基于近年来智能网联汽车领域的研究进展，本文从架构、功能与应用3个方面，梳理分析ICV的系统顶层架构设计，感知、决策与控制等关键功能技术，及服务于实际场景的落地应用。本文在单车自主式智能技术的基础上，进一步讨论了如何基于网联协同式技术提升系统整体性能，并基于上述分析框架，总结了国内外围绕ICV技术取得的重要研究进展，对未来重点研究方向进行了展望。
ICV依托于车载及路侧安装的感知、计算、控制等新型设备，因而亟需研究者在车辆架构设计与交通系统架构设计中进行创新。架构技术是ICV系统硬件及功能构成的顶层设计，一方面保障各模块安全、高效运行，另一方面也需考虑技术的长期发展，便于新模块接入。ICV的架构研究一般包含新概念车辆平台与车-路-云融合系统2个层级。
随着移动通信技术的发展，未来智能汽车将与智能交通系统融合，并可能将部分感知、计算等功能由自车转移至路侧设施，乃至管理更大区域的云端。面向未来ICV技术发展，需要探索实现车辆、道路、云端的深度融合与系统重构。
基于ICV系统的顶层架构设计，功能技术进一步学习和模拟人的驾驶行为，以辅助人的驾驶、乃至最终替代人的驾驶。ICV关键功能技术主要包括感知、决策、控制3方面：感知技术，获取车辆行驶状态与周边环境信息，理解行车环境态势；决策技术，基于安全、高效等目标，规划驾驶行为与行驶轨迹；控制技术，基于车辆动力学模型，控制车辆执行器实现规划结果的稳态跟踪。网联化技术能进一步为智能汽车赋能，通过车-路-云融合解决自主式技术的难题，并协同提升交通系统性能。
由人、车、路3方面要素构成的闭环交通系统，构成了智能网联汽车各项功能的应用场景。研究各要素交互机理和演化规律，对量化行车态势、优化驾驶决策与协同目标控制都具有重要意义。
驾驶员(人)、车辆(车)、交通环境(路)三要素及其相互作用，构成了以自车为中心的微观交通系统基本单元。在国内外部分研究中，也有使用人-车-环境(driver-vehicle-environment，DVE)描述该系统。对人-车-路系统的认识是智能驾驶技术的重要理论基础，包括交通各要素建模、要素间影响机理与系统动态演化分析。
目前关于人-车-路系统的研究较为初步，而智能驾驶功能技术开发中面对的多种挑战，也常与对人-车-路系统的认识不足有关：
1)多因素耦合建模与量化问题。例如，如何耦合分析车辆操纵稳定性与环境障碍物2种异源异构的车-路因素，从而为研究极限工况下车辆失稳-碰撞协同避免问题提供理论支撑。
2)对人的行为机制认识不足。一方面，现有理论难以充分解释人的行为意图的产生机理；另一方面，对人与车、人与人的交互机制研究及优化设计方法探索有限。交通系统中“人”(包含驾驶员和其他道路使用者)是构成交通系统复杂性与不确定性的重要因素，也是发展更高等级智能驾驶面临的重要挑战。
3)现有研究大多面向结构化道路场景，以道路设施和交通规则作为理解环境与驾驶人行为的重要基础。而在缺少上述信息的非结构化道路中，人-车-路的交互与系统演变将更加复杂而不确定，为智能车的感知、决策和控制带来挑战。
基于单车传感器的环境感知有诸多不足，如感知距离较短，存在视野盲区，易受天气影响等。而基于车-车互联、车-路互联，协同感知技术对于提升感知环境能力具有极大潜力。
人驾驶员在感知周围环境时，不仅获取了各环境因素的物理信息，也需要理解其相互作用关系，最终对环境风险态势进行判断。目前有关环境理解的研究主要包含交通参与者意图识别、轨迹预测，与行车风险评估。
现有自主式决策方法常具有分层结构，包含全局路径规划、行为规划与运动规划3个主要阶段。而随着机器学习技术的发展，也有研究者通过端到端方法直接基于感知结果生成驾驶决策。
领导跟随法中，编队存在领航车，跟随车跟踪领航车的位置和速度。该方法有助于简化控制器设计，但存在过于依赖领航车、缺少跟随车反馈渠道问题；虚拟结构法中，编队车辆基于共享的期望队形结构规划驾驶行为。该方法有助于设计车辆协同行为，但其通常采取集中式控制的方法，单点故障可能导致系统失稳；基于行为的方法中，行为协调器预设避障、编队保持、目标搜索等多种基本行为，并根据实际场景输出最终行为。该方法适用于动态环境，但系统动力学模型复杂、设计难度大。
在编队决策中，同样伴随着轨迹规划任务。多车协同轨迹规划方法在单车轨迹规划的基础上发展而来，并且融合了针对多车系统的规划目标与约束，包括实现队形保持与变换、减少路径总长度、减少总耗时等。
路口通行决策。城市路口交通流冲突汇聚，是最容易拥堵的交通场景，协同式决策有助于提升整体通行效率与安全性。路口协同决策常分析2类场景：信控路口通行，优化信号灯配时，并基于信号灯与交通信息优化车速曲线；非信控路口通行，协调规划每辆车通过路口的顺序与速度。
相比于自主式决策技术，协同式决策技术的系统设计更复杂，对智能网联汽车渗透率、路侧设施建设等支撑条件也有更高的要求。目前，有关协同式决策的理论研究较为初步，但基于现有研究中展现出的优越性能，协同式决策技术有望成为未来智慧交通系统的重要功能支撑。
自主式控制技术早期应用于车辆电子稳定控制等主动安全与舒适性系统，在车辆动力学模型、动力学控制等方面已取得较多成果。智能网联汽车主要面向轨迹跟踪控制进行研究。
