器；超声波雷达则以近距离测距见长，常用于泊车场景。不同传感器的物理原理、感知范围、精度特性与成本各异，因而多传感器融合成为提高感知可靠性的主流选择。

多传感器融合的高层次目标，是突破单一传感器的能力边界与失效风险，通过信息互补与冗余校验，在空间与时间上综合各种传感器的优势，获得比任一单传感器都更加一致、完整且可信的环境理解。融合可以在数据层、特征层或决策层等多个层次进行，而基于深度学习与Transformer架构的端到端融合方法近年来发展迅速，通过对来自不同模态的感知特征进行统一的注意力建模与对齐，取得了显著的效果提升。融合系统还需处理传感器之间的坐标标定、时间同步与不确定性传递等技术细节，并在异常检测与降级处理（如某一传感器失效时安全降级）方面进行冗余设计。在恶劣天气、强光背光、隧道出入口光照骤变与复杂遮挡等苛刻工况下，感知系统的可靠性仍是当前技术与工程化面临的重要考验。

高精度定位为车辆提供其在真实世界坐标系中的精确位姿，是路径规划与安全决策的前提。全球卫星导航系统（我国为北斗系统）提供了基础的绝对定位信息，但其在城市峡谷、隧道、高架桥下等场景中易受遮挡与多径效应影响而精度下降；惯性导航通过测量加速度与角速度推算相对位姿，短时精度高但存在长期漂移；视觉里程计与激光里程计则利用连续传感器数据估计运动轨迹。为获得厘米级的高精度定位，现代智能网联汽车普遍采用多源融合定位技术，将卫星、惯性、视觉、激光与高精度地图进行协同，并通过实时动态差分等技术提升卫星定位精度。高精度地图则为车辆提供完备的先验道路结构（车道线、交叉口、坡度曲率、交通设施等），其与实时感知结果的匹配验证，既为定位提供了关键约束，也为后续规划决策提供了重要的语义基础。高精度地图的动态更新与鲜度保障，是车路云体系下需要与基础设施协同解决的重要课题。

五、智能决策与执行控制技术分析

在完成感知与定位之后，智能决策规划系统承担起"大脑"的核心职责，其任务是将感知到的环境状态转化为安全、合理、符合交通规则且高效舒适的驾驶行为。决策规划通常体现为三个层级的嵌套结构：任务决策层负责判断宏观驾驶意图（如跟车、变道、超车、让行、靠边停车等）；行为规划层在此基础上选择具体的行为策略并处理各类交通参与者的交互博弈；轨迹规划层则将行为意图转化为可供执行的时间参数化的平滑运动轨迹，包括路径形状与速度曲线。这一过程的难点在于，真实交通充满不确定性、动态交互与多目标冲突，既需要感知预测其他车辆与行人的未来行为，又要在保证安全的前提下兼顾效率与乘客舒适度。

行为预测是决策规划的重要前提与难点。系统需要预测道路上其他交通参与者（车辆、行人、自行车等）在未来一段时间内的运动轨迹与意图，以便提前做出合理的应对。基于意图识别与多模态轨迹预测的深度学习方法，通过学习历史轨迹与场景上下文，能够生成多种可能的未来假设并给出其概率，从而为决策提供更丰富的信息。在决策与规划的方法论上，传统基于规则的有限状态机与优化方法在可解释性与稳定性上具有优势，而基于深度强化学习与模仿学习的端到端方法则在学习复杂驾驶策略、应对开放场景方面展现出潜力，两种路线在当前工程实践中趋于融合：以规则约束与安全兜底保障可解释性与安全性，以学习方法提升对复杂场景的适应能力。

在决策的下游，执行控制将规划结果转化为车辆的物理运动，涉及横向的转向控制与纵向的驱动与制动控制。线控底盘技术以电信号替代传统的机械或液压连接，实现对转向、制动与驱动的精确、快速且可编程的控制，成为自动驾驶执行的物理基础。为保证在关键功能失效时仍能安全停车或降级，线控系统需要进行系统的冗余设计（如双路电源、双控制器与双执行机构的冗余），并满足严苛的功能安全与预期功能安全要求。除了单车层面的技术，整车的算力架构、软件定义与云端协同也日益成为智能网联汽车系统能力的决定性因素，高性能车载计算平台、高效的中间件与端云联动机制，为复杂的感知决策算法在车端实时运行提供了必要支撑，构成了智能驾驶软硬件一体化竞争力的重要一环。

六、车路云一体化与网联支撑技术及安全治理

单车智能在感知范围、全局协同与突发事件应对上存在固有的物理极限，例如难以"看见"被前车遮挡的障碍物、难以预知远前方的道路异常，也难以在多个车辆之间达成全局最优的协同。车联网（V2X）与车路云一体化正是在这一背景下应运而生，旨在通过通信与算力的加入，将智能网联汽车从孤立的智能体扩展为"车—路—云"协同的智能系统。

车联网通信是实现协同的基础。其技术路径主要包括以蜂窝网络为基础的C-V2X与以Wi-Fi直连技术为基础的DSRC两大主流流派，其中C-V2X因其在覆盖范围、可靠性与我国等主流市场中的产业支持而日益占据主导。C-V2X涵盖车与车（V2V）、车与路（V2I）、车与云（V2N）以及车与人（V2P）等多种通信模式，通过周期性广播与需求响应等机制，使车辆能够共享位置、速度、意图与路侧感知信息。车路协同的深层次价值在于"盲区消除"与"全局协同"：路侧感知设备可以将交叉口、事故现场等单车感知难以企及的信息实时下发到车辆，使其获得超视距感知能力；车与车之间的相互通信则有助于实现编队行驶、协同变道等安全高效的协同驾驶行为，显著提升复杂场景下的通行效率与安全性。

车路云一体化架构进一步将海量车辆数据汇聚到云端进行处理、存储与分发，形成"单车智能、路端增强、云端调度"的分层能力体系。云端承担全局交通态势感知、大规模地图更新、集中式AI训练与模型迭代、以及针对特殊场景的云端协同决策等任务，并可依据实时数据为单车提供危险预警、路线建议与协同调度信息；路侧的边缘计算节点则就近处理时延敏感的感知与决策任务，与云端形成接力。这一架构使智能网联汽车能够借助比单车更丰富的感知视野、更强大的计算资源与更智能的协同决策，在提升安全性的同时推进更高等级自动驾驶在复杂城市环境中的落地。车路云一体化还深刻影响着自动驾驶的商业模式与运营形态，无人驾驶出租车、智慧物流、公共交通与应急救援等应用模式均可在这一架构下获得更高效率与更强保障。

然而，网联化的引入也带来了新的安全挑战，主要集中在网络安全与数据安全两个维度。智能网联汽车是与外界持续交换信息的联网系统，其面临的网络安全威胁包括对车辆控制系统的非法接入与远程劫持、对通信数据的窃听与篡改、以及针对云端平台与数据中心的大规模攻击等，一旦车辆控制权限被非法获取，将直接威胁驾乘人员与他人的生命财产安全，因而车辆网络安全被提升至功能安全同等重要的地位。应对之道在于建立覆盖车端、路端与云端的纵深防御体系，通过身份认证、访问控制、数据加密、入侵检测与安全OTA升级等机制，构建多层防护；同时，由于车辆生命周期长、供应链复杂，还需建立全生命周期的安全监测与漏洞管理机制，并推动零部件与软件供应链的安全可信。

