当前您在:主页 > X水生活 >自动驾驶还不够,下世代汽车要在无线通讯方面大跃进
自动驾驶还不够,下世代汽车要在无线通讯方面大跃进
作者: 热度:582℃

自动驾驶还不够,下世代汽车要在无线通讯方面大跃进

过去 20 年,车载通讯系统一直是汽车基本的安全通讯和交通管理方式,但现在新款感测器逐渐普及,为车主带来更稳定的连线和更安全的驾驶体验。

汽车使用无线通讯技术后,应用开始支撑基本安全、交通效率和网际网路接入等功能,车辆在 V2V 型态和 V2I 型态下实现直接通讯。同时,连线还成了自动驾驶车辆集成大量感测器的自然补充。

由于自动化水平的不同,市场上的自动驾驶车辆也各不相同。有些车辆虽然有自动驾驶功能,但驾驶员却要全程紧握方向盘;另一个极端的自动驾驶,是没有方向盘。在这两种极端情况之间,驾驶员可以选择是否介入。

举例来说,自动驾驶程度较低的汽车,只会在危险时刻提醒驾驶员潜在碰撞将要发生,而自动驾驶程度较高的汽车,则会自动煞车并躲避。

需要注意的是,即使自动驾驶程度很高,汽车也无法脱离通讯系统存在,因为想达到完全自动驾驶,如果没有高精确地图,那就很难实现。这就意味着汽车要即时从地图伺服器抓取最新资料。

车载感测器

支援汽车自动驾驶的感测器包括车载雷达、视觉镜头和雷射雷达系统。

其中雷达主要用在自动巡航控制、碰撞预警、併线辅助和停车等功能上;视觉镜头则负责倒车安全、盲区监控、防疲劳和车道保持等功能;雷射雷达的主要工作则是提供高精确地图资讯,以便汽车完成自动导航并及时发现行人和自行车。

对全自动驾驶汽车来说,这些技术至关重要。

举例来说,特斯拉使用视觉镜头完成高速公路上的自动驾驶,而 Google 力求精确,主要依靠雷射雷达和 3D 地图资料,同时雷达系统则负责探测其他车辆和障碍物。

需要注意的是,这些技术的作用範围要看硬体规格和部署场域。如果在郊区行驶,雷达的作用範围可达 200 公尺,雷射雷达也有 35 公尺,视觉镜头则为 30 公尺。如果换到城市环境,由于交通拥堵、障碍物众多,这些硬体的探测範围就会缩到至只几公尺。

最重要的是,这些外部感测器会受制于「视力」,如果加上通讯,车辆的传感範围会大幅提升,因为四面八方的车辆都能提供重要资讯。

当然,自动驾驶车辆到底要交换什幺资料目前还没定论,如果资料传送速率较低,汽车间恐怕只能交换经过精细处理的资料了。

举例来说,一辆车上的感测器如果探测到一辆自行车,会将其位置和速度传给其他车辆。如果传送速率高,传送的可能是处理较少的初始资讯,其他车辆则需要根据自身感测器搜集到的资料进行整合。也就是说,拥有高速率和低延迟的通讯系统,就能让处理和未处理的资讯快速交换。

下图是汽车感测器及其相关资料摘要,其中也涉及各种感测器所需的传送速率对比。

自动驾驶还不够,下世代汽车要在无线通讯方面大跃进

专属短程通讯技术(DSRC)主要为交换基础安全资讯和为交通管理提供应用而生,该技术可同时支援 V2V 和 V2I。

经过 20 年发展,DSRC 现在已在美国新车型上部署了。不过,要想大规模普及这种技术,还需要政府授权。

眼下,DSRC 能支援的资料速率还很低,每秒传送几百万而已。此外,雷锋网注意到,DSRC 技术并不支援初始感测器资料交换,而这类资料对自动驾驶汽车至关重要。

随着通讯网路的发展,蜂窝通讯也成了车辆间交流的新方式,车辆可直接利用 D2D 型态或透过蜂窝基础设施,在 850 MHz、1800 MHz 或 2100 MHz 三个频段通讯。

透过 D2D 型态,在 LTE-A 网路下基地台将帮助车辆完成发现和沟通的工作。不过,即使在 LTE-A 网路下,D2D 的传送速率也有限制,因为其信道状态资讯不够準确,这对行动设定会产生影响。4G 网路通讯较依赖基础设施,但中高速行驶时传送速率还是会降到每秒几百万。

下图展示 DSRC 和 LTE-A 用在 V2V / V2I 通讯时的传送速率对比。考虑到自动驾驶时车辆每小时能生成 1TB 资料,因此两项技术都无法满足联网车辆资料交换的需要。

自动驾驶还不够,下世代汽车要在无线通讯方面大跃进

感测器面临的挑战

如今,5G 成了业界自动驾驶的好搭档,新一代行动网路的应用包括车辆自动化、交通规划、营运和资讯娱乐等。

确实,5G 网路上路后,延迟会低上 10 倍,而频宽则会增长 10 倍,因此非常适合应用在汽车上。此外,5G 网路特有的毫米波技术能提供高速资料传送,初始感测器资料也不在话下。

