過去 20 年中，車載通訊系統一直是汽車基本的安全通信和交通管理方式，但現在新款傳感器逐漸開始普及，為車主換來了更棒的連接和更安全的駕駛體驗。汽車用上無線通訊技術后，應用開始支撐基本安全、交通效率和互聯網接入等功能，車輛在 V2V 模式和 V2I 模式下實現了直接通信。同時，連接還成了自動駕駛車輛集成大量傳感器的自然補充。
由于自動化水平的不同，市場上的自動駕駛車輛也各不相同。有些車輛雖然有自動駕駛功能，但駕駛員卻要全程緊握方向盤；但另一個極端的自動駕駛，是沒有方向盤。在這兩種極端情況之間，駕駛員可以選擇是否介入。
舉例來說，自動駕駛程度較低的汽車，只會在危險時刻提醒駕駛員潛在碰撞將要發生，而自動駕駛程度較高的汽車，則會自動剎車并作出躲避。
需要注意的是，即使自動駕駛程度很高，汽車也不能脫離通信系統而存在，因為想實現完全自動駕駛，如果沒有高精地圖，那就很難實現。這就意味著汽車要實時從地圖服務器獲取最新的數據。
車載傳感器
支持汽車自動駕駛的傳感器包括車載雷達、視覺攝像頭和激光雷達系統。
其中雷達主要用在自動巡航控制、碰撞預警、并線輔助和泊車等功能上；視覺攝像頭則負責倒車安全、盲區監控、防疲勞和車道保持等功能；激光雷達的主要任務則是提供高精地圖信息，以便汽車完成自動導航并及時發現行人和自行車。
對全自動駕駛汽車來說，這些技術至關重要。
舉例來說，特斯拉使用視覺攝像頭來完成高速公路上的自動駕駛，而谷歌則力求精確，主要依靠激光雷達和 3D 地圖數據，同時雷達系統則負責探測其他車輛和障礙物。
需要注意的是，這些技術的作用范圍要看硬件配置和部署場景。如果在郊區行駛，雷達的作用范圍可達 200 米，激光雷達也有 35 米，視覺攝像頭則為 30 米。如果換到城市環境，由于交通擁堵、障礙物眾多，這些硬件的探測范圍就會縮到至幾米。
最重要的是，這些外部傳感器會受制于它們的“視力”，如果加上通訊，車輛的傳感范圍則會大幅提升，因為四面八方的車輛都能給它提供重要信息。
當然，自動駕駛車輛到底要交換什么數據目前還沒定論，如果數據傳輸速率較低，汽車間恐怕只能交換那些經過精細處理的數據了。
舉例來說，一輛車上的傳感器如果探測到一輛自行車，會將其位置和速度傳給了其他車輛。如果傳輸速率高，它發送的可能就是處理較少的原始信息，其他車輛則需要根據自己傳感器搜集到的數據進行整合處理。也就是說，擁有高速率和低延遲的通訊系統就能讓處理和未處理的信息進行快速交換。
下圖是汽車傳感器及其相關數據摘要，其中也涉及各種傳感器所需的傳輸速率對比。
專用短程通訊技術(DSRC)主要為交換基礎安全信息和為交通管理提供應用而生，該技術可同時支持 V2V 和V2I。
經過 20 年的發展，DSRC 現在已經在開始在美國的新車型上部署了。不過，要想大規模普及這種技術，還需要政府授權。
眼下，DSRC 能支持的數據速率還很低，每秒傳輸幾兆而已。此外，DSRC 技術并不支持原始傳感器數據的交換，而這類數據對自動駕駛汽車至關重要。
隨著通信網絡的發展，蜂窩通訊也成了車輛間交流的新方式，車輛可直接利用 D2D 模式或通過蜂窩基礎設施在850 MHz，1800 MHz 或 2100 MHz 三個頻段進行通信。
通過 D2D 模式，在 LTE-A 網絡下基站將幫助車輛完成發現和溝通的任務。不過，即使在 LTE-A 網絡下，D2D 的傳輸速率也有限制，因為其信道狀態信息不夠準確，這對移動設置會產生影響。4G 網絡通訊較為依賴基礎設施，但在中高速行駛時傳輸速率還是會降到每秒幾兆。
下圖展示了 DSRC 和 LTE-A 用在 V2V/V2I 通訊時的傳輸速率對比。考慮到自動駕駛時車輛每小時能生成 1 TB 的數據，因此兩項技術都無法滿足聯網車輛數據交換的需要。
傳感器面臨的挑戰
如今，5G 成了業內眼中自動駕駛的好搭檔，新一代移動網絡的應用包括車輛自動化、交通規劃、運營和資訊娛樂等。
確實，5G 網絡上馬后，延遲會低上十倍，而帶寬則會增長十倍，因此非常適合應用在汽車上。此外，5G 網絡特有的毫米波技術能提供高速數據傳輸，原始傳感器數據也不在話下。