性能目标。节能、高效是车路云协同控制的最终目标，而就协同控制系统本身而言，研究者一般需要分析其基本的控制性能。重要性能指标包括：1)内稳定性(internalstability)，控制系统的基本性能，例如在Lyapunov意义下线性闭环系统所有特征根均需具有负实部。2)稳定裕度(stabilitymargin)，在内稳定性成立的基础上，进一步刻画系统初始扰动的衰减速度。3)队列稳定性(stringstability)，在具有内稳定性的车辆队列中，依然需要保障扰动不会沿队列传递而放大。4)内聚性能(coherencebehavior)，用于刻画系统在随机扰动下的鲁棒性能。基于上述性能指标分析，能够对协同系统的性能与鲁棒性进行更深入的研究。
前沿探索。面向协同控制系统的落地应用，需要综合考虑真实交通环境诸多非理想条件的影响，包括混行的人驾驶车辆、非理想通信、对抗信息攻击等。
近年来智能网联汽车技术的发展催生了一批产业化落地应用。特别是脱胎于主动安全技术的ADAS系统已经具有了较高的市场渗透率。针对智能网联汽车技术应用的现状与面临问题，本文将基于其技术等级进行讨论。
驾驶辅助(L1)与部分自动驾驶(L2)。ADAS功能包含了常见的L1与L2级智能化技术。近年来ADAS在我国新车市场渗透率逐步提升，也已成为C-IASI、C-NCAP等安全测试的常规评价项目。其中，特斯拉、小鹏等品牌搭载的L2级自动驾驶系统已能够实现高速公路场景中的自主跟车、换道、进入匝道等常规行为，并宣传其车载硬件具有发展更高等级自动驾驶功能的潜力。
尽管如此，近年来有关ADAS系统造成交通事故的案例屡见不鲜。除驾驶员不当操作的原因外，现有技术的可靠性仍需进一步提升。当智能驾驶系统发生错误，原因可归纳为2类：1)功能安全范畴(ISO26262)，即由于系统失效而造成错误；2)预期功能安全范畴(safetyoftheintendedfunctionality，SOTIF，ISO/PAS21448)，即在系统不失效的情况下，由其功能不足、或由可合理预见的人员误用所导致的错误。例如在2019年5月，一辆特斯拉轿车因未能成功识别白色货车而发生碰撞，即属于SOTIF问题。
有条件自动驾驶(L3)。L3级自动驾驶与L2级智能驾驶的差异，在于特定场景下L3级系统能够完全接管驾驶责任。首款用于量产车的L3级自动驾驶系统是2017年奥迪A8上搭载的TrafficJamPilot系统，能够在60km/h以下的拥堵高速公路上完全接管驾驶。
高度自动驾驶(L4)。L4级驾驶中，驾驶任务完全由车辆承担。受限于智能技术发展水平、基础设施建设与法律法规支持，L4级技术目前主要应用于环境较为简单的特定场景中。例如港口、园区内无人驾驶，送货、环卫等低速车辆，及试验区域内的无人出租车。
网联辅助信息交互(L1)。L1级网联化技术基于车-路通信，对导航等辅助信息、车辆行驶数据与驾驶员操作等数据进行交互。此类技术对通信实时性、可靠性要求较低，主要对驾驶员、交通管理与车企等提供信息参考。目前已有一系列L1级网联化技术进入应用，例如斑马系统基于4G网络，能够提供电子导航、交通信息、远程车辆控制等服务。
网联协同决策与控制(L3)。面向协同决策与控制应用，车路云一体化系统建设进一步完善、通信可靠性与实时性进一步提升。我国《路线图2.0》规划在2035年左右基于路侧感知的全局连续式布设，实现车辆和道路的全息协同与数据融合，进而实现交通系统最优调度和车辆全局最优轨迹规划。
基于上述分析，目前较低等级智能网联汽车技术正在快速投入应用，但受限于理论技术水平、政策法规制定，及路侧基础设施建设等多方面因素，更高等级技术应用目前仍局限在特定场景中。面向未来智能网联汽车应用发展，可以总结以下趋势：
2)高等级技术实践应用遵循从特定场景到市郊/高速场景，再到市区场景的推广过程，逐步提升场景的不确定性与复杂性，全场景应用将面临较长的发展过程。
4)由单车智能化向智能-网联融合应用发展，弥补单车在感知、决策等能力方面不足，并进一步形成其在安全、高效与节能方面的优势。
5)政府-科研机构-企业加强协作，推进标准设计、法规制定与基础设施建设，以打通车-车、车-路之间信息管道，支撑高等级ICV技术应用。
6)加速路侧、云端设施建设，形成车路云一体化智能交通系统，面向信息服务、智能驾驶与交通管控提供多级应用。
在架构方面，新概念车辆平台以集成化设计为特征，包含结构共用、信息融合与控制协同3个方面；而基于新概念车辆平台的车-路-云融合架构将成为实现网联化协同的重要基础。
在功能方面，ICV通过感知、决策与控制3项主要功能技术来应对人、车、路三要素交互耦合构成的复杂环境。本文基于智能化、网联化2个方面，对ICV主要功能的技术路线、实现方法与前沿探索进行了分析和展望。
在应用方面，ICV应用具有由低等级向高等级发展、从特定场景向普遍场景推广、从单车自主向网联协同发展、政府-科研-企业高度融合等特征。目前，低等级ICV技术已投入量产应用，而高等级ICV技术的落地将有赖于法律完善、功能技术进步、基础设施建设与测评体系统优化等多方面的发展与支持。