需要注意的是,高速率资讯娱乐应用、联合通讯和雷达未来都会集中在毫米波这一频率。在毫米波连结状态下,车辆和行人可能会阻断主要通讯路径,同时树木和建筑等静态实体也会产生阻挡效应。

假设地台搭载了不同的感测器,如雷达和影镜头,就可以透过感测器的结合与机器学习来探测潜在的障碍物和相关的移动物体来帮忙规範通讯连结,并提升 V2I 通讯的表现。机器学习演算法会利用过去通讯效能资料,将特殊的雷达回馈辨识为障碍。

举例来说,在与静态环境地图进行结合后,得出的资讯会成为演算法生成的「养分」,该演算法可以预测车辆行驶中遇到的不同形式障碍。演算法得出的障碍预测结果可回馈到基础设施建设端,这样基础设施就能对车辆有提醒作用。

除此之外,感测器和机器学习演算法的结合,还能让交通执行中心发掘更多与交通环境相关的资讯,同时还能不断提升交通讯号和规划方面的服务。

除了以上各方面,精确定位也是自动驾驶车辆导航时的关键因素。

标準的 GPS 导航系统,即使在多路径情况下,精确度也只能保持在 2~3 公尺内,但这样的精度用在自动驾驶上完全不够,自动驾驶的精确度至少要达到公分级别,这样车辆才能与其他物体保持安全距离。

即使我们实现了高精确定位,在城市里也会遭遇「城市峡谷」效应(高层建筑间)。同时,能完成高精确度定位的 GPS 感测器现在还相当昂贵。要想解决这些挑战,我们就必须使用汽车其他感测器收集到的资料,或用道路基础设施校正标準 GPS 资料,这样才能实现即时公分级精确定位。

还有一点,在车辆自动驾驶程度和通讯能力有差别的环境下,挑战也会相当巨大。想解决这一挑战,可以在基地台装感测器,随后这些感测器收集的资讯会直接传给联网车辆,让它们对非联网车辆和非机动车产生态势感知。

这种依靠基础设施的方式,即使在大多数车辆都没有通讯能力时也能稳定工作,同时全自动驾驶汽车也能藉此更有效地通过十字路口。

自动驾驶还不够,下世代汽车要在无线通讯方面大跃进

 蜂窝网路为基础的交通运输愿景。

这样的方式将围绕 5G 网路完成,因为其目标就是提供更快的传送速率。同时,下图的愿景也正是感测器、机器学习和通讯等技术的结合。

新的战略研究计画

德州大学最近推出新战略研究计画,负责推动该计画的是德州大学无线网路和通讯集团(SAVES),目标是解决下世代联网车辆遇到的挑战。

SAVES 为先进车辆通讯系统、基础设施、感测器技术等设计了一个通用框架。同时,SAVES 还邀请通讯和汽车公司齐聚一堂,与擅长无线通讯、机器学习和交通的学者进行交流。

藉助自己强大的影响力,SAVES 还成功拉了美国交通部「入伙」,「筹码」就是资料支援的交通营运和管理系统(DSTOP)与德州交通部门资助的多个专案。

SAVES 的强悍之处在于无线效能指标(如资料传送速率)和交通运输指标(如交通效率和安全)。

最近,该团队在开发基础理论、演算法上做了不少实验,其中一个研究方向是为了建立感测器辅助通讯技术的基础,并利用这一基础在毫米波 V2X 通讯中完成训练。

另一个研究方向则是毫米波车载通讯基础理论的研究,他们调查了最优波束宽度和光束的相关时间,成绩斐然。

在一系列实验中,SAVES 充分利用美国国家仪器公司的装置,其中包括毫米波原型产品、雷达测试和测量工具。在信道测量中,找来丰田资讯技术中心和国家仪器公司帮忙。

同时,一款混合型毫米波 MIMO 原型系统也得到开发,SAVES 的目的就是测试自研混合型预程式设计和信道预估演算法。

在国家仪器公司的装置上,SAVES 还成功开发了联合毫米波通讯与雷达原型产品。除此之外,在实验资料之上完成资料融合,也是研究的重点专案之一。

总结

5G 和毫米波通讯无疑会成为下世代感测器密集型自动驾驶车辆的标配,而高速率连线对于感测器资料交换则至关重要,该技术能扩大车辆感测器的探测範围,让车辆所做的决定更安全。

传感能力将成为车载系统效能的分水岭,而感测器资料不但能提升车辆安全和交通效率,还能直接反馈通讯系统,在低成本的情况下就能建立毫米波连结。

基础设施不但是通讯载体,它还成了感测器和资料平台,收集的资料将用于即时营运、交通网路控制和规划上。

不过,前途并非一片光明,在前进的道路上还有许多挑战要面对。

上一篇: 下一篇:
猜你喜欢
热门排行
最新文章