需要注意的是，高速率資訊娛樂應用、聯合通訊和雷達未來都會集中在毫米波這一頻率。在毫米波鏈接狀態下，車輛和行人可能會阻斷主要通訊路徑，同時樹木和建筑等靜態實體也會產生阻擋效應。
假設基站搭載了不同的傳感器，如雷達和攝像頭，就可以通過傳感器的結合與機器學習來探測潛在的障礙物和相關的移動物體來幫忙配置通訊鏈接，并提升 V2I 通訊的表現。機器學習算法會利用過去的通訊性能數據將特殊的雷達反饋識別為障礙。
舉例來說，在與靜態環境地圖進行結合后，得出的信息會成為算法生成的“養料”，該算法可以預測車輛行駛中將遇到的不同形式的障礙。算法得出的障礙預測結果可反饋到基礎設施建設端，這樣基礎設施就能對車輛起到提醒作用。
除此之外，傳感器和機器學習算法的結合還能讓交通運行中心發掘更多與交通環境相關的信息，同時它們還能不斷提升交通信號和規劃方面的服務。
除了以上各個方面，精確定位也是自動駕駛車輛導航時的關鍵因素。
標準的 GPS 導航系統，即使在多路徑情況下，精確度也只能保持在 2 到 3 米之內，但這樣的精度用在自動駕駛上完全不夠，自動駕駛的精確度至少要達到分米或者厘米級別，這樣車輛才能與其他物體保持安全距離。
即使我們實現了高精定位，在城市里也會遭遇“城市峽谷”效應(高層建筑間)。同時，能完成高精度定位的 GPS 傳感器現在還相當昂貴。要想解決這些挑戰，我們就必須使用汽車其他傳感器采集到的數據或者用道路基礎設施對標準的 GPS 數據進行校正，這樣才能實現實時厘米級精確定位。
還有一點，在車輛自動駕駛程度和通訊能力有差別的環境下，挑戰也會相當巨大。想解決這一挑戰，我們可以在基站安裝傳感器，隨后這些傳感器采集到的信息會直接傳遞給聯網車輛，讓它們對非聯網車輛和非機動車產生態勢感知。
這種依靠基礎設施的方式，即使在大多數車輛都沒有通訊能力時也能穩定工作，同時全自動駕駛汽車也能借助它更高效地通過十字路口。
*蜂窩網絡為基礎的交通運輸愿景
這樣的方式(如上圖)將圍繞 5G 網絡完成，因為其目標就是提供更快的傳輸速率。同時，下圖的愿景也正是傳感器、機器學習和通訊等技術的結合。
新的戰略研究計劃
德克薩斯大學最近推出了新的戰略研究計劃，負責推動該計劃的是德克薩斯大學的無線網絡和通信集團(SAVES)，它的目標就是解決下一代聯網車輛遇到的挑戰。
SAVES 為先進車輛通訊系統、基礎設施、傳感器技術等設計了一個通用框架。同時，SAVES 還邀請通訊和汽車界的公司齊聚一堂，與擅長無線通訊、機器學習和交通的學者們進行了一番交流。
借助自己強大的影響力，SAVES 還成功拉美國交通部“入伙”，它的“籌碼”就是數據支持的交通運營和管理系統(DSTOP)與德州交通部門資助的多個項目。
SAVES 的強悍之處在于它們的無線性能指標(如數據傳輸速率)和交通運輸指標(如交通效率和安全)。
最近，該團隊在開發基礎理論、算法上做了不少實驗，其中一個研究方向是為了建立傳感器輔助通訊技術的基礎，并利用這一基礎在毫米波 V2X 通訊中完成訓練。
另一個研究方向則是毫米波車載通訊基礎理論的研究，他們對最優波束寬度和光束的相干時間對其進行了調查，成績斐然。
在一系列實驗中，SAVES 充分利用了美國國家儀器公司的設備，其中包括毫米波原型產品、雷達測試和測量工具。在信道測量中，它找來了豐田信息技術中心和國家儀器公司來幫忙。
同時，一款混合型毫米波 MIMO 原型系統也得到了有效開發，SAVES 的目的就是測試自研混合型預編程和信道預估算法。
在國家儀器公司的設備之上，SAVES 還成功開發了聯合毫米波通訊與雷達原型產品。除此之外，在實驗數據之上完成數據融合也是研究的重點項目之一。
總結
5G 和毫米波通訊無疑會成為下一代傳感器密集型自動駕駛車輛的標配，而高速率連接對于傳感器數據交換則至關重要，該技術能擴大車輛傳感器的探測范圍，讓車輛所做的決定更加安全。
傳感能力將成為車載系統性能的分水嶺，而傳感器數據不但能提升車輛安全和交通效率，還能直接反哺通訊系統，在低成本的情況下就能建立毫米波鏈接。
基礎設施不但是通訊的載體，它還成了傳感器和數據平臺，它采集的數據將用于實時運營、交通網絡控制和規劃上。
不過，前途并非一片光明，在前進的道路上我們還有許多挑戰需要面對。
來源：cnbeta網站
