智慧交通中的数字孪生应用

我们在生活中，如何减少交通挤塞和高峰时间？哪里应该增加新的自行车道？如何改善公共交通？未来如果自动驾驶汽车落地到我们的街道，将如何与传统车辆互动？自动驾驶对城市和交通规划有哪些潜在的机会和风险？城市每天面临着上百个关于交通的重要决定。

智慧交通中的数字孪生应用

在交通领域有“数字孪生”这一概念，“数字孪生”概念最早在2002年由密歇根大学的Michael Grieves教授提出。他认为通过物理设备或系统的数据，可以在虚拟空间构建一个表征该物理系统的虚拟实体。物理实体与虚拟系统的联系，不是单向和静态的，而是在系统的全生命周期中都联系在一起。

数字孪生是以数字化化方式创建物理实体的虚拟实体，借助历史数据、实时数据以及算法模型等，模拟、验证、预测、控制物理实体全生命周期过程的技术手段。

现有的交通体系虽然能够支撑现阶段的交通管控，但是智慧交通是通过数字孪生的方式，采集交通数据，纳入到虚拟数字映射中，通过大数据分析、人工智能Ai和交通仿真技术生成交通的优化方案，以及对方案进行评价的全新系统。

在道路交通中应用，数字孪生技术能够全面提高交通资源配置的效率和安全运转状态。实现道路基础设施生命周期的动态监测，通过数字大屏的方式展现，大屏中展示现阶段交通现状，以及通过数据全域标识、状态精准感知、数据实时分析、模型科学决策、智能精准执行，同时可以实现交通的模拟、监控、诊断、预测和控制，解决交通规划、设计、建设、管理、服务中的复杂性和不确定性问题，为道路通行诊断和交通管理决策提供精确依据。

在这个虚拟环境中，所有道路用户及其交互以及公共交通服务都可以建模和规划。在实际实施之前，规划者使用所谓的“假设情景”，可以对新措施进行模拟和分析。

数字孪生、交通仿真与元宇宙的区别于联系

这种数字孪生的基础是数据和算法。在城市里，例如传感器、交通摄像头或GPS等，每天都会产生大量数据。

当前，自动驾驶技术已成智慧交通领域的创新前沿和热点，但其落地的一大难题是需要付出巨大的时间和金钱成本，来验证技术和算法的安全性。有数据显示，一套自动驾驶系统想要达到量产应用条件，至少需要经过110亿英里(约170-180亿公里)的道路验证。而110亿英里，相当于环绕地球超44万圈，这是一个有生之年都难以完成的任务，所以必须通过先进技术加速这个验证过程，同时还不能违背客观规律。

在这种背景下，自动驾驶仿真测试有助于加速自动驾驶技术的落地应用，而数字孪生技术则是其中的关键支撑。

在《数字孪生应用白皮书2020》中，也指出数字孪生生态系统由基础支撑层，数据互动层，模型构建与仿真分析层，共性应用层和行业应用层组成。

此外，交通领域有“数字孪生”还需要与“交通仿真”区别开来，数字孪生体系通过与物理世界建立底层关联，将物理世界动态实时的映射到虚拟世界当中，并依据当前的交通态势和行为做预测。而交通仿真软件数据的精确匹配和实时性都存在偏差，只能依托历史数据去做分析和推测，而无法准确的和物理世界相关联进行及时的研判分析。

元宇宙目前在科技界是最火热的名词，目前还没有一个标准的定义，维基百科如此定义元宇宙，通过虚拟增强的物理现实，呈现收敛性和物理持久性，基于未来互联网，具有链接感知和共享特征的3D虚拟空间。但有三个特征是大家公认的，即恒久性、去中心化和与现实链接。“元宇宙”具体应用在交通行业呈现的形态又是什么样的？

业内认为在数字孪生技术的支持下，可以构成“元宇宙”中的平行交通体系，可以对虚拟的交通世界进行一个管控，同时也能够增加对现实世界中交通的深刻认识和更为准确的预测，从而构建出一个真正意义上的交通AI或者交通大脑。

元宇宙的核心实际上就是数字仿真技术，通过感知、定位等信息技术，在高精度地图基座中构建交通场景仿真和车辆动力学软件的运行环境，它可以将道路、车辆、环境、气象甚至人等真实信息通过元宇宙端口接入，构建类真实的交通时空框架，并通过数据安全和隐私保护策略，使得交通仿真更加贴近真实、更加精准。

智慧交通中数字孪生的构建

在智慧交通的实际构建当中，以基础设施和多源异构物理感知的数字化为底座，通过以多种低延时的网络组合作为通道，将数据上传到具备孪生功能的计算平台进行建模重构和精确感知，从而将数字化结构化的数据应用到交通的各项业务当中，即时数据可通过边缘计算迅速实现交通行为还原和检测，利用大数据实现交通状态推演和自动分析预测功能。

在感知层，基于高精地图采集的三维模型将路网、道路、标志标线、建筑物、杆件等数字化，并匹配相应的特征信息，如地理位置信息、物理属性等。多源异构的交通检测传感器可以识别各类交通参与者的精准位置、轮廓、大小、速度、航向角等信息和交通事件、交通行为。结合诸多物联网传感器，将路面、路基、设备等状态和生命周期等数据通过多种网络组合方式提供尽可能低时延的方式同步到计算层，实现物理世界和虚拟世界的时间空间同步。

数据层则将不同途径采集到的数据按照业务需求进行不同分发、存储以及管理。

运算层则运用计算资源将物理生命周期数据同动态采集数据进行融合和精准匹配，将物理量转化为机器可识别语言，构建有机的数字孪生体。

功能层面向业务体系，在机器语言自动识别处理的基础上，实现交通场景的孪生重现，交通参与者的目标识别跟踪和还原，智能化的分析目标行为和交通状态，从而根据目标进行态势分析和交通事件预测。

数字孪生在交通中的应用价值

数字孪生的核心在于将物理道路、基础设施和交通目标全部转化为带有特征信息的数字，从而转化成供机器自动读取和识别的语言。在该基础前提下，我们可以获取道路和设备全生命周期状态过程，并将含有位置、速度、角度、轮廓、类型的交通参与目标直接提供给计算单元读取，自动判别目标行为。

区别于传统视频监控，数字孪生的在立体多维呈现不受光线条件的影响，可最为直观全面的了解实时交通状态，灵活切换任意视角，迅速查看交通事件发生情况，从路网的交通态势到微观车辆的行为，都可一目了然。

城市管理当中依托机器自动识别读取，可以极大提高交通管理效率，识别到交通异常自动报警并评估对道路通行的影响规模，通过分析交通态势自动下发应急预案，人工只需要二次确认事故并确认处置方案，较传统交通管理模式更为便利高效。

另一方面带来的价值，依托极低时延网络，对于微观交通行为的预测，依据交通参与者的空间位置、速度、方向等判定碰撞可能性并为车辆或行人提供预警。长期的精准数据分析，也可为交通管理策略、交通应急处置预案优化提供更精准的依据，可不断优化和支撑数据分析。