数据安全与隐私保护是另一项重大课题。智能网联汽车在运行中产生及采集的地理信息、行驶轨迹、车内影像与个人行为数据等，具有较强的敏感性，其采集、存储、跨境传输与使用必须严格遵守相关法律法规，平衡好交通安全、产业发展的需求与个人隐私、国家安全的保障之间的关系。这要求行业在技术层面推动数据分类分级、脱敏处理、最小化采集与安全的访问控制机制，在治理层面厘清数据权属、使用边界与责任机制，并建立健全的数据安全合规体系。此外，智能网联汽车的责任界定亦在自动驾驶情境下面临新问题：当事故发生且由系统驾驶时，责任应如何在驾驶员、车辆制造商、算法提供者与路侧设施运营商之间分配，需要法律、伦理与技术标准的协同回应，这也是智能网联汽车规模化应用前必须解决的基础性制度问题。

七、我国智能网联汽车发展的问题分析与对策建议

从总体发展态势看，我国智能网联汽车已形成较为完整的技术与产业基础，在整车制造、动力电池、通信网络、北斗定位与人工智能应用等方面具备较强优势，车路云一体化的发展路线得到广泛认同并已进入规模化示范阶段。然而，对照规模化商业落地的目标，仍存在若干亟待突破的瓶颈问题。在技术层面，感知系统在极端天气、复杂光照与长尾场景下的可靠性仍显不足，若干高阶决策算法在面对罕见但危险的交通情形时的泛化能力有待提升，车路云协同的端到端时延、路侧基础设施的覆盖密度与统一标准亦需进一步完善。在产业层面，产业链上下游的协同机制、高价值传感器的成本控制、以及整车厂与科技企业之间的竞争与协作关系仍待理顺，商业模式的可持续性尚未得到充分验证。在政策法规层面，自动驾驶责任认定、产品准入、保险机制与数据跨境流动等制度供给仍需系统完善。

针对上述问题，本文从技术攻关、产业生态、基础建设与制度保障四个维度提出对策建议。在技术攻关上，应集中资源突破感知长尾工况、复杂交互决策、端到端安全性与车路云实时协同等关键技术，强化芯片、传感器与操作系统等核心技术的自主可控，推动低延时、高可靠的通信技术演进。在产业生态上，应促进整车、零部件、软件、通信与运营服务等多主体深度协同，支持多元商业模式探索，完善供应链的韧性与本土配套能力，形成大中小企业融通发展的格局。在基础建设上，应统筹推进车路云一体化的路侧单元、云控平台、高精度地图与充换电设施建设，强化地图的更新鲜度与数据的安全合规，并推动基础设施的跨区域互联与互认。在制度保障上，应加快健全智能网联汽车的产品准入、道路测试、责任认定、保险创新与数据治理等法规标准体系，适时完善分级分类的管理框架，为我国智能网联汽车的安全、规模化与可持续发展营造稳定的制度环境。

从国际比较的视角审视，当前智能网联汽车的竞争格局呈现出多元格局并存的态势。美国企业依托其领先的人工智能技术、资本市场与软件生态，在自动驾驶算法与RoboTaxi运营上走在前列；欧洲在汽车工业底蕴、功能安全标准与严格的技术规范上具有深厚传统，其产业路径更强调安全审慎的渐进式推进；日韩则在传感器、底盘与整车集成以及氢能等技术维度各有布局。我国以市场规模、通信基础设施与制造能力见长，车路云一体化路线赋予了我国在"聪明的车、智慧的路、智能的云"协同发展上的独特条件。然而也应看到，在高端芯片、部分核心传感器与基础软件等方面，我国仍存在对外依赖，关键核心技术的自主可控能力有待进一步夯实；同时，多标准并存与区域间基础设施标准不统一，也可能制约跨区域的规模化应用。客观认识自身优势与国际差距，有助于我国在智能网联汽车这一长期赛道上保持战略清醒、精准发力，把大国市场优势转化为产业与技术的持续竞争力。

八、结论与展望

本文围绕智能网联汽车这一兼具技术深度与产业广度的战略领域，系统梳理了其概念演进、分级体系、关键技术与产业路径。研究表明，智能网联汽车的技术体系是一个以"感知—决策—执行"为智能化主线、以"车路云一体化"为网联化支撑的多层耦合系统。在环境感知层面，多传感器融合与高精度地图定位协同突破单一传感器的能力边界与失效风险，为安全驾驶奠定感知基础；在决策规划层面，行为预测、多层级规划与深度学习等方法的结合，正不断提升系统在复杂交通场景中的适应能力；在执行控制层面，线控底盘与冗余设计保障了自动驾驶的可靠落地。网联化的引入进一步将单车智能扩展为系统智能，通过车路协同消除盲区、云端算力增强决策，为更高等级自动驾驶与多种新型出行商业模式提供了可能。

本文同时揭示了智能网联汽车在迈向规模化应用过程中面临的多重挑战：长尾工况下的感知与决策可靠性、端到端的系统安全性、车路协同基础设施的覆盖与标准、网络安全与数据治理，以及法律伦理与责任界定等制度性课题。这些挑战并非单一技术所能化解，而须依靠技术创新、标准统一、基础设施完善、产业协同与制度保障的多方合力。我国在市场规模、通信与定位基础设施以及车路云一体化的路线选择上具有独特优势，若能持续突破关键核心技术、完善产业生态与制度供给，有望在全球智能网联汽车竞争中占据领先地位。

展望未来，随着传感、计算、通信与人工智能技术的持续进步，智能网联汽车将沿着"由易到难、由限定到通用"的路径不断演进，从辅助驾驶逐步迈向更高级别的自动驾驶，并深度融入智慧城市与智能交通的广阔图景。可以预期，智能网联汽车将与新能源汽车的电动化趋势、绿色低碳的发展目标以及数字经济的时代背景深度融合，不仅重塑汽车产业本身，更将深刻改变人类的出行方式与城市空间的组织形态。在这一进程中，坚持安全底线、秉持开放合作、强化自主创新，将是把握智能网联汽车发展机遇、实现高质量发展的根本遵循。

参考文献

[1] 中国汽车工程学会. 智能网联汽车技术路线图2.0[M]. 北京: 机械工业出版社, 2021.

[2] SAE International. Taxonomy and definitions for terms related to driving automation systems for on-road motor vehicles: J3016[S]. 2021.

[3] 李骏, 张亚萍, 郭继舜. 智能网联汽车环境感知技术研究现状与展望[J]. 汽车工程, 2021, 43(6): 837-846.

[4] 李克强, 王建强, 杨殿阁. 车路云一体化自动驾驶系统研究与实践[J]. 中国工程科学, 2022, 24(2): 1-9.

[5] 王飞跃, 刘建仁. 智能汽车与平行驾驶的理论与实践[J]. 自动化学报, 2006, 32(6): 941-947.

[6] Geiger A, Lenz P, Urtasun R. Are we ready for autonomous driving? The KITTI vision benchmark suite[C]//IEEE Conference on Computer Vision and Pattern Recognition. 2012: 3354-3361.

[7] 陈虹, 郭洪艳, 王磊. 智能车辆决策规划与控制方法综述[J]. 自动化学报, 2021, 47(12): 2683-2698.

[8] 张卫忠, 冀书关. 自动驾驶汽车预期功能安全研究进展[J]. 中国公路学报, 2020, 33(6): 1-18.

[9] 赵祥模, 徐志刚, 惠飞. 车路协同环境下的智能车辆关键技术研究综述[J]. 交通运输工程学报, 2021, 21(4): 1-24.

[10] Gonzalez D, Perez J, Milanes V, et al. A review of motion planning techniques for automated vehicles[J]. IEEE Transactions on Intelligent Transportation Systems, 2016, 17(4): 1135-1145.

[11] 工业和信息化部. 智能网联汽车道路测试与示范应用管理规范(试行)[Z]. 2021.

[12] Hoss M, Scholle M, Eckhoff D. A survey on the use of blockchain in vehicular and intelligent transportation systems[J]. IEEE Communications Surveys & Tutorials, 2021, 23(4): 2578-2614.

